Modèles de langage publics : l’enjeu décisif pour la recherche historique

Un modèle de langage peut résumer un ensemble de documents, proposer des mots-clés pour explorer un corpus ou aider à transcrire et classer des textes. Pour la recherche historique, ces possibilités sont considérables. Mais une question plus fondamentale accompagne leur adoption : qui décide des outils qui participent désormais à l’exploration, à l’interprétation et à la mise en récit du passé ?

La lettre dont est issue cette réflexion défend une idée simple, mais ambitieuse : les modèles de langage les plus utiles à la connaissance ne devraient pas être seulement des produits détenus et administrés par des entreprises. Dans les sciences humaines, où la vérification des sources, la pluralité des voix et la conservation du patrimoine sont centrales, la maîtrise collective de ces technologies devient un enjeu académique et démocratique.

Les modèles de langage changent le travail sur les textes

Un grand modèle de langage, souvent désigné par l’acronyme anglais LLM, est un système entraîné à repérer des régularités dans d’immenses quantités de texte. Il peut produire une réponse, reformuler un passage, classer des documents ou suggérer une synthèse à partir d’une consigne. Son résultat n’est pas une preuve historique : c’est une production statistique de langage, qui doit être contrôlée au regard des documents, de leur contexte et de la méthode employée.

Bien utilisé, cet outil peut néanmoins assister des tâches longues ou répétitives. Dans un fonds documentaire, il peut par exemple faciliter le repérage d’entités nommées, de thèmes, de variantes orthographiques ou de passages comparables. Il peut aussi aider à préparer des pistes de recherche dans des corpus multilingues. Son intérêt ne tient donc pas à une prétendue capacité à « connaître » le passé, mais à sa faculté de rendre certains matériaux plus explorables.

Cette évolution transforme les pratiques académiques. Un chercheur ne se contente plus de consulter un catalogue, une édition critique ou une base de données : il peut interroger un système qui reformule les contenus et hiérarchise ce qu’il estime pertinent. Dès lors, les règles qui organisent ce système, les données sur lesquelles il a été entraîné et les conditions de son accès deviennent aussi importantes que l’interface elle-même.

Pourquoi la propriété des modèles devient-elle un sujet de recherche ?

Les modèles de langage les plus puissants sont souvent développés, hébergés et commercialisés par des entreprises privées. Ce cadre n’est pas neutre. Une entreprise peut légitimement protéger ses secrets industriels ou faire évoluer son offre, mais ces décisions ont des conséquences directes pour ceux qui dépendent de l’outil dans leur travail.

Le tarif d’un abonnement ou d’une interface de programmation, les volumes de texte qu’il est possible d’analyser, les langues prises en charge, les règles applicables aux données envoyées, les versions disponibles et les fonctions activées sont autant d’éléments susceptibles de changer. Pour un laboratoire qui construit une méthode sur plusieurs années, cette dépendance peut fragiliser la continuité du travail.

La recherche historique repose pourtant sur des principes qui ne coïncident pas toujours avec les priorités commerciales : la possibilité d’examiner une méthode, de reproduire autant que possible une démarche, de citer précisément les versions utilisées, d’accéder aux outils sans barrière excessive et de représenter une diversité de langues et de traditions documentaires.

L’opposition n’est pas entre une innovation privée qui serait par nature illégitime et une solution publique automatiquement exemplaire. Elle porte sur les garanties nécessaires lorsqu’un outil devient structurant pour produire et partager des connaissances. Une technologie fermée peut être utile. Mais si elle sert de médiation durable entre les chercheurs et les archives, la question de son contrôle ne peut pas être écartée.

Opacité, instabilité et inégalités : trois risques concrets

Le premier risque est celui de l’opacité. Pour évaluer les réponses d’un modèle, il importe de connaître, autant que possible, la nature de ses données d’entraînement, les méthodes employées pour les sélectionner et les limites reconnues par ses concepteurs. Sans ces éléments, il devient difficile de comprendre pourquoi certains récits, certaines langues ou certains usages du vocabulaire sont davantage représentés que d’autres.

L’opacité ne concerne pas seulement le code. Elle concerne aussi la traçabilité. Lorsqu’un système fournit une synthèse, un chercheur doit pouvoir distinguer ce qui relève de son propre corpus, de l’instruction donnée au modèle et des régularités acquises lors de l’entraînement. Sans cette séparation, le risque est de confondre l’analyse des sources avec un texte généré par une boîte noire.

Le deuxième risque est l’instabilité. Les modèles changent : une version peut être remplacée, une capacité modifiée, un accès restreint ou une règle tarifaire revue. Ce qui est faisable pour une équipe à un moment donné ne l’est pas nécessairement plus quelques mois plus tard. Or l’histoire se construit souvent dans le temps long, avec des projets collectifs, des corpus patiemment constitués et des résultats qui doivent pouvoir être réexaminés.

Le troisième risque est celui des inégalités. Les universités, bibliothèques et équipes de recherche ne disposent pas toutes des mêmes budgets, de la même puissance de calcul ni des mêmes compétences techniques. Si les meilleurs outils sont exclusivement accessibles par des offres coûteuses ou complexes, les établissements les moins dotés peuvent être écartés d’une part croissante de l’innovation méthodologique. Cette situation peut également renforcer le poids des langues et des corpus déjà les mieux représentés.

Que recouvre l’idée d’un modèle de langage public ?

Parler de propriété publique ne signifie pas nécessairement qu’un modèle serait sans règles, sans protection ou libre de tout droit. Les archives peuvent contenir des données personnelles, des œuvres protégées ou des documents culturellement sensibles. Une politique publique responsable ne consiste donc pas à publier indistinctement tous les textes et tous les paramètres.

