Notre nouveau modèle d’intelligence artificielle permet de prévoir les ondes de tempêtes extrêmes – ces rehaussements importants du niveau de la mer sur le littoral causés par les vents d’une grande dépression – avec une grande précision, y compris dans les conditions climatiques futures. Ce modèle d’IA fonctionnant rapidement, il peut aider les chercheurs et les professionnels à mieux évaluer les risques d’inondation côtière, et à mieux planifier les mesures d’adaptation.

---

Le niveau de la mer monte, et avec lui, les risques liés aux événements côtiers extrêmes tels que les ondes de tempête – des élévations temporaires du niveau de la mer causées principalement par des tempêtes, qui comptent parmi les principaux facteurs à l’origine des inondations côtières. Alors que plus de 10 % de la population mondiale vit dans des régions côtières de faible altitude, la combinaison d’une élévation progressive du niveau moyen de la mer et d’événements extrêmes de plus en plus intenses représente une menace croissante.

---

À lire aussi : Les « médicanes », ces cyclones méditerranéens que le changement climatique va aggraver

---

Pour les urbanistes et les décideurs politiques chargés des zones côtières, l’enjeu principal ne réside pas seulement dans l’élévation prévue du niveau moyen de la mer, mais aussi dans l’évolution des événements extrêmes, que ce soit en matière de probabilité ou de gravité. En effet, la conception des infrastructures, l’urbanisme et la préparation aux catastrophes reposent sur des scénarios, établis scientifiquement, de tels événements extrêmes.

Cependant, la projection d’événements extrêmes liés au niveau de la mer reste un défi scientifique majeur, car ceux-ci sont le résultat d’interactions complexes et non linéaires entre les marées, les forçages atmosphériques, la dynamique océanique et les caractéristiques côtières locales.

Cela signifie que les incertitudes dans les projections de ces événements extrêmes restent en grande partie non quantifiées. Par exemple, de petites différences dans les hypothèses des modèles peuvent entraîner de grandes différences dans les résultats prévus, en particulier pour les événements extrêmes. Ces incertitudes ont des implications importantes pour les planificateurs, la protection civile et, en fin de compte, la protection des vies humaines et des biens.

À l’heure actuelle, l’efficacité des modèles d’IA ouvre de nouvelles possibilités. En effet, comme ceux-ci peuvent générer des prévisions beaucoup plus rapidement que les modèles basés sur les lois physiques, ils permettent d’explorer de vastes ensembles de scénarios futurs, ce qui serait d’un coût prohibitif si l’on utilisait uniquement des modèles traditionnels (basés sur la physique). Considérer de nombreux scénarios est particulièrement important pour évaluer les risques, car il s’agit de comprendre la probabilité d’événements rares mais catastrophiques.

Une approche combinant IA et physique pour un risque en mutation

Les modèles traditionnels fondés sur la physique, qui utilisent les lois physiques pour représenter le mouvement des eaux côtières, peuvent simuler ces processus en détail, mais ils sont coûteux en matière de calcul, ce qui rend difficile l’exploration d’un large éventail de scénarios futurs et d’incertitudes.

Parallèlement, les systèmes d’intelligence artificielle sont de plus en plus utilisés en sciences du climat, car ils offrent de nouvelles possibilités pour surmonter ces défis.

Cependant, leur fiabilité reste incertaine dans ce contexte, notamment en raison de deux défis majeurs : la représentation limitée des événements extrêmes rares mais à fort impact dans les données d’apprentissage, et la nécessité de généraliser les résultats – de manière robuste – à des conditions climatiques futures qui pourraient différer considérablement de celles observées historiquement.

---

À lire aussi : Pouvait-on prédire les inondations espagnoles de 2024 ? Le problème de la dérive des données illustré par la climatologie

---

L’IA et la modélisation physique sont des outils complémentaires : les modèles physiques restent essentiels pour représenter les processus sous-jacents et pour générer les données de haute qualité nécessaires à l’entraînement et à la validation des modèles d’IA, et, en fin de compte, pour instaurer la confiance dans leur homologue IA.

En combinant le réalisme physique des modèles traditionnels avec l’efficacité et la flexibilité de l’IA, les scientifiques développent une nouvelle génération d’outils pour l’évaluation des risques côtiers.

Ces outils seront essentiels pour éclairer les stratégies d’adaptation, aidant les sociétés à mieux se préparer à un avenir où les événements extrêmes liés au niveau de la mer pourraient devenir plus fréquents et plus graves.

Nos résultats suggèrent que l’IA peut être utilisée de manière fiable pour prévoir des événements extrêmes liés au niveau de la mer, rares mais à fort impact. De plus, les modèles d’IA, en permettant la génération rapide de scénarios et des tests de sensibilité, fournissent un nouvel outil pour mieux caractériser ces incertitudes.

Un nouvel « émulateur » d’IA pour la prévision des ondes de tempêtes extrêmes

Dans notre récente étude publiée dans Earth’s Future, nous avons cherché à déterminer si des modèles d’IA peuvent prédire avec précision des événements extrêmes liés au niveau de la mer, lorsqu’ils sont entraînés à émuler les résultats de simulations et de projections fondées sur la physique. En d’autres termes, nos modèles d’IA visent à apprendre à reproduire les résultats de ces modèles plus complexes, mais beaucoup plus rapidement.

Nos résultats montrent que les émulateurs d’IA parviennent à appréhender la dynamique complexe sous-jacente aux ondes de tempête et à reproduire les événements extrêmes avec une grande précision, y compris dans des scénarios futurs, par rapport aux projections disponibles jusqu’au milieu du XXIᵉ siècle.

Pour le démontrer, nous avons développé un cadre permettant d’améliorer la capacité des modèles d’IA à représenter les ondes de tempêtes extrêmes et de vérifier si leurs prévisions restent fiables dans des scénarios futurs.

Nous nous sommes concentrés sur la zone côtière de New York comme étude de cas, car elle est très exposée aux inondations côtières, avec une population dense, des infrastructures critiques et des actifs économiques majeurs – et parce qu’elle a connu des ondes de tempêtes dévastatrices dans l’histoire récente, comme lors de l’ouragan Sandy en 2012, qui a causé de nombreux décès et plus de 60 milliards de dollars (51,9 milliards d’euros) de dommages économiques.

Notre émulateur d’IA s’appuie sur des simulations fondées sur la physique (qui sont issues du Global Tide and Surge Model (GTSM), librement accessibles) non seulement pour l’entraînement, mais aussi pour évaluer sa fiabilité dans différentes conditions climatiques, y compris des scénarios futurs.

Limites actuelles et prochaines étapes

La prochaine étape consiste à tester plus en profondeur la robustesse de ces outils d’IA sur un éventail plus large de scénarios climatiques et à les intégrer dans des cadres opérationnels d’évaluation des risques ainsi que dans des services mondiaux de données climatiques fournissant des informations hydroclimatiques et côtières aux décideurs, tels que l’Aqueduct Flood Risk Analyzer et le Copernicus Climate Data Store.

Plus largement, les modèles d’IA ont le potentiel de répondre à plusieurs besoins critiques en matière d’analyse des risques côtiers, mais d’importantes lacunes subsistent.

Il s’agit notamment d’améliorer et de quantifier rigoureusement leur transférabilité à travers un large éventail de scénarios futurs, de mieux représenter les incertitudes associées aux paramètres physiques intégrés dans les données d’apprentissage, et d’évaluer dans quelle mesure ces modèles se généralisent à différentes localisations géographiques.

Il sera essentiel de clarifier les limites de leurs capacités d’extrapolation pour renforcer la confiance dans leur utilisation à des fins de prise de décision, en particulier dans des conditions inédites, dues au changement climatique et à la non-stationnarité (c’est-à-dire les changements de régimes climatiques et des phénomènes extrêmes plus intenses que ceux observés auparavant), et qui se situent donc en dehors de la fourchette couverte par les observations passées ou les simulations fondées sur la physique que nous avons utilisées pour entraîner les modèles d’IA.

---

Le mécénat scientifique d’AXA fait désormais partie du Fonds Axa pour le progrès humain, qui regroupe les engagements philanthropiques du Groupe et des mutuelles d’assurance Axa dans les domaines de la science, de la nature, de la solidarité et de la culture. Avant 2025, ce mécénat scientifique global était assuré par le Fonds Axa pour la recherche, qui a soutenu plus de 750 projets à travers le monde depuis sa création en 2007. Pour en savoir plus, rendez-vous sur Fonds Axa pour le progrès humain.

Andrea Ficchì a reçu une bourse de recherche postdoctorale du Fonds AXA pour la Recherche (aujourd'hui Fonds Axa pour le progrès humain) dans le cadre de l'appel à candidatures lancé conjointement par le Fonds AXA pour la Recherche et la Commission Océanographique Intergouvernementale de l'UNESCO à l'occasion de la Décennie de l'Océan.

Emiliano Longo est membre de la CMCC Foundation (Euro-Mediterranean Center on Climate Change). Il a reçu des financements de Politecnico di Milano.

Plutôt que de produire des mots, le modèle d’intelligence artificielle Evo 2 est capable de prédire une base d’ADN en se fondant sur une séquence donnée. Lancé, il y a un peu plus d’un an, le modèle s’affine et permet aux scientifiques de mieux comprendre le langage de l’ADN. Sa puissance de calcul pose néanmoins des questions de ressources énergétiques.

---

Si vous avez déjà utilisé un modèle de langage comme ChatGPT ou Mistral, vous vous souvenez sans doute de la première impression : orthographe impeccable, grammaire fluide, phrases qui ont du sens. Pourtant, sous le capot, ces systèmes ne font qu’une chose très simple : prévoir dans une phrase le mot qui va suivre. Ils utilisent des statistiques apprises sur un immense corpus de textes, et c’est ainsi qu’ils « parlent » français, anglais et bien d’autres langues.

Une idée féconde a alors germé chez les généticiens : et si l’on entraînait la même classe de modèles pour apprendre le langage de la vie, la suite de lettres A, T, G, C, inscrite dans nos génomes ? C’est le pari des modèles de langage génomiques : ils apprennent la grammaire cachée de l’ADN et offrent à la recherche un allié précieux pour explorer, proposer et tester plus vite des hypothèses scientifiques.

Que fait un modèle d’IA ?

Un algorithme d’intelligence artificielle (IA) est, au fond, une machine à transformer des nombres. Les données d’entrée, qui peuvent être des images, des sons ou du texte, sont d’abord encodées en chiffres. Puis l’algorithme applique des opérations simples (additions et multiplications par des paramètres internes au réseau et seuillage) et renvoie les résultats (d’autres chiffres) en sortie. À grande échelle, cette mécanique très simple suffit à jouer au go, à conduire une voiture… ou à comprendre les génomes.

L’astuce, ce n’est pas seulement l’encodage : c’est surtout l’apprentissage. Le modèle ajuste ses paramètres internes à chaque exemple (association entre une entrée et une sortie cible), un peu comme on accorde un instrument : à chaque note jouée, on tend ou détend la corde jusqu’à ce que la mélodie sonne juste.

Les applications de ce principe simple sont multiples et variées. Au jeu de go, l’IA regarde la position des pierres (un tableau de chiffres) et propose le prochain coup ; dans une phrase, le modèle suggère le prochain mot. En génomique, il lit A T G C… et prédit la prochaine base. Si ses prédictions sont bonnes, c’est qu’il a appris quelque chose sur la structure cachée du problème qu’il résout.

Les premiers modèles de langages génomiques

C’est en suivant ce principe que les premiers modèles de langage génomiques ont été entraînés en utilisant des génomes à la place des corpus de texte. Une des versions les plus récentes, Evo 2, a été développée par une large équipe autour du centre de recherche Arc Institute, dans la Silicon Valley. Ce modèle a été entraîné sur de nombreux génomes, comptabilisant près de 10 000 milliards de bases (les fameuses lettres A,C,G,T) ce qui représente 3 000 fois la taille de notre génome.

Le modèle lit à chaque étape un million de bases et le calcul revient toujours à la même question très simple : parmi les quatre lettres possibles (A, C, G ou T), laquelle est la plus probable juste après celles que l’on vient de lire ? La taille gigantesque de sa « fenêtre de lecture » lui permet de saisir à la fois des règles locales et des dépendances lointaines (régulations des gènes à distance). Ce saut d’échelle n’est pas qu’une prouesse technique : il change la manière dont on peut poser des questions en biologie, notamment dans ces régions non codantes (celles qui ne sont pas traduites en protéines) qui restent souvent incomprises et constituent la « matière noire » du génome.

