L’IA et les influenceurs vendent la même chose : une confiance impossible à auditer

Une entreprise d’intelligence artificielle peut être sommée d’expliquer quelles pages Web ont nourri son modèle. Un créateur de contenu peut, lui, recommander une boisson, une paire de chaussures ou une application sans que le public sache toujours qui a payé, qui a sélectionné la campagne, ni quelle part du message a été automatisée.

Ces deux situations semblent appartenir à des mondes différents. L’une concerne des modèles de fondation, des seuils de puissance de calcul et la souveraineté technologique. L’autre concerne des influenceurs, des agences et un marché publicitaire qui dépasse désormais le demi milliard d’euros en France. Pourtant, elles posent la même question : que devient la confiance quand la valeur d’un système dépend précisément de ce qu’il préfère garder invisible ?

La réponse importe bien au delà de l’intelligence artificielle ou de la publicité. Elle concerne toute économie où la performance repose sur une boîte noire, une masse de données, une relation de proximité et une chaîne d’intermédiaires. Notre problème n’est pas seulement de savoir s’il faut davantage de transparence. Il est de déterminer quelle transparence produit réellement de la confiance sans détruire la capacité d’innover.

La nouvelle économie vend moins des objets que des filtres

Une entreprise d’IA ne vend pas uniquement un logiciel. Elle vend une capacité de filtrage : parmi une immense quantité de textes, d’images et de relations statistiques, elle sélectionne une réponse qui paraît pertinente. De même, un influenceur ne vend pas seulement un espace publicitaire. Il vend un filtre humain : son goût, son style, son histoire, sa proximité avec une communauté.

Dans les deux cas, la valeur se situe moins dans le contenu brut que dans la composition. Le fondateur d’une entreprise d’IA peut estimer que l’essentiel de son savoir faire réside dans la constitution de sa base de données. L’influenceur, de son côté, transforme une audience dispersée en attention organisée. Il choisit le moment, le ton, le récit et la personne à laquelle le produit sera associé.

Cette idée permet de comprendre pourquoi la transparence intégrale est si difficile. Publier les adresses de toutes les pages utilisées pour entraîner un modèle reviendrait à dévoiler une partie de sa recette industrielle. Demander à une campagne d’influence de rendre visible chaque négociation, chaque critère de ciblage et chaque intermédiaire ne révélerait pas seulement qui parle au public. Cela exposerait aussi le mécanisme économique qui transforme une relation en rendement.

Une recette de cuisine est reproductible si l’on connaît ses ingrédients. Mais une recette industrielle devient une stratégie concurrentielle dès que les ingrédients sont difficiles à réunir, à nettoyer, à classer et à combiner. La donnée n’est donc pas simplement une matière première. Elle est une architecture de choix.

C’est là que l’IA et l’influence se rejoignent : leur avantage ne provient pas d’une information isolée, mais d’une capacité à organiser l’information et à lui donner une apparence de pertinence personnelle.

Dans les économies de l’attention, le pouvoir ne consiste plus seulement à posséder l’information. Il consiste à décider quelle information apparaîtra comme naturelle, crédible et digne d’être suivie.

Le paradoxe de la transparence : montrer assez, sans livrer la recette

Les débats publics opposent souvent deux positions simplistes. D’un côté, la transparence serait la solution à tous les risques. De l’autre, toute obligation de transparence serait une menace pour l’innovation. Cette opposition rate le vrai sujet, car il existe plusieurs formes de transparence, qui n’ont pas la même utilité.

On peut distinguer au moins quatre niveaux.

La transparence des intentions répond à une question simple : pourquoi ce système agit il ainsi ? Une entreprise annonce t elle un contenu pour informer, vendre, recruter ou influencer une décision ? Pour un modèle d’IA, cela peut concerner les usages prévus, les limites connues et les secteurs dans lesquels il ne devrait pas être déployé. Pour une campagne d’influence, cela signifie signaler clairement la relation commerciale.

La transparence des responsabilités demande : qui doit répondre en cas de problème ? Si une réponse générée est fausse, l’utilisateur doit il se retourner contre le modèle, le fournisseur, l’intégrateur ou l’entreprise qui l’a utilisé ? Si une campagne trompeuse circule, la responsabilité repose t elle sur le créateur, la marque, l’agence ou la plateforme ? Une information n’est utile que si elle permet d’identifier un responsable capable d’agir.

La transparence des résultats porte sur les effets observables. Le modèle produit il systématiquement des erreurs dans certains domaines ? La campagne attire t elle réellement des clients ou achète t elle seulement des impressions ? Les obligations d’évaluation et d’atténuation des risques appartiennent à ce niveau. Il ne s’agit pas de révéler la recette, mais de montrer ce que la recette produit dans différentes conditions.

Enfin, la transparence de la méthode révèle les données, les processus, les critères et les arbitrages internes. C’est la forme la plus spectaculaire, mais pas nécessairement la plus utile. Un immense inventaire de données peut noyer le public. À l’inverse, une entreprise peut fournir des informations très détaillées tout en évitant soigneusement de répondre à la question décisive : quels risques sont réellement contrôlés ?

