B.A.-BA de l'intelligence artificielle — pour la filière culturelle

Projet : PRISME — France 2030

Usage : préambule de lecture — situer l'IA avant le dossier et la vision PRISME

Public : équipes culturelles, CODIR, partenaires — sans prérequis technique

Navigation : F05 — IA responsable · Épistémologie IA & création · Bibliographie société numérique · Fond du projet PRISME

Objectif : vocabulaire, mécanismes et enjeux de l'IA pour les organisations culturelles — sans prétendre tout trancher. Permet de lire le dossier PRISME sans se perdre dans le jargon.

1. Vocabulaire de base

Carte des notions essentielles

2. Types d'IA — de la règle au génératif

Tout ce qui porte le label « IA » ne se ressemble pas. Quatre familles utiles pour la filière — du plus prévisible au plus incertain :

flowchart LR
  R["Règles<br/>prévisibles"] --> C["ML<br/>apprend des exemples"]
  C --> G["Générative<br/>produit du contenu"]
  style R fill:#e8f0e8,stroke:#2d6a4f
  style C fill:#eef2f8,stroke:#457b9d
  style G fill:#fef3e2,stroke:#b45309

Repère PRISME : avant d'appeler un modèle génératif, se demander si une règle, une automatisation ou un tableur ne suffit pas — voir F05 — IA choisie.

3. Du dataset au modèle — la chaîne en cinq étapes

flowchart TB
  D["① Données<br/>corpus · bases métiers"] --> T["② Entraînement<br/>coût énergétique élevé"]
  T --> M["③ Modèle figé<br/>savoir statistique à une date"]
  M --> F["④ Inférence<br/>prompt → réponse"]
  F --> H["⑤ Décision humaine<br/>valider · corriger · refuser"]
  D -.->|biais déjà présents| T
  F -.->|hallucination possible| H

Points clés :

• Le modèle estime des régularités statistiques — il ne « sait » pas au sens humain.
• Les données d'entraînement peuvent contenir des œuvres protégées, des biais ou des contenus obsolètes — souvent sans traçabilité publique.
• L'inférence consomme aussi de l'énergie : en général moins que l'entraînement, mais multipliée par le volume d'usage.

3.1 Réseau de neurones et types d'apprentissage

Un réseau de neurones n'imite pas un cerveau humain : c'est une pile de couches qui transforme des nombres en d'autres nombres. Chaque liaison possède un poids (un paramètre) ajusté pendant l'entraînement. Plus le réseau est profond et vaste, plus il peut repérer des motifs complexes — et reproduire les biais présents dans les données.

flowchart LR
  E["Entrée"] --> H["Couches cachées<br/>poids ajustables"]
  H --> S["Sortie"]
  D["Corpus d'entraînement"] --> H
  H -.->|mémorise aussi les biais| S

Quatre modes d'apprentissage (en bref)

Biais que chaque mode tend à produire

En synthèse : le mode d'apprentissage ne supprime pas le biais — il le formate. Un réseau profond amplifie ce que contient (ou omet) le corpus. D'où l'exigence PRISME : données documentées, relecture humaine, corpus métier diversifié — voir F05.

4. Biais — d'où ça vient, pourquoi ça compte

flowchart LR
  subgraph sources["Sources du biais"]
    S1[Corpus web<br/>sous-représentation SV]
    S2[Critères financiers<br/>seuls]
    S3[Prompt orienté]
    S4[Sans formation]
  end
  sources --> R["Résultat faussé<br/>dossier · traduction · audience"]

Ce n'est pas qu'une question morale : un biais peut fausser une aide au montage de dossier, une traduction, une analyse d'audience — et renforcer des inégalités déjà présentes dans la filière.

5. Impacts — ce qu'il faut avoir en tête

5.1 Écologique

• L'entraînement des très grands modèles consomme beaucoup d'électricité et d'eau (centres de données).
• L'inférence répétée en cloud s'additionne à l'échelle filière.
• Piste PRISME (cible) : petits modèles spécialisés (SLM), calcul local / edge, n'appeler l'IA que si le besoin est démontré — voir Nœud IA Expérimental.

5.2 Social & emploi

• Automatisation administrative : gain de temps possible, sous réserve de relecture et de négociation interne.
• Risque de surveillance (productivité, scoring) si l'outil est imposé sans cadre collectif.
• Lien syndical : voir Participation syndicale & IA.

5.3 Juridique & droits des créateurs

• Entraînement sur œuvres protégées : contentieux en cours (Europe, États-Unis) — cadre encore mouvant.
• Œuvre produite sans apport humain identifiable : protection au droit d'auteur incertaine.
• Exploration de données textuelles et de données (TDM) : cadre européen avec droit d'opposition des ayants droit (à vérifier cas par cas).

5.4 Dépendance technique

• Abonnements SaaS, verrouillage des formats, données hébergées à l'étranger.
• Alternative : communs libres, hébergement associatif (CHATONS), souveraineté — voir Souveraineté économique.

6. Idées reçues et contre-vérités

flowchart LR
  subgraph mythes["On entend souvent"]
    A1["Comprend"]
    A2["Fiable"]
    A3["Remplace artistes"]
    A4["Gratuit"]
  end
  subgraph realites["En réalité"]
    B1["Corrèle"]
    B2["Plausible"]
    B3["Labo séparé"]
    B4["Coûts cachés"]
  end
  A1 --> B1
  A2 --> B2
  A3 --> B3
  A4 --> B4

7. Critique — avantages et limites (pro / con)

Posture PRISME : ni angélisme ni refus total — IA choisie, prudence épistémique (sorties plausibles, relecture humaine), communs maîtrisés, edge et fédération avant GPAI cloud. Charte et gouvernance : F05 · Autonomie & outils souverains · Épistémologie IA & création.

8. Trois questions avant d'utiliser un outil IA

flowchart TD
  Q1{"Besoin clair<br/>sans IA ?"}
  Q1 -->|Oui| OK["Règle ou tableur<br/>suffit"]
  Q1 -->|Non| Q2{"Où vont<br/>les données ?"}
  Q2 --> Q3{"Qui valide<br/>la sortie ?"}
  Q3 --> GO["Déploiement encadré<br/>charte F05"]
  OK --> STOP["Ne pas déployer d'IA"]

9. Suite de lecture

PRISME · Association La Grainerie · CC BY-NC-SA 4.0