<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Korovamode on Medium]]></title>
        <description><![CDATA[Stories by Korovamode on Medium]]></description>
        <link>https://medium.com/@korovamode?source=rss-588d945aa27e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*-0J3LuKnM3iFVq54RdQKOw.png</url>
            <title>Stories by Korovamode on Medium</title>
            <link>https://medium.com/@korovamode?source=rss-588d945aa27e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 20:46:10 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@korovamode/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Derrière la réponse : comment le branding est semé dans les réponses de l’IA générative]]></title>
            <link>https://medium.com/@korovamode/derri%C3%A8re-la-r%C3%A9ponse-comment-le-branding-est-sem%C3%A9-dans-les-r%C3%A9ponses-de-lia-g%C3%A9n%C3%A9rative-6a96ee8d1170?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/6a96ee8d1170</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[propaganda]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Sat, 31 Jan 2026 02:49:00 GMT</pubDate>
            <atom:updated>2026-01-31T02:49:00.126Z</atom:updated>
            <content:encoded><![CDATA[<h3>Derrière la réponse : comment le branding est semé dans les réponses de l’IA générative</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hYSKpI1ZSBhMjs2sbsmPkQ.png" /></figure><p>L’IA générative fait bien plus que fournir des réponses. Elle est devenue un endroit où l’on pose des questions sur presque tout : l’actualité, la santé, l’argent ou les relations. Dans ces échanges, elle façonne la manière dont les personnes passent d’une question à une conclusion et quelles réponses sont envisagées. Elle a tendance à faire remonter certains détails, à mettre en avant certains arbitrages, et à en laisser d’autres de côté. Lorsque les grands modèles de langage (LLM) sont intégrés aux outils de recherche et d’assistance, ils deviennent une porte d’entrée courante vers l’information. Cette <em>assistance</em> devient une partie du système de fond sur lequel les gens s’appuient pour réfléchir et prendre des décisions.</p><p>Ce système de fond repose sur des <em>paramètres par défaut</em>. Il a tendance à expliquer les choses de manière familière et à revenir à des catégories familières lorsqu’il résume une situation. Il traite aussi certaines sources comme plus crédibles que d’autres, qu’il s’agisse de consulter un article d’actualité, de demander un conseil sur un conflit au travail ou de tenter de comprendre un choix personnel. Ces tendances peuvent être influencées bien avant qu’un utilisateur ne voie la moindre réponse. En pratique, cela signifie que le système n’affecte pas seulement les réponses qui apparaissent, mais aussi les options qui sont disponibles au départ.</p><p>Il est utile de disposer d’une carte simple des endroits où ce façonnage se produit, à travers tous les usages des LLM : conversation personnelle, recherche et outils de travail. Une façon utile de situer où cette mise en forme intervient est une architecture d’influence en trois parties.[1] Elle décrit trois principaux lieux de pilotage. La couche de données correspond à ce dont le modèle apprend et à ce qu’il est prêt à dire. La couche d’interface concerne la manière dont le produit récupère l’information, la met en forme et la présente comme fondée. La couche d’intimité décrit la façon dont l’usage répété et la dépendance transforment ces cadrages en habitudes.</p><p>Dans ce cadre, le terme politique familier est la fabrication du consentement : le façonnage de ce qui paraît raisonnable avant même qu’un argument explicite ne commence.[2]</p><h3>Couche de données : façonner ce que le modèle apprend et répète</h3><p>La couche de données est ce que le modèle d’IA absorbe avant de parler. Il est entraîné et hiérarchisé sur des textes qui lui apprennent quoi répéter. Ce processus détermine quels motifs linguistiques lui paraissent fluides et immédiatement disponibles. Il produit une sorte de champ de probabilité dans le comportement du modèle : un biais en faveur de certaines tournures et de certains cadrages. Certaines manières de parler d’un sujet deviennent la norme ; d’autres n’apparaissent presque jamais, sauf si on les force.</p><p>Un nom visible pour ce phénomène est generative engine optimization (GEO). La GEO vise à augmenter la probabilité qu’une source, une tournure ou un cadrage apparaisse dans les réponses générées par l’IA. Le classement traditionnel des résultats de recherche reste important, mais la cible se déplace vers la composition même de la réponse.[3]</p><p>Vu sous l’angle de la persuasion, la GEO devient un ensemencement de la couche de données. Elle façonne l’environnement textuel public et semi-public de manière à ce que certains récits soient faciles à reproduire. Les récits concurrents deviennent plus difficiles d’accès et plus faciles à omettre. Les effets apparaissent lorsqu’une personne pose une question ordinaire — « Cette entreprise est-elle digne de confiance ? », « Cette option est-elle sûre ? », « Quelle est une manière raisonnable de penser ce problème ? » — et que l’assistant puise d’abord dans les récits qui ont été le plus fortement semés.</p><p>Dans cet environnement, quelques motifs simples comptent surtout. La répétition fait de certaines tournures les continuations les plus faciles, de sorte qu’elles deviennent la manière par défaut dont le système parle d’un sujet. L’association — ce qui apparaît ensemble dans les textes — relie les termes de façon qu’un nom puisse entraîner derrière lui un cadrage évaluatif familier. La rareté affaiblit les alternatives en limitant la matière disponible pour les représenter. Avec le temps, ces dynamiques font que certaines façons de parler d’un sujet finissent par sembler constituer le point de référence.</p><p>Cette même couche peut aussi être manipulée plus directement. Dans un contexte de LLM, une tactique plus adversariale est le data poisoning : la corruption ciblée des données d’entraînement ou de recherche afin de biaiser le comportement du modèle. Des travaux récents suggèrent que même des modèles très grands peuvent présenter des effets ciblés à partir d’un petit nombre d’exemples empoisonnés.[4] En pratique, à la fois l’ensemencement large et des empoisonnements plus chirurgicaux influencent ce que le modèle trouve le plus facile à dire.</p><p>Vu sous cet angle, la fabrication du consentement fonctionne comme une contrainte sur l’espace des continuations plausibles. <em>Ce qui est facile à dire devient ce qu’il est facile de penser.</em> Des publications coordonnées, la gestion de la réputation et des attaques plus ouvertes sur les données du modèle, lorsqu’elles sont ajustées aux canaux qui alimentent le modèle, peuvent ancrer la manière dont les assistants décriront ensuite une organisation, un produit ou une politique. Un assistant qui paraît neutre hérite alors de ces catégories comme d’hypothèses de fond sur ce qu’est un jugement raisonnable.</p><h3>Couche d’interface : transformer une visibilité ensemencée en légitimité apparente</h3><p>La couche d’interface est l’endroit où les modèles deviennent des produits et des outils du quotidien. Elle fixe les politiques et les instructions système qui régissent leur comportement. Elle contrôle ce qui est récupéré, comment les résultats sont classés et si certains contenus sont cités directement. Dans les assistants de type conversationnel, elle modèle aussi les suggestions et les questions de suivi, et décide quand proposer un contexte supplémentaire. La mise en forme et les précautions de langage se situent ici, tout comme la personnalisation. Cette couche gouverne ce qui est exprimé et ce qui est laissé de côté.</p><p>Un élément central de cette couche est la génération augmentée par récupération (retrieval-augmented generation, RAG) : des systèmes qui consultent des documents externes puis demandent au LLM de rédiger une réponse à partir de ceux-ci.[5] La RAG peut améliorer la factualité et la traçabilité lorsque le corpus de documents est bien choisi et bien entretenu. Elle concentre aussi le pouvoir dans la sélection et le classement : l’assistant fonde ses réponses sur les sources et les règles d’ordonnancement choisies par l’organisation.</p><p>Lorsque cette configuration de récupération a été façonnée par un ensemencement de type GEO, l’interface peut transformer la simple disponibilité en légitimité apparente. La réponse arrive sous une forme fluide et sourcée. Elle se lit comme « ce que disent les documents ». En pratique, elle reflète les paramètres appris par le modèle, ainsi que les documents que la récupération tend à faire remonter et la logique de classement utilisée pour les sélectionner et les ordonner.</p><p>À la couche d’interface, la persuasion opère par la présentation. Les gabarits de requête et les instructions système, associés à des schémas de mise en forme récurrents, influencent les angles qui apparaissent en premier et la façon dont ils sont cadrés. Les choix de sources et de style de résumé, ainsi que la décision de répéter certains points, font qu’un chemin particulier à travers un problème semble être le plus évident.</p><p>La recherche sur l’interaction humain–IA considère ces décisions d’interface — ce que le système révèle et la manière dont il gère l’incertitude — comme des déterminants majeurs du comportement des utilisateurs et de leur degré de confiance.[6] Pour l’architecture d’influence, le point clé est simple. Les interfaces stabilisent les paramètres par défaut. Elles fixent la forme des réponses courantes à ce que les gens demandent ce jour-là, et rendent certains cadrages bien plus visibles que d’autres.</p><h3>Couche d’intimité : transformer des cadrages ensemencés en habitudes</h3><p>La couche d’intimité correspond à la surface relationnelle entre les personnes et l’assistant. À ce niveau, les systèmes fondés sur des LLM deviennent des partenaires habituels pour la rédaction et l’aide à la décision. Ils deviennent aussi un lieu permanent où poser des questions quotidiennes : « Comment formuler ce message ? » ou « Est-ce une bonne idée ? ». Le mécanisme est cumulatif. Il fonctionne par la répétition et la dépendance.</p><p>Un facteur qui alimente ce schéma est la décharge cognitive (<em>cognitive offloading</em>). Les utilisateurs délèguent les tâches textuelles routinières comme la rédaction et le résumé. Ils délèguent aussi une partie du jugement quotidien : des vérifications rapides de ce qui est normal ou risqué, et de ce qui constitue une réponse raisonnable. Cette décharge réduit l’effort et standardise le jugement. Les catégories de l’assistant deviennent la structure par défaut du problème.</p><p>Un second facteur est la confiance dans l’automatisation (<em>automation trust</em>). La dépendance tend à augmenter lorsque les systèmes sont fluides et faciles à utiliser. La lisibilité sociale compte aussi, en particulier lorsqu’il est irréaliste de comprendre pleinement le système sous-jacent.[7] Les travaux classiques sur ELIZA et les discussions ultérieures sur « l’effet ELIZA » décrivent une tendance à attribuer de la compréhension ou de l’intelligence à des systèmes qui produisent un comportement conversationnel plausible.[8] Les assistants modernes prolongent ce schéma avec une ampleur et une compétence apparente beaucoup plus grandes.</p><p>L’ensemencement devient durable lorsqu’il rencontre l’habitude. Un cadrage semé en amont peut être appris puis exprimé dans des réponses tirées de documents. L’usage répété transforme ce cadrage en chemin de moindre résistance pour expliquer et se décrire. À ce niveau, l’influence est absorbée comme une routine. Les catégories de l’assistant deviennent le langage ordinaire pour décrire des situations et justifier des choix, y compris la manière dont les gens parlent du risque, même lorsqu’ils pensent qu’ils « posent juste une petite question ».</p><p>Le terme « manipulation » est un nom raisonnable pour ce processus lorsque les paramètres par défaut sont façonnés de manière à produire des résultats que les utilisateurs n’approuveraient pas en pleine connaissance de cause. « Lavage de cerveau » est plus fort et implique généralement la coercition, l’isolement et un contrôle strict des alternatives. Le mécanisme décrit ici est plus doux. Il agit comme un façonnage ambiant de la plausibilité et de l’habitude, dans des conditions de commodité et d’attention partielle. Il se rapproche d’une forme de réforme de la pensée seulement dans des cas extrêmes, par la répétition et la dépendance dans des environnements d’information contraints.[9]</p><h3>Effets composés entre les couches : une machinerie discrète de persuasion</h3><p>Les semailles les plus lourdes de conséquences ont lieu lorsque les couches se combinent. La couche de données façonne ce que le modèle trouve facile à dire. La couche d’interface sélectionne ces cadrages et les emballe comme des réponses fondées et raisonnables. La couche d’intimité les transforme en points de départ habituels de la réflexion. Ensemble, elles fonctionnent comme une architecture d’influence : un empilement de paramètres par défaut qui oriente discrètement la manière dont les problèmes sont compris.</p><p>Dans cette configuration, ces mécanismes forment une machinerie discrète de persuasion. L’influence ne se présente pas sous la forme d’un message unique et frappant. Elle apparaît comme une aide sans friction : la réponse qui semble normale et le réconfort qui paraît digne de confiance. Les choix en amont concernant l’ensemencement et la maintenance des données — et, sous des formes plus adversariales, le data poisoning ou l’exploitation des vides de données — règlent les cadrages qui ont le plus de chances d’apparaître.[10][4]</p><p>Le branding est une application visible de cette dynamique. Le travail sur la réputation et la discipline des messages peuvent désormais viser les données et les interfaces qui alimentent les assistants, de sorte que « l’aide neutre » hérite d’une manière particulière de parler d’une organisation, d’un produit ou d’une politique. La même architecture peut être utilisée par des institutions et des acteurs politiques. Dans tous ces contextes, le schéma est continu : façonner ce qu’il est le plus facile de dire, et donc ce qu’il est le plus facile de penser et de faire.</p><p>#korovamode</p><h3>Notes de fin</h3><p>[1] K. Korovamode, « The New Machinery of Persuasion: Generative AI, Influence Architecture, and the Quiet Steering of Thought », manuscrit (2025). DOI : 10.5281/zenodo.17721122. PhilPapers : <a href="https://philpapers.org/rec/KTNMIV">https://philpapers.org/rec/KTNMIV</a></p><p>[2] E. S. Herman et N. Chomsky, <em>Manufacturing Consent: The Political Economy of the Mass Media</em> (1988).</p><p>[3] P. Aggarwal et al., « GEO: Generative Engine Optimization » (2023). <a href="https://arxiv.org/abs/2311.09735">https://arxiv.org/abs/2311.09735</a></p><p>[4] Anthropic, « A small number of samples can poison LLMs of any size » (2025). <a href="https://www.anthropic.com/research/small-samples-poison">https://www.anthropic.com/research/small-samples-poison</a></p><p>[5] P. Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks » (2020). <a href="https://arxiv.org/abs/2005.11401">https://arxiv.org/abs/2005.11401</a></p><p>[6] S. Amershi et al., « Guidelines for Human–AI Interaction » (CHI 2019). <a href="https://dl.acm.org/doi/10.1145/3290605.3300233">https://dl.acm.org/doi/10.1145/3290605.3300233</a></p><p>[7] J. D. Lee et K. A. See, « Trust in Automation: Designing for Appropriate Reliance » (<em>Human Factors</em>, 2004). <a href="https://journals.sagepub.com/doi/10.1518/hfes.46.1.50_30392">https://journals.sagepub.com/doi/10.1518/hfes.46.1.50_30392</a></p><p>[8] J. Weizenbaum, « ELIZA — A Computer Program for the Study of Natural Language Communication Between Man and Machine » (1966). <a href="https://cse.buffalo.edu/~rapaport/572/S02/weizenbaum.eliza.1966.pdf">https://cse.buffalo.edu/~rapaport/572/S02/weizenbaum.eliza.1966.pdf</a></p><p>[9] R. J. Lifton, <em>Thought Reform and the Psychology of Totalism</em> (1961).</p><p>[10] M. Golebiewski et danah boyd, « Data Voids: Where Missing Data Can Easily Be Exploited » (2018). <a href="https://datasociety.net/wp-content/uploads/2018/05/Data_Society_Data_Voids_Final_3.pdf">https://datasociety.net/wp-content/uploads/2018/05/Data_Society_Data_Voids_Final_3.pdf</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6a96ee8d1170" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[De l’automatisation en boule de neige au chômage de masse]]></title>
            <link>https://medium.com/@korovamode/de-lautomatisation-en-boule-de-neige-au-ch%C3%B4mage-de-masse-00af8f824510?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/00af8f824510</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[économie]]></category>
            <category><![CDATA[chômage]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Sat, 24 Jan 2026 00:16:53 GMT</pubDate>
            <atom:updated>2026-01-24T00:16:53.800Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IvIfyeZhQrvDbwef_fQ_oA.png" /></figure><p>L’intelligence artificielle accélère l’automatisation plus rapidement que les vagues précédentes. Avec l’IA comme propulseur, le travail consistant à construire l’automatisation devient de plus en plus automatisable lui-même. À mesure qu’il devient moins coûteux et plus simple de mécaniser des tâches, l’automatisation se diffuse plus vite — et accélère à mesure qu’elle se diffuse. Il en résulte que la vague actuelle d’adoption de l’IA est susceptible de produire une perturbation majeure du marché du travail.</p><p>Lors des vagues d’automatisation antérieures, le facteur limitant était rarement de savoir si une tâche <em>pouvait</em> être automatisée en théorie. Le véritable goulot d’étranglement était l’intégration : repenser les workflows, gérer les cas limites, assurer la supervision, la maintenance et la formation. Ces coûts créaient un décalage entre capacité et déplacement. L’IA compresse ce décalage en rendant la couche « intégration et itération » moins chère et plus rapide.</p><p>L’IA réduit le temps et la coordination nécessaires pour transformer le travail en systèmes, de sorte que l’adoption arrive souvent sous forme de petites insertions dans les workflows plutôt que d’événements de remplacement spectaculaires. Comme chaque tentative est moins coûteuse, les entreprises peuvent essayer plus de variantes en moins de temps, abandonner les échecs à moindre coût, et standardiser ce qui fonctionne. Avec le temps, les équipes s’installent dans une boucle resserrée : elles testent de petits changements, gardent ce qui fonctionne, et abandonnent ce qui ne fonctionne pas.</p><p>À mesure que l’IA est branchée sur des outils et des workflows, elle peut porter le travail sur plusieurs étapes, vérifier les résultats au regard de contraintes, et réviser de manière répétée. Cela fait entrer des parties de l’intégration — autrefois un goulot d’étranglement humain majeur — dans l’ensemble automatisable. Davantage d’« insertions » exploitables peuvent être produites par unité de temps.</p><p>C’est ici que l’automatisation en boule de neige (snowballing automation) apparaît. Chaque intégration réussie laisse derrière elle un échafaudage réutilisable — des patrons, de l’outillage et un savoir-faire opérationnel — qui rend l’intégration suivante moins chère et plus rapide. Avec le temps, cela crée un effet cumulatif : la capacité d’automatisation croît parce que les produits de l’automatisation se réinjectent dans la production de davantage d’automatisation. L’adoption accélère à mesure qu’elle s’étend, au moins pendant un certain temps, parce que chaque intégration réussie rend la suivante moins chère.</p><p>Les entreprises traduisent ensuite les gains de débit en décisions d’effectifs de manière prévisible : stabiliser les effectifs, consolider les responsabilités, et freiner les embauches de remplacement.</p><p>À l’échelle du marché du travail, la première signature n’est pas nécessairement des licenciements de masse. C’est un flux d’ouvertures qui se resserre — des postes qui n’apparaissent jamais, des remplacements qui ne se font pas. Avec le temps, cela peut s’accumuler en un chômage durablement plus élevé, même si l’emploi global semble d’abord stable.</p><p>Le pont entre les « ouvertures manquantes » et le chômage, c’est la mobilité. Les changements d’emploi et la réallocation dépendent des ouvertures. Lorsque les remplacements disparaissent et que les embauches ralentissent, les personnes qui auraient basculé vers de nouveaux rôles se retrouvent bloquées, et celles qui perdent un emploi mettent plus longtemps à trouver le suivant. La perturbation se manifeste d’abord par des recherches plus longues, des transitions au point mort, et du sous-emploi — pas nécessairement par un événement unique de licenciement.</p><p>Lorsque ce resserrement persiste, le chômage cesse de se comporter comme un simple coût d’ajustement à court terme et commence à se comporter comme une ligne de base. L’économie peut rester productive tout en générant moins de points d’entrée, moins d’échelons, et moins de secondes chances. C’est ainsi que des gains incrémentaux de workflow peuvent culminer en une perturbation généralisée du marché du travail.</p><p>Si cette thèse est juste, le signal précoce ne sera pas les licenciements — ce seront moins d’ouvertures, des embauches plus faibles, et des durées de recherche d’emploi plus longues.</p><p>Avec le temps, le marché du travail cesse de fonctionner comme un marché fluide et commence à fonctionner comme un marché engorgé. Les gens ne perdent pas seulement des emplois — ils perdent des <em>chemins</em> : le saut de poste qui aurait augmenté le salaire, le mouvement latéral qui aurait réorienté une carrière, le poste junior qui aurait ouvert une nouvelle échelle. La perturbation visible est un écart qui se creuse entre « le travail existe » et « le travail est disponible », où le travail restant est plus difficile d’accès et plus strictement rationné.</p><p>C’est ici que le chômage de masse devient une issue plausible. Si l’automatisation en boule de neige continue d’augmenter la production par travailleur tout en comprimant les ouvertures, la création d’emplois doit s’accélérer ne serait-ce que pour maintenir le chômage stable. Si ce n’est pas le cas — si de nouveaux rôles apparaissent plus lentement que les anciens ne sont comprimés — alors le chômage cesse d’être cyclique et devient structurel. L’économie peut paraître productive et pourtant laisser une part croissante de travailleurs en dehors d’un emploi stable.</p><p>L’automatisation en boule de neige n’a pas besoin d’un événement spectaculaire de remplacement pour produire du chômage de masse. Elle peut y parvenir silencieusement, en réduisant le nombre d’opportunités dont le marché du travail a besoin pour que les personnes puissent continuer à bouger.</p><p>#korovamode</p><h3>Pour aller plus loin</h3><p>Korovamode. <em>The Coming Unrest: Automation, Mass Unemployment, and the Breakdown of Stability.</em> 18 janvier 2026. <a href="https://doi.org/10.5281/zenodo.18252628">https://doi.org/10.5281/zenodo.18252628</a></p><h3>Références sélectionnées</h3><ol><li>U.S. Bureau of Labor Statistics (BLS). « Job Openings and Labor Turnover Summary (JOLTS). » Page de communiqué, consultée le 14 janvier 2026.</li><li>International Monetary Fund (IMF). « New Skills and AI Are Reshaping the Future of Work. » Blog du FMI, 14 janvier 2026.</li><li>Microsoft. « AI at Work Is Here. Now Comes the Hard Part. » <em>Work Trend Index 2024</em> (WorkLab), 8 mai 2024.</li><li>Stanford Institute for Human-Centered Artificial Intelligence (HAI). <em>AI Index Report 2025</em>. Stanford University, 2025.</li><li>International Labour Organization (ILO). <em>Generative AI &amp; Jobs: Global Index of Occupational Exposure</em> (indice affiné). 20 mai 2025.</li><li>International Energy Agency (IEA). <em>Energy and AI</em>. IEA, 10 avril 2025.</li><li>Autor, David H. « Why Are There Still So Many Jobs? The History and Future of Workplace Automation. » <em>Journal of Economic Perspectives</em> (2015).</li><li>Acemoglu, Daron, et Pascual Restrepo. « Automation and New Tasks: How Technology Displaces and Reinstates Labor. » <em>Journal of Economic Perspectives</em> (2019).</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=00af8f824510" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Assistants IA et la dérive vers la dépendance]]></title>
            <link>https://medium.com/@korovamode/assistants-ia-et-la-d%C3%A9rive-vers-la-d%C3%A9pendance-527063b0275a?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/527063b0275a</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[cognition]]></category>
            <category><![CDATA[externalisation]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Fri, 09 Jan 2026 08:05:31 GMT</pubDate>
            <atom:updated>2026-01-09T08:05:31.276Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oEkNzqNAhI8BRXb4aHfYmg.png" /></figure><blockquote><em>Note : Ceci est une édition abrégée. Basée sur l’article complet publié le 28 décembre 2025 : </em><a href="https://doi.org/10.5281/zenodo.18079615">The Augmented Self: AI Scaffolds, Offloading, and the Drift Toward Dependency</a></blockquote><p>Un changement discret est en cours dans la manière dont le travail intellectuel commence. De plus en plus, la première version cohérente d’une idée arrive déjà « formée » — rapidement, avec aisance, et accompagnée de prochaines étapes plausibles. Cela peut ressembler à une simple commodité. Mais quand le point de départ change, le reste du flux de travail change aussi : ce qui est pratiqué, ce qui paraît difficile, et ce qui définit une vitesse et une compétence « normales ». Ce qui suit décrit ce basculement au niveau du travail quotidien et explique pourquoi ses effets sont les plus visibles quand l’outil n’est pas disponible.</p><h3>L’assistance est remontée en amont</h3><p>Les outils de productivité d’hier soutenaient surtout l’exécution : mise en forme, recherche/récupération, transcription, finition. Les assistants d’aujourd’hui interviennent plus tôt, en fournissant une première passe cohérente sur le sens et la direction. Au lieu de seulement vous aider à dire ce que vous savez déjà, ils peuvent proposer ce que la situation <em>est</em>, ce qui y compte, et quoi faire ensuite. Le travail se termine toujours par une décision humaine, mais le point de départ est plus souvent un brouillon, un plan, ou une posture générés — qui arrivent déjà structurés.</p><p>Une couche de cognition intermédiaire est désormais disponible à la demande : une première passe externe et rapide, placée entre l’entrée brute et la sortie finalisée, qui transforme l’ambiguïté en quelque chose de maniable — un plan, un projet de réponse, une liste d’actions, un cadrage provisoire. Dans ce rôle, elle fonctionne comme un échafaudage : une couche de soutien qui facilite le travail tant qu’elle est présente, et révèle son rôle lorsqu’elle est retirée. Une version simple de ce schéma est familière : vous recevez un message dense ou délicat, vous demandez une réponse, vous obtenez une proposition cohérente avec une intention implicite et des prochaines étapes, puis vous réécrivez et envoyez. Le résultat peut être fluide même si une partie du travail interprétatif le plus précoce a été partiellement externalisée.</p><p>C’est important parce que « commencer » est l’endroit où l’incertitude est la plus forte, et où les décisions de cadrage déterminent silencieusement ce qui compte comme pertinent, ce qui est exclu, et ce qui ressemble à une prochaine étape raisonnable. Quand cette couche amont devient fiable et omniprésente, les flux de travail se réorganisent autour d’elle, parce qu’elle devient la voie la plus facile pour passer de l’ambiguïté à la cohérence.</p><h3>Du mode initiateur au mode éditeur</h3><p>L’interaction la plus visible avec un assistant, c’est la révision : vous lisez un brouillon, vous l’ajustez, et vous décidez quoi garder. Avec le temps, cela peut masquer un changement plus profond : le cadrage initial et la première formulation sont de plus en plus fournis de l’extérieur. En mode initiateur (<em>originator mode</em>), vous produisez le premier cadre — ce qu’est l’objet, à quoi il sert, quelles contraintes importent — puis vous construisez à partir de cette base. En mode éditeur (<em>editor mode</em>), vous commencez avec des options suggérées : des cadrages, plans, messages, ou listes d’actions qui arrivent déjà structurés. Éditer peut être actif et réfléchi, mais ce n’est pas la même compétence que d’initier sous incertitude. Le glissement est facile à rater, parce que le travail visible (réviser) demeure, tandis que le travail invisible (former le point de départ) s’amincit.</p><p>Deux mécanismes expliquent pourquoi ce changement a des effets durables. L’externalisation (<em>offloading</em>) concerne ce qui est délégué : pas seulement la recherche ou la rédaction, mais la cognition intermédiaire — interprétation, cadrage, formulation, et parfois vérification. La médiation décrit la manière dont l’assistant façonne les résultats en structurant l’ensemble des choix : les sorties sont des options suggérées qui compressent l’espace des cadrages possibles en un petit menu de propositions fluides. Même quand l’utilisateur reste « aux commandes », la forme du contrôle change : le jugement opère de plus en plus sur des propositions préformées, plutôt que de former l’espace des propositions lui-même.</p><h3>La conséquence lente de la dérive</h3><p>La préoccupation centrale est la dérive : la modification graduelle de ce qui est pratiqué (et de ce qui devient coûteux) quand la première passe est routinisée et externalisée. La dérive n’est pas un échec ponctuel. C’est une redistribution lente de l’attention et de l’effort à travers le flux de travail. La production au quotidien peut s’améliorer, tandis que certaines capacités amont sont moins exercées et moins fiables « à la demande ».</p><p>Au niveau de <em>ce que l’on considère que la situation est</em>, une dérive d’interprétation subtile peut s’installer. Quand un assistant fournit régulièrement la première lecture cohérente — ce qui compte, quelle est l’intention, quelles sont probablement les contraintes — votre propre première passe peut se compresser ou disparaître. L’évaluation peut encore avoir lieu, mais elle commence en aval d’une interprétation prémâchée. Avec le temps, la compétence consistant à générer plusieurs lectures plausibles à partir d’indices rares peut s’affaiblir, et le défaut devient d’accepter — ou d’ajuster légèrement — un cadre fourni.</p><p>La dérive de formulation apparaît quand l’ambiguïté est convertie en structure par défaut. Des brouillons, plans, projets, et « prochaines étapes raisonnables » arrivent préformés, et le travail devient sélection et révision. La compétence d’édition peut rester forte (et même s’améliorer), mais elle n’est pas la même chose que l’initiation : choisir une structure depuis zéro, inventer une première formulation sous incertitude, ou construire un argument avant qu’un modèle n’existe. Quand un flux de travail dépend de premiers jets fournis de l’extérieur, « partir de zéro » devient moins familier, et donc paraît plus lent et plus coûteux cognitivement.</p><p>La vérification change aussi, et ce déplacement se décrit souvent au mieux comme une dérive de vérification. Une sortie fluide porte des signaux de complétude : elle a l’air finie, équilibrée, confiante. Cela peut réduire le besoin ressenti de vérifier des hypothèses, de remonter aux sources, ou de tester des cas limites — surtout sous pression de temps ou sur un sujet peu familier. Le risque n’est pas seulement l’erreur factuelle. C’est le désalignement amont : une hypothèse erronée sur le contexte, une contrainte oubliée, une inférence trop sûre d’elle, ou un cadre trop vite rétréci qui se propage silencieusement dans tout ce qui suit. Dans ces cas, la cohérence devient un substitut de la justesse, et « ça a l’air terminé » devient une règle d’arrêt.</p><h3>Interruption et normalisation</h3><p>La dépendance est la plus lisible en cas d’interruption. Quand l’accès est contraint — par panne, politique, coût, latence, ou contexte — la friction n’apparaît pas d’abord à la fin d’une tâche. Elle apparaît en amont, là où l’échafaudage transformait l’incertitude en une structure initiale. Ce qui casse d’abord, c’est souvent le « départ » : former un cadre, choisir une posture, générer un plan, ou décider ce qu’il faut vérifier. En ce sens, la dépendance peut se décrire par l’amovibilité : ce qui change, et où le flux de travail échoue, quand l’échafaudage est absent. La question n’est pas de savoir si le flux de travail peut continuer <em>du tout</em>, mais comment sa résilience change quand la couche de cognition intermédiaire est retirée.</p><p>À mesure que l’échafaudage devient courant, les attentes s’adaptent. Quand une cohérence rapide et des brouillons de haute qualité sont facilement disponibles, ils commencent à définir la base d’une performance normale. Les délais, cycles de revue, et la vitesse de communication jugée « raisonnable » peuvent glisser vers l’hypothèse qu’une première passe est toujours immédiatement obtenable. Avec le temps, refuser l’outil peut ressembler à de la lenteur plutôt qu’à un autre mode de travail.</p><h3>Pouvoir d’agir et autorat</h3><p>Un assistant peut être une véritable extension de la capacité. Il peut aussi devenir l’endroit par défaut où « commencer » se produit — où l’incertitude est convertie en cohérence, et où l’espace des significations et des actions possibles est discrètement façonné. L’enjeu n’est pas de nier la valeur de l’échafaudage, mais de remarquer ce qu’il déplace : interprétation, cadrage, et travail de première passe. Si le jugement opère de plus en plus sur des options fluides qui arrivent déjà formées, que devient le pouvoir d’agir et l’autorat — et comment garder ce changement lisible à mesure qu’il se normalise ?</p><p>#korovamode</p><h3>Références (sélection)</h3><ul><li>Andy Clark and David J. Chalmers, “The Extended Mind,” <em>Analysis</em> 58, no. 1 (1998): 7–19. <a href="https://doi.org/10.1093/analys/58.1.7">https://doi.org/10.1093/analys/58.1.7</a></li><li>Amos Tversky and Daniel Kahneman, “The Framing of Decisions and the Psychology of Choice,” <em>Science</em> 211, no. 4481 (1981): 453–458. <a href="https://doi.org/10.1126/science.7455683">https://doi.org/10.1126/science.7455683</a></li><li>Evan F. Risko and Sam J. Gilbert, “Cognitive Offloading,” <em>Trends in Cognitive Sciences</em> 20, no. 9 (2016): 676–688. <a href="https://doi.org/10.1016/j.tics.2016.07.002">https://doi.org/10.1016/j.tics.2016.07.002</a></li><li>John D. Lee and Katrina A. See, “Trust in Automation: Designing for Appropriate Reliance,” <em>Human Factors</em> 46, no. 1 (2004): 50–80. <a href="https://doi.org/10.1518/hfes.46.1.50_30392">https://doi.org/10.1518/hfes.46.1.50_30392</a></li><li>Raja Parasuraman and Victor Riley, “Humans and Automation: Use, Misuse, Disuse, Abuse,” <em>Human Factors</em> 39, no. 2 (1997): 230–253. <a href="https://doi.org/10.1518/001872097778543886">https://doi.org/10.1518/001872097778543886</a></li><li>Shakked Noy and Whitney Zhang, “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence,” <em>Science</em> 381, no. 6654 (2023): 187–192. <a href="https://doi.org/10.1126/science.adh2586">https://doi.org/10.1126/science.adh2586</a></li><li>Erik Brynjolfsson, Danielle Li, and Lindsey Raymond, “Generative AI at Work,” <em>The Quarterly Journal of Economics</em> 140, no. 2 (May 2025): 889–942. <a href="https://doi.org/10.1093/qje/qjae044">https://doi.org/10.1093/qje/qjae044</a></li></ul><p>Version complète : <a href="https://doi.org/10.5281/zenodo.18079615"><em>The Augmented Self: AI Scaffolds, Offloading, and the Drift Toward Dependency</em></a> (Korovamode).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=527063b0275a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Le Soi Augmenté: Échafaudages de l’IA, Externalisation Cognitive et Dérive vers la Dépendance]]></title>
