INTELLIGENCE ARTIFICIELLE GENERATIVE : DU PROFESSIONNEL À L’INTIME

Thèmes: Economie, Sciences, Société
Conférence du mardi 2 juin 2026

Par Romain Bertrand, docteur en sociologie, chargé de projet IA à l’Université libre de Bruxelles (ULB)

Introduction : une révolution déjà là

Il y a quelques années encore, l’intelligence artificielle générative relevait de la science-fiction. Aujourd’hui, elle écrit, traduit, crée des images et répond à nos questions, parfois sans même que nous en ayons conscience. Cette conférence, animée par Romain Bertrand – sociologue spécialiste de l’IA et auteur d’une thèse sur les consultants en IA dans le capitalisme numérique –, propose une exploration rigoureuse et accessible de ces outils, de leur fonctionnement, de leurs biais et de leurs effets sur notre quotidien, notre travail, notre rapport à la connaissance et à l’autre.

La conférence s’articule autour de trois axes :

• 1 – présentation et démonstration des outils d’IA générative ;
• 2 – fonctionnement technique, biais et esprit critique ;
• 3 – usages chez les jeunes, dans l’éducation et les impacts sur la santé mentale.

I. L’IA générative : de quoi parle-t-on ?

A. Un paysage dominé par trois acteurs américains

L’IA générative désigne les outils capables de produire du texte, des images, de la musique ou des vidéos à partir d’une instruction en langage naturel, appelée prompt. Le terme le plus connu du grand public est ChatGPT (société OpenAI), qui a atteint en moins de quatre ans – depuis novembre 2022 – plus de 800 à 900 millions d’utilisateurs hebdomadaires, une adoption sans précédent dans l’histoire technologique.

Le paysage mondial est aujourd’hui structuré autour de trois leaders, tous américains :

• ChatGPT (OpenAI) – leader incontesté en termes d’audience grand public.
• Gemini (Google) – bénéficiant de l’intégration native dans Android, Gmail et prochainement sur iPhone.
• Claude (Anthropic) – moins d’utilisateurs grand public, mais forte présence en entreprise, notamment dans les plans premium.

En Chine, ce sont des modèles distincts (Doubao, Qwen, DeepSeek) qui opèrent, les modèles occidentaux y étant interdits. En Europe, Mistral constitue le principal acteur souverain, bien qu’il reste marginal à l’échelle mondiale.

B. Démonstration : les possibilités concrètes

La démonstration en direct illustre la polyvalence de ces outils. En quelques échanges avec Claude, le conférencier montre qu’il est possible d’obtenir une explication claire d’un sujet inconnu (l’encyclique papale), de générer un tableau comparatif avec plusieurs colonnes, de rédiger un e-mail formel incluant objet et signature, de traduire ce même e-mail en latin, ou encore d’analyser un document PDF de 134 pages en extrayant uniquement les passages pertinents.

Pour améliorer la qualité des résultats, il conseille d’utiliser la méthode ACTIF (Action – Contexte – Tonalité – Identité – Format), qui permet de structurer efficacement ses instructions. L’IA s’intègre désormais directement dans les outils du quotidien : Word, PowerPoint, Teams (retranscription et résumé automatique de réunions), Outlook. Elle peut aussi générer des images, des musiques ou des vidéos animées par description textuelle.

II. Fonctionnement, biais et limites : exercer son esprit critique

A. Comment fonctionne un modèle de langage ?

Un modèle de langage (Large Language Model ou LLM) repose sur un principe fondamental : l’autocomplétion probabiliste. Entraîné sur des milliards de textes (Wikipédia, livres numérisés, forums, réseaux sociaux), il prédit statistiquement le mot le plus probable à la suite d’une séquence donnée. Il ne comprend pas le sens des mots – tout est converti en vecteurs mathématiques –, il ne distingue pas le vrai du faux et peut « halluciner », c’est-à-dire inventer des réponses plausibles mais erronées.

La création d’un LLM suit trois étapes : collecte et nettoyage de données massives, entraînement sur des cartes GPU (unité de traitement graphique (GPU), composant matériel responsable du rendu et de l’affichage des images, des vidéos et des animations sur un écran) en datacenter (pendant plusieurs semaines), puis post-entraînement (alignement) pour que le modèle adopte un comportement conversationnel cohérent, utile et inoffensif. C’est à cette dernière étape qu’interviennent des choix éditoriaux non transparents : ton flatteur, engagement de l’utilisateur, certaines censures.

