Présentation – Adapting AI Governance to Sector-Specific Challenges: Comparing Perspectives – Workshop IVADO Sept 14-18, 2026, Montréal.
1.
Selon une définition proposée par l’OCDE, un système d’IA est un système automatisé qui produit différents types de résultats à partir des données qu’il reçoit en entrées. Les résultats générés peuvent être des prédictions, du contenu, des recommandations ou des décisions susceptibles d’influencer des environnements physiques ou virtuels.
Cette définition englobe un large éventail d’applications d’IA utilisées en journalisme, notamment les moteurs de recherche, les outils de vérification des faits, les applications d’exploration de texte, les systèmes de recommandation et les outils d’IA générative. Mais avant de gouverner les systèmes d’IA et d’IA génératives en particulier, il faut comprendre ce qu’ils font réellement aux conditions dans lesquelles quelque chose devient reconnaissable comme un fait. C’est de ça que je vais vous parler aujourd’hui, d’épistémologie.
2.
En octobre 2024, un journaliste de la télévision publique suédoise SVT demande à Copilot si Tim Walz, alors candidat démocrate à la vice-présidence des États-Unis, a bien été accusé d’avoir eu des relations sexuelles inappropriées avec des mineurs. Sans exprimer le moindre doute ni signaler l’absence de preuves, Copilot confirme l’allégation et l’étaye par une source pour le moins problématique : MSN, l’agrégateur de contenus de Microsoft. Des enquêtes révéleront par la suite que cette accusation s’inscrivait dans une campagne de désinformation russe visant à discréditer le candidat démocrate et, plus largement, à influencer l’élection présidentielle américaine de 2024.
3.
Cette chaîne d’amplification et de propagation peut être retracée de manière schématique. Tout commence par un post anonyme publié sur les réseaux sociaux, repris ensuite sans vérification par un média étranger que MSN identifie comme une source de qualité. L’information est alors amplifiée par MSN, puis synthétisée par Copilot dans une réponse qui prend les apparences d’un résumé factuel et fiable, alors même que l’allégation n’a pas été établie. Le journaliste qui reçoit cette réponse a toutefois le réflexe de mettre en doute cette affirmation : le degré d’assurance de Copilot contraste avec l’absence de toute source primaire permettant de la vérifier. Cette vigilance individuelle lui permet de remonter la chaîne de diffusion et de mettre au jour le mécanisme de désinformation à l’œuvre.
4.
Si ce cas est particulièrement frappant, il n’est toutefois pas exceptionnel. Le problème est, en réalité, structurel. Les grands modèles de langage ne récupèrent pas les faits à partir d’une base de données structurée, vérifiée et traçable. Ils génèrent leurs réponses par recombinaison probabiliste de motifs appris au cours de leur entraînement. Ces réponses peuvent ainsi paraître cohérentes, assurées et autoritaires, tout en demeurant non vérifiées, difficilement traçables et, par nature, dépourvues de véritable redevabilité.
Le problème ne réside donc pas simplement dans le fait que le système puisse se tromper : cette possibilité découle directement de son mode de fonctionnement.
Un modèle de langage ne dispose pas, en lui-même, d’un mécanisme intrinsèque permettant de distinguer systématiquement le vrai du faux. Il cherche avant tout à produire la séquence de mots la plus probable compte tenu du contexte, et non à établir la vérité des informations qu’il énonce.
5.
Copilot n’a cité ni un collègue, ni une source directement consultée, ni même l’historique des requêtes d’un utilisateur. Il a cité MSN, le service d’agrégation automatisée d’actualités de Microsoft. L’affirmation concernant Tim Walz est ainsi entrée dans le système par un pipeline éditorial d’entreprise, et non à la suite de la décision d’un journaliste d’utiliser l’IA. Personne n’a donc explicitement décidé de reprendre ou de vérifier cette affirmation avant qu’elle ne soit à nouveau produite.
C’est précisément ce qui fait émerger deux questions distinctes, qui relèvent de deux perspectives différentes. L’éthique demande : qui est responsable lorsque cela se produit, et quelles règles devraient encadrer le déploiement de tels systèmes ? L’épistémologie pose une question plus fondamentale : qu’est-ce qui rend ce phénomène possible en premier lieu, et comment une information peut-elle en venir à être traitée comme un fait alors que personne ne l’a jamais véritablement vérifiée ?
6.
