X teste des notes communautaires écrites par IA, sous le contrôle des contributeurs

Sur les réseaux sociaux, la vitesse de diffusion d’une affirmation trompeuse dépasse souvent celle des corrections. X veut tester une réponse hybride à ce problème : laisser des modèles d’intelligence artificielle rédiger des propositions de notes contextuelles, tout en réservant aux membres humains de Community Notes le pouvoir de décider si ces textes sont assez utiles pour être visibles. Le principe peut sembler simple, mais il touche au cœur d’un enjeu difficile : comment apporter du contexte à grande échelle sans automatiser abusivement le jugement sur la vérité.

Annoncé dans le cadre d’un programme pilote au début de juillet 2025, ce dispositif ne remplace donc pas les contributeurs. Il ajoute des rédacteurs d’un nouveau genre, des systèmes d’IA capables de produire du texte à partir d’une publication et d’informations disponibles. X mise sur leur rapidité, tandis que la communauté doit continuer à jouer le rôle de filtre. L’expérience illustre une tendance plus large : utiliser l’IA non comme arbitre final de l’information, mais comme outil d’assistance dans des processus où le désaccord, la vérification et la nuance comptent.

Community Notes, un système de contexte construit par les utilisateurs

Community Notes est le nom actuel d’un mécanisme de contextualisation participative mis en place sur Twitter, devenu X. Le projet a commencé en 2021 sous le nom de Birdwatch. Son idée est de permettre à des volontaires d’écrire de courtes notes sous certaines publications susceptibles d’être incomplètes, trompeuses ou sorties de leur contexte.

Une note peut par exemple rappeler la date d’une image ancienne présentée comme récente, signaler qu’un chiffre a été tronqué, préciser la source d’une statistique ou expliquer les limites d’une affirmation. Elle ne constitue pas, à elle seule, un label officiel de vérité. Son intérêt dépend de la qualité du contexte apporté, des sources mobilisées et de la capacité des évaluateurs à juger son utilité.

Le système se distingue d’une modération classique. Au lieu de retirer automatiquement une publication, il vise à afficher une information additionnelle sous celle-ci. Dans son fonctionnement habituel, les participants peuvent écrire des notes et évaluer celles proposées par d’autres contributeurs. L’objectif n’est pas seulement de recueillir l’avis le plus populaire, mais d’identifier les notes considérées comme utiles par des personnes aux points de vue différents.

Que change le programme pilote de X ?

Jusqu’ici, la rédaction des notes reposait exclusivement sur des humains. Le pilote introduit des modèles de langage, souvent désignés par l’acronyme anglais LLM, pour générer des notes susceptibles d’entrer dans le même circuit d’évaluation que les contributions humaines.

Un LLM est un programme entraîné sur de grandes quantités de texte afin de produire, résumer ou reformuler du langage. Face à une publication, il peut rédiger une explication structurée en quelques secondes. Cette aptitude est précisément ce que cherche à exploiter X : dans un flux mondial où un très grand nombre de messages peuvent nécessiter du contexte, des rédacteurs bénévoles ne peuvent pas examiner chaque cas.

Le changement le plus important tient toutefois à ce que l’IA ne décide pas elle-même de l’affichage. Une note générée automatiquement doit encore être examinée et jugée par des évaluateurs humains. En théorie, une note rapide mais imprécise, mal sourcée, trop péremptoire ou dépourvue de contexte devrait donc être écartée avant d’apparaître publiquement.

Cette précaution est essentielle. Une formulation fluide peut donner une impression de fiabilité sans être juste. Les modèles de langage sont capables de produire des erreurs plausibles, de simplifier abusivement un sujet complexe ou de sélectionner des informations qui ne répondent pas réellement à l’affirmation initiale. Dans un outil de contexte public, ces défauts ne sont pas anodins : une note erronée peut elle-même induire les lecteurs en erreur.

Pourquoi l’IA peut accélérer la production de contexte

L’intérêt avancé par les chercheurs de X est celui de l’échelle. Un modèle peut traiter et rédiger des propositions à une cadence inaccessible à des rédacteurs humains. Cela ne signifie pas qu’il vérifie automatiquement les faits avec certitude. Cela signifie qu’il peut aider à produire davantage de brouillons, que la communauté devra ensuite départager.

Ce gain de vitesse peut être utile dans plusieurs situations : lorsqu’une publication virale reprend une information ancienne, quand un contenu déforme une déclaration publique ou lorsqu’une même affirmation circule dans de multiples formulations. L’IA peut repérer des éléments récurrents, résumer le point de contexte attendu et proposer une structure de note. Les humains peuvent alors concentrer davantage d’efforts sur ce qui exige du discernement : la pertinence des sources, les ambiguïtés du message, la formulation et les conséquences d’un affichage public.

L’ambition ne consiste donc pas seulement à faire « plus » de notes. Elle consiste à rendre le système capable de couvrir un volume plus important de contenus tout en conservant une exigence qualitative. C’est là que se situe le principal défi : une accélération n’a de valeur que si les mécanismes de contrôle suivent le même rythme.

Le retour communautaire, un signal pour entraîner les modèles

Le programme prévoit un mécanisme de renforcement fondé sur le retour de la communauté, présenté comme un processus de RLCF, pour « reinforcement learning from community feedback ». L’idée générale est de prendre en compte les évaluations humaines afin d’orienter les futures productions du système.