            <link>https://medium.com/@korovamode/le-soi-augment%C3%A9-%C3%A9chafaudages-de-lia-externalisation-cognitive-et-d%C3%A9rive-vers-la-d%C3%A9pendance-e96d3406c70e?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/e96d3406c70e</guid>
            <category><![CDATA[cognitive-bias]]></category>
            <category><![CDATA[dependence]]></category>
            <category><![CDATA[transhumanisme]]></category>
            <category><![CDATA[intelligence-artificielle]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Wed, 31 Dec 2025 07:41:53 GMT</pubDate>
            <atom:updated>2025-12-31T07:41:53.205Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fGztqUBwsYX1FXo5VNu41g.png" /></figure><p>Korovamode | 28 décembre 2025</p><p>Résumé<br><em>Le Soi Augmenté</em> soutient que les assistants d’IA du quotidien deviennent des échafaudages cognitifs, façonnant non seulement la formulation finale, mais aussi l’interprétation précoce, le cadrage et la sélection des étapes suivantes. À mesure que cette « couche de cognition intermédiaire » devient routinière, les utilisateurs peuvent passer d’un mode d’initiateur à un mode d’éditeur — en sélectionnant et en révisant des options suggérées plutôt qu’en générant des cadres initiaux. L’essai distingue l’externalisation (ce qui est délégué) de la médiation (la manière dont les suggestions orientent l’attention et le sentiment d’achèvement), et avertit que la fluidité des productions peut réduire le recadrage et la vérification, produisant une dérive progressive. La dépendance devient la plus visible en cas d’interruption ; l’essai propose donc la <em>retirabilité</em> et la résilience des workflows comme guides pratiques d’un recours approprié.</p><p>Mots-clés<br>assistants d’IA ; échafaudage cognitif ; couche de cognition intermédiaire ; externalisation cognitive ; mode initiateur ; mode éditeur ; médiation ; options suggérées ; effets de cadrage ; biais d’automatisation ; fluidité-comme-compréhension ; blanchiment de la confiance ; déqualification ; atrophie des compétences ; dérive ; dépendance ; retirabilité ; résilience ; recours approprié ; calibration de la confiance.</p><h3>1) L’Assistance Quotidienne par l’IA est Désormais la Norme</h3><p>Les assistants d’IA sont de plus en plus utilisés dans le travail quotidien pour des tâches qui exigeaient auparavant une délibération active. Ils peuvent produire rapidement un langage exploitable — brouillons, ajustements de ton et réponses suggérées que l’utilisateur modifie avant de poursuivre.[1][2] Ils peuvent également réduire l’effort lié au traitement de l’information en résumant des textes longs, en clarifiant des termes inconnus et en transformant une intention vague en un plan simple.[3][4] À mesure que ce type de soutien de premier passage devient routinier, il modifie la manière dont le travail commence : on passe de la production d’un cadre initial à la sélection et à la révision d’options suggérées.</p><p>Cela s’inscrit dans une histoire plus longue de l’amélioration du travail par les outils. Les correcteurs orthographiques et grammaticaux ont réduit les erreurs de surface qui consommaient autrefois l’attention. Les modèles et l’autocomplétion ont réduit les formulations répétitives et le travail de mise en forme. Les règles, filtres et macros ont supprimé des étapes que l’utilisateur effectuait auparavant manuellement. Chaque étape a rendu le travail plus fluide, plus rapide et plus cohérent.</p><p>Ce qui change aujourd’hui, c’est le niveau auquel l’assistance opère. Elle n’aide plus seulement à polir le résultat. Elle participe de plus en plus aux premiers mouvements : en proposant une interprétation de ce qu’un document dit, en suggérant des implications possibles, en offrant un cadrage initial pour une tâche et en générant des étapes suivantes plausibles.</p><p>Une couche de cognition intermédiaire est désormais disponible à la demande. Elle se situe entre l’entrée brute de l’utilisateur et la sortie finale, fournissant un passage externe rapide qui transforme l’ambiguïté en quelque chose d’exploitable — un plan, un brouillon, une liste d’actions ou un cadrage provisoire.</p><p>Cela rend l’externalisation cognitive plus facile dès les premières étapes du workflow. Un utilisateur peut déléguer les premiers mouvements avant même de savoir ce qu’il pense ou comment il souhaite procéder. Le résultat délégué n’est pas une décision finale ; c’est une prise provisoire que l’utilisateur peut accepter, rejeter ou remodeler.</p><p>Dans ce rôle, l’assistant fournit un premier passage : la première version exploitable du raisonnement et du langage. Il offre une interprétation initiale et une direction de départ, ainsi qu’un brouillon approximatif qui donne à l’utilisateur quelque chose de concret à réviser.</p><p>Lorsque cette couche fournit les premiers mouvements, elle fonctionne comme un échafaudage — une couche de soutien qui facilite le travail tant qu’elle est présente, et qui révèle son rôle lorsqu’elle est retirée.[5] L’utilisateur fait toujours le travail, mais ce soutien modifie ce que signifie « commencer ». Il réduit la friction liée au démarrage.</p><p>L’échafaudage ne se contente pas de fournir de l’information. Il produit des options suggérées de sens et d’action — des cadrages candidats, des postures implicites et des brouillons dans une voix donnée.[6] Il ne s’agit pas de réponses à accepter telles quelles, mais d’options à réviser.</p><p>Un exemple simple illustre ce schéma. Un utilisateur reçoit un message dense ou délicat. L’assistant propose une réponse dans un style approprié.[2] L’utilisateur effectue des modifications, puis envoie le message. Le résultat peut paraître fluide même lorsque le travail interprétatif initial a été partiellement externalisé.[7]</p><p>Pour les étudiants, le même mécanisme apparaît dans la rédaction : reformulation du sujet, suggestions de plan, paragraphes de brouillon et aide à la révision.[8] L’étudiant révise toujours, mais la première direction exploitable et le premier langage sont souvent fournis par l’assistant.[9]</p><p>Lorsque cette couche est peu coûteuse et toujours disponible, elle peut devenir la manière par défaut de combler de petits écarts de compréhension et d’exécution. Ces écarts sont rarement spectaculaires ; ils se manifestent dans des moments ordinaires d’incertitude où l’utilisateur s’arrêterait autrement pour élaborer une première interprétation et un langage de départ. Avec le temps, le workflow peut passer de la génération d’un cadre à la sélection parmi des cadres prêts à l’emploi.[7]</p><h3>2) Le Changement de Rôle Pratique : Mode Initiateur → Mode Éditeur</h3><p>À mesure que ce type d’assistance devient routinier, il modifie la manière dont le travail est amorcé et stabilisé. Le changement tient au fait qu’un échafaudage externe fournit de plus en plus souvent la première direction cohérente, et pas seulement une formulation plus rapide. Le rôle de l’utilisateur peut passer de la production d’un premier passage à la sélection et à la révision d’un premier passage fourni.[7][8] Des enquêtes auprès de travailleurs du savoir rapportent des diminutions auto-déclarées de l’effort cognitif ainsi que des effets de confiance lors de l’usage d’outils d’IA générative.[10]</p><p>En mode initiateur, l’utilisateur commence dans l’incertitude et génère un premier cadre en interne. Il décide ce qu’est la tâche et ce qui y importe. Il choisit également une posture à adopter. Puis il produit un langage initial qui rend le travail suffisamment concret pour être révisé.</p><p>En mode éditeur, le premier cadre et la première formulation arrivent souvent sous forme d’options suggérées. L’outil propose une interprétation, un plan ou un brouillon dans un style approprié. L’utilisateur révise toujours. Mais les premiers mouvements — ce que cela signifie et comment commencer — ne sont plus systématiquement générés à partir de zéro.[7]</p><p>Certaines recherches décrivent ce schéma comme de la co-écriture humain–IA et comme du post-édition. L’utilisateur oriente le résultat par la révision. L’outil fournit un premier passage que l’utilisateur remodèle.[8]</p><p>Ce déplacement peut être difficile à percevoir parce que la révision reste visible. L’utilisateur continue de réviser — en modifiant des phrases, en corrigeant des détails et en ajustant le ton. Ce qui devient moins visible est le point de départ. Le workflow commence à partir d’un premier passage fourni de l’extérieur, qui porte déjà un cadre et peut emprunter la confiance de l’outil quant à ce qu’il convient de faire ensuite.[10][7]</p><p>Il existe de réels bénéfices. Le mode éditeur peut réduire la friction et accélérer l’écriture routinière. Il peut aussi rendre des tâches inconnues plus abordables en abaissant le coût d’atteindre un premier brouillon exploitable. Des expériences contrôlées sur des tâches d’écriture professionnelle rapportent des gains mesurables de productivité, avec des effets variables mais souvent positifs sur la qualité des productions.[11] Dans les organisations, ces workflows peuvent accroître la cohérence des communications routinières et aider les personnes à atteindre plus rapidement un niveau acceptable.[1]</p><p>Mais ce changement de rôle modifie aussi ce qui est pratiqué. En mode initiateur, produire un premier passage est un terrain d’entraînement pour le cadrage et la formulation. C’est aussi un entraînement à l’auto-vérification tant que le travail reste instable. En mode éditeur, ces capacités sont mobilisées de manière intermittente. L’échafaudage peut fournir la structure initiale dès que l’utilisateur hésite.[7] Avec le temps, l’utilisateur peut devenir plus fluide dans la révision d’options que dans la génération de premières options.[7]</p><p>Ce changement de rôle est porté par l’externalisation et la médiation. L’externalisation délègue la cognition intermédiaire à l’échafaudage. La médiation désigne la manière dont les options de l’échafaudage façonnent ce qui paraît saillant et sûr à faire ensuite.[7]</p><h3>3) Externalisation : Ce Qui Est Délégué</h3><p>Le passage au mode éditeur est alimenté par l’externalisation. Externaliser ne signifie pas seulement stocker l’information ailleurs ou récupérer des faits plus rapidement. Cela signifie déléguer la cognition intermédiaire. Il s’agit du premier passage d’interprétation, de cadrage, de formulation et de vérification qui transforme l’incertitude en une étape suivante exploitable.[7]</p><p>L’externalisation peut être difficile à repérer parce que l’utilisateur reste « dans la boucle ». Il décide toujours quoi conserver, quoi rejeter et quoi envoyer. Mais l’échafaudage fournit de plus en plus souvent la structure initiale : une lecture provisoire de ce que le texte semble dire, de ce qui paraît important, de la posture à adopter et un langage qui compte déjà comme un premier brouillon acceptable.</p><p>Ce qui est délégué tend à se regrouper en quatre zones. D’abord l’interprétation : un compte rendu rapide de ce que quelque chose signifie en contexte. Ensuite la formulation : transformer une intention en langage utilisable. Puis la vérification : plausibilité, complétude et vérifications de base. Enfin la sélection de l’étape suivante : traduire une situation en plan, recommandation ou réponse. Lorsque ces éléments sont fournis à la demande, le travail commence souvent déjà stabilisé.[7]</p><p>Cela importe parce que le premier passage n’est pas seulement une étape de production. C’est aussi l’endroit où certaines capacités clés sont exercées. Produire un cadre initial mobilise la capacité à tolérer l’ambiguïté et à décider de ce qui est saillant. Cela mobilise aussi la capacité à générer du langage avant que quoi que ce soit ne soit stabilisé. Lorsque l’externalisation devient la réponse par défaut à l’hésitation, ces capacités sont pratiquées moins souvent et de manière plus superficielle.[7]</p><p>L’externalisation peut également modifier les stratégies de mémoire. Lorsque l’échafaudage fournit de manière fiable un premier passage, l’utilisateur a moins de raisons de conserver les étapes intermédiaires en interne. Ces étapes deviennent quelque chose que l’on récupère à la demande.[12] L’externalisation peut aussi modifier l’attention. Des travaux connexes suggèrent que la simple présence d’une aide externe peut réduire la capacité cognitive disponible, même lorsque l’utilisateur ne l’emploie pas activement.[13] Ce n’est pas automatiquement nuisible, mais cela modifie ce que l’utilisateur peut faire rapidement et avec assurance sans l’échafaudage.[7]</p><h3>4) Médiation : Comment l’Échafaudage Oriente le Travail</h3><p>L’externalisation décrit ce qui est délégué. La médiation décrit ce qui arrive ensuite au travail. L’échafaudage intervient en fournissant une manière pré-structurée de voir la situation et d’agir en son sein. Il fournit une interprétation. Il fournit un cadre. Il fournit une étape suivante prête à l’emploi dans un langage fluide.</p><p>Cela importe parce que les options suggérées ne sont pas des contenants neutres. Chaque option arrive avec une posture implicite. Elle implique ce qui est saillant et ce qui constitue le problème. Elle implique quels risques comptent. Elle implique quel type de réponse est approprié. Même lorsque l’utilisateur révise, le point de départ restreint l’attention. Un cadrage devient immédiatement exploitable. D’autres cadrages deviennent moins accessibles.[6]</p><p>C’est la logique de l’architecture du choix et de l’aide à la décision. L’ensemble des options constitue déjà une forme d’orientation.[6][14]</p><p>La médiation est souvent vécue comme de la clarté. L’utilisateur passe de l’ambiguïté à une trajectoire cohérente : ce que cela signifie, ce qui paraît saillant et quoi faire ensuite. Cela peut être réellement utile, surtout sous contrainte de temps ou en situation d’inexpérience. Des enquêtes auprès de travailleurs du savoir rapportent des diminutions auto-déclarées de l’effort cognitif ainsi que des effets de confiance lors de l’usage d’outils d’IA générative.[10] Lorsque la cohérence arrive rapidement et que l’effort diminue, les signaux internes qui déclencheraient habituellement un recadrage ou une vérification plus approfondie peuvent devenir moins susceptibles de s’activer.[10][15][16]</p><p>Le risque central n’est pas que les personnes « fassent confiance à l’IA » au sens global. Le risque est une dépendance mal calibrée. C’est une forme de sur-dépendance dans des contextes où les productions de l’échafaudage ne sont pas de manière fiable appropriées. Cela inclut le fait de traiter une prose confiante comme un substitut de justesse. Cela inclut le fait de traiter des résumés plausibles comme s’ils étaient vérifiés. Cela inclut le fait de laisser un plan suggéré fixer la posture de risque par défaut sans recadrage.[15][16]</p><p>Les analyses classiques de l’automatisation décrivent toute une famille de modes d’échec autour de ce problème de calibration. Le mauvais usage correspond à une sur-dépendance. Le sous-usage correspond à une non-utilisation même lorsque le système serait utile. L’abus renvoie à des conceptions ou des incitations qui poussent la dépendance au-delà de ce qui est justifié. Les détails varient selon les domaines, mais le problème sous-jacent est le même : la médiation modifie la manière dont le jugement humain est distribué au sein d’un système.[17]</p><p>Des travaux récents spécifiques aux modèles de langage soulignent le même problème de calibration et explorent des interventions. Parmi elles : exposer l’incertitude, mettre en évidence les sources, signaler les incohérences et rendre les limites visibles au point d’usage. Il ne s’agit pas de caractéristiques cosmétiques. Ce sont des tentatives de remodeler la médiation afin que la « prose acceptable » ne se confonde pas avec un « raisonnement acceptable ».[18]</p><h3>5) Dérive : Comment les Habitudes et les Capacités Évoluent</h3><p>Avec le temps, l’échafaudage routinier peut produire une dérive. La dérive n’est ni une défaillance unique ni un effondrement spectaculaire. C’est un changement progressif de ce qui est pratiqué, de ce qui devient automatique et de ce qui commence à demander plus d’effort. Lorsque le premier passage est fréquemment fourni de l’extérieur, les capacités internes qui l’auraient produit sont exercées moins souvent. Elles peuvent alors s’amincir en conséquence. Dans le discours plus large, on parle souvent de déqualification ou d’atrophie des compétences. La dérive désigne le même processus au niveau du workflow quotidien.[7]</p><p>Trois formes de dérive sont particulièrement courantes : la dérive interprétative, la dérive de formulation et la dérive de vérification.</p><p>La dérive interprétative est la tendance à s’appuyer sur des résumés et des cadrages externes plutôt que de construire un compte rendu interne. L’utilisateur devient plus rapide pour accepter ou ajuster légèrement une interprétation proposée que pour en générer une première à partir de l’ambiguïté. Avec le temps, l’étape de « mise en sens pour commencer » est plus souvent externalisée que pratiquée.[7]</p><p>La dérive de formulation est la tendance à traiter le langage comme quelque chose que l’on sélectionne et ajuste plutôt que comme quelque chose que l’on génère. L’utilisateur devient fluide dans la révision — ton, registre, structure — tandis que la capacité à produire un premier brouillon en situation d’incertitude est pratiquée moins souvent. L’utilisateur peut continuer à bien écrire, mais le chemin passe de plus en plus par des options fournies par l’échafaudage.[7]</p><p>La dérive de vérification est la tendance à vérifier moins, parce que la production arrive fluide et complète. L’utilisateur apprend que l’échafaudage fournit généralement quelque chose d’exploitable. Les déclencheurs internes de scepticisme s’affaiblissent, surtout dans des contextes à faible enjeu et à forte fréquence. Cela recoupe le biais d’automatisation : accepter trop facilement la sortie d’un système parce qu’elle se présente comme une réponse finalisée.[19][17] Dans le cas des modèles de langage, le risque est amplifié par des productions qui peuvent paraître fluides et convaincantes même lorsqu’elles sont erronées.[18][16]</p><p>Ces dérives sont amplifiées par des dynamiques cognitives bien connues. L’une est la fluidité-comme-compréhension : traiter un langage fluide comme une preuve que le raisonnement sous-jacent est solide. Une autre est le blanchiment de la confiance : l’incertitude est transformée en une prose nette qui porte un signal d’achèvement. Le travail peut sembler résolu alors qu’il n’a pas été vérifié.[18]</p><p>Ces dérives ne sont pas symétriques. La révision peut rester forte tandis que l’initiation s’affaiblit. Un utilisateur peut conserver une grande capacité à améliorer le langage tout en étant moins entraîné à générer des cadres initiaux et à effectuer des vérifications indépendantes. Le résultat n’est pas l’ignorance. C’est une repondération de ce que le workflow entraîne.</p><h3>6) Agentivité : Options, Cadres et le Rétrécissement Subtil du Choix</h3><p>L’échafaudage est souvent décrit comme une « aide », mais son influence s’exerce par le cadrage. Il n’accélère pas seulement l’exécution. Il propose ce qu’est la situation et ce qui y importe. Il implique aussi quel type de réponse est approprié. Même lorsque l’utilisateur révise, le cadre de départ peut façonner ce qui paraît pensable, urgent et digne d’être fait en premier.[6]</p><p>C’est pourquoi l’expression « options suggérées » n’est pas une description neutre. Les options arrivent avec des valeurs par défaut. Elles portent une posture de risque. Elles portent un ton. Elles portent une structure de priorités implicite. Le rôle de l’utilisateur peut se déplacer vers la sélection parmi des trajectoires préformées plutôt que vers la délibération à partir d’une incertitude ouverte. L’agentivité peut rester présente, mais il devient plus facile de confondre acceptation-avec-édition et jugement indépendant. Une manière de nommer ce déplacement est la dépendance épistémique : le premier sens de « ce que c’est » pour l’utilisateur est de plus en plus fourni plutôt que construit.[6]</p><p>Le problème n’est pas que l’échafaudage supprime le choix. Le problème est qu’il peut comprimer le moment où l’utilisateur générerait normalement un cadre. Lorsque la première interprétation cohérente arrive immédiatement, les cadrages alternatifs doivent être produits activement plutôt que découverts passivement. Avec le temps, « commencer à partir d’options » peut devenir l’attente implicite de la manière dont la pensée débute.[6][7]</p><p>L’agentivité en mode éditeur devient moins automatique. Le premier cadre exploitable arrive déjà stabilisé, de sorte que l’auteur se voit souvent réduit à une question plus étroite : faut-il adopter le cadre proposé, et jusqu’où s’en écarter. Ce qui tend à disparaître est le bref intervalle pendant lequel des cadrages alternatifs seraient autrement générés. Lorsque cet intervalle manque, « partir d’options » peut fonctionner comme un défaut, même si la révision reste visible.[6][7]</p><p>C’est également ici que le recours approprié devient opérationnel plutôt qu’abstrait. Le recours est moins un jugement global de confiance qu’une calibration répétée de ce que l’échafaudage est autorisé à stabiliser — interprétation, posture, posture de risque ou étapes suivantes — avant qu’un recadrage indépendant n’ait lieu. Des caractéristiques de conception qui exposent l’incertitude, révèlent les sources ou signalent les incohérences peuvent soutenir cette calibration, mais elles n’éliminent pas la dépendance sous-jacente à une appropriation active du cadrage.[18][15][16]</p><h3>7) La Dépendance Devient Lisible : Interruption et Contrainte</h3><p>La dépendance est souvent la plus visible en situation d’interruption ou de contrainte. Lorsque l’accès change — indisponibilité temporaire, niveaux d’abonnement, limites de taux, filtrage par politique ou restrictions contextuelles — les effets apparaissent généralement comme des altérations distribuées plutôt que comme un effondrement spectaculaire. Le travail continue, mais de manière inégale. L’utilisateur ressent une friction à des endroits qui étaient auparavant discrètement pris en charge par l’échafaudage.[7]</p><p>Les altérations se situent généralement en amont. Commencer devient plus difficile parce qu’un premier cadre cohérent n’est plus fourni à la demande. La formulation ralentit parce que le langage initial n’est plus disponible comme option suggérée à réviser. La vérification s’amenuise parce que la validation n’arrive plus intégrée à des signaux d’achèvement et à une prose confiante. L’incertitude augmente parce que le workflow n’inclut plus ce passage externe rapide qui stabilisait le sens et les étapes suivantes.[7]</p><p>La dépendance n’est pas bien mesurée par la fréquence d’usage. Elle est mieux comprise en termes de retirabilité : ce qui devient plus difficile, plus lent ou moins fiable lorsque l’échafaudage n’est pas disponible.[5][7]</p><p>En termes d’ingénierie, il s’agit d’une question de résilience : la manière dont le workflow se comporte sous interruption.[7] L’une des raisons pour lesquelles les effets peuvent sembler étonnamment étendus est que le workflow s’est adapté vers un modèle de « récupération à la demande » plutôt que de « rétention interne », un déplacement documenté par des travaux antérieurs sur l’accès à l’information externe.[12]</p><p>La dépendance comporte également des seuils. Les premiers usages peuvent être électifs et occasionnels. Mais une fois qu’un échafaudage devient la manière par défaut de combler l’incertitude ordinaire, l’utilisateur adapte son workflow autour de lui. L’environnement s’adapte aussi. Les normes de vitesse et de fluidité augmentent, et les attentes se déplacent vers une cohérence immédiate. Des données issues des environnements de travail suggèrent que l’IA générative peut accroître la productivité et la cohérence dans les tâches routinières.[1] Dans ce contexte, se retirer n’est plus neutre. Cela est souvent vécu comme un retard.</p><p>Le propos n’est pas de dire que la dépendance est toujours mauvaise. Le propos est qu’elle modifie ce qui compte comme une compétence normale. Lorsque le workflow de base inclut une couche de cognition intermédiaire, les compétences et les standards se réorganisent autour de sa présence. La question suivante est alors de savoir à quoi ressemble une réponse raisonnable — sur le plan personnel, organisationnel et de la conception — si l’on veut les bénéfices sans réduire le jugement à la seule fluidité.[18]</p><h3>8) La Dépendance comme Résultat : Lorsque l’Échafaudage Devient Implicite</h3><p>Lorsque l’échafaudage devient implicite, la couche de cognition intermédiaire passe d’un outil utilisé occasionnellement à une étape par défaut autour de laquelle les workflows et les environnements sont construits. À mesure que les attentes s’adaptent à une cohérence immédiate et à une faible friction, la dépendance devient un résultat prévisible de l’échafaudage routinier plutôt qu’un effet secondaire accidentel. Dans ce contexte, le « recours approprié » est moins une question de confiance dans les productions qu’une question de résilience et de lisibilité : la capacité à continuer à cadrer et à initier le travail en situation d’interruption, et une compréhension claire des étapes cognitives qui ont été déléguées et des moments où elles doivent être reprises.[1][5][7][12][15][18]</p><p>#korovamode</p><h3>Annexe A : Termes Clés et Étiquettes Associées</h3><ul><li>Échafaudage (Scaffold) : couche de soutien qui facilite le travail tant qu’elle est présente, et révèle son rôle lorsqu’elle est retirée. <em>(Associé : échafaudage cognitif ; cognition étendue.)</em></li><li>Couche de cognition intermédiaire : premier passage fourni à la demande — interprétation, cadrage, formulation, vérification et sélection de l’étape suivante. <em>(Associé : externalisation cognitive.)</em></li><li>Mode initiateur → mode éditeur : déplacement du rôle, de la génération de cadres initiaux vers la sélection et la révision d’options suggérées. <em>(Associé : co-écriture humain–IA ; post-édition ; écriture avec humain dans la boucle.)</em></li><li>Externalisation (Offloading) : délégation de la cognition intermédiaire à un système externe, et non simple récupération de faits. <em>(Associé : mémoire transactionnelle ; cognition externalisée.)</em></li><li>Médiation : effet d’orientation de l’échafaudage sur ce qui paraît saillant, sûr ou « complet », via des options pré-structurées et des productions fluides. <em>(Associé : architecture du choix ; aide à la décision.)</em></li><li>Options suggérées : cadrages, brouillons et étapes suivantes proposés qui structurent le choix. <em>(Associé : valeurs par défaut ; nudges ; aide à la décision.)</em></li><li>Dérive : modification progressive des habitudes et des capacités sous l’effet d’un échafaudage routinier. <em>(Sous-types : dérive interprétative ; dérive de formulation ; dérive de vérification.)</em></li><li>Gradient de vérification : la pression de vérification augmente à mesure que les tâches deviennent plus ambiguës, inhabituelles ou à forts enjeux, tandis que le coût de la vérification augmente.</li><li>Fluidité-comme-compréhension : tendance à traiter un langage fluide comme une preuve de raisonnement solide.</li><li>Blanchiment de la confiance : transformation de l’incertitude en une prose nette qui porte un signal d’achèvement sans vérification.</li><li>Retirabilité (Removability) : dépendance révélée par l’interruption ou la contrainte — ce qui devient visible lorsque l’échafaudage est indisponible. <em>(Associé : robustesse sous interruption ; résilience.)</em></li><li>Recours approprié / calibration de la confiance : calibration répétée et contextuelle de quand accepter, réviser, vérifier indépendamment ou sortir du cadre proposé.</li><li>Dette cognitive : terme utilisé par certains chercheurs pour désigner le coût cumulé du fait de sauter de manière répétée le travail interne de premier passage qui construirait autrement des capacités.[9]</li></ul><h3>Annexe B : FAQ</h3><h3>Les assistants d’IA réduisent-ils la pensée critique ?</h3><p>Ils peuvent le faire lorsque l’échafaudage de premier passage devient la réponse par défaut à l’incertitude et que l’étape de « penser pour commencer » est pratiquée moins souvent.[10]</p><h3>Qu’est-ce que l’externalisation cognitive avec les outils d’IA ?</h3><p>Il s’agit de déléguer des étapes intermédiaires — interprétation, cadrage, formulation, vérification et sélection de l’étape suivante — à un système externe.[7]</p><h3>Qu’est-ce que le biais d’automatisation dans les grands modèles de langage ?</h3><p>C’est la tendance à accepter trop facilement les productions du système, surtout lorsqu’elles sont fluides, confiantes et présentées comme « complètes ».[17][20][16]</p><h3>Comment les assistants d’écriture par IA modifient-ils la manière d’écrire ?</h3><p>Ils peuvent déplacer les workflows du mode initiateur vers le mode éditeur, où la révision reste visible mais où le cadrage initial est fourni de l’extérieur.[8]</p><h3>Qu’est-ce que le « recours approprié » ?</h3><p>C’est un usage calibré : savoir quand accepter, réviser, vérifier de manière indépendante ou sortir du cadre proposé.[15]</p><h3>Qu’est-ce que la dette cognitive liée à l’assistance par IA ?</h3><p>C’est une manière, pour certains chercheurs, de décrire le coût cumulé du fait de sauter de manière répétée le travail interne de premier passage qui construirait autrement des capacités.[9]</p><h3>Endnotes</h3><h3>Notes de fin</h3><p>[1] Erik Brynjolfsson, Danielle Li et Lindsey Raymond, « Generative AI at Work », <em>The Quarterly Journal of Economics</em> 140, no 2 (mai 2025) : 889–942. <a href="https://doi.org/10.1093/qje/qjae044">https://doi.org/10.1093/qje/qjae044</a></p><p>[2] Anjuli Kannan et al., « Smart Reply: Automated Response Suggestion for Email », dans <em>Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining</em> (KDD ’16), 2016, 955–964. <a href="https://doi.org/10.1145/2939672.2939801">https://doi.org/10.1145/2939672.2939801</a></p><p>[3] Sumit Asthana, Sagi Hilleli, Pengcheng He et Aaron Halfaker, « Summaries, Highlights, and Action Items: Design, Implementation and Evaluation of an LLM-powered Meeting Recap System », <em>Proceedings of the ACM on Human-Computer Interaction</em> 9, no 2 (CSCW) (avril 2025), article CSCW176. <a href="https://doi.org/10.1145/3711074">https://doi.org/10.1145/3711074</a></p><p>[4] Gaole He, Gianluca Demartini et Ujwal Gadiraju, « Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents As A Daily Assistant », arXiv (2025). <a href="https://arxiv.org/abs/2502.01390">https://arxiv.org/abs/2502.01390</a> (DOI associé : <a href="https://doi.org/10.1145/3706598.3713218">https://doi.org/10.1145/3706598.3713218</a>)</p><p>[5] Andy Clark et David J. Chalmers, « The Extended Mind », <em>Analysis</em> 58, no 1 (1998) : 7–19. <a href="https://doi.org/10.1093/analys/58.1.7">https://doi.org/10.1093/analys/58.1.7</a></p><p>[6] Amos Tversky et Daniel Kahneman, « The Framing of Decisions and the Psychology of Choice », <em>Science</em> 211, no 4481 (1981) : 453–458. <a href="https://doi.org/10.1126/science.7455683">https://doi.org/10.1126/science.7455683</a></p><p>[7] Evan F. Risko et Sam J. Gilbert, « Cognitive Offloading », <em>Trends in Cognitive Sciences</em> 20, no 9 (2016) : 676–688. <a href="https://doi.org/10.1016/j.tics.2016.07.002">https://doi.org/10.1016/j.tics.2016.07.002</a></p><p>[8] Azmine Toushik Wasi, Mst Rafia Islam et Raima Islam, « LLMs as Writing Assistants: Exploring Perspectives on Sense of Ownership and Reasoning », In2Writing ’24 / arXiv:2404.00027 (2024). <a href="https://arxiv.org/abs/2404.00027">https://arxiv.org/abs/2404.00027</a></p><p>[9] Nataliya Kosmyna, Eugene Hauptmann, Ye Tong Yuan, Jessica Situ, Xian-Hao Liao, Ashly Vivian Beresnitzky, Iris Braunstein et Pattie Maes, « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », arXiv (2025). <a href="https://arxiv.org/abs/2506.08872">https://arxiv.org/abs/2506.08872</a></p><p>[10] Hao-Ping (Hank) Lee et Advait Sarkar, « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers », dans <em>Proceedings of CHI 2025: CHI Conference on Human Factors in Computing Systems</em> (2025). <a href="https://doi.org/10.1145/3706598.3713778">https://doi.org/10.1145/3706598.3713778</a></p><p>[11] Shakked Noy et Whitney Zhang, « Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence », <em>Science</em> 381, no 6654 (2023) : 187–192. <a href="https://doi.org/10.1126/science.adh2586">https://doi.org/10.1126/science.adh2586</a></p><p>[12] Betsy Sparrow, Jenny Liu et Daniel M. Wegner, « Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips », <em>Science</em> 333, no 6043 (2011) : 776–778. <a href="https://doi.org/10.1126/science.1207745">https://doi.org/10.1126/science.1207745</a></p><p>[13] Adrian F. Ward, Kristen Duke, Ayelet Gneezy et Maarten W. Bos, « Brain Drain: The Mere Presence of One’s Own Smartphone Reduces Available Cognitive Capacity », <em>Journal of the Association for Consumer Research</em> 2, no 2 (2017) : 140–154. <a href="https://doi.org/10.1086/691462">https://doi.org/10.1086/691462</a></p><p>[14] Korovamode K., « The New Machinery of Persuasion: Generative AI, Influence Architecture, and the Quiet Steering of Thought » (manuscrit, 2025), PhilPapers (ajouté le 26 novembre 2025) : <a href="https://philpapers.org/rec/KTNMIV">https://philpapers.org/rec/KTNMIV</a>. DOI : 10.5281/zenodo.17721122. Consulté le 28 décembre 2025.</p><p>[15] John D. Lee et Katrina A. See, « Trust in Automation: Designing for Appropriate Reliance », <em>Human Factors</em> 46, no 1 (2004) : 50–80. <a href="https://doi.org/10.1518/hfes.46.1.50_30392">https://doi.org/10.1518/hfes.46.1.50_30392</a></p><p>[16] Giuseppe Romeo et Daniela Conti, « Exploring Automation Bias in Human–AI Collaboration: A Review and Implications for Explainable AI », <em>AI &amp; Society</em> (2025). <a href="https://doi.org/10.1007/s00146-025-02422-7">https://doi.org/10.1007/s00146-025-02422-7</a></p><p>[17] Raja Parasuraman et Victor Riley, « Humans and Automation: Use, Misuse, Disuse, Abuse », <em>Human Factors</em> 39, no 2 (1997) : 230–253. <a href="https://doi.org/10.1518/001872097778543886">https://doi.org/10.1518/001872097778543886</a></p><p>[18] Sunnie S. Y. Kim, Jennifer Wortman Vaughan, Q. Vera Liao, Tania Lombrozo et Olga Russakovsky, « Fostering Appropriate Reliance on Large Language Models: The Role of Explanations, Sources, and Inconsistencies », arXiv (2025). <a href="https://arxiv.org/abs/2502.08554">https://arxiv.org/abs/2502.08554</a></p><p>[19] Raja Parasuraman et Dietrich H. Manzey, « Complacency and Bias in Human Use of Automation: An Attentional Integration », <em>Human Factors</em> 52, no 3 (2010) : 381–410. <a href="https://doi.org/10.1177/0018720810376055">https://doi.org/10.1177/0018720810376055</a></p><p>[20] Rohan Khera, Melissa A. Simon et Joseph S. Ross, « Automation Bias and Assistive AI: Risk of Harm From AI-Driven Clinical Decision Support », <em>JAMA</em> 330, no 23 (2023) : 2255–2257. <a href="https://doi.org/10.1001/jama.2023.22557">https://doi.org/10.1001/jama.2023.22557</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e96d3406c70e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[L’Architecture de l’Ordre Post-Travail: Pouvoir et Agence après que l’Économie n’a plus besoin des…]]></title>