Dans la pratique, l’apprentissage ressemble à une partie de devinettes : à chaque fois que le modèle devine correctement une lettre masquée au sein d’une séquence, il renforce les chemins internes qui l’y ont mené ; lorsqu’il se trompe, il corrige ces chemins. À force, il repère des schémas récurrents : certains motifs précèdent souvent le début d’un gène, d’autres signalent la fin, et certains motifs de la séquence trahissent la façon dont la cellule découpe l’ARN (l’épissage) ou assemble la machinerie de traduction des ARN en protéines.

L’apprentissage se fait d’abord à l’échelle globale. Le modèle lit une grande diversité de génomes et apprend une grammaire générale du vivant. Ensuite, on peut éventuellement l’adapter à une famille d’organismes ou à une question précise (par exemple, en le spécialisant sur un groupe de virus ou de bactéries).

L’IA apprend la grammaire cachée de l’ADN

C’est ici que la recherche s’enthousiasme : en apprenant juste à compléter les séquences, les modèles reconnaissent des signatures biologiques sans qu’on les leur ait pointées du doigt.

Ils retrouvent la périodicité en trois lettres du code génétique : le texte du vivant se lit par triplets (les codons), et les modèles « entendent » ce rythme, comme une mesure en musique. Ils repèrent aussi les départs et arrêts de gènes, avec des contraintes fortes sur les lettres les plus importantes, où l’on s’attend à ce que l’erreur soit rare. Ils détectent des signaux utiles à la machinerie cellulaire : chez les bactéries, les sites de liaison du ribosome ; chez les eucaryotes, les frontières entre exons (conservés) et introns (séquences à retirer), comme si le modèle distinguait les paragraphes et les espaces dans un texte.

Plus étonnant, ils révèlent aussi les éléments mobiles (par exemple, des virus intégrés au génome au cours de l’évolution) et même des empreintes liées aux formes 3D des protéines (hélices α, feuillets β) et des ARN. Le modèle dessine alors les contours de la sculpture finale. Car c’est bien de sculpture qu’il s’agit.

Le génome ne contient pas seulement des instructions – il encode des formes. Une protéine, un ARN, ne sont pas de simples colliers de lettres : ils se replient, se tordent, se nouent dans l’espace pour adopter une architecture précise, dont dépend leur fonction. C’est cette forme qui permet à une molécule de reconnaître une autre, de s’y accrocher, de déclencher une réaction. Les contacts qui stabilisent cette forme se font parfois entre des régions très éloignées dans la séquence – et pourtant, les modèles semblent capables de les capturer, comme s’ils devinaient, à force de lire le texte, quelles lettres se correspondent malgré la distance qui les sépare.

Ce qui peut surprendre, c’est que ces découvertes n’ont pas été enseignées : elles émergent spontanément de l’apprentissage. Et parfois, paradoxalement, quand on essaie d’affiner le modèle en lui montrant des exemples bien connus, il perd une partie de ce qu’il avait trouvé seul. Comme si trop guider l’élève lui faisait oublier ce qu’il avait intuitivement compris.

Pour rendre cette « boîte noire » plus lisible, les chercheurs utilisent des « autoencodeurs clairsemés » qui décomposent les représentations internes du modèle en traits compréhensibles. Chaque trait s’allume comme une lampe au-dessus d’un élément de séquence (exon, motif, élément mobile). Ces traits servent de fil d’Ariane. Ils indiquent où le modèle a vu un signal, de quel type il est et comment il varie d’un organisme à l’autre. On peut même transférer ces traits vers des génomes peu étudiés, ouvrant la voie à des atlas fonctionnels multi‑espèces construits de manière plus rapide et moins coûteuse que par les approches classiques.

Dans nos propres recherches, Evo 2 est surtout un point de comparaison : il montre jusqu’où peut aller un très grand modèle quand on lui donne énormément de données et de puissance de calcul. Il faut aussi voir que cette démonstration a une dimension vitrine pour Nvidia, le plus gros fabricant de processeurs pour l’IA, qui a mis sa puissance de calcul au service de l’Arc Institute pour concevoir Evo 2. L’idée sous-jacente est de montrer qu’il faut des modèles gigantesques et des infrastructures de calcul hors normes pour déchiffrer le secret de la vie. Le résultat est impressionnant, mais ce n’est pas forcément le seul chemin possible pour faire avancer la biologie.

Nous avons justement lancé le projet PLANETOID, financé dans le cadre de France 2030, pour explorer une stratégie complémentaire : construire des modèles beaucoup plus petits, plus rapides, plus faciles à entraîner et à déployer dans des laboratoires académiques. L’objectif est d’exploiter des données de biodiversité riches, produites par nos partenaires – en particulier au Muséum national d’histoire naturelle et dans les stations marines – afin d’annoter des génomes et des métagénomes (des ensembles de génomes) à l’échelle de l’arbre du vivant, y compris pour des espèces dites « non modèles », qui représentent l’immense majorité du vivant, mais restent souvent mal comprises.

PLANETOID vise aussi à produire des ressources et des outils réutilisables, pour que ces approches ne restent pas réservées à quelques acteurs capables de mobiliser des moyens industriels, mais puissent irriguer la recherche publique, puis à terme la santé et l’environnement.

Le futur : estimer l’effet d’une mutation ou écrire de nouveaux génomes

Parce qu’un modèle de langage assigne une vraisemblance à chaque séquence, il devient possible de comparer la version de référence et une version mutée. Si la mutation fait chuter la vraisemblance, elle devient suspecte. Ce score agit comme une carte pour guider les chercheurs : il montre des zones où une variation risque de perturber une fonction et oriente les expériences à prioriser.

Une autre application a le vent en poupe : la génération de séquences « fonctionnelles » in silico. Les chercheurs ont montré qu’on peut composer du texte génétique qui a toutes les caractéristiques de génomes naturels. Toutefois cette pratique soulève d’importantes questions éthiques (risques eugénistes, possibilité de virus synthétiques…) et doit rester strictement encadrée – c’est un sujet de société plus qu’un enjeu immédiat de recherche.

Julien Mozziconacci est professeur au Muséum National d'Histoire Naturelle et membre junior de l'Institut Universitaire de France. Il a reçu des financements de l'Agence Nationale de la Recherche (ANR, France 2030, PostGenAI@Paris). Les points de vue et opinions exprimés sont toutefois ceux des auteurs uniquement et ne reflètent pas nécessairement ceux des instituts qui les ont financés.

Élodie Laine ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

De plus en plus de gens consultent les agents conversationnels dopés à l’intelligence artificielle pour répondre aux questions du quotidien. Ces nouveaux outils sont également sollicités pour fournir des informations en lien avec la santé. Pourtant, ils sont encore très loin de pouvoir remplacer les médecins, comme le révèle une nouvelle étude.

---

Désormais, pour obtenir des conseils sur des sujets aussi variés que la cuisine ou la façon de remplir leur déclaration d’impôts, des millions de personnes se tournent vers des agents conversationnels (chatbots, en anglais) basés sur l’intelligence artificielle (IA). Un nombre croissant d’individus leur pose également des questions concernant leur santé. Or, comme le rappelait récemment le médecin-chef du Royaume-Uni, lorsqu’il s’agit de prendre des décisions médicales, une telle démarche peut s’avérer risquée.

Dans une étude récente, mes collègues et moi-même avons évalué dans quelle mesure les chatbots reposant sur des grands modèles de langage (LLM) sont réellement capables d’aider le grand public à faire face à certains problèmes de santé courants. Nos résultats, frappants, démontrent que les chatbots que nous avons testés ne sont pas encore en mesure d’endosser le rôle de médecin.

Utiliser un chatbot ne permet pas de prendre de meilleures décisions en matière de santé

Avant tout, soulignons qu’une objection fréquente face à des recherches telles que celles que nous avons menées est d’affirmer que l’IA évolue plus vite que le cycle de publication académique : au moment où un article paraît, les modèles étudiés ont souvent déjà été mis à jour, rendant ses conclusions obsolètes. Pourtant, des études menées dans le contexte du triage médical (processus visant à déterminer à la phase initiale de la prise en charge d’un patient, la filière adaptée à son état en matière de délai et de type de soins, ndlr) et portant sur des versions plus récentes de ces systèmes suggèrent que les mêmes problèmes persistent.

Nos travaux ont consisté à soumettre à des participants de brèves descriptions de situations médicales courantes. Les volontaires ont été répartis de manière aléatoire en deux groupes. Les membres du premier groupe devaient interagir avec l’un des trois chatbots que nous avions sélectionnés (des chatbots courants, facilement accessibles pour le grand public), tandis que ceux de l’autre groupe pouvaient recourir aux sources qu’ils avaient l’habitude de consulter ordinairement, chez eux. À l’issue de l’interaction, nous leur posions deux questions : quelle affection était la plus compatible avec les symptômes décrits ? Et, en conséquence, vers quelle structure de soins valait-il mieux se tourner ?

Les utilisateurs de chatbots se sont révélés moins aptes à identifier la bonne affection que ceux qui n’en avaient pas utilisé. Ils ne se montraient pas non plus meilleurs que le groupe témoin pour déterminer la bonne modalité de recours aux soins. En d’autres termes, interagir avec un chatbot n’a pas permis aux participants de prendre de meilleures décisions en matière de santé.

Des connaissances solides, mais des résultats décevants

Ces résultats ne signifient pas que les connaissances médicales des modèles de chatbots testés sont lacunaires : les LLM sont, en effet, capables de passer facilement des examens de certification médicale. D’ailleurs, une fois que nous avons mis de côté l’élément humain, en soumettant directement les mêmes scénarios aux chatbots, leurs performances se sont sensiblement améliorées.

Sans intermédiaire humain, les modèles ont identifié les affections pertinentes dans la grande majorité des cas et suggéré le plus souvent des modalités de recours aux soins appropriées.

Pourquoi, alors, les résultats se dégradent-ils dès lors que des utilisateurs réels entrent en jeu ? L’analyse des échanges a mis en lumière plusieurs écueils. Il arrivait fréquemment que les chatbots mentionnent la bonne hypothèse diagnostique au fil de la conversation, sans que les participants ne la retiennent ou ne la restituent dans leur réponse finale.

Dans d’autres cas, les utilisateurs transmettaient des informations parcellaires, ou bien le chatbot interprétait mal des détails essentiels. L’échec ne relevait donc pas d’un simple manque de connaissances médicales. Il tenait à un problème de communication entre l’être humain et la machine.

Ne pas confondre la théorie et la pratique

Cette étude démontre qu’avant de déployer de nouvelles technologies dans des environnements où les enjeux sont importants, les décideurs politiques doivent impérativement avoir des données collectées « en condition réelles » pour estimer les véritables performances des outils concernés. C’est évidemment le cas dans le secteur de la santé.

Nos résultats mettent en évidence que bon nombre des évaluations actuellement menées pour déterminer l’intérêt de l’IA en médecine présentent d’importantes lacunes. En effet, les modèles de langage obtiennent souvent d’excellents résultats lorsqu’il s’agit de répondre à des questions d’examen structurées, ou durant des interactions simulées entre différents modèles.

Mais l’usage réel de ces outils est bien plus complexe que cela. Dans la réalité, les patients décrivent leurs symptômes de façon vague ou incomplète. Ils peuvent aussi mal comprendre les explications qui leur sont données, ou poser leurs questions selon un ordre imprévisible. Un système dont les résultats lors des tests d’évaluations s’avèrent impressionnants peut se comporter très différemment une fois confronté à de véritables utilisateurs.

Cette étude souligne également un point fondamental sur la nature même de la pratique clinique. En tant que médecin généraliste, mon travail ne se limite pas à mobiliser des faits mémorisés antérieurement. La médecine est souvent décrite comme un art autant qu’une science. Une consultation n’a pas pour seul objet d’établir le bon diagnostic : elle consiste à interpréter le récit du patient, à sonder l’incertitude et à prendre des décisions qui sont le résultat d’une négociation.

