L'IA, même super, est un nom pourri
Dans un précédent article, je confessais mon usage de l'IA entre prudence et curiosité. J'ai été assez long à trouver de l'intérêt dans ces outils qui nous ont été imposés à marche forcée. Et depuis 1 an environ, à force d'expérimentations prudentes et sobres sous l'impulsion de mon employeur, je découvre des usages intéressants, très majoritairement à des fins d'apprentissages et de recherches, et assez loin des effets de démo bluffants. Je ne gagne pas de temps, ni en productivité, mais j'ai l'impression d'augmenter la qualité de mes travaux et de pouvoir tisser des réflexions plus amples, ce qui me fait m'éloigner du discours autour du « perroquet stochastique » qui tend à dénigrer l'outil (le terme a été forgé en 2021 par Bender et al. dans On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? et a été largement repris. L'article alertait d'abord sur des risques bien réels, environnementaux, de biais et d'opacité des données. C'est sa reprise, souvent réduite à l'image du perroquet, qui en a fait un terme de dénigrement).
Dans ce précédent article, je qualifiais l'IA de nom pourri, perroquet stochastique a trouvé sa place dans mon vocabulaire pendant un moment, et maintenant je m'efforce à en explorer d'autres comme machine conversationnelle, ou machine à tisser du texte. Pour autant, je continue d'utiliser IA assez fréquemment, déjà pour parler de cet objet numérique mal identifié avec d'autres personnes, sinon les conversations sont vite un peu trop longues, mais aussi parce que je n'arrive pas à vraiment trouver un remplaçant sans tomber dans des tendances à la sur-promesse ou à la sous-promesse comme nous y invite Zoé Scaman dans The Naming of Things.
Et puis, je me suis surpris à me moquer de Trump qui proclame que quiconque utilise Artificial Intelligence est maintenant son ennemi, et que dorénavant il faudrait baptiser cela Super Intelligence. Artificielle est pour lui une sous-promesse, il préfère Super qui, de mon point de vue, est une sur-promesse sur une sur-promesse. En effet, pour moi, le côté pourri du nom tient moins à artificielle, que je trouve assez descriptive (artificielle parce que construite par du travail humain, même si le mot tend à l'effacer), et plus à intelligence que je trouve très éloignée de ce à quoi nous avons affaire (sauf à traduire par l'autre signification anglaise du mot : renseignement, mais en français ce sens est perdu). Mais c'est Trump, il est suivi déjà par certains CEO et certaines entreprises, que ce soit par convictions ou par opportunismes, et il a le pouvoir d'exiger la suppression ou modification des mots. Pourtant, malgré son pouvoir, sa médiatisation, ses menaces, Super Intelligence ne semble pas vraiment prendre. Alors si même Trump n'arrive pas à changer la façon dont on nomme ces objets, je dois bien me moquer de moi-même dans ces tentatives pour trouver un meilleur nom.
Ainsi cet article n'a pas l'ambition de proposer un super nom de remplacement, mais plutôt d'apporter une pierre de plus à la critique de l'IA sans défendre le statu quo. Dans la suite, je parle surtout des LLM conversationnels, car pour moi c'est là que le mot crée le plus de flou. Je partirai de pourquoi « intelligence artificielle » est un nom particulièrement mauvais, puis je proposerai quelques critères pour en juger d'autres, et partagerai mes tentatives non abouties. Mon envie à travers cet article est de vous inviter à en essayer d'autres et à le faire savoir.
Pourquoi « intelligence artificielle » ne va pas
L'expression intelligence artificielle apparaît dans la proposition rédigée en août 1955 par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon pour obtenir de la Fondation Rockefeller le financement d'une conférence d'été à Dartmouth, en 1956. Elle ne faisait pas l'unanimité : d'autres préfèraient complex information processing ou automate studies. McCarthy l'aurait préféré en partie pour des raisons stratégiques : il fallait un terme qui se distingue de la cybernétique de Norbert Wiener, et qui attire des financements.