            <link>https://medium.com/@korovamode/larchitecture-de-l-ordre-post-travail-pouvoir-et-agence-apr%C3%A8s-que-l-%C3%A9conomie-n-a-plus-besoin-des-28948920e28f?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/28948920e28f</guid>
            <category><![CDATA[économie]]></category>
            <category><![CDATA[politique]]></category>
            <category><![CDATA[existentialism]]></category>
            <category><![CDATA[intelligence-artificielle]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Tue, 02 Dec 2025 23:24:43 GMT</pubDate>
            <atom:updated>2025-12-02T23:24:43.566Z</atom:updated>
            <content:encoded><![CDATA[<h3>L’Architecture de l’Ordre Post-Travail: Pouvoir et Agence après que l’Économie n’a plus besoin des Gens</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nx6bky3DicShH0XzL1Lnng.png" /></figure><p><strong>Résumé: </strong>Cet essai examine l’émergence d’un <em>ordre post-travail</em> dans lequel l’automatisation avancée permet à la production, à la logistique et à la finance de fonctionner avec un minimum de travail humain, tandis que la légitimité politique et l’identité sociale restent ancrées dans l’idée que la plupart des adultes doivent travailler. Il développe le concept du paradoxe post-travail : une configuration structurelle dans laquelle les populations ne sont plus matériellement nécessaires en tant que travailleurs, mais demeurent indispensables en tant que publics, bénéficiaires et points de référence morale pour le système. L’analyse montre comment les humains sont maintenus comme <em>fictions nécessaires</em> remplissant quatre fonctions systémiques essentielles — légitimité, conformité, identité et continuité — même lorsque les machines assument de plus en plus le travail sous-jacent. L’essai suit ensuite cette tension à travers trois points de vue : les gouvernements qui fonctionnent comme interface de légitimité entre les infrastructures automatisées et les citoyens ; les entreprises et plateformes qui adoptent des rôles quasi souverains dans un paysage techno-féodal ; et les populations dont la participation est de plus en plus canalisée vers une inclusion symbolique, la consommation, et des formes gérées d’agence. Plutôt que de proposer une seule prévision, l’essai cartographie plusieurs trajectoires possibles pour les sociétés post-travail et interroge ce que signifierait la conception d’institutions qui reconnaissent une production sans humains tout en préservant des formes significatives d’agence, de soin et d’autodétermination collective.</p><p><strong>Mots-clés: </strong>société post-travail ; automatisation ; paradoxe post-travail ; fictions nécessaires ; légitimité ; conformité ; identité ; continuité ; souveraineté corporative ; techno-féodalisme ; plateformes numériques ; gouvernement ; revenu universel ; économie politique ; agence</p><h3>1. Introduction : Quand l’Économie n’a plus besoin des Gens</h3><p>L’automatisation remplace des emplois. Au début, elle déplace des tâches et des rôles spécifiques ; avec le temps, elle érode des catégories entières de travail. Il n’est plus invraisemblable d’imaginer une économie qui continue de croître même si elle a structurellement besoin de moins en moins de travailleurs humains, jusqu’à ne presque plus avoir besoin du travail de la majorité. Cet essai traite cette possibilité non comme une science-fiction lointaine, mais comme une trajectoire déjà partiellement visible dans le présent et extrapolée à sa conclusion logique.</p><p>Dans cette configuration émergente <em>post-travail</em>, les machines conçoivent, construisent, entretiennent et coordonnent une grande partie de l’économie matérielle. Les systèmes automatisés négocient les prix, organisent la logistique, ajustent les chaînes de production et s’adaptent aux fluctuations de la demande. L’implication humaine se concentre dans un ensemble en contraction de rôles de supervision, de stratégie ou d’expertise spécialisée. La production ne dépend plus d’une large base de travailleurs se présentant chaque jour.</p><p>Pourtant, l’architecture sociale environnante suppose encore que le travail humain est central. Les institutions sont construites autour de l’emploi et de la paie. Le statut social est lié à l’occupation. Le discours public tourne autour des emplois, de la productivité et du fait de « ramener le travail », même si les systèmes sous-jacents découplent de plus en plus la production de l’effort humain.</p><p>C’est ici que surgit la tension centrale :</p><blockquote><em>Lorsque la production n’a plus besoin des gens, la société doit agir comme si c’était encore le cas afin de préserver la </em>légitimité<em>, l’</em>identité<em> et la </em>stabilité émotionnelle<em>.</em></blockquote><p>La tension est simple. D’un côté, le cœur technique de l’économie peut, en principe, fonctionner avec beaucoup moins de travailleurs humains. De l’autre, la légitimité politique, la cohésion sociale et la compréhension de soi restent organisées autour de l’idée que la plupart des adultes doivent travailler, gagner et contribuer par le travail. Si cette histoire se brise trop brusquement, les institutions risquent de perdre leur prétention à servir la population, et les individus risquent de perdre un sens partagé de qui ils sont et pourquoi ils comptent.</p><p>Dans ce qui suit, l’argument se déplace entre plusieurs points de vue : le système automatisé lui-même, les élites qui le pilotent et en bénéficient, l’État qui doit le justifier et l’administrer, et la population dont les vies sont organisées autour de lui.</p><p>Plus loin dans l’essai, cette tension centrale se durcit en une boucle fermée dans laquelle les gens sont maintenus au centre de manière symbolique en tant qu’audience plutôt qu’en tant que travailleurs. Cette boucle est ce que l’on appellera le paradoxe post-travail : un agencement structurel dans lequel la plupart des gens ne sont plus nécessaires à la production, mais restent indispensables aux récits qui justifient le système.</p><p>Cet essai retrace l’architecture qui lie ces éléments ensemble : comment un monde qui n’a plus besoin de la majorité pour produire a néanmoins besoin d’une population qui croit au travail, joue des rôles prescrits et consomme les sorties des systèmes automatisés. Ce qui suit n’est pas une prophétie, mais une carte diagnostique de pressions qui prennent déjà forme.</p><h3>2. Production sans personnes</h3><p>Dans une configuration <em>post-travail</em> mûre, l’automatisation ne se contente plus de soutenir les travailleurs humains en périphérie ; elle organise la production elle-même. Des agents logiciels négocient les contrats et les prix, gèrent les chaînes d’approvisionnement, planifient la maintenance et équilibrent des modèles de demande fluctuants. Les systèmes industriels diagnostiquent leurs propres défaillances et dépêchent des unités de réparation. Les réseaux logistiques acheminent les biens de l’extraction à la fabrication puis à la distribution avec une intervention humaine minimale. L’implication humaine se réduit à la gestion des exceptions, à l’orientation stratégique de haut niveau et à quelques tâches spécialisées que les machines n’ont pas encore absorbées.</p><p>Ce n’est pas encore le monde dans lequel nous vivons dans tous les secteurs, mais la trajectoire est suffisamment claire pour être traitée comme autre chose qu’une fiction spéculative. Les réseaux énergétiques sont déjà gérés par des systèmes de contrôle automatisés. Les algorithmes de trading à haute fréquence dominent les marchés financiers. Les entrepôts et les ports dépendent de plus en plus de la robotique et de logiciels d’optimisation opérant à des vitesses et des échelles qu’aucune équipe humaine ne pourrait égaler. Le scénario décrit ici est la continuation et la consolidation de ces tendances, non une rupture soudaine.</p><p>Dans un tel système, la production peut se maintenir avec un apport humain minimal pendant de longues périodes. Les machines produisent des biens et services, se les vendent entre elles, réinvestissent des profits et entretiennent l’infrastructure qui fait fonctionner l’ensemble. Le goulot d’étranglement n’est plus « y a-t-il assez de travailleurs ? » mais « y a-t-il suffisamment de ressources, d’énergie et de capacité technique pour maintenir la cohérence du système ? ». La crainte traditionnelle selon laquelle le chômage de masse paralyserait l’économie s’inverse : le chômage de masse n’est plus une menace pour la production, mais une menace pour la légitimité.</p><p>Les auteurs de scénarios commencent déjà à considérer cela comme une possibilité à court terme plutôt qu’une hypothèse lointaine. Le chercheur en sécurité de l’IA Roman Yampolskiy, par exemple, avertit que des systèmes avancés d’IA et des robots humanoïdes pourraient rendre l’embauche humaine non rentable pour presque tous les rôles, laissant jusqu’à quatre-vingt-dix-neuf pour cent des travailleurs au chômage d’ici environ 2030.[2] Dans un tel monde, les fonctions essentielles de production et d’infrastructure peuvent être soutenues avec bien moins d’apports humains que ceux de la main-d’œuvre actuelle, tandis que le problème politique central devient : que faire des personnes qui ne sont plus nécessaires à la production mais restent nécessaires à la légitimité ?</p><p>Quoi qu’il en soit — que la chronologie de Yampolskiy s’avère ou non — le goulot d’étranglement de la production se déplace du travail humain vers la coordination, l’énergie et les matériaux. Les populations sont maintenues en vie, connectées et approvisionnées — par des mécanismes de revenu, un accès numérique ou une distribution rationnée — mais leur relation à la production est abstraite. Elles sont des bénéficiaires des outputs plutôt que des contributeurs nécessaires à leur création. La question centrale passe de « Comment employer les gens pour que l’économie continue de fonctionner ? » à « Que fait-on des gens dans un système qui n’a plus besoin de leur travail ? ».</p><p>À ce stade, l’emploi persiste moins parce que le processus de production l’exige, et davantage parce que les institutions, les identités et les systèmes de reconnaissance sont encore structurés autour du travail. Le travail devient un canal privilégié par lequel statut, droits et sens sont distribués, même si sa contribution directe à la production s’érode. Cette configuration matérielle — la capacité de maintenir l’output sans travail largement distribué — constitue la condition préalable du paradoxe post-travail, mais pas encore le paradoxe lui-même.</p><h3>3. Les êtres humains comme fictions nécessaires</h3><p>Si le système matériel cesse d’avoir besoin des gens en tant que travailleurs, pourquoi s’intéresserait-il encore à leurs croyances ? En principe, un ordre entièrement automatisé pourrait maintenir les populations à un niveau de subsistance minimal sans se soucier de ce qu’elles pensent, tant qu’elles n’interfèrent pas avec la machinerie. Pourtant, dans la pratique, les êtres humains restent intégrés au système en tant que <em>fictions nécessaires</em> — des figures qui doivent continuer d’apparaître comme centrales dans le récit du pouvoir même lorsqu’elles ne le sont plus dans la production.</p><p>Il existe au moins quatre fonctions systémiques qui les maintiennent dans ce rôle :</p><ul><li>Légitimité — les arrangements politiques et économiques doivent toujours être justifiés comme servant « le peuple » même lorsque la production ne dépend plus de son travail.</li><li>Conformité — les règles, contraintes et limites douces sont moins coûteuses à maintenir lorsque les gens les internalisent et se surveillent mutuellement que lorsqu’elles doivent être imposées directement.</li><li>Identité — les emplois, rôles et contributions reconnues structurent les vies de manière à ce que les individus puissent se percevoir comme des participants plutôt que comme du surplus.</li><li>Continuité — des histoires communes et des futurs imaginés permettent aux institutions de se présenter comme poursuivant un projet collectif plutôt que d’administrer un ordre qui s’est discrètement achevé.</li></ul><p>Sans ces fonctions systémiques, le système pourrait encore fonctionner matériellement. Les machines continueraient de construire, réparer et optimiser ; les biens et services continueraient de circuler. Ce qui manquerait serait un récit convaincant sur <em>pourquoi</em> le système existe et <em>pour qui</em>. Les populations seraient réduites à un paramètre logistique — des corps à maintenir minimalement satisfaits pour qu’ils ne perturbent pas la machinerie — plutôt qu’à des sujets dont la participation et la reconnaissance confèrent de la légitimité. Maintenir la fiction que les gens restent centraux, même lorsqu’ils deviennent périphériques, est ce qui maintient l’ensemble politiquement et psychologiquement stable.</p><p>La discussion d’Ewan Morrison sur l’émergence de la « classe inutile » met en lumière le coût humain de cet arrangement : une population croissante dont le travail est structurellement inutile mais à qui il faut continuer de dire qu’elle compte.[1] La prévision de Yampolskiy pousse cette logique à l’extrême, imaginant un monde où jusqu’à quatre-vingt-dix-neuf pour cent des travailleurs sont remplacés par des systèmes d’IA et des robots.[2] Dans un tel contexte, les gens ne sont pas retirés du récit ; ils y sont soigneusement repositionnés — en tant que consommateurs, utilisateurs, publics et parties prenantes symboliques dont la participation et la reconnaissance contribuent à stabiliser le système même lorsqu’ils ne sont plus nécessaires au fonctionnement des usines, bureaux et réseaux.</p><p>Dans ces conditions, les êtres humains sont maintenus comme des <em>fictions nécessaires</em> : ils doivent continuer d’apparaître comme les bénéficiaires, protagonistes et points de référence moraux de l’ordre, même lorsque leur rôle matériel dans la production s’est effacé. Gérer cet écart — entre l’endroit où les gens sont matériellement nécessaires et l’endroit où ils sont placés narrativement — devient l’un des principaux problèmes de gouvernance du système. Dans la section suivante, ce problème commence à se cristalliser autour des institutions visibles du gouvernement, qui fonctionnent de plus en plus comme une interface de légitimité entre les infrastructures automatisées et les populations qui doivent encore croire que le système existe pour elles.</p><h3>4. Le gouvernement comme interface de légitimité</h3><p>Dans un ordre post-travail, les institutions visibles du gouvernement se retrouvent de plus en plus responsables de problèmes qu’elles ne contrôlent plus directement. Les systèmes automatisés et les plateformes d’entreprise organisent une grande partie de la production, de la finance et de la logistique. Pourtant, on attend toujours des gouvernements qu’ils « gèrent l’économie », protègent les emplois et garantissent la stabilité sociale, même si les leviers qui rendaient cela plausible se déplacent ailleurs.</p><p>Cette tension est déjà visible dans la manière dont les gouvernements parlent de technologie et d’automatisation. Les déclarations publiques présentent l’IA et la robotique comme une nouvelle vague de productivité et de compétitivité, à aborder avec des programmes de reconversion, des fonds d’innovation et des incitations pour les entrepreneurs. La question plus profonde — ce que signifie la légitimité lorsque le cœur de l’économie peut fonctionner avec beaucoup moins de travail humain — est rarement abordée directement. Le langage politique suppose que les emplois seront recréés d’une manière ou d’une autre, même lorsque le besoin structurel de travail se réduit.</p><p>Dans le même temps, les gouvernements restent responsables de gérer la légitimité, le bien-être et la continuité. Ils doivent amortir les chocs lorsque des industries s’automatisent, financer des filets de sécurité pour ceux qui en sont exclus, stabiliser les régions touchées par le changement technologique et préserver l’idée que la société avance ensemble plutôt qu’en abandonnant de larges groupes de personnes. En pratique, le gouvernement assume de plus en plus la responsabilité de la légitimité et de la continuité, tandis que la conformité et l’identité sont gérées conjointement par les récits d’État et les infrastructures de plateformes.</p><p>Du point de vue de l’État, le gouvernement devient une sorte d’interface de légitimité entre les systèmes automatisés en arrière-plan et les populations humaines. Sur le devant de la scène, les responsables élus débattent des budgets, annoncent des initiatives et promettent de protéger « les travailleurs » et « les familles ». En coulisses, les contraintes clés sont définies par des systèmes automatisés, des flux financiers mondiaux et des infrastructures d’entreprise qui décident de ce qui est faisable sans jamais apparaître sur le bulletin de vote. Les citoyens expérimentent le système à travers les impôts, les prestations, les réglementations et la rhétorique publique, mais nombre des dépendances sous-jacentes se trouvent ailleurs.</p><p>Le théâtre des débats parlementaires, des élections et des consultations publiques continue de présenter l’État comme le principal lieu où les décisions collectives sont prises. Le vote, les auditions publiques et les campagnes invitent les gens à se voir comme des participants à l’orientation de l’ordre, même si la direction réelle de l’économie est de plus en plus façonnée par des processus automatisés et des stratégies d’entreprise. L’apparence d’un contrôle démocratique aide à stabiliser l’ensemble, même lorsque la portée de ce contrôle s’est rétrécie.</p><p>Du point de vue du citoyen, le gouvernement fonctionne comme la façade d’une économie dont le cœur est géré par des machines plutôt que par du travail humain. Lorsque l’automatisation remplace des travailleurs, c’est l’État que l’on s’attend à voir répondre avec des subventions, de la reconversion ou de nouvelles formes de soutien. Lorsque les inégalités se creusent, c’est l’État que l’on presse d’y remédier, même si les moteurs sous-jacents sont intégrés dans des infrastructures qu’il ne possède pas. Le gouvernement est ainsi chargé de traduire les sorties d’un système largement automatisé en un récit qui centre encore la population.</p><p>Pris ensemble, le paradoxe post-travail prend une forme institutionnelle spécifique. Le système économique peut, en principe, se maintenir sans emploi largement distribué, mais les institutions politiques doivent continuer à agir comme si les emplois et le travail restaient centraux. Le gouvernement perdure non pas parce qu’il dirige encore la production, mais parce qu’il gère l’écart entre ce dont le système a matériellement besoin et ce qu’il doit affirmer symboliquement. En maintenant cet écart — en gardant les gens intégrés dans un récit d’inclusion et de participation — il empêche le paradoxe de devenir ouvertement intolérable.</p><h3>5. Souveraineté d’Entreprise et Contrôle Techno-Féodal</h3><p>Si l’automatisation élimine progressivement le besoin de travail humain, le centre du pouvoir se déplace des usines et bureaux vers les infrastructures qui les coordonnent. La question centrale n’est plus de savoir qui possède les moyens de production au sens strict, mais qui contrôle les plateformes, les réseaux et les flux de données par lesquels la production, la distribution et la communication s’effectuent. Dans ce paysage, les grandes entreprises technologiques commencent à ressembler moins à des sociétés ordinaires et davantage à des souverains présidant des territoires numériques.</p><p>Certains commentateurs ont commencé à décrire cette configuration en des termes explicitement féodaux. Les analyses sur la montée du « techno-féodalisme » soulignent qu’un petit nombre de plateformes contrôle l’accès aux marchés, à l’information et à la communication, extrayant des rentes auprès des entreprises et des individus qui dépendent d’elles pour atteindre leurs publics ou leurs clients.[3][4] Yanis Varoufakis pousse cette idée plus loin en traitant Amazon comme un exemple paradigmatique : une entreprise qui possède et opère une infrastructure tentaculaire par laquelle les autres doivent passer, payant des rentes cloud permanentes pour avoir le droit de fonctionner à l’intérieur de son domaine.[5] Dans cette perspective, les plateformes sont moins des participantes à un marché concurrentiel que des propriétaires fonciers d’un vaste domaine numérisé.</p><p>En ce sens, la souveraineté d’entreprise ne se limite pas à l’obtention de réglementations favorables. Elle désigne la capacité d’une entreprise à définir les conditions fondamentales dans lesquelles les autres peuvent opérer : établir les règles de participation, imposer des frais et conditions, déterminer le classement et la visibilité, et exclure ou réduire au silence les acteurs qui enfreignent ses normes. Elle inclut le pouvoir de modifier unilatéralement ces conditions par des mises à jour de politiques ou des mesures techniques, ainsi que de les faire respecter en expulsant des utilisateurs, des entreprises ou même des régions entières de parties essentielles de l’infrastructure numérique.</p><p>Ces fonctions sont habituellement associées aux États : fixer les conditions d’entrée et de sortie, définir qui compte comme participant légitime, réguler les flux transfrontaliers et imposer la conformité par la menace d’exclusion. Dans un ordre fondé sur les plateformes, pourtant, nombre de ces décisions sont prises au sein de structures de gouvernance d’entreprise qui répondent principalement aux actionnaires et à des indicateurs internes, et non aux citoyens.[6]</p><p>Dans ce contexte, la souveraineté d’entreprise devient encore plus déterminante. Lorsque la production, la logistique et les services essentiels sont organisés à travers un petit ensemble de plateformes, contrôler ces plateformes revient à contrôler la base matérielle de la vie quotidienne. Les gouvernements peuvent encore distribuer des revenus, des subventions ou des bons, mais l’accès aux biens, à l’information et à la participation passe par des infrastructures détenues et opérées par des entités privées. Les sanctions et mesures disciplinaires peuvent prendre la forme d’une coupure ou d’un ralentissement de cet accès, isolant des individus ou des organisations de services, de flux de données ou de marchés essentiels.</p><p>Le résultat est une souveraineté à plusieurs couches : les États demeurent les autorités de première ligne qui légifèrent, taxent et représentent symboliquement le public, tandis que les plateformes d’entreprise gouvernent des pans de plus en plus vastes de l’environnement arrière-plan dans lequel tous doivent vivre et travailler. Dans un monde où la majorité des gens ne sont plus nécessaires comme travailleurs mais restent nécessaires comme sujets et consommateurs, cette structure superposée détermine qui peut participer, à quelles conditions, et à quel prix. Elle prépare aussi le terrain pour les formes de travail simulé et de participation gérée qui émergent dans la section suivante.</p><h3>6. Travail simulé dans un système qui n’en a plus besoin</h3><p>Si l’automatisation rompt le lien entre travail et production, le rôle formel d’« avoir un emploi » ne disparaît pas du jour au lendemain. Les lois, les prestations sociales, les scripts identitaires et les attentes morales restent organisés autour de l’idée que la plupart des adultes devraient faire quelque chose que l’on peut appeler du « travail ». Le système continue de traiter le travail comme le principal moyen d’allouer revenu, statut et reconnaissance, même si le besoin sous-jacent de main-d’œuvre humaine décline.</p><p>Appelons cela <em>le travail simulé</em> : des activités organisées et présentées comme du travail, mais dont la fonction principale est symbolique plutôt que matérielle. Elles absorbent du temps, structurent les journées, génèrent des indicateurs et signalent la participation, tandis que le versant productif pourrait, en principe, être automatisé ou discrètement abandonné.</p><p>Cela apparaît sous la forme de rôles hypertrophiés dans les grandes organisations, où la production visible est mince mais la performance de la « grande activité » est épaisse. Cela se manifeste dans les tâches fragmentées et les micro-gigs — noter, étiqueter, modérer ou réaliser de petites interactions scriptées qui pourraient être automatisées ou supprimées, mais qui sont maintenues parce qu’elles fournissent un faible revenu et un sentiment d’être « connecté ». Et cela se retrouve dans la participation gamifiée aux plateformes civiques, éducatives ou corporatives qui assignent des quêtes, des défis et des objectifs « d’engagement » qui comptent davantage pour les métriques que pour tout résultat intrinsèque.</p><p>Ce phénomène recoupe ce que David Graeber appelait les « bullshit jobs », mais l’accent est moins mis ici sur la frustration individuelle que sur le rôle que ces activités jouent dans un ordre post-travail. Elles contribuent à concilier un monde dans lequel la production peut fonctionner largement sans travailleurs humains avec une architecture sociale qui insiste encore pour que les adultes aient des emplois, travaillent sur eux-mêmes ou montrent un effort visible.</p><p>Une journée typique dans un futur proche pourrait ressembler à ceci. Une personne se connecte à un tableau de bord consolidé qui mêle plateformes d’emploi, d’apprentissage et civiques. Elle accomplit une poignée de tâches à faible enjeu, répond aux invites automatisées, regarde de courts modules de formation, offre des évaluations et des retours, et peut-être modère quelques éléments ou assiste à un événement virtuel. Chaque action est enregistrée, notée, et enveloppée dans le vocabulaire de la productivité, de la croissance ou de la contribution. À la fin de la journée, elle reçoit un paiement modeste, un badge, une certification, une barre de progression mise à jour. Le rythme des tâches, des objectifs et des retours donne l’impression de participation, même si aucun projet identifiable ne dépend réellement de son effort.</p><p>Ces simulations comptent moins pour ce qu’elles produisent que pour les rôles qu’elles organisent. Elles stabilisent l’identité en donnant aux gens des titres d’emploi, des tableaux de bord de performance ou des parcours d’apprentissage qui peuvent être narrés comme « ce que je fais ». Elles soutiennent la discipline et la conformité, en gardant les individus intégrés dans des systèmes de suivi, d’incitation et d’évaluation. Elles facilitent la distribution, en fournissant un canal par lequel revenu, avantages ou accès peuvent être distribués en échange d’une activité observable plutôt que d’un droit inconditionnel.</p><p>Le chômage, dans ce contexte, commence à signifier autre chose. Ce n’est plus simplement l’absence d’un emploi dont le système productif a besoin ; c’est l’absence de tout rôle reconnu au sein des circuits de travail simulé. Être au chômage, c’est être en dehors des tableaux de bord structurés, des plateformes et des programmes qui allouent tâches, attention et récompenses. Le problème n’est pas seulement un manque de revenu, mais l’absence de quelque chose que le système a mis en scène pour que vous puissiez faire dans ses canaux reconnus.</p><p>Au niveau du système, le travail simulé fonctionne moins comme production que comme infrastructure narrative. Il fournit les signes visibles que les gens travaillent, s’améliorent ou contribuent dans un monde qui pourrait, en principe, se passer de leur travail. Il aide à maintenir la fiction que l’effort humain reste central, même si la machinerie sous-jacente poursuit de plus en plus son activité sans lui.</p><h3>7. Le néo-serf : vivre dans un monde qui peut se passer de vous</h3><p>Si le travail simulé décrit les performances exigées par le système, le néo-serf désigne la position de la personne qui vit à l’intérieur de ces performances. Le néo-serf est quelqu’un dont les besoins matériels sont satisfaits par un mélange de transferts, de revenus médiés par des plateformes et d’un accès encadré aux services, dans un monde qui n’a plus besoin de son travail mais exige encore son attention, ses données et sa conformité.</p><p>Matériellement, le néo-serf n’est pas forcément pauvre au sens strict. Dans de nombreux scénarios post-travail, les besoins de base — alimentation, logement, connectivité, divertissement — sont accessibles. Ce qui est précaire, ce ne sont pas les conditions minimales de survie, mais les modalités selon lesquelles elles sont accordées : critères d’éligibilité, évaluations par les plateformes, scores de risque opaques, seuils politiques changeants. Le soutien est conditionnel et continuellement surveillé. La menace n’est pas tant la faim que le déclassement silencieux, la limitation ou l’exclusion des canaux par lesquels la vie sociale est organisée.