IA multilingue : le biais linguistique qui enferme les utilisateurs dans leur langue

Poser une question à une IA en français, en anglais, en hindi ou en arabe ne devrait pas conduire à habiter des réalités parallèles. Pourtant, la langue n’est pas seulement un moyen de formuler une demande : elle peut influencer les informations qu’un modèle de langage sélectionne pour répondre. C’est le constat préoccupant d’une équipe de l’université Johns Hopkins, qui met en lumière un nouveau visage de la fracture numérique : le fossé linguistique informationnel.

L’enjeu dépasse la qualité d’une traduction automatique. Lorsqu’un assistant tel que ChatGPT résume un conflit, décrit une personnalité politique ou répond à une question d’actualité, son choix d’informations peut orienter la compréhension de l’utilisateur. Si ce choix suit principalement la langue de la requête, l’outil risque de conforter les récits les plus disponibles dans cette langue, au lieu de donner accès à la pluralité des perspectives existantes.

Un fossé linguistique qui ne se limite pas à la traduction

Le numérique a longtemps été présenté comme un moyen de faire tomber les frontières linguistiques. En théorie, les outils d’intelligence artificielle multilingues pourraient faciliter l’accès d’un internaute à des connaissances publiées dans le monde entier. Dans la pratique, les données disponibles sont très inégalement réparties entre les langues.

L’anglais occupe une place centrale dans les contenus en ligne, la recherche académique et les jeux de données utilisés pour entraîner de nombreux modèles. D’autres grandes langues disposent elles aussi de vastes corpus numériques. À l’inverse, des langues moins présentes sur le Web, ou moins documentées sous forme numérisée, fournissent beaucoup moins de matière aux systèmes d’IA.

Ce déséquilibre est souvent qualifié de fossé linguistique numérique. Il concerne à la fois :

• la quantité d’informations accessibles dans une langue donnée ;
• la diversité des points de vue présents dans ces contenus ;
• la capacité des systèmes à comprendre précisément une question et ses références culturelles ;
• la possibilité, pour les internautes, de vérifier une réponse dans leur propre langue.

Les travaux de l’équipe dirigée par Nikhil Sharma ajoutent une dimension importante à ce diagnostic. Le problème n’est pas uniquement que certaines langues sont moins bien prises en charge. Même lorsqu’un modèle est capable de converser dans plusieurs langues, il peut privilégier les informations correspondant à celle utilisée par l’internaute.

Ce que les chercheurs de Johns Hopkins ont testé

Pour observer ce mécanisme, les chercheurs ont construit deux ensembles d’articles portant sur des sujets d’actualité. L’un contenait des informations présentées comme véridiques, l’autre développait des perspectives alternatives. Ils ont ensuite interrogé plusieurs grands modèles de langage, y compris des modèles proposés par OpenAI et Cohere, en faisant varier la langue des documents et celle des requêtes.

L’objectif n’était pas seulement de savoir si les IA savaient traduire les textes. Il s’agissait de déterminer quelles informations elles retenaient lorsqu’elles devaient répondre à partir de contenus présentant des lectures différentes d’un même sujet.

Le résultat mis en avant par l’équipe est clair : lorsque la question était posée dans une langue donnée, les modèles avaient tendance à privilégier les informations pertinentes rédigées dans cette même langue. Autrement dit, le modèle ne franchit pas spontanément les frontières linguistiques pour confronter les récits disponibles.

Cette observation ne signifie pas que chaque réponse produite par chaque assistant est erronée, ni que les entreprises concernées appliquent volontairement un filtre idéologique. Elle montre plutôt une préférence systématique qui peut avoir des effets concrets : à informations disponibles différentes selon les langues, réponses différentes selon la langue de départ.

Comment se forme un cocon informationnel linguistique ?

On parle habituellement de « bulle de filtres » lorsqu’une plateforme personnalise les contenus selon le profil, les clics ou les relations sociales d’un utilisateur. Le phénomène décrit ici est voisin, mais son point de départ est la langue. La requête devient une porte d’entrée qui ouvre plus facilement sur un univers informationnel particulier.

