Du 119 à l’intelligence artificielle : pourquoi la sécurité commence par le bon relais

Une question dérangeante se cache derrière deux réalités qui semblent n’avoir aucun rapport : pourquoi savons nous parfois qu’un problème est grave, mais restons nous incapables de savoir quoi faire ensuite ?

Un voisin entend des cris. Une amie remarque qu’un enfant change brusquement de comportement. Un élève confie une phrase inquiétante. Dans le même temps, le public découvre des mots comme intelligence artificielle, apprentissage automatique, apprentissage profond et science des données, souvent employés comme s’ils désignaient la même chose. Dans les deux cas, le danger vient d’une confusion entre percevoir un signal et savoir l’interpréter.

La protection de l’enfance et la compréhension de l’intelligence artificielle révèlent une même architecture intellectuelle : une société devient plus sûre lorsqu’elle transforme les intuitions dispersées en observations précises, puis les observations en décisions confiées au bon niveau d’expertise.

Une alerte utile n’est pas une accusation. C’est une information qui accepte d’être examinée.

Le vrai problème n’est pas le manque d’information, mais le mauvais niveau d’action

Le 119 existe depuis 1997. Pourtant, son existence ne suffit pas à créer un réflexe collectif. Une personne peut être préoccupée, hésiter, minimiser, attendre qu’un professionnel intervienne ou craindre de se tromper. Le résultat est paradoxal : l’information circule dans l’environnement de l’enfant, mais elle n’entre pas dans le système capable de l’évaluer.

Cette situation ressemble à une alarme incendie dont chacun entendrait le signal sans savoir quel bouton presser. Le voisin se dit que l’école appellera. L’école pense que la famille consultera un médecin. Le médecin imagine qu’un autre adulte a déjà signalé la situation. À chaque étape, la responsabilité semble exister, mais elle est toujours déléguée à quelqu’un d’autre.

C’est le mécanisme classique de la diffusion de responsabilité. Plus un problème est partagé par plusieurs observateurs, moins chacun se sent autorisé à agir. Le danger n’est donc pas seulement l’indifférence. Il peut naître d’une forme de prudence mal orientée : je ne suis pas certain, donc je ne fais rien.

Or l’incertitude ne devrait pas interrompre le processus. Elle devrait déclencher une transmission vers un dispositif conçu pour la réduire. C’est exactement la fonction d’un service comme le 119. Il ne demande pas au voisin de devenir psychologue, juriste ou travailleur social. Il lui demande de ne pas laisser son doute se refermer sur lui même.

Cette distinction est essentielle : le citoyen détecte, le professionnel qualifie, l’institution coordonne. Une société efficace ne demande pas à chaque individu de résoudre une situation complexe. Elle lui donne un chemin simple pour faire parvenir son observation à ceux qui savent l’examiner.

La même logique permet de comprendre la structure de l’intelligence artificielle. L’informatique constitue le domaine général. L’intelligence artificielle en est un sous domaine. L’apprentissage automatique appartient à l’intelligence artificielle. L’apprentissage profond appartient à l’apprentissage automatique. La science des données recoupe plusieurs de ces domaines et ajoute notamment les statistiques, les algorithmes, le stockage et le développement d’applications.

Cette hiérarchie n’est pas une simple leçon de vocabulaire. Elle enseigne une règle pratique : un problème doit être traité au niveau qui correspond à sa nature. On ne demande pas à une méthode d’apprentissage profond de répondre à une question qui relève d’abord de la qualité des données. On ne demande pas à un passant de produire seul une évaluation sociale complète. Confondre les niveaux produit soit de la paralysie, soit une confiance excessive.

De l’intuition au dossier : pourquoi la précision protège

Quand une personne appelle un service de protection, elle apporte souvent des expressions globales : « cette mère est dangereuse », « cet enfant se fait casser la figure », « le père est manipulateur ». Ces phrases peuvent exprimer une inquiétude réelle, mais elles mélangent observation, interprétation et jugement.

Le travail d’écoute consiste précisément à les séparer. Qui a vu quoi ? Quels gestes ont été commis ? À quelle fréquence ? Dans quel contexte ? Quel âge a l’enfant ? Y a t il un diagnostic médical ou seulement une expression familière ? Une gifle donnée à un adolescent dans une situation donnée ne peut pas être évaluée sans contexte de la même manière qu’une gifle donnée à un nourrisson.

Cette méthode ressemble à une opération fondamentale en science des données : transformer un récit flou en variables observables. « Il va mal » devient peut être : absences répétées, blessures visibles, propos précis, changement soudain d’attitude, peur d’un adulte, privation de soins. La précision ne garantit pas une conclusion parfaite, mais elle rend l’examen possible.

On pourrait appeler cela le protocole de désenchevêtrement. Toute alerte contient au moins quatre couches :

1. Le signal : ce qui a été vu, entendu ou rapporté.
2. L’interprétation : ce que l’observateur pense que cela signifie.
3. Le contexte : les circonstances, la fréquence, l’âge et les relations en jeu.
4. La décision : ce qui doit être fait maintenant.