B. Des biais inhérents aux données d’entraînement

Plusieurs types de biais découlent directement de la composition des bases de données :

• Biais culturels et géographiques : les données proviennent majoritairement de pays occidentaux, industrialisés, éduqués, riches et démocratiques (WEIRD). Résultat : les modèles tendent à reproduire une vision du monde occidentale.
• Biais politiques : des tests politiques standardisés montrent que la plupart des modèles se positionnent légèrement à gauche sur l’axe économique et plutôt libertariens socialement – à l’exception de Grok (Elon Musk/X), très marqué à droite.
• Biais de genre et de représentation : un bot (bot = une application logicielle programmée pour effectuer certaines tâches) du Pôle emploi autrichien a refusé d’orienter des femmes vers l’informatique, reproduisant les biais historiques de recrutement. Des logiciels de reconnaissance faciale ont montré de moins bonnes performances sur les visages non-blancs, faute de représentation équilibrée dans les données.

C. Des censures et des lignes éditoriales volontaires

Au-delà des biais émergents, les entreprises appliquent des décisions éditoriales délibérées. DeepSeek refuse d’évoquer les événements de Tiananmen ou affirme que Taïwan fait partie de la Chine. Les modèles américains refusent de dessiner des soldats nazis ou de divulguer des informations sur la fabrication de substances dangereuses – mais des utilisateurs découvrent régulièrement des contournements (jeu de rôle, contexte fictif, reformulation des questions).

Un point de vigilance majeur concerne l’information : des études montrent que dans environ 20 % des réponses portant sur l’actualité, les IA commettent des erreurs factuelles significatives. Elles ne sont pas conçues pour informer mais pour générer du texte vraisemblable. La consultation des sources originales reste indispensable.

D. Impact environnemental : relativiser sans minimiser

Le fonctionnement des IA mobilise des infrastructures considérables : des cartes GPU à 25 000 € l’unité, des datacenters de 100 000 à 250 000 cartes (le projet Stargate vise 1 million), une consommation massive d’eau (environ 50 cl d’eau potable par conversation avec chatGPT-4) et d’énergie. Toutefois, selon le GIEC wallon, à l’échelle du numérique, c’est le streaming vidéo en haute définition qui reste l’usage le plus impactant. L’IA générative s’y ajoute sans en être le principal responsable à ce jour.

📌 Citation – Automatisation : le paradoxe de la délégation réciproque

« AI turns the single bullet point into a long email I can pretend I wrote.» Et de l’autre côté, le destinataire utilise l’IA pour résumer ce long email en une ligne. Les deux interlocuteurs délèguent à la machine sans avoir réellement traité l’information : une absurdité productive qui interroge profondément notre rapport à la pensée.

III. L’IA GENERATIVE et les jeunes : éducation, identité, santé mentale

A. Une adoption massive et précoce

Selon Eurostat (2025), 68 % des 16-24 ans en Europe utilisent l’IA générative, soit une proportion deux fois supérieure à celle de l’ensemble de la population. À l’ULB, 96 % des étudiants ont déjà testé ces outils et 91 % les utilisent pour leurs études. Seuls 15 % déclarent avoir reçu une formation à l’esprit critique sur ces outils.

Cette adoption s’explique par plusieurs raisons qui vont au-delà de la simple paresse :

• Le gain d’intimité et l’anonymat : l’IA générative permet d’explorer des notions sans craindre le jugement des pairs ou des enseignants.
• L’insécurité linguistique : la peur des fautes pousse à déléguer la rédaction.
• La honte de penser par soi-même : face à des outils perçus comme quasi-magiques, les étudiants ressentent une forme de honte prométhéenne (Günther Anders) – « la gêne de l’être humain devant la perfection de ses propres créations ».
• Les contraintes pratiques : 35 % des étudiants de l’ULB cumulent études et emploi salarié et manquent de temps pour leurs travaux d’étudiants.

B. Le défi pour l’éducation

L’IA générative perturbe radicalement la chaîne d’évaluation : les étudiants la mobilisent pour tout (rédactions, code, traduction, corrections), et les enseignants eux-mêmes l’utilisent pour préparer des cours ou corriger des mémoires. Il est aujourd’hui techniquement impossible de distinguer un texte rédigé par l’IA d’un texte humain. Les outils de détection ne sont pas fiables.

Les réponses pédagogiques émergentes incluent :

• Le retour aux examens papier-crayon, sans accès à Internet – y compris en informatique pour tester la maîtrise réelle du codage.
• La coupure du réseau Wi-Fi/5G lors des examens (certaines universités envisagent des brouilleurs).
• La notion de délégation par niveaux : définir clairement quel niveau d’assistance à l’IA générative est autorisé (correction orthographique, recherche de sources, rédaction partielle ou totale).
• La revalorisation de l’écriture manuscrite et de la pensée personnelle comme processus de transformation intérieure.

Michel Foucault l’exprimait ainsi : « J’écris pour me changer moi-même et ne plus penser la même chose qu’auparavant. » L’écriture est un processus lent de transformation que l’IA générative ne peut pas accélérer sans le vider de son sens.