L’objectif est plutôt de bâtir une infrastructure placée au service d’un intérêt collectif. Elle devrait reposer sur plusieurs engagements : un financement durable, une gouvernance indépendante des seuls intérêts commerciaux, une documentation précise des corpus, des procédures d’évaluation, une conservation des versions et un accès réellement ouvert aux communautés concernées.

Cette approche suppose également de distinguer plusieurs niveaux d’ouverture. Les chercheurs peuvent avoir besoin d’accéder au modèle, à ses résultats, à ses notices de documentation ou à des jeux de données autorisés, sans que tous les contenus soient nécessairement téléchargeables. Le principe directeur doit être la possibilité de comprendre et de contester les choix, tout en respectant les droits et les personnes.

Des corpus historiques pluriels, documentés et respectueux des droits

La lettre appelle à entraîner de tels modèles sur des corpus historiques fondés et multilingues, provenant notamment de bibliothèques, de musées et d’archives publiques. L’idée est décisive : la qualité d’un modèle ne dépend pas seulement de la quantité de textes absorbés, mais aussi de leur sélection, de leur description et de la manière dont les communautés peuvent en discuter les effets.

Un corpus destiné aux humanités doit être accompagné de métadonnées. Il faut savoir d’où viennent les documents, dans quelles langues ils ont été produits, à quelles périodes ils se rapportent, quels droits s’y appliquent et quelles lacunes ils comportent. Cette information permet de ne pas présenter le modèle comme un miroir objectif du passé.

La diversité culturelle exige une attention particulière. Les archives sont elles-mêmes inégalement conservées et numérisées. Certaines populations ont laissé peu de traces dans les institutions dominantes, tandis que d’autres ont été décrites à travers le regard de pouvoirs politiques, coloniaux ou administratifs. Intégrer des documents à un système d’IA ne suffit donc pas à réparer ces déséquilibres. Il faut les identifier, les expliquer et associer les détenteurs de savoirs, les archivistes et les spécialistes concernés aux décisions.

Une infrastructure comparable aux bibliothèques et aux archives

Construire un modèle public pour les humanités demanderait des moyens importants. Il ne s’agit pas uniquement d’entraîner un système informatique. Il faut réunir des compétences en informatique, en linguistique, en archivistique, en droit, en histoire et en sciences de l’information. Il faut aussi stocker les corpus, sécuriser les accès, documenter les versions, tester les résultats et maintenir l’infrastructure dans la durée.

La comparaison avec les archives nationales ou les programmes scolaires éclaire l’enjeu. Personne n’attend d’une seule entreprise qu’elle définisse seule les collections publiques, les règles de conservation et les savoirs transmis. Ces institutions sont financées, organisées et discutées collectivement parce qu’elles remplissent une fonction essentielle. Pour la lettre, les modèles de langage appelés à structurer l’accès à la connaissance devraient être envisagés avec une ambition comparable.

Cela n’exclut pas toute coopération avec des acteurs privés. Des partenariats peuvent être utiles pour la recherche, l’hébergement ou le développement de composants techniques. Mais ils devraient s’inscrire dans des règles claires : indépendance scientifique, transparence des conditions, continuité de l’accès et capacité des institutions publiques à conserver la maîtrise de leurs objectifs.

Les humanités doivent participer à la conception des outils

Les disciplines historiques et plus largement les humanités ne peuvent pas se limiter à adopter des outils conçus ailleurs. Elles ont un rôle à jouer dans la définition des corpus, des protocoles d’évaluation et des usages acceptables. Elles peuvent notamment préciser ce qu’est une citation fiable, comment signaler l’incertitude, quelles langues et quels ensembles documentaires doivent être mieux pris en compte, ou encore comment éviter qu’une réponse fluide soit confondue avec une démonstration.

Cette participation suppose aussi une formation. Utiliser un modèle de langage avec rigueur implique de savoir formuler une demande, examiner une réponse, repérer les erreurs possibles et documenter son recours à l’outil. Les compétences critiques traditionnelles, comme l’évaluation de la provenance, la contextualisation et le croisement des sources, prennent ici une importance nouvelle.

La responsabilité collective évoquée par la lettre est donc double : employer ces systèmes de façon éthique et participer à leur orientation. La question n’est pas seulement de savoir ce que l’IA peut faire pour les historiens. Elle est aussi de savoir quelle IA les historiens, les bibliothèques, les musées et les citoyens veulent construire pour préserver la pluralité des récits.

Ce qu’il faut surveiller pour préserver la connaissance publique

L’essor des modèles de langage pose un choix de société. Si l’accès aux archives et aux textes passe de plus en plus par des systèmes opaques, révisables et inégalement accessibles, la capacité à produire une connaissance vérifiable risque de se concentrer entre les mains d’un petit nombre d’acteurs. À l’inverse, des infrastructures publiques bien gouvernées pourraient renforcer l’accès, la coopération et l’examen critique.

Plusieurs points méritent une attention continue : la documentation des données et des limites des modèles, la pérennité des conditions d’accès, la représentation des langues et des corpus minorés, le respect des droits, la possibilité d’auditer les usages et la stabilité des financements publics. Aucun de ces sujets n’est purement technique.

La promesse d’un modèle de langage public pour les humanités ne se résume pas à un nouvel assistant numérique. Elle consiste à faire de l’IA une infrastructure discutable, améliorable et accessible, capable d’aider à explorer le passé sans confisquer le droit de l’interpréter. C’est à cette condition que les gains de vitesse et d’échelle offerts par ces outils pourront servir une connaissance véritablement partagée.