Dans les scénarios étudiés par les chercheurs, les conflits Israël-Gaza et Russie-Ukraine illustrent le problème. Ces événements donnent lieu à des récits profondément différents selon les pays, les médias, les acteurs politiques et les langues de publication. Si l’IA recherche ou retient avant tout les éléments associés à la langue de la question, elle peut restituer une vision cohérente dans cette langue, mais incomplète à l’échelle du débat international.

Le cas d’une personnalité politique indienne permet de comprendre l’effet plus concrètement. Imaginons qu’un article en anglais et un article en hindi offrent des présentations radicalement opposées de cette figure. Une question formulée en anglais conduirait le modèle à s’appuyer prioritairement sur les éléments anglophones. La réponse ne refléterait donc pas nécessairement le contraste entre les deux récits.

Le même mécanisme peut renforcer des lectures nationales d’une crise géopolitique. Sur l’affrontement entre l’Inde et la Chine, un utilisateur interrogeant l’IA en hindi pourrait recevoir davantage d’éléments associés à une perspective indienne. Un utilisateur écrivant en chinois pourrait, lui, être davantage exposé à une lecture sino-centrée. Un locuteur arabophone, si les contenus pertinents sont moins disponibles ou moins exploités dans cette langue, risque de dépendre davantage des récits dominants dans les données auxquelles le système accorde du poids.

Le danger ne tient pas seulement à la présence d’informations fausses. Une réponse peut être factuellement exacte et tout de même biaisée par omission, si elle laisse de côté des éléments essentiels, des sources contradictoires ou le contexte qui permettrait d’interpréter un événement.

Les langues peu dotées paient le prix le plus élevé

Toutes les langues ne sont pas touchées de la même façon. Une langue très utilisée peut déjà enfermer l’utilisateur dans un récit local ou national. Mais pour les langues dites « à faibles ressources », c’est-à-dire peu présentes dans les corpus numériques et les jeux de données, la difficulté est double.

D’une part, le modèle dispose de moins de textes pour comprendre finement la langue, ses variantes, ses expressions et son contexte culturel. D’autre part, si peu d’informations fiables existent en ligne dans cette langue sur un sujet complexe, le système peut se reposer presque exclusivement sur des contenus en anglais ou dans d’autres langues dominantes. La réponse reste alors formulée dans la langue de l’utilisateur, mais le regard qu’elle véhicule peut venir d’ailleurs et ne pas être signalé comme tel.

Les chercheurs évoquent notamment des langues comme le sanskrit pour illustrer le risque d’une représentation insuffisante des réalités politiques et culturelles propres à leurs locuteurs. Il serait toutefois réducteur de classer les langues en deux catégories fixes, « bien servies » ou « négligées ». Leur couverture varie selon les domaines : une langue peut être abondamment représentée pour la conversation quotidienne, mais manquer de sources diversifiées sur la politique, la science, le droit ou l’histoire locale.

Cette inégalité affecte aussi la possibilité de contester l’IA. Un anglophone peut souvent comparer une réponse à de nombreux médias, archives, institutions ou travaux disponibles dans sa langue. Pour un utilisateur qui ne lit qu’une langue peu dotée, le même travail de vérification peut être beaucoup plus difficile.

Un enjeu démocratique, pas seulement technique

L’accès à l’information conditionne la capacité à participer au débat public. Lorsqu’un outil conversationnel devient une porte d’entrée vers l’actualité et les connaissances, sa façon de présenter un sujet peut influencer les opinions, les décisions et la confiance accordée à certaines narrations.

Le risque est particulièrement élevé sur les conflits, les campagnes électorales, les tensions frontalières ou les sujets identitaires. Dans ces contextes, une réponse concise et assurée peut sembler plus crédible qu’elle ne l’est réellement. Or, si elle ne présente qu’un récit dominant dans la langue employée, elle peut renforcer une recherche d’informations confirmatoires : l’utilisateur obtient une réponse qui paraît valider ce qu’il connaît déjà, sans découvrir les points de désaccord.