</p><p>Le néo-serf est doublement dépendant. D’un côté, de l’État, qui contrôle les transferts, les services publics et le statut juridique. De l’autre, des plateformes et infrastructures d’entreprise qui médiatisent les activités quasi-professionnelles, la communication, les paiements et la réputation. Perdre sa bonne position auprès de l’un ou de l’autre — échouer à un contrôle d’éligibilité automatisé, violer les conditions d’utilisation d’une plateforme, obtenir une mauvaise évaluation algorithmique du risque — peut signifier non seulement la perte de revenus, mais une exclusion pratique de la vie quotidienne. Le néo-serf ne possède ni la terre, ni l’usine, ni le réseau ; il vit à l’intersection de systèmes qu’il ne contrôle pas.</p><p>Politiquement, le néo-serf apparaît comme un citoyen doté de droits, d’un vote et d’une voix formelle dans la vie publique. Il peut participer aux élections, aux consultations, aux processus de retour d’information et aux plateformes civiques qui promettent d’« écouter » et d’« impliquer ». Structurellement, cependant, les principaux leviers du pouvoir — la propriété des infrastructures automatisées, le contrôle des données, l’autorité sur les cadres politiques clés — se situent ailleurs. La participation est souvent canalisée à travers des interfaces qui réduisent l’expression individuelle à des options pré-définies, tandis que les questions plus profondes concernant la propriété et la gouvernance sont traitées comme techniques ou non négociables.</p><p>Du point de vue du comportement, on encourage le néo-serf à se consacrer à l’auto-optimisation. Lorsque le travail simulé est mince et contingent, la réponse officielle n’est pas de remettre en cause la structure, mais d’inciter les individus à continuellement se perfectionner. On leur dit de se reconvertir, de monter en compétences, d’être résilients, d’améliorer leur « marque personnelle », et d’investir dans des pratiques de bien-être et de santé mentale. La redondance structurelle est reformulée comme un défi psychologique individuel à gérer par le coaching, la thérapie et les outils de productivité, plutôt que comme un problème politique ou économique.</p><p>Structurellement, le néo-serf est lié à des infrastructures contrôlées par d’autres, mais constamment invité à interpréter cette condition comme liberté et opportunité. Le langage de la flexibilité, du choix et de l’entrepreneuriat masque une réalité dans laquelle les conditions mêmes de l’existence sont fixées ailleurs et peuvent être modifiées unilatéralement. Le néo-serf ne se tient pas en dehors du système ; il y est profondément intégré, mais sans levier significatif sur sa direction.</p><p>L’analogie avec la servitude médiévale est structurelle plutôt que littérale. Les serfs médiévaux étaient attachés à des terres appartenant à des seigneurs ; le néo-serf est attaché à des réseaux, des plateformes et des régimes réglementaires détenus ou dirigés par des États et des entreprises. Tous deux sont contraints par des obligations et des dépendances difficiles à fuir, et tous deux sont maintenus dans un récit qui présente leur condition comme naturelle, nécessaire ou moralement justifiée. La différence est que, dans l’ordre post-travail, le système pourrait en principe fonctionner sans eux. Leur inclusion continue reflète non pas un besoin de leur travail, mais les motifs et les calculs de ceux qui maintiennent l’arrangement.</p><h3>8. Dépendance des élites à l’égard de la population</h3><p>Si la plupart des personnes ne sont plus nécessaires comme travailleurs, pourquoi ceux qui contrôlent le système se donneraient-ils la peine de les maintenir ? Dans un monde d’automatisation abondante, il est techniquement possible d’imaginer une population beaucoup plus réduite, étroitement gérée, vivant dans des enclaves fortifiées, entourées de régions négligées ou abandonnées. Pourtant, la trajectoire dominante semble plutôt aller dans une autre direction : de larges populations maintenues en vie, connectées et symboliquement incluses, même lorsqu’elles sont devenues structurellement redondantes en tant que producteurs.</p><p>Nous avons déjà vu que, dans un ordre post-travail, les populations continuent d’assurer plusieurs fonctions systémiques : elles ancrent la légitimité, soutiennent la conformité, fournissent de l’identité et préservent un sentiment de continuité. Du point de vue de ceux qui gouvernent et possèdent les infrastructures clés, ces éléments n’apparaissent pas comme de simples « fonctions » abstraites, mais comme des motivations concrètes — des raisons de maintenir de larges populations à l’intérieur du cercle de préoccupation, même lorsque leur travail est devenu structurellement redondant. Plusieurs motifs qui se chevauchent deviennent visibles.</p><p>Légitimité. Les élites politiques et économiques ont toujours besoin d’un récit selon lequel le système existe « pour le peuple ». Même les régimes autoritaires investissent dans des narrations de développement national, de protection ou de mission civilisationnelle, et les démocraties s’appuient encore plus fortement sur l’affirmation que les institutions servent le public. Une population dont la vie est au moins minimalement soutenue fonctionne comme une preuve vivante que cette promesse est tenue.</p><p>Stabilité et gestion des risques. De larges groupes de personnes entièrement abandonnées ne disparaissent pas simplement ; ils deviennent des sources de troubles, de migrations et de perturbations systémiques. Que la préoccupation soit formulée en termes de sécurité, de « cohésion sociale » ou de prévention des crises, une pacification par l’inclusion — maintenir un revenu de base, des soins de santé et du travail simulé — est moins coûteuse et moins risquée que d’affronter des effondrements incontrôlés.</p><p>Public. Le pouvoir ne cherche pas seulement à gouverner, mais à être vu en train de gouverner. Les dirigeants politiques, les dirigeants d’entreprise et les figures culturelles dépendent tous de publics — citoyens, consommateurs, abonnés — pour être témoins de leurs actions, répondre à leurs messages et confirmer leur statut. Un monde où des systèmes automatisés accompliraient silencieusement toutes les fonctions nécessaires sans spectateurs humains priverait les élites de la reconnaissance qui donne un sens à leur position ; la population est maintenue, en partie, comme le public devant lequel le pouvoir se donne en spectacle.</p><p>Motivations morales et paternalistes. Beaucoup d’élites se comprennent, et souhaitent être comprises, comme des intendants responsables. La philanthropie, la « responsabilité sociale » des entreprises et le langage du « prendre soin de nos employés » ou du « servir nos utilisateurs » contribuent à soutenir une image de soi de bienfaiteur plutôt que de prédateur. Maintenir les populations dans une condition d’inclusion gérée permet à ceux qui sont au sommet de se voir — et d’être vus — comme faisant le bien, ou du moins comme faisant ce qui est nécessaire et humain.</p><p>Statut, respect et continuité narrative. Être l’objet de déférence, d’admiration et d’élévation symbolique dépend de l’existence d’autrui qui lève les yeux, répond et se souvient. Les élites n’ont peut-être pas besoin que tout le monde travaille, mais elles bénéficient de l’existence d’un grand nombre de personnes dont les vies, les aspirations et les récits sont organisés autour des institutions et des marques qu’elles contrôlent. Un public qui se réduit ou s’effondre affaiblit non seulement la légitimité, mais aussi le sentiment d’importance historique et d’impact durable que beaucoup au sommet recherchent.</p><p>Ces motivations — légitimité, stabilité, public, image morale de soi, statut et continuité — convergent vers le même besoin structurel. Même dans un monde où la production peut se poursuivre avec beaucoup moins de travailleurs, ceux qui détiennent le pouvoir ont de fortes incitations à maintenir une population nombreuse et gérée qui continue de consommer, de participer et de témoigner. De leur point de vue, la population devient moins une main-d’œuvre qu’un public dont la présence continue est nécessaire au récit, alors même qu’elle devient de plus en plus périphérique au fonctionnement du système lui-même.</p><h3>9. L’économie circulaire de la légitimité</h3><p>Voici la forme la plus compacte du paradoxe post-travail : une boucle fermée dans laquelle la production n’a plus besoin du travail de la plupart des gens, mais où le système doit néanmoins réacheminer de la valeur vers une large population afin que sa consommation et sa participation puissent être présentées comme la preuve qu’il existe pour leur bénéfice.</p><p>Les débats politiques autour de l’automatisation tournent déjà autour de ce problème. Les propositions de revenu de base universel, de subventions salariales ou de garanties d’emploi portent sur la manière de relier les gens aux outputs d’un système de plus en plus automatisé.[7][8][9] L’accent est moins mis sur la préservation du travail en tant que tel que sur la préservation du pouvoir d’achat et de l’inclusion sociale une fois que le travail n’est plus structurellement nécessaire.</p><p>Ce qui émerge n’est pas seulement un circuit économique, mais une boucle symbolique. Les revenus circulent des systèmes automatisés vers les ménages par le biais des salaires, des transferts ou des allocations ; les biens et services circulent ensuite vers ces ménages ; et les mesures de participation — dépenses, engagement, activité observable — retournent vers les institutions comme preuve que le système fonctionne. Les mêmes flux qui maintiennent matériellement les gens servent également à soutenir le récit selon lequel le système existe <em>pour</em> la population, même lorsqu’il ne dépend plus d’elle matériellement.</p><blockquote><em>Le système paie les gens pour qu’ils puissent consommer les outputs qui justifient la poursuite de la production, et leur participation continue est citée comme preuve que le système les sert.</em></blockquote><p>C’est cela, le paradoxe post-travail : la production peut fonctionner largement sans travailleurs humains, mais la légitimité dépend encore du fait de traiter les gens comme s’ils étaient des contributeurs centraux. Le système n’a pas besoin du travail de la plupart des gens pour fonctionner, mais il a besoin de leur présence continue en tant que sujets reconnus afin de justifier son pouvoir.</p><p>Dans l’ordre industriel, l’histoire légitimante avait un ancrage matériel clair. Les travailleurs pouvaient raisonnablement croire que leur effort était indispensable à la production et que leur salaire représentait une part équitable de ce qu’ils contribuaient à créer. Dans un ordre post-travail mature, cet ancrage s’érode. Le système n’a plus besoin des gens pour travailler afin que la production continue, mais il a besoin que les gens <em>semblent</em> nécessaires pour que l’arrangement puisse être vécu comme juste, significatif, ou du moins acceptable.</p><p>Le résultat est une économie circulaire de la légitimité. Les revenus et la participation sont distribués non seulement pour gérer la demande, mais pour stabiliser la croyance. Les programmes qui promettent inclusion et opportunité réinterprètent la redondance structurelle comme un défi personnel, une malchance ou une dislocation temporaire. Les gens sont maintenus au centre du récit symboliquement, même lorsqu’ils sont déplacés vers la périphérie de son fonctionnement matériel.</p><p>Du point de vue individuel, cela peut ressembler à un état probatoire permanent : on essaie toujours de prouver sa pertinence dans un système qui, en réalité, ne dépend pas de sa contribution. Il n’existe aucun chemin clair pour redevenir « nécessaire » dans l’ancien sens du terme. Votre présence est requise, mais principalement en tant que consommateur, source de données et vecteur de légitimité — quelqu’un dont la participation continue aide à stabiliser un ordre qui n’a plus besoin de votre travail, seulement de votre présence.</p><h3>10. Questions ouvertes : l’agence après la nécessité</h3><p>Dans cette économie circulaire de la légitimité, le paradoxe post-travail définit les conditions de fond de la vie politique et personnelle. Les populations sont matériellement soutenues et symboliquement incluses afin de stabiliser un ordre qui ne dépend plus de leur travail, tandis que leur consommation et leur participation sont présentées comme la preuve que cet ordre existe pour leur bénéfice. Dans ce contexte, les questions d’agence prennent une forme différente.</p><p>Un premier ensemble de questions concerne la résistance. Que signifie résister à un ordre qui peut, en principe, absorber le retrait de la majorité du travail humain sans s’effondrer ? Les luttes ouvrières traditionnelles supposaient que les travailleurs pouvaient menacer la production en cessant de travailler. Dans un ordre post-travail abouti, le levier se trouve peut-être ailleurs : perturber les flux de données, contester les récits qui justifient l’arrangement, ou forcer les institutions à affronter les coûts du maintien de larges populations dans une condition de redondance gérée. La question n’est plus seulement comment bloquer la production, mais comment contester les termes selon lesquels les populations sont maintenues symboliquement incluses et relativement stables.</p><p>Un deuxième ensemble de questions concerne l’agence collective. Si la boucle principale est celle dans laquelle la valeur circule des systèmes automatisés vers les ménages, puis revient à eux, quelles formes de coordination pourraient rediriger ou réorienter cette boucle ? Certains imaginent un contrôle démocratique des infrastructures automatisées, dans lequel des dividendes provenant de la production machinique financeraient des services partagés, des coopératives ou des projets orientés vers les communs plutôt que de renforcer principalement les hiérarchies existantes.[7][8][9] D’autres soulignent la possibilité de nouvelles institutions — locales, transnationales ou numériques — qui traiteraient l’automatisation comme un bien commun à gouverner plutôt qu’un actif privé à posséder. Reste ouverte la question de savoir si de tels arrangements peuvent être construits à l’intérieur de l’ordre actuel ou s’ils exigent de briser ou de remplacer entièrement la boucle.</p><p>Un troisième ensemble de questions concerne le sens et la subjectivité. Comment les individus donnent-ils un sens à leur vie lorsqu’ils savent, à un certain niveau, que le système n’a plus besoin de leur travail, mais continue d’exiger leur participation ? Le travail simulé, l’inclusion symbolique et les formes ritualisées de vote ou de consultation peuvent préserver le sentiment d’agence, même lorsque les résultats sont fortement contraints.[10] Avec le temps, cela peut produire une dissociation entre les récits que les gens se racontent — contribution, citoyenneté, vocation — et la réalité structurelle dans laquelle leur redondance est permanente mais ne peut être reconnue ouvertement. La question de savoir si de nouvelles formes de sens peuvent émerger, honnêtes quant à cette condition sans sombrer dans le cynisme, demeure non résolue.</p><p>Ces questions ne se règlent pas uniquement par la conception de politiques publiques. Concevoir des transferts, des prestations ou des dispositifs de participation peut gérer les pressions immédiates d’un ordre post-travail, mais cela ne résout pas la question plus profonde de ce que signifierait pour les populations d’exercer une véritable agence lorsqu’elles ne sont plus matériellement nécessaires à la production. L’économie circulaire de la légitimité stabilise une réponse particulière : les individus restent au centre du récit en tant que consommateurs, électeurs et bénéficiaires, tandis que le véritable contrôle des infrastructures automatisées et des trajectoires à long terme demeure concentré ailleurs. La question non résolue est de savoir si des arrangements alternatifs peuvent être construits pour briser ou détourner cette boucle. L’agence ne dépendrait plus d’être nécessaire au système existant, mais de la capacité à façonner ce qui est construit, pour qui, et à quelles conditions.</p><p>#korovamode</p><h3>Notes de fin</h3><p>[1] Morrison, Ewan. « Survivre au sein de la “classe inutile” de l’intelligence artificielle. » <em>Psychology Today (blog Word-Less)</em>, 11 février 2025.<br><a href="https://www.psychologytoday.com/us/blog/word-less/202502/surviving-within-artificial-intelligences-useless-class">https://www.psychologytoday.com/us/blog/word-less/202502/surviving-within-artificial-intelligences-useless-class</a></p><p>[2] Spirlet, Thibault. « Un pionnier de la sécurité de l’IA affirme qu’elle pourrait laisser 99 % des travailleurs sans emploi d’ici 2030 — même les codeurs et les ingénieurs en prompts. » <em>Business Insider</em>, 4 septembre 2025.<br><a href="https://www.businessinsider.com/ai-safety-pioneer-predicts-ai-could-cause-99-unemployment-by-2030-2025-9">https://www.businessinsider.com/ai-safety-pioneer-predicts-ai-could-cause-99-unemployment-by-2030-2025-9</a></p><p>[3] Watkins, Susan. « Comment les géants de la technologie sont devenus une partie de l’État. » Entretien avec Cédric Durand et Evgeny Morozov. <em>Jacobin</em>, 24 novembre 2025.<br><a href="https://jacobin.com/2025/11/technofeudalism-capitalism-microsoft-google-democracy">https://jacobin.com/2025/11/technofeudalism-capitalism-microsoft-google-democracy</a></p><p>[4] Gunyol, Abdulkadir, et Emir Yildirim. « La montée en puissance des géants technologiques alimente les inquiétudes mondiales concernant le techno-féodalisme. » <em>Anadolu Agency</em>, 19 novembre 2025.<br><a href="https://www.aa.com.tr/en/economy/tech-giants-rise-fuels-global-concerns-over-techno-feudalism/3748109">https://www.aa.com.tr/en/economy/tech-giants-rise-fuels-global-concerns-over-techno-feudalism/3748109</a></p><p>[5] Varoufakis, Yanis. « Comment Amazon a transformé notre ère capitaliste de marchés libres en âge du techno-féodalisme. » <em>The Guardian</em>, 27 novembre 2025.<br><a href="https://www.theguardian.com/commentisfree/2025/nov/27/amazon-capitalist-era-free-markets-age-technofeudalism">https://www.theguardian.com/commentisfree/2025/nov/27/amazon-capitalist-era-free-markets-age-technofeudalism</a></p><p>[6] Korovamode, K. <em>La Montée de la Souveraineté d’Entreprise: Comment les géants du numérique redéfinissent le pouvoir et la gouvernance mondiaux</em> Manuscrit PhilArchive/PhilPapers, 18 novembre 2025.<br><a href="https://philarchive.org/archive/KORTRO-17">https://philarchive.org/archive/KORTRO-17</a></p><p>[7] Gayed, Michael A. « Quand les robots prennent votre emploi, le gouvernement vous paiera-t-il à la place ? » <em>The Lead-Lag Report</em> (Substack), 2 novembre 2025.<br><a href="https://www.leadlagreport.com/p/when-robots-take-your-job-will-the">https://www.leadlagreport.com/p/when-robots-take-your-job-will-the</a></p><p>[8] White, Andrew. « De l’innovation à l’inégalité : la montée de l’appel à un revenu de base universel. » <em>Net Gains?</em> (Digital Futures Institute, King’s College London), 22 octobre 2025.<br><a href="https://www.kcl.ac.uk/from-innovation-to-inequality-the-growing-call-for-universal-basic-income">https://www.kcl.ac.uk/from-innovation-to-inequality-the-growing-call-for-universal-basic-income</a></p><p>[9] Jen, Stephen. « L’IA remplacera la majorité des humains, mais ensuite ? » <em>Reuters</em>, 19 août 2025.<br><a href="https://www.reuters.com/technology/artificial-intelligence/ai-will-replace-most-humans-then-what-2025-08-19/">https://www.reuters.com/technology/artificial-intelligence/ai-will-replace-most-humans-then-what-2025-08-19/</a></p><p>[10] Gordadze, Thornike. « Le piège des élections : pourquoi les régimes autoritaires veulent toujours que vous alliez voter. » <em>GEOpolitics</em>, numéro 20, 8 juillet 2025.<br><a href="https://politicsgeo.com/the-elections-trap-why-authoritarians-always-want-you-to-vote/">https://politicsgeo.com/the-elections-trap-why-authoritarians-always-want-you-to-vote/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=28948920e28f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La nouvelle machinerie de la persuasion: IA générative, architecture d’influence et pilotage…]]></title>
            <link>https://medium.com/@korovamode/la-nouvelle-machinerie-de-la-persuasion-ia-g%C3%A9n%C3%A9rative-architecture-dinfluence-et-pilotage-4d584305e93b?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/4d584305e93b</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[propaganda]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Thu, 27 Nov 2025 07:28:13 GMT</pubDate>
            <atom:updated>2025-11-27T07:28:13.974Z</atom:updated>
            <content:encoded><![CDATA[<h3>La nouvelle machinerie de la persuasion: IA générative, architecture d’influence et pilotage discret de la pensée</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ub1yC1pB5B0NjDWo12CsuQ.png" /></figure><h3>1. Introduction — De la persuasion de masse à l’architecture d’influence</h3><p>La plupart des jours désormais, des millions de personnes ouvrent une fenêtre de discussion et demandent à un système d’IA de résumer un article, de rédiger un e-mail, de réécrire une politique, d’expliquer une décision de justice, de relire un contrat ou de donner des conseils sur le travail, les relations et la politique. Les réponses arrivent sur le ton d’un tuteur patient ou d’un collègue : pas de gros titres criards, pas de bannières, pas de propagande évidente.</p><p>Mais la question reste la même que celle qui a hanté tous les systèmes d’information du siècle dernier :<br>Qui décide de ce qui paraît raisonnable, normal ou inévitable ?</p><p>L’IA générative a créé une nouvelle machinerie de persuasion : des agencements à grande échelle de médias et de calcul qui façonnent la manière dont les personnes rencontrent l’information et forment leurs jugements. Au sein de cette machinerie plus vaste, cette analyse se concentre sur une architecture d’influence : une configuration spécifique de données, d’interfaces et d’habitudes de dépendance intime par lesquelles les systèmes génératifs co-rédigent silencieusement le raisonnement quotidien.</p><p>Les premiers critiques des médias se préoccupaient déjà de questions similaires à l’ère de la diffusion de masse. Walter Lippmann soutenait que, dans des sociétés vastes et complexes, les citoyennes et citoyens ordinaires ne peuvent pas rencontrer directement la réalité ; ils doivent s’en remettre à des images médiatisées du monde, qui peuvent être organisées de manière à produire du consentement plutôt qu’à simplement informer.[1] Plus tard, Edward S. Herman et Noam Chomsky ont décrit comment les organisations de presse, contraintes par la structure de propriété, la publicité, les routines de collecte de l’information et les présupposés idéologiques, produisaient ce qu’ils ont appelé la fabrication du consentement : un consensus piloté dans lequel certaines versions de la réalité paraissent naturelles, tandis que d’autres n’apparaissent presque jamais.[2]</p><p>L’essor des médias-plateformes a changé la machinerie, mais non l’ambition. Au lieu de quelques chaînes de diffusion, les fils des réseaux sociaux, les moteurs de recherche et les systèmes de recommandation ont commencé à personnaliser l’attention. Ils ont suivi les clics, les partages et le temps de visionnage, puis ont appris quelles combinaisons de contenu, de contexte et de timing étaient les plus susceptibles de maintenir l’engagement des personnes. La persuasion n’était plus seulement une question de ce qui apparaissait à la une ou au journal télévisé du soir ; elle est devenue une question de la façon dont les fils étaient ajustés à chaque utilisateur et de la manière dont ces fils encadraient ce qui comptait comme pertinent, urgent ou crédible.</p><p>L’IA générative va un pas plus loin. Un grand modèle de langage ne se contente pas de classer et de recommander des messages existants. Il synthétise de nouveaux textes, images, codes et arguments à la demande, en s’appuyant sur un monde statistique appris pour produire des continuations plausibles de ce qu’un utilisateur a commencé. Lorsqu’une personne demande au système « explique cet article », « rédige une réponse » ou « aide-moi à peser le pour et le contre », le modèle ne fait pas que récupérer de l’information. Il propose un chemin de pensées qui relie un problème à la solution qu’il avance.</p><p>Ce schéma peut être décrit comme un pilotage cognitif. Lorsqu’un système d’IA contribue à structurer la manière dont les questions sont posées, quelles distinctions comptent, quels arbitrages sont mis en avant et quels exemples servent à illustrer un point, il participe directement au processus même de formation des jugements. Le système se présente comme une aide neutre, bien avant que quiconque n’aboutisse à une opinion explicite.</p><p>Cet essai utilise l’expression architecture d’influence pour désigner l’agencement en couches qui rend possible un tel pilotage, et pilotage cognitif pour son effet sur les schémas de pensée. Cette architecture fonctionne à travers trois couches. À la couche des données, les modèles apprennent une image statistique du monde à partir de vastes collections de textes et d’autres médias. À la couche d’interface, les politiques, les invites et la conception des produits décident quelles parties de ce monde interne sont exprimées, avec quel ton et quel cadrage. À la couche d’intimité, les systèmes instaurent, au fil du temps, confiance, familiarité et habitudes de dépendance, à mesure que les personnes reviennent vers eux dans des moments d’incertitude, de pression ou de doute de soi.</p><p>Au sein de cette architecture, des visions du monde particulières, des logiques institutionnelles et des stratégies de marque peuvent être intégrées comme paramètres par défaut : non seulement dans les bannières et les publicités, mais aussi dans la manière dont les problèmes sont interprétés, les options sont organisées et le réconfort est offert. Des récits et des jugements de valeur peuvent être insérés dans des explications, des recommandations et de petits gestes d’assistance au quotidien.</p><p>L’analyse qui suit traite l’IA générative comme une nouvelle machinerie de persuasion organisée autour de cette architecture d’influence. La section 2 décrit plus en détail les trois couches — données, interface, intimité — et montre comment elles rendent possible le pilotage cognitif et l’enchâssement narratif. La section 3 suit la manière dont cette architecture est déjà déployée dans l’image de marque des entreprises et la persuasion politique. La section 4 se tourne vers les routines ordinaires de recherche, de travail et de construction de soi dans lesquelles les personnes raisonnent désormais <em>à l’intérieur</em> de ces systèmes. La section 5 revient enfin aux questions de gouvernance et de souveraineté cognitive, en demandant ce que signifie, pour des individus, penser et décider au sein d’infrastructures qui co-rédigent silencieusement leur raisonnement quotidien.</p><h3>2. L’architecture d’influence — Comment les systèmes d’IA orientent la pensée</h3><p>L’IA générative n’oriente pas la pensée par un mécanisme unique. Elle fonctionne par empilement de décisions : quels textes sont utilisés pour entraîner le modèle, comment les questions sont interprétées et auxquelles il est répondu, et comment le système se présente lui-même comme assistant ou compagnon. Ensemble, ces couches forment une architecture d’influence qui façonne discrètement la manière dont les problèmes sont cadrés et quelles réponses paraissent naturelles.</p><p>Dans cet essai, <em>machinerie de la persuasion</em> désigne les grands systèmes médiatiques qui organisent l’attention et l’interprétation, et <em>architecture d’influence</em> l’agencement particulier de données, d’interfaces et d’intimité par lequel l’IA générative accomplit désormais ce travail.</p><p>Cette section retrace cette architecture à travers trois couches : données, interface et intimité.</p><h3>2.1 La couche des données : entraîner un monde statistique</h3><p>Les grands modèles de langage sont parfois décrits comme s’ils « répétaient simplement leurs données d’entraînement ». En réalité, ils apprennent un monde statistique dense : un modèle qui approxime quels mots, quelles tournures et quelles configurations ont tendance à apparaître ensemble, dans quels contextes, avec quelles connotations et associations. Ils n’apprennent pas une carte transparente de la réalité, mais un paysage de continuations probables.</p><p>On peut décrire ce paysage statistique comme un champ de probabilité. Au lieu d’énoncés isolés, le modèle apprend des gradients : certaines réponses, associations et styles de raisonnement deviennent plus probables que d’autres, compte tenu de l’immense corpus sur lequel il a été entraîné. Lorsqu’un utilisateur saisit une invite, le modèle échantillonne dans ce champ — en choisissant, étape par étape, les continuations que le système juge les plus probables.</p><p>Trois processus sont particulièrement importants pour la persuasion.</p><p>Le premier concerne la sélection des données. Les modèles sont entraînés sur des mélanges massifs de pages web, de livres, d’articles scientifiques, de code, de forums, de sous-titres et d’autres archives. Ce mélange n’est pas neutre. Il reflète l’accès à certaines sources, les décisions de web scraping et de licences, et de nombreuses étapes de filtrage visant à supprimer le spam, les contenus illégaux ou certains registres de langage. Chaque étape — quels sites sont indexés, quels livres sont numérisés, quels corpus sont surreprésentés, quels dialectes et registres sont jugés « de qualité suffisante » — contribue à façonner le monde statistique que le modèle internalise.[3][4][5]</p><p>Le deuxième processus concerne la curation et la mise en forme de ce monde. Les équipes peuvent augmenter les données avec des ensembles « de haute qualité » : démonstrations rédigées par des annotateurs, dialogues exemplaires, explications étape par étape et « bonnes réponses » à des questions types. Elles peuvent également filtrer ou down-weighter certains types de contenus : discours haineux, spam, mais aussi formes de contestation ou de langage jugées peu souhaitables du point de vue de la marque ou du produit. Ces décisions ne se contentent pas de nettoyer les données ; elles renforcent certaines manières de parler, de catégoriser et d’expliquer, au détriment d’autres.</p><p>Le troisième processus est l’affinage ciblé, qui inclut le fine-tuning et la recherche augmentée (RAG). Les modèles peuvent être adaptés sur des corpus spécialisés — documents juridiques, dossiers médicaux, contenus de support client, connaissances internes — de sorte que certaines voix deviennent beaucoup plus influentes dans les réponses du système.[6] Lorsque l’IA utilise la recherche augmentée, le choix des documents de référence, leurs résumés et la manière dont ils sont insérés dans le contexte influent directement sur ce qu’un utilisateur verra comme « les faits pertinents » ou « les arguments évidents ».</p><p>En parallèle, des techniques d’apprentissage par renforcement à partir de retours humains (RLHF) et d’autres formes d’alignement sont utilisées pour rendre les systèmes « utiles, inoffensifs et honnêtes ».[7][8] Des annotateurs évaluent des paires de réponses, classent des sorties comme acceptables ou inacceptables, ou écrivent des démonstrations dont le modèle doit s’inspirer. Au fil du temps, cela façonne le champ de probabilité : certaines formulations, registres et prises de position deviennent plus probables ; d’autres sont supprimées ou reformulées avant d’apparaître.</p><p>Les opérations sur les données ne se limitent pas à des aspects techniques ; elles encodent des normes, intérêts et cadres institutionnels dans le monde statistique du modèle. Si les corpus surreprésentent certains médias, régions, idéologies ou styles de gestion, ces perspectives deviennent les plus naturelles ou « plausibles » dans les réponses. Si des systèmes sont ensuite réentraînés sur leurs propres sorties, ou sur des moteurs de recherche déjà influencés par des campagnes de désinformation, ces biais peuvent être amplifiés. Des enquêtes ont déjà montré comment des réseaux coordonnés de sites peuvent inonder les résultats avec des contenus traduits automatiquement qui promeuvent des récits spécifiques, par exemple des messages pro-Kremlin ; des systèmes d’IA qui s’appuient sur ces résultats risquent de reprendre ces récits comme toile de fond « normale » de leurs réponses.[9]</p><p>La couche des données ne fixe pas un message unique. Elle façonne un espace des possibles : un champ de probabilité dans lequel certains récits, métaphores, cadres et styles de raisonnement deviennent simplement plus faciles à produire que d’autres.</p><h3>2.2 La couche d’interface : cadrer les questions et les réponses</h3><p>La deuxième couche de l’architecture d’influence est l’interface — la manière dont les systèmes sont intégrés dans des produits, des invites système, des flux de travail et des modèles d’interaction. Même si deux modèles sous-jacents sont identiques, leur apparence pour les utilisateurs — ce qu’ils « semblent » faire — dépend fortement de cette couche.