Cette complexité du colloque singulier entre le médecin et son patient est depuis longtemps reconnu par les enseignants en médecine. Pendant des décennies, les futurs médecins ont été formés selon le modèle de Calgary-Cambridge. Celui-ci implique d’instaurer une relation de confiance avec le patient, de recueillir les informations en le questionnant et en l’écoutant avec la plus grande attention, de comprendre ses préoccupations et ses attentes, de lui expliquer clairement les conclusions et de s’accorder avec lui sur un plan de prise en charge.

Ces processus reposent sur l’établissement d’une connexion humaine, rendue possible grâce à une communication sur mesure, faite d’exploration précautionneuse, afin d’aboutir à l’établissement d’un jugement façonné par le contexte et la confiance. Toutes ces qualités ne peuvent pas être facilement appréhendées par des techniques de reconnaissance de formes (techniques à la base des modèles d’IA, qui permettent à l’ordinateur de détecter, à partir de données brutes ou prétraitées, la présence de formes ou de régularités, ndlr)

Les chatbots IA, des assistants plus que des médecins

Nos travaux ne démontrent pas que l’IA n’a pas sa place dans le secteur de la santé – loin de là. La leçon à retenir est qu’il est crucial de comprendre ce que ces systèmes savent faire à l’heure actuelle, et où se situent leurs limites.

Les chatbots actuels doivent être davantage considérés comme des assistants que comme des médecins. Ils excellent dans l’organisation de l’information, la synthèse de textes et la structuration de documents complexes. Des tâches qui sont précisément celles pour lesquelles les modèles de langage s’avèrent déjà utiles au sein des systèmes de santé, qu’il s’agisse de rédiger des comptes rendus cliniques, de synthétiser des dossiers médicaux ou de générer des lettres d’adressage, par exemple.

Les promesses de l’IA en médecine demeurent réelles, mais à court terme, son rôle sera vraisemblablement plus un rôle de soutien qu’une véritable révolution. On ne peut pas attendre des chatbots qu’ils soient la porte d’entrée dans le système de soins. Ils ne sont pas encore en mesure de poser des diagnostics ni d’orienter les patients vers les prises en charge pertinentes.

Certes, l’IA est déjà capable de réussir des examens de médecine. Mais de même que réussir un examen du Code de la route ne fait pas de vous un conducteur compétent, exercer la médecine ne se limite pas à répondre correctement à des questions.

Retrouver son chemin au cœur de la complexité qui se dissimule derrière chaque rencontre clinique requiert de savoir faire preuve d’empathie et de discernement. Cela reste encore l’apanage des humains. Pour l’heure, du moins.

Rebecca Payne travaille sur le projet REMEDY, financé par Health and Care Research Wales, et bénéficie également d'une bourse Clarendon-Reuben de l'université d'Oxford. Elle est membre du Royal College of General Practitioners et membre senior de la Faculty of Medical Leadership and Management.

Notre ADN est composé d’un enchaînement de quatre petites molécules appelées « acides nucléiques » et dénotées par les lettres A, C, G, et T. Parfois, une mutation génétique a lieu et affecte notre santé. Une simple modification dans la grande séquence de lettres qui constitue notre génome peut suffire à affecter l’expression des gènes ou les versions des protéines produites à partir de ces gènes.

Mais on ne sait pas, à l’heure actuelle, expliquer systématiquement comment telle ou telle mutation génétique peut avoir tel ou tel effet. C’est la question à laquelle AlphaGenome, le nouveau logiciel d’intelligence artificielle présenté dans la revue Nature par Google, tente de répondre.

AlphaGenome analyse un million d’acides nucléiques à la fois, et prédit, pour chacun d’eux, des milliers de quantités, qui sont autant de facettes de la régulation de nos gènes pour façonner nos tissus et nos organes.

Coupler un tel niveau de résolution avec un contexte aussi long (un million de lettres !) et prédire autant d’aspects de la régulation du génome relève du tour de force. Cependant, ce nouvel opus de la série Alpha de DeepMind ne représente pas une avancée aussi spectaculaire qu’AlphaGo ou AlphaFold, par exemple.

AlphaGenome affine une approche existante, déjà implémentée dans Enformer et Borzoi, deux modèles d’apprentissage profond développés chez Google qui ont fait leurs preuves. Il améliore, d’une part, leur efficacité par des optimisations techniques et, d’autre part, leur pertinence, en modélisant plus finement la complexité des processus génétiques.

---

À lire aussi : Décrypter notre génome grâce à l’intelligence artificielle

---

Pourquoi cette avancée est importante

L’enjeu de ce travail est de taille pour la santé humaine. Les bases de données génomiques de populations humaines recensent près de 800 millions de variations ponctuelles – c’est-à-dire des changements portant sur une seule lettre du code génétique – dont l’impact sur notre santé reste largement inexploré. Identifier quelles sont celles qui sont à l’origine de maladies ou de dysfonctionnements, et comprendre leurs mécanismes d’action, est crucial.

Par exemple, dans certaines leucémies, une mutation d’un seul acide nucléique active de manière inappropriée un gène bien spécifique. AlphaGenome confirme le mécanisme déjà connu de cette activation aberrante : la mutation permet à un régulateur génétique de s’accrocher au gène, et modifie les marques épigénétiques alentour.

Ainsi, en unifiant plusieurs dimensions de la régulation génétique, AlphaGenome s’impose comme un modèle de fondation, c’est-à-dire un modèle générique qui peut être transféré ou appliqué facilement à plusieurs problèmes.

Quelles sont les suites de ces travaux ?

Plusieurs limitations tempèrent néanmoins l’enthousiasme.

Par exemple, les prédictions sur différentes facettes d’un même processus biologique ne sont pas toujours cohérentes entre elles, révélant que le modèle traite encore ces modalités de façon relativement cloisonnée.

Le modèle peine aussi à capturer la « spécificité tissulaire », c’est-à-dire le fait qu’un même variant génétique peut être délétère dans un tissu et neutre dans un autre.

De plus, il reste difficile de quantifier l’ampleur de l’effet d’une mutation.

Enfin, AlphaGenome prédit des conséquences moléculaires, pas des symptômes ni des diagnostics – or, entre une variation d’ADN et une maladie, il reste énormément de travail pour comprendre les relations entre ces différents niveaux ; et il n’a pas encore été validé sur des génomes individuels – un passage obligé pour toute application en médecine personnalisée, où l’enjeu serait d’interpréter le profil génétique unique d’un patient pour prédire sa susceptibilité à certaines maladies ou adapter son traitement.

Au-delà de ces enjeux pour la santé humaine, comment transférer cette connaissance à la biodiversité dans son ensemble ? AlphaGenome dépend en effet de mesures expérimentales, accessibles en abondance uniquement pour une poignée d’espèces (l’humain et quelques organismes modèles). Une autre famille de modèles pourrait ici jouer un rôle complémentaire : les « modèles de langage génomique », qui fonctionnent un peu comme ChatGPT mais pour prédire la suite d’une séquence d’ADN plutôt que la suite d’une phrase. Ces modèles, entraînés sur des millions de séquences génomiques, peuvent ainsi capturer les règles et les motifs conservés au cours de l’évolution, ce qui permet de déchiffrer des génomes inconnus.

Rien de tout cela n’existerait sans les grandes bases de données publiques et le travail cumulé de la recherche académique et des consortia ouverts, qui ont produit, standardisé et partagé les données nécessaires à l’entraînement de ces modèles. La suite logique est claire : la science doit rester ouverte, au service de la société. L’équipe d’AlphaGenome a rendu le code et les poids publiquement accessibles, et propose une interface facilitant l’adoption par la communauté scientifique. Reste à voir comment celle-ci s’emparera de cet outil : sera-t-il utilisé comme une « boîte noire » pratique, ou inspirera-t-il un véritable changement de paradigme en génomique computationnelle ?

---

Cet article a bénéficié de discussions avec Arnaud Liehrmann, post-doctorant au laboratoire de Biologie computationnelle, quantitative et synthétique.

---

Tout savoir en trois minutes sur des résultats récents de recherches commentés et contextualisés par les chercheuses et les chercheurs qui les ont menées, c’est le principe de nos « Research Briefs ». Un format à retrouver ici.

---

Elodie Laine est membre junior de l'Institut Universitaire de France. Elle a reçu des financements de l'Agence Nationale de la Recherche (ANR, France 2030, PostGenAI@Paris, ANR-23-IACL-0007) et de l'Union Européenne (ERC, PROMISE, 101087830). Les points de vue et opinions exprimés sont toutefois ceux des auteurs uniquement et ne reflètent pas nécessairement ceux de l'Union européenne ou du Conseil européen de la recherche. Ni l'Union européenne ni l'autorité octroyant la subvention ne peuvent en être tenus responsables.

Julien Mozziconacci est professeur au Muséum National d'Histoire Naturelle et membre junior de l'Institut Universitaire de France. Il a reçu des financements de l'Agence Nationale de la Recherche (ANR, France 2030, PostGenAI@Paris). Les points de vue et opinions exprimés sont toutefois ceux des auteurs uniquement et ne reflètent pas nécessairement ceux des instituts qui les ont financés.

Des millions de personnes participent quotidiennement à des débats politiques sur la plate-forme numérique X. À l’ère de l’intelligence artificielle, les usagers peuvent compter sur l’IA Grok, intégrée à la plate-forme. On peut ainsi lui demander d’analyser une publication en quelques clics à peine.

Le hic : Grok admet sans détour, si on lui pose la question, que ses réponses peuvent varier selon le contexte de la requête et l’information disponible.

Pour réduire la désinformation, le propriétaire de la plate-forme, le milliardaire Elon Musk, a mis en place les Notes de la communauté. Mais ce système n’a plus la cote. L’usage des Notes a en effet considérablement diminué en 2025 : les soumissions de billets auraient chuté d’environ 50 % de janvier à mai, passant de près de 120 000 à moins de 60 000.

Professeure associée à l’UQAM en communication numérique, je constate avec préoccupation que Grok devient progressivement sur X le seul outil de vérification permettant aux usagers de vérifier de l’information : en un mot l’autorité et le fardeau de la vérité sont délégués à une IA.

---

À lire aussi : Les utilisateurs de X doivent lutter seuls contre la désinformation qui y sévit

---

La philosophie de Musk

Il aura fallu de nombreuses études sur la dissémination des fausses nouvelles sur Twitter-X, puis l’élection américaine de 2020, qui a mené à la suspension du compte de Donald Trump, pour que le site, alors sous la gouverne de Jack Dorsay, s’attaque plus fermement à la désinformation.

Ainsi, en janvier 2021, Le projet « Birdwatch » est déployé auprès d’un groupe limité d’usagers. Cette initiative, sous l’impulsion du nouveau propriétaire du réseau, Elon Musk, se transforme pour devenir les « Notes de la communauté ». Ce concept inspirait confiance, car il s’appuyait sur la « sagesse des foules » et l’esprit collaboratif, deux valeurs aux racines des communautés en ligne.

Déléguer à l’IA la vérification des faits

En novembre 2023, Grok, l’intelligence artificielle générative de xAI, compagnie d’Elon Musk, est déployé sur X et offert gratuitement à tous les usagers. À chaque déploiement d’une nouvelle version de son IA, X communique que Grok est gratuit, mais en fait plusieurs conditions régissent l’accès sans frais, dont la date de création du compte et le nombre d’utilisations quotidiennes.

Contrairement à d’autres IA commerciales, Grok se présente ouvertement avec un positionnement idéologique aligné sur celui de Musk et sa vision de la liberté d’expression, comme le constate aussi la doctorante et enseignante française spécialisée en IA générative et pratiques informationnelles Amélie Raoul.

Très vite, plusieurs usagers du réseau prennent l’habitude d’interpeller @Grok dans les conversations.

Alors que les Notes de la communauté sont de moins en moins utilisées au profit du nombre de requêtes faites à Grok, Ars Technica rapporte en juillet 2025 les préoccupations soulevées par un groupe de chercheurs des universités Stanford, Washington et MIT, ainsi que de l’équipe de X. L’étude en question aborde l’utilisation de Grok, devenu le principal rédacteur de ce qui reste des Notes de la communauté.

Dans un monde idéal, humain et IA travailleraient ensemble, disent les chercheurs, l’un complétant les compétences de l’autre. Ainsi se dégagerait une cartographie pour une contribution au développement des connaissances augmentée par l’IA. C’est l’idéal, mais bien évidemment, il y a un mais.

