L’Institut Alan Turing veut remettre les sciences humaines au cœur de l’IA

L’intelligence artificielle est souvent présentée comme une affaire de performances : répondre plus vite, prédire plus justement, automatiser davantage. Mais une question précède ces promesses techniques : que comprend réellement un système lorsqu’il traite une situation humaine, marquée par des habitudes, des émotions, une histoire et un contexte social ? Pour des chercheurs associés à l’Institut Alan Turing, cette question doit devenir centrale dans la manière de concevoir l’IA.

Le projet Doing AI Differently, porté avec des chercheurs de l’Institut Alan Turing, de l’Université d’Édimbourg et de l’AHRC-UKRI, propose de déplacer le regard. Il ne s’agit pas de nier l’utilité des méthodes mathématiques ou de la puissance de calcul. L’ambition est plutôt de rappeler qu’une IA qui intervient dans la vie quotidienne produit aussi des effets culturels et sociaux. À ce titre, elle ne peut pas être pensée comme une technologie neutre, isolée de celles et ceux qui la conçoivent, l’entraînent et l’utilisent.

Pourquoi les sciences humaines comptent-elles pour l’intelligence artificielle ?

Les sciences humaines et sociales étudient les langues, les pratiques, les institutions, les représentations, les récits et les relations entre les personnes. Elles ne fournissent pas une recette unique pour fabriquer un logiciel. En revanche, elles aident à poser les bonnes questions : pour qui un outil est-il conçu ? Quel problème cherche-t-il réellement à résoudre ? Dans quel cadre sera-t-il utilisé ? Quelles conséquences peut-il avoir pour les personnes qui n’ont pas participé à sa conception ?

Cette approche est particulièrement importante lorsque l’IA traite du langage, des images ou des décisions qui affectent des individus. Les systèmes contemporains peuvent repérer des régularités dans de vastes ensembles de données et générer des contenus convaincants. Mais une réponse qui semble correcte sur le plan formel peut être maladroite, injuste ou inadaptée si elle ignore la situation dans laquelle elle est reçue.

Les chercheurs de Doing AI Differently invitent ainsi à voir les résultats d’une IA comme des produits culturels, comparables, dans leur nature sociale, à un roman ou à une œuvre d’art. Cette comparaison ne signifie pas qu’un modèle éprouve des intentions ou crée comme un auteur humain. Elle rappelle qu’un texte, une recommandation ou une décision automatisée circule dans une société : il véhicule des choix, des catégories et des manières de décrire le monde.

Produire du langage n’est pas interpréter une situation

Le point de départ du projet tient dans une distinction essentielle : un système peut générer une réponse pertinente en apparence sans disposer d’une compréhension significative du contexte. La publication d’origine résume cette limite par l’image d’une personne qui aurait mémorisé un dictionnaire, mais ne saurait pas converser.

Cette image permet de saisir ce qui se joue dans de nombreux usages. Connaître les mots, leurs associations fréquentes et leurs formes ne suffit pas toujours à comprendre une intention, une ironie, une inquiétude ou un non-dit. Or, dans la vie réelle, ces éléments changent le sens d’une phrase. Ils comptent aussi lorsque l’on doit prendre une décision, conseiller une personne ou traduire des données générales en action locale.

Le professeur Drew Hemment, spécialiste des technologies d’interprétation, met en avant ce manque de profondeur interprétative. Son constat ne revient pas à dire que les outils existants ne peuvent rien apporter. Il souligne plutôt une limite de conception : si l’on traite les êtres humains et leurs situations comme de simples variables à classer, l’outil risque de passer à côté de ce qui compte le plus.

Une approche interprétative demanderait donc de reconnaître qu’il peut exister plusieurs lectures légitimes d’un même fait. Dans certaines situations, la bonne réponse n’est pas nécessairement une réponse unique produite avec assurance. C’est parfois la capacité à expliciter une incertitude, à demander des précisions, à tenir compte d’un point de vue minoritaire ou à laisser la décision à une personne compétente.

Le risque d’une IA homogène

Le projet identifie un « problème d’homogénéisation ». L’idée est simple : si une grande partie des systèmes d’IA dans le monde repose sur des conceptions proches, sur des objectifs similaires et sur des catégories comparables, leurs défauts peuvent aussi se répéter à grande échelle.

Cette homogénéisation peut prendre plusieurs formes. Des outils différents peuvent privilégier les mêmes indicateurs de performance. Ils peuvent être bâtis avec des méthodes semblables. Ils peuvent aussi refléter des visions limitées de ce qui est utile, acceptable ou représentatif. Le résultat n’est pas seulement un manque d’originalité : ce sont des biais et des angles morts qui risquent de se diffuser d’un service à l’autre.

L’analogie proposée par les chercheurs est celle de boulangers utilisant tous la même recette. Chacun peut produire un pain techniquement réussi, mais la diversité des goûts, des besoins et des traditions disparaît. Pour l’IA, l’enjeu est plus profond que la variété des produits. Une uniformité excessive peut empêcher les systèmes de s’adapter à des communautés, à des langues, à des priorités locales ou à des situations inattendues.

Les réseaux sociaux comme avertissement

Pour défendre cette vigilance, l’équipe de Doing AI Differently s’appuie sur les conséquences imprévues des réseaux sociaux. Ces services ont souvent été développés autour d’objectifs apparemment simples, comme connecter les personnes, faciliter le partage ou accroître l’engagement. Pourtant, à mesure qu’ils ont pris une place centrale dans l’information et les relations sociales, leurs effets ont dépassé largement leur fonction initiale.