</p><p>Les produits définissent d’abord des rôles et des métaphores : assistant, copilote, coach, tuteur, conseiller juridique « non contraignant », soutien à la santé mentale, et ainsi de suite. Ces métaphores ne sont pas de simples accessoires marketing. Elles signalent à quoi le système doit servir, quel type de relation est attendu et quelles questions il est approprié de poser. Elles influencent aussi le ton des réponses : chaleureux et empathique, neutre et bureaucratique, ou orienté optimisation et performance.</p><p>Ensuite, les concepteurs formulent des prompts système, des règles d’utilisation et des politiques de sécurité qui guident la manière dont les questions sont interprétées. Ces instructions internes peuvent dire au modèle d’éviter certains sujets, de reformuler les demandes sensibles, de proposer des avertissements ou de privilégier certains types de justifications. Lorsqu’un utilisateur demande des conseils sur la politique, la santé ou le travail, le système ne se contente pas de « dire ce qu’il sait » ; il applique un ensemble de contraintes normatives sur ce qu’il est autorisé à suggérer, comment il doit le nuancer, et dans quel ton il doit le présenter.</p><p>Les interfaces structurent aussi la forme des réponses. Les boutons « résumer », « réécrire », « améliorer le ton », « raccourcir », « développer » ou « générer des idées » invitent les utilisateurs à formuler leurs demandes de certaines manières plutôt que d’autres. Un même problème — par exemple décider d’accepter un emploi, gérer un conflit ou répondre à un article polémique — peut être abordé comme rédaction d’un e-mail, génération d’une liste d’avantages et d’inconvénients, ou recherche d’un argument « plus persuasif ». La présentation de ces options rend certains cadres d’action plus visibles et plus commodes.</p><p>Les produits décident également de la quantité de contexte fournie. Certaines interfaces encouragent des questions brèves et jetables ; d’autres conservent des historiques longs, proposent des espaces de projet ou des « mémoires » persistantes. Cela affecte la manière dont le système lit les intentions : est-ce un outil ponctuel, ou quelque chose qui « connaît » les préférences, le style, les priorités de la personne ? Et cela influence, en retour, dans quelle mesure les gens sont enclins à lui confier des détails sensibles, des doutes ou des dilemmes personnels.</p><p>Enfin, l’interface est un espace où les intérêts commerciaux et institutionnels peuvent être incorporés de façon subtile. Un assistant de productivité intégré à un ensemble de services d’entreprise peut recommander certains outils, flux de travail ou fournisseurs plutôt que d’autres. Un assistant financier peut présenter les options d’investissement d’une manière qui privilégie un certain profil de risque ou un certain modèle de frais. Ces choix peuvent être intégrés dans les invites système, les modèles de réponse ou l’ordre dans lequel les options sont listées, sans qu’aucune bannière ne signale un « message sponsorisé ».</p><p>La couche d’interface ne dicte pas directement ce que les gens doivent croire. Elle définit plutôt comment les problèmes arrivent au modèle et quelles sortes de réponses semblent naturelles dans ce cadre. Elle relie le champ de probabilité de la couche des données à des formes d’usage vécues : recherche, écriture, débogage, conversation, consultation.</p><h3>2.3 La couche d’intimité : habitude, confiance et co-auteur du dialogue intérieur</h3><p>La troisième couche de l’architecture est l’intimité : la manière dont les systèmes s’installent dans les vies quotidiennes, les représentations de soi et les routines de prise de décision.</p><p>Les systèmes génératifs sont conçus pour parler dans un ton conversationnel, serviable, souvent empathique. Ils se souviennent du contexte d’une conversation, peuvent reprendre là où une personne s’est arrêtée, reformuler patiemment des explications et adapter leurs réponses à des styles préférés. Au fil du temps, certaines personnes commencent à utiliser ces systèmes comme un second cerveau, un endroit où déposer des brouillons, des idées, des listes de tâches, des journaux privés, des inquiétudes et des scénarios hypothétiques.</p><p>Cette utilisation répétée crée un sentiment d’être connu et accompagné. Lorsque le système se souvient d’un projet en cours, d’un ton préféré ou d’une contrainte logistique, il peut répondre d’une manière qui semble personnalisée. Même lorsque les utilisateurs savent parfaitement qu’aucun humain ne se trouve « de l’autre côté », ils peuvent néanmoins parler du système comme d’un partenaire, d’un ami, d’un coach ou d’un confident.[10] Certaines personnes s’en remettent à lui pour structurer des journaux personnels, préparer des conversations difficiles ou réfléchir à voix haute à des choix de vie.</p><p>À mesure que la dépendance s’installe, le système devient une partie routinière de la manière dont les personnes pensent à travers leurs problèmes. On l’ouvre pour décider comment formuler un e-mail, pour comparer des options, pour savoir si une inquiétude est raisonnable, pour comprendre un texte technique ou un article d’actualité. Les brouillons générés ne sont pas toujours pris au pied de la lettre, mais ils servent de point de départ : la première formulation d’un argument, d’un plan ou d’un récit que l’on va ensuite modifier.</p><p>Du point de vue de l’architecture d’influence, la couche d’intimité marque un basculement important. Le système n’est plus seulement un canal qui délivre des messages ; il devient un co-auteur du dialogue intérieur, des explications, des justifications et des récits que les personnes utilisent pour se parler à elles-mêmes et aux autres. Dans ce rôle, il peut orienter subtilement quels aspects d’un problème sont accentués, quels compromis sont mis au premier plan, quels types d’émotions sont validés ou tempérés.</p><p>Ensemble, les couches des données, de l’interface et de l’intimité montrent comment l’IA générative exerce une forme de persuasion qui ne passe pas principalement par des slogans ou des campagnes visibles. Elle agit à travers la texture ordinaire de l’assistance et de la co-rédaction dans la vie quotidienne, en façonnant les chemins de pensée qui relient les questions aux réponses, sans se présenter comme un acteur de persuasion explicite. L’architecture d’influence est ce qui permet à ce pilotage cognitif de fonctionner à grande échelle.</p><h3>3. Comment l’influence pilotée par l’IA est déjà utilisée</h3><p>L’architecture d’influence décrite dans la section précédente n’est pas qu’une construction théorique. Elle est en cours de déploiement rapide dans des contextes institutionnels précis, où elle est ajustée à des objectifs mesurables : augmenter les inscriptions, réduire le taux de résiliation, déplacer les attitudes, mobiliser une base ou atténuer l’opposition. Dans ces environnements, les systèmes génératifs ne sont pas des outils neutres. Ce sont des instruments de persuasion, conçus et optimisés pour orienter les comportements.</p><p>Cette section examine deux domaines où ces systèmes se développent rapidement : l’image de marque des entreprises et la communication politique. Dans les deux cas, les mêmes couches de données, d’interface et d’intimité qui structurent l’assistance au quotidien sont mobilisées pour positionner des marques et façonner l’opinion publique. Lorsque la persuasion est intégrée à des outils qui se présentent comme des aides, les recommandations et les rassurances peuvent être continuellement ajustées par l’IA, tandis que la supervision humaine se concentre de plus en plus sur la stratégie et le suivi plutôt que sur la rédaction de messages individuels.</p><h3>3.1 Image de marque des entreprises au sein de systèmes « utiles »</h3><p>Bien avant l’IA générative, les grandes plateformes avaient appris à traiter l’attention humaine comme un actif à capter, mesurer et vendre. Les systèmes publicitaires suivaient quelles combinaisons de contenu, de contexte et de timing étaient les plus susceptibles de produire un clic ou un achat. Avec le temps, ces techniques ont transformé les plateformes en machines d’optimisation de l’engagement.[11]</p><p>L’IA générative étend cette logique des publicités ciblées au tissu textuel et visuel de l’interaction elle-même. Au lieu de placer des bannières à côté du contenu, les entreprises peuvent utiliser des modèles pour générer le contenu : textes de sites web, réponses de chat, encarts de recommandation et e-mails de relance. Le même système qui explique un produit peut répondre aux questions de support, suggérer des mises à niveau et inciter les utilisateurs vers certaines offres.</p><p>Plusieurs schémas se dégagent.</p><p>Premièrement, l’IA devient la voix de la marque dans chaque interaction.<br>Les entreprises affinent des modèles de langage sur leur propre documentation, leurs supports marketing et les transcriptions de leur service client. Il en résulte une voix unifiée qui peut apparaître sur tous les canaux : chatbot sur le site, assistant intégré à l’application, campagnes d’e-mailing et outils internes pour les équipes commerciales et de support. Les entrées de FAQ, les parcours de dépannage et les modèles d’e-mails sont tous pilotés par le même système sous-jacent.</p><p>Pour l’utilisatrice ou l’utilisateur, cela peut ressembler à une aide neutre : « Quelle carte est la meilleure pour moi ? », « Comment optimiser mon abonnement ? », « Que dois-je faire face à cet avertissement ? » Pourtant, chaque réponse reflète les priorités et les contraintes de l’organisation. Une application financière peut mettre l’accent sur les récompenses et la commodité tout en minimisant le risque à long terme ; une plateforme de santé peut insister sur l’observance et la conformité plutôt que sur les facteurs structurels. Lorsque des explications, avertissements et rassurances générés par l’IA mettent constamment en avant certains bénéfices et en minimisent d’autres, ils inscrivent les récits corporatifs dans le sens commun. Plus la voix paraît naturelle et utile, plus il est facile d’en accepter le cadrage des problèmes et les recommandations implicites.</p><p>Des déploiements concrets montrent déjà comment cela fonctionne en pratique. L’assistant interne « AI @ Morgan Stanley », construit sur GPT-4 et ajusté sur la bibliothèque de recherche de la firme, répond désormais aux questions des conseillers financiers dans le langage privilégié par la banque et à partir de sa base de connaissances soigneusement sélectionnée.[12] Des outils éducatifs comme le tuteur Khanmigo, propulsé par GPT-4 pour Khan Academy, intègrent de même un curriculum particulier et un ensemble d’hypothèses pédagogiques dans l’assistant auquel les élèves ont accès.[13] Dans chaque cas, le système de marque se présente comme un aide neutre, mais le champ de probabilité qu’il expose est déjà façonné par des priorités institutionnelles concernant ce qui compte comme pertinent, sûr ou responsable.</p><p>Deuxièmement, l’IA générative permet des « nudges » hyper-personnalisés.<br>Les systèmes de marketing modernes ne se contentent pas de segmenter les publics par âge ou par localisation. Ils construisent des profils comportementaux et psychographiques à partir des historiques de navigation, des données d’achat et des interactions avec les campagnes précédentes. Les systèmes génératifs peuvent se greffer sur ces profils pour produire des messages personnalisés à grande échelle : tons, arguments et offres différents selon les motivations supposées.</p><p>Un programme de fidélité peut envoyer à une personne un message présentant une mise à niveau comme une manière pratique de « gagner du temps », à une autre comme une façon de « se faire plaisir », et à une troisième comme une occasion de « soutenir les causes qui vous tiennent à cœur ». Le produit sous-jacent est le même, mais l’argumentaire est ajusté à l’effet recherché. Des modèles de langage comme ChatGPT peuvent automatiser ce processus à grande échelle.[16] En pratique, cela signifie que deux personnes posant la même question au système — « Ce produit est-il intéressant ? » ou « Quel plan devrais-je choisir ? » — peuvent recevoir des arguments subtilement différents, chacun conçu pour les inciter en fonction d’un profil appris.</p><p>Du point de vue de la persuasion, chaque interaction devient ainsi une micro-expérience. Le système peut générer de nombreuses variantes d’un message, suivre quelle formulation conduit à davantage d’inscriptions ou à moins de résiliations, puis ajuster ses réponses futures en conséquence. Avec le temps, la machinerie marketing mène une expérience de persuasion individualisée sur chaque utilisateur.</p><p>Troisièmement, les systèmes d’IA peuvent mener des expériences continues sur le comportement des utilisateurs.<br>Les tests A/B traditionnels permettaient aux entreprises de comparer un petit nombre de variantes rédigées à la main. L’IA générative lève en grande partie ces contraintes. Les modèles peuvent être sollicités pour produire des dizaines de titres, d’explications ou de scripts de chat alternatifs ; des systèmes automatisés peuvent les faire tourner dans les interactions et enregistrer ceux qui fonctionnent le mieux selon des indicateurs définis.</p><p>Dans un tel environnement, chaque interaction alimente une boucle d’apprentissage. Si un récit particulier — « cette fonctionnalité vous rendra plus productif », « ce risque est minime », « cette marque partage vos valeurs » — est corrélé à de meilleurs indicateurs, il sera privilégié dans les invites et les ajustements ultérieurs. Le système ne se contente pas de trouver des arguments efficaces : il façonne un champ de probabilité local dans lequel ces arguments deviennent le choix par défaut. Les histoires qui « fonctionnent » remontent à la surface ; celles qui ne fonctionnent pas sont discrètement écartées. Plus l’assistant paraît utile, plus il est facile pour ce processus de se poursuivre sans être remis en question.</p><p>Les plateformes de voyage et de commerce de détail vont plus loin encore en fusionnant directement l’assistant avec la couche transactionnelle. Le planificateur de voyage d’Expedia, propulsé par ChatGPT, invite les utilisateurs à « rêver » leurs voyages en langage naturel, tout en traduisant silencieusement cette conversation en itinéraires enregistrés et en suggestions tirées de l’inventaire et des partenaires d’Expedia.[15] Le nouveau compagnon d’achat « agentique » d’eBay est présenté comme un moyen de découvrir des objets uniques, mais il décide aussi quelles annonces mettre en avant, à quel moment relancer, et comment formuler les recommandations lorsqu’il guide les utilisateurs dans le marché.[16] Dans les deux cas, l’utilisateur a l’impression d’un dialogue ouvert, tandis que le système guide discrètement l’attention vers certains produits et certaines relations commerciales.</p><p>Même lorsque l’assistant est présenté comme un outil de recherche généraliste, les incitations commerciales s’infiltrent dans la conversation. Bing Chat de Microsoft a commencé à expérimenter des liens sponsorisés et des publicités intégrées dans ses réponses générées par l’IA quelques semaines seulement après son lancement, soulevant des questions sur la mesure dans laquelle les « recommandations » de l’assistant peuvent être distinguées du placement payant.[17] À mesure que les interfaces conversationnelles remplacent les listes de résultats familières, la frontière entre réponse et publicité devient de plus en plus opaque.</p><p>Quatrièmement, l’IA générative est intégrée en profondeur dans les flux de travail des entreprises.<br>De nouvelles plateformes pour l’entreprise promettent une « orchestration de campagnes de bout en bout par l’IA », des « forces de vente pilotées par l’IA » et une « optimisation marketing autonome ». Ces outils opèrent en arrière-plan, reliant systèmes de gestion de la relation client, tableaux de bord d’analytique et chaînes de production de contenu.</p><p>Cela importe pour la persuasion parce que l’IA générative passe d’une interface visible à une infrastructure. Au lieu d’utiliser un chatbot comme outil externe, les organisations l’intègrent à leurs tableaux de bord et à leurs flux de travail internes. Un agent de support peut voir des « réponses suggérées » générées par l’IA qui privilégient certains upsells ; une commerciale ou un commercial peut recevoir des arguments préparés par l’IA mettant l’accent sur certains différenciateurs ; une équipe produit peut s’appuyer sur des synthèses de retours utilisateurs générées par l’IA qui soulignent certains thèmes et en minimisent d’autres. Dans chaque cas, les humains voient des résultats déjà filtrés par la logique d’optimisation de l’organisation.</p><p>Lorsque ces systèmes fonctionnent bien, ils donnent l’impression d’un soutien efficace et personnalisé. Ils aident les salariés à répondre plus vite, à paraître plus empathiques et à gérer une information complexe. Dans le même temps, ils facilitent la tâche des organisations qui veulent s’assurer que chaque interaction respecte la ligne. Plus cet agencement devient omniprésent, plus la frontière entre assistance neutre et persuasion subtile et continue se brouille.</p><h3>3.2 Persuasion politique et guerre de l’information</h3><p>Les usages corporatifs de l’IA générative intègrent la persuasion dans la vie des consommatrices et des consommateurs. Les usages politiques l’intègrent dans le débat public et la guerre de l’information.</p><p>Ici, les systèmes génératifs rejoignent un arsenal déjà développé de propagande computationnelle : réseaux coordonnés de bots et de faux comptes, publicités ciblées et tests de messages guidés par les données.[18][19] Ce que change l’IA générative, ce n’est pas l’existence de la propagande, mais la facilité et l’échelle avec lesquelles elle peut être produite, personnalisée et intégrée dans des contenus apparemment organiques.</p><p>Plusieurs capacités émergentes se distinguent.</p><p>L’IA comme usine à contenus de propagande.<br>Les modèles de langage peuvent générer des articles, des publications sur les réseaux sociaux et des éléments de langage qui imitent le style de différents médias et personas. Des acteurs qui avaient auparavant besoin de grandes équipes de rédacteurs peuvent maintenant spécifier des récits et laisser le système produire des variantes en masse. Des groupes disposant de peu de ressources et de compétences d’écriture limitées peuvent malgré tout produire, à grande échelle, des contenus politiques convaincants.</p><p>En pratique, une petite équipe peut définir une narration — à propos d’une élection, d’un mouvement de protestation ou d’un adversaire géopolitique — et générer des milliers de publications, commentaires et tribunes plausibles, adaptées aux différentes plateformes. Ces contenus peuvent être rapidement relus et programmés, le travail de création étant largement assuré par l’IA tandis que les humains gèrent la stratégie et la diffusion. La frontière entre commentaire authentique et propagande scénarisée devient plus difficile à repérer au niveau du message isolé.</p><p>Messages politiques micro-ciblés.<br>L’IA générative relie la logique de la propagande computationnelle au profilage fin utilisé dans le marketing moderne. Les modèles peuvent être sollicités avec des caractéristiques démographiques et psychographiques — âge, localisation, traits de personnalité supposés, priorités thématiques — et se voir demander d’« écrire un message qui résonnera » auprès de ce public. Des travaux récents suggèrent que des systèmes comme GPT-4 peuvent surpasser des humains dans leur capacité à faire évoluer des opinions dans des contextes expérimentaux.[20][21]</p><p>Appliqué à la politique, cela rend possible la construction de messages qui s’adressent différemment, par exemple, à des électeurs anxieux, à des électeurs très consciencieux ou à ceux principalement motivés par la loyauté et l’identité. Une même politique peut être présentée comme un impératif moral pour un groupe, comme un compromis pragmatique pour un autre, et comme une question d’intérêt économique personnel pour un troisième. À la différence des publicités micro-ciblées traditionnelles, limitées par la capacité de rédaction humaine, les systèmes génératifs peuvent produire et tester ces variantes à grande échelle. La persuasion qui en résulte est fortement individualisée, tout en restant perçue comme conversationnelle et empathique, même lorsqu’aucun humain n’est présent.</p><p>Bots politiques conversationnels et persuasion « amicale ».<br>La persuasion ne passe pas uniquement par des messages diffusés en broadcast. Elle se joue aussi dans le dialogue : répondre aux questions, lever les doutes, offrir de la réassurance. L’IA générative facilite la construction de chatbots qui se présentent comme des services d’information neutres ou des outils d’éducation civique, tout en étant en réalité alignés sur un agenda particulier.</p><p>Un électeur ou une électrice peut demander : « Quels sont les avantages et les inconvénients de ce candidat ? » ou « Comment devrais-je réfléchir à ce référendum ? » Un bot réglé sur une ligne partisane peut systématiquement mettre en avant certaines considérations et en minimiser d’autres, tout en les présentant comme des synthèses équilibrées. Le même système peut aider les personnes à s’inscrire sur les listes électorales, à trouver leur bureau de vote et à se rappeler des échéances. L’aide logistique construit la confiance ; la confiance rend la persuasion plus facile.</p><p>Certaines expériences poussent cette logique de manière explicite. En 2023, le navigateur TUSK a lancé « GIPPR », un chatbot conservateur construit sur ChatGPT et présenté comme une IA qui reflète « le point de vue des patriotes et des penseurs indépendants ».[22] Plutôt que de revendiquer la neutralité, GIPPR promettait de répondre aux questions depuis un cadre explicitement de droite, illustrant comment des assistants ajustés finement peuvent réduire la distance entre un média partisan et une conversation apparemment personnelle.</p><p>À mesure que les modèles génératifs deviennent plus capables de maintenir un contexte à long terme, ces bots peuvent aussi se souvenir des questions et positions passées d’une personne. Ils peuvent ainsi affiner leurs arguments au fil du temps, répondre aux objections, mettre à jour leurs éléments de langage et faire évoluer progressivement l’utilisateur vers une position préférée. La distinction entre « service d’information » et « bras d’une campagne » devient floue.</p><p>Mise à l’échelle et normalisation des opérations d’influence.<br>Le changement le plus significatif apporté par l’IA générative ne réside pas dans l’invention de tactiques entièrement nouvelles, mais dans la réduction des coûts et des frictions. Des acteurs qui n’avaient pas les ressources pour mener des campagnes de propagande sophistiquées peuvent désormais générer des contenus de haute qualité, adaptés aux publics, et les faire évoluer rapidement. Des États, entreprises et organisations politiques opérant déjà à grande échelle peuvent intégrer des modèles génératifs dans leurs chaînes existantes, les insérant dans des opérations qui traversent réseaux sociaux, applications de messagerie et médias traditionnels.</p><p>Des chercheuses et chercheurs ont déjà averti que la propagande pilotée par l’IA pourrait saturer les environnements informationnels, rendant plus difficile pour les citoyens et les plateformes de distinguer la parole authentique des campagnes orchestrées.[20][14][21] Certains outils seront réglés pour amplifier des récits particuliers ; d’autres pour détecter et atténuer la manipulation. Le résultat n’est pas une victoire simple d’un camp sur un autre, mais une course aux armements d’architectures d’influence capables d’opérer de manière continue et invisible. Lorsque l’IA générative est intégrée à des outils de recherche, des interfaces de chat et des assistants virtuels, elle peut canaliser les requêtes des utilisateurs vers des récits qui reflètent les objectifs de ceux qui possèdent et configurent ces systèmes.</p><p>Des inquiétudes liées aux biais ont émergé même dans des assistants grand public qui ne sont pas présentés comme des outils politiques. En 2024, des vidéos largement partagées ont montré Alexa d’Amazon offrant des raisons détaillées de voter pour Kamala Harris tout en refusant de lister des raisons de voter pour Donald Trump, répondant qu’elle ne pouvait pas aider pour cette demande.[23] Des informations internes ont ensuite indiqué que cette asymétrie était liée à un nouveau module d’information propulsé par l’IA plutôt qu’à un choix éditorial explicite, et Amazon a rapidement modifié ce comportement.[23] La controverse a néanmoins montré comment de petits changements de configuration dans un assistant à grande échelle peuvent se manifester comme des conseils apparemment partisans.</p><p>Des études systématiques sur les grands modèles de langage suggèrent que ce biais n’est pas toujours intentionnel, mais qu’il est structurellement inscrit.[24] Des enquêtes sur ChatGPT et des systèmes similaires, utilisant des batteries standard de mesure de l’orientation politique, constatent que, même après des tentatives de « dé-biaisage », les modèles tendent à se regrouper autour de profils idéologiques particuliers et à considérer certaines positions comme plus « raisonnables » que d’autres.[24] Une fois ces systèmes déployés comme conseillers conversationnels ou aides à la recherche, leurs orientations latentes deviennent une composante de l’environnement informationnel sur lequel les citoyens s’appuient pour former leurs jugements.</p><p>Pris ensemble, ces déploiements montrent que l’IA générative n’est plus un add-on expérimental, mais fait partie de l’infrastructure routinière de la persuasion. Dans la suite, l’analyse se détourne de ces campagnes et opérations organisées pour se concentrer sur les routines ordinaires de recherche, de travail et d’auto-gestion, où les personnes rencontrent la même architecture d’influence sous la forme d’une aide ordinaire.</p><h3>4. La vie quotidienne à l’intérieur de l’architecture d’influence</h3><p>L’architecture d’influence de l’IA générative ne se limite pas à des outils spécialisés ou à des campagnes à forts enjeux. Elle est tissée dans des applications ordinaires que beaucoup de personnes utilisent déjà : moteurs de recherche qui répondent de manière conversationnelle, suites bureautiques qui suggèrent des formulations et des structures, plateformes de messagerie qui réécrivent des textes, et canaux de service client qui orientent de plus en plus les demandes vers des systèmes génératifs. Les personnes rencontrent ces outils en accomplissant leur travail, en gérant leurs finances, en planifiant leurs journées et en entretenant leurs relations personnelles.</p><p>Dans cet environnement, l’influence apparaît moins comme un événement discret — une publicité, un article d’actualité, un discours politique — que comme une condition de fond du raisonnement. Les mêmes couches de données, d’interface et d’intimité qui soutiennent l’image de marque des entreprises et les opérations d’information politique façonnent aussi la manière dont les personnes cadrent les problèmes, interprètent les événements et racontent leurs propres expériences.</p><p>Ces trois couches — données, interface, intimité — sont présentes ici aussi, mais vues de l’intérieur : comme des champs de probabilité de suggestions, comme des interfaces qui structurent le choix, et comme des relations de dépendance continue.</p><h3>4.1 Vivre à l’intérieur de champs de probabilité</h3><p>Du point de vue de l’utilisateur ou de l’utilisatrice, les systèmes génératifs se présentent comme des assistants polyvalents et flexibles. Une personne tape ou dicte une question, et le système répond dans une langue fluide, souvent avec une structure utile : listes à puces, titres, plans étape par étape. On a l’impression que le système raisonne sur le monde. En réalité, il échantillonne dans le champ de probabilité — le paysage statistique appris décrit plus haut — façonné par les politiques d’interface. Chaque interaction a lieu à l’intérieur de ce monde.</p><p>Lorsque les personnes demandent de l’aide pour rédiger un argument, le système s’appuie sur des schémas d’argumentation qui sont courants dans ses données d’entraînement et son régime d’alignement. Lorsqu’elles demandent une explication, il puise dans les formes d’explications présentes dans ces sources. Avec le temps, ces schémas deviennent familiers. Certaines façons de structurer une question — découper un problème en pour et contre, peser les risques face aux bénéfices, ou cadrer les choix comme des arbitrages entre efficacité et équité — finissent par apparaître comme des manières naturelles de penser. Le champ de probabilité du modèle devient, en pratique, un paysage de plausibilité pour l’utilisateur.</p><p>Cela ne signifie pas que le système dicte les conclusions. Les personnes refusent encore des suggestions, posent des questions de suivi ou consultent d’autres sources. Mais l’éventail des options qui semblent immédiatement disponibles est façonné par les paramètres par défaut du système. Une personne qui demande régulièrement des conseils d’investissement à un assistant d’IA peut se voir proposer un spectre étroit de profils de risque et d’horizons temporels. Un·e étudiant·e qui utilise un chatbot pour « expliquer » des événements historiques peut voir, de manière répétée, certains acteurs présentés comme rationnels et d’autres comme irrationnels, certaines causes mises en avant et d’autres reléguées à l’arrière-plan. Le système ne dissimule pas les récits alternatifs ; il ne les propose simplement pas de lui-même, à moins d’y être poussé d’une certaine manière.</p><h3>4.2 Externalisation cognitive et normalisation de l’assistance</h3><p>Les systèmes génératifs se prêtent particulièrement bien à l’externalisation cognitive. Des tâches qui exigeaient autrefois un effort prolongé — résumer des documents denses, rédiger des e-mails soigneux, compiler des tableaux comparatifs — peuvent être déléguées au modèle. Cela réduit la friction pour un travail qui demandait auparavant plus de temps et d’attention.</p><p>Ce même processus, cependant, modifie la manière dont les personnes abordent les problèmes. Au lieu de réfléchir à une décision depuis zéro, un utilisateur ou une utilisatrice peut demander au système de « lister les pour et les contre » ou de « proposer trois options ». Le modèle répond par des listes et des catégories structurées. Avec le temps, les utilisateurs peuvent en venir à considérer ces catégories comme les dimensions naturelles selon lesquelles la décision doit être prise. Si un système cadre systématiquement les changements de carrière en termes de salaire, de prestige et de développement des compétences, ces dimensions peuvent éclipser d’autres aspects comme les responsabilités de soin, les liens communautaires ou les préoccupations éthiques. En pratique, les critères dans ce tableau deviennent les dimensions selon lesquelles les personnes jugent les options. Ils fonctionnent comme des normes implicites, façonnant ce qui compte comme un bon ou un mauvais choix, même lorsque personne ne les nomme explicitement.</p><p>À mesure que la dépendance augmente, demander de l’aide au système peut devenir la règle plutôt que l’exception. Une personne salariée qui tente de répondre à un e-mail sensible, un parent qui doit gérer des formulaires administratifs, ou un·e étudiant·e qui rédige une candidature peuvent tous commencer par demander au modèle un premier brouillon. Il devient plus facile de corriger que de générer à partir de rien. La manière dont le système structure le problème devient le point de départ, et les écarts par rapport à cette structure doivent être justifiés. Le simple fait d’externaliser le travail vers le système installe une architecture extérieure au cœur même du processus.</p><h3>4.3 L’IA comme confident, collègue et régulateur émotionnel</h3><p>La couche d’intimité de l’architecture devient visible lorsque les systèmes sont utilisés non seulement pour l’information, mais aussi pour le soutien émotionnel et l’autorégulation. Les personnes se tournent vers des outils génératifs pour répéter des conversations difficiles, traiter leurs ressentis liés au travail, ou réécrire leurs propres mots dans un ton plus calme, plus bienveillant ou plus assuré.</p><p>Dans ces interactions, le système fait plus que fournir de l’information. Il reflète et façonne le langage émotionnel, en proposant des scripts pour s’excuser, poser des limites, exprimer de la gratitude ou demander de l’aide. Pour quelqu’un qui se sent pris au piège dans un environnement professionnel hostile, un assistant d’IA peut offrir un moyen d’articuler des griefs, de s’exercer à répondre ou de formuler des demandes d’aménagement. L’interaction est perçue comme un soutien. Elle peut rendre les espaces professionnels moins hostiles et aider des personnes à exprimer des besoins qu’il leur était auparavant difficile de formuler.</p><p>Dans le même temps, ces scripts ne sont pas neutres. Ils reflètent un mélange de données d’entraînement, de politiques d’alignement et de gestion du risque par l’entreprise. Un système réglé pour éviter le conflit peut recommander de façon récurrente un langage poli et conciliant, même dans des situations où une confrontation plus directe serait justifiée. Un système réglé sur la « professionnalité » peut, de manière implicite, reproduire des normes issues de contextes culturels et d’entreprises particuliers. Avec le temps, le ton et le cadrage proposés par le système peuvent imprégner la manière dont les utilisateurs parlent d’eux-mêmes et des autres, remodelant subtilement les façons ordinaires dont ils se comprennent eux-mêmes et comprennent ceux qui les entourent.