DOGE : l’IA aurait scruté les messages d’employés fédéraux anti-Trump

L’intelligence artificielle promet d’aider les administrations à trier des documents, répondre à des demandes ou repérer des fraudes. Mais lorsqu’elle est mobilisée pour interpréter le ton de messages écrits par des agents publics, son usage prend une dimension nettement plus politique. Des informations publiées le 8 avril 2025 indiquent que l’initiative DOGE associée à Elon Musk aurait utilisé l’IA pour examiner des communications de fonctionnaires fédéraux américains et y repérer une hostilité à Donald Trump ou à son programme.

À ce stade, le conditionnel est essentiel. Les éléments rendus publics reposent sur des témoignages de personnes informées du dossier, et ne décrivent ni l’ensemble des outils employés, ni toutes les agences concernées, ni la manière exacte dont d’éventuels résultats auraient été exploités. Ils suffisent toutefois à éclairer un débat plus large : que se passe-t-il quand une administration utilise un logiciel non seulement pour rechercher des faits, mais aussi pour évaluer les opinions ou les intentions supposées de ses propres employés ?

Ce que les informations publiées permettent d’établir

Le dispositif évoqué concernerait les communications internes d’au moins une agence fédérale. L’outil d’IA aurait été utilisé pour rechercher des signes d’hostilité à l’égard du président Donald Trump et de son agenda. Il ne s’agirait donc pas seulement d’une recherche par mots-clés sur un sujet opérationnel précis, mais d’une tentative d’interprétation automatisée du contenu et de la tonalité de messages professionnels.

Cette distinction compte. Une administration peut avoir des raisons légitimes de rechercher dans ses systèmes des informations liées à une cyberattaque, à un dossier administratif ou à un risque de sécurité. Chercher à caractériser une disposition politique présumée chez des salariés de l’État relève d’une tout autre logique : celle de la surveillance des opinions.

Une précision est également nécessaire, car le sigle prête à confusion. Dans cette affaire, DOGE renvoie au Department of Government Efficiency, l’initiative de réorganisation et de réduction des dépenses de l’administration fédérale promue par Elon Musk. Il ne s’agit pas de Dogecoin, la cryptomonnaie dont le nom et le symbole sont également associés à DOGE.

Comment fonctionne une analyse de sentiment par IA ?

L’analyse de sentiment est une famille de techniques de traitement automatique du langage. Le principe est simple en apparence : un logiciel lit de très grandes quantités de texte et attribue à chaque passage une étiquette, par exemple « positif », « négatif », « neutre », ou parfois des catégories plus précises comme la colère, la crainte, l’approbation ou l’ironie.

Les systèmes les plus rudimentaires s’appuient sur des listes de mots. Un message contenant « scandaleux », « incompétent » ou « dangereux » peut ainsi être classé comme négatif. Les modèles d’IA plus récents tentent aussi de tenir compte du contexte de la phrase. Ils peuvent résumer des fils de discussion, extraire des thèmes récurrents et repérer des formulations proches les unes des autres.

Ces capacités ne transforment pas pour autant l’outil en détecteur d’opinions fiable. Une phrase critique peut porter sur une procédure, un calendrier ou une mesure administrative, sans exprimer une opposition politique. À l’inverse, une remarque très politique peut être formulée avec humour, sous-entendus ou références que le logiciel ne comprend pas.

Plusieurs difficultés sont structurelles :

• Le contexte manque souvent. Une phrase isolée ne dit pas toujours si son auteur approuve, conteste ou cite les propos de quelqu’un d’autre.
• L’ironie et l’humour déjouent les classifications. Les outils de langage confondent régulièrement une critique réelle et une plaisanterie.
• Les termes ambigus changent de sens selon le métier. Dans une administration, des mots comme « opposition », « risque » ou « blocage » peuvent décrire un travail courant.
• Une opinion politique ne se résume pas à une tonalité. Un message jugé négatif ne démontre ni une intention, ni une loyauté, ni une conviction personnelle.

L’enjeu devient particulièrement sensible si l’étiquette produite par l’algorithme sert ensuite à orienter une enquête, une évaluation professionnelle ou l’accès à une information. Le risque n’est pas seulement l’erreur technique. C’est aussi l’effet produit sur les agents qui savent, ou pensent savoir, que leurs propos peuvent être interprétés par une machine.

Pourquoi le cas des fonctionnaires fédéraux est-il si sensible ?

Les employés de l’État travaillent avec des outils et des données appartenant à leur administration. Cela ne signifie pas que leurs communications peuvent être examinées sans limite, ni qu’une appréciation automatique de leurs opinions serait sans conséquence. Les règles applicables varient selon les agences, la nature des systèmes utilisés, les missions concernées et les accords encadrant l’emploi public.

Dans tous les cas, une surveillance visant la loyauté politique présumée touche à un équilibre délicat. L’administration a besoin d’agents capables d’appliquer les décisions légalement prises par les responsables élus. Mais les fonctionnaires ne renoncent pas, pour autant, à toute vie privée ni à toute liberté de conscience en entrant dans le service public.

