Le vrai pouvoir de l’IA n’est pas de penser, mais de capter notre attention

Et si le problème n’était pas l’intelligence, mais la captation ?

On parle souvent de l’IA comme d’une machine à produire des réponses. C’est une erreur de cadrage. Le vrai pouvoir des systèmes numériques modernes n’est pas seulement de calculer, prédire ou générer du texte. C’est de centraliser l’attention, capter la demande, puis convertir cette captation en pouvoir économique, politique et culturel.

Cette logique ne concerne pas uniquement les laboratoires d’IA les plus ambitieux. Elle traverse aussi des plateformes de streaming qui empilent des milliers d’heures de programmes, des algorithmes de recommandation qui orientent nos choix, et des interfaces qui adaptent la pression publicitaire à notre profil. Derrière l’apparente diversité de ces industries, une même dynamique se dessine : l’extraction de valeur par l’agrégation de comportements dispersés.

C’est là que la question devient plus profonde qu’un simple débat sur la technologie. Le vrai enjeu n’est pas seulement de savoir ce que les machines peuvent faire, mais qui organise l’environnement dans lequel nos décisions se forment. Quand une technologie devient l’infrastructure de l’attention, elle ne se contente plus d’assister l’humain. Elle redessine le champ du possible.

L’empire qui ne dit pas son nom

Il y a une forme d’expansion qui se présente comme neutre, presque technique. Elle parle d’efficacité, de personnalisation, de progrès, d’optimisation. Pourtant, sous ce vocabulaire apparemment innocent, on retrouve une vieille logique impériale : définir le monde depuis le centre, puis le rendre lisible, exploitable et gouvernable à distance.

L’empire classique cartographiait des territoires pour mieux les administrer. L’empire numérique fait mieux, ou pire, selon le point de vue : il cartographie les comportements, les goûts, les hésitations, les émotions, puis transforme ces données en levier de contrôle. Ce n’est pas une simple collecte d’information. C’est une forme de souveraineté par la connaissance asymétrique.

Cartographier n’est pas seulement comprendre. C’est souvent le premier geste de l’appropriation.

Cette idée aide à comprendre pourquoi les plateformes, les moteurs de recommandation et certains systèmes d’IA provoquent un malaise si difficile à nommer. Ils ne se contentent pas de refléter le monde. Ils construisent un monde dans lequel les choix sont déjà orientés avant même d’avoir l’air d’être faits.

Le vocabulaire du secteur dissimule cette dimension. On parle de pertinence, de fluidité, d’engagement, de croissance des heures visionnées. Mais ces indicateurs ne sont pas neutres. Ils révèlent une philosophie implicite : la valeur naît quand on maintient l’utilisateur dans un circuit fermé d’exposition, de prédiction et de réponse. En d’autres termes, plus une machine nous comprend, plus elle peut nous retenir.

L’illusion de l’abondance, ou comment le catalogue remplace l’autonomie

Les plateformes de streaming illustrent parfaitement cette logique. À première vue, elles semblent démocratiser l’accès à la culture. Plus de contenus, plus de choix, plus de formats, plus de personnalisation. Mais l’abondance n’est pas la liberté. Dans l’univers numérique, l’infini du catalogue peut devenir une nouvelle forme de rareté : celle de l’attention disponible.

Quand une plateforme double le volume de ses programmes, empile des milliers d’heures de télé réalité, de séries, de films, de contenus jeunesse, et ajoute des fonctionnalités interactives ou des vidéos verticales, elle ne fait pas seulement croître son offre. Elle construit une machine à prolonger le temps de présence. L’objectif n’est pas que l’utilisateur trouve plus vite ce qu’il veut. L’objectif est qu’il reste, revienne, dérive, explore, clique, regarde encore.

Ce modèle ressemble à la logique des grands systèmes d’IA générative. Là aussi, il ne s’agit pas seulement de produire un objet utile. Il s’agit d’installer une dépendance fonctionnelle, une habitude d’usage, parfois une délégation progressive de capacités cognitives. Le moteur n’est pas seulement la qualité intrinsèque du contenu. C’est la capture de la relation.

Cela change tout. Parce que lorsque la relation devient l’actif principal, la plateforme n’a plus besoin de convaincre par la supériorité d’une œuvre particulière. Elle n’a qu’à maintenir une boucle de familiarité, de confort et d’inertie. Les utilisateurs ne choisissent pas seulement des programmes. Ils choisissent un environnement qui choisit pour eux.