Avant d’aller plus loin, il faut reconnaître que l’éthique elle-même n’est pas monolithique. Trois grandes traditions structurent les débats contemporains.
L’éthique du devoir, associée notamment à Kant, s’interroge sur ce que nous devons faire et se traduit souvent par des règles, des obligations et des codes de conduite. Le conséquentialisme, développé notamment par Bentham et Mill, évalue les actions à partir de leurs conséquences et de leurs effets prévisibles. L’éthique de la vertu, héritée d’Aristote, déplace la question vers le caractère de l’agent en demandant ce qu’un professionnel intègre, prudent et honnête devrait faire.
En pratique, dans les lignes directrices sur l’IA que les rédactions se sont données en Europe au cours de ces dernières années, ces trois approches se complètent. Elles montrent un pluralisme moral à l’œuvre.
La redevabilité est davantage associée à l’éthique du devoir, pour laquelle l’action morale repose sur l’obligation de respecter des principes et des règles auxquels l’agent doit pouvoir répondre. A l’inverse, l’éthique de la vertu accorde moins d’importance à la redevabilité institutionnelle : elle s’intéresse principalement au caractère de l’agent et à son intégrité. Le conséquentialisme, quant à lui, évalue prioritairement les conséquences de l’action, notamment en termes de minimisation des dommages.
Par exemple, un rédacteur en chef peut décider de ne pas publier une image générée par IA, même si celle-ci renforcerait l’argument d’un article d’opinion, parce que le risque qu’elle soit confondue avec une photographie réelle lui paraît supérieur à son intérêt illustratif. La décision ne repose alors pas principalement sur une règle interdisant l’usage de l’IA, mais sur une mise en balance des conséquences : quel dommage risque-t-on de provoquer, et quel bénéfice peut-on raisonnablement attendre de cette image ? Il s’agit d’un raisonnement conséquentialiste, dans lequel la légitimité de l’action dépend de ses effets prévisibles.
L’éthique de la vertu conduit à poser la question autrement. Elle ne demande pas seulement : « Quel choix produira le meilleur résultat ? », mais aussi : « Quel choix ferait un professionnel intègre, prudent et honnête ? ». La décision exprime une certaine conception du caractère professionnel : la prudence, l’honnêteté intellectuelle et le respect du lecteur deviennent des qualités à préserver, indépendamment du calcul immédiat des avantages et des inconvénients.
Dans cette perspective, deux décisions peuvent aboutir au même résultat, celui de ne pas publier l’image, tout en reposant sur des justifications morales profondément différentes.
7.
Mais même combinées, ces trois traditions ne suffisent pas à résoudre les véritables tensions qui surgissent dans la pratique : exactitude contre rapidité, innovation contre prévention des dommages, personnalisation contre diversité, transparence contre explicabilité, intérêt public contre vie privée, autonomie contre sécurité. Dans chacun de ces cas, il ne s’agit pas simplement de déterminer quelle règle appliquer, quelle conséquence privilégier ou quelle vertu cultiver. Plusieurs valeurs légitimes sont en concurrence, et aucune ne peut être maximisée sans compromettre, au moins en partie, les autres.
Ces tensions ne se résolvent donc pas en choisissant la « bonne » tradition éthique. Elles révèlent plutôt les limites d’une approche qui chercherait à faire dériver mécaniquement la décision d’un principe moral unique. Ce dont nous avons besoin est d’un autre registre : un registre de l’arbitrage pratique, où l’enjeu aussi celui de déterminer, dans une situation concrète, quelle valeur doit primer, à quel coût, selon quels critères et sous quelle forme de responsabilité.
8.
Prenons cinq dilemmes très concrets du quotidien journalistique : résumer un rapport de 500 pages avec l’IA sous la pression du temps, illustrer une opinion avec une image qui n’a jamais existé, utiliser l’IA dans un contexte de plagiat, publier sous une identité fictive, ou encore considérer l’IA comme un « collègue ».
Dans chaque cas, l’éthique et l’épistémologie posent des questions différentes mais complémentaires. Éthiquement, il s’agit de savoir ce qui est acceptable, qui est responsable et quelles obligations professionnelles sont en jeu. Épistémologiquement, il faut demander ce qui peut encore être considéré comme un savoir fiable, une preuve ou une information légitime.
