AI ∞ IA

Les géants de la tech promettent des IA qui nous connaîtront intimement. En analysant nos clics, nos recherches ou nos achats, les plateformes repèrent des habitudes et des ressemblances. Elles s’en servent pour anticiper certains de nos choix et décider de ce qu’elles nous montrent en premier. Jusqu’où voulons-nous que ces entreprises puissent chercher à prédire nos comportements ? Et faut-il leur laisser décider seules de l’usage de ces prédictions, ou en fixer ensemble les règles ?

En août 2010, Eric Schmidt, alors patron de Google, confie au Wall Street Journal que la plupart des gens ne veulent pas que Google réponde à leurs questions. Ce qu’ils attendent, selon lui, c’est que Google leur dise quoi faire ensuite. Seize ans plus tard, la phrase ressemble à un programme.

En 2015, une étude publiée dans la revue PNAS a nourri l’idée que les machines nous connaîtraient mieux que nos proches. Des chercheurs de Cambridge et de Stanford, dont le psychologue Michal Kosinski, ont analysé un questionnaire rempli par 86 220 volontaires recrutés sur Facebook. Le questionnaire mesurait cinq grands traits de personnalité, dont l’ouverture et l’extraversion. Ces réponses servaient de référence.

Pour une partie des volontaires, des amis Facebook ont aussi décrit leur personnalité. Un modèle a estimé leurs scores à partir des pages qu’ils avaient aimées. Les chercheurs ont comparé ces deux évaluations aux réponses des volontaires. Ils ont aussi rapproché les scores du modèle de ceux d’études antérieures. Selon cette seconde comparaison, il fallait environ 10 « J’aime » pour que le modèle se rapproche davantage du questionnaire qu’un collègue moyen, 150 pour dépasser un membre de la famille et 300 pour dépasser un conjoint.

Le résultat porte sur des scores de personnalité tels que les volontaires les décrivent dans un questionnaire. À la même époque, l’historien Yuval Noah Harari referme Homo Deus sur une question. Que deviendront nos sociétés quand des algorithmes nous connaîtront mieux que nous ne nous connaissons nous-mêmes ?

Ce que les plateformes déduisent de nos comportements

Les systèmes de recommandation combinent plusieurs sources d’information : notre historique, les caractéristiques des contenus, le contexte, comme l’heure ou l’appareil utilisé, et souvent ce qu’ont fait d’autres utilisateurs. Le filtrage collaboratif repose sur une idée simple : des personnes qui ont aimé les mêmes films pourraient aussi partager d’autres préférences de cinéma. Ce mécanisme exploite les ressemblances entre utilisateurs et participe à la personnalisation des résultats.

Si ces ressemblances sont exploitables, c’est que nos goûts ne sont pas distribués au hasard. La sociologie observe depuis longtemps des régularités collectives. En 1897, Émile Durkheim montrait que les taux de suicide diffèrent d’une société à l’autre et restent relativement constants sur certaines périodes. Une telle régularité ne permet pas de prédire le geste d’une personne : elle indique que des faits sociaux comptent aussi dans des situations souvent expliquées par des raisons personnelles.

En 1979, Pierre Bourdieu publie La Distinction. À partir d’enquêtes menées en France depuis les années 1960, il montre que nos préférences en musique, en peinture, en cuisine ou en décoration sont liées à notre position sociale : le diplôme, le milieu d’origine, la profession. Il appelle habitus les dispositions durables, acquises notamment dans la famille et à l’école, qui orientent nos choix sans que nous en ayons toujours conscience. Il parle de tendances, pas de destins écrits d’avance.

Les systèmes de recommandation exploitent ces régularités à grande échelle à partir de nos traces numériques. En 2026, Liang Wang et ses collègues se sont inspirés de Bourdieu pour concevoir une méthode expérimentale de personnalisation des modèles de langage. Elle relie les actions d’un utilisateur à ses habitudes et aux comportements d’utilisateurs aux profils semblables. Une théorie qui cherchait à expliquer comment se forment nos goûts sert ici à anticiper des préférences.

Nos goûts portent la trace d’histoires communes.

Prédire un comportement n’est pas connaître une personne

En 2010, Chaoming Song et ses collègues publient dans Science une étude devenue célèbre. Elle examine des données de téléphonie de 50 000 personnes sur trois mois. Les antennes situent approximativement les appels : de nombreuses heures restent sans donnée. À partir de ces traces, les chercheurs estiment la possibilité de prévoir la zone où se trouverait une personne à l’heure suivante. Les plafonds théoriques qu’ils estiment pour chaque participant se concentrent autour de 93 %. Ce chiffre donne une idée de la précision maximale qu’un programme pourrait atteindre pour cette tâche.