La leçon n’est pas que toute innovation technologique conduit inévitablement à des dommages. Elle est que les choix techniques, lorsqu’ils sont déployés à grande échelle, peuvent remodeler des comportements et des institutions. Il est donc risqué de considérer les impacts sociaux comme un sujet secondaire, à traiter uniquement une fois le produit disponible.

Dans le cas de l’IA, cette précaution est d’autant plus nécessaire que les systèmes peuvent être intégrés à des activités sensibles : accès à l’information, travail, services publics, éducation, santé ou gestion des risques. Les chercheurs appellent à construire des capacités interprétatives dès l’origine, plutôt que de tenter de corriger trop tard des outils déjà largement adoptés.

Qu’est-ce qu’une IA interprétative ?

L’IA interprétative est le nom donné à l’horizon proposé par le projet. Elle viserait des systèmes capables de travailler davantage à la manière dont les humains envisagent la réalité : en tenant compte des contextes, en acceptant l’ambiguïté et en considérant plusieurs points de vue plutôt qu’en imposant une lecture unique.

Il ne s’agit pas d’attribuer aux machines une conscience ou une expérience humaine. Le projet appelle à explorer de nouvelles architectures d’IA et de nouveaux modes de collaboration. L’objectif est de créer des ensembles humains-IA, dans lesquels les forces respectives seraient mieux articulées : la capacité des systèmes à traiter des volumes d’information importants, et la faculté humaine d’interpréter, de délibérer, de créer et d’assumer une responsabilité.

Cette distinction est cruciale. Une IA conçue comme un arbitre automatique tend à donner l’impression que son résultat est définitif. Une IA conçue comme un soutien à l’interprétation peut, au contraire, aider à mettre en lumière des informations, à formuler des hypothèses et à explorer des options, sans effacer le rôle des personnes concernées et des professionnels.

Santé et climat : deux terrains où le contexte est décisif

La santé illustre concrètement cette ambition. Une personne qui consulte un professionnel ne se résume pas à une liste de symptômes. Son expérience peut comprendre son histoire, ses conditions de vie, sa compréhension de la maladie, ses craintes et ses priorités. Le projet suggère qu’une IA interprétative pourrait aider à considérer l’expérience du patient comme une narration, et non uniquement comme un ensemble de données cliniques séparées.

La promesse n’est pas de remplacer la relation patient-médecin. Au contraire, l’intérêt d’une telle approche serait de soutenir des soins plus attentifs au parcours de la personne et de renforcer la confiance envers le système. Dans un domaine aussi sensible, la fiabilité ne dépend pas seulement de la précision technique : elle dépend également de la capacité à expliquer, à écouter et à respecter le contexte individuel.

L’action climatique constitue un autre terrain d’application évoqué par les chercheurs. Les données sur le climat sont souvent mondiales ou nationales. Les conséquences de la transition, elles, sont vécues localement. Une même mesure peut être comprise différemment selon les métiers, les territoires, les infrastructures ou les cultures. Une IA plus interprétative pourrait contribuer à relier les informations globales aux réalités des communautés, afin de mieux adapter les réponses aux situations concrètes.

Ces deux exemples ont un point commun : les données sont indispensables, mais elles ne suffisent pas à elles seules. Elles doivent être replacées dans un dialogue avec celles et ceux qui vivent les situations décrites.

Une coopération internationale et un enjeu de sécurité

Une initiative internationale doit réunir des chercheurs britanniques et canadiens autour de cette orientation. Cette collaboration traduit la volonté de faire de l’IA interprétative un champ de recherche partagé, à la croisée de l’informatique, des sciences humaines et des enjeux de société.

La question de la sécurité est également au centre du projet, notamment pour la Lloyd’s Register Foundation. Son directeur des technologies, Jan Przydatek, insiste sur l’objectif de systèmes futurs déployés de manière sûre et fiable. Dans cette perspective, la sécurité ne se limite pas à éviter une panne technique. Elle comprend aussi la question de savoir si un outil est digne de confiance, s’il peut être utilisé de manière responsable et s’il contribue réellement à répondre à des défis collectifs.

Penser la sécurité avec les sciences humaines revient donc à élargir le cadre. Un système peut fonctionner conformément à ses spécifications tout en produisant des effets problématiques s’il est mal adapté aux personnes, au lieu ou à l’institution qui l’utilise. La robustesse technique reste nécessaire, mais elle n’épuise pas la notion de fiabilité.

Ce qu’il faut surveiller

L’appel de l’Institut Alan Turing et de ses partenaires intervient à un moment où l’IA se diffuse rapidement dans de nombreux secteurs. Le défi sera de transformer cette ambition en méthodes concrètes de conception, d’évaluation et de déploiement. Comment intégrer des savoirs issus des sciences humaines sans les réduire à une étape consultative ? Comment faire place à des points de vue différents lorsqu’un produit doit être développé vite ? Comment évaluer la qualité d’une IA lorsqu’elle doit non seulement produire une réponse, mais aussi respecter l’ambiguïté d’une situation ?

La réponse ne résidera vraisemblablement pas dans un unique modèle ou une règle universelle. C’est précisément le sens du projet Doing AI Differently : sortir de l’idée qu’une solution identique peut convenir partout. L’avenir de l’IA se jouera aussi dans sa capacité à reconnaître ce qu’elle ne sait pas interpréter seule, à coopérer avec les humains et à préserver la diversité des expériences qu’elle prétend assister.