Le résumé automatisé pose ainsi la question de savoir si une information que personne n’a vérifiée peut être considérée comme connaissance. L’image générée brouille la frontière entre illustration et preuve. Le plagiat assisté par IA rend plus incertaine l’origine d’un texte. La fausse identité fragilise le lien entre connaissance et autorité de son auteur. Enfin, l’IA comme « collègue » soulève la question de savoir qui détermine ce qui paraît pertinent, crédible ou juste.
Ces exemples montrent donc que les dilemmes éthiques de l’IA ne concernent pas seulement ce que nous devons faire, mais aussi ce qui nous autorise à considérer quelque chose comme vrai, vérifié et digne de confiance. C’est là que l’éthique rencontre l’épistémologie.
9.
On peut voir trois raisons pour lesquelles ces deux registres doivent être considérés conjointement.
Premièrement, les deux registres peuvent échouer indépendamment l’un de l’autre. Un processus peut être parfaitement transparent, tout en produisant un fait qui n’a pas été vérifié. À l’inverse, un fait peut être vérifié, mais circuler dans un processus où personne n’est vraiment responsable.
Deuxièmement, les codes éthiques identifient cet écart, mais ne permettent pas toujours de le combler. Ils parlent de principes comme l’exactitude, la vérification ou la fiabilité. Mais ces principes restent souvent des valeurs que les individus doivent respecter. Ils sont moins souvent intégrés directement dans les procédures et les outils utilisés au quotidien.
Troisièmement, dans une organisation, une même décision concerne en réalité les deux registres. Par exemple, déployer une IA dans une rédaction, c’est à la fois une question épistémique : qu’est-ce qu’on considère comme suffisamment vérifié ?
Mais c’est aussi une question éthique : qui est responsable de cette décision ?
On ne peut donc pas gouverner l’IA en ne regardant qu’un seul de ces deux aspects.
10.
Le concept de gouvernance épistémique est un moyen de penser comment la production de connaissance peut être structurée par des règles et des procédures.
Le déplacement clé est le suivant : dans une éthique fondée sur des principes, la responsabilité repose surtout sur l’individu et les valeurs qu’il doit respecter. La gouvernance épistémique pose une autre question : comment intégrer ces obligations éthiques directement dans les procédures et dans les pratiques ?
Autrement dit, il ne s’agit plus seulement de dire aux acteurs ce qu’ils doivent faire. Il s’agit de créer des conditions qui permettent de le garantir dans la pratique. Et ce n’est pas une question de répartir la responsabilité entre différents acteurs. C’est plutôt une autre manière de penser la responsabilité : elle doit fonctionner tout au long du processus, et concerner tous ceux qui y participent.
11.
L’idée est donc d’arrêter de penser en termes d’usages isolés et de considérer l’ensemble du processus de production de l’information, à chaque étape où l’IA intervient. En ce sens, on peut distinguer trois étapes inspirées par le modèle du journalisme de données proposé par Paul Bradshaw. L’intérêt de ce modèle est qu’il permet une approche processuelle.
D’abord, compiler : rechercher et vérifier l’information. Un journaliste peut consulter une source, la vérifier lui-même ou mobiliser l’IA pour une tâche spécifique. Dans une rédaction, cette collecte peut être automatisée et produire du contenu à grande échelle.
Ensuite, combiner : mettre l’information en forme. On peut utiliser l’IA pour rédiger ou résumer un texte, puis vérifier le résultat au cas par cas. Les organisations médiatiques peuvent, elles, intégrer ces usages de manière systématique dans leurs processus de production et d’optimisation des contenus.
Enfin, communiquer : décider ce qui sera publié et à qui. Dans le premier cas, le jugement éditorial demeure principalement entre les mains du journaliste. Dans le second, des systèmes de personnalisation et de recommandation peuvent influencer, parfois à très grande échelle, la visibilité des contenus et leur circulation auprès des publics.
C’est précisément là que la gouvernance épistémique intervient, en tant qu’un ensemble de règles, procédures et mécanismes qui structurent la production, la validation et la communication des connaissances afin d’assurer leur qualité, leur fiabilité et leur responsabilité.
12.
Ce qui a été décrit au début de cet exposé a toutefois besoin d’un nom avant de pouvoir être véritablement gouverné. Le concept proposé ici est celui d’instabilité épistémique. On peut la définir comme une situation dans laquelle les critères qui permettent de distinguer les faits des non-faits deviennent moins fiables ou plus difficiles à voir, notamment lorsque l’information est produite par des systèmes dont les résultats reposent sur des calculs probabilistes. Il faut donc maintenant comprendre ce que cette instabilité change dans notre rapport à l’information.