On voit alors pourquoi les modèles économiques convergent. La publicité, les recommandations, les interfaces, la personnalisation, le retail media, l’optimisation du moteur de recherche, tout cela compose un même système. La valeur n’est plus dans le contenu seul, mais dans la capacité à orchestrer le comportement autour du contenu.

L’IA comme version extrême de cette logique

L’IA industrielle pousse cette dynamique à son point d’incandescence. Elle ne se contente pas d’organiser l’attention, elle prétend organiser la cognition elle-même. Elle traduit, résume, reconnaît, infère, crée. Elle n’est plus seulement une interface entre le monde et l’utilisateur. Elle devient une couche intermédiaire entre l’utilisateur et sa propre pensée.

C’est ici que le débat change de nature. Beaucoup d’innovations technologiques accroissent l’efficacité sans toucher à l’autonomie. L’IA, elle, tend à brouiller cette frontière. Plus elle devient performante, plus elle peut remplacer des gestes intellectuels qui participaient jusque-là de notre jugement. Elle peut mimer l’esprit de finesse sans le posséder, simuler la compréhension sans responsabilité, produire de la cohérence sans intention.

Le danger n’est pas uniquement qu’elle se trompe. Le danger est qu’elle semble suffisamment juste pour que l’on cesse de vérifier.

Cette nuance est décisive. Une technologie puissante ne domine pas toujours par la force brute. Elle domine souvent par l’économie mentale qu’elle promet. Si elle fait gagner du temps, réduit la friction, simplifie le tri, elle devient difficile à quitter. Et à mesure qu’elle s’installe, elle collecte davantage de données, affine ses modèles, améliore ses prédictions, puis renforce encore sa position. Le cercle se referme.

L’enjeu n’est pas seulement de savoir si la machine peut penser, mais si elle peut faire oublier à l’humain qu’il devait encore penser.

Cette dynamique explique aussi pourquoi les externalités deviennent si importantes. Quand l’entraînement, le post entraînement ou la modération reposent sur des travailleurs précaires dispersés dans différents pays, quand les données d’autrui alimentent l’économie de l’appropriation, quand les coûts environnementaux et sociaux sont externalisés loin du centre de décision, on n’est plus face à une simple innovation. On est face à une chaîne d’extraction.

L’IA ressemble alors moins à un cerveau collectif qu’à une mine cognitive. Elle extrait de la valeur à partir du langage, du travail invisible, des archives culturelles, de l’attention des utilisateurs, puis redistribue cette valeur de manière très asymétrique.

Le grand malentendu : croire que la vitesse remplace la gouvernance

Le récit dominant dit souvent ceci : il faut aller vite, car l’histoire récompense les audacieux. On connaît la musique. Mieux vaut avancer avec des cartes imparfaites que rester immobile. Mais cette maxime devient dangereuse quand elle s’applique à des technologies dont les effets sont systémiques, transfrontaliers et potentiellement irréversibles.

Car il y a une différence entre explorer un territoire et modifier la structure même du territoire cognitif dans lequel une société pense. Un navire peut longer une côte sans comprendre toute l’ampleur de ce qu’il découvre. En revanche, un système qui modifie la manière dont nous produisons du savoir, dont nous consommons des médias, dont nous classons le vrai et le faux, ne peut pas être traité comme une simple expérimentation entrepreneuriale.

La vraie question est politique : qui décide des fins ?

Trop souvent, on discute de moyens alors que la fin elle-même reste floue. On débat du rendement, de l’architecture, de l’optimisation, du taux de rétention, du coût par utilisateur, du gain de productivité. Mais si l’objectif final n’est pas explicitement défini et délibéré, alors l’optimisation devient une machine aveugle. Elle avance parce qu’elle peut avancer, non parce qu’elle sait où elle va.

C’est exactement ce qui rend l’analogie avec la course aux armements si inquiétante. Quand des acteurs puissants se lancent dans une compétition où personne ne veut ralentir de peur d’être devancé, la gouvernance recule mécaniquement. Le résultat n’est pas seulement un marché plus dynamique. C’est une spirale où la puissance technique précède le consentement collectif.

Le principe oublié : la connaissance est distribuée

Face à cette concentration, une idée ancienne redevient cruciale : la connaissance utile est distribuée. Aucune instance centrale ne possède à elle seule toutes les informations nécessaires pour réguler un système complexe. Cette vérité vaut pour l’économie, mais aussi pour la technologie, les médias et la culture.