La perspective d’un examen automatisé des messages peut créer un effet d’autocensure. Un agent hésitera davantage à signaler une difficulté, à débattre d’une mesure ou à formuler une critique professionnelle s’il redoute que des termes négatifs soient interprétés comme une hostilité au pouvoir politique. Or les désaccords sur une décision, les alertes internes et les discussions de mise en œuvre font partie du fonctionnement normal d’une grande administration.

La question est aussi celle de la transparence. Pour évaluer la légitimité d’un système de ce type, il faudrait notamment connaître la base juridique invoquée, les catégories de messages analysées, les personnes qui ont accès aux résultats, les contrôles humains prévus et la possibilité, pour un agent, de contester une erreur. Sans ces garanties, une analyse de sentiment peut passer d’un outil présenté comme organisationnel à un mécanisme de suspicion généralisée.

Surveillance technique ou surveillance des opinions : une frontière décisive

Les administrations, comme les entreprises, utilisent déjà des outils de supervision informatique. Ils peuvent détecter un accès non autorisé, un téléchargement inhabituel, l’envoi d’un fichier sensible ou un comportement susceptible de révéler une attaque. Ces usages reposent en principe sur une menace ou une règle de sécurité identifiable.

L’analyse d’une opinion politique supposée est d’une nature différente. Le logiciel ne vérifie plus seulement un événement observable, comme une connexion inhabituelle. Il tente d’attribuer un sens psychologique ou idéologique à des phrases. La marge d’interprétation est alors bien plus large, et les conséquences possibles pour une personne beaucoup plus difficiles à anticiper.

Quels garde-fous seraient nécessaires ?

Aucune technologie d’analyse du langage n’est neutre par elle-même. Tout dépend des données sélectionnées, des mots ou comportements recherchés, des personnes chargées de relire les résultats et de l’usage final fait des alertes. Un outil peut accélérer la recherche dans des milliers de documents. Il peut aussi multiplier les faux positifs et donner une apparence d’objectivité à une décision subjective.

Dans le cas d’un outil susceptible d’examiner les communications de salariés, plusieurs garanties sont généralement déterminantes :

• une finalité précise, écrite et limitée, plutôt qu’une recherche vague de comportements indésirables ;
• une information claire des personnes concernées sur les données analysées et les règles de conservation ;
• une vérification humaine systématique avant toute conséquence individuelle ;
• des audits indépendants sur les erreurs, les biais et la sécurité des données ;
• un mécanisme permettant de comprendre et de contester un classement contesté.

Ces principes ne règlent pas tout. Même un système transparent peut être disproportionné si son objectif consiste à cartographier les opinions politiques d’une population d’agents. Mais leur absence rend le risque encore plus élevé, car l’agent concerné ne sait ni ce qui est observé, ni sur quels critères, ni comment se défendre face à une interprétation erronée.

L’IA, un outil de productivité devenu enjeu de pouvoir

L’affaire illustre une évolution plus générale. Les outils génératifs et d’analyse de données sont désormais capables de parcourir en quelques instants des volumes de texte qu’aucune équipe humaine ne pourrait lire intégralement. Cette puissance peut être utile à l’État pour simplifier des démarches, détecter des doublons dans des contrats ou mieux organiser des archives.

Elle abaisse également le coût de la surveillance. Ce qui nécessitait autrefois des heures de lecture et une justification précise peut être lancé à grande échelle, avec des catégories produites automatiquement. La facilité technique risque alors de faire oublier les questions préalables : faut-il mener cette analyse ? Est-elle proportionnée ? Qui en supportera les erreurs ?

Le débat ne porte donc pas uniquement sur Elon Musk, DOGE ou l’administration Trump. Il concerne toute organisation disposant de messageries, de bases documentaires et d’outils d’IA. Dans une entreprise, une université, une collectivité ou un service public, la tentation existe de transformer les échanges internes en données exploitables pour mesurer l’engagement, prévenir les conflits ou détecter des critiques.

Or le passage d’une analyse agrégée, conçue pour comprendre un climat général, à l’identification de personnes est crucial. Un baromètre anonyme ne produit pas les mêmes effets qu’un outil qui relie une opinion présumée à un nom, une adresse professionnelle ou un dossier individuel.

Ce qu’il faut surveiller dans les prochaines étapes

Au 9 avril 2025, les zones d’ombre restent nombreuses. La première question sera de savoir si les administrations concernées préciseront l’existence du dispositif, son périmètre et ses objectifs. Il faudra aussi établir si l’IA sert uniquement à rechercher des messages, à les classer selon une tonalité, ou à produire des listes d’agents présentés comme hostiles.

Le niveau d’intervention humaine sera tout aussi déterminant. Un responsable qui examine manuellement un document dans le cadre d’une procédure établie n’agit pas dans les mêmes conditions qu’un système qui étiquette automatiquement des milliers de messages. La possibilité de recours, la conservation des données et les éventuelles conséquences professionnelles devront également être clarifiées.

Enfin, ce dossier met à l’épreuve une idée souvent avancée pour justifier l’IA dans le secteur public : l’automatisation rendrait les décisions plus efficaces et plus objectives. L’efficacité ne dispense pas de rendre des comptes. Lorsqu’un algorithme s’approche des opinions, de la parole et de la confiance au travail, la question n’est pas seulement de savoir ce qu’il peut techniquement faire, mais ce qu’une démocratie doit accepter qu’il fasse.