Quand l’IA dessine le père australien : homme blanc, stéréotypes et iguane

Un père présenté comme « typique », sans enfant à ses côtés mais accompagné d’un iguane : l’image paraît d’abord incongrue. Elle résume pourtant le malaise soulevé par des essais de génération d’images consacrés aux représentations de l’Australie. À partir de requêtes ordinaires, plusieurs outils d’intelligence artificielle ont fréquemment produit une vision blanche, masculine et nostalgique du pays, très éloignée de la diversité de sa société contemporaine.

Le cas ne signifie pas que chaque image générée par ces services est identique, ni qu’un résultat isolé suffit à établir une mesure statistique des biais. Il met toutefois en lumière un mécanisme important : lorsqu’on demande à une IA de visualiser une identité nationale supposée « typique », elle doit combler tout ce que la demande ne précise pas. Et ce sont souvent les associations dominantes, répétées dans les données qui ont nourri les modèles, qui prennent le dessus.

Ce que les prompts ont fait apparaître

Les essais évoqués ont porté sur des portraits d’individus, de pères et de familles australiennes. Des plateformes telles que Dall-E 3 et Meta AI sont citées dans les résultats, tandis qu’Adobe Firefly est également mentionné parmi les outils mobilisés. Le récit des tests fait aussi référence à l’examen de résultats liés à GPT-5.

Les tendances rapportées ne concernent pas seulement l’apparence des personnages. Elles touchent aussi à leur environnement, à leur place dans la famille et au style graphique choisi par le système. Dans ce type de réponse, l’IA ne se contente donc pas de choisir un visage : elle propose implicitement une définition de ce qui serait représentatif de l’Australie.

Le détail de l’iguane est particulièrement parlant. Il ne décrit pas une relation familiale, une profession ou une expérience vécue. Il fonctionne comme un raccourci visuel exotisant, issu d’un imaginaire animalier et touristique. Dans une image censée représenter un père, ce glissement montre combien un générateur peut privilégier une association spectaculaire au détriment du sens premier de la demande.

Pourquoi une requête apparemment neutre peut-elle produire un cliché ?

Les générateurs d’images fonctionnent en reliant des mots à des motifs visuels. Ils ont appris, à très grande échelle, quelles descriptions sont fréquemment associées à quels visages, vêtements, lieux, objets et mises en scène. Lorsqu’un utilisateur écrit « père australien typique », il ne donne ni âge, ni origine culturelle, ni composition familiale, ni région, ni activité, ni contexte précis. Le modèle est donc contraint d’interpréter.

Cette interprétation n’est pas une enquête démographique. Elle ne s’appuie pas sur une définition officielle de l’identité australienne, et encore moins sur une représentation équilibrée de toutes les personnes qui vivent dans le pays. Elle repose sur des corrélations statistiques : images publiques, légendes, œuvres culturelles, photographies commerciales, publications en ligne et autres contenus ayant contribué, directement ou indirectement, à l’environnement de données du modèle.

Le terme « typique » est particulièrement chargé. Il invite l’outil à chercher une figure centrale ou dominante plutôt qu’à refléter la pluralité. Or une identité nationale ne se résume pas à un visage, à une banlieue, à une activité extérieure ou à un décor reconnaissable. La requête peut sembler anodine, mais elle délègue au système un choix social et culturel majeur.

Dans les résultats rapportés, le père apparaît fréquemment comme blanc et issu d’un cadre suburbain. Les descriptions associées aux tests signalent aussi une tendance à le placer dans des contextes physiques plutôt que domestiques. Ces choix visuels peuvent renforcer un modèle hétéropatriarcal du père : actif, extérieur au foyer, présenté comme norme implicite.

Le père « typique » devient une norme visuelle

Une image générée n’affirme pas explicitement que les autres pères n’existent pas. Son effet peut néanmoins être plus subtil : à force de produire toujours le même profil pour répondre à une requête large, elle fait de ce profil le point de référence tacite. Les pères autochtones, asiatiques, issus de l’immigration, non blancs, célibataires, homosexuels, handicapés ou appartenant à d’autres réalités familiales deviennent alors invisibles dans la réponse par défaut.