Ce chiffre a ensuite été discuté. Une partie de cette prévisibilité tient à un fait banal : nous restons souvent au même endroit d’une heure à l’autre. Si quelqu’un est chez lui à deux heures du matin, il y a de fortes chances qu’il y soit encore à trois heures. En 2017, Edin Lind Ikanovic et Anders Mollgaard, de l’université de Copenhague, ont posé une autre question : une fois qu’une personne quitte un lieu, peut-on prévoir le suivant ? Avec les données de 604 participants, surtout des étudiants, ils ont estimé une limite théorique d’environ 71 %. Les deux chiffres portent sur des populations et des questions différentes : le second ne corrige donc pas directement le premier.

La réponse dépend donc de ce que l’on cherche à prévoir et des données disponibles. Une position ou des scores de personnalité ne décrivent qu’une partie de notre existence.

Une autre expérience porte sur les trajectoires de vie. Une enquête américaine a suivi plus de 4 000 familles dont un enfant est né autour de l’an 2000. Elle a rassemblé des milliers de variables portant notamment sur les revenus, la santé, la scolarité, les relations familiales et le logement. Certaines informations manquaient selon les familles.

Cent soixante équipes ont soumis des prédictions au Fragile Families Challenge. À partir des données recueillies jusqu’aux neuf ans des enfants, elles devaient prédire six éléments de leur situation à quinze ans, dont les notes scolaires ou une éventuelle expulsion du logement. Une partie des résultats à quinze ans servait à entraîner les modèles, une autre à suivre leurs performances pendant le défi. Les organisateurs ont réservé un dernier lot de données pour évaluer les prédictions finales.

Les résultats, publiés en 2020, sont modestes : même les meilleurs modèles ne prédisent pas ces situations avec une grande précision. Ils font seulement un peu mieux que des calculs plus simples. La difficulté varie selon la situation à prévoir et les données disponibles.

Le sociologue Bernard Lahire rappelle, lui, qu’une personne ne se résume pas à son groupe. Dans La Culture des individus (2004), il observe qu’une même personne peut associer des pratiques liées à des univers sociaux différents : aimer l’opéra et la téléréalité, lire Proust et des romans policiers. Une enquête de Laurie Hanquinet auprès de 2 021 habitants de la Fédération Wallonie-Bruxelles montre elle aussi la diversité des combinaisons possibles. Montaigne le disait à sa manière : « Certes, c’est un sujet merveilleusement vain, divers et ondoyant, que l’homme. »

Prédire un comportement précis, dans un contexte donné, n’équivaut donc ni à connaître une personne ni à prévoir son existence.

De la prédiction à l’intervention

Une plateforme peut estimer la probabilité que nous cliquions sur un contenu et s’en servir pour décider où le placer. Si nous cliquons, certains systèmes utilisent cette réaction pour ajuster les recommandations suivantes. Le clic indique que nous avons ouvert le contenu. Les raisons qui nous ont poussés à le faire restent inconnues. La juriste et philosophe Antoinette Rouvroy, chercheuse à l’Université de Namur, l’a formulé dans un entretien à Mediapart en 2015. L’algorithme relève, selon elle, de l’intervention.

Un système n’a pas besoin de tout savoir pour avoir des effets. Une prédiction imparfaite suffit à changer l’ordre des contenus présentés à des millions de personnes. Ce qui apparaît en premier a plus de chances d’être vu. Ce qui apparaît rarement risque de rester invisible. Les plateformes exercent ainsi un pouvoir réel, même si leur connaissance de chacun reste partielle.

Ce qui apparaît en premier a plus de chances d’être vu. Ce qui apparaît rarement risque de rester invisible.

Le sociologue Massimo Airoldi décrit ce mécanisme dans Machine Habitus (2021). Reprenant Bourdieu, il propose de voir dans les systèmes d’apprentissage automatique une sorte d’habitus : nourris de données passées, ils peuvent en reproduire les régularités et les inégalités dans ce qu’ils proposent. Rouvroy parle de « gouvernementalité algorithmique » pour désigner une forme de pouvoir qui s’exerce aussi en aménageant notre environnement selon nos comportements anticipés. Ce pouvoir se combine à d’autres, dont les lois.

D’autres choix techniques sont possibles. Les chercheurs savent aussi concevoir des systèmes qui favorisent la diversité, la nouveauté ou la découverte inattendue. Leur place dépend notamment des objectifs des services : privilégier le temps passé sur l’application ou le taux de clic ne conduit pas nécessairement aux mêmes résultats que faire découvrir des contenus moins attendus.

Avec l’IA générative, la question de la diversité se pose aussi pour les textes que nous écrivons. Flaubert recensait dans son Dictionnaire des idées reçues ce qui se dit parce que cela se dit. Dans une étude publiée en 2024 dans Science Advances, Anil Doshi et Oliver Hauser ont demandé à des participants d’écrire un récit de huit phrases, avec ou sans idées suggérées par GPT-4. Les récits écrits avec accès à ces idées ont été jugés en moyenne plus créatifs et mieux écrits. Une analyse informatique a aussi montré qu’ils se ressemblaient davantage entre eux. Dans cette expérience, le gain individuel s’accompagne donc d’une moindre diversité des récits.