Vingt ans plus tard, dans Artificial Intelligence Meets Natural Stupidity (SIGART Newsletter, n° 57, avril 1976), l'informaticien Drew McDermott critique les habitudes de nommage de sa discipline. Il y forge l'expression wishful mnemonic, qui qualifie le fait que les chercheurs donnent à leurs programmes, procédures ou structures de données des noms suggestifs, tels que comprendre ou penser et qui finissent par croire, et faire croire, que le programme pense ou comprend réellement. Le nom « intelligence artificielle » est une sorte de wishful mnemonic originel, qui installe dans le mot ce qui a fini par convaincre Trump, et tant d'autres, au point de l'appeler Super. Les recommandations de nommage de McDermott restent utiles aujourd'hui : nommer ce que le programme fait réellement, distinguer les relations au lieu de tout fusionner, et séparer l'aspiration de la réalisation.
En 2026, Inie et al. dans De-anthropomorphizing “AI”: From wishful mnemonics to accurate nomenclature prolongent les propos de McDermott en passant du code au discours public (le problème ne touche pas seulement les noms des fonctions mais les articles scientifiques, la presse, le marketing, les noms de produits) et de la cognition à l'anthropomorphisation (le fait de projeter des qualités humaines sur des artéfacts techniques, Inie et al. ajoutent au-delà du nommage seul, les émotions, la communication, l'agentivité, les rôles humains, les pronoms et les métaphores biologiques à l'œuvre dans ces objets techniques que sont les LLM et leurs harnais). Pour Inie et al. l'anthropomorphisation pose des problèmes de confiance mal placée, de capacités surestimées, de responsabilités brouillées, de travail humain dévalorisé, de sur-exposition des personnes vulnérables. Bref, l'IA est un nom pourri, et Super Intelligence serait encore pire. Alors quoi faire, que nous proposent Inie et al. et d'autres sur le sujet ?
Si cet article est trop long pour vous, et que la revue de littérature partielle n'est pas votre came, passez directement aux sept critères pour juger un nom !
Ce que proposent les personnes qui ont essayé
Depuis McDermott, pas mal de monde a essayé de mieux nommer la chose, et en explorant leurs propositions, j'ai identifié trois lignes de fracture, probablement difficilement réconciliables et d'ailleurs, il est peut-être plus utile de pluraliser les noms en fonction des technologies et des contextes, que de chercher le nom unique, surtout si l'IA est avant tout le nom de ce qu'on ne comprend pas encore complètement. Ce qui serait proche de « l'effet IA », résumé par la formule attribuée à Larry Tesler : « l'intelligence, c'est ce que les machines n'ont pas encore fait ». Qui appelle encore IA les systèmes experts ou les algorithmes de recommandation ?
Nommer le mécanisme ou nommer l'interlocuteur ?
La position la plus fournie est celle qui nomme le mécanisme. McDermott recommandait de nommer ce que le programme fait réellement. Inie et al. proposent de décrire les systèmes « par la fonctionnalité d'abord », c'est-à-dire par ce que les gens en font et les opérations réellement effectuées, plutôt que par des capacités mentales qu'on leur prête. Leur tableau de remplacements est une petite mine : intelligence artificielle devient automatisation probabiliste, reconnaissance d'image devient étiquetage d'image, chatbot devient simulateur de conversation, réseau de neurones devient réseau pondéré. Francis Hunger, dans Unhype Artificial 'Intelligence'! (2023), arrive au même réseau pondéré par un autre chemin, il remplace neurone par poids, en suivant le papier sur la backpropagation de Yann LeCun en 1989, et propose reconnaissance automatisée de motifs pour l'IA, parce que le préfixe « re- » rappelle que quelqu'un a mis le processus en mouvement. Anne Alombert propose plus net encore : il n'y a ni intelligence ni apprentissage, parlons d'automates computationnels. Ted Chiang, auteur de science-fiction, suggérait en 2023 dans un entretien au Financial Times qu'on aurait mieux fait de dire statistiques appliquées.