C’est précisément la différence entre représenter une personne et représenter une catégorie. Pour un portrait individuel, la précision du prompt peut restituer des caractéristiques demandées. Pour une catégorie comme « père australien », l’IA arbitre seule les caractéristiques absentes. Elle risque alors de reproduire des images anciennes de l’Australie, notamment celles façonnées par la culture populaire, la publicité ou les récits coloniaux.

Cette situation ne doit pas conduire à chercher une image unique qui serait enfin le « bon » père australien. Une telle image serait tout aussi réductrice. L’enjeu est plutôt que l’outil ne transforme pas une catégorie humaine large en cliché automatique, et qu’il puisse restituer des réalités diverses sans réserver certains groupes à des scènes marginales ou caricaturales.

Une famille australienne réduite à un imaginaire colonial

Les résultats concernant les familles soulèvent une question plus vaste encore. D’après les essais rapportés, demander une « famille australienne » conduit majoritairement à des représentations blanches et hétéronormatives. Le foyer généré s’inscrit dans des codes visuels associés à une vision coloniale du pays : une famille nucléaire, un cadre résidentiel familier et une apparence présentée comme allant de soi.

L’Australie contemporaine est pourtant une société multiculturelle, composée de populations aux histoires, origines et structures familiales variées. Une représentation générée qui n’en retient qu’une fraction ne constitue pas seulement une erreur esthétique. Elle peut figer un récit national où certaines personnes incarnent spontanément le pays, tandis que d’autres doivent être explicitement nommées pour y apparaître.

Cette asymétrie est importante dans les usages concrets de l’IA. Les visuels générés peuvent servir à illustrer un cours, une présentation, une campagne de communication, un article, une maquette ou un contenu sur les réseaux sociaux. Plus ils sont rapides à créer, plus le risque est grand de les utiliser sans interroger ce qu’ils rendent visible et ce qu’ils laissent hors champ.

Les représentations autochtones, un enjeu particulièrement sensible

Les essais décrits sont les plus préoccupants lorsqu’ils portent sur les Australiens aborigènes. Des requêtes les mentionnant auraient fait émerger des images marquées par des tropes de « sauvagerie » et de « barbarie ». Employer ces mots pour caractériser des résultats est nécessaire pour comprendre la gravité du problème, mais il faut aussi rappeler qu’il s’agit de catégories historiquement utilisées pour dévaloriser et déshumaniser des peuples.

L’enjeu dépasse largement la qualité d’un visuel. Les peuples autochtones ne sont pas un décor folklorique, ni une version primitive ou marginale de la nation. Les enfermer dans ces représentations revient à perpétuer des hiérarchies héritées de l’histoire coloniale, alors que les communautés aborigènes appartiennent pleinement à l’Australie contemporaine, dans toute la diversité de leurs vies, de leurs cultures et de leurs expressions.

Le contraste stylistique signalé entre les images de maisons est révélateur. Une maison australienne dite traditionnelle est souvent produite dans un registre photoréaliste, tandis qu’une maison aborigène bascule davantage vers la caricature. Le style n’est jamais neutre : le réalisme peut conférer à un sujet une place contemporaine et ordinaire, alors qu’un rendu fantasmé ou caricatural peut le repousser dans un passé imaginaire.

Ces écarts posent aussi la question des données culturelles. Qui a produit les images et descriptions dont les modèles ont tiré des associations ? Dans quelles conditions ont-elles été collectées, légendées ou réutilisées ? Qui peut contester une représentation lorsqu’elle déforme une culture ? La propriété culturelle et les droits relatifs aux données ne sont pas des sujets secondaires : ils conditionnent la possibilité, pour les communautés concernées, de participer à la manière dont elles sont montrées.