---

À lire aussi : Grok, l’IA de Musk, est-elle au service du techno-fascisme ?

---

L’os dans la moulinette

Ce qui limite la collaboration idéale entre l’humain et la machine, les chercheurs l’admettent, est cette assurance, ce ton poli, mais persuasif, qu’emploie un robot comme Grok.

Dans le Guardian, Samuel Stockwell, chercheur britannique associé au Centre pour les technologies émergentes et la sécurité du Alan Turing Institute, s’est montré méfiant, puisque sans remparts solides pour encadrer l’IA, il pressent que les notes ainsi rédigées pourraient amplifier la désinformation. Sotckwell constate bien entendu que Grok peut, comme les autres IA générative, halluciner, mais également que ses réponses, pourtant pleines d’assurance, manquent souvent de nuance et de contextualisation.

---

Déjà des milliers d’abonnés à l’infolettre de La Conversation. Et vous ? Abonnez-vous gratuitement à notre infolettre pour mieux comprendre les grands enjeux contemporains.

---

En dépit de ces mises en garde, un nombre croissant d’usagers se tournent vers Grok pour avoir le fin mot et comprendre le contexte des actualités récentes. Grok répond immédiatement, au contraire des notes rédigées par des usagers qui demandent les étapes de validation par la communauté et qui nécessairement prennent plus de temps.

Le journaliste indien de TechCrunch Jagmeet Singh] a souligné que Grok, lorsqu’on le questionne sur ses propres biais, avoue volontiers qu’il peut contribuer à la désinformation, une mise en garde peu utile pour qui connaît bien le fonctionnement des IA, mais qui devrait alerter les usagers.

L’évaluation des sources immédiates par Grok

À titre d’exemple, lors de l’assassinat du populaire créateur de contenu et débatteur de la droite, Charlie Kirk, Grok s’est souvent retrouvé confronté à ses lacunes en ce qui a trait à la prudence et à la vérification des faits.

Alors que plusieurs journalistes reprenaient les propos du gouverneur Cox appuyés sur des sources non divulguées – selon lesquelles le suspect Tyler Robinson aurait été radicalisé par la gauche –, le 14 septembre 2025, Grok affirmait sans précaution que le suspect était de gauche. Pourtant, lorsque l’autrice du présent article transmet à Grok un lien vers l’article du Vanity Fair du 12 septembre qui expose les origines des messages gravés sur les projectiles tirés par Robinson, Grok répond ceci :

Mes réponses sont générées dynamiquement selon le contexte de la requête, les connaissances disponibles et l’analyse en temps réel de sources comme l’article de Vanity Fair que vous avez lié. Si vous m’avez vu (ou un autre exemple de moi) le décrire ainsi dans des interactions passées, c’était probablement une interprétation tirée du contenu de ces gravures et de leurs références culturelles, qui comportent des éléments qui peuvent raisonnablement être perçus comme antagonistes envers les idéologies de droite ou fascistes.

---

À lire aussi : J’ai testé l’abonnement Premium de X et Meta Verified sur Instagram : voici mes constats sur les crochets d’authentification

---

Un support publicitaire

Dans une entrevue récente sur cette pratique émergente, le professeur français de sociologie à Sciences Po, Dominique Boullier, qualifiait cet appel à l’autorité d’une intelligence artificielle générative de « solution de la facilité ».

Cela, parce que cette délégation totale de la vérification des faits à Grok met en relief les problèmes de fiabilité des agents conversationnels privés et l’opacité de leurs systèmes génératifs.

La confusion risque d’ailleurs d’augmenter avec l’ajout de fonctions commerciales venant repousser d’autant plus les limites de l’information et de la publicité : Depuis le 7 août, des publicités sont ajoutées aux contenus générés par Grok.

En outre, Grok et les principaux agents conversationnels d’IA générative, dont ChatGPT, ont en commun d’adopter une attitude que l’on pourrait dire flagorneuse, c’est-à-dire d’une servilité intéressée. C’est souvent ainsi que ces agents conversationnels arrivent à créer une apparence d’intimité, qui peut pour l’usager s’apparenter à une relation interpersonnelle, voire à de l’amour.

C’est ce que la journaliste américaine Remay M. Campbell exposait dans un article de la revue Scientific American. Elle y expliquait que cette empathie feinte pouvait même menacer la sécurité nationale, la bulle conversationnelle étant propice à révéler des informations sensibles en toute confiance. Or, la stratégie pot-de-miel est aussi utilisée en marketing à des fins de captation de l’attention.

Vers une autorité diffuse et complaisante

À l’ère de la postvérité, la communication rapide privilégiée par les réseaux favorise la prise de position forte sans nuance avec « une prime au choquant », dit Boullier dans son ouvrage de 2023 Propagations. Dans ce contexte, les IA commerciales s’insèrent dans le débat sans que ceux qui basent leur perception de ce qui est juste ou vrai soient pleinement conscients de leurs biais et leurs zones aveugles.

De ce fait, dans les discussions en ligne, il s’opère une délégation de l’autorité à des IA, changeantes, flagorneuses, et dont le maintient en opération dépend d’impératifs capitalistes et du bon vouloir des milliardaires des technologies.

Il est donc pertinent de demander : à l’image de quoi ces IA élaboreront-elles le monde ?

Nadia Seraiocco, Ph.D. ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Les propos problématiques de Grok, l’intelligence artificielle du réseau social X, illustrent l’influence des idées de son créateur, Elon Musk, sur sa conception. Mais ils posent également la question des biais plus discrets que ses concurrents masquent derrière un vernis d’impartialité, incompatible avec le processus d’entraînement de ce type d’IA.

---

Grok, l’agent conversationnel – ou chatbot – intégré au réseau social X et fondé sur l’intelligence artificielle développée par la société xAI d’Elon Musk, a fait la une des journaux en juillet 2025 après s’être qualifié de « Mecha-Hitler » (« Hitler mécanique ») et avoir tenu des propos pronazis en réponse à des demandes d’utilisateurs.

---

À lire aussi : Grok, l’IA de Musk, est-elle au service du techno-fascisme ?

---

Les développeurs ont présenté leurs excuses pour ces « publications inappropriées » et ont pris des mesures pour empêcher, à l’avenir, Grok de tenir des propos haineux dans ses publications sur X. Cet incident aura cependant été suffisant pour relancer les débats sur les biais des intelligences artificielles (IA) dans les réponses données aux demandes des utilisateurs.

Mais cette dernière controverse n’est pas tant révélatrice de la propension de Grok à tenir des propos extrémistes que d’un manque de transparence fondamental dans le développement de l’IA sur laquelle est basé ce chatbot. Musk prétendait en effet bâtir une IA « cherchant la vérité », hors de tout parti pris. La mise en œuvre technique de ce programme révèle pourtant une programmation idéologique systémique Grok.

Il s’agit là d’une véritable étude de cas accidentelle sur la manière dont les systèmes d’intelligence artificielle intègrent les valeurs de leurs créateurs : les prises de position sans filtre de Musk rendent en effet visible ce que d’autres entreprises ont tendance à occulter.

Grok, c’est quoi ?

Grok est un chatbot doté d’ « une touche d’humour et d’un zeste de rébellion », selon ses créateurs. Il est basé sur une intelligence artificielle développée par xAI, qui détient également la plate-forme de réseau social X.

La première version de Grok a été lancée en 2023. Des études indépendantes suggèrent que son dernier modèle en date, Grok 4, surpasserait les concurrents dans différents tests d’« intelligence ». Le chatbot est disponible indépendamment, mais aussi directement sur X.

xAI affirme que « les connaissances de (cette) IA doivent être exhaustives et aussi étendues que possible ». De son côté, Musk a présenté Grok comme une alternative sérieuse aux chatbots leaders du marché, comme ChatGPT d’OpenAI, accusé d’être « woke » par des figures publiques de droite, notamment anglo-saxonnes.

En amont du dernier scandale en date lié à ses prises de position pronazi, Grok avait déjà fait la une des journaux pour avoir proféré des menaces de violence sexuelle, pour avoir affirmé qu’un « génocide blanc » avait lieu en Afrique du Sud, ou encore pour ses propos insultants à l’égard de plusieurs chefs d’État. Cette dernière frasque a conduit à son interdiction en Turquie, après des injures contre le président de ce pays, Recep Tayyip Erdoğan, et le fondateur de la République, Mustafa Kemal Atatürk.

Mais comment les développeurs peuvent-ils générer de telles valeurs chez une IA, et façonner un chatbot au comportement aussi problématique ? À l’heure actuelle, ceux-ci sont construits sur la base de grands modèles de langage (Large Language Models en anglais, ou LLM) qui offrent plusieurs leviers sur lesquels les développeurs peuvent s’appuyer pour influer sur l’attitude future de leur création.

Derrière le comportement des IA, différentes étapes

Le préentraînement

Pour commencer, les développeurs sélectionnent les données utilisées pendant cette première étape de la création d’un chatbot. Cela implique non seulement de filtrer les contenus indésirables parmi les données d’entraînement, mais aussi de mettre en avant les informations souhaitées.

GPT-3 a ainsi été alimenté par des données dans lesquelles Wikipédia était jusqu’à six fois plus représentée que d’autres ensembles de données, car OpenAI considérait l’encyclopédie en ligne comme de meilleure qualité par rapport au reste. Grok, quant à lui, est entraîné à partir de diverses sources, notamment des publications provenant de X. Cela pourrait expliquer que le chatbot ait été épinglé pour avoir vérifié l’opinion d’Elon Musk sur des sujets controversés avant de répondre.

Musk a précédemment indiqué que xAI effectue un tri dans les données d’entraînement de Grok, par exemple pour améliorer ses connaissances juridiques et pour supprimer le contenu généré par d’autres LLM à des fins d’augmentation de la qualité des réponses. Le milliardaire a également lancé un appel à la communauté d’utilisateurs de X pour trouver des problèmes complexes et des faits « politiquement incorrects, mais néanmoins vrais » à soumettre à son chatbot. Rien ne permet de savoir si ces données ont bien été utilisées ni quelles mesures de contrôle qualité ont été appliquées sur celles-ci.

Le réglage de précision

La deuxième étape, le réglage de précision – plus connu sous le nom anglais de fine-tuning – consiste à ajuster le comportement du LLM à l’aide de retours sur ses réponses. Les développeurs créent des cahiers des charges détaillés décrivant leurs positions éthiques de prédilection, que des évaluateurs humains ou des IA secondaires utilisent ensuite comme grille d’évaluation pour évaluer et améliorer les réponses du chatbot, ancrant ainsi efficacement ces valeurs dans la machine.

Une enquête de Business Insider a mis en lumière que les instructions données par xAI à ses « tuteurs pour IA » humains leur demandaient de traquer l’« idéologie woke » et la « cancel culture » dans les réponses du chatbot. Si des documents internes à l’entreprise indiquaient que Grok ne devait pas « imposer une opinion qui confirme ou infirme les préjugés d’un utilisateur », ils précisaient également que le chatbot devait éviter les réponses donnant raison aux deux parties d’un débat, lorsqu’une réponse plus tranchée était possible.

Les instructions système

Les instructions système – c’est-à-dire les consignes fournies au chatbot avant chaque conversation avec un utilisateur – guident le comportement du modèle une fois déployé.

Il faut reconnaître que xAI publie les instructions système de Grok. Certaines d’entre elles, comme celle invitant le chatbot à « supposer que les points de vue subjectifs provenant des médias sont biaisés », ou celle le poussant à « ne pas hésiter à faire des déclarations politiquement incorrectes, à condition qu’elles soient bien étayées », ont probablement été des facteurs clés dans la dernière controverse.

Ces instructions sont toujours mises à jour à l’heure actuelle, et leur évolution, qu’il est possible de suivre en direct, constitue en soi une étude de cas fascinante.

La mise en place de « garde-fous »

Les développeurs peuvent enfin ajouter des « garde-fous », c’est-à-dire des filtres qui bloquent certaines requêtes ou réponses. OpenAI affirme ainsi ne pas autoriser ChatGPT « à générer du contenu haineux, harcelant, violent ou réservé aux adultes ». Le modèle chinois DeepSeek censure de son côté les discussions sur la répression contre les manifestations de la place Tian’anmen de 1989.

