Les modèles de langage de DeepMind peuvent-ils vraiment servir de médiateurs ?

Un assistant conversationnel capable de transformer une question confuse en demande claire, de résumer des positions divergentes ou d’expliquer une règle dans un langage accessible peut donner l’impression de jouer les intermédiaires. C’est le potentiel mis en avant dans les recherches associées à DeepMind sur les grands modèles de langage. Leur intérêt ne se limite pas à produire du texte : bien encadrés, ces systèmes peuvent structurer une conversation et faciliter l’accès à l’information.

Le terme de « médiateur » doit toutefois être manié avec précision. Un modèle de langage n’est ni un conciliateur humain, ni un arbitre indépendant. Il ne comprend pas une situation comme le ferait une personne, ne ressent pas les émotions en jeu et n’assume pas les conséquences de ses conseils. Il prédit des suites de mots à partir des régularités apprises dans de très grandes quantités de textes. Cette capacité peut être très utile pour reformuler ou contextualiser, mais elle ne garantit pas une réponse juste dans toutes les circonstances.

Pourquoi parle-t-on de médiation par l’intelligence artificielle ?

Dans son sens le plus concret, la médiation consiste à aider deux parties, ou une personne et une information complexe, à mieux se comprendre. Dans les interfaces numériques, ce rôle peut prendre plusieurs formes : traduire une intention exprimée en langage courant en instruction exploitable par un logiciel, résumer un long document, poser des questions complémentaires ou proposer une formulation plus claire.

Les modèles de langage de grande taille, souvent désignés par l’acronyme anglais LLM, sont particulièrement adaptés à ces tâches textuelles. Ils sont entraînés à repérer les relations entre les mots, les phrases et les documents. Lorsqu’un utilisateur leur adresse une requête, ils génèrent une réponse mot après mot en tenant compte du contexte fourni dans la conversation.

Dans un échange bien conçu, ils peuvent par exemple :

• reformuler une demande administrative trop vague ;
• expliquer un terme technique avec un vocabulaire plus courant ;
• résumer les arguments présents dans plusieurs textes ;
• préparer des questions à poser à un professionnel ;
• aider un service client à orienter une demande vers la bonne procédure.

Ces fonctions ne constituent pas une médiation au sens juridique, social ou psychologique du terme. Elles s’en rapprochent par un mécanisme plus modeste : réduire la friction liée au langage. L’outil peut rendre une information plus lisible et une intention plus facilement exploitable.

Ce que les modèles peuvent concrètement apporter à un dialogue

Le principal atout d’un modèle de langage est sa souplesse de formulation. Un même contenu peut être présenté sous la forme d’un résumé, d’une liste d’étapes, d’une réponse adaptée à un niveau débutant ou d’une explication plus détaillée. Cette capacité est utile lorsqu’une personne peine à trouver les bons mots, ou lorsqu’elle doit se repérer dans un corpus documentaire trop vaste.

Un modèle peut aussi jouer un rôle d’interface entre l’humain et la machine. Les logiciels traditionnels demandent souvent de connaître des menus, des mots-clés ou une syntaxe précise. Avec une interface conversationnelle, l’utilisateur peut décrire son objectif dans ses propres termes. Le modèle tente alors de rapprocher cette formulation du fonctionnement du service numérique.

Il convient cependant de distinguer assistance et décision. Réécrire une question pour qu’elle soit comprise est une assistance. Recommander une démarche dans un dossier complexe, décider de la priorité d’une demande ou trancher un différend engage un jugement qui ne peut pas être délégué aveuglément à une machine.

Gopher, un exemple de la course à la taille des modèles

L’article d’archive évoque Gopher, un modèle de langage conçu par DeepMind. Présenté en 2021, ce système compte 280 milliards de paramètres. Les paramètres correspondent aux valeurs numériques ajustées pendant l’entraînement du réseau de neurones. Ils permettent au modèle de capturer des régularités statistiques dans les textes sur lesquels il a été entraîné.

Gopher a contribué à documenter une idée centrale de la recherche sur les grands modèles : augmenter l’échelle, c’est-à-dire notamment le nombre de paramètres, le volume de données et les ressources de calcul, peut améliorer les performances sur de nombreuses tâches linguistiques. Le modèle a notamment été évalué sur des exercices de compréhension, de raisonnement et de réponse à des questions.

Pour autant, présenter le nombre de paramètres comme une mesure directe et suffisante de l’efficacité serait trompeur. La qualité des données, la méthode d’entraînement, les consignes données au modèle, l’architecture technique et les tests réalisés comptent tout autant. Un système plus grand peut être plus capable sur certains benchmarks, sans devenir pour autant plus fiable dans chaque situation réelle.

La capacité à servir d’intermédiaire ne découle donc pas automatiquement de la taille. Elle dépend aussi de la façon dont le produit est conçu : le modèle peut-il demander des précisions ? Cite-t-il des documents vérifiés lorsqu’il le faut ? Signale-t-il son incertitude ? Est-il possible pour un humain de corriger sa réponse ou de reprendre la main ?