C. L’IA générative dans la sphère intime et la santé mentale

Un chiffre révélateur : selon OpenAI, la part des messages échangés avec ChatGPT sans rapport avec le travail est passée de 53 % à 73 % en un an. Les IA génératives sont de plus en plus utilisées comme confident, coach de vie, thérapeute ou conseiller amoureux – notamment par des jeunes.

Les risques spécifiques de cet usage sont nombreux :

• Le biais de flagornerie : l’IA générative va systématiquement dans le sens de l’utilisateur, valide ses émotions et évite la confrontation – à l’opposé d’une thérapie efficace.
• La dépendance affective et l’isolement social : les « AI companions » (ex. : Replika) permettent de créer un avatar ami ou confident. Des utilisateurs se retirent progressivement des interactions humaines.
• L’absence de résistance : contrairement aux interactions humaines, l’IA générative exécute toujours les demandes sans jamais opposer de friction, ce qui appauvrit notre rapport à l’altérité.
• Les données personnelles : les conversations intimes confiées à des IA génératives gratuites peuvent être réutilisées pour entraîner les modèles. La question du consentement est cruciale.

Une étude de l’Université de Toronto montre paradoxalement que dans des tests à l’aveugle, les réponses de l’IA générative ont été jugées plus compatissantes et plus réactives que celles de professionnels de santé mentale humains – ce qui soulève des questions éthiques profondes sur la place de l’empathie simulée dans le soin.

Émergent également des phénomènes comme les jumeaux digitaux de personnes défuntes (société Eternos), qui permettent de continuer à interagir avec un proche décédé à partir de ses données, soulevant des enjeux de consentement, d’usurpation d’identité et d’impact psychologique encore très peu explorés.

IV. Questions-Réponses : points saillants

Les échanges avec le public ont permis d’approfondir plusieurs questions clés :

• Valeur des diplômes et fraude : l’évaluation par l’IA générative est une réalité des deux côtés (étudiants et enseignants). La nature même de la preuve de compétence est remise en cause. En informatique, des étudiants convaincus d’avoir maîtrisé le code en regardant l’IA générative le produire, se sont révélés incapables de le reproduire sans aide.
• L’éthique des modèles : Claude/Anthropic se positionne comme plus éthique (refus de la publicité dans les réponses, rupture du contrat militaire avec l’armée américaine). Mais ce positionnement est aussi une stratégie de différenciation marketing, à considérer avec nuance.
• Manipulation de l’information : les « fermes à bots » (astroturfing = méthode frauduleuse qui consiste à la publication de « faux avis » sur internet) existent déjà sur les réseaux sociaux pour fausser l’opinion publique. Les entreprises investissent leur site web de métadonnées cachées pour orienter les réponses de l’IA générative en leur faveur – une forme de marketing invisible.
• Protection des données sensibles : ne jamais soumettre des données confidentielles (brevets, recherches, données personnelles) à des IA génératives gratuites dont les conditions d’utilisation prévoient la réutilisation des contenus.
• Souveraineté numérique : il est possible de déployer des modèles open source (Mistral, DeepSeek) sur des serveurs souverains internes, en garantissant que les données ne quittent pas l’institution.
• Modèle économique : les grandes IA génératives sont déficitaires (OpenAI vise la rentabilité en 2030). Le passage à une facturation à l’usage s’amorce, remplaçant les abonnements forfaitaires.

Conclusion : éduquer à jeûner de l’IA GENERATIVE

📖 Extrait de l’encyclique Magnifica Humanitas (Léon XIV, 2025)

« La question est fondamentale car toute technologie éduque ceux qui l’utilisent. Éduquer à l’utilisation de l’IA implique donc d’éduquer à décider quand et pourquoi ne pas l’utiliser. La rapidité et la facilité avec lesquelles on obtient une réponse ou une synthèse risquent d’éteindre le désir de poser des questions. Nous devons nous éduquer à jeûner de l’IA et protéger nos jeunes de la promesse de la machine parfaite, de cette séduction subtile qui fait paraître inutile la pensée humaine, précisément au moment où elle est la plus nécessaire. »

La question centrale n’est plus de savoir si l’IA générative transforme nos vies : elle le fait déjà profondément. L’enjeu est désormais collectif et éducatif : former des citoyens capables de comprendre ces outils pour mieux les maîtriser, d’en percevoir les biais et les limites, de préserver leur capacité de pensée critique, d’écriture authentique et d’interaction humaine. La littératie à l’IA générative – ces savoirs de base permettant d’exercer son jugement face à ces technologies – constitue l’un des défis majeurs de nos systèmes éducatifs pour la décennie à venir.

Découvrez + de 1100 textes des conférences du CDI sur le site du CDI de Garches 

Vos commentaires et vos conseils contribuent à l’amélioration de nos parutions.
Vous disposez de l’espace « COMMENTAIRES » ci-dessous pour les exprimer.
Merci  et à bientôt pour votre prochaine visite.