Accueil
Accueil
Envoyer à un ami
Version imprimable
Partager
Source : Outiller un dispositif de veille avec l’IAG sur les politiques linguistiques : retour d’expérience
Une expérimentation menée au sein du ministère de la Culture, « regards croisés » de la mission
de la politique documentaire (MPDOC) et de la Délégation générale à la langue française et aux
langues de France (DGLFLF)
Plus on dialogue, plus la fiabilité s’érode
C’est l’un des paradoxes les plus déroutants de l’expérimentation conduite pendant six mois par la DGLFLF et la MPDOC : converser longuement avec une IA ne la rend pas nécessairement meilleure.
À mesure que le dialogue s’allonge, les informations accumulées peuvent devenir du bruit. Les réponses précédentes contaminent les suivantes, le contexte se charge, les approximations s’empilent. L’image confortable de « l’assistant qui apprend » se fissure. Pour la veille institutionnelle, la conséquence est immédiate. La conversation continue, présentée comme naturelle et intuitive, peut devenir un piège. La fiabilité suppose au contraire une véritable hygiène cognitive : repartir régulièrement d’un fil vierge, isoler les requêtes, réduire les ambiguïtés et contrôler les résultats. L’IA ne simplifie donc pas seulement le travail. Elle oblige à le repenser.
À mesure que le dialogue s’allonge, les informations accumulées peuvent devenir du bruit. Les réponses précédentes contaminent les suivantes, le contexte se charge, les approximations s’empilent. L’image confortable de « l’assistant qui apprend » se fissure. Pour la veille institutionnelle, la conséquence est immédiate. La conversation continue, présentée comme naturelle et intuitive, peut devenir un piège. La fiabilité suppose au contraire une véritable hygiène cognitive : repartir régulièrement d’un fil vierge, isoler les requêtes, réduire les ambiguïtés et contrôler les résultats. L’IA ne simplifie donc pas seulement le travail. Elle oblige à le repenser.
Quand la Francophonie avale la France
Deuxième étonnement : les frontières administratives sont beaucoup moins évidentes pour la machine qu’elles ne le sont pour l’analyste.
Lorsqu’on lui demande de travailler sur la France, l’IA peut élargir spontanément son périmètre à l’espace francophone. Des acteurs québécois ou africains surgissent alors dans une veille censée rester nationale. Langue, territoire et souveraineté se mélangent. Le problème devient plus sensible lorsque la visibilité numérique prend le dessus sur la pertinence stratégique.
Selon l’expérimentation, des acteurs français comme Hugging Face, Pleias ou Kyutai peuvent être négligés tandis que remontent des organisations beaucoup plus marginales, mais mieux exposées dans les données accessibles à l’outil. Sur certaines thématiques, le constat est sévère : seuls quatre ou cinq laboratoires du CNRS sont identifiés sur une trentaine d’acteurs en France, soit une couverture de l’ordre de 15 %. L’IA donne alors une représentation du territoire qui ressemble moins à une cartographie stratégique qu’au reflet de sa visibilité numérique. Et cette différence change tout.
Ce qui est peu visible risque de devenir peu découvrable, puis progressivement absent de la représentation construite par la machine.
Lorsqu’on lui demande de travailler sur la France, l’IA peut élargir spontanément son périmètre à l’espace francophone. Des acteurs québécois ou africains surgissent alors dans une veille censée rester nationale. Langue, territoire et souveraineté se mélangent. Le problème devient plus sensible lorsque la visibilité numérique prend le dessus sur la pertinence stratégique.
Selon l’expérimentation, des acteurs français comme Hugging Face, Pleias ou Kyutai peuvent être négligés tandis que remontent des organisations beaucoup plus marginales, mais mieux exposées dans les données accessibles à l’outil. Sur certaines thématiques, le constat est sévère : seuls quatre ou cinq laboratoires du CNRS sont identifiés sur une trentaine d’acteurs en France, soit une couverture de l’ordre de 15 %. L’IA donne alors une représentation du territoire qui ressemble moins à une cartographie stratégique qu’au reflet de sa visibilité numérique. Et cette différence change tout.
Ce qui est peu visible risque de devenir peu découvrable, puis progressivement absent de la représentation construite par la machine.
Le piège du « sois exhaustif »
O,pourrait croire qu’il suffit d’exiger davantage. C’est parfois exactement l’inverse. Demander à l’IA d’être exhaustive peut la pousser à combler artificiellement les zones vides. Une URL inexistante apparaît, un partenariat devient plausible, un laboratoire prend forme. La machine ne sait pas, mais elle produit malgré tout une réponse cohérente.