Les erreurs surviennent lorsque ces couches sont confondues. Une interprétation est présentée comme un fait. Un fait isolé est transformé en verdict. Une émotion légitime est utilisée comme preuve suffisante. À l’inverse, une personne tellement consciente de sa propre incertitude qu’elle ne transmet jamais le signal laisse l’institution sans matière pour travailler.

L’intelligence artificielle rencontre exactement le même problème. Un système ne « comprend » pas automatiquement la réalité parce qu’il reçoit beaucoup de données. Il dépend de la manière dont les données sont recueillies, décrites, stockées et interprétées. Une base de données pleine de catégories vagues produit des résultats vagues, même si le modèle est sophistiqué.

Prenons un exemple simple. Un établissement veut repérer les élèves qui risquent de décrocher. Il collecte une colonne intitulée « élève démotivé ». Mais qui remplit cette colonne ? Selon quels critères ? Après combien d’absences ? À partir de quel comportement ? Si certains enseignants y inscrivent une impression et d’autres un fait vérifiable, le système apprend moins la démotivation que les habitudes de jugement des adultes.

Le modèle le plus puissant ne corrige pas une observation mal définie. Il peut même donner à cette approximation une apparence mathématique, et donc une autorité supplémentaire.

La précision n’est pas une froideur bureaucratique. C’est une forme de respect envers la personne dont la vie dépend de l’alerte.

Dans la protection de l’enfance comme dans les systèmes d’intelligence artificielle, la première compétence n’est donc pas de conclure. C’est de décrire sans déformer.

Les bons systèmes ne remplacent pas le jugement, ils l’acheminent

Il existe une tentation récurrente face aux problèmes complexes : chercher une solution qui supprimerait le besoin de jugement humain. Une application qui détecterait automatiquement la maltraitance. Un algorithme qui déciderait quel signal est crédible. Un mot clé qui déclencherait immédiatement une procédure.

Cette tentation est compréhensible. Les humains sont lents, faillibles et influencés par leurs préjugés. Mais l’automatisation d’une décision ne supprime pas la difficulté morale. Elle la déplace souvent vers la définition des catégories, le choix des données et la conception de la procédure.

La force du 119 ne réside pas dans une formule magique qui transforme chaque appel en vérité. Elle réside dans une chaîne de traitement. Un premier accueil reçoit les appels et les priorise. Des écoutants formés approfondissent la situation. Ils distinguent les raccourcis des faits, recherchent le contexte, puis qualifient le niveau de préoccupation. Lorsque le danger est suffisamment étayé, l’information peut être transmise aux services compétents.

Cette organisation peut être représentée par quatre fonctions :

Détection, le signal vient de l’environnement réel.

Clarification, une personne compétente pose les questions qui manquent.

Qualification, le signal est transformé en catégorie opérationnelle.

Escalade, le dossier atteint l’institution capable d’agir.

Ce modèle est aussi une bonne manière de penser l’intelligence artificielle. L’apprentissage automatique peut détecter des régularités dans un grand ensemble de données. Il peut attirer l’attention sur une anomalie, classer des documents ou suggérer une priorité. Mais il ne devrait pas être confondu avec l’ensemble du processus. La détection n’est pas la qualification, et la qualification n’est pas la décision finale.

Imaginons un outil qui repère des signes de risque dans des échanges scolaires. Il peut signaler une combinaison inhabituelle : absences, demandes répétées d’aide, vocabulaire associé à la peur. Mais ce résultat n’est pas une preuve de maltraitance. C’est une invitation à vérifier. Un professionnel doit ensuite examiner le contexte, parler aux personnes concernées et évaluer les conséquences d’une intervention.

Cette architecture produit une règle de prudence : plus une décision est lourde, plus la distance entre le signal automatique et l’action irréversible doit être grande. Un système peut recommander de regarder un dossier. Il ne devrait pas transformer une corrélation en condamnation.

La hiérarchie des domaines de l’intelligence artificielle aide ici à résister au prestige des mots. Dire qu’un outil utilise l’apprentissage profond ne dit rien, à lui seul, de la qualité de ses données, de la pertinence de sa mission ou de la justice de ses effets. De même, dire qu’une situation est « complexe » ne justifie pas l’inaction. Il faut demander : à quel niveau se situe réellement le problème ?

Est ce une question de collecte ? De description ? De comparaison ? De compétence professionnelle ? De coordination entre institutions ? Un outil puissant appliqué au mauvais niveau ne fait qu’accélérer la confusion.

Le réflexe citoyen comme infrastructure de connaissance

On présente souvent la citoyenneté comme une affaire de valeurs : solidarité, vigilance, responsabilité. Mais elle est aussi une affaire d’architecture de l’information. Une communauté protège mieux ses membres lorsqu’elle sait faire remonter les signaux faibles sans exiger de chaque personne qu’elle en connaisse déjà la signification complète.

Le mot « réflexe » est important. Un réflexe n’est pas une impulsion irréfléchie. Dans son meilleur sens, c’est une réponse rendue disponible par l’entraînement. On n’attend pas de ressentir une certitude absolue. On sait quelle première action est appropriée : noter les faits, demander conseil, transmettre l’inquiétude à un service compétent.