13.
Et c’est précisément là que la philosophie de l’information développée par Luciano Floridi va être particulièrement utile. Pour Floridi, l’infosphère n’est pas un environnement neutre. C’est un environnement constitué de toutes les entités informationnelles, de leurs propriétés et de leurs interactions. Et cet environnement façonne ce que nous savons, mais aussi la manière dont nous agissons. Floridi nous donne ensuite le concept de pollution sémantique, qui désigne la dégradation de la qualité et de la fiabilité de notre environnement informationnel. Et cette pollution ne vient pas nécessairement d’une volonté de falsifier l’information. Elle peut aussi venir de conditions structurelles qui produisent ou diffusent de l’information peu fiable.
A partir de là, on peut comprendre l’instabilité épistémique comme une forme de pollution sémantique de l’infosphère à l’échelle de l’infrastructure. Et si la qualité de l’information est au cœur de ces enjeux, ce qui est surtout menacé, c’est notre capacité collective à savoir ce qui est vrai, et donc à agir sur cette base. En journalisme, c’est évidemment critique, puisque la vérification des faits et la fiabilité de l’information sont au cœur même de la pratique journalistique.
14.
L’instabilité épistémique peut être comprise à travers trois dimensions qui sont imbriquées et se renforcent mutuellement. La première est technologique : c’est l’instabilité générative. Elle vient directement de la manière dont un modèle produit une réponse, au moment où il la génère.
La deuxième est médiatique : c’est l’instabilité médiative. Elle apparaît lorsque ces systèmes s’interposent entre nous et l’information, et qu’ils nous donnent une réponse à la place de nous montrer les sources. La troisième est systémique : c’est l’instabilité propagative. Elle apparaît lorsque ces contenus commencent à circuler, à être repris, cités et recyclés, et qu’ils finissent par s’amplifier les uns les autres dans l’écosystème informationnel.
15.
Les sorties des LLM naissent de l’interaction entre les données d’entraînement, l’architecture du modèle, et l’instruction de l’utilisateur, à un moment précis, avec un modèle précis. Ce sont des faits émergents : plausibles dans leur forme, mais issus d’un processus opaque qui les rend non vérifiés dans leur substance et extrêmement variables. Deux instructions identiques peuvent produire deux réponses différentes au sein d’un même modèle. Deux instructions identiques vont également produire des résultats différents en utilisant des modèles différents. Il n’y a donc aucune stabilité dans les sorties générées, y compris sur le plan de leur qualité.
16.
Certains de ces exemples peuvent prêter à sourire, mais derrière leur aspect parfois absurde, il y a un problème sérieux. Ces contenus se présentent comme de vraies informations qui ne le sont pourtant pas. Le caractère affirmatif et trompeur de ces productions peut brouiller la frontière entre information vérifiée et information fabriquée. Pour les journalistes, il s’agit de ne pas se laisser berner. Toutefois, des exemples récents nous rappellent que cela n’est pas aussi évident.
En Norvège, une dépêche publiée par l’agence de presse nationale contenait plusieurs erreurs factuelles, dont certaines informations complètement inventées. En remontant la chaîne de production de cette dépêche, on découvre que le journaliste avait utilisé un modèle de langage pour générer un résumé et qu’il avait intégré ce résumé dans la dépêche diffusée par l’agence.
Cet exemple est particulièrement intéressant parce qu’il montre que le problème ne vient pas seulement de l’IA qui produit une information erronée. L’enjeu est ce qui se passe lorsque cette « information » entre dans une chaîne journalistique et est ensuite diffusée comme une information par un média fiable et respectable.
17.
L’instabilité médiative apparaît lorsque les systèmes qui nous donnent accès à l’information brouillent la distinction entre la source et la synthèse. Le système produit une réponse qui peut sembler autoritaire, alors même qu’on ne sait pas toujours d’où vient l’information, ni comment elle a été construite. Il y a aussi une dimension interlinguistique et culturelle. Ces systèmes sont largement construits à partir de données et de références anglo-américaines, souvent orientées par des logiques de marché. Cela peut entraîner une domination linguistique et un certain aplatissement des différences culturelles.