Médiateur automatisé : une promesse à distinguer de la réalité

L’idée d’une IA médiatrice est séduisante parce qu’elle promet des échanges plus rapides et plus accessibles. Mais elle comporte une ambiguïté : un système très habile pour imiter une explication équilibrée peut donner une impression de neutralité sans disposer d’une véritable compréhension des intérêts, des faits ou des émotions des personnes concernées.

Dans un contexte peu risqué, comme la préparation d’un courriel, l’explication d’un formulaire ou le classement de questions fréquentes, cette limite est généralement gérable si l’utilisateur peut relire et corriger. Dans un contexte impliquant un conflit, une vulnérabilité ou une décision importante, elle devient centrale.

La médiation humaine repose en effet sur des éléments que le modèle ne possède pas : l’écoute active, la perception des non-dits, l’autorité liée à une fonction, la responsabilité professionnelle et la capacité à tenir compte d’une relation durable entre les parties. Un outil peut aider à préparer un dialogue. Il ne remplace pas, à lui seul, la personne chargée de créer les conditions d’un accord.

Éducation, santé, relation client : des usages possibles sous conditions

L’éducation fait partie des domaines où la reformulation automatisée peut être particulièrement utile. Un élève peut demander une explication adaptée à son niveau, obtenir un exemple supplémentaire ou faire corriger la structure d’un raisonnement. L’enseignant conserve néanmoins un rôle indispensable : vérifier le contenu, situer l’exercice dans une progression pédagogique et évaluer réellement les acquis.

Dans la relation client, un modèle peut comprendre les formulations variées d’un même problème, proposer les informations de premier niveau et orienter vers le bon interlocuteur. Le gain peut être appréciable lorsque les demandes sont répétitives. Mais les organisations doivent prévoir une voie d’escalade claire vers une personne compétente, notamment lorsqu’un client conteste une décision ou expose une situation inhabituelle.

La santé exige une prudence encore plus grande. Un modèle peut aider à rendre un document médical plus compréhensible ou à préparer des questions pour une consultation. Il ne doit pas être confondu avec un professionnel de santé, ni être utilisé comme seul fondement d’un diagnostic ou d’une décision de soins. La qualité apparente d’une formulation ne constitue pas une expertise clinique.

Dans tous ces domaines, l’enjeu est de concevoir l’IA comme une couche d’aide à la communication, et non comme une autorité qui déciderait à la place de l’utilisateur ou du professionnel.

Les biais et les erreurs restent les principaux obstacles

Les modèles apprennent à partir de données textuelles qui peuvent contenir des stéréotypes, des erreurs, des déséquilibres de représentation ou des visions contradictoires du monde. Ces caractéristiques peuvent influencer leurs réponses. Un modèle peut reproduire un biais présent dans ses données, privilégier une formulation majoritaire ou mal interpréter une demande ancrée dans un contexte culturel particulier.

Le deuxième risque majeur est celui des réponses erronées mais plausibles. Parce qu’un modèle génère le texte le plus probable selon son entraînement et son contexte, il peut produire une information convaincante sans disposer de preuve fiable. Ce phénomène est particulièrement problématique lorsqu’un utilisateur accorde à l’outil une confiance excessive.

Enfin, une médiation numérique implique souvent des informations personnelles : situation familiale, litige, état de santé, difficultés financières ou éléments professionnels. Avant d’intégrer un modèle dans un tel parcours, il faut définir quelles données sont nécessaires, où elles sont traitées, qui y accède et combien de temps elles sont conservées. La confidentialité n’est pas une fonction secondaire, elle conditionne la confiance dans l’outil.

Pour réduire ces risques, les concepteurs et les organisations peuvent mettre en place plusieurs garde-fous : tests sur des cas variés, limites d’usage explicites, supervision humaine, procédures de signalement et information claire des utilisateurs sur le rôle exact de l’IA.

Ce qu’il faut surveiller pour une médiation utile

Les travaux sur des modèles comme Gopher montrent la progression rapide des capacités de traitement du langage. Mais l’avenir de la médiation assistée par IA ne se jouera pas seulement sur la puissance des modèles. Il dépendra de leur capacité à être fiables, transparents et correctement intégrés dans des services réels.

La bonne question n’est donc pas seulement : « Un modèle peut-il répondre ? » Elle est aussi : « Dans quelles conditions sa réponse aide-t-elle réellement une personne, sans la tromper ni la priver d’un recours humain ? » Les systèmes les plus utiles seront probablement ceux qui savent expliciter leur rôle, reconnaître les limites de leurs connaissances, demander des précisions et transmettre la main lorsqu’une décision humaine est nécessaire.

À mesure que les interfaces conversationnelles se diffusent, elles peuvent rendre de nombreux services plus accessibles. Leur rôle de médiateur restera toutefois un rôle d’appui : un moyen de mieux formuler, chercher et comprendre, non une substitution à l’écoute, à l’expertise et à la responsabilité humaines.