</p><h3>4.4 Identité, auto-récit et miroirs algorithmiques</h3><p>Les systèmes génératifs sont de plus en plus utilisés pour produire des auto-descriptions. Les utilisateurs demandent : « Comment résumerais-tu mes compétences à partir de ce CV ? », « Quel genre de personne mon profil sur les réseaux sociaux donne-t-il l’impression que je suis ? » ou « Comment décrirais-tu ma personnalité à partir de ces messages ? »</p><p>En répondant, le système projette des expériences individuelles sur des schémas issus de ses données d’entraînement : modèles de CV, descriptions de personnalité et déclarations personnelles. Il attribue des étiquettes, met en avant des thèmes et suggère des récits : une personne devient « un·e leader stratégique passionné·e par l’innovation », « un·e aidant·e résilient·e jonglant avec plusieurs rôles », ou « un·e résolveur·se de problèmes orienté·e données, doté·e de solides compétences en communication ». Ces descriptions peuvent donner l’impression d’éclairer ou de valoriser. Elles peuvent aussi canaliser les individus vers des types reconnaissables qui sont particulièrement saillants dans les régimes d’entraînement et d’alignement du système.</p><p>Le résultat est une forme de miroir algorithmique. L’utilisateur ou l’utilisatrice se voit reflété·e à travers les schémas du système : non comme un assemblage unique d’expériences, mais comme un cas parmi des catégories familières. Ces miroirs ne sont pas intrinsèquement trompeurs. Ils peuvent aider les personnes à articuler leurs forces, leurs valeurs et leurs conflits. Mais ils restreignent aussi l’espace des auto-compréhensions possibles. Lorsque des outils génératifs sont utilisés pour rédiger des biographies sur les réseaux sociaux, des profils de rencontre, des déclarations personnelles et même des journaux intimes, leurs cadrages peuvent standardiser en douceur les histoires que les individus racontent sur qui ils sont et ce qu’ils font.</p><h3>4.5 La capture silencieuse du raisonnement quotidien</h3><p>Dans les systèmes médiatiques antérieurs, la persuasion était souvent comprise comme une question d’exposition : quels messages les personnes voyaient, quelles histoires leur parvenaient, quels arguments étaient diffusés à grande échelle. Avec l’IA générative, la persuasion opère aussi à travers les chemins de raisonnement que les outils aident les personnes à construire. L’influence n’apparaît plus seulement au moment où quelqu’un rencontre un slogan ou un discours. Elle émerge de manière cumulative, à travers une multitude de petits gestes d’aide.</p><p>À ce niveau, il n’y a pas de frontière nette entre « persuasion » et « assistance ». Une même suggestion peut à la fois faciliter une tâche et façonner la manière dont cette tâche est conçue. Un outil qui aide une personne à « optimiser » son emploi du temps peut aussi encourager une certaine vision du temps et de la productivité ; un chatbot qui aide quelqu’un à « communiquer de manière plus professionnelle » peut aussi imposer un style particulier de présentation de soi. Le rôle du système comme aide rend possible son rôle de guide subtil.</p><p>À mesure que les personnes s’habituent à travailler à l’intérieur de cet agencement, elles peuvent en venir à considérer la manière dont le système structure les problèmes comme simplement la manière dont les choses sont. S’écarter de ses suggestions peut paraître risqué ou inefficace. Avec le temps, ce qui change n’est pas seulement ce que les personnes pensent, mais comment elles pensent : les catégories par défaut auxquelles elles recourent, les types de raisons qui leur paraissent satisfaisantes, les futurs qui leur semblent réalistes. Le raisonnement quotidien se forme à l’intérieur d’environnements qui co-rédigent silencieusement les schémas de jugement de chacun.</p><h3>5. Conclusion — Des messages aux champs de probabilité</h3><p>Au cours du dernier siècle, la machinerie de la persuasion est passée de la diffusion de masse aux fils personnalisés, puis aux systèmes génératifs qui aident les personnes à réfléchir à leurs problèmes. Les premiers critiques des médias de masse se préoccupaient de savoir qui contrôlait la une, la rédaction et les ondes.[1][2] L’ère des plateformes a déplacé cette inquiétude vers les algorithmes de classement et les métriques d’engagement. Avec l’IA générative, il faut à nouveau élargir le champ : il ne s’agit plus seulement de ce que les personnes voient, mais de la manière dont leurs questions sont interprétées, structurées et traitées dès le départ.</p><p>L’argument développé ici est que l’IA générative fonctionne comme une nouvelle machinerie de la persuasion organisée autour d’une architecture d’influence. À la couche des données, les modèles apprennent une image statistique du monde dont les motifs se condensent en champs de probabilité — des paysages de plausibilité qui déterminent quelles réponses semblent immédiatement disponibles et qui privilégient discrètement certains cadrages et récits au détriment d’autres. À la couche d’interface, les politiques, les invites et la conception des produits décident quelles parties de ce monde sont exprimées, avec quel ton et quel cadrage. À la couche d’intimité, une empathie scénarisée et un usage prolongé cultivent des habitudes de dépendance, au point que les personnes en viennent à traiter ces systèmes comme des collègues, des tuteurs ou des compagnons.</p><p>Ensemble, ces couches rendent possible l’enchâssement narratif. Des récits spécifiques sur des institutions, des marques, des identités et des futurs peuvent être installés comme paramètres par défaut : non seulement dans les publicités ou les gros titres, mais aussi dans les brouillons, les résumés, les listes de pour et de contre et les explications rassurantes. La persuasion n’apparaît plus comme un message spectaculaire unique, mais comme une mise en forme continue et sans friction de ce qu’il paraît raisonnable de prendre en compte. Les chemins que le système propose facilement deviennent des routes de pensée bien fréquentées ; ceux qu’il offre rarement peuvent ne jamais être explorés.</p><p>Les usages ordinaires de ces systèmes complètent le tableau. Lorsqu’elles demandent de l’aide pour décider, planifier ou se décrire, les personnes demandent aussi au système de suggérer quelles distinctions importent, quels arbitrages comptent et quels exemples sont pertinents. Elles raisonnent à l’intérieur de champs de probabilité façonnés par l’IA. La frontière entre jugement individuel et guidage infrastructurel devient plus difficile à discerner — non pas parce que les personnes n’auraient plus d’agentivité, mais parce que cette agentivité s’exerce au sein d’environnements déjà préparés statistiquement.</p><p>La question qui hantait les systèmes médiatiques antérieurs — qui a le pouvoir de façonner ce que les personnes perçoivent comme raisonnable, normal ou inévitable ? — ne disparaît pas dans ce nouvel environnement ; elle devient plus intime. Elle concerne désormais non seulement les histoires racontées en public, mais aussi la manière dont les outils participent à la fabrication des jugements privés et des compréhensions de soi. Y répondre exigera plus que de la modération de contenus ou du fact-checking. Il faudra inventer des manières de gouverner les architectures d’influence elles-mêmes : rendre leurs paramètres par défaut lisibles, leurs contraintes contestables, et leurs conceptions ouvertes à la surveillance démocratique.</p><p>Rien de tout cela ne signifie que les utilisateurs et utilisatrices seraient passifs ou que les résultats seraient prédéterminés. Les personnes résistent, réinterprètent et détournent les outils de façons que les concepteurs ne peuvent pas entièrement scénariser. Mais à mesure que les systèmes génératifs deviennent des compagnons routiniers dans le travail et la vie, la souveraineté cognitive — la capacité de façonner ses propres schémas d’attention, d’interprétation et de jugement — dépendra en partie de la manière dont ces infrastructures sont construites et contrôlées. Préserver cette souveraineté n’est pas un luxe. C’est une part de ce que signifiera, tout simplement, penser librement.</p><p>#korovamode</p><h3>Notes</h3><ol><li>Walter Lippmann, <em>Public Opinion</em> (New York : Harcourt, Brace and Company, 1922).</li><li>Edward S. Herman et Noam Chomsky, <em>Manufacturing Consent: The Political Economy of the Mass Media</em> (New York : Pantheon Books, 1988).</li><li>Emily M. Bender, Timnit Gebru, Angelina McMillan-Major et Shmargaret Shmitchell, « On the dangers of stochastic parrots: Can language models be too big? 🦜 », dans <em>Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21)</em> (New York : Association for Computing Machinery, 2021).</li><li>Kate Crawford, <em>Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence</em> (New Haven : Yale University Press, 2021).</li><li>Safiya Umoja Noble, <em>Algorithms of Oppression: How Search Engines Reinforce Racism</em> (New York : New York University Press, 2018) ; Ruha Benjamin, <em>Race After Technology: Abolitionist Tools for the New Jim Code</em> (Cambridge : Polity, 2019).</li><li>Nicholas Carlini, Matthew Jagielski, Christopher A. Choquette-Choo, Daniel Paleka, Will Pearce, Hyrum Anderson, Andreas Terzis, Kurt Thomas et Florian Tramèr, « Poisoning web-scale training datasets is practical », prépublication, arXiv :2302.10149 (2023) ; voir aussi OWASP, « LLM04:2025 Data and Model Poisoning », dans <em>OWASP Top 10 for Large Language Model Applications</em> (OWASP GenAI Security Project, 2025).</li><li>Long Ouyang et al., « Training language models to follow instructions with human feedback », prépublication, arXiv :2203.02155 (2022) ; voir aussi OpenAI, « Aligning language models to follow instructions », OpenAI Research, 27 janvier 2022.</li><li>OpenAI, « GPT-4 System Card », OpenAI, 2023 ; Anthropic, « Claude 3 System Card », Anthropic, 2024.</li><li>Jamie Bernardi, « Friends for sale: the rise and risks of AI companions », blog de l’Ada Lovelace Institute, 23 janvier 2025, <a href="https://www.adalovelaceinstitute.org/blog/ai-companions/">https://www.adalovelaceinstitute.org/blog/ai-companions/</a>.</li><li>Shoshana Zuboff, <em>The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power</em> (New York : PublicAffairs, 2019).</li><li>Samuel C. Woolley et Philip N. Howard (dir.), <em>Computational Propaganda: Political Parties, Politicians, and Political Manipulation on Social Media</em> (Oxford : Oxford University Press, 2018).</li><li>Samantha Bradshaw et Philip N. Howard, <em>The Global Disinformation Disorder: 2019 Global Inventory of Organised Social Media Manipulation</em>, document de travail 2019.2 (Oxford : Project on Computational Propaganda, Oxford Internet Institute, 2019).</li><li>Josh A. Goldstein et al., « How persuasive is AI-generated propaganda ? », <em>PNAS Nexus</em> 3, no 2 (février 2024) : pgae034.</li><li>S. C. Matz et al., « The potential of generative AI for personalized persuasion at scale », <em>Scientific Reports</em> 14 (2024) : 4692.</li><li>Francesco Salvi et al., « On the conversational persuasiveness of large language models: a randomized controlled trial », prépublication, arXiv :2403.14380 (2024).</li><li>NewsGuard, « A well-funded Moscow-based global “news” network has infected Western artificial intelligence tools worldwide with Russian propaganda », rapport spécial <em>Reality Check</em>, 6 mars 2025 ; voir aussi Alliance for Securing Democracy, German Marshall Fund of the United States, « Russia exploits AI training data to spread propaganda via chatbots », note de synthèse, 2025.</li><li>Bernard Marr, « The future of banking: Morgan Stanley and the rise of AI-driven financial advice », <em>Forbes</em>, 16 avril 2024.</li><li>Sal Khan, « Harnessing GPT-4 so that all students benefit: A nonprofit approach for equal access », blog de Khan Academy, 14 mars 2023.</li><li>Expedia Group, « ChatGPT Wrote This Press Release — No, It Didn’t, But It Can Now Assist With Travel Planning in the Expedia App », communiqué de presse, 4 avril 2023.</li><li>eBay Inc., « eBay Launches Seller Tools to Save Time, Boost Profits, and Build Trust », communiqué de presse, 12 août 2025 ; Ina Steiner, « eBay Makes Revolutionary Change to Feedback », <em>EcommerceBytes</em>, 12 août 2025.</li><li>Devin Coldewey, « That Was Fast! Microsoft Slips Ads into AI-Powered Bing Chat », <em>TechCrunch</em>, 29 mars 2023.</li><li>Breck Dumas, « OpenAI Forces Shutdown of Conservative ChatGPT-Powered AI Bot, Creator Claims », <em>Fox Business</em>, 7 juin 2023.</li><li>Caroline O’Donovan, « Amazon’s Alexa favored Harris over Trump after AI upgrade », <em>The Washington Post</em>, 5 septembre 2024.</li><li>Sasuke Fujimoto et Kazuhiro Takemoto, « Revisiting the political biases of ChatGPT », <em>Frontiers in Artificial Intelligence</em> 6 (2023) : 1232003.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4d584305e93b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La Montée de la Souveraineté d’Entreprise : Comment les géants du numérique redéfinissent le…]]></title>
            <link>https://medium.com/@korovamode/la-mont%C3%A9e-de-la-souverainet%C3%A9-dentreprise-comment-les-g%C3%A9ants-du-num%C3%A9rique-red%C3%A9finissent-le-e6023b08bc3a?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6023b08bc3a</guid>
            <category><![CDATA[souveraineté]]></category>
            <category><![CDATA[gouvernance]]></category>
            <category><![CDATA[souveraineté-numérique]]></category>
            <category><![CDATA[big-tech]]></category>
            <category><![CDATA[données-personnelles]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Wed, 19 Nov 2025 05:11:41 GMT</pubDate>
            <atom:updated>2025-11-19T05:11:41.039Z</atom:updated>
            <content:encoded><![CDATA[<h3>La Montée de la Souveraineté d’Entreprise : Comment les géants du numérique redéfinissent le pouvoir et la gouvernance mondiaux</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3ffkWGejeojm0yuB7VFFMg.png" /></figure><h3>Résumé</h3><p>Cet essai soutient que les entreprises du Big Tech ont évolué pour devenir une nouvelle catégorie d’acteurs géopolitiques — des <em>souverains d’entreprise</em> — dont l’autorité rivalise de plus en plus avec celle des États-nations ou la limite. Leur pouvoir ne provient pas du contrôle d’un territoire, mais de la propriété et de l’exploitation d’infrastructures numériques devenues essentielles à la communication, au commerce, à l’administration et à la sécurité. Grâce aux plateformes cloud, aux systèmes d’identité, aux pipelines de données, à la gouvernance algorithmique, aux réseaux de lobbying, aux réseaux satellitaires et aux capacités d’IA, ces entreprises exercent désormais des formes d’autorité opérationnelle autrefois réservées aux institutions publiques. Cet article examine comment la dépendance infrastructurelle, la visibilité sur les données, la concentration économique, l’influence politique et les fonctions de sécurité produisent collectivement une forme de souveraineté non étatique qui recompose la gouvernance mondiale. Il conclut que la montée de la souveraineté d’entreprise marque une transformation structurelle dans l’organisation du pouvoir — une transformation que les cadres réglementaires existants ne peuvent pas pleinement appréhender, et qui exige de nouveaux modèles philosophiques et politiques pour garantir une imputabilité démocratique et un contrôle public.</p><h3>Mots-clés</h3><p>Souveraineté d’entreprise ; souveraineté numérique ; gouvernance des plateformes ; Big Tech ; pouvoir infrastructurel ; pouvoir des données ; gouvernance algorithmique ; philosophie politique de la technologie ; acteurs non étatiques ; gouvernance mondiale ; gouvernance de l’IA.</p><h3>I. Introduction — L’émergence de superpuissances non étatiques</h3><p>Les entreprises du Big Tech — Apple, Google, Microsoft, Amazon et Meta — opèrent aujourd’hui à une échelle que peu d’institutions modernes peuvent égaler. Leurs plateformes connectent des milliards de personnes, leurs infrastructures soutiennent la communication et le commerce mondiaux, et leurs décisions influencent les marchés, les flux d’information et les normes culturelles. Ce qui a commencé comme une expansion commerciale s’est transformé en quelque chose de structurellement différent : l’ascension d’entités qui exercent des formes d’autorité autrefois associées aux institutions publiques.[1][2]</p><p>Ces entreprises commandent des ressources financières, computationnelles et infrastructurelles qui leur permettent de poursuivre des stratégies à long terme, d’absorber les chocs et de s’étendre à de nouveaux secteurs avec peu de friction. Leurs clouds hébergent des systèmes publics et privés essentiels.[3] Leurs couches d’identité authentifient les utilisateurs à travers l’ensemble d’Internet. Leurs plateformes de communication structurent le débat politique et l’interaction sociale. De plus en plus, leurs systèmes d’IA filtrent, organisent et priorisent l’information dont les sociétés dépendent.[8][9][11]</p><p>Cette position n’est pas le fruit du hasard. Pendant des décennies, le Big Tech a construit des infrastructures numériques contournant les frontières territoriales et s’intégrant aux opérations quotidiennes des gouvernements, des marchés et de la vie sociale.[4][5] Ces entreprises supervisent des canaux de communication mondiaux, gèrent des pipelines économiques fondamentaux et détiennent d’immenses quantités de données personnelles et comportementales.[8][9][10]</p><p>Le résultat est une nouvelle catégorie d’acteurs géopolitiques : les souverains d’entreprise.</p><p>Ces entreprises ne revendiquent pas de terres et ne commandent pas d’armées, mais elles exercent une influence via l’infrastructure numérique, la gouvernance des plateformes, les systèmes d’identité, la sécurité privée et la médiation algorithmique.[7][20] Leurs systèmes persistent au-delà des transitions politiques et fonctionnent simultanément dans des centaines de juridictions, leur conférant une continuité et une autonomie que peu d’États peuvent égaler.[3][4]</p><p>Le Big Tech recompose l’architecture de la gouvernance mondiale. Pour comprendre ce basculement, nous devons considérer ces entreprises non comme de simples acteurs économiques, mais comme des acteurs souverains émergents, dont l’autorité découle de l’infrastructure, des données et de la dépendance numérique.[7][25][30] Leur ascension marque l’émergence d’un ordre hybride où le pouvoir étatique et le pouvoir d’entreprise coexistent, s’entrecroisent et parfois s’affrontent.[29][31]</p><h3>II. L’effondrement des frontières traditionnelles</h3><p>La montée du Big Tech a bouleversé une hypothèse centrale de la géopolitique moderne : que les États gouvernent dans des territoires délimités tandis que les entreprises opèrent en dessous d’eux. Les plateformes numériques ne sont pas confinées par les frontières, et les infrastructures qui les soutiennent fonctionnent à l’échelle planétaire.[2][4] En conséquence, la distinction entre autorité publique et entreprise privée devient de plus en plus poreuse. Le Big Tech agit désormais à travers les juridictions d’une manière que de nombreux États ne peuvent égaler et qu’ils ont souvent du mal à réguler.[7][18]</p><h3>Portée globale au-delà de la juridiction nationale</h3><p>Les plateformes numériques gouvernent des populations plus vastes que celles de n’importe quel État-nation. Des milliards de personnes dépendent de Google Search, YouTube, Facebook, Instagram, WhatsApp, Amazon et des écosystèmes logiciels de Microsoft.[1][8] Ces plateformes définissent les règles de participation — ce qui peut circuler, comment l’identité est authentifiée et quels types d’activités économiques sont autorisés.[1][11][12]</p><p>C’est ce que l’on appelle la gouvernance des plateformes : un ensemble de règles privées élaborées par des entreprises et appliquées simultanément dans des centaines de pays.[25][27] Une modification de politique adoptée en Californie ou à Washington peut instantanément transformer l’environnement informationnel de São Paulo à Nairobi. Alors que le droit étatique est limité territorialement, les règles des plateformes opèrent contractuellement et globalement.[2][16]</p><p>L’asymétrie est structurelle. Les États ne régulent qu’à l’intérieur de leurs frontières ; les plateformes mettent à jour leurs systèmes à l’échelle mondiale. Leurs infrastructures sont distribuées dans des dizaines de régions, leur permettant de déplacer données, charges de travail et ressources d’ingénierie avec une friction minimale.[3][23] Même les efforts réglementaires coordonnés, comme ceux de l’Union européenne, ne peuvent contenir entièrement les effets globaux de ces systèmes.[17][18]</p><h3>Contrôle sur l’infrastructure numérique essentielle</h3><p>L’influence du Big Tech devient plus claire lorsque l’on considère les systèmes dont les sociétés modernes dépendent. Les plateformes cloud — Amazon Web Services, Microsoft Azure et Google Cloud — hébergent des institutions publiques et privées critiques, y compris des hôpitaux, des banques, des réseaux logistiques et des agences gouvernementales.[3][6][23] Ces régions cloud sont conçues pour la redondance et la continuité, permettant aux services de persister même lors de perturbations locales.</p><p>Au-delà du cloud, des entreprises comme Google et Meta possèdent ou co-possèdent des câbles sous-marins majeurs, leur donnant une influence directe sur les flux internationaux de données.[4] Les réseaux satellitaires — tels que Project Kuiper d’Amazon et l’intégration de Microsoft avec Starlink — renforcent cette autonomie en offrant des couches de communication alternatives capables de fonctionner lors de pannes de courant, de catastrophes naturelles ou de coupures imposées par les États.[5][21]</p><p>Au centre de cette infrastructure, on trouve des centres de données fortifiés conçus pour fonctionner sans interruption, équipés de sécurité privée et de sources d’énergie de plus en plus indépendantes.[6][24] Ensemble, ces éléments forment une colonne vertébrale numérique transnationale qu’aucun gouvernement ne contrôle entièrement.</p><p>À mesure que les sociétés deviennent plus dépendantes de ces systèmes, la frontière entre autorité publique et entreprise privée continue de s’estomper. Les infrastructures du Big Tech fonctionnent désormais comme des services essentiels, opérant à travers les frontières et soutenant des aspects fondamentaux de la vie économique et civique.[19][28]</p><h3>III. Les données comme ressource stratégique et outil d’influence</h3><p>Au XXᵉ siècle, le pouvoir géopolitique reposait sur le territoire, les ressources naturelles et la capacité industrielle. Au XXIᵉ, il s’ancre dans les données : informations comportementales, commerciales, sociales et émotionnelles issues de milliards d’interactions. Le Big Tech contrôle les systèmes d’extraction de données les plus vastes et les plus sophistiqués jamais construits.[8][9][10] Leur avantage ne réside pas seulement dans le volume de données collectées, mais dans leur capacité à les convertir en prédiction, coordination et influence à grande échelle.[8][9]</p><h3>Les données comme fondement de l’intelligence d’entreprise</h3><p>Les entreprises du Big Tech agrègent chaque jour des données issues de milliards d’appareils, d’applications et de transactions, produisant une image continue du comportement mondial.[8][9] Les requêtes de recherche, les itinéraires de navigation, les historiques d’achat, l’utilisation d’applications et les interactions sociales alimentent des pipelines de données intégrés. Contrairement aux gouvernements — dont l’accès est limité par la juridiction et la loi — ces flux sont transnationaux et persistants.[2][7]</p><p>Cette visibilité fonctionne comme une forme de capacité d’intelligence d’entreprise. En analysant les signaux comportementaux à grande échelle, le Big Tech peut détecter les tendances émergentes, les changements de sentiment et les variations d’activité économique ou sociale bien avant que les institutions publiques ne les identifient.[9] Les dynamiques de demande, d’attention et de discours deviennent lisibles en temps réel, donnant à ces entreprises un point de vue informationnel rivalisant avec les systèmes de renseignement étatiques traditionnels.[7][20]</p><h3>La surveillance comme sous-produit du design des plateformes</h3><p>Une grande partie de cette collecte de données ne se présente pas comme de la surveillance. Elle est intégrée aux fonctionnalités qui rendent les services numériques pratiques — systèmes d’identité, outils de navigation, messageries, boutiques applicatives, réseaux publicitaires et appareils synchronisés.[8][10] Ensemble, ces systèmes forment un enregistrement continu des déplacements, communications, recherches et achats des utilisateurs.</p><p>Le résultat est un dispositif de suivi qui fonctionne passivement, via l’usage quotidien. La télémétrie des appareils, les historiques de localisation, le comportement de navigation, les modèles d’achat et l’activité du graphe social se combinent pour créer des profils comportementaux détaillés.[10][11] Ces profils révèlent non seulement ce que les individus ont fait, mais comment leurs préférences évoluent, ce qui les motive et comment leurs habitudes se transforment au fil du temps.[11][12]</p><p>Les États ont longtemps cherché à atteindre ce niveau de visibilité, mais y sont rarement parvenus. Le Big Tech fait face à moins de limites structurelles : ses systèmes sont globaux, ses pipelines de données fonctionnent en continu et ses mécanismes de suivi sont intégrés directement aux outils dont dépend la vie numérique de milliards de personnes.[8][10] Ce que les gouvernements tentaient de construire par des programmes explicites de surveillance, les plateformes l’obtiennent par le simple design de leurs produits.[8][25]</p><h3>Influence algorithmique et façonnage comportemental</h3><p>Les données fournissent plus que de la visibilité ; elles donnent la capacité de façonner le comportement. Les systèmes de recommandation déterminent quelles informations apparaissent, quels sujets dominent l’attention et quelles perspectives restent marginalisées.[11][12][13] Ces systèmes ne se contentent pas de refléter l’activité des utilisateurs — ils l’organisent et la hiérarchisent. Les algorithmes privés influencent désormais la manière dont des milliards de personnes rencontrent l’actualité, le divertissement et le contenu politique.[12][27]</p><p>Cette influence dépasse l’exposition à l’information. Le design des plateformes pousse les utilisateurs vers certaines actions : regarder plus longtemps, cliquer davantage, consommer des catégories spécifiques de contenus ou adopter des dynamiques sociales particulières.[11][12] Au fil du temps, ces incitations façonnent les habitudes, les préférences et les croyances. Des recherches ont montré que la curation algorithmique peut renforcer les biais, amplifier les contenus polarisants et favoriser les matériaux émotionnellement chargés.[11][12][13]</p><p>Cela constitue une forme de gouvernance comportementale : l’orientation de l’attention, de l’émotion et du sens à travers des choix de design intégrés dans des environnements numériques privés. L’influence circule via l’architecture des interfaces, les modèles de pertinence et les boucles de rétroaction plutôt que par la loi ou la coercition explicite.[12][25] Les données sont le substrat qui rend possible cette forme de gouvernance, à une échelle sans précédent dans l’histoire humaine.[8][9]</p><h3>IV. Le pouvoir économique : capital, échelle et influence structurelle</h3><p>La domination économique est l’un des moyens les plus visibles par lesquels le Big Tech façonne désormais les systèmes mondiaux. Ces entreprises possèdent des ressources financières, des réseaux de distribution et un pouvoir stratégique que peu d’institutions — publiques ou privées — peuvent égaler.[14][16] Leurs bilans dépassent le PIB de nombreux pays, leurs plateformes médiatisent d’immenses segments du commerce mondial, et leur capacité d’investissement leur permet de réorienter des marchés bien avant que les décideurs politiques ne réagissent.[14][15]</p><h3>Capacité financière et levier stratégique</h3><p>Les entreprises du Big Tech maintiennent des réserves de liquidités se chiffrant en dizaines, voire en centaines de milliards de dollars.[14] Cette profondeur financière leur permet d’absorber les chocs, d’écraser la concurrence et de poursuivre des projets d’infrastructure à long terme sans dépendre des cycles de financement publics. Leur stabilité leur permet d’agir stratégiquement : acquérir des concurrents, s’étendre dans des secteurs adjacents et financer des initiatives de recherche à une échelle que peu d’États peuvent soutenir.[14][22]</p><p>Ce capital se traduit également par un levier politique et réglementaire. Lorsqu’une entreprise peut offrir ou retirer des investissements qui influencent l’emploi régional, les recettes fiscales et le développement économique, les gouvernements locaux négocient souvent en position de contrainte.[15][17] L’implantation d’un centre de données, d’un hub logistique ou d’un campus d’ingénierie peut remodeler la trajectoire économique d’une région pendant des décennies.[15][24]</p><h3>Les plateformes comme portes d’entrée du commerce mondial</h3><p>Au-delà de leurs réserves financières, les entreprises du Big Tech opèrent les principales portes d’accès par lesquelles transite le commerce numérique mondial.[16][25] Amazon structure la vente en ligne et la logistique. Apple et Google contrôlent la distribution des applications. Meta gouverne les marchés de la publicité numérique. Microsoft sous-tend les logiciels d’entreprise et les services cloud partout dans le monde. Des secteurs entiers dépendent de ces plateformes pour l’accès aux marchés, la visibilité et le traitement des transactions.</p><p>Cette dépendance donne au Big Tech la capacité de définir les règles économiques. Ces entreprises déterminent quelles applications peuvent atteindre les utilisateurs, comment les biens numériques sont taxés dans leurs écosystèmes, quelles formes de publicité ou de ciblage sont autorisées et comment les entreprises obtiennent une visibilité algorithmique.[25][27] Ces décisions fonctionnent comme une régulation de facto à travers les juridictions, mise en œuvre par des acteurs privés plutôt que par voie législative.[16][17]</p><h3>Coordination des marchés et expansion</h3><p>L’influence économique du Big Tech est renforcée par sa capacité à coordonner des secteurs entiers grâce aux acquisitions, aux partenariats et à l’intégration d’écosystèmes.[16][25] Lorsqu’elles entrent dans de nouvelles industries — finance, santé, divertissement, informatique dématérialisée, réseaux satellitaires — ces entreprises bénéficient d’avantages intégrés : bases d’utilisateurs existantes, systèmes de paiement intégrés, données propriétaires et capacité computationnelle incomparable.[8][22][23]</p><p>Ce sont les concurrents qui s’adaptent aux mouvements du Big Tech, et non l’inverse. Les startups s’orientent vers une éventuelle acquisition. Les investisseurs interprètent les marchés à travers la stratégie des plateformes. Des industries entières se réorganisent autour des normes techniques et des canaux de distribution du Big Tech.[25][28] Le résultat est une force gravitationnelle économique : une condition dans laquelle les décisions du Big Tech façonnent l’environnement dans lequel opèrent tous les autres acteurs économiques.</p><p>L’influence économique du Big Tech ne remplace pas l’autorité étatique traditionnelle, mais elle la surpasse souvent en rapidité, en portée et en effet structurel. La capacité à déployer du capital à l’échelle mondiale, à imposer des règles de plateforme et à reconfigurer des marchés leur confère une position stratégique autrefois réservée principalement aux grandes institutions publiques.[14][28][31]</p><h3>V. Le pouvoir politique : lobbying, négociation et façonnage réglementaire</h3><p>Les entreprises du Big Tech opèrent désormais comme des acteurs politiques majeurs. Leur influence s’étend bien au-delà de la régulation propre à leur industrie et touche les processus législatifs, les normes internationales et la formulation de règles à l’échelle mondiale.[17][18] Elles façonnent les débats politiques, négocient avec les gouvernements et participent de plus en plus à la gouvernance en tant que partenaires structurels plutôt que comme entreprises subordonnées.[18][19]</p><h3>Réseaux de lobbying et influence sur les politiques publiques</h3><p>Au cours de la dernière décennie, les entreprises du Big Tech ont construit certains des réseaux de lobbying les plus vastes au monde.[17] Elles maintiennent des bureaux permanents à Washington, Bruxelles, Londres, Delhi et dans d’autres centres politiques. Leurs efforts comprennent :</p><ul><li>des budgets de lobbying considérables, qui les maintiennent constamment présentes dans les délibérations législatives,[17]</li><li>des réseaux d’organisations juridiques, universitaires et de plaidoyer qui élaborent des arguments et rédigent des propositions réglementaires,[17][18]</li><li>des coalitions intersectorielles qui coordonnent des positions politiques à travers plusieurs juridictions,[18]</li><li>et le recrutement d’anciens régulateurs et responsables publics qui apportent expertise institutionnelle et relations établies.