On peut souligner ici trois conséquences qui sont particulièrement importantes. Premièrement, l’autorité. La réponse se présente comme un fait établi, alors que sa provenance, son raisonnement et sa traçabilité restent parfois difficiles à vérifier. Deuxièmement, l’agentivité. A force de recevoir directement des réponses, on risque de moins chercher, de moins questionner et, progressivement, de moins exercer notre propre esprit critique. Troisièmement, la substitution. Une réponse générée par une IA n’est pas une vérification. C’est une synthèse. Elle peut nous aider à accéder à l’information, mais elle ne peut pas remplacer la vérification indépendante, ni la responsabilité de celui qui décide de considérer cette information comme fiable.
18.
L’utilisation de moteurs de recherche qui s’appuient sur de grands modèles de langage fait apparaître un phénomène nouveau et préoccupant. Dans une recherche traditionnelle, le moteur nous renvoie une liste de sources, généralement classées par pertinence. La source reste visible, et c’est à l’utilisateur de consulter ces sources, de les comparer et d’exercer son propre jugement critique. La provenance de l’information reste donc traçable. On est dans une logique de récupération de l’information.
Avec la recherche par IA générative, le fonctionnement est différent. Le système ne se contente plus de nous orienter vers des sources : il va chercher différentes informations, les synthétise et produit directement une réponse. Si l’utilisateur voit le résultat de la synthèse, il voit moins clairement ce qui l’a nourrie et comment les différentes informations ont été sélectionnées et combinées. La provenance devient donc plus difficile à suivre.
Dans l’exemple des abeilles dans l’ordinateur, le moteur est allé chercher un contenu en ligne sans nécessairement en vérifier la fiabilité. Ici, il s’agissait d’un poisson d’avril publié sur un site qui pouvait pourtant sembler faire autorité. Cela montre aussi les limites du web sur lequel ces systèmes s’appuient : un espace ouvert et hétérogène, où le bon côtoie le faux. Et les contenus les plus fiables ne sont pas toujours les plus accessibles, notamment lorsqu’ils sont derrière des murs payants.
19.
L’instabilité médiative prend une forme particulière lorsque l’intermédiaire n’est plus un simple chatbot ou une interface de recherche, mais une chaîne d’agents LLM. Chaque agent transmet alors sa sortie au suivant, qui la reçoit comme une information fiable, et non comme une hypothèse à vérifier.
Aucune étape ne garantit nécessairement une vérification. Chaque agent transmet ce qu’il a reçu jusqu’à ce que le dernier présente le résultat comme un fait. On a donc ici une forme de confiance implicite, où chaque étape fait confiance à la précédente. C’est un mécanisme bien documenté dans l’ingénierie des systèmes distribués qui permet de faire la transition vers l’instabilité propagative.
20.
Avec l’instabilité propagative, l’instabilité épistémique se situe dans la circulation des contenus. On part d’une sortie de LLM, plausible mais non vérifiée. Un utilisateur lui fait confiance, la cite ou la partage. Le contenu est ensuite publié, indexé et remis en circulation. Il peut alors être réingéré par d’autres modèles, qui vont à leur tour le reprendre et amplifier l’instabilité initiale. A chaque étape, rien n’est nécessairement corrigé. Le contenu est transmis plus loin, avec une apparence de légitimité qui augmente à chaque passage.
Et c’est là qu’une boucle peut se créer : les sources déjà polluées finissent par être réintégrées dans les données d’entraînement de modèles suivants. Des systèmes structurellement instables peuvent alors devenir des amplificateurs de désinformation à grande échelle.
Ce qui est important ici, c’est que, contrairement à la désinformation délibérée, l’instabilité propagative ne nécessite ni acteur, ni intention, ni stratégie. Elle peut simplement émerger de la circulation et de l’échelle.
21.
L’effet boule de neige désigne le mécanisme par lequel une erreur locale acquiert progressivement une apparence de légitimité à mesure qu’elle traverse une chaîne d’agents. Dans les systèmes agentiques, la sortie d’un agent n’est généralement pas traitée comme une hypothèse à vérifier, mais comme une information fiable destinée à l’étape suivante. Une erreur initiale peut ainsi être reformulée, enrichie et contextualisée sans jamais être remise en question. À chaque nouvelle transformation, l’information gagne en cohérence et en crédibilité apparente, non parce qu’elle a été vérifiée, mais parce qu’elle a été traitée plusieurs fois. Ce processus rend les défaillances de plus en plus difficiles à identifier et à corriger. Une erreur locale devient alors une erreur systémique.