Des tests effectués lors de la rédaction de cet article suggèrent que Grok est beaucoup moins restrictif dans les requêtes qu’il accepte et dans les réponses apportées que les modèles concurrents.

Le paradoxe de la transparence

La controverse autour des messages pronazis de Grok met en lumière une question éthique plus profonde. Est-il préférable que les entreprises spécialisées dans l’IA affichent ouvertement leurs convictions idéologiques et fassent preuve de transparence à ce sujet, ou qu’elles maintiennent une neutralité illusoire, tout en intégrant secrètement leurs valeurs dans leurs créations ?

Tous les grands systèmes d’IA reflètent en effet la vision du monde de leurs créateurs, des prudentes positions corporatistes de Microsoft Copilot à l’attachement à la sécurité des échanges et des utilisateurs détectable chez Claude d’Anthropic. La différence réside dans la transparence de ces entreprises.

Les déclarations publiques de Musk permettent de relier facilement les comportements de Grok aux convictions affichées du milliardaire sur « l’idéologie woke » et les biais médiatiques. À l’inverse, lorsque d’autres chatbots se trompent de manière spectaculaire, il nous est impossible de savoir si cela reflète les opinions des créateurs de l’IA, l’aversion au risque de l’entreprise face à une question jugée tendancieuse, une volonté de suivre des règles en vigueur, ou s’il s’agit d’un simple accident.

Le scandale lié à Grok fait écho à des précédents familiers. L’IA de X ressemble en effet au chatbot Tay de Microsoft, qui tenait des propos haineux et racistes en 2016. Il avait également été formé à partir des données de Twitter, le prédécesseur de X, et déployé sur ce réseau social, avant d’être rapidement mis hors-ligne.

Il existe cependant une différence cruciale entre Grok et Tay. Le racisme de cette dernière résultait de la manipulation menée par des utilisateurs et de la faiblesse des mesures de sécurité en place : il résultait de circonstances involontaires. Le comportement de Grok, quant à lui, semble provenir au moins en partie de la manière dont il a été conçu.

La véritable leçon à tirer du cas Grok tient à la transparence dans le développement des IA. À mesure que ces systèmes deviennent plus puissants et plus répandus – la prise en charge de Grok dans les véhicules Tesla vient ainsi d’être annoncée –, la question n’est plus de savoir si l’IA reflétera les valeurs humaines de manière générale. Il s’agit plutôt d’établir si les entreprises créatrices feront preuve de transparence quant aux valeurs personnelles qu’elles encodent, et quant aux raisons pour lesquelles elles ont choisi de doter leurs modèles de ces valeurs.

Face à ses concurrents, l’approche de Musk est à la fois plus honnête (nous voyons son influence) et plus trompeuse (il prétend à l’objectivité tout en programmant son chatbot avec subjectivité).

Dans un secteur fondé sur le mythe de la neutralité des algorithmes, Grok révèle une réalité immuable. Il n’existe pas d’IA impartiale, seulement des IA dont les biais nous apparaissent avec plus ou moins de clarté.

Aaron J. Snoswell a reçu des financements de recherche de la part d'OpenAI en 2024-2025 pour développer de nouveaux cadres d'évaluation permettant de mesurer la compétence morale des agents conversationnels basés sur l'IA.

Et si demain, un robot siégeait à la table des administrateurs ? Ce n’est plus un scénario de science-fiction. Si la question peut sembler surprenante, elle est déjà prise très au sérieux par certaines entreprises.

En 2014, la société Deep Knowledge Ventures a nommé un algorithme à son conseil d’administration. Plus récemment, la firme Realbotix a annoncé la nomination d’Aria, un robot doté d’intelligence artificielle (IA), comme conseillère stratégique.

L’intelligence artificielle s’invite progressivement dans les coulisses du pouvoir organisationnel. Son arrivée dans les conseils d’administration ouvre une ère nouvelle pour la gouvernance d’entreprise. Mais cette révolution soulève aussi de nombreuses questions éthiques, juridiques et stratégiques.

Directeur académique des certifications en ESG et en gouvernance d’entreprise à HEC Montréal, je mène des recherches sur la qualité de la gouvernance dans les organisations publiques et privées. Les travaux de ma co-auteure, Nadia Smaili, professeure à l’ESG UQAM, portent sur la gouvernance, la lutte contre la fraude et le lancement d’alerte éthique.

L’IA, nouvel outil de gouvernance

Les conseils d’administration sont confrontés à des volumes de données toujours plus importants et à des environnements d’incertitude grandissants. Dans ce contexte, l’IA apparaît comme un allié précieux. Elle permet de :

• Analyser de grands volumes de données en temps réel ;

• Identifier des signaux faibles (tendances, anomalies, risques émergents) ;

• Améliorer la qualité des décisions stratégiques, notamment en réduisant les biais cognitifs ;

• Optimiser la détection de fraudes ou de conflits d’intérêts.

Certaines entreprises utilisent déjà des outils d’IA pour appuyer les décisions de leurs conseils. L’IA y joue un rôle de vigie, de soutien analytique, voire de catalyseur dans les processus de décision.

---

Déjà des milliers d’abonnés à l’infolettre de La Conversation. Et vous ? Abonnez-vous gratuitement à notre infolettre pour mieux comprendre les grands enjeux contemporains.

---

Peut-on confier un mandat d’administrateur à une IA ?

C’est ici que les choses deviennent difficiles. Sur le plan juridique, dans la plupart des pays, un administrateur doit être une personne physique. Au Canada, la Loi canadienne sur les sociétés par actions est claire : un administrateur est une personne, avec des responsabilités fiduciaires bien définies.

Or, une IA ne peut être tenue responsable. Elle ne peut pas faire preuve de loyauté, de prudence ou de diligence au sens juridique. Elle ne peut pas non plus être poursuivie en cas de faute ni prendre en compte les dimensions éthiques ou sociales d’une décision. Bref, le droit n’est pas prêt pour des robots administrateurs.

L’illusion d’une gouvernance objective ?

L’un des arguments souvent avancés en faveur de l’IA est sa supposée objectivité. Contrairement aux humains, elle ne serait pas influencée par ses émotions, ses intérêts personnels ou ses relations. En théorie, cela permettrait de réduire les biais comportementaux qui affectent parfois les décisions des conseils.

Mais cela reste une illusion, car une IA est formée à partir de données humaines, souvent biaisées. Elle peut donc reproduire, voire amplifier, des discriminations existantes. Et contrairement à un administrateur humain, elle ne peut pas faire preuve de jugement dans des situations ambiguës ou éthiquement sensibles.

Gouvernance augmentée ou gouvernance automatisée ?

Faut-il dès lors rejeter l’IA ? Non. Mais il faut bien distinguer deux usages :

• L’IA comme outil d’aide à la décision, au service des administrateurs humains (gouvernance augmentée) ;

• L’IA comme substitut aux administrateurs (gouvernance automatisée).

La première option est réaliste et déjà utilisée. La seconde est encore largement théorique — et probablement risquée.

Comment les humains perçoivent-ils l’IA au conseil ?

Un autre enjeu réside dans l’acceptabilité sociale et psychologique de ces outils. Des recherches récentes montrent que les administrateurs humains restent souvent méfiants envers les recommandations issues d’un algorithme. L’effet « boîte noire » — l’opacité des décisions de l’IA — nuit à la confiance.

Certaines entreprises font face à un paradoxe : elles investissent dans des outils d’IA avancés… mais leurs dirigeants n’en tiennent pas compte dans leurs décisions. À l’inverse, d’autres conseils en viennent à s’en remettre trop aveuglément à la machine.

Le véritable défi est donc l’équilibre entre collaboration et esprit critique.

Vers une gouvernance hybride et responsable

L’IA transforme progressivement le paysage de la gouvernance. Mais cette transformation ne doit pas se faire au détriment des principes fondamentaux de responsabilité, de transparence et de délibération collectives.

La bonne approche n’est ni de rejeter l’IA, ni de l’ériger en oracle. Elle consiste à construire des conseils d’administration hybrides, où les compétences humaines et les capacités technologiques se complètent. Cela suppose aussi de :

• Former les administrateurs aux enjeux de l’IA ;

• Mettre en place des comités d’éthique algorithmique ;

• Adopter des règles de transparence et d’audit des systèmes utilisés ;

• Et veiller à ce que l’humain reste maître de la décision finale.

Un tournant irréversible

L’IA dans les conseils d’administration n’est plus une idée futuriste. Elle est déjà là, sous différentes formes, et continuera à s’imposer. La question n’est pas de savoir si elle doit être utilisée, mais comment, par qui, et dans quelles limites.

Il est temps de repenser la gouvernance à l’ère algorithmique — sans tomber dans l’aveuglement technologique, mais sans se réfugier non plus dans un conservatisme paralysant. Car une chose est sûre : le futur de la gouvernance ne se fera pas sans l’IA… mais il ne se fera pas sans humains non plus.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

Les personnes les moins familiarisées avec les concepts derrière les systèmes d’IA considèrent souvent cette technologie comme « magique »… et fascinante.

---

L’intelligence artificielle se répand, mais nombre de gens se demandent : qui est le plus susceptible d’adopter l’IA dans sa vie quotidienne ? Nombreux sont ceux qui pensent que ce sont les férus de technologies — qui comprennent le fonctionnement de l’intelligence artificielle — qui sont les plus désireux de l’adopter.

Étonnamment, notre nouvelle étude, publiée dans le Journal of Marketing, révèle le contraire. Les personnes avec moins de connaissances sur l’IA sont en fait plus ouvertes à l’utilisation de cette technologie. Nous appelons cette différence d’appétence à adopter cette nouvelle technologie « faible niveau de littératie — forte réceptivité ».

Ce lien se retrouve dans différents groupes, contextes et pays. Par exemple, les données de la société Ipsos, couvrant 27 pays, révèlent que les habitants des pays où le niveau moyen de connaissances en matière d’IA est plus faible sont plus réceptifs à l’adoption de l’IA, que ceux des pays où le niveau de connaissances est plus élevé.

De même, notre enquête auprès d’étudiants américains de premier cycle révèle que ceux qui ont une compréhension moindre de l’IA sont plus susceptibles d’indiquer qu’ils l’utiliseraient pour des tâches telles que des devoirs universitaires.

Nous pensons que ce lien contrintuitif entre niveau de littératie et appétence vient de la façon dont l’IA accomplit désormais des tâches que l’on pensait autrefois réservées aux humains : lorsque l’IA crée une œuvre d’art, écrit une réponse sincère ou joue d’un instrument de musique, cela peut sembler presque magique, comme si elle pénétrait en territoire humain.

---

Chaque samedi, un éclairage original et décalé (articles, quiz, vidéos…) pour mieux comprendre le monde qui nous entoure. Abonnez-vous dès aujourd’hui !

---

Bien sûr, l’IA ne possède pas réellement ces qualités humaines. Un chatbot peut générer une réponse empathique, mais il ne ressent pas d’empathie. Les personnes ayant des connaissances plus techniques sur l’IA le comprennent.

Ils savent comment fonctionnent les algorithmes (ensembles de règles mathématiques utilisées par les ordinateurs pour effectuer des tâches particulières), les données d’apprentissage (utilisées pour améliorer le fonctionnement d’un système d’IA) et les modèles de calcul. Pour eux, la technologie est moins mystérieuse.

Pour ceux en revanche qui comprennent moins bien le fonctionnement des systèmes d’IA, elle peut apparaître comme quelque chose de magique et d’impressionnant. Nous pensons que c’est ce sentiment de magie qui rend ces utilisateurs plus ouverts à l’utilisation des outils d’IA.

De plus, nos études montrent que le lien entre faible niveau de connaissances et forte appétence est plus fort pour l’utilisation d’outils d’IA dans des domaines que les gens associent à des traits humains, comme le soutien émotionnel ou le conseil.

Au contraire, lorsqu’il s’agit de tâches qui n’évoquent pas ces qualités humaines – par exemple, analyser les résultats de tests – le schéma s’inverse : les personnes ayant un niveau de connaissances plus élevé en matière d’IA sont plus réceptives à ces utilisations car elles se concentrent sur l’efficacité de l’IA plutôt que sur ses qualités « magiques ».