Dans ce cadre, les notes que les évaluateurs jugent utiles fournissent un signal positif. À l’inverse, les propositions considérées comme inutiles, imprécises ou insuffisamment contextualisées signalent ce que le modèle devrait éviter. Cette logique rappelle le renforcement par retour humain, déjà employé pour améliorer le comportement de certains assistants conversationnels. La différence est que le retour attendu ici porte sur une tâche spécifique : produire une note publique, concise, pertinente et acceptable par une communauté d’évaluateurs.

L’approche présente un avantage : elle ne suppose pas que les concepteurs puissent, à eux seuls, anticiper toutes les formes de désinformation et tous les contextes pertinents. Les sujets changent rapidement, les formulations varient selon les pays et les lecteurs n’interprètent pas tous une publication de la même manière. Le retour communautaire peut, en principe, apporter une diversité de cas que des règles figées capteraient mal.

Mais il ne suffit pas d’accumuler des évaluations pour garantir la qualité. Le système doit aussi veiller à ce que le modèle ne se contente pas d’imiter des formulations standardisées ou de reproduire des biais présents dans les données et les retours reçus. Une note utile n’est pas nécessairement celle qui paraît la plus catégorique. Elle doit être claire, vérifiable, proportionnée à ce que l’on sait et adaptée au contenu auquel elle est associée.

Les risques : erreurs convaincantes et appauvrissement du débat

L’intégration de l’IA ne résout pas mécaniquement le problème de la désinformation. Elle peut même en déplacer certains risques. Le premier est celui de l’exactitude. Un modèle de langage peut inventer une référence, mélanger plusieurs événements ou rédiger une explication cohérente à partir d’une prémisse fausse. Si l’évaluation humaine devient trop rapide face à l’abondance de propositions, des erreurs pourraient passer entre les mailles du filet.

Le deuxième risque est celui de la nuance. Les contenus les plus difficiles à contextualiser ne sont pas toujours des mensonges faciles à réfuter. Ils peuvent mélanger une donnée correcte et une conclusion abusive, exploiter une ambiguïté juridique ou reposer sur une controverse scientifique en évolution. Dans ces situations, une bonne note doit souvent expliquer les limites d’une information plutôt que trancher de manière simpliste.

Un troisième enjeu concerne la diversité des voix. Si une part importante des propositions adopte les mêmes tournures, les mêmes raisonnements et les mêmes priorités, le résultat peut devenir uniforme. Or Community Notes repose précisément sur l’idée que des personnes d’horizons variés peuvent parvenir à reconnaître l’utilité d’un contexte commun. L’IA ne doit pas transformer cette recherche de convergence en une production de textes interchangeables.

Enfin, X devra éviter un effet de démobilisation. Les bénévoles continueront-ils à rédiger et évaluer avec la même attention si les notes automatiques deviennent très nombreuses ? À l’inverse, le gain de temps procuré par l’IA pourrait aussi permettre aux participants de se concentrer sur les cas difficiles. L’issue dépendra de la manière dont l’outil s’intègre au travail de la communauté et de la transparence accordée aux notes produites par une machine.

Vers des copilotes pour rédacteurs et évaluateurs

Les pistes évoquées vont au-delà de la rédaction entièrement automatique. X envisage notamment des copilotes capables d’aider les contributeurs humains dans leurs recherches et de les assister pour écrire davantage de notes. Une telle aide pourrait prendre la forme d’une synthèse des éléments à vérifier, d’une proposition de plan ou d’un rapprochement entre des contenus semblables.

Une assistance destinée aux évaluateurs est également envisagée. Elle pourrait les aider à examiner plus efficacement les notes proposées, sans se substituer à leur jugement. C’est un point crucial : l’évaluation d’une note implique de comprendre la publication d’origine, de contrôler le lien entre l’affirmation et le contexte ajouté, puis de déterminer si le texte est utile pour les lecteurs.

Le programme mentionne aussi la personnalisation de modèles de langage et l’adaptation de notes déjà validées à de nouveaux contextes. Cette dernière piste pourrait être efficace lorsqu’une même rumeur ressurgit régulièrement. Elle exigerait cependant de solides garde-fous : une note valide pour un événement précis ne reste pas nécessairement valable lorsque la date, le lieu, les personnes concernées ou les données ont changé.

Ce qu’il faut surveiller

Le pilote de X sera surtout jugé sur la qualité réelle des notes qui franchiront le filtre humain. Il faudra observer si elles apportent des sources et un contexte suffisamment précis, si les évaluateurs disposent du temps nécessaire pour les examiner et si l’augmentation du volume ne dégrade pas la fiabilité globale du système.

La transparence sera tout aussi déterminante. Les utilisateurs doivent pouvoir savoir qu’une note a été générée par une IA, comprendre qu’elle a été soumise à une évaluation humaine et conserver la possibilité de consulter les éléments de contexte qui la soutiennent. Sans ces repères, l’automatisation risquerait de renforcer une apparence d’autorité plutôt que la compréhension critique recherchée.

Plus largement, l’expérience de X pose une question appelée à concerner toutes les grandes plateformes : l’IA peut-elle rendre le contexte plus disponible sans concentrer excessivement le pouvoir éditorial dans des systèmes opaques ? Le choix de maintenir les humains dans la boucle est une réponse prudente. Reste à démontrer qu’elle peut fonctionner durablement lorsque la quantité de contenus et de propositions générées par des machines augmente.