Qui fixe les objectifs ?

« L’IA choisira », « l’IA décidera », « l’IA écrira » : dans ces formules que nous utilisons couramment, la machine devient sujet du verbe, comme si elle était dotée d’une volonté propre. Or les systèmes fonctionnent selon des règles, des données et des objectifs définis par des humains. Dire « l’IA décide » risque d’effacer ceux qui conçoivent et déploient ces outils, ainsi que ceux qui en tirent profit. Les nommer permet de savoir qui porte la responsabilité de ces choix et vers qui se tourner pour les contester.

Il serait fragile de fonder notre autonomie sur notre capacité à surprendre les modèles : une erreur de prédiction peut venir de données insuffisantes ou d’un changement de situation, et une décision prévisible peut être pleinement choisie. Bourdieu voyait dans la connaissance des déterminismes sociaux une condition pour s’en affranchir en partie. Or la connaissance que les plateformes tirent de nos traces n’est pas nécessairement mise à notre disposition.

Une décision prévisible peut être pleinement choisie.

Confier une réservation à un agent peut être un choix libre, comme on confie certaines démarches à une agence de voyages. Depuis juillet 2025, l’agent de ChatGPT peut accomplir des tâches en ligne, comme préparer un achat, et demander l’accord de l’utilisateur avant certaines actions importantes. Un agent peut suivre une consigne sans établir le profil de la personne qui la donne. L’utilisateur doit pouvoir choisir ce qu’il délègue, corriger une instruction et reprendre la main en cours de tâche.

Nous pouvons aussi agir collectivement en demandant des explications sur les recommandations, en encadrant l’usage de nos données ou en défendant le rôle des bibliothécaires, des libraires, des disquaires et des enseignants. En Europe, l’article 38 du règlement sur les services numériques exige que les très grandes plateformes et les très grands moteurs de recherche proposent au moins une option sans profilage pour chacun de leurs systèmes de recommandation. Lorsque plusieurs options de classement sont proposées, l’article 27 prévoit que les utilisateurs des plateformes puissent accéder facilement au réglage là où les contenus sont classés.

Garder la main

Quand on observe nos comportements à grande échelle, certaines habitudes se dessinent. Nous apprenons les uns des autres, et nos goûts portent la trace d’histoires communes. Les plateformes repèrent ces régularités à partir de nos traces numériques et les exploitent selon les objectifs qu’elles se donnent.

Nous devons pouvoir savoir ce que ces systèmes déduisent de nos comportements et dans quel but. Nous devons aussi pouvoir contester leurs effets et reprendre la main sur les décisions que nous leur confions. Ce droit vaut même lorsque la machine a vu juste.

Sources et ressources

• Eric Schmidt, entretien au Wall Street Journal, 14 août 2010. Voir aussi Computerworld.
• Wu Youyou, Michal Kosinski et David Stillwell, Computer-based personality judgments are more accurate than those made by humans, PNAS, 2015.
• Yuval Noah Harari, Homo Deus. Une brève histoire de l’avenir, Albin Michel, 2017 (éd. originale 2015).
• OpenAI, Introducing ChatGPT agent, 17 juillet 2025.
• Émile Durkheim, Le Suicide. Étude de sociologie, Alcan, 1897.
• Pierre Bourdieu, La Distinction. Critique sociale du jugement, Minuit, 1979.
• Liang Wang et al., Beyond Isolated Behaviors: Hierarchical User Modeling for LLM Personalization, Findings of EMNLP 2026.
• Chaoming Song et al., Limits of Predictability in Human Mobility, Science, 2010.
• Edin Lind Ikanovic et Anders Mollgaard, An alternative approach to the limits of predictability in human mobility, EPJ Data Science, 2017.
• Matthew Salganik et al., Measuring the predictability of life outcomes with a scientific mass collaboration, PNAS, 2020.
• Bernard Lahire, La Culture des individus. Dissonances culturelles et distinction de soi, La Découverte, 2004.
• Laurie Hanquinet, Exploring Dissonance and Omnivorousness: Another Look into the Rise of Eclecticism, Cultural Sociology, 2017.
• Montaigne, Essais, livre I, chapitre 1. Gustave Flaubert, Dictionnaire des idées reçues, première publication posthume en 1910.
• Antoinette Rouvroy, « L’algorithme n’est pas un système de prédiction mais d’intervention », entretien pour Mediapart, 25 mai 2015. Voir aussi C. Stinson, Algorithms are not neutral, AI and Ethics, 2022.
• Massimo Airoldi, Machine Habitus. Toward a Sociology of Algorithms, Polity, 2021 (numérique), 2022 (papier).
• Anil Doshi et Oliver Hauser, Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 2024.
• Commission européenne, Droits des utilisateurs au titre du règlement sur les services numériques, articles 27 et 38.