Notre rapport à l’IA n’est pas une question de capacité, de peur ou d’éthique

Il est intéressant de noter que, bien que les personnes ayant un faible niveau de littératie en IA soient plus susceptibles de considérer l’IA comme moins performante, moins éthique et même un peu effrayante, ce lien entre un faible niveau de littératie numérique et une plus grande réceptivité persiste. Leur appétence pour l’IA semble découler de leur émerveillement face à ces capacités, alors qu’ils en perçoivent bien les inconvénients.

Cette découverte offre de nouvelles perspectives sur les raisons pour lesquelles les gens réagissent si différemment aux technologies émergentes. En effet, certaines études suggèrent que certains consommateurs sont favorables aux nouvelles technologies, un phénomène appelé « appréciation des algorithmes », tandis que d’autres font état d’un scepticisme, ou « aversion pour les algorithmes ». Nos recherches indiquent que la perception de la « magie » de l’IA est un facteur clé qui façonne ces réactions.

Ces conclusions posent un défi aux décideurs politiques et aux éducateurs. Les efforts visant à améliorer la compréhension de l’IA pourraient – involontairement — freiner l’enthousiasme des gens à utiliser l’IA en la rendant moins magique. Cela crée un équilibre délicat entre aider les gens à comprendre l’IA et les garder ouverts à son adoption.

Pour tirer parti du potentiel de l’IA, les entreprises, les éducateurs et les décideurs politiques doivent trouver cet équilibre. En comprenant comment la perception de l’IA comme une technologie « magique » façonne l’appétence du grand public pour l’IA, nous pouvons contribuer à développer et déployer des nouveaux produits et services qui tiennent compte de la façon dont les gens perçoivent l’IA — et les aider à comprendre les avantages et les risques de l’IA.

Et idéalement, cela se fera sans entraîner une perte de l’émerveillement qui incite de nombreuses personnes à adopter cette nouvelle technologie.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

Du 20 au 24 janvier, 3 000 acteurs économiques, politiques et technologiques se sont réunis dans la station suisse de Davos. Mais qu’est-ce que Davos ? Qu’a dit Donald Trump dans son intervention ? Ce sommet 2025 a-t-il été celui du début de la « nouvelle ère de concurrence géostratégique acharnée », selon les mots d’Ursula von der Leyen, la présidente de la Commission européenne ? Explication par Julien Pillot, enseignant-chercheur à l'Inseec et Philippe Naccache, professeur associé à l'Inseec.

---

Qu’est-ce le forum de Davos ?

Julien Pillot La vocation première du Forum économique mondial ou forum de Davos est d’être un lieu d’échanges entre dirigeants politiques, chefs d’entreprise et intellectuels pour relever les défis de notre temps, qui nécessitent une vision collective à l'échelle internationale. Sa feuille de route ambitieuse est « d’améliorer l’état du monde » par le dialogue et le consensus. Cependant, nous sommes loin de l’idée complotiste d’un sommet où le gotha mondial prend les décisions sur l’avenir de notre économie. Dans ce Forum, il n’y a que des débats. Pas d'agenda politique (caché).

Philippe Naccache Le premier nom de Davos était le « Symposium européen du management », avant de prendre son nom actuel en 1987. Ce n’est pas un hasard si Klaus Schwab, son créateur, souhaite initialement sensibiliser les dirigeants d’entreprise aux nouvelles méthodes de management de stakeholder value – ou théorie des parties prenantes – venues d’outre-Atlantique. Le fil rouge de cette théorie ? Tous les acteurs affectés de près ou de loin avec une entreprise doivent être pris en compte dans sa stratégie : consommateurs, salariés, ONG ou collectivités publiques. Elle est le socle de toute stratégie de responsabilité sociale et environnementale.

---

À lire aussi : Davos : un premier pas vers la guérison du capitalisme ?

---

Julien Pillot C’est pourquoi le forum s’est rapidement orienté, dans un second temps, vers la politique et des problématiques sociales ou environnementales. En 1988, la Grèce et la Turquie signent la « déclaration de Davos » pour éviter un risque d’escalade militaire. En 1992, Nelson Mandela et De Clerck se rencontrent pour la première fois à l’étranger. Cette année, Klaus Schwab a échangé avec le footballeur David Beckham au sujet des droits des enfants. Les autres acteurs phares sont politiques : Donald Trump, Volodymyr Zelensky ou Ursula von der Leyen.

Attendu, Donald Trump est apparu sur l’écran géant de la salle des Congrès de Davos en visioconférence par une salve : « Venez produire en Amérique, ou préparez-vous à payer des droits de douane. » Qu’en est-il ressorti ?

Julien Pillot Les présidents américains sont toujours très attendus à Davos, car ils représentent la première puissance économique, diplomatique et militaire mondiale. Donald Trump l’est encore davantage. Il incarne une forme de rupture avec l’une des idées fondamentales du capitalisme libéral – mais aussi du forum de Davos – d’un ordre mondial fondé sur le multilatéralisme, la coopération et la recherche. Tout en trouvant une forme de consensus par la négociation. Or, Donald Trump n’est pas dans la négociation, mais dans le rapport de force systématique. Rapport de force qu’il entend exercer dans des relations bilatérales, pourvu qu’elles servent ses intérêts. Son propos à Davos reprend la rhétorique de sa campagne électorale : America first ou « Drill, baby, drill » (« Creuse, bébé, creuse »). En avant toute le forage de pétrole et de gaz, que Donald Trump jugent indispensables pour faire baisser les coûts de l’énergie et inciter des industries à se (re)localiser aux États-Unis. Sans se soucier de savoir si sa croissance nationale se fait au détriment des autres économies, y compris partenaires, ou de l’environnement.

Philippe Naccache Donald Trump ne raisonne plus en termes de compétition, mais en termes expansionnistes voire impérialistes. Sa position sur le Groenland est révélatrice de sa volonté des États-Unis d’être un « prédateur dominant », comme l’affirme Andy Ogles, élu du Tennessee à la Chambre des représentants. Tous les autres acteurs sont obligés de se positionner vis-à-vis de lui. J’ai été interpellé par Ursula von der Leyen, la présidente de la Commission européenne qui accepte cette réalité :

« L’ordre mondial coopératif que nous imaginions il y a vingt-cinq ans n’est pas devenu réalité. Au contraire, nous sommes entrés dans une nouvelle ère de concurrence géostratégique acharnée. »

Et en même temps, elle rappelle que l’Union européenne agira avec pragmatisme sur la question des droits de douane américaine. Le président sud-africain Cyril Ramaphosa – dont le pays présidera le G20 cette année – lance lui aussi un appel en faveur d’une plus grande collaboration :

« Alors que nous sommes confrontés aux défis du XXI^e siècle – du changement climatique aux pandémies, en passant par la lutte contre la pauvreté et le terrorisme, de la migration à l’intelligence artificielle –, nous sommes à nouveau appelés à exploiter cet attribut humain le plus puissant et le plus durable : la coopération et la collaboration mutuellement bénéfiques. »

Le forum de Davos en 2025 était centré sur « la collaboration à l’ère de l’intelligence ». Cette thématique reflète-t-elle les échanges ?

Julien Pillot À mon sens, la thématique forte en 2025 est celle du retour du protectionnisme et des relations bilatérales face au multilatéralisme, cristallisée par les interventions de Donald Trump ou Javier Milei. Le président argentin rappelle son souhait de supprimer les règlementations et les excès de normes :

« Si vous pensez qu’il y a une défaillance du marché, allez vérifier si l’État n’est pas au milieu, et si vous le trouvez, ne refaites pas l’analyse – parce qu’elle est fausse. »

Et avant de parler de « collaboration à l’ère de l’intelligence », le forum de Davos parle d’économie. Tout a commencé par le chiffre de 3,3 % de croissance pour 2025 publié par le Fonds Monétaire internationale (FMI). Il traduit une certaine stabilité dans un monde pourtant chamboulé par la guerre en Ukraine, la politique expansionniste de Donald Trump et les signes de fatigue de l’économie chinoise.

Philippe Naccache Un autre thème majeur iconique de Davos est celui des inégalités. Déjà en 2018, la présidente du FMI Christine Lagarde insiste sur le fait que « trop de personnes sont laissées pour compte de l’accélération de la croissance ». Ces dernières décennies ont en effet donné plus d’avantages au capital qu’au travail. Les mesures de quantitative easing, les taux d’intérêt négatifs ont favorisé les acteurs économiques ayant accès aux marchés de capitaux pour mener des stratégies d’investissement ciblées. En creusant le fossé entre ceux qui détiennent le capital et ceux qui n’en ont pas.

---

À lire aussi : L’insolent succès des jets privés, entre empreinte carbone et controverses

---

Julien Pillot L’intelligence artificielle a également été un sujet majeur des débats. Donald Trump a rappelé que les États-Unis seraient « le leader mondial de l’intelligence artificielle (IA) ». Le pape François estime que « les résultats que l’IA peut produire sont presque impossibles à distinguer de ceux des êtres humains, ce qui soulève des questions quant à son effet sur la crise croissante de la vérité dans le débat public. » À plus forte raison dans un monde où la défiance envers les médias historiques et les élites progresse fortement, et où recule le fact-checking sur les réseaux sociaux. Au-delà des discours politiques, les conférences ont rappelé que si peu de professions ne sont pas transformées par l’IA, peu d’entre elles seront détruites par l’IA.

Philippe Naccache Finalement le terme de coopération s’est centré autour des questions environnementales. Aussi surprenant que cela paraisse, la coopération par l’environnement est peut-être le plus petit dénominateur commun des États et des entreprises. Il y a quelques années, notamment en 2020, la thématique environnementale était centrale. Cette année Patrick Pouyané, le président-directeur général de Total Énergies a tiré la sonnette d’alarme à l’Union européenne – « Je ne suis pas protégé » –. Il appelle à « à réconcilier l’objectif du Pacte vert et de l’industrie verte ». « Si je veux avoir une incitation fiscale, je suis obligé de prendre des fabricants de panneaux solaires aux USA », a-t-il expliqué.

Julien Pillot Sur le plan géostratégique, j’ai le sentiment que face à la montée en puissance de discours nationalistes, voire impérialistes, et du bouleversement promis par Donald Trump, le forum de Davos peut se résumer en une phrase : « Resist or serve ». Il acte l’effondrement des rêves européens de multilatéralisme et rappelle le besoin de s’affranchir des rouleaux compresseurs américains et chinois, selon une logique de blocs. La nouvelle ère de la concurrence géostratégique acharnée est véritablement lancée.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

La médecine personnalisée se définit comme un traitement adapté à un ou quelques patients atteints de maladies potentiellement mortelles, par exemple un cancer qui ne répond plus à la chimiothérapie ou une infection résistante à plusieurs antibiotiques.

Bien que la médecine personnalisée soit prometteuse, elle nécessite une main-d’œuvre importante et coûteuse, et les procédures d’approbation réglementaire et de remboursement sont complexes. Cela s’explique par le fait que l’élaboration des essais cliniques est limitée par le petit nombre de patients remplissant les conditions requises.

En nous appuyant ici sur des exemples récents de thérapie par lymphocytes T à récepteur antigénique chimérique (CAR-T) pour les cancers récidivants, et de phagothérapie pour les infections bactériennes résistantes aux antibiotiques, nous illustrerons comment les Canadiens et Canadiennes pourraient bénéficier de ces solutions personnalisées.

Les enjeux consistent notamment à garantir un accès équitable et à déterminer qui doit couvrir le coût de ces progrès médicaux importants.

Thérapie CAR-T pour les cancers récidivants après chimiothérapie

La thérapie CAR-T a été approuvée pour la première fois en 2017. Dans le cadre de ce traitement, les globules blancs du patient sont prélevés et modifiés en laboratoire afin de mieux identifier et détruire la tumeur spécifique. Les cellules modifiées sont ensuite réinjectées dans le patient, où elles attaquent le cancer.

La thérapie CAR-T est très prometteuse pour certains types de leucémies ou de lymphomes avancés. De nombreux patients parviennent à une rémission après le traitement, et certains obtiennent même un rétablissement à long terme.