C’est pourquoi il est si dangereux de laisser des systèmes d’IA ou de recommandation être conçus uniquement par des équipes homogènes, obsédées par les métriques, coupées des sciences humaines, des usages réels et des conséquences sociales. Un ingénieur peut optimiser un signal. Il ne peut pas, à lui seul, décider ce qu’une société doit considérer comme désirable, acceptable ou juste.

Il faut donc renverser la perspective. La question n’est pas seulement : comment rendre l’IA plus puissante ? La question est : comment la rendre gouvernable par une pluralité de savoirs, de finalités et de contre pouvoirs ?

C’est là que les littéraires, philosophes, anthropologues, juristes et économistes ne sont pas des ornements. Ils apportent précisément ce que les systèmes d’optimisation tendent à exclure : le sens des limites, la mémoire des précédents, l’attention aux effets indirects, la capacité à penser la fin avant d’accélérer les moyens.

De la même manière, dans les médias, une plateforme ne devrait pas être évaluée seulement à son volume d’heures ou à son chiffre d’affaires publicitaire. Elle devrait l’être à sa capacité à élargir l’autonomie du spectateur, à diversifier ses horizons, à réduire la dépendance aux mécanismes de captation, à préserver un espace où le choix ne soit pas déjà surdéterminé.

Réapprendre à distinguer puissance et légitimité

Nous vivons une époque où les systèmes les plus puissants sont souvent ceux qui justifient le moins clairement leur existence. Ils fonctionnent, ils croissent, ils s’imposent. Mais la puissance n’est pas la légitimité. Un moteur de recommandation peut augmenter le temps de visionnage sans améliorer la vie culturelle. Un système d’IA peut accélérer la production de réponses sans augmenter la qualité du jugement collectif.

C’est pourquoi il faut apprendre à poser une question simple mais radicale : que rend cette technologie possible, et que rend-elle plus difficile ?

Si elle rend plus facile la concentration du marché, la manipulation des comportements, l’extraction de données, la précarisation du travail invisible, la standardisation des goûts et l’opacité décisionnelle, alors son succès économique n’est pas une preuve de valeur sociale. C’est peut-être au contraire le signe qu’elle a trouvé un moyen très efficace de convertir la complexité humaine en rendement.

À l’inverse, une technologie véritablement utile devrait augmenter la capacité de choix, améliorer la lisibilité des systèmes, distribuer les bénéfices, rendre les dépendances réversibles et laisser place au désaccord. En bref, elle devrait rendre les humains plus capables, pas seulement plus actifs.

Le critère décisif n’est pas la vitesse d’adoption, mais la qualité du pouvoir qu’une technologie distribue.

Key Takeaways

1. Ne confondez pas abondance et liberté. Un catalogue immense peut renforcer la capture de l’attention plutôt que l’autonomie du choix.
2. Demandez toujours qui définit la fin. Une technologie optimisée sans finalité explicitement débattue devient une machine aveugle.
3. Évaluez les externalités, pas seulement les performances. Travail invisible, droits d’auteur, énergie, concentration du pouvoir, tous ces coûts comptent.
4. Cherchez la pluralité dans la gouvernance. Les systèmes complexes exigent des ingénieurs, mais aussi des juristes, des philosophes, des sociologues et des usagers.
5. Mesurez la technologie à ce qu’elle rend plus difficile. Si elle affaiblit l’autonomie, la vérification et la diversité, sa puissance mérite d’être interrogée.

Conclusion : la vraie question n’est pas ce que l’IA sait faire

On discute souvent de l’IA comme d’une intelligence à conquérir, d’un saut évolutif à franchir, d’une frontière à repousser. Mais cette perspective masque l’essentiel. Le cœur du sujet n’est pas la performance d’un modèle isolé. C’est la forme de société qu’une technologie de captation rend peu à peu naturelle.

Le futur ne se joue pas seulement dans la qualité des réponses générées par les machines. Il se joue dans la qualité des environnements qu’elles construisent autour de nous. Une société peut survivre à des outils imparfaits. Elle survit beaucoup plus difficilement à des systèmes qui apprennent si bien nos désirs qu’ils finissent par les précéder.

La véritable modernité ne consistera donc pas à produire des machines toujours plus convaincantes. Elle consistera à construire des institutions, des interfaces et des règles capables de rappeler une évidence oubliée : le but d’une technologie n’est pas de maximiser sa propre emprise, mais d’augmenter la liberté humaine sans dissoudre la responsabilité collective.

Si nous ne posons pas cette question maintenant, d’autres la poseront à notre place, une fois la carte déjà dessinée, le territoire déjà approprié, et l’attention déjà capturée.