Harmoniser les données et les systèmes pour mieux répondre aux défis de société

Une technologie ne produit jamais ses effets dans le vide. Un algorithme, un véhicule autonome, une plateforme de commerce en ligne ou un outil de gestion de crise s’inscrivent dans un environnement fait de règles, d’institutions, de comportements et de données. C’est précisément cette chaîne d’interactions que l’Institut des données, systèmes et société du Massachusetts Institute of Technology, le MIT, entend mieux comprendre.

Pour Munther Dahleh, professeur d’ingénierie électrique et de science informatique au MIT, les grands problèmes contemporains ne peuvent plus être traités depuis une seule discipline. Changement climatique, pandémie, désinformation ou encadrement de l’intelligence artificielle : chacun mêle des réalités techniques, des choix politiques, des intérêts économiques et des réactions humaines. L’enjeu n’est donc pas uniquement de collecter davantage d’informations, mais de relier correctement les connaissances et les acteurs pour prendre des décisions plus cohérentes.

Que signifie harmoniser les données, les systèmes et la société ?

L’harmonisation des données est souvent réduite à une question informatique : rendre des fichiers compatibles, relier des bases de données ou uniformiser des formats. Ces opérations comptent, mais elles ne suffisent pas. Pour qu’une donnée aide réellement à décider, il faut aussi savoir ce qu’elle mesure, dans quel contexte elle a été produite, qui peut l’utiliser et à quelles fins.

Deux jeux de données peuvent ainsi employer le même mot sans désigner exactement la même réalité. À l’inverse, des informations utiles à un même objectif peuvent être séparées entre services, entreprises, laboratoires ou administrations. Harmoniser, c’est alors créer les conditions d’une lecture commune, sans effacer les différences importantes entre les situations observées.

Dans l’approche défendue par l’IDSS, les données occupent une place centrale parce qu’elles relient trois dimensions qui évoluent ensemble : les systèmes physiques, les interactions humaines et les politiques qui encadrent leurs usages. Modifier l’une de ces dimensions peut transformer les deux autres. Une règle nouvelle change les conditions de déploiement d’un outil. Un changement de comportement peut réduire son efficacité ou, au contraire, favoriser son adoption. Une innovation technique peut rendre nécessaire l’élaboration de nouvelles règles.

L’IDSS du MIT, une réponse au cloisonnement académique

La création de l’Institute for Data, Systems, and Society, ou IDSS, répond à un constat : les collaborations entre disciplines existent, mais elles restent souvent ponctuelles. Or, les défis de société ne s’arrêtent pas à la fin d’un projet de recherche ou aux frontières d’un département universitaire.

Munther Dahleh met en avant la nécessité de bâtir des interactions durables entre l’ingénierie, l’analyse des données, l’économie, les sciences sociales et les politiques publiques. Son idée du « triangle » aide à comprendre cette ambition. Il ne s’agit pas d’ajouter une réflexion éthique ou sociale à la toute fin de la conception d’un système. Il s’agit de penser, dès le départ, les relations entre l’objet technique, les personnes qui y seront confrontées et les règles qui organisent son utilisation.

Cette logique transforme la manière de poser une question. Au lieu de demander seulement si un système est techniquement performant, on s’interroge aussi sur les effets de sa mise en circulation. Qui en bénéficie ? Qui risque d’être exclu ? Quels comportements pourrait-il encourager ? Quelles données produit-il et qui peut y accéder ? Une solution efficace sur le papier peut échouer si elle ignore les contraintes du terrain ou les inquiétudes légitimes des citoyens.

L’IDSS cherche donc à faire de l’interdisciplinarité une pratique durable, notamment dans la formation. Son programme doctoral comprend des cours fondamentaux aussi bien en sciences sociales qu’en théories mathématiques. L’objectif est de former des chercheurs capables de dialoguer avec plusieurs domaines, sans prétendre que toutes les expertises se confondent.

Ce que la pandémie de Covid-19 a révélé sur les systèmes complexes

La pandémie de Covid-19 a rendu cette interdépendance particulièrement visible. Une crise sanitaire ne relève pas de la seule biologie ou de la médecine. Elle implique des données sur la circulation d’un virus, mais aussi des décisions publiques, des conditions de travail, des habitudes sociales, des capacités hospitalières et des conséquences économiques.

Les mesures de confinement illustrent cette complexité. Elles ont été prises au nom de la santé publique, tout en ayant des effets immédiats sur les activités économiques, l’organisation familiale, l’éducation et les relations sociales. Évaluer une telle décision exige donc de regarder plusieurs indicateurs à la fois, puis de comprendre les arbitrages qu’ils révèlent. La donnée peut informer le débat, mais elle ne remplace pas le jugement politique ni la délibération collective.

Cette situation rappelle aussi l’importance du temps. En période de crise, les autorités et les organisations doivent agir alors que les informations sont incomplètes, évolutives et parfois difficiles à comparer. L’harmonisation des données peut aider à rendre les observations plus lisibles. Elle ne supprime toutefois ni l’incertitude ni les désaccords sur les priorités.

Le même raisonnement s’applique à la désinformation sur les réseaux sociaux, aux enjeux éthiques rencontrés par les plateformes d’e-commerce ou à la circulation de l’information lors d’une catastrophe. Dans chaque cas, un dispositif numérique produit des effets qui dépassent son fonctionnement technique : il influence les choix des utilisateurs, les pratiques économiques et la capacité des institutions à réagir.