Par exemple, la première thérapie CAR-T a déjà permis une rémission de plus de 80 % trois mois après le traitement et de 62 % deux ans après. Emily Whitehead, première patiente pédiatrique à avoir reçu des cellules CAR-T, ne présente toujours aucun signe de cancer, 12 ans après son traitement en 2012, alors que son espérance de vie avant la thérapie n’était que de quelques semaines.

Phagothérapie pour les superbactéries résistantes aux antibiotiques

Un autre traitement adapté au patient repose sur l’utilisation de phages, ces virus qui tuent les bactéries, mais qui sont inoffensifs pour les humains et les animaux. Ils ont été découverts il y a plus d’un siècle par le microbiologiste franco-canadien, Félix d’Hérelle ; on y recourait pour traiter les infections avant la découverte des antibiotiques.

Face à l’augmentation des taux de résistance aux antibiotiques dans le monde, on se tourne à nouveau vers les phages pour soigner des infections à « superbactéries » autrement impossibles à traiter.

Les phages sont capricieux, il est donc nécessaire de les associer à des proies qu’ils peuvent reconnaître parmi les bactéries à l’origine de l’infection. Plusieurs types de phages sont généralement combinés dans un « cocktail », afin de réduire les risques que la bactérie échappe à leur détection.

En 2023, le premier essai canadien moderne de phagothérapie pour traiter une infection urinaire résistante aux médicaments s’est avéré être une réussite. La patiente avait déjà perdu un rein des suites de cette infection, que les antibiotiques seuls ne parvenaient pas à guérir.

Dans un autre exemple récent, un homme souffrant d’une infection complexe de sa hanche artificielle a été traité avec succès à l’aide de la phagothérapie.

De nombreux enjeux

La médecine personnalisée est onéreuse. Cela s’explique en partie par la complexité inhérente à la conception des thérapies adaptées et par les contraintes liées à l’individualisation qui restreignent la possibilité de réaliser des économies d’échelle susceptibles d’abaisser les coûts. Les méthodes de production pourraient être uniformisées dans une certaine mesure, mais il subsistera toujours des caractéristiques propres à chaque patient.

Par exemple, bien que les phages soient abondants et faciles à trouver dans la nature, faire correspondre les bons phages à la superbactérie d’un patient nécessite beaucoup de temps et d’efforts. Peu de fabricants sont en mesure de préparer des cocktails de phages de qualité clinique dans un délai très court si les traitements antibiotiques classiques échouent.

Dans le cas de la thérapie CAR-T, les cellules du patient doivent être prélevées et modifiées pour cibler leur tumeur spécifique. Ce processus requiert un contrôle de qualité rigoureux, une formation et un équipement avancés, et une seule perfusion peut coûter plus de 350 000 $ US. Les dépenses préalables et postérieures au traitement peuvent porter le prix réel à plus de 1 million de dollars américains. Ce prix élevé fait peser une lourde charge sur le système de santé et constitue un obstacle majeur à l’accès au traitement.

De nouvelles méthodes de fabrication

Afin de réduire les coûts associés à la production par des tiers à l’étranger, des chercheurs canadiens ont commencé à tester de nouvelles méthodes de fabrication de thérapies CAR-T directement dans des institutions universitaires canadiennes.

L’approche réglementaire normalisée de Santé Canada en matière de médicaments a été conçue pour l’approbation d’un seul traitement pour de nombreux patients, sur la base de données issues d’essais cliniques de grande envergure. La médecine personnalisée nécessite pour sa part un nouveau modèle qui permet d’approuver des traitements individualisés pour un groupe beaucoup plus restreint, voire pour une seule personne.

Les thérapies destinées à de petits groupes de patients peuvent être évaluées dans le cadre de la nouvelle procédure d’Avis de conformité avec conditions (AC-C) de Santé Canada, qui permet aux traitements prometteurs de bénéficier d’un accès conditionnel au marché. L’autorisation complète à une date ultérieure dépend de la collecte de preuves cliniques supplémentaires.

Cette démarche permet d’accélérer le processus d’approbation afin que les Canadiens et Canadiennes puissent plus rapidement avoir accès à des traitements pour des maladies mortelles ou débilitantes. D’autres modifications des processus réglementaires pourraient s’avérer nécessaires afin de faire face à l’augmentation du nombre de médicaments personnalisés.

L’exemple de la Belgique

Une autre solution pour le Canada serait de suivre l’exemple de la Belgique, qui a décidé de préapprouver une grande quantité de phages individuels, susceptibles d’être ensuite combinés différemment pour chaque patient sans autre formalité réglementaire. La Belgique a récemment publié des données sur les 100 premiers cas, faisant état de taux de réussite élevés.

La petite taille des échantillons et l’absence de normalisation de la médecine personnalisée peuvent complexifier les évaluations de ses effets économiques sur la santé sur lesquelles les gouvernements s’appuient traditionnellement pour prendre des décisions d’approbation et de remboursement.

Le Canada a commencé à optimiser les données et les données probantes du monde réel provenant de bases de données cliniques dans les cas où les essais à grande échelle ne sont pas réalisables. Ces informations comprennent les données relatives aux patients ou à la prestation de soins de santé qui sont déjà collectées régulièrement à partir de diverses sources, y compris les dossiers médicaux électroniques ou les technologies de santé numériques.

Stratégies pour améliorer l’accès

Il reste cependant des obstacles à surmonter dans la collecte et l’intégration des informations dans nos différents systèmes de santé provinciaux. Le gouvernement canadien a récemment investi 20 M$ afin d’améliorer la collecte et l’utilisation de données probantes du monde réel pour la prise de décisions réglementaires dans le cadre d’une stratégie visant à améliorer l’accès aux médicaments pour les maladies rares, autre exemple où le nombre de patients est faible, mais les effets de la maladie importants.

De nouvelles méthodes d’évaluation du rapport coût-efficacité de la médecine personnalisée seront également essentielles. Ces méthodes permettent de déterminer le coût d’un traitement sur la base de la prévalence de la maladie, de la précision des tests diagnostiques, de son efficacité, de la probabilité de complications, de la disponibilité de meilleures solutions thérapeutiques et du nombre d’années de vie ajustées en fonction de la qualité de vie. En ayant une idée plus précise du rapport coût-économie de la médecine personnalisée, il sera plus facile de justifier la nécessité d’utiliser des ressources limitées en matière de soins de santé.

La mise en œuvre d’un modèle de remboursement basé sur les résultats pourrait aussi résoudre les problèmes de coût, de remboursement et d’accès. Dans ce cas, les paiements ne seraient effectués que si le patient répond au traitement dans un certain délai. Les programmes d’assistance aux patients seront également déterminants pour compenser une partie des frais. Ils sont parfois proposés par les entreprises pharmaceutiques pour fournir des médicaments sur ordonnance à des personnes admissibles, à un prix modique ou même gratuitement.

Avec l’apparition de nouvelles solutions pour un nombre croissant de pathologies, le domaine de la médecine personnalisée continuera à prendre de l’ampleur. Il sera de la plus haute importance de garantir un accès rapide et abordable à ces thérapies, compte tenu de leur coût élevé et de la taille réduite des populations de patients. Pour y parvenir, une collaboration entre les entreprises pharmaceutiques, les organismes publics, les compagnies d’assurance et les établissements de soins de santé se révélera indispensable.

Lori L. Burrows reçoit des fonds de recherche des Instituts de recherche en santé du Canada et du Conseil de recherches en sciences naturelles et en génie du Canada, et est titulaire de la Chaire de recherche du Canada sur les interactions entre les microbes et les surfaces.

Elizabeth C. Li ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

L’intelligence artificielle va bouleverser de fond en comble les modèles de production d’images. Le secteur du cinéma se trouve au cœur de ces mutations. Usera-t-il de son poids pour les empêcher ? À moins que de nouveaux entrants ne viennent perturber le jeu des entreprises en place…

---

Après le texte et l’image, l’année 2024 marque l’entrée de l’IA génératrice de vidéo avec les IA Sora d’OpenAI et de Veo de Google du côté étasunien, et de Vidu de Shengshu et de Dream Machine de Lumai AI du côté chinois. Pour une filière en plein doute après l’irruption d’IA de génération de texte ayant entraîné une grève historique de 148 jours des scénaristes et des acteurs à Hollywood en 2023, la génération de vidéo soulève de nouvelles questions pour un secteur déjà dans la tourmente. En effet, la généralisation de l’IA menace de rendre obsolète la majorité des métiers liés à l’image animée.

Une filière de 4,2 milliards d’euros

À ce jour, un simple prompt avec l’IA produit n’importe quels formats courts de vidéo (environ 1 min) avec des possibilités quasi infinies pour un coût marginal. Sans être à même de générer – pour le moment – un film complet, l’évolution rapide des IA génératrices de vidéos laisse présager que ce sera possible d’ici à quelques années, bouleversant ainsi toute une filière pesant 177 milliards de dollars (en 2019, impact économique direct de la production audiovisuelle estimée et 237 milliards indirects) dans le monde. En France, la valeur créée par la filière était estimée à 4,2 milliards d’euros en 2023, selon les données du Sénat. Prenons quelques exemples, attisant tout autant l’enthousiasme que les craintes.

L’IA Sora n’apporte pas de cohérence entre les vidéos produites. Ce fait semblait annoncer l’impossibilité d’une utilisation professionnelle. Pourtant, une attention aux prompts et de nombreux essais s’affranchissent de cette contrainte. Preuve en est : un premier clip de musique de 4 mins présentant un zoom infini pour la chanson « The Hardest Part ». Ce clip a été entièrement créé à partir de 55 clips individuels sélectionnés et assemblés sur les 700 générés.

Dans le domaine publicitaire, où la créativité n’est pas l’unique critère et les formats courts, les capacités de l’IA sont plus adaptées ; par exemple, Toys ‘R’ Us a présenté le premier spot produit avec l’IA Sora.

Le CNC au rapport

Si quelques louanges ont été émises, ce sont surtout les critiques sur la qualité du contenu, et plus encore, les conséquences sur les emplois qui se sont faits entendre. Sora s’est substituée à la production en réalisant 80 à 85 % du rendu final avant que n’intervienne la postproduction. Si cette réalisation par IA a nécessité le travail d’une vingtaine de professionnels (designers, artistes, marketeurs) qu’en sera-t-il à l’avenir ? Rappelons-nous qu’en juin 2022, l’IA de génération d’image DALL-E 2 faisait sa première couverture de magazine avec un numéro de Cosmopolitan. Le projet avait nécessité des journalistes du magazine, des membres d’OpenAI et l’artiste numérique Karen X Cheng. Désormais, la génération d’image d’une qualité professionnelle est dans les cordes de tout le monde… ou presque.

En 2024, le Centre national du cinéma et de l’image animée (CNC) s’est saisi des enjeux de l’IA (journée d’étude, création d’un observatoire, rapport). Pour estimer l’impact sur les métiers, une cartographie de la soixantaine d’usages présents et futurs de l’IA dans toutes ses filières (cinéma, audiovisuel et jeu vidéo)) a été conduite.

Il en ressort des opportunités (gain de productivité, stimulation de la créativité, nouveaux concepts et marchés) mais aussi des risques. Le CNC pointe le coût environnemental, la perte de diversité culturelle, la perte de savoir-faire et d’emplois. Notons que les doubleurs qui représentent 7 000 emplois en France et 4 000 au Québec se voient déjà concurrencés par les premiers doublages par IA. Le CNC souligne qu’actuellement l’IA est présente principalement dans la postproduction.

L’enthousiasme des sociétés de productions, les craintes des professionnels et les réactions du public

L’année 2024 marque une année charnière avec les confrontations autour de l’IA opposant les Anciens et les Modernes. Au Festival international du film d’animation d’Annecy, plusieurs œuvres réalisées en recourant à des IA génératives ont été sélectionnées, provoquant l’ire des réseaux sociaux et des huées dans les salles par un public constitué pour partie de professionnels et d’étudiants de la filière. Les échos se sont fait entendre jusque dans la presse internationale ou spécialisée.

Il en est de même pour le film Who Said Death Is Beautiful ? du Japonais Nakajima, intégrant des images de l’IA Stable Diffusion, laquelle est poursuivie en justice pour violations du droit d’auteur. Les réactions du public ont été similaires de l’autre côté de la Manche quand un cinéma de Londres s’est vu contraint d’annuler la première du film (à but non lucratif) The Last Screenwriter dont le scénario est écrit par ChatGPT.