Tous ces noms parlent du modèle et de son mécanisme, et quand je travaille avec une machine conversationnelle, quand j'applique le guide du prompting de base, on me recommande de définir un rôle, que je définis parfois en commençant par "ton rôle est..." qui est derrière ce tu ? C'est la question que se pose David Chalmers dans What We Talk to When We Talk to Language Models. Ses conclusions restent des quasi-conclusions à mes yeux, elles attribuent aux LLM des quasi-désirs et des quasi-croyances. Il semble conclure sur un point : si interlocuteur il y a, ce n'est pas le modèle, ni les serveurs mais plutôt une instance virtuelle, ou un fil de conversation qui persiste, et qui réalise une persona évanescente, limitée par la fenêtre de contexte, qui se dégrade à mesure que le fil s'allonge.
Zoé Scaman fait différentes propositions dans le texte que j'ai cité au-dessus, j'en ai retenu 3 qui ont ma préférence : the Construct, the Daemon, the Cognitive Commons. Ses propositions ne décrivent pas un mécanisme mais une relation. Le construct dit que c'est fabriqué, donc qu'il y a eu des choix. Le démon porte deux métaphores en une : le processus d'arrière-plan des ordinateurs et le daimôn de Socrate, cette voix qui conseille sans décider et qui pourrait être nos petites voix intérieures. Les communs cognitifs déplacent la question vers ce que ces systèmes font des productions humaines qu'ils ont absorbées, et rejoignent par là Jaron Lanier, pour qui il n'y a pas d'IA, seulement une forme de collaboration sociale [There Is No A.I., New Yorker, 2023].
Bannir le vocabulaire mental ou le marquer ?
Inie et al. et Hunger sont du côté du bannissement. Pour les émotions et les rôles humains (tuteur, co-créateur), Inie et al. ne proposent aucun remplacement mot à mot : il faut reformuler toute la phrase, ou renoncer à l'effet cherché. Hunger, après avoir essayé conditionnement machinique pour remplacer apprentissage et s'être fait objecter qu'un chien conditionné sait, lui, qu'il sera récompensé, conclut qu'il n'y a peut-être pas de remplaçant et qu'il vaut mieux éviter les verbes actifs et il ajoute que les critiques de l'IA sont aussi coupables que ses promoteurs, parce que perroquet ou hallucination restent des métaphores biologiques ou mentales. Inie et al. le disent autrement : la négation reste anthropomorphique, dire qu'un système « n'a pas compris » suppose qu'il aurait pu.
Chalmers choisit l'inverse : garder les mots, tout en les spécifiant. Il parle de quasi-croyances, de quasi-désirs, de quasi-sujet, et précise que « quasi » veut dire apparent, pas presque. Ça ressemble aux guillemets de distance qu'Inie et al. recommandent pour les termes trop installés comme IA ou machine learning, mais avec un sens positif : ce n'est pas seulement une réserve, c'est une façon de dire que l'interprétation mentale est légitime tant qu'on la signale.
Faut-il éviter la sous-promesse ?
Presque tout le monde, dans mon échantillon, considère la sous-promesse comme un moindre mal. McDermott accepte un nom qui impressionne moins. Alombert la revendique. Stefano Quintarelli l'a poussée jusqu'au ridicule assumé avec SALAMI, Systematic Approaches to Learning Algorithms and Machine Inferences (2019) : essayez de demander sérieusement si le SALAMI va nous dépasser, ou s'il mérite des droits :-). Le nom désamorce la question en la rendant absurde. Le perroquet stochastique de Bender et al. joue sur le même terrain, avec plus de sérieux et plus de succès, au point que l'image a fini par éclipser l'argument.
Scaman est à peu près la seule à dire explicitement que la sous-promesse est aussi une erreur de description. Chalmers le pense probablement mais sans le dire explicitement. Et je partage cette vigilance car un terme qui porte une sous-promesse est vite utilisé pour dénigrer et même parfois moraliser. Le SALAMI me fait rire, mais il ne m'aide pas à penser ce qui se passe quand j'utilise un LLM pour co-construire ma réflexion, comme quand j'utilise des auteurs ou des concepts pour préciser mes intuitions. Melanie Mitchell, dans Why AI Is Harder Than We Think (2021), recense quatre illusions qui nourrissent les cycles d'emballement, dont justement les wishful mnemonics de McDermott. Arvind Narayanan et Sayash Kapoor, dans AI Snake Oil (2024), distinguent l'IA générative, l'IA prédictive et la modération automatisée, qui ne marchent pas du tout aussi bien les unes que les autres. Leur voie intermédiaire : ne pas dégonfler la chose, mais la découper. Le mot « IA » met dans le même sac des systèmes dont certains fonctionnent et d'autres relèvent de la poudre de perlimpinpin.
