Méfiance envers l’intelligence artificielle : pourquoi le doute s’installe
Partager !
Illustration d'un visage humain avec un reflet numérique Photo : ChatGPT
Une réponse convaincante peut contenir une erreur. Une photographie réaliste peut montrer une scène inexistante. Un outil capable de faciliter le travail peut aussi modifier les compétences attendues. La méfiance envers l’intelligence artificielle se nourrit de ces contradictions, désormais visibles dans les usages quotidiens.
Les inquiétudes concernent plusieurs sujets : fiabilité, désinformation, vie privée, emploi et responsabilité. Elles ne signifient pas nécessairement un rejet de la technologie. Une personne peut utiliser régulièrement une IA tout en doutant de ses réponses ou des entreprises qui la développent.
Pourquoi cette prudence apparaît-elle derrière l’enthousiasme ? Les enquêtes et les travaux institutionnels montrent une tension entre les bénéfices perçus et les garanties attendues. Comprendre cette tension suppose de distinguer les risques documentés, les incertitudes et les scénarios encore hypothétiques.
La méfiance envers l’intelligence artificielle coexiste avec son adoption
L’utilisation d’un outil ne prouve pas que son utilisateur lui accorde une confiance totale. L’étude publiée en 2025 par l’Université de Melbourne et KPMG illustre ce décalage. Parmi les personnes interrogées, 66 % déclarent utiliser régulièrement l’IA, mais seulement 46 % se disent disposées à lui faire confiance.
L’enquête rassemble plus de 48 000 participants dans 47 pays. Les chercheurs ont recueilli leurs réponses entre novembre 2024 et janvier 2025. Ces résultats décrivent les populations étudiées ; ils ne constituent pas un sondage spécifique sur l’ensemble des Français.
La comparaison avec une précédente étude, menée dans 17 pays en 2022, indique une confiance plus faible et davantage d’inquiétude. Elle ne permet toutefois pas d’attribuer cette évolution à une cause unique. L’exposition aux outils, les débats publics et les expériences individuelles peuvent intervenir ensemble.
Cette coexistence éclaire le débat. Un assistant peut rendre service pour reformuler un courrier sans devenir une référence fiable sur tous les sujets. La confiance dépend donc de la tâche, du contexte et des conséquences possibles d’une erreur.
Des réponses fluides qui peuvent être fausses
La plausibilité ne garantit pas l’exactitude
L’intelligence artificielle générative produit des textes, des images, des sons ou des vidéos à partir d’une consigne. Pour les modèles de langage, la qualité d’expression peut donner une impression de maîtrise. Pourtant, une réponse claire et bien structurée peut contenir des informations inexactes.
La CNIL rappelle que ces systèmes peuvent fournir des résultats erronés qui paraissent plausibles. Le terme « hallucination » désigne couramment ce phénomène. Une réponse peut notamment présenter une référence inexistante ou attribuer incorrectement une information.
Cette limite crée une difficulté particulière : l’utilisateur doit parfois connaître le sujet pour repérer l’erreur. Une explication cohérente peut sembler suffisante lorsque les détails techniques échappent au lecteur. Le style devient alors un mauvais indicateur de fiabilité.
Il faut aussi distinguer deux situations. Un système peut manquer d’informations actualisées ou produire une affirmation incorrecte malgré des ressources disponibles. L’accès à Internet peut aider à vérifier une réponse, mais il ne garantit pas une interprétation correcte.
Les conséquences varient selon les usages
Une erreur dans une suggestion de titre entraîne généralement peu de conséquences. La même erreur, dans une décision professionnelle ou une démarche administrative, peut devenir plus coûteuse. Le niveau de vérification doit donc suivre l’importance de l’usage.
Prenons un exemple hypothétique : un assistant résume un contrat et omet une condition déterminante. Son résumé peut rester parfaitement lisible. Si l’utilisateur s’appuie uniquement dessus, il risque de décider sans disposer de toutes les informations.
La prudence porte ici sur la chaîne de validation. Qui a vérifié les documents ? Les sources soutiennent-elles réellement la réponse ? L’utilisateur peut-il retrouver le passage original et comprendre les réserves formulées ?
Les deepfakes fragilisent la confiance dans les contenus
Une image réaliste ne suffit plus à établir un fait
Les deepfakes sont des contenus synthétiques ou manipulés qui peuvent imiter des personnes et des situations réelles. Ils concernent notamment les images, les vidéos et les voix. La CNIL cite ces hypertrucages parmi les usages susceptibles d’alimenter la désinformation.