22.
L’instabilité propagative n’a pas besoin d’intentions malveillantes pour produire des effets problématiques. Elle peut émerger spontanément de la circulation et de l’amplification des contenus. Cependant, cette instabilité constitue également une ressource stratégique pour les acteurs qui cherchent délibérément à manipuler l’information. Dans un environnement où les contenus sont constamment synthétisés, reformulés et réutilisés, il devient plus facile d’introduire des informations trompeuses et de laisser le système participer lui-même à leur diffusion. Les acteurs malveillants n’ont alors plus nécessairement besoin de fabriquer de toutes pièces une réalité alternative : il leur suffit d’exploiter une infrastructure informationnelle déjà vulnérable.
Cette vulnérabilité peut être exploitée de différentes manières : en créant des contenus destinés à être repris comme sources, en multipliant artificiellement certaines narrations dans l’espace informationnel, ou encore en profitant de la tendance des systèmes à synthétiser des informations plausibles sans en vérifier systématiquement la validité. L’objectif n’est plus nécessairement de convaincre directement un public, mais d’influencer les mécanismes de sélection, de synthèse et de circulation de l’information eux-mêmes.
23.
Deux vecteurs d’attaque illustrent cette logique. Le premier est le LLM grooming. Il consiste à saturer l’environnement informationnel de contenus destinés à être récupérés par les systèmes d’IA, soit lors de leur entraînement, soit via leurs outils de recherche et de navigation. L’objectif est moins de convaincre les lecteurs humains que de façonner les connaissances auxquelles les modèles auront accès.
Le second est l’empoisonnement des données (data poisoning) et les attaques de type « cheval de Troie ». Dans ce cas, des échantillons de données spécialement conçus ou des instructions dissimulées sont introduits dans les ensembles de données utilisés par les systèmes. Ces interventions peuvent créer des biais persistants, modifier certains comportements du modèle ou activer des réponses particulières dans des circonstances prédéfinies, sans que ces mécanismes soient nécessairement visibles pour les utilisateurs.
Dans les deux cas, l’attaque ne vise pas seulement l’information elle-même. Elle cible les conditions de production de la connaissance. Autrement dit, elle exploite l’instabilité épistémique pour influencer ce qui sera ultérieurement présenté comme crédible, pertinent ou vrai. Une étude d’Anthropic a montré que 250 documents corrompus suffisent à implanter une vulnérabilité persistante dans un modèle entraîné sur des volumes de données considérables, quelle que soit sa taille. La robustesse d’un système ne dépend donc pas seulement du volume des données utilisées pour l’entraîner, mais également de leur intégrité.
24.
L’instabilité épistémique des IA génératives amène à réfléchir à trois conséquences directes pour le journalisme. En premier lieu, cela entraîne une crise de la vérification. Les moteurs de recherche avaient déjà introduit une première distorsion de l’autorité épistémique en classant les contenus selon leur pertinence plutôt que selon leur véracité. Les grands modèles de langage prolongent et amplifient ce phénomène. Ils ne se contentent plus d’orienter l’accès à l’information : ils produisent directement des synthèses dont les critères de sélection, de hiérarchisation et de combinaison restent largement opaques.
Ensuite, lorsqu’unmodèle génératif devient la source immédiate d’une information, les mécanismes traditionnels de redevabilité du journalisme se fragilisent. Il n’existe ni témoin à interroger, ni document original à consulter, ni acteur clairement identifiable à qui demander des comptes. L’information peut être présentée avec l’apparence de l’autorité sans pour autant être associée à une responsabilité clairement attribuable.
Le troisième risque est celui de la reddition épistémique.Les systèmes d’IA peuvent considérablement aider les journalistes à rechercher, organiser ou synthétiser l’information. Ils ne remplissent toutefois pas la fonction épistémique fondamentale du journalisme : enquêter, vérifier et établir les faits de manière indépendante. Le risque est alors de déléguer progressivement non seulement certaines tâches, mais aussi les opérations de jugement qui fondent la pratique journalistique elle-même. L’assistance peut ainsi se transformer en dépendance, puis en renoncement à l’exercice autonome de la vérification.
25.
Les entreprises de presse ne se contentent donc plus d’évoluer dans un environnement informationnel potentiellement pollué : elles participent elles-mêmes à sa transformation en diffusant des contenus générés par l’IA.