Cette culture peut être résumée par la formule observer, documenter, transmettre, ne pas condamner.

Observer signifie se concentrer sur les faits accessibles : une blessure, une phrase, un comportement, une fréquence, une situation répétée. Documenter signifie conserver les éléments utiles sans les embellir ni les interpréter comme des certitudes. Transmettre signifie utiliser le canal prévu, même si l’on ne sait pas encore si l’inquiétude est fondée. Ne pas condamner signifie laisser aux professionnels l’évaluation et la décision.

Ce dernier point protège tout le monde, y compris les familles. Une alerte n’a pas pour fonction de punir immédiatement. Elle sert à ouvrir un examen. Le caractère gratuit et confidentiel du 119 réduit le coût psychologique de cette première démarche. La confidentialité n’est pas un détail administratif : elle permet à l’information d’entrer dans le système avant que la peur du conflit, de la honte ou des représailles ne la bloque.

La même infrastructure est nécessaire pour l’intelligence artificielle. Avant de parler de modèles, il faut créer des habitudes de signalement et de vérification. Les utilisateurs doivent pouvoir signaler une erreur sans devoir prouver eux mêmes son origine technique. Les équipes doivent distinguer un résultat étrange, une donnée incorrecte, un biais systématique et une mauvaise définition de l’objectif.

Autrement dit, une organisation intelligente n’est pas celle qui possède le modèle le plus impressionnant. C’est celle qui sait quoi faire lorsqu’un signal ne rentre pas dans ses catégories.

Cette idée permet de relier deux sujets habituellement séparés. La protection de l’enfance dépend d’une intelligence distribuée : voisins, proches, enseignants, médecins, écoutants et services publics contribuent chacun à une partie du processus. L’intelligence artificielle dépend elle aussi d’une intelligence distribuée : personnes qui produisent les données, ingénieurs qui construisent les outils, experts qui interprètent les résultats et responsables qui décident de leur usage.

Dans les deux cas, la sécurité ne vient pas d’un cerveau central omniscient. Elle vient d’une chaîne où chaque acteur connaît ses limites et sait quand passer le relais.

Une méthode immédiate pour mieux agir face à l’incertitude

La prochaine fois qu’une situation vous préoccupe, utilisez une grille en cinq questions. Elle vaut pour une inquiétude concernant un enfant comme pour un résultat produit par un système algorithmique.

Quel est le signal concret ? Remplacez les étiquettes par des faits observables. Ne partez pas de « cette personne est toxique », mais de ce qui a été dit ou fait.

Qu’est ce qui est certain, probable ou simplement supposé ? Séparez les niveaux de confiance. Cette distinction évite à la fois l’exagération et la minimisation.

Quel contexte manque ? Demandez vous qui était présent, quand les faits se sont produits, s’ils sont isolés ou répétés, et quelles conséquences sont possibles.

Quel est le bon niveau de compétence ? Si vous n’êtes pas en mesure d’évaluer la situation, votre rôle est de transmettre, non de trancher. Pour une inquiétude concernant un enfant en danger, le 119 est précisément le canal conçu pour écouter, conseiller et orienter.

Quelle action est réversible et protectrice ? Une demande de conseil permet souvent d’avancer sans transformer immédiatement une inquiétude en verdict. Plus le risque est élevé, plus il faut privilégier la rapidité de transmission et la qualité de l’évaluation.

À retenir

• Ne confondez pas doute et absence de problème. Le doute est souvent la raison même de demander un avis compétent.
• Décrivez avant d’interpréter. Les faits, la fréquence et le contexte sont plus utiles que les diagnostics improvisés.
• Respectez la hiérarchie des rôles. Le citoyen repère, le professionnel évalue, l’institution agit.
• Traitez l’intelligence artificielle comme un maillon, pas comme un oracle. Un modèle peut détecter ou classer, mais il ne remplace ni le contexte ni la responsabilité.
• Créez des réflexes de transmission. Une information imparfaite mais examinée vaut mieux qu’une inquiétude parfaite restée silencieuse.

La question décisive n’est finalement pas de savoir si les humains ou les machines sont plus intelligents. Elle est de savoir si nous avons construit des passages fiables entre ce qui est perçu et ce qui doit être fait.

Un enfant en danger ne bénéficie pas d’une société où chacun possède une opinion définitive. Il bénéficie d’une société où une personne ordinaire peut dire : « Je ne sais pas exactement ce qui se passe, mais voici ce que j’ai observé », puis être entendue par quelqu’un capable de poursuivre l’enquête.

De la même manière, une intelligence artificielle digne de confiance ne commence pas par une technologie spectaculaire. Elle commence par une discipline collective : savoir reconnaître un signal, admettre ses limites, demander du contexte et transmettre la décision au bon niveau.

La véritable intelligence, humaine ou artificielle, n’est donc pas la capacité à répondre immédiatement. C’est la capacité à faire parvenir la bonne question à la bonne personne avant qu’il ne soit trop tard.