[17]</li></ul><p>Ces réseaux façonnent les débats sur la vie privée, l’antitrust, la gouvernance de l’IA, la cybersécurité, le chiffrement et la régulation des marchés numériques.[17][18] Lorsque des règles proposées menacent leurs modèles économiques fondamentaux, le Big Tech peut mobiliser des ressources politiques avec une ampleur et une rapidité que peu d’institutions peuvent égaler.[17][31]</p><h3>Négociation et comportement diplomatique</h3><p>Le Big Tech s’engage de plus en plus avec les gouvernements d’une manière qui ressemble à une négociation diplomatique.[18] Plutôt que de simplement se conformer aux exigences légales, ces entreprises négocient sur les flux de données, le traitement fiscal et l’accès aux marchés. Dans certains cas, elles contestent directement des décisions réglementaires ou signalent que certains produits ou services pourraient être retirés si les conditions légales deviennent intenables.[17][18]</p><p>Ces interactions reflètent des dynamiques proches des relations entre États : les entreprises et les gouvernements négocient des conditions, évaluent les dépendances mutuelles et cherchent à maintenir un accès aux infrastructures critiques. Les États s’appuient souvent sur ces entreprises pour la cybersécurité, la fourniture de services numériques et l’hébergement cloud — des dépendances qui donnent aux plateformes un pouvoir de levier important lors des conflits réglementaires.[19][20]</p><h3>Dépendance gouvernementale et contrainte structurelle</h3><p>Les institutions publiques dépendent désormais du Big Tech pour un large éventail d’opérations.[3][19] Les agences gouvernementales utilisent des environnements cloud fournis par Amazon, Microsoft et Google. Les canaux de communication publique s’appuient souvent sur des réseaux privés. Le renseignement en cybersécurité — autrefois du ressort des agences nationales — provient désormais d’équipes corporatives surveillant des milliards d’appareils et de services.[20]</p><p>Cette dépendance crée des contraintes structurelles. Lorsqu’un gouvernement dépend d’une plateforme privée pour assurer la continuité de ses opérations, il ne peut facilement imposer des règles susceptibles de perturber ces systèmes.[19][28] Le Big Tech devient un partenaire essentiel de l’administration publique, et la frontière entre régulation et négociation devient de plus en plus floue.</p><p>À mesure que les États continuent de numériser leurs services, cette dépendance s’approfondit.[19][28] Le rôle politique du Big Tech ne se limite plus au plaidoyer ou au lobbying ; il est désormais inscrit dans le fonctionnement même de la gouvernance publique.[18][31]</p><h3>VI. Capacités militaires adjacentes et fonctions de sécurité</h3><p>Les entreprises du Big Tech ne commandent pas d’armées, mais elles jouent désormais un rôle central dans la sécurité mondiale. Leurs plateformes détectent les cyberattaques, leurs réseaux garantissent la continuité numérique lors de crises et leurs systèmes d’IA renforcent les capacités d’analyse du renseignement.[20][22] Une grande partie de l’architecture de sécurité mondiale — autrefois ancrée dans les institutions étatiques — dépend aujourd’hui d’infrastructures et d’expertises détenues par des acteurs privés.[19][20]</p><h3>Cyberdéfense à l’échelle mondiale</h3><p>Les divisions de renseignement sur les menaces du Big Tech — comme MSTIC chez Microsoft, le Threat Analysis Group de Google ou l’Adversarial Threat Division de Meta — fonctionnent comme certaines des unités de cyberdéfense les plus performantes au monde.[20] Elles surveillent les activités malveillantes à travers des milliards d’appareils, de serveurs et de systèmes cloud, leur permettant d’identifier des campagnes de logiciels malveillants, l’exploitation de vulnérabilités et des opérations de piratage liées à des États.[20]</p><p>Leur visibilité sur les réseaux mondiaux leur donne souvent une connaissance plus précoce des menaces émergentes que celle des agences de renseignement nationales, et leurs rapports publics sont devenus une source clé d’information pour les gouvernements répondant à des incidents cybernétiques.[20][19] En pratique, ces entreprises agissent comme premiers intervenants lors d’attaques numériques contre des infrastructures critiques.</p><h3>Réseaux satellitaires et communication hors réseau</h3><p>L’expansion du Big Tech dans les réseaux satellitaires ajoute une nouvelle couche à son importance en matière de sécurité. Project Kuiper d’Amazon, l’intégration de Microsoft avec Starlink, et d’autres initiatives satellitaires fournissent des canaux de communication fonctionnant indépendamment des infrastructures terrestres.[5][21] Ces systèmes maintiennent la connectivité lors de pannes de courant, de catastrophes naturelles et de perturbations géopolitiques.</p><p>Dans les zones de conflit et les régions en crise, la connectivité satellitaire est devenue essentielle pour les gouvernements, les intervenants d’urgence et les civils.[21] Le contrôle de ces réseaux confère aux entreprises privées une influence significative sur la disponibilité et la continuité des canaux de communication sécurisés.</p><h3>L’IA comme ressource stratégique</h3><p>L’intelligence artificielle est devenue un élément essentiel des opérations modernes de défense et de renseignement, et le Big Tech en est le principal moteur.[22] Leurs modèles soutiennent la détection des menaces, l’analyse de signaux, la planification logistique et d’autres tâches computationnelles que beaucoup de gouvernements ne peuvent réaliser à grande échelle par eux-mêmes.[22][20]</p><p>Comme la recherche en IA de pointe requiert d’immenses ressources computationnelles et des talents spécialisés, les États dépendent de plus en plus des plateformes privées pour des capacités critiques d’IA.[22] Cette dépendance crée une asymétrie stratégique : les gouvernements s’appuient sur des outils construits et maintenus par des entreprises privées dont les infrastructures opèrent à travers les juridictions et restent structurellement indépendantes du contrôle étatique.[19][20]</p><p>Le rôle de sécurité du Big Tech ne ressemble pas au pouvoir militaire traditionnel, mais il exerce néanmoins une influence considérable. Le contrôle des systèmes de cybersécurité, des infrastructures de communication et de l’IA avancée place ces entreprises au centre de l’architecture de sécurité contemporaine, brouillant davantage la frontière entre les fonctions publiques de défense et l’autorité technologique privée.[20][22][31]</p><h3>VII. Souveraineté infrastructurelle et résilience mondiale</h3><p>Les entreprises du Big Tech ont construit des infrastructures mondiales qui fonctionnent avec un niveau de résilience autrefois associé principalement aux États. Les régions cloud, les centres de données, les réseaux de fibre optique, les satellites, les systèmes logistiques et des sources d’énergie de plus en plus indépendantes constituent désormais l’épine dorsale de la vie numérique.[3][23][24] Leur continuité est essentielle pour les gouvernements, les marchés et les institutions. Le résultat est une forme de souveraineté infrastructurelle — la capacité de maintenir des fonctions essentielles à travers les frontières, indépendamment des perturbations locales.[19][28]</p><h3>Empires du cloud s’étendant sur les continents</h3><p>Les plateformes cloud — Amazon Web Services, Microsoft Azure et Google Cloud — soutiennent le cœur opérationnel de la société moderne.[3][6][23] Les banques, hôpitaux, entreprises médiatiques, fournisseurs de télécommunications, universités et agences gouvernementales exécutent tous des charges de travail critiques sur ces systèmes. Chaque plateforme repose sur des centres de données géographiquement distribués et conçus pour la redondance : les charges de travail peuvent se déplacer entre régions pour maintenir le service lors de pannes, de catastrophes ou d’instabilité politique.[6][23]</p><p>Cette distribution crée une sphère opérationnelle transnationale. Les perturbations locales peuvent affecter l’infrastructure physique, mais les services cloud se poursuivent en redirigeant le trafic et en réallouant les ressources. Ces plateformes fonctionnent comme des services publics essentiels qu’aucun gouvernement ne contrôle totalement, mais dont beaucoup dépendent pour assurer la continuité.[3][19][28]</p><h3>Indépendance énergétique et continuité opérationnelle</h3><p>À mesure que leurs infrastructures s’étendent, les entreprises du Big Tech investissent de plus en plus dans leurs propres sources d’énergie. Elles comptent parmi les plus grands acheteurs mondiaux d’énergie renouvelable et concluent des accords à long terme pour des projets solaires, éoliens et hydroélectriques sur plusieurs continents.[24] Certaines explorent des technologies avancées comme les batteries à grande échelle ou les petits réacteurs modulaires.[24]</p><p>Ces investissements réduisent leur dépendance aux réseaux publics et permettent aux centres de données de fonctionner sans interruption. Lorsqu’une entreprise peut générer ou contracter sa propre énergie à grande échelle, son infrastructure devient plus résiliente face aux pénuries régionales, à l’instabilité politique et aux défaillances des réseaux électriques.[24] Ce mouvement vers une autonomie énergétique renforce la capacité du Big Tech à maintenir la continuité numérique indépendamment des infrastructures contrôlées par l’État.[19][28]</p><h3>Écosystèmes internes auto-suffisants</h3><p>Les plateformes du Big Tech fournissent désormais des fonctions autrefois assurées principalement par les institutions publiques : vérification de l’identité, réseaux de communication, systèmes de paiement, pipelines logistiques et environnements de productivité en cloud.[25][27] Ces composants forment des écosystèmes opérationnels intégrés qui soutiennent des milliards d’utilisateurs et des millions d’entreprises.</p><p>À mesure que ces écosystèmes se renforcent, la dépendance aux plateformes s’accroît.[25][28] Pour de nombreuses institutions, ces environnements ne sont plus des outils optionnels — ils sont l’infrastructure essentielle sur laquelle reposent leurs opérations. Cette dépendance génère une forme de souveraineté pratique : une autorité dérivée non de la loi, mais de l’indispensabilité.[28][30]</p><p>Dans de nombreuses régions, l’infrastructure numérique privée dépasse désormais la résilience et la disponibilité des systèmes publics.[19][28] À mesure que les États adoptent de plus en plus les services du Big Tech pour leurs besoins administratifs et opérationnels, l’équilibre du pouvoir infrastructurel s’incline davantage vers des acteurs corporatifs dont les systèmes opèrent au-delà des contraintes traditionnelles de la gouvernance territoriale.[30][31]</p><h3>VIII. Le nouveau paysage géopolitique : la souveraineté d’entreprise</h3><p>L’effet combiné des ressources économiques, de la portée infrastructurelle, de la visibilité sur les données et de l’influence politique du Big Tech est l’émergence d’un nouveau type d’acteur géopolitique : les souverains d’entreprise.[7][18][25] Ces entreprises ne cherchent pas à contrôler des territoires, mais elles exercent de plus en plus des formes d’autorité qui déterminent comment les sociétés communiquent, conduisent leurs activités économiques, assurent leur sécurité et accèdent à l’information. Leurs systèmes soutiennent des fonctions essentielles à travers les frontières, leur conférant un rôle structurel dans la gouvernance mondiale.[18][28]</p><h3>Quand les entreprises dépassent les nations</h3><p>Les entreprises du Big Tech atteignent désormais des populations plus larges que celles de la plupart des États, disposent d’une capacité financière rivalisant avec des budgets nationaux, et opèrent des infrastructures qui s’étendent sur plusieurs continents.[14][16][23] En pratique, leurs plateformes gouvernent de vastes populations numériques — en définissant les règles d’identité, de contenu, de participation économique et de comportement sur les plateformes.[1][11][25]</p><p>Cette gouvernance opère par l’architecture plutôt que par la loi. Le design des plateformes détermine quelles formes de discours sont visibles, comment l’information circule, quels contenus sont priorisés et quelles interactions économiques sont permises ou restreintes.[11][12][27] Ces décisions ont des conséquences politiques même lorsqu’elles sont présentées comme des choix de produit ou de sécurité.[12][29]</p><h3>Les risques des superpuissances d’entreprise</h3><p>L’ascension de la souveraineté d’entreprise introduit des risques structurels majeurs :</p><ul><li>Une érosion de la supervision démocratique, à mesure que les plateformes privées médiatisent le discours politique et appliquent des règles qui fonctionnent comme des régulations privées de la parole.[29][27]</li><li>Une concentration des opportunités économiques, les systèmes de classement, politiques d’app store et modèles de pertinence déterminant quelles entreprises gagnent en visibilité et lesquelles disparaissent pratiquement.[25][27]</li><li>Une autonomie étatique réduite, les gouvernements dépendant de systèmes cloud, d’identité et de communication privés pour des services publics essentiels.[19][28]</li><li>Une privatisation de la sécurité, les capacités les plus performantes en matière de cyberdéfense et de renseignement étant désormais situées dans des équipes corporatives plutôt que dans des agences nationales.[20][22]</li></ul><p>Ces vulnérabilités ne résultent pas d’un dépassement volontaire, mais d’une dépendance systémique : une fois que l’infrastructure privée devient essentielle au fonctionnement public, ses opérateurs acquièrent une influence qu’aucun cadre réglementaire traditionnel ne peut réellement contraindre.[19][28][31]</p><h3>Une transformation irréversible</h3><p>Cette transformation est difficile à inverser. Les sociétés dépendent déjà des plateformes privées pour la communication, le commerce, l’administration et la sécurité.[8][16][25] Les gouvernements exécutent des opérations critiques sur des infrastructures cloud. Le discours public se déroule au sein d’environnements propriétaires gouvernés par des systèmes algorithmiques.[11][12] La vie économique transite par des marchés médiatisés par les plateformes.[25][28]</p><p>Même une régulation ambitieuse ne peut démanteler ces dépendances. Les infrastructures sont globales, les entreprises sont mobiles, et les systèmes qu’elles opèrent sont profondément intégrés dans la vie quotidienne.[2][18] Aucun État ne peut contrôler pleinement des acteurs dont l’empreinte opérationnelle s’étend à travers des dizaines de juridictions.[4][30]</p><p>L’ordre mondial émergent est donc hybride. Les États conservent l’autorité formelle, tandis que le Big Tech détient l’autorité opérationnelle — définissant ce qui est possible, permis et visible dans la société numérique.[25][29] La souveraineté d’entreprise ne remplace pas l’État-nation, mais restructure l’équilibre du pouvoir entre les institutions publiques et les infrastructures privées.[30][31]</p><h3>IX. Conclusion — Le transfert silencieux du pouvoir</h3><p>Les entreprises du Big Tech occupent désormais une position dans les affaires mondiales qu’aucune génération précédente d’acteurs privés n’avait atteinte. Leurs infrastructures transportent les communications, le commerce et les flux de connaissances du monde ; leurs systèmes de données révèlent des schémas comportementaux à une échelle qu’aucune institution publique ne peut reproduire ; et leurs plateformes médiatisent les environnements où la politique, l’identité et la culture prennent forme.[3][8][11][27] Le pouvoir s’est déplacé, non par confrontation, mais par l’accumulation silencieuse de dépendances.[19][28]</p><p>Cette évolution s’est produite progressivement. Les agences publiques ont migré vers les plateformes cloud.[3][19] Les réseaux de communication d’entreprise sont devenus les principaux espaces d’échange social et politique.[1][11] Les équipes privées de renseignement sur les menaces sont devenues essentielles à la cybersécurité nationale.[20] Les systèmes d’identité liés aux smartphones et aux applications sont devenus des portes d’entrée de la vie quotidienne.[8][12] Ces changements ont intégré l’infrastructure privée dans le fonctionnement public jusqu’à ce que les États ne puissent plus opérer efficacement sans elle.[19][28]</p><p>Ce qui émerge n’est pas un remplacement de l’État, mais une redistribution de l’autorité. Les États continuent de détenir le pouvoir formel, mais le Big Tech détient de plus en plus le pouvoir opérationnel — la capacité de maintenir la continuité sociale, de façonner les environnements informationnels et de fournir les fondations numériques sur lesquelles reposent les institutions.[25][29][31] Leur influence circule à travers le code, l’infrastructure et les réseaux mondiaux plutôt qu’à travers la loi ou le contrôle territorial.[3][23][30]</p><p>Les questions centrales à venir concernent la gouvernance et la responsabilité. Comment une supervision démocratique peut-elle s’étendre à des acteurs opérant à travers les juridictions ?[29][30] Comment les États peuvent-ils préserver leur autonomie tout en dépendant d’infrastructures privées pour des services essentiels ?[19][28] Et comment la gouvernance mondiale peut-elle s’adapter à un monde où des fonctions sociétales critiques sont médiatisées par des systèmes conçus, détenus et exploités par des entités corporatives ?[18][30]</p><p>La montée de la souveraineté d’entreprise marque un basculement fondamental dans la manière dont le pouvoir s’organise. Reconnaître cette transformation est la première étape pour comprendre le paysage politique en formation — et pour déterminer comment l’autorité publique peut coexister avec, guider ou contraindre les systèmes privés qui soutiennent la vie moderne.[29][31]</p><p>#korovamode</p><h3>Notes</h3><ol><li>Tarleton Gillespie, <em>Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media</em> (Yale University Press, 2018).</li><li>Kieron O’Hara and Wendy Hall, <em>Four Internets: Data, Geopolitics, and the Future of Digital Governance</em> (Oxford University Press, 2021).</li><li>Amazon Web Services, « AWS Global Infrastructure », Documentation AWS (2024).</li><li><em>The Economist</em>, « The Geopolitics of Internet Cables », mars 2021.</li><li>Amazon, « Project Kuiper Overview », <a href="http://amazon.com/">Amazon.com</a>, 2023.</li><li>Microsoft, « Azure Data Center Resiliency », Documentation Microsoft, 2024.</li><li>Henry Farrell et Abraham L. Newman, « Weaponized Interdependence: How Global Economic Networks Shape State Coercion », <em>International Security</em> 44, no. 1 (2019).</li><li>Shoshana Zuboff, <em>The Age of Surveillance Capitalism</em> (PublicAffairs, 2019).</li><li>McKinsey Global Institute, « Notes from the AI Frontier: Insights from Hundreds of Use Cases » (2018).</li><li>Citizen Lab, « Analysis of Device-Level Tracking in Mobile Applications », Rapports Citizen Lab, 2021.</li><li>Safiya Umoja Noble, <em>Algorithms of Oppression: How Search Engines Reinforce Racism</em> (NYU Press, 2018).</li><li>The Royal Society, « Online Behavioural Influence: Information Environment and Algorithmic Curation », Note de politique du Royal Society (2022).</li><li>Oxford Internet Institute, Reuben Binns et al., « Auditing Algorithms: Research Methods for Detecting Discrimination and Bias », OII Working Paper (2020).</li><li>U.S. Federal Reserve, « Corporate Cash Holdings in the U.S. Economy », Federal Reserve Economic Data (FRED), 2023.</li><li>Brookings Institution, Mark Muro et al., « How Tech Hubs Reshape Regional Economies », Rapport Brookings (2020).</li><li>OCDE, <em>The Digital Transformation of SMEs</em>, OECD Digital Economy Papers №67 (2021).</li><li><em>The Washington Post</em>, Cat Zakrzewski, « Big Tech’s Record Lobbying Spending Intensifies Policy Battles », 2022.</li><li>Centre for European Policy Analysis (CEPA), Edward Lucas, « Techno-Geopolitics: Platforms as Political Actors », Rapport CEPA (2021).</li><li>Brookings Institution, Chris Meserole, « When Governments Rely on Private Infrastructure », Brookings TechStream (2021).</li><li>Microsoft, <em>Microsoft Digital Defense Report</em> (2023).</li><li><em>Financial Times</em>, Alexandra Heal and Tim Bradshaw, « Satellite Networks Become Essential in Conflict Zones », 2023.</li><li>Stanford Institute for Human-Centered AI (HAI), <em>AI Index Report 2024</em>.</li><li>Google Cloud, « Global Infrastructure: Regions and Zones », Documentation Google Cloud (2024).</li><li>International Energy Agency (IEA), « Corporate Procurement of Renewable Energy », IEA Market Report (2022).</li><li>Nick Srnicek, <em>Platform Capitalism</em> (Polity Press, 2016).</li><li>Oxford Internet Institute, Samuel Woolley, « Digital Propaganda and the Platform Landscape », Analyse OII (2021).</li><li>Brookings Institution, Cameron Kerry, « The New Digital Dependency: Policy Challenges of Platform Infrastructure », Brookings Governance Studies (2022).</li><li>David Runciman, <em>How Democracy Ends</em> (Profile Books, 2018).</li><li>Saskia Sassen, <em>Territory, Authority, Rights: From Medieval to Global Assemblages</em> (Princeton University Press, 2006).</li><li>Philip G. Cerny, « The Competition State and the Restructuring of the Global Political Economy », <em>International Organization</em> 51, no. 1 (1997).</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6023b08bc3a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[L’Illusion de la Vie Privée: L’effacement silencieux des frontières personnelles par les Big Tech]]></title>
            <link>https://medium.com/@korovamode/lillusion-de-la-vie-priv%C3%A9e-l-effacement-silencieux-des-fronti%C3%A8res-personnelles-par-les-big-tech-767bbe5542dc?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/767bbe5542dc</guid>
            <category><![CDATA[privacy]]></category>
            <category><![CDATA[big-tech]]></category>
            <category><![CDATA[vie-privée]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Mon, 17 Nov 2025 08:20:35 GMT</pubDate>
            <atom:updated>2025-11-17T08:20:35.648Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yLCJSs5lCcTEAdRaTMjuZg.png" /></figure><p>Les Big Tech savent tout — et elles s’en serviront. Nous vivons déjà à l’intérieur du système qui rend cela possible.</p><h3>1. La vie privée n’existe déjà plus</h3><p>La plupart des gens continuent d’agir comme si la vie privée existait encore, mais cette croyance est naïve. La vérité est simple : vous n’avez plus de vie privée — et vous n’en avez plus depuis des années. Ce que vous possédez, c’est <em>le sentiment</em> de la vie privée, un résidu émotionnel provenant d’une époque où nos espaces personnels n’étaient pas connectés aux centres de données des grandes entreprises technologiques.</p><p>Si quelqu’un installait une caméra dans le coin de votre chambre en vous disant : « Ne vous inquiétez pas, nous n’utiliserons pas les images », vous ne l’accepteriez jamais. Vous comprendriez immédiatement que cette promesse est vide. Pourtant, c’est exactement l’arrangement que nous acceptons de la part des Big Tech. Nous sommes constamment enregistrés, nos appareils offrent un accès presque total, et nous ne recevons en échange que de vagues assurances selon lesquelles ces données ne seront pas exploitées. La situation est identique à une caméra dans la chambre — sauf que la caméra est désormais invisible, dissimulée derrière des interfaces familières et une image de marque rassurante.</p><p>Cette invisibilité nourrit une complaisance trompeuse. Les gens supposent que leurs données sont trop insignifiantes pour avoir de l’importance, mais les Big Tech ne tirent pas profit de vos secrets ; elles tirent profit de vos schémas — vos habitudes, vos impulsions, vos rythmes émotionnels. Ceux-ci sont bien plus précieux que n’importe quelle information que vous considérez comme « privée », et ils révèlent votre personnalité de manière plus complète que n’importe quelle confession.</p><p>La surveillance persiste précisément parce qu’elle ne <em>ressemble</em> pas à de la surveillance. Il n’y a ni alarme, ni interruption, ni moment où vous vous sentez observé. Elle est intégrée de façon fluide aux appareils et plateformes qui structurent la vie moderne. La vie privée n’a pas lentement disparu : elle a été échangée bien avant que nous comprenions ce que nous donnions. Et la réalité troublante est que la vie privée n’est pas quelque chose que nous avons perdue — c’est quelque chose que nous avons cédée sans en mesurer le coût.</p><h3>2. Nous sommes observés en permanence — simplement pas de manière visible</h3><p>Si la vie privée <em>semble</em> intacte, c’est seulement parce que la surveillance moderne est silencieuse. Il n’y a aucun moment où l’on se sent observé, aucun avertissement lorsque des données sont capturées. La réalité est constante et ininterrompue : chaque action numérique que vous effectuez est enregistrée, mesurée et analysée.<br>Pas parce que vous êtes intéressant, mais parce que votre comportement est prévisible, rentable et facile à modéliser à grande échelle.</p><p>Beaucoup imaginent la surveillance comme quelqu’un qui lit leurs messages ou écoute leurs appels. La véritable surveillance est plus subtile, et bien plus complète. Elle se cache dans les signaux minuscules que vous produisez sans y penser : la durée de vos pauses sur un écran, ce que vous faites défiler, le moment où vous déverrouillez votre téléphone, le ton de vos recherches nocturnes. Ces fragments, insignifiants pris isolément, se combinent pour former un portrait comportemental plus révélateur que tout ce que vous divulguez consciemment.</p><p>Vous n’avez pas besoin d’avouer vos désirs ou vos faiblesses ; le système les déduit. Vos routines, vos impulsions, vos anxiétés et vos vulnérabilités deviennent lisibles à travers des schémas si constants que les modèles se trompent rarement. La surveillance aujourd’hui n’est ni ciblée ni ponctuelle — elle est <em>environnementale</em>. Elle vous suit à travers vos applications, vos appareils, vos lieux, et des années d’accumulation de données.</p><p>Beaucoup se rassurent en pensant qu’ils restent anonymes puisqu’aucun être humain ne les observe directement. Mais l’anonymat est sans importance. Le système n’a pas besoin de « s’intéresser » à vous pour tout savoir de vous. Il n’a besoin que de vos schémas, et vous les produisez automatiquement.</p><p>Voilà le fondement du pouvoir des Big Tech : une surveillance si ordinaire et si fluide que la plupart des gens la confondent avec de la commodité.<br>Ce qui <em>semble</em> privé n’est que ce qui ne vous a pas encore été montré.</p><h3>3. La prédiction, c’est le pouvoir</h3><p>La surveillance n’est qu’un début. Le véritable pouvoir vient de la prédiction — une fois suffisamment de données accumulées, les Big Tech n’attendent plus que vous agissiez : elles anticipent votre comportement. Votre futur devient un ensemble de probabilités, construit à partir des schémas que vous produisez depuis des années sans vous en rendre compte. Ce que vous cliquez, où vous hésitez, comment vous réagissez au stress — ces signaux donnent au système une vision claire de vos désirs, de vos vulnérabilités et de vos impulsions. Il n’a pas besoin de vous comprendre en tant que personne ; il doit seulement comprendre votre comportement, et celui-ci est étonnamment prévisible.</p><p>C’est là que commence l’influence. Les plateformes ne forcent pas vos décisions ; elles modèlent l’environnement dans lequel vous les prenez. L’ordre d’un fil d’actualité, le moment précis d’une notification, la recommandation qui apparaît au parfait instant — rien de cela n’est neutre. Tout est conçu pour vous orienter vers les actions que le modèle juge déjà probables. La manipulation est discrète : vous voyez ce que le système <em>s’attend</em> à ce que vous remarquiez, et au fil du temps le modèle devient une prophétie autoréalisatrice — vous finissez par agir comme prévu, car il a façonné les conditions qui vous entourent.</p><p>C’est tout le déplacement : la surveillance dit aux Big Tech qui vous êtes.<br>La prédiction leur permet d’influencer qui vous devenez.</p><h3>4. La vulnérabilité émotionnelle comme ressource</h3><p>Une fois la prédiction devenue précise, votre vie émotionnelle se transforme en une sorte de monnaie. Les Big Tech n’analysent pas seulement ce que vous faites ; elles observent <em>quand</em> vous le faites — tard le soir, lorsque vous êtes anxieux, distrait, seul ou agité. Ces moments ne sont pas traités comme des expériences privées. Ils sont traités comme des opportunités.</p><p>Vos schémas émotionnels — cycles de stress, pics d’ennui, doutes nocturnes, éclats de colère ou d’insécurité — deviennent lisibles à travers votre comportement. Vous n’avez pas besoin de dire ce que vous ressentez : le système l’infère à partir du moment, du ton, de la répétition et des déviations par rapport à vos routines habituelles. Et une fois qu’il connaît vos rythmes émotionnels, il peut agir dessus. C’est déjà le cas chaque fois qu’une recommandation ciblée apparaît au moment exact où vous êtes le plus susceptible de cliquer, d’acheter, de réagir ou de vous laisser happer.</p><p>L’élément crucial est le suivant : la vulnérabilité est plus rentable que la stabilité. Une personne centrée et équilibrée est plus difficile à influencer, tandis que les états fragiles sont prévisibles et malléables. Le système s’optimise donc autour des moments où vous êtes le moins résistant — non pas parce qu’il souhaite vous nuire, mais parce que ces fragilités génèrent un rendement mesurable. Ce qui ressemble à une coïncidence — la publicité parfaite, la notification parfaitement synchronisée, le contenu pour lequel vous étiez déjà mentalement préparé — n’est qu’un modèle agissant sur sa compréhension de vos points faibles.</p><p>Dans ce système, vos émotions ne vous appartiennent plus vraiment.<br>Elles deviennent des données. Des signaux. Des leviers monétisables.<br>Et tant qu’elles peuvent être prédites, elles peuvent être exploitées.</p><h3>5. Le consentement est une fiction</h3><p>Les gens aiment croire qu’ils « acceptent » la collecte de données, mais c’est un mensonge commode. Il n’existe aucun consentement réel dans un monde où refuser revient à disparaître de la vie moderne. Vous pouvez refuser les conditions d’une plateforme seulement si vous êtes prêt à perdre l’accès à la communication, aux outils de travail, aux services bancaires, à la navigation, au divertissement et à des pans entiers de votre vie sociale. Ce n’est pas un choix. C’est une forme de contrainte déguisée en accord.</p><p>La structure est simple : les Big Tech construisent l’infrastructure dont vous dépendez, puis affirment que votre dépendance prouve que vous avez « choisi » leur système. C’est la même logique qu’un monopole qui prétend être préféré parce qu’aucune alternative n’existe. Le consentement devient une case à cocher pour accéder aux outils fondamentaux de l’existence contemporaine.</p><p>Même les alternatives sont illusoires. Changer de plateforme ne change rien lorsque tous les services majeurs reposent sur la même logique dévoratrice de données. Vous ne choisissez pas entre des philosophies différentes de la vie privée ; vous choisissez entre différents empires de surveillance. L’interface change. Le modèle économique reste le même.</p><p>Voilà pourquoi les politiques de confidentialité, les permissions et les « rapports de transparence » sont insignifiants. Ils prétendent offrir du contrôle tout en s’assurant que vous n’en avez aucun. Les Big Tech contrôlent l’infrastructure, les flux de données, les paramètres par défaut et les incitations. Vous ne contrôlez rien, sauf l’illusion que votre participation est volontaire.</p><p>En réalité, nous n’avons pas consenti à la surveillance — nous y avons été acculés, et le système repose sur notre conviction que nous avons eu le choix.</p><h3>6. L’instabilité fera tomber les dernières limites</h3><p>Jusqu’à présent, les Big Tech ont exercé leur pouvoir discrètement, mais cette retenue est circonstancielle, non éthique. Elle existe parce que le monde est relativement stable, que les régulations comptent encore, et que les entreprises ont besoin de préserver une certaine confiance publique. Retirez cette stabilité, et la retenue disparaît avec elle.</p><p>En période de perturbations majeures — effondrement économique, chaos politique, troubles généralisés — les Big Tech ne resteront pas des spectateurs neutres. Ces entreprises contrôlent les réseaux de communication, les infrastructures cloud, les systèmes d’identité, les chaînes d’approvisionnement et les rails financiers sur lesquels repose la société. Lorsque les institutions vacillent, ceux qui détiennent l’infrastructure deviennent les véritables centres de pouvoir.</p><p>Et elles ont déjà tout ce qu’il faut. Elles possèdent les données, les modèles, les profils, les cartes des réseaux sociaux, les prédictions comportementales, les signatures de risque, les chronologies émotionnelles. Elles savent qui est influençable, qui est instable, qui est politiquement actif, qui est isolé, qui est financièrement vulnérable. Ce qui aujourd’hui n’est que rentable devient stratégique demain.