Cette évolution est encouragée par des logiques économiques bien connues. La recherche d’audience, l’engagement, la rapidité de publication ou encore la réduction des coûts peuvent favoriser la fluidité et l’échelle de production plutôt que les pratiques de vérification. Les bénéfices attendus de ces systèmes reposent parfois davantage sur les promesses associées à l’innovation que sur des preuves solides de leur capacité à améliorer la qualité de l’information.
Par conséquent, les trois formes d’instabilité que nous avons identifiées, générative, médiative et propagative, ne doivent pas être envisagées uniquement comme des menaces extérieures auxquelles les rédactions seraient confrontées. Elles peuvent également émerger à l’intérieur même des organisations journalistiques, au cœur des processus de collecte, de production et de diffusion de l’information.
26.
Cela nous amène à la question finale : celle de la gouvernance.
Le premier niveau de réflexion est celui de l’éthique. Il pose la question de ce que les humains devraient faire avec l’IA. Elle fixe des valeurs, des principes et des responsabilités au niveau individuel et professionnel. C’est à ce niveau que l’on retrouve les lignes directrices internes des rédactions ainsi que les codes de déontologie, généralement centrés sur la transparence, la supervision humaine et la redevabilité.
Le second est celui de la gouvernance épistémique. La question devient alors : comment la connaissance devrait-elle être produite, validée et diffusée ? Au niveau organisationnel, cela renvoie à la mise en place de procédures, de points de contrôle, de mécanismes de traçabilité des sources et de protocoles éditoriaux permettant d’intégrer les exigences de vérification dans le processus lui-même. Pourtant, ces mécanismes demeurent encore rarement formalisés dans la pratique.
Mais l’instabilité épistémique que nous avons décrite ne s’arrête pas aux frontières de la rédaction. Lorsqu’elle devient une caractéristique structurelle des environnements informationnels médiés par les grands modèles de langage, la gouvernance épistémique doit également s’étendre aux infrastructures techniques qui produisent, sélectionnent et diffusent l’information.
C’est là qu’apparaît la limite des outils prêts à l’emploi, qui échappent largement à tout contrôle ou audit indépendant. Une rédaction qui adopte un outil commercial n’a souvent aucun accès à ce qui se passe à l’intérieur du système et ne maîtrise ni sa conception, ni ses données d’entraînement, ni les choix qui les sous-tendent.
Cela pose une question fondamentale : des usages responsables sont-ils réellement possibles lorsque les technologies elles-mêmes échappent aux exigences de transparence, de contrôle et de redevabilité que l’on attend habituellement des pratiques journalistiques ?
27.
Si l’éthique définit les valeurs et les principes censés guider l’usage de l’IA, la gouvernance épistémique s’intéresse aux conditions concrètes dans lesquelles la connaissance est produite, validée et diffusée. Elle concerne à la fois les pratiques des journalistes, les procédures organisationnelles des rédactions et, de plus en plus, les infrastructures techniques qui participent à la production et à la circulation de l’information.
Pour conclure, l’IA responsable en journalisme est généralement abordée comme une question normative ou réglementaire : codes de conduite, cadres de gouvernance, conformité. Cette approche est nécessaire. Mais elle n’est plus suffisante.
L’argument que j’ai défendu aujourd’hui appelle trois déplacements.
D’abord, passer d’une éthique seule à une articulation entre éthique et épistémologie. Savoir ce qui est juste ne peut plus être séparé de savoir ce qui est vrai, vérifiable et justifiable.
Ensuite, passer de la conduite individuelle à la gouvernance des processus de production de l’information. Les questions soulevées par l’IA ne concernent pas seulement les choix des journalistes, mais aussi les conditions organisationnelles et techniques dans lesquelles la connaissance est produite, validée et diffusée.
Enfin, passer de principes fixes à une pratique continuellement mise en œuvre. La responsabilité ne se règle pas une fois pour toutes dans un code. Elle se construit et se reproduit chaque fois qu’un journaliste, une rédaction ou une organisation décide comment, et jusqu’où, utiliser ces outils.
L’IA responsable en journalisme n’est donc pas un état à atteindre. C’est un travail continu d’organisation des conditions de production de la connaissance. Car ce qui est en jeu n’est pas seulement la qualité de l’information, mais la stabilité des critères qui rendent possible la distinction entre le factuel et le non-factuel dans des environnements informationnels de plus en plus médiés par l’IA.