Il me reste une dernière leçon, que je tire de Gilbert Simondon, et qui traverse les trois fractures. Dans Du mode d'existence des objets techniques (1958), puis plus explicitement dans Psychosociologie de la technicité (1960-1961), il distingue l'objet technique fermé, boîte à boutons dont le fonctionnement reste opaque et avec lequel on n'a qu'une relation de consommation, et l'objet ouvert, qui laisse voir son fonctionnement, admet des réglages et appelle une culture technique. Simondon ne parle pas des noms, mais je crois qu'un nom peut fermer ou ouvrir un objet. « Intelligence artificielle » ferme : il enveloppe le fonctionnement dans un mot qui décourage d'aller voir, il fabrique de la magie, et la magie peut masquer. « Modèle de langage » ouvre un peu : le mot modèle dit qu'il y a eu modélisation, donc des choix techniques et des alternatives. L'ironie, c'est que les noms qui dégonflent le plus, SALAMI, perroquet, ferment eux aussi, puisqu'ils disent qu'il n'y a rien à voir.
Voilà pour un court et incomplet panorama. Nous n'avons toujours pas de nom stabilisé, et probablement qu'il en faudra plusieurs, mais ça me permet de formuler ce que j'attends de ces candidats.
Sept critères pour juger un nom
De ce panorama, je tire sept critères. Ils ne sont ni exhaustifs ni exclusifs. Un bon nom peut n'en satisfaire qu'un ou deux, et un nom qui les satisferait tous serait probablement imprononçable.
Décrire la fonction. Que fait la machine ? Elle produit du texte à partir de texte, selon des régularités statistiques extraites de ce qu'on lui a donné à découper et encoder dans ses poids. Machine à tisser du texte passe partiellement ce test. Mais Intelligence artificielle ne dit rien de ce que la machine fait.
Ne pas sur-promettre. « Intelligence », « compréhension », « raisonnement », « apprentissage » annoncent plus que ce qui est présent, et Super en rajoute une couche.
Ne pas sous-promettre. Le symétrique est un piège aussi, ça fait plus que répéter ou uniquement de la bouillie IA (même si la bouillie nous inonde aussi, mais peut-être plus par manque de culture technique ?). Un nom qui le nie m'empêche de penser mon propre usage, et sert vite à moraliser celui des autres.
Nommer le bon niveau. Modèle, instance, fil de conversation, persona : Chalmers montre qu'on ne parle pas de la même chose selon le niveau. Automate computationnel est juste pour le modèle, mais faux pour le « tu » à qui j'assigne un rôle (mais peut-être faudrait-il s'interdire le "tu" et le "je" ?). Il faudra sans doute plusieurs noms, et savoir lequel on emploie dans quel contexte.
Décrire la relation. On peut nommer ce que fait la machine, et on peut aussi nommer ce que nous faisons avec elle, et ce qu'elle nous fait. C'est la force des propositions de Scaman : le construct rappelle qu'on l'a fabriqué, le démon qu'il conseille sans décider, les communs cognitifs qu'il restitue du travail humain.
Ouvrir l'objet. Un bon nom donne envie d'aller voir comment ça marche et laisse entendre qu'on peut le régler, contester, faire autrement. Modèle de langage ouvre un peu, poids et réseau pondéré ouvrent franchement, intelligence ferme par magie, SALAMI ferme par dérision.
Rester facilement utilisable. Un nom qu'on ne peut pas glisser dans une conversation ne servira à rien. C'est le critère qui met à mal la plupart de mes essais, et c'est celui qui fait que je dis encore « IA » quand je parle à quelqu'un d'autre.
Vous noterez que ces critères se contredisent partiellement. J'espère qu'ils peuvent servir à en inventer d'autres, à en tester certains, et à comprendre pourquoi ils échouent.