Pourquoi l’éthique de l’IA ne peut pas être ajoutée après coup

L’intelligence artificielle concentre ces enjeux parce qu’elle est appelée à intervenir dans des décisions ou des situations où les conséquences peuvent être sensibles. Munther Dahleh insiste sur la nécessité d’intégrer les questions éthiques à la conception même des systèmes. Une IA ne se limite pas à un modèle informatique : elle traduit des objectifs, des priorités et des choix effectués par ses concepteurs ou ses opérateurs.

Le cas des véhicules autonomes rend ce problème concret. Dans des scénarios délicats, le comportement programmé d’un véhicule peut soulever des questions sur ce qui est juste ou acceptable. Dahleh relève un dilemme révélateur : de nombreux consommateurs estiment qu’un véhicule autonome devrait privilégier la vie d’un piéton innocent plutôt que celle de son conducteur, mais peu souhaitent acheter un véhicule susceptible de faire ce choix.

Cette tension ne désigne pas une simple contradiction individuelle. Elle montre la différence entre une préférence morale formulée de manière générale et une décision d’achat prise lorsque l’intérêt personnel est directement engagé. Elle souligne surtout qu’une règle de décision, même pensée comme juste, peut rencontrer une résistance qui compromet l’adoption de la technologie.

Penser l’éthique de l’IA impose donc de considérer plusieurs niveaux à la fois : la fiabilité du système, ses conditions d’utilisation, la compréhension qu’en ont les usagers, la responsabilité en cas de problème et les règles collectives qui encadrent son déploiement. Une réponse uniquement technique risque de manquer ce qui conditionne, dans la pratique, la confiance du public.

Des données utilisables exigent aussi une gouvernance claire

Pour relier des systèmes complexes, il ne suffit pas d’avoir des données abondantes. Il faut pouvoir les interpréter, les comparer et les utiliser dans un cadre clair. Cela suppose plusieurs formes de cohérence.

La première est technique : les outils doivent pouvoir échanger les informations nécessaires. La deuxième est sémantique : les personnes et organisations concernées doivent s’accorder sur le sens des données et sur les méthodes de mesure. La troisième est organisationnelle : il faut définir qui est responsable de la qualité des informations, qui peut y accéder et selon quelles règles. Enfin, une cohérence sociale est indispensable : les citoyens doivent pouvoir comprendre les finalités du système et savoir que leurs droits sont pris en compte.

Les difficultés sont nombreuses. Les institutions ne travaillent pas toujours avec les mêmes standards. Les systèmes existants peuvent être incompatibles. Les données personnelles imposent des précautions particulières. Et les habitudes de travail constituent parfois un frein aussi important que la technologie elle-même. Partager une information peut sembler utile à une organisation, mais devenir problématique si le but, les responsabilités ou les protections ne sont pas clairement définis.

Cette vigilance est particulièrement importante dans les outils d’IA. Un système peut analyser de grandes quantités d’informations, mais la qualité de son résultat dépend du contexte de ces données et de la façon dont ses recommandations sont utilisées. L’harmonisation doit donc servir l’intelligence collective, pas simplement accélérer l’automatisation.

Former des profils capables de relier les expertises

L’un des obstacles identifiés par Munther Dahleh tient au caractère souvent temporaire des projets interdisciplinaires. Une collaboration réussie sur une crise, un prototype ou une étude ne crée pas nécessairement une culture commune durable. Sans structures adaptées, chacun revient vite à ses méthodes, son vocabulaire et ses critères d’évaluation.

L’ambition de l’IDSS est de créer un environnement dans lequel les étudiants apprennent à aborder les systèmes de manière intégrée. Cela ne signifie pas qu’un spécialiste de mathématiques doit devenir expert en politiques publiques, ou qu’un chercheur en sciences sociales doit maîtriser chaque détail d’un algorithme. Il s’agit plutôt de savoir quelles questions poser aux autres disciplines, de reconnaître les limites de sa propre expertise et de construire un langage de travail partagé.

Cette capacité devient décisive lorsque les décisions concernent simultanément l’innovation, la régulation et la vie quotidienne. Dans un monde où les systèmes numériques façonnent de plus en plus de services, la coopération entre domaines ne doit pas être une exception réservée aux situations de crise. Elle doit devenir une manière plus régulière de concevoir les technologies et les politiques publiques.

Ce qu’il faut surveiller

En juin 2025, le message porté par cette approche systémique est clair : les grands enjeux liés aux données et à l’intelligence artificielle ne se résoudront pas par la seule sophistication des outils. Les solutions les plus robustes seront celles qui associent la performance technique à une compréhension des usages, des institutions et des conséquences collectives.

Il faudra donc observer la capacité des organisations à installer des collaborations de long terme, à clarifier la gouvernance des données et à associer les sciences sociales dès la conception des projets. La question n’est pas seulement de savoir si l’IA peut résoudre un problème. Elle est de déterminer quel problème elle cherche à résoudre, avec quelles données, pour qui, et sous quelles règles.

C’est à cette condition que l’harmonisation des données et des systèmes peut devenir autre chose qu’un chantier technique : un outil pour mieux délibérer, mieux anticiper les effets d’une décision et construire des réponses plus durables aux défis communs.