La Commission européenne souligne également les risques de fraude, d’usurpation d’identité et de manipulation liés aux contenus artificiels. Leur réalisme complique la distinction entre une production authentique et une fabrication. Le problème concerne donc autant l’information que la sécurité des échanges.
Tous les contenus synthétiques ne cherchent cependant pas à tromper. Une illustration, une création artistique ou une simulation clairement signalée répondent à d’autres objectifs. Le risque apparaît lorsque la présentation laisse croire à un événement réel ou à une déclaration authentique.
Face à un contenu douteux, rechercher sa provenance devient essentiel. Il faut identifier la première publication, sa date et son contexte. Une confirmation indépendante apporte davantage qu’un simple examen visuel.
Le doute peut aussi atteindre les documents authentiques
La possibilité de fabriquer des contenus soulève une autre difficulté. Elle offre un argument à ceux qui souhaitent contester une preuve réelle : affirmer qu’une machine l’a créée. Cette possibilité explique pourquoi l’authenticité doit reposer sur plusieurs éléments vérifiables.
Une vidéo isolée ne raconte pas nécessairement toute une situation. Son origine, les témoignages concordants et les documents associés permettent de mieux l’évaluer. L’enjeu dépasse donc la détection des faux : il concerne aussi la capacité à établir les faits.
Les données personnelles alimentent les inquiétudes
Une conversation avec un assistant peut contenir des informations privées, professionnelles ou confidentielles. L’utilisateur ne sait pas toujours qui peut y accéder. Il peut aussi ignorer leur durée de conservation ou les usages autorisés par le service.
Les pratiques diffèrent selon les fournisseurs, les contrats et les réglages. Il serait inexact d’affirmer que toutes les plateformes exploitent systématiquement chaque conversation pour entraîner leurs modèles. Une politique de confidentialité précise permet de connaître les conditions applicables.
La CNIL rappelle que les traitements de données personnelles liés à l’IA doivent respecter le RGPD. Ses recommandations couvrent notamment la collecte et la gestion des données utilisées pendant le développement. L’innovation ne supprime donc pas les obligations de protection des personnes.
Cette question concerne également les données présentes dans les bases d’apprentissage. La CNIL décrit certains risques d’extraction ou d’inférence d’informations personnelles à partir de modèles. Leur existence justifie des mesures de sécurité adaptées, sans signifier que chaque utilisateur subira une fuite.
Pour évaluer un service, plusieurs questions concrètes se posent. Peut-on supprimer ses échanges ? Existe-t-il un réglage concernant leur réutilisation ? Les garanties annoncées couvrent-elles les documents transmis et les données sensibles ?
Les biais algorithmiques remettent en cause l’apparente neutralité
Un résultat informatique ne devient pas objectif simplement parce qu’un programme l’a produit. Les données, les critères retenus et les conditions d’utilisation influencent les performances. Un système peut ainsi reproduire des déséquilibres ou fonctionner moins bien pour certaines personnes.
Les conséquences deviennent particulièrement sensibles lorsqu’un outil intervient dans une sélection ou une évaluation. L’OCDE identifie les biais et les discriminations parmi les risques de l’IA au travail. Elle mentionne aussi la protection des données et la responsabilité des acteurs.
Imaginons un outil de recrutement évalué uniquement sur une population peu diversifiée. Ses résultats initiaux pourraient sembler satisfaisants tout en masquant des écarts importants. Cet exemple hypothétique montre pourquoi une moyenne globale ne suffit pas toujours.
La difficulté concerne également les recours. Une personne confrontée à une décision défavorable doit pouvoir comprendre les critères pertinents et signaler une erreur. La présence d’un interlocuteur humain ne suffit pas s’il ne peut pas réexaminer réellement le dossier.
L’emploi cristallise la peur de perdre sa place
L’exposition à l’IA ne signifie pas la disparition d’un métier
L’automatisation des emplois figure parmi les inquiétudes les plus concrètes. Une étude de l’Organisation internationale du travail et du NASK, publiée en mai 2025, apporte un repère. Elle estime qu’un emploi sur quatre dans le monde appartient à une profession potentiellement exposée à l’IA générative.
Ce chiffre