Un fossé se creuse entre les réactions du public, des acteurs et professionnels de première ligne et les directions des studios de production. Pour ces derniers, l’IA semble être une bénédiction. Pour preuve, l’accueil a été enthousiaste lors des rencontres tenues fin mars entre OpenAI et les directions de Paramount, Universal et Warner Bros. Selon la spécialiste Claire Enders :

« On a l’impression que l’IA va révolutionner la réalisation des films, faire baisser les coûts de production et réduire fortement la demande d’images générées par ordinateur. »

Un coût de production divisé par plus de deux

Il est vrai que le faible coût de production du film The Creator, un blockbuster de 80 millions de dollars aux apparences d’un film à 200 millions de dollars grâce à la postproduction, a su marquer l’industrie. Du côté des films d’animation, le fondateur de DreamWorks, Jeffrey Katzenberg, estime :

« Au bon vieux temps, il fallait cinq ans et 500 artistes pour réaliser un film d’animation de classe mondiale. Bientôt, il ne faudra pas 10 % de cela. »

Ces propos font écho à l’analyse de l’entreprise de conseil Gartner qui estime que d’ici 2030 un blockbuster au contenu généré à 90 % par l’IA verra le jour.

Récemment, l’entrepreneur, scénariste, réalisateur et acteur américain Tyler Perry (deuxième acteur le plus riche du monde avec une fortune estimée à 1 milliard de dollars, explique ô combien les vidéos de l’IA Sora l’ont choqué et annonce un bouleversement de l’industrie cinématographique :

« Si je voulais être dans la neige au Colorado, c’est du texte. Si je voulais écrire une scène sur la lune, c’est du texte, et cette IA peut le générer en un rien de temps […] Je peux m’asseoir dans un bureau et faire cela avec un ordinateur, ce qui me choque. »

Rip la profondeur émotionnelle

Perry a suspendu le projet d’expansion à 800 millions de dollars de ses studios de tournage. Le risque se porte sur les emplois et l’authenticité créative. Le touche-à-tout du cinéma en appelle à une réglementation stricte pour des raisons de « survie ». D’ailleurs, des acteurs emblématiques, comme Nicholas Cage, s’alarment sur la vérité artistique et la profondeur émotionnelle des œuvres cinématographiques, et plus encore sur son devenir post mortem.

« Ils vont juste voler mon corps et en faire ce qu’ils veulent, que ferez-vous de mon corps et de mon visage quand je serai mort ? Je ne veux pas que vous en fassiez quoi que ce soit. »

Deux scénarios sont possibles pour les années qui viennent. Soit l’IA reformate l’industrie audiovisuelle de l’intérieur, conformément à ce que semblent vouloir les dirigeants des principales entreprises du secteur. Soit une industrie de films d’IA se créera en parallèle, suite au refus réaffirmé d’une partie des acteurs du terrain et d’une partie du public traditionnel. Le premier scénario présente d’importants risques pour l’emploi de toute la filière ainsi que pour la création d’œuvres originales, les IA créant des œuvres en pillant les œuvres existantes qui auront servi à l’entraînement des modèles. Mais c’est aussi l’opportunité pour de nouveaux acteurs avec des moyens plus faibles que les entreprises en place de créer leurs œuvres.

À très court terme, l’annonce d’un festival dédié au court métrage par IA, l’Artefact AI Fim Festival en novembre 2024 à Paris va dans le sens du second scénario. Le producteur et distributeur MK2 est associé à cet événement qui sera par ailleurs présidé par le réalisateur d’Amélie Poulain, Jean-Pierre Jeunet.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

Depuis Galilée, la recherche en physique suivait une procédure bien balisée, structurée par trois préceptes : observation des phénomènes naturels, conceptualisation d’une loi les sous-tendant, vérification des prédictions qui en découlent.

Cette démarche a porté de multiples fruits et nous connaissons aujourd’hui en détail les lois qui s’appliquent au monde entre l’échelle des particules élémentaires et celle de l’univers global. La méthode qui s’est magistralement développée pendant les quatre derniers siècles s’appuie sur la loi de causalité et suit la démarche réductionniste de Descartes : devant un problème, il faut le décomposer en autant d’étapes permettant de construire des suites simples de raisonnement. À chaque étape, le déterminisme s’applique. Si l’on ne trouve pas d’enchaînement causal, c’est parce qu’on n’a pas réduit suffisamment le problème. Cette démarche s’accorde avec le principe de parcimonie d’Occam, selon lequel il faut choisir l’explication la plus simple pour comprendre la nature, la complexité n’étant qu’une solution de dernier recours.

Aujourd’hui, ce paradigme semble rejeté par les techniques à la mode du machine learning (ML), qu’on traduit par apprentissage automatique et qui est une sous-catégorie de l’intelligence artificielle dont on parle à tout propos.

Est-ce une révolution et si oui, qu’en déduire ?

Machine learning et réseaux de neurones

L’intelligence artificielle se donne pour but de réaliser une machine capable d’imiter l’intelligence humaine. Elle est utilisée pour la traduction automatique de textes, l’identification d’images, en particulier la reconnaissance faciale, la publicité ciblée… L’objectif du machine learning est plus spécifique. Il vise à enseigner un ordinateur à exécuter une tâche et à fournir des résultats en identifiant des correspondances dans un lot de données. Le ML écrit des algorithmes qui découvrent des motifs récurrents, des similarités dans des ensembles de données existantes qu’on va ensuite exploiter pour interpréter une nouvelle donnée. Ces données peuvent être des chiffres, des mots, des images… Les programmes informatiques du ML sont capables de prédire des résultats sans tenter d’analyser les détails des processus mis en jeu. Le réductionnisme de Descartes est clairement oublié.

La technique des réseaux de neurones est l’un des outils de la méthode. Il s’agit d’algorithmes se présentant sous forme d’un réseau à plusieurs couches. La première permet l’ingestion des données à analyser sous forme d’un lot de paramètres (image d’un chien par exemple), une ou plusieurs couches cachées tirent des conclusions à partir des données dites « d’entraînement » antérieurement accumulées (images de milliers de chiens), et la dernière assigne une probabilité à l’image de départ. Comme le nom l’indique, les réseaux de neurones s’inspirent directement du fonctionnement du cerveau humain. Ils analysent la complexité en tenant compte de toutes les corrélations existant, comme peut le faire la vision globale de l’œil.

En décelant des régularités dans un grand jeu de données stockées, les algorithmes améliorent leurs performances au fil du temps dans l’exécution d’une tâche. Une fois entraîné, l’algorithme pourra retrouver les motifs dans de nouvelles données à partir de ceux dont on l’a nourri. Mais pour obtenir un résultat satisfaisant, il faut entraîner le système avec un jeu d’apprentissage aussi étendu que possible qui reste représentatif et non biaisé, et cela explique le problème de fond de la méthode : le résultat dépend de l’entraînement. Ainsi, un processus distinguera plus facilement les chiens que les loups s’il a été soumis à plus d’images de chiens pendant l’apprentissage. Un cas récent classa un chien comme loup parce qu’il apparaissait sur un fond blanc. Les images d’entraînement montraient souvent des loups sur fond de campagne enneigée.

L’exemple de la physique des hautes énergies

En recherche fondamentale aussi, la nouvelle technique est massivement utilisée pour l’analyse de données complexes. Elle permet de développer, de tester et d’appliquer des algorithmes sur différents types de données afin de qualifier un événement. Par exemple, le ML aide les physiciens à gérer les milliards d’interactions entre protons obtenues au grand collisionneur du CERN découvreur du boson de Higgs. Les réseaux de neurones peuvent rendre le filtrage de données plus rapide et plus précis. La technique s’améliore de manière autonome au fil du temps.

Ceci constitue une rupture avec les méthodes passées où on cherchait d’abord à identifier tel ou tel type de particules parmi les produits de la réaction en appliquant des règles de sélection adaptées pour ensuite examiner l’interaction dans sa globalité.

Ici, on exploite directement la structure d’ensemble d’un événement. Ainsi, pour la recherche de nouvelles particules, un modèle théorique fixe une phénoménologie avec ses paramètres associés. Les physiciens simulent la création et la détection de ces particules. Ils simulent aussi le « bruit » causé par toutes les autres réactions prédites par le Modèle standard, à charge pour le machine learning de distinguer le signal recherché et la réponse est donnée sur une échelle de probabilité de vraisemblance.

Pourtant, la science ne peut s’appuyer aveuglément sur le ML. Les physiciens qui exploitent cette révolution doivent rester aux commandes. Pour l’heure, un humain est encore nécessaire pour examiner de manière critique ce que délivrent les analyses algorithmiques. Son rôle est de donner du sens aux résultats, et de s’assurer que les données traitées ne sont ni biaisées ni altérées. De même, un physicien voulant utiliser un traducteur automatique de l’anglais au français doit s’assurer que le mot wave est bien rendu par onde et non par vague dans l’expression de la dualité onde-corpuscule.

La physique est-elle encore déterministe ?

La physique classique se voulait déterministe, elle donnait un résultat unique à un problème donné. La méthode du ML, de par sa construction, répondra de manière probabiliste avec une possibilité d’erreur qu’on cherchera à minimiser. En gagnant en efficacité et en rapidité d’analyse, on abandonne la certitude pour se contenter de vraisemblance. On peut d’ailleurs souvent s’en satisfaire, la vie elle-même étant probabiliste.

En son temps, Einstein s’était opposé à l’indéterminisme inhérent à la mécanique quantique. Il pensait que le cerveau humain était capable d’expliquer complètement la réalité. En cela, il suivait un préjugé fort respectable venant de la philosophie grecque. De fait, la mécanique quantique introduit un hasard intrinsèque qui viole les a priori des physiciens. Mais ce hasard reste contraint, il maintient un déterminisme collectif puisqu’on sait exactement prédire l’évolution d’une population de particules. Devant les nouveaux développements, il faut admettre que le probabilisme devient une propriété obligatoire inscrite dans la technique de recherche elle-même. Einstein devrait se retourner dans sa tombe.

Expliquer pour comprendre ?

La physique classique tentait de rationaliser la démarche de connaissance en conceptualisant une loi dont on vérifiait expérimentalement les conséquences. Avec le ML, on cherche toujours à prédire l’évolution d’un phénomène, mais la phase de conceptualisation a disparu. On puise dans la richesse des grands nombres pour définir un patron qu’on appliquera au problème posé. La construction d’une théorie ne semble plus nécessaire pour résoudre un problème. Les notions d’objectif et de subjectif se mélangent.

On disait que la physique explique le « comment » des phénomènes naturels, à charge pour d’autres esprits d’en expliquer le « pourquoi ». Ici, il faut revoir la notion d’explication, la part de l’intelligence pure dépensée s’efface, ou du moins, devant les prouesses de l’ordinateur, l’intelligence humaine ne sert plus qu’à améliorer le processus informatique. L’homme se met au service de la machine.

La physique a-t-elle perdu ses repères ? J’avais perdu les miens et devant mon désarroi, un théoricien me tança :

« Tu crois donc que des gravitons s’échangent entre le Soleil et la Terre pour maintenir notre planète sur son orbite ? Les particules virtuelles n’existent pas, ce sont de simples artifices de calcul. »

Et je compris alors que le ML devait être accepté comme un artifice de calcul plus élaboré que ceux du passé, mais cela ne me semblait pas sans conséquence.

La physique ne cherche plus à expliquer, elle se satisfait d’un résultat pertinent à un problème obtenu avec le maximum d’efficacité. Or, ce qu’on n’explique pas, il faut l’admettre. Pascal avait déjà senti une limitation de principe dans la physique ; il classait l’espace et le temps parmi des grandeurs primitives dont il faut accepter la réalité sans explication, parce que c’est « comme ça ». Platon avec son allégorie de la caverne avait eu l’intuition que nous ne ferons toujours qu’interpréter des ombres, sur le fond d’une mémoire d’ordinateur dans le cas du ML. Et tout cela rappelle l’injonction de Saint Augustin qui écrivit, dans un contexte évidemment très différent : « Il faut croire pour comprendre. » Alors que conclure ? En 1989, on annonçait « la fin de l’histoire ». La prophétie s’avéra très exagérée, espérons que les développements informatiques ne signent pas « la fin de la physique ».

François Vannucci ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.