Cinquième et dernier article de la série « L’IA en 2026 ». La technique ne suffit pas — les enjeux sociétaux, éthiques et réglementaires sont au moins aussi importants pour un professionnel du numérique.

Les biais algorithmiques

Un modèle d’IA reproduit les biais présents dans ses données d’entraînement. Ce n’est pas un bug, c’est une propriété fondamentale de l’apprentissage statistique : si le monde est biaisé, le modèle le sera aussi.

Exemples documentés :

  • Les systèmes de recrutement automatisé qui défavorisent les CV féminins (Amazon, 2018)
  • Les systèmes de reconnaissance faciale moins précis sur les peaux sombres (étude Gender Shades, Buolamwini & Gebru, 2018)1
  • Les LLMs qui reproduisent des stéréotypes culturels et de genre

La mitigation des biais est un champ de recherche actif, mais il n’existe pas de solution universelle. Le premier pas : être conscient que le biais est la norme, pas l’exception.

L’explicabilité (XAI)

Un réseau de neurones profond avec des milliards de paramètres produit des résultats — mais ne peut pas expliquer pourquoi. C’est le problème de la boîte noire.

L’explicabilité est cruciale dans les domaines à fort enjeu : santé (pourquoi ce diagnostic ?), justice (pourquoi ce score de récidive ?), finance (pourquoi ce refus de crédit ?). Des techniques comme LIME, SHAP, et les cartes d’attention offrent des aperçus partiels, mais l’explicabilité complète reste un problème ouvert.

Pour les MMI
L'explicabilité n'est pas qu'un problème technique — c'est un problème de communication. Comment expliquer à un utilisateur non-technique qu'une IA a pris une décision qui l'affecte ? C'est un terrain où les compétences MMI (UX, design d'information, vulgarisation) sont directement pertinentes.

L’AI Act européen

Le règlement européen sur l’intelligence artificielle (AI Act), adopté en 2024, est le premier cadre réglementaire complet au monde. Il classe les systèmes d’IA par niveau de risque2 :

Risque inacceptable (interdit) — scoring social, manipulation subliminale, identification biométrique en temps réel dans l’espace public (sauf exceptions).

Risque élevé — recrutement, crédit, justice, santé, éducation. Obligations : évaluation de conformité, documentation, surveillance humaine, gestion des biais.

Risque limité — chatbots, deepfakes. Obligation de transparence : l’utilisateur doit savoir qu’il interagit avec une IA.

Risque minimal — la majorité des systèmes. Pas d’obligations spécifiques.

graph TD
    A["Tous les systèmes d'IA"] --> B["Risque minimal
Pas d'obligations"]
    A --> C["Risque limité
Transparence"]
    A --> D["Risque élevé
Conformité, audit, documentation"]
    A --> E["Risque inacceptable
Interdit"]
    class D alerte
    class C attention
    class E neutre
    class B ok

Impact sur l’emploi

Le débat « l’IA va-t-elle supprimer des emplois ? » est mal posé. L’IA va transformer des emplois — certaines tâches disparaîtront, d’autres apparaîtront, et la plupart seront augmentées.

Les métiers les plus exposés à court terme sont ceux qui combinent : routine, information structurée, et faible interaction physique. Les métiers les moins exposés combinent : créativité non-routinière, jugement contextuel, et interaction humaine complexe.

Pour les étudiants MMI, la question pertinente n’est pas « l’IA va-t-elle remplacer les développeurs web ? » mais « quelles compétences web restent pertinentes quand l’IA génère du code ? ». La réponse : l’architecture, le design, la stratégie, la communication — exactement les compétences que le programme MMI développe au-delà du code.

Vers où va-t-on ?

Quatre thèses pour conclure cette série :

1. L’IA restera étroite pendant longtemps. Les LLMs actuels sont impressionnants mais restent des systèmes de Type II (mémoire limitée). L’AGI, si elle arrive, est probablement à des décennies, pas à des années.

2. L’hybridation est la tendance de fond. Les systèmes les plus utiles combinent LLMs + recherche web + outils + contraintes logiques. Aucun paradigme seul ne suffit.

3. La régulation va structurer le marché. L’AI Act européen crée un cadre qui favorisera les acteurs capables de documenter, auditer et expliquer leurs systèmes. C’est un avantage compétitif pour l’Europe.

4. La littératie IA devient une compétence de base. Savoir utiliser, évaluer et communiquer sur l’IA n’est plus optionnel — c’est aussi fondamental que la littératie numérique l’était il y a quinze ans.

Le mot de la fin
L'IA n'est ni la solution à tout ni la menace existentielle que les médias alternent. C'est un ensemble d'outils puissants, avec des forces et des limites bien documentées, qui transforment profondément la manière dont nous travaillons, communiquons et prenons des décisions. Comprendre ces outils — leurs principes, leurs limites, leur contexte — est la meilleure défense contre le battage médiatique et la meilleure préparation pour les utiliser intelligemment.

Cet article conclut la série « L’IA en 2026 ». Les cinq articles couvrent : introduction et définitions, histoire, taxonomies, approches techniques, et enjeux.

Références

  1. Buolamwini, J. & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, 1–15. ↩︎

  2. Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle (règlement sur l’intelligence artificielle). Journal officiel de l’Union européenne. ↩︎