Mes tentatives, et pourquoi elles échouent
J'ai essayé « machine à texto-tisser ». L'idée me plaisait : le tissage nomme l'héritage avec le métier à tisser, il dit l'assemblage de fils préexistants en une étoffe nouvelle, il évoque le texto avec sa complétion automatique et sa filiation statistique, ce qui décrit assez bien le mécanisme. Mais je n'arrive pas à m'en emparer. Le mot ne me vient pas, il sonne trop fabriqué.
« Machine conversationnelle », que j'utilise le plus souvent, tient mieux. Elle décrit une fonction et une relation. Mais elle a un défaut sérieux : elle omet complètement la dimension probabiliste, qui est pourtant sa généalogie. « Machine probabiliste à tisser du langage » serait plus juste. C'est aussi impossible à dire dans une phrase normale :-)
« Claude », que j'utilise parfois en remplacement d'IA, pose un autre problème. Le prénom, familier, installe une personne là où il n'y en a pas. J'ai lu qu'il pourrait rendre hommage à Claude Shannon, mais Anthropic n'a jamais vraiment confirmé. Si c'est le cas, l'ironie est savoureuse : Shannon, cosignataire de la proposition de Dartmouth, écrivait en 1948 que « les aspects sémantiques de la communication sont sans pertinence pour le problème d'ingénierie ».
Et puis, plus simplement, il y a « ordinateur ». Quand je dis « je discute avec l'ordinateur », c'est littéralement vrai : je suis devant cette machine, elle peut héberger ou relayer le modèle, c'est le médium de la relation, et tout le monde connait le terme. L'ordinateur se mue en machine conversationnelle, alors qu'il était procédural jusque-là : on lui donnait des instructions et il les exécutait. Maintenant on lui parle et il répond et, comme nous le suggère Albert Moukheiber, cela nous invite à développer une vigilance épistémique à son endroit, c'est-à-dire développer une capacité à douter, à vérifier et à faire confiance, ce qui n'était pas le cas avec nos calculettes.
Je n'ai pas trouvé le bon nom. Je ne crois plus qu'il existe, ou en tout cas qu'il soit unique. Je vais continuer à dire « IA », mais en sachant ce qu'il fait, ce qu'il ferme, ce qu'il fait croire, tout en essayant de m'en éloigner quand la conversation le permet. Car ce mot fait le travail du marketing, il installe une promesse à la place d'une description, et il nous empêche de penser ce que nous faisons quand nous ouvrons une conversation avec une machine ou quand nous orchestrons des agents IA.
Je progresse dans ces compréhensions quand je peux en discuter avec d'autres. Par exemple avec Dai Li, doctorante à OCTO qui travaille sur le concept de technologie olfactive inspiré de la philosophie chinoise, je découvre que la langue elle-même déplace les questions. D'après Claude, en chinois, l'IA se dit 人工智能 (réngōng zhìnéng). 人工 signifie littéralement « travail humain », « fait de main d'homme » : là où « artificiel » tend à effacer le travail, le chinois le met en tête du mot. Pour token, les instances chinoises de terminologie ont récemment proposé 词元 (cíyuán), et Dai analyse les enjeux qui se nichent au creux de cette traduction dans un texte à paraître prochainement. Je ne sais pas encore quoi en tirer, et chaque conversation avec Dai me permet de cheminer. Ce détour permet de se rappeler que chaque langue a sa créativité, qui peut convoquer d'autres traditions techniques, sans nécessairement hériter des wishful mnemonics.
J'ai écrit cet article pour stimuler de nouvelles conversations, peut-être avec toi ? Quels mots utilises-tu ? Lesquels te viennent naturellement, lesquels te créent une gêne ? Pourquoi ? En as-tu inventé ? As-tu des propositions qui satisfont, dépassent ou contredisent mes critères ?
Le vocabulaire d'une technique se fabrique collectivement, et celui-ci nous a été livré tout fait par ceux qui la vendent. Réinventons-le pour dépasser une certaine magie, celle qui masque. Sans tuer l'émerveillement pour autant : Simondon lui-même voyait dans la pensée magique l'origine de la technicité, pas son effacement. Il y a peut-être une magie qui ferme et une magie qui ouvre. Je tenterai d'y revenir dans un prochain article !