C’est toute l’ambiguïté de l’IA générative : elle excelle dans la vraisemblance alors que l’administration travaille sur la preuve. « L’IAG n’est pas en mesure de distinguer le vrai et le faux compte tenu de son mode de fonctionnement qui repose sur des calculs probabilistes », rappelle le rapport parlementaire cité dans l’étude. Dès lors, la bonne requête n’est plus celle qui exige le maximum. C’est celle qui définit précisément le périmètre et accepte explicitement l’absence de réponse.
C’est toute l’ambiguïté de l’IA générative : elle excelle dans la vraisemblance alors que l’administration travaille sur la preuve. « L’IAG n’est pas en mesure de distinguer le vrai et le faux compte tenu de son mode de fonctionnement qui repose sur des calculs probabilistes », rappelle le rapport parlementaire cité dans l’étude. Dès lors, la bonne requête n’est plus celle qui exige le maximum. C’est celle qui définit précisément le périmètre et accepte explicitement l’absence de réponse.
L’humain change de place, il ne disparaît pas
L’expérimentation ne condamne pourtant pas l’outil. Sur des sujets bien documentés, comme la féminisation de la langue, une requête peut produire une dizaine de sources valides et accélérer considérablement le premier défrichage.
Mais il faut savoir ce que l’on achète : de la vitesse, pas automatiquement de l’expertise. « L’IAG n’est pas un substitut à l’expertise humaine, mais un amplificateur de capacités », résume l’équipe DGLFLF/MPDOC.
Le métier du veilleur se déplace ainsi vers l’arbitrage. Moins de temps consacré à la collecte brute, davantage à la qualification des sources, à la détection des absences, au contrôle des biais et à la validation finale. L’humain n’est plus seulement celui qui cherche. Il devient celui qui sait pourquoi il faut douter.
Mais il faut savoir ce que l’on achète : de la vitesse, pas automatiquement de l’expertise. « L’IAG n’est pas un substitut à l’expertise humaine, mais un amplificateur de capacités », résume l’équipe DGLFLF/MPDOC.
Le métier du veilleur se déplace ainsi vers l’arbitrage. Moins de temps consacré à la collecte brute, davantage à la qualification des sources, à la détection des absences, au contrôle des biais et à la validation finale. L’humain n’est plus seulement celui qui cherche. Il devient celui qui sait pourquoi il faut douter.
Des prompts aux corpus souverains
Cette mutation ouvre une bataille moins spectaculaire que la course aux modèles, mais probablement déterminante : celle des corpus, des requêtes et des méthodes.
Les dispositifs RAG, qui permettent d’appuyer la génération sur un ensemble documentaire défini, dessinent une piste particulièrement intéressante pour l’action publique. Alimenter des systèmes avec des rapports parlementaires, des textes institutionnels et des corpus validés permettrait de replacer l’IA dans un environnement documentaire choisi plutôt que de dépendre exclusivement de représentations façonnées à l’échelle mondiale.
Dans cette logique, les bibliothèques de prompts cessent également d’être de simples astuces techniques. Elles deviennent des actifs immatériels. Une requête testée, documentée et validée constitue un protocole réutilisable entre services. La souveraineté numérique se niche aussi là : dans la capacité à choisir les sources, imposer les périmètres, nommer précisément les objets et préserver ses propres cadres d’analyse.
Car l’enseignement le plus politique de ces six mois tient peut-être en une phrase : avec l’IA générative, maîtriser le langage ne devient pas moins important. Cela devient une condition de maîtrise de la machine.
Les dispositifs RAG, qui permettent d’appuyer la génération sur un ensemble documentaire défini, dessinent une piste particulièrement intéressante pour l’action publique. Alimenter des systèmes avec des rapports parlementaires, des textes institutionnels et des corpus validés permettrait de replacer l’IA dans un environnement documentaire choisi plutôt que de dépendre exclusivement de représentations façonnées à l’échelle mondiale.
Dans cette logique, les bibliothèques de prompts cessent également d’être de simples astuces techniques. Elles deviennent des actifs immatériels. Une requête testée, documentée et validée constitue un protocole réutilisable entre services. La souveraineté numérique se niche aussi là : dans la capacité à choisir les sources, imposer les périmètres, nommer précisément les objets et préserver ses propres cadres d’analyse.
Car l’enseignement le plus politique de ces six mois tient peut-être en une phrase : avec l’IA générative, maîtriser le langage ne devient pas moins important. Cela devient une condition de maîtrise de la machine.
Keywords
#ArtificialIntelligence #GenerativeAI #DigitalSovereignty #LanguagePolicy #CompetitiveIntelligence #StrategicIntelligence #InformationSovereignty #Francophonie #PromptEngineering #PublicSectorTransformation