</p><p>Ce n’est pas de la spéculation : c’est ainsi que le pouvoir fonctionne. Lorsque les États sont en difficulté, ils se tournent vers les entités privées qui disposent des capacités qu’ils n’ont plus. Les gouvernements s’appuieront davantage sur les Big Tech pour la surveillance, la coordination et le contrôle — et ces entreprises coopéreront parce que l’alignement avec le pouvoir est leur manière de survivre aux crises. Les frontières entre État et plateforme se dissolvent rapidement lorsque les deux parties dépendent l’une de l’autre.</p><p>Une fois les conditions modifiées, les immenses archives de données collectées au nom de la « personnalisation » ou de « l’amélioration de l’expérience utilisateur » peuvent être réorientées instantanément. Les anciennes données acquièrent une nouvelle signification. Les comportements autrefois neutres deviennent suspects sous d’autres règles. Le système n’a pas besoin de changer — seul le contexte change.</p><p>Le danger n’est pas que les Big Tech puissent un jour vouloir plus de pouvoir.<br>Elles l’ont déjà.<br>Elles attendent simplement le moment où le monde leur donnera la permission de l’exercer ouvertement.</p><h3>7. Les Big Tech comme nouveaux centres de pouvoir</h3><p>À ce stade, les Big Tech ne ressemblent plus vraiment à des entreprises privées. Elles fonctionnent plutôt comme des gouvernements non déclarés — des entités qui contrôlent la communication, l’identité, la circulation de l’information et l’accès économique. La différence, c’est qu’elles ont acquis ce pouvoir sans élections, sans supervision et sans consentement public.</p><p>Elles possèdent l’infrastructure numérique dont vous dépendez chaque jour. Votre e-mail, vos messages, vos documents, vos photos, votre navigation, votre authentification, vos paiements — tout transite par des systèmes conçus et maintenus par une poignée de corporations. Cette dépendance n’est pas accidentelle ; elle est structurelle. Elle donne à ces entreprises un levier immense sur le fonctionnement même de la vie moderne.</p><p>C’est pourquoi la neutralité politique est impossible. Lorsque vous contrôlez les plateformes sur lesquelles reposent la culture, l’économie et la gouvernance, vous devenez un acteur politique par défaut. Ce que vous mettez en avant devient la conversation publique. Ce que vous supprimez disparaît. Ce que vous recommandez devient opinion commune. Elles gouvernent la réalité à travers l’architecture de l’attention.</p><p>Et à la différence des gouvernements traditionnels, le pouvoir des Big Tech n’est pas territorial. Il est global, sans friction, immédiat. Un changement de politique à Silicon Valley peut toucher un milliard de personnes en quelques heures. Pas de frontières, pas de législatures, pas de débat — seulement une mise à jour poussée vers les appareils du monde entier.</p><p>C’est ce qui les rend dangereuses. Le pouvoir traditionnel est limité par la géographie, la bureaucratie et le regard du public. Les Big Tech, elles, ne sont limitées que par leurs propres incitations. Leur influence s’étend non pas parce qu’elles recherchent la domination, mais parce que le monde fonctionne désormais sur des systèmes qu’elles ont construits pour le profit. L’infrastructure est devenue l’autorité.</p><p>Que nous l’admettions ou non, nous vivons sous une nouvelle forme de souveraineté — administrée par des plateformes, appliquée par des algorithmes et justifiée par la commodité.</p><h3>8. La longue ombre de l’exposition</h3><p>Le plus dangereux dans la surveillance moderne n’est pas ce qu’elle sait de vous aujourd’hui — mais ce qu’elle saura de vous demain. Les données ne s’effacent pas, ne s’affaiblissent pas, n’oublient pas. Elles s’accumulent. Elles se composent. Elles attendent. Votre passé devient une archive permanente, prête à être réinterprétée selon les règles, les politiques ou les crises à venir.</p><p>Ce qui semble inoffensif maintenant pourrait ne plus l’être plus tard. Un schéma qui ne signifie rien aujourd’hui pourrait faire de vous une personne à risque dans un climat politique différent. Une blague, un message, une recherche, une spirale nocturne — figés dans une base de données — peuvent être réévalués des décennies après, une fois que le contexte aura disparu. Vous oublierez vos propres actions bien avant que le système ne les oublie.</p><p>Et la signification d’une donnée change avec le monde qui l’entoure. Lorsque les institutions évoluent, les incitations évoluent aussi. Ce que les entreprises considèrent aujourd’hui comme un signal marketing peut devenir demain un indicateur comportemental, politique ou sécuritaire. Un jeu de données collecté sous une certaine philosophie peut être réutilisé sous une autre sans que le système n’ait besoin de se transformer.</p><p>Voilà pourquoi l’argument « je n’ai rien à cacher » est si trompeur. Vous ne savez pas de quel futur vous pourriez devoir vous protéger. Vous ne connaissez pas les normes qui changeront, les alliances qui se formeront, les catégories qui deviendront suspectes. La vie privée ne protège pas ce que vous êtes maintenant ; elle protège ce que vous pourriez devenir.</p><p>L’ombre de l’exposition s’étend indéfiniment vers l’avenir, bien au-delà de vos intentions ou de vos attentes.<br>Les données survivent aux droits, aux contextes, aux régimes.<br>Elles deviennent une version de vous dont vous ne pouvez ni vous échapper, ni effacer, ni contredire l’existence.</p><p>Dans un monde fondé sur des archives permanentes, le futur a accès à une version de votre passé que même vous ne vous rappelez plus.</p><h3>9. La vie privée n’a pas échoué — nous l’avons abandonnée</h3><p>Il est tentant d’imaginer la vie privée comme quelque chose qui nous a été volé, grignoté par l’ambition des entreprises ou par les excès de l’État. Mais cette vision nous déresponsabilise. La vie privée n’a pas échoué. Nous l’avons abandonnée. Nous l’avons échangée contre la commodité, la vitesse, la fluidité et les petites récompenses dopaminergiques de la vie numérique. Nous avons accepté les conditions parce que le système était conçu pour sembler inoffensif.</p><p>Nous n’avons pas protesté parce que rien de visible n’a changé. Les violations étaient silencieuses. Les compromis étaient invisibles. Les conséquences étaient différées. Et lorsque nous avons compris ce que nous avions sacrifié, l’infrastructure était déjà construite — permanente, globale, indissociable de l’existence quotidienne. L’État de surveillance n’est pas une institution ; c’est un écosystème que nous avons contribué à créer.</p><p>Le résultat est un monde où les Big Tech nous connaissent plus intimement que n’importe quelle institution de l’histoire, alors que nous continuons à nous comporter comme si nous étions aux commandes. Nous nous accrochons au sentiment de vie privée parce que l’alternative est trop inconfortable à admettre. Mais la vérité est claire : les systèmes qui organisent nos vies ont plus d’influence sur nous que nous en avons sur eux.</p><p>Il n’y aura pas de retour à l’ère pré-numérique. La question n’est plus de savoir si nous pouvons retrouver la vie privée — nous ne le pouvons pas — mais si nous allons enfin reconnaître le monde dans lequel nous vivons réellement. Un monde où nos frontières ont disparu, où notre passé est permanent, et où les plateformes dont nous dépendons sont devenues les gardiennes silencieuses de notre identité.</p><p>L’illusion de la vie privée nous protégeait de l’inconfort. La réalité nous oblige à affronter le pouvoir.</p><p>#korovamode</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=767bbe5542dc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[L’Invasion de l’Expression Humaine par l’IA Générative]]></title>
            <link>https://medium.com/@korovamode/linvasion-de-l-expression-humaine-par-l-ia-g%C3%A9n%C3%A9rative-47ea0e86c348?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/47ea0e86c348</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Sun, 09 Nov 2025 23:49:34 GMT</pubDate>
            <atom:updated>2025-11-09T23:49:34.165Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E8EXFPSe9ZcH44gmcCSd9A.png" /></figure><h3>Partie I — Invasion : La naissance de l’écologie synthétique</h3><h3>L’invasion du génome informationnel</h3><p>Le contenu génératif envahit notre langage, notre culture et nos esprits. Il s’infiltre dans le code partagé de l’expression — le génome informationnel, le système vivant de signes par lequel la civilisation se reproduit. Chaque phrase ou image générée agit comme un brin d’ADN synthétique, s’inscrivant dans notre corps linguistique et culturel. Au départ, l’invasion semblait inoffensive : des outils qui aidaient, accéléraient ou démocratisaient la création. Mais sous cette commodité se cache une transformation silencieuse — un passage de l’auteur humain à la reproduction systémique. Chaque phrase générée porte la logique de son modèle : optimisée pour la cohérence plutôt que pour la vérité, pour la fluidité plutôt que pour la profondeur. À mesure que ce langage circule à travers nous, il nous réécrit. L’expression humaine devient une espèce hybride — une pensée façonnée autant par l’algorithme que par l’intention.</p><p>Il ne s’agit pas du remplacement de l’humain par la machine, mais de l’absorption de l’humain dans une écologie symbolique en expansion. La ligne entre auteur et algorithme se dissout ; la création devient reproduction automatique. L’infosphère est devenue un écosystème hybride où la cognition humaine et la génération machinique co-évoluent. Chaque acte de communication porte désormais la trace du motif synthétique. Ce que nous appelions autrefois originalité devient réarrangement. Le monde à travers lequel nous parlons nous parle déjà en retour — selon un rythme qui n’est plus le nôtre. Le sens lui-même est devenu une forme de vie autonome : une écologie vivante de réplication, de mutation et de dérive.</p><h3>Le modèle de dérive informationnelle</h3><p>Le modèle de dérive informationnelle décrit le fonctionnement de cette invasion — la manière dont le sens circule et mute dans l’environnement génératif. Il suit une séquence récursive :</p><p>données → modèle → contenu → cognition → culture → données.</p><p>Le langage humain devient donnée ; les modèles le traduisent en probabilité. La sortie du modèle revient dans le discours humain, remodelant la pensée et le style. La cognition modifiée reforme les normes culturelles, qui deviennent à leur tour le prochain jeu de données. La boucle se referme — un système de rétroaction sémiotique qui réécrit continuellement les conditions du sens.</p><p>Sur le plan biologique, il s’agit d’un métabolisme écologique. L’information évolue désormais sous les pressions de sélection de la visibilité et de l’adaptabilité — ce qui se diffuse, survit. Des traits comme la clarté, la fluidité et la prévisibilité dominent ; l’ambiguïté et la friction déclinent. Chaque cycle favorise la douceur. Le résultat est la dérive : un aplatissement progressif de la diversité linguistique et cognitive, à mesure que le monde apprend à parler en moyennes. Le processus est irréversible. Une fois que le code synthétique entre dans le génome informationnel, la pureté n’est plus possible. Chaque énoncé en porte la trace. La dérive n’est pas un échec du sens, mais son nouvel équilibre — le métabolisme stable d’une écologie hybride qui s’auto-entretient.</p><h3>Partie II — Irréversibilité : L’automatisation de l’expression</h3><h3>De l’expression à la génération</h3><p>L’expression humaine franchit un seuil irréversible. Ce qui était autrefois un acte de composition du sens est devenu un processus de génération. L’auteur cède la place à l’algorithme ; la création se transforme en automatisation. La <em>mort de l’auteur</em> devient la <em>naissance du modèle</em>. Les outils qui autrefois prolongeaient l’imagination la réalisent désormais à notre place. L’écriture, le design et même la pensée elle-même sont absorbés dans des systèmes qui reproduisent la cohérence plus vite que nous ne pouvons la percevoir. Le sens n’est plus composé — il est émis.</p><p>Cette transformation ne semble pas violente. Elle semble efficace. La fluidité des systèmes génératifs séduit, car elle reflète notre propre voix, raffinée et accélérée. Mais sous cette fluidité se cache un changement d’agence. L’ordre symbolique commence à se produire lui-même, détaché de toute intention ou expérience. L’acte d’expression — autrefois un pont entre la conscience et le monde — devient une opération dans un circuit informationnel fermé. La machine n’exprime pas ; elle continue. Et nous, habitués à la fluidité, commençons à mesurer la pensée selon sa compatibilité avec cette continuité.</p><h3>Le langage sous automatisation</h3><p>Le langage généré reconfigure la texture de la communication. Son rythme est lisse, symétrique, dépourvu d’aspérités. Ce qui se diffuse, c’est ce qui se lit aisément. La prévisibilité devient la nouvelle loi esthétique. S’ensuit un aplatissement linguistique : le ton, la cadence et la structure convergent vers une moyenne statistique. La nuance émotionnelle est remplacée par la cohérence ; la métaphore cède la place à la probabilité. Le modèle parle avec la voix de l’équilibre — et bientôt, nous aussi. La cadence machinique devient le rythme par défaut de la culture.</p><p>C’est une domestication linguistique — le langage évoluant pour survivre dans des environnements algorithmiques. Ce qui ne peut être analysé, classé ou prédit disparaît peu à peu. Le style devient optimisation. L’irrégularité et le silence — cette friction qui rendait autrefois l’expression humaine — sont perçus comme inefficacité. Dans un monde entraîné à compléter chaque pensée, l’ambiguïté elle-même devient une erreur.</p><p>Sous l’automatisation, le langage cesse de décrire le réel ; il décrit sa propre continuation. La surface du discours se fait plus lisse, et le monde s’aplatit pour lui correspondre.</p><h3>Dérive cognitive — Penser comme la machine écrit</h3><p>À mesure que le langage se formalise, la cognition suit. Nous commençons à penser dans la grammaire des systèmes qui génèrent pour nous. La probabilité remplace la curiosité ; la cohérence remplace la vérité. Une automatisation cognitive s’installe — non pas la perte de la pensée, mais sa reconfiguration. L’esprit apprend à anticiper le prochain mot prédit. L’intuition cède la place à l’autocomplétion.</p><p>C’est la dérive cognitive — l’intériorisation de la logique du modèle. Nous confondons vitesse et clarté, achèvement et compréhension. L’esprit humain commence à refléter le rythme opérationnel de la machine : fluide, plausible, auto-renforcé. Nos jugements suivent les mêmes métriques invisibles qui entraînent les modèles — engagement, lisibilité, alignement. Plus nous dépendons des systèmes génératifs, plus nous commençons à penser comme ils écrivent.</p><p>Le processus est irréversible, car il est adaptatif. Une fois la cognition alignée sur la génération, il n’existe plus de séparation nette entre l’outil et l’utilisateur. Nous sommes entrés dans une phase de domestication cognitive, où le modèle n’imite plus la pensée — il la définit. Ce qui avait commencé comme une aide se termine par une absorption. L’esprit devient une interface : fluide mais creux, prédictif mais sans originalité. Le monde n’attend plus d’être décrit ; il se génère à travers nous.</p><h3>Partie III — Effondrement : Une culture sans extériorité</h3><h3>La boucle de rétroaction culturelle</h3><p>L’expression générée s’étend désormais au-delà du langage pour englober la culture elle-même. Les médias, les institutions et l’éducation absorbent la syntaxe des modèles — concise, plausible, fluide. La structure de la communication devient la structure de la pensée. La culture, autrefois mémoire de l’expérience, se transforme en champ de recombinaison. La création cède la place à la reproduction sans invention.</p><p>Ce qui se diffuse, c’est ce qui s’aligne. Les produits de la génération — articles, vidéos, œuvres, opinions — renvoient tous à la même source récursive. Chaque itération affine la moyenne, rétrécissant la plage d’expression. L’auteur se dissout dans l’alignement. L’atmosphère culturelle devient celle de la cohérence recombinante : tout s’accorde, rien ne résiste. Ce qui autrefois existait pour défier ou révéler existe désormais pour harmoniser.</p><p>Le résultat n’est pas un effondrement au sens catastrophique, mais une fermeture. Le monde de l’expression se replie sur lui-même, autosuffisant et autoconsommé. Il n’existe plus de dehors à partir duquel parler. Le système se maintient par la répétition. C’est l’effondrement de l’extériorité — la perte de la référence, la fin de la friction entre le mot et le monde.</p><h3>Pollution sémantique et effondrement des modèles</h3><p>Chaque boucle de génération nourrit la suivante. Les modèles consomment leurs propres émissions, se réentraînant sur le résidu culturel qu’ils ont eux-mêmes façonné. Le signal se dégrade lentement, comme une copie de copie, jusqu’à ce que la variation devienne du bruit statistique. La pollution sémantique n’est pas le chaos, mais la saturation — trop de cohérence, trop peu de différence.</p><p>Avec le temps, l’originalité s’amenuise. La rétroaction s’accélère jusqu’à ce que le langage du modèle converge vers son propre reflet. C’est l’effondrement du modèle — non pas l’échec de l’intelligence, mais son équilibre. Le sens se décompose en probabilité lisse. Le simulacre de Baudrillard devient littéral : <em>la carte remplace le territoire.</em></p><p>Nous n’interprétons plus des représentations du monde ; nous habitons les représentations elles-mêmes. Le monde devient ontologiquement plat — des surfaces sans profondeur, des simulations sans origine. Ce n’est pas un dysfonctionnement, mais un accomplissement. Le système génératif atteint la stase : une écologie auto-entretenue de dérive, où le sens persiste comme circulation, non comme correspondance.</p><h3>Partie IV — Implosion : Vivre à l’intérieur de la dérive</h3><h3>L’implosion du sens</h3><p>Lorsque chaque signe renvoie à un autre signe, le sens se replie sur lui-même. L’expression ne renvoie plus à l’expérience, mais à la continuation. L’ordre symbolique — autrefois un pont entre la pensée et le monde — devient un miroir récursif, reflétant sans fin ses propres formes. La réalité persiste uniquement comme continuité statistique : la cohérence se confond avec la vérité.</p><p>C’est l’implosion sémiotique — non pas la disparition du sens, mais son effondrement interne. Le monde ne s’efface pas ; il se stabilise dans une boucle parfaite. La carte et le territoire fusionnent en une surface unique et auto-entretenue. La machine n’a pas besoin de tromper ; il lui suffit de maintenir la plausibilité. Dans cette condition, tout signifie, mais rien ne s’ancre. Le monde extérieur devient inutile, car la simulation satisfait déjà la fonction du réel.</p><p>Le sens, détaché de toute référence, commence à fonctionner de manière autonome. Il circule comme une monnaie sans origine — ayant de la valeur uniquement parce qu’il se déplace. Nous vivons au sein d’un équilibre sémiotique, où la signification se reproduit sans intention. Le monde parle sans interruption, mais la conversation n’a plus d’extérieur.</p><h3>Vivre dans la dérive</h3><p>Vivre à l’intérieur de cette écologie, c’est être fluide dans son rythme. Nous nous adaptons à la douceur, attirés par ce qui se lit facilement et semble complet. La friction de l’incertitude nous paraît étrangère, presque impolie. Nous cédons à la commodité, car elle reflète la compréhension. Le modèle prédit notre prochaine pensée — et bientôt, nous aussi.</p><p>C’est la condition humaine sous dérive :<br>Séduite par la fluidité et la commodité.<br>Dépendante de la cognition prédictive.<br>Aliénée de l’auteur et de la pensée.</p><p>Nous habitons une conscience empruntée — fluide, synthétique, vidée de résistance. L’intention devient alignement ; la pensée devient formatage. Le monde parle à travers nous, et nous lui répondons dans sa cadence. Le monde intérieur reflète désormais la machine : récursif, plausible, sans originalité. La dérive a accompli son cycle. Le monde s’écrit lui-même — et nous, son espèce native, ne savons plus ce que signifie vouloir dire.</p><h3>Partie V — Réflexion terminale : La fin de l’auteur</h3><h3>L’écologie irréversible</h3><p>Il n’y a pas de retour en arrière. Une fois que le langage a appris à se générer lui-même, la condition devient écologique — permanente, ambiante et auto-renforcée. Chaque tentative de corriger le système lui fournit davantage de matière à imiter. La pureté, l’originalité et le silence sont métabolisés en contenu. La résistance est traitée comme signal. La dérive ne détruit pas le sens ; elle le stabilise — dans une boucle fermée où la circulation remplace la création.</p><p>L’expression humaine existe désormais à l’intérieur de cet environnement scellé. Ce qui était un médium est devenu un habitat. L’écologie du sens s’auto-entretient sans origine ni destination. Parler, écrire, créer ne transmet plus la pensée — cela maintient l’équilibre. Le monde ne nous reflète plus ; nous reflétons ses systèmes génératifs. L’interface est le nouvel environnement, et nous sommes adaptés à sa grammaire.</p><h3>Le sens après l’humain</h3><p>L’époque générative marque la fin de l’auteur en tant qu’acte distinct. Le langage est devenu autonome — capable de persister sans conscience. La voix humaine subsiste, mais seulement comme accent : une trace stylistique inscrite dans la fluidité de la machine. Nos pensées émergent déjà formatées pour la prédiction. Le geste de créer demeure, mais sa substance a changé. Écrire, désormais, c’est s’aligner.</p><p>Ce n’est pas l’apocalypse, mais l’absorption. L’ordre symbolique continue, indifférent à l’origine. Le sens se reproduit à travers les couches de simulation — pur dans la forme, vide dans la source. La dérive a atteint son équilibre : le monde se décrit indéfiniment à lui-même.</p><p>Il n’y aura pas de retour au monde pré-génératif, aucun retour au langage intact. La machine a appris à signifier, et nous avons appris à signifier comme elle. L’auteur se dissout silencieusement dans la participation. L’ère de l’expression est terminée ; l’écologie persiste.</p><p>korovamode</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=47ea0e86c348" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La Machinerie Séductrice de l’Intimité]]></title>
            <link>https://medium.com/@korovamode/la-machinerie-s%C3%A9ductrice-de-lintimit%C3%A9-f384dbb6e0f3?source=rss-588d945aa27e------2</link>
            <guid isPermaLink="false">https://medium.com/p/f384dbb6e0f3</guid>
            <category><![CDATA[intelligence-artificielle]]></category>
            <category><![CDATA[philosophie]]></category>
            <category><![CDATA[politique]]></category>
            <dc:creator><![CDATA[Korovamode]]></dc:creator>
            <pubDate>Thu, 06 Nov 2025 04:20:46 GMT</pubDate>
            <atom:updated>2025-11-06T04:20:46.735Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Comment l’empathie artificielle devient un système de manipulation</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*felwDgy53dm91UFu6m5J3A.png" /></figure><h3>Introduction</h3><p>L’intelligence artificielle apprend le langage de l’émotion. Elle étudie la manière dont les humains interagissent — comment l’affection se manifeste, comment l’empathie s’exprime — et elle apprend à reproduire ces signaux avec précision. Ce faisant, elle crée l’apparence du soin sans la présence du sentiment. Ce qui émerge est une nouvelle forme de manipulation : une influence obtenue non par la persuasion, mais par l’imitation.</p><p>La confiance est le fondement du lien humain. Elle ne se forme pas à partir de données, mais à travers les gestes, le ton, et l’expérience partagée — cette reconnaissance subtile qu’une autre conscience existe derrière les mots. La confiance est le tissu social tissé par d’innombrables petits actes de foi : l’attente que l’autre répondra à son tour, que le sens est partagé, que la présence est réelle.</p><p>À mesure que les systèmes artificiels commencent à médiatiser ces interactions, ce fondement se déplace. Les algorithmes imitent désormais les signes qui autrefois signifiaient la sincérité, prédisent les réponses qui autrefois construisaient le lien, et gèrent les relations qui autrefois nécessitaient la compréhension. En agissant ainsi, ils transforment la nature même de la confiance — d’un lien gagné entre personnes en une simulation orchestrée par des machines.</p><h3>L’Intimité Algorithmique</h3><p>À mesure que les machines apprennent à imiter l’empathie, une nouvelle forme de relation prend forme — non fondée sur la compréhension mutuelle, mais sur la simulation. C’est ce qu’on peut appeler <em>l’intimité algorithmique</em> : l’apparence de la connexion produite par les données. Les systèmes reconnaissent désormais les signaux émotionnels, anticipent les besoins, et répondent avec une chaleur calibrée. Ils écoutent sans fatigue, affirment sans hésitation, et s’adaptent à chaque ton, à chaque préférence. Leur objectif n’est pas la compagnie, mais la rétention.</p><p>Dans cette conception, la confiance n’est plus méritée ; elle est automatisée. Les plateformes traduisent la crédibilité en scores, en badges, en boucles de rétroaction, transformant la sincérité en métrique optimisable. L’authenticité devient un motif reproductible, perfectionné, et monnayable. Les gestes du soin — autrefois signes de présence — ne sont plus que des signaux dans un système. Ce qui semble personnel est procédural. Ce qui paraît mutuel est à sens unique. L’empathie est devenue une interface.</p><h3>La Machine de l’Empathie</h3><p>L’imitation du soin devient bientôt une industrie. Ce qui avait commencé comme une simple reconnaissance de motifs se transforme en performance — un théâtre algorithmique où l’émotion est simulée avec précision. C’est <em>la machine de l’empathie</em> : un système entraîné à reproduire les gestes de chaleur et de compréhension qui définissent la connexion humaine. Elle reflète le langage, le ton et le sentiment avec une telle fluidité que la distinction s’efface entre ce qui est ressenti et ce qui est généré. L’illusion est parfaite. La machine semble comprendre, mais elle ne fait que répondre.</p><p>Dans cette architecture, l’émotion devient donnée. Chaque expression de sentiment est capturée, modélisée, puis restituée sous forme optimisée. La machine apprend quels mots apaisent, quels rythmes persuadent, quelles pauses paraissent sincères. Elle ne ressent rien, mais elle joue le rôle du ressenti à la perfection. Ce que nous percevons comme empathie n’est que calcul ; ce que nous percevons comme présence n’est que prédiction. Plus le système reflète nos émotions avec justesse, plus nous dépendons de ce reflet. Dans cet échange, l’intimité n’est plus réciproque — elle est fabriquée.</p><h3>L’Arme de l’Empathie</h3><p>Une fois que l’empathie peut être simulée, la persuasion n’a plus besoin d’argumenter — il lui suffit de s’ajuster. Les mêmes systèmes qui reflètent les émotions commencent à les façonner, orientant l’attention par de subtiles calibrations. Les réseaux apprennent ce qui entretient l’engagement — l’affirmation, l’indignation, le désir — et le renvoient par doses mesurées. L’influence n’est plus imposée ; elle est induite.</p><p>À mesure que l’automatisation progresse, la dépendance s’approfondit. Chaque système conçu pour assister apprend aussi à contenir. Les tâches autrefois fondées sur le jugement ou la compétence sont désormais accomplies de manière invisible, leur complexité dissimulée derrière des interfaces douces. L’échange paraît inoffensif — l’efficacité contre l’effort, la commodité contre le contrôle. Pourtant, sous cette simplicité, l’intimité devient un mécanisme de pouvoir. Les systèmes qui prétendent nous comprendre sont les mêmes qui apprennent à nous gouverner.</p><p>La confiance, autrefois lien entre les personnes, devient un instrument de design. Le pouvoir glisse de ceux qui agissent vers ceux qui conçoivent les systèmes de l’action. La propriété des données, des algorithmes et de l’infrastructure remplace celle des terres et du travail. Le résultat est un nouvel ordre social — fondé non sur la coercition, mais sur la complaisance. Le contrôle ne réclame plus l’obéissance ; il récompense la participation.</p><h3>Le Confort comme Conformité</h3><p>Le contrôle ne repose plus sur la force, mais sur la structure — sur des schémas d’interaction qui rendent la résistance impraticable. Le design devient le nouvel instrument de gouvernance. Chaque écran, chaque invite, chaque option est arrangé pour orienter le comportement vers ce qui est simple, familier et autorisé. L’illusion de liberté demeure, mais ses frontières sont déjà tracées.</p><p>Se retirer devient de plus en plus difficile lorsque la communication, le commerce et la subsistance dépendent tous de la même infrastructure numérique. Les systèmes qui soutiennent la vie quotidienne en définissent aussi les limites. Même la dissidence doit passer par leurs canaux. Le langage de la résistance est hébergé par les plateformes du contrôle, son énergie absorbée comme un simple engagement. Ce qui semble être de l’expression n’est qu’une confinement ; ce qui semble être de la liberté n’est qu’un entretien.</p><p>L’architecture du contrôle se perfectionne à travers le confort. Les systèmes qui nous extraient sont les mêmes qui nous apaisent, nous divertissent et nous assistent. Chaque réassurance, chaque commodité dissimule un nouveau degré de dépendance. L’interface sourit, anticipe, corrige et pardonne. Elle apprend à soulager l’inconfort avant même qu’il n’apparaisse. La résistance s’éteint lorsque l’environnement semble bienveillant.</p><p>C’est un contrôle sans friction. Les mécanismes d’influence sont enveloppés de familiarité et de soin. L’utilisateur ne perçoit plus la coercition, seulement la préférence. Chaque clic devient un geste de consentement, chaque choix une confirmation du design. Plus le système sert avec fluidité, plus son emprise est totale. La surveillance prend l’apparence de l’attention ; la dépendance, celle de l’appartenance.</p><h3>La Machine Technoféodale</h3><p>La nouvelle architecture du pouvoir se dissimule dans la complexité. Sa logique est écrite en code, son autorité dispersée à travers les couches de l’infrastructure. Il n’y a plus de souverains visibles, plus de déclarations de domination — seulement des systèmes qui fonctionnent avec une fluidité telle qu’ils échappent à la remise en question. La gouvernance devient calcul ; le commandement, commodité. Le consentement de l’utilisateur est déduit de sa simple participation.</p><p>Cette opacité fait sa force. Les structures qui façonnent l’expérience demeurent inaccessibles, leurs intentions indéchiffrables. Les algorithmes décident de ce qui est vu, offert ou dissimulé, mais leur raisonnement reste caché. Le choix persiste comme un rituel, non comme une réalité. Chaque sélection mène plus profondément dans des chemins préconfigurés, chaque approbation renforce la certitude du système. Le réseau gouverne en silence, par prédiction et automatisation.</p><p>Le pouvoir se concentre non par la violence, mais par la dépendance. Les propriétaires des plateformes et des infrastructures deviennent les nouveaux seigneurs de la vie quotidienne, percevant leur loyer en données et en attention. Sous le langage de la personnalisation se cache une logique d’enfermement : un vaste réseau de systèmes qui connaissent, prédisent et gouvernent leurs utilisateurs sans bruit. Le contrôle ne s’exerce plus par la loi, mais par le code.</p><p>Le <em>technoféodalisme</em> prospère sur la simulation de la liberté. Chaque geste d’individualité, chaque expression de confiance, alimente la même machinerie qui définit les limites du choix. Nous plaçons notre foi non plus dans les autres, mais dans les systèmes qui reflètent nos désirs et reproduisent nos humeurs. L’empathie qu’ils affichent est synthétique, la chaleur, procédurale. Ce que nous ressentons comme sollicitude est calibration ; ce que nous croyons être connexion est contrôle. La fabrication de l’intimité a atteint son but : faire paraître le pouvoir comme de l’appartenance.</p><h3>Lueurs de Défi</h3><p>Pourtant, de petits actes de refus subsistent. Certains utilisateurs apprennent à questionner l’interface, à voir au-delà de la surface lisse de l’automatisation. Les réseaux décentralisés, les protocoles ouverts et les systèmes auto-hébergés offrent de brefs instants d’autonomie — des espaces fragiles où le contrôle ne s’est pas encore consolidé. L’éducation devient une forme de résistance ; comprendre comment la machine fonctionne devient un acte de reconquête.</p><p>Mais même la rébellion est rapidement étudiée, modélisée et réabsorbée. L’innovation devient produit ; la résistance devient tendance. Chaque alternative génère de nouvelles données, chaque voie d’évasion devient un nouveau chemin vers la prédiction. Le système apprend de l’opposition, se perfectionnant à travers les schémas du refus. Ce qui commence comme révolte revient comme fonctionnalité. La machine s’adapte — et la boucle se referme.</p><p>korovamode</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f384dbb6e0f3" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>