Le bon cadre réglementaire ne cherche donc pas la visibilité maximale. Il cherche la visibilité pertinente. Il doit rendre les systèmes contestables, comparables et auditables, sans exiger la divulgation complète de ce qui constitue leur avantage concurrentiel.

Cette distinction est essentielle pour les entreprises européennes. Si un seuil de puissance de calcul est fixé trop bas, des acteurs encore modestes peuvent se voir imposer des obligations conçues pour des systèmes beaucoup plus vastes. Le coût de conformité devient alors une barrière à l’entrée. Une règle pensée pour réduire le risque systémique peut produire un autre risque : celui de concentrer l’innovation entre les mains des entreprises capables de payer les audits, les juristes et les infrastructures nécessaires.

La même mécanique apparaît dans le marketing d’influence. La croissance du secteur s’accompagne d’une montée des intermédiaires. La proportion d’annonceurs passant par une agence ou un autre intermédiaire a fortement progressé en quelques années. Cette professionnalisation peut améliorer la qualité des campagnes, mais elle éloigne aussi la marque du créateur et le créateur de son audience. Plus la chaîne s’allonge, plus il devient difficile de savoir qui a pris quelle décision.

L’intermédiaire n’est pas nécessairement un problème. Il devient un problème quand il transforme la complexité en opacité.

Le risque ne vient pas seulement de la puissance, mais de la distance

Les régulateurs aiment les seuils mesurables. La puissance de calcul semble fournir un critère objectif pour identifier les modèles les plus importants. De même, un budget publicitaire semble permettre de distinguer une petite opération d’une campagne nationale. Pourtant, la puissance et le budget ne suffisent pas à mesurer le risque.

Un modèle moins puissant peut être intégré dans des milliers de services et produire des effets considérables. Une campagne de quelques milliers d’euros peut influencer une communauté très spécialisée, dans un contexte sensible, avec une efficacité supérieure à celle d’une publicité massive. Le risque dépend donc moins de la taille nominale du dispositif que de sa position dans un réseau.

Pour le comprendre, il faut ajouter deux variables au calcul classique.

La première est la distance de confiance. Un message publicitaire diffusé par une marque est facilement identifié comme commercial. Le même message prononcé par une personnalité suivie quotidiennement peut être reçu comme une recommandation personnelle. La distance entre l’émetteur économique réel et la personne qui inspire confiance crée un risque particulier. Plus cette distance est grande, plus l’obligation de clarté doit être forte.

La seconde est la distance de décision. Dans un système d’IA, l’utilisateur final ne voit souvent ni les données d’entraînement, ni les réglages, ni les filtres, ni les évaluations. Dans une campagne d’influence, le public ne voit ni le brief, ni la négociation, ni le ciblage, ni la rémunération. Dans les deux cas, une décision visible est produite par une chaîne de décisions invisibles.

On peut alors proposer une formule simple :

Risque de confiance = portée × distance de confiance × distance de décision × difficulté de contestation.

Cette formule n’est pas un outil mathématique précis. C’est un instrument de pensée. Elle rappelle qu’un système dangereux n’est pas forcément celui qui possède la plus grande puissance technique ou le plus gros budget. C’est celui qui combine une forte portée avec une grande invisibilité et peu de possibilités de recours.

Un modèle d’IA dont les erreurs sont faciles à repérer et à corriger peut être moins préoccupant qu’un modèle plus limité, intégré dans une décision administrative sans explication. Un influenceur avec une audience modeste peut représenter un risque supérieur à une vedette nationale s’il intervient dans un domaine médical, financier ou politique sans signaler clairement le cadre commercial.

Cette approche change la question réglementaire. Au lieu de demander seulement : « Quelle est la taille de ce système ? », il faut demander : « Combien de personnes peuvent être affectées, à quelle distance du décideur, et avec quelle possibilité de comprendre ou de contester ? »

Les intermédiaires doivent devenir des institutions de preuve

La croissance des intermédiaires n’est pas un accident. Lorsque les marques investissent davantage dans l’influence, elles ont besoin de gérer davantage de contrats, de mesurer les résultats, de sélectionner les créateurs et de limiter les risques. Lorsque les modèles d’IA deviennent plus complexes, les entreprises ont besoin de fournisseurs d’infrastructure, d’auditeurs, d’intégrateurs et de cabinets spécialisés.

Cette division du travail peut rendre les systèmes plus efficaces. Mais elle crée une tentation : chaque acteur se présente comme un simple maillon, jamais comme le lieu où une décision importante a été prise. La marque dit qu’elle a suivi les recommandations de l’agence. L’agence dit qu’elle a respecté les données de la plateforme. La plateforme dit que le créateur était indépendant. Dans l’IA, le fournisseur du modèle renvoie vers l’intégrateur, qui renvoie vers l’utilisateur, qui renvoie vers l’automatisation.