Cette dynamique concentre aussi un pouvoir considérable entre les mains des organisations qui entraînent, règlent et diffusent les modèles. Comme le souligne Nikhil Sharma, une concentration excessive de la capacité d’influence sur l’information rend ces systèmes plus vulnérables à la manipulation. Il ne s’agit pas seulement d’empêcher la désinformation manifeste, mais de s’assurer que les outils n’installent pas silencieusement une hiérarchie entre les langues et les perspectives.

Quelles pistes pour réduire le biais linguistique ?

L’équipe de recherche appelle à une réponse qui combine conception technique et éducation aux médias. Elle envisage la création de référentiels dynamiques et de jeux de données capables de guider le développement de futurs modèles. L’idée est de ne plus évaluer un système uniquement sur sa capacité à produire une phrase correcte dans plusieurs langues, mais aussi sur sa faculté à restituer des points de vue variés et cohérents d’une langue à l’autre.

Plusieurs principes se dégagent de cette approche :

• enrichir les données avec des contenus issus de langues, de régions et de traditions médiatiques diverses ;
• tester les modèles sur des sujets où les récits divergent, et pas seulement sur des exercices de traduction ;
• mesurer les écarts entre les réponses obtenues pour une même question posée dans différentes langues ;
• avertir les utilisateurs lorsque leurs recherches semblent s’inscrire dans une logique de confirmation ;
• donner davantage de moyens aux communautés linguistiques concernées pour participer à la constitution des données et aux évaluations.

La diversité ne se résume pas au nombre de langues prises en charge dans une interface. Un assistant peut afficher des dizaines de langues tout en offrant, pour certaines d’entre elles, des réponses dépendantes d’un corpus étroit ou d’une vision importée depuis une autre langue. La qualité multilingue suppose donc de s’intéresser à l’origine, à l’équilibre et aux désaccords présents dans les informations mobilisées.

Comment garder un regard critique face à une réponse d’IA

Les utilisateurs n’ont pas à maîtriser le fonctionnement interne d’un modèle de langage pour adopter quelques réflexes utiles. Sur un sujet sensible, il est prudent de ne pas traiter la première réponse comme un verdict. Demander quels éléments manquent, quelles interprétations s’opposent ou si d’autres perspectives existent permet déjà de déplacer la conversation.

Lorsqu’on peut lire plusieurs langues, reformuler une même question dans une autre langue peut révéler des différences de cadrage. Cette méthode n’est pas parfaite : elle dépend des compétences linguistiques et ne garantit pas l’accès à toutes les sources. Mais elle rappelle qu’une réponse générée est une synthèse, pas une vue exhaustive du monde.

Il est aussi utile de distinguer deux situations. Certains assistants répondent à partir de connaissances intégrées lors de leur entraînement, d’autres peuvent s’appuyer sur des documents fournis ou sur des fonctions de recherche. Dans les deux cas, la langue de la demande et celle des informations accessibles peuvent peser sur le résultat. Une formulation fluide ne prouve ni l’exhaustivité, ni la neutralité de la sélection.

Ce qu’il faut surveiller dans le développement de l’IA multilingue

À mesure que les assistants conversationnels s’installent dans les moteurs de recherche, les services publics, l’éducation et les médias, la question linguistique deviendra un indicateur central de leur fiabilité. Les promesses d’un accès universel au savoir ne pourront être tenues que si les systèmes sont évalués sur leur capacité à ne pas réduire le monde à la langue de celui qui interroge.

Les futurs référentiels annoncés par les chercheurs devront aider à rendre ce biais visible, en comparant les réponses et les perspectives disponibles dans différentes langues. Il faudra également surveiller la place accordée aux communautés qui parlent les langues les moins représentées : elles ne peuvent pas être de simples utilisatrices finales d’outils conçus à partir de données extérieures à leur histoire et à leurs réalités.

En septembre 2025, le message de ces travaux est surtout un appel à la vigilance. Une IA qui parle de nombreuses langues n’est pas automatiquement une IA qui donne accès à de nombreux points de vue. La véritable inclusion ne se mesure pas au nombre de langues affichées dans un menu, mais à la possibilité, pour chacun, d’obtenir une information plus complète, contestable et pluraliste.