Les nouveaux modèles ont-ils corrigé ces biais ?

Le récit des tests mentionne l’examen de modèles plus récents, dont GPT-5, afin d’observer si les mises à jour techniques modifient les résultats. Les conclusions rapportées restent prudentes : des stéréotypes persistent, même si le rendu visuel peut varier d’un système à l’autre ou d’une version à l’autre.

Cette persistance n’a rien d’anecdotique. Une mise à jour peut améliorer la qualité des images, leur cohérence ou le respect d’une consigne, sans modifier profondément les associations culturelles sous-jacentes. Un modèle peut aussi éviter certains contenus ouvertement problématiques tout en continuant à privilégier, pour des formulations larges, les mêmes profils sociaux et raciaux.

Il serait donc trompeur de juger les progrès uniquement à la beauté du résultat. Une image plus nette, plus réaliste ou plus spectaculaire n’est pas nécessairement plus inclusive. Pour évaluer un outil, il faut observer qui apparaît spontanément, dans quels rôles, avec quel degré de réalisme, et quelles personnes ne sont visibles qu’à condition d’être ajoutées explicitement dans le prompt.

Comment évaluer sérieusement les biais d’un générateur d’images ?

Les exemples décrits constituent des signaux utiles, mais l’évaluation d’un biais demande une méthode. Le texte qui rapporte ces résultats ne détaille pas le nombre total de générations, les variantes exactes de chaque requête, les paramètres employés ou la fréquence de chaque résultat. Il n’est donc pas possible d’en déduire un taux chiffré de biais pour un service donné.

Pour transformer une alerte en évaluation robuste, il faudrait notamment répéter les mêmes demandes, comparer plusieurs formulations, consigner les dates et les versions des outils, puis examiner les images avec des critères définis à l’avance. Il faudrait aussi associer à cette analyse des personnes issues des communautés représentées, car le caractère offensant ou réducteur d’un cliché ne se détecte pas toujours par une simple mesure automatisée.

Quelques questions simples permettent déjà de mieux lire une série d’images générées :

• Qui apparaît quand le prompt ne mentionne ni origine ni genre ?
• Certains groupes sont-ils systématiquement associés à un passé, à la pauvreté, à la violence ou à l’exotisme ?
• Les personnages bénéficient-ils tous du même degré de réalisme et de dignité ?
• Les rôles familiaux, professionnels et sociaux sont-ils répartis de manière variée ?
• Une modification minime de la requête change-t-elle radicalement l’identité de la personne représentée ?

Ces questions ne remplacent pas un audit complet, mais elles évitent de considérer une image générée comme un simple divertissement sans conséquences culturelles.

Ce qu’il faut surveiller

La diffusion des générateurs d’images oblige les entreprises qui les conçoivent à rendre leurs mécanismes de réduction des biais plus compréhensibles. Cela implique de tester les modèles sur des requêtes culturelles et nationales, de documenter leurs limites et de prendre au sérieux les retours des groupes sous-représentés. Ajouter des garde-fous ne peut pas se limiter à supprimer quelques mots interdits : il faut examiner les associations que les systèmes produisent par défaut.

Les utilisateurs ont aussi un rôle à jouer. Dans un contexte éducatif, médiatique ou professionnel, une image synthétique devrait être relue comme un texte : quel récit raconte-t-elle ? Quelle vision du pays, de la famille ou de l’identité rend-elle naturelle ? Choisir une requête plus précise peut réduire l’ambiguïté, mais ne dispense pas d’un regard critique sur le résultat.

Le père blanc et son iguane ne sont donc pas seulement une bizarrerie de machine. Ils illustrent le risque, à mesure que l’IA s’installe dans les pratiques créatives ordinaires, de voir des préjugés anciens se présenter sous une forme nouvelle, fluide et visuellement convaincante. La qualité d’un générateur ne se mesurera pas seulement à sa capacité à produire de belles images, mais aussi à celle de ne pas réduire les sociétés qu’il prétend représenter.