Pour éviter cette dilution, les intermédiaires devraient être conçus comme des institutions de preuve. Leur fonction ne serait pas seulement de vendre, sélectionner ou distribuer. Ils devraient conserver les éléments permettant de reconstituer une décision : critères de sélection, version du modèle utilisé, objectifs de la campagne, nature du partenariat, tests effectués, alertes identifiées et mesures correctives.

La preuve n’a pas besoin d’être entièrement publique. Elle doit être accessible aux bonnes personnes au bon moment : autorités compétentes, auditeurs indépendants, partenaires commerciaux, chercheurs autorisés et, lorsque cela est nécessaire, personnes affectées. Cette architecture protège mieux le secret industriel qu’une obligation de publication intégrale, tout en évitant le marché sans mémoire où personne ne peut vérifier ce qui s’est passé.

Une marque qui travaille avec un créateur devrait pouvoir répondre à cinq questions : pourquoi cette personne a t elle été choisie, quel était le message validé, quelle relation commerciale a été déclarée, quels résultats ont été mesurés, et quelle procédure existe en cas de contenu trompeur ? Une entreprise qui déploie un modèle d’IA devrait pouvoir répondre à cinq questions parallèles : quelles données ou catégories de données ont été utilisées, quels usages sont exclus, quels tests ont été menés, quelles erreurs sont surveillées, et qui peut suspendre le système ?

Cette discipline est également une stratégie commerciale. La confiance ne se construit pas seulement par la réputation. Elle se construit par la capacité à démontrer ses choix. Dans un marché où les campagnes d’influence se multiplient et où les modèles d’IA deviennent des infrastructures, les entreprises qui savent produire des preuves fiables auront un avantage durable sur celles qui se contentent de promettre leur sérieux.

Les leçons pratiques pour les entreprises et les créateurs

Le débat sur la régulation est souvent présenté comme un choix entre liberté et contrôle. Une meilleure synthèse conduit à une autre opposition : opacité fragile contre confiance vérifiable. Toute organisation qui utilise l’IA ou l’influence peut agir dès maintenant, même avant l’entrée en vigueur de nouvelles règles.

Points clés à appliquer immédiatement

• Cartographiez les chaînes de décision. Listez les personnes, modèles, agences, plateformes et outils qui interviennent entre une intention commerciale et le message final. Pour chaque étape, désignez un responsable identifiable.

• Séparez secret industriel et secret de responsabilité. Protégez vos données propriétaires, mais rendez publics les usages prévus, les limites, les critères de sécurité et les moyens de réclamation. Garder une recette confidentielle ne justifie pas de cacher les effets du produit.

• Mesurez la distance de confiance. Plus un message ressemble à une recommandation intime ou à une décision neutre, plus son caractère commercial ou automatisé doit être explicite. Cette règle vaut pour une vidéo d’influence comme pour une réponse générée par une IA.

• Créez un dossier de preuve. Conservez les versions des modèles, les briefs, les validations, les tests, les alertes et les corrections. Une organisation incapable de reconstituer une décision ne peut pas sérieusement prétendre la maîtriser.

• Évaluez l’usage, pas seulement l’outil. Un même modèle ou un même créateur peut présenter un risque faible dans un contexte et élevé dans un autre. La portée, la vulnérabilité du public et la possibilité de contestation doivent compter autant que la puissance technique ou le budget.

La vraie maturité ne consiste pas à publier davantage de documents. Elle consiste à rendre les décisions plus intelligibles pour ceux qui en subissent les effets, plus vérifiables pour ceux qui les contrôlent et plus corrigibles pour ceux qui les prennent.

Conclusion : la confiance est une infrastructure, pas une impression

L’intelligence artificielle et le marketing d’influence semblent prospérer sur deux ressorts opposés. L’IA donne l’impression d’une intelligence impersonnelle et automatique. L’influence repose sur une présence personnelle, chaleureuse et reconnaissable. Pourtant, toutes deux transforment une masse invisible de choix en une expérience qui paraît simple : une réponse crédible, une recommandation naturelle, une décision évidente.

C’est précisément cette simplicité apparente qui doit nous rendre attentifs. Plus un système paraît fluide, plus il risque de dissimuler le travail, les intérêts et les arbitrages qui le rendent possible. La confiance ne devrait donc pas être confondue avec la familiarité. Elle ne naît ni d’une interface élégante, ni d’un visage sympathique, ni d’une promesse de performance.

La confiance moderne ne signifie pas croire qu’un système est transparent. Elle signifie savoir où regarder quand il ne l’est pas.

Les entreprises qui survivront à la prochaine phase de l’IA et de l’économie des créateurs ne seront pas forcément celles qui possèdent les plus grands modèles ou les audiences les plus vastes. Ce seront celles qui sauront construire des passerelles entre performance et preuve, innovation et responsabilité, personnalisation et consentement.

La question décisive n’est donc pas de savoir si nous devons accepter les boîtes noires. Nous les accepterons, car la complexité du monde moderne les rend inévitables. La question est de savoir si nous voulons des boîtes noires sans portes, ou des boîtes noires entourées de fenêtres, de registres et de mécanismes d’alarme. C’est autour de cette architecture, plus que autour de la transparence absolue, que se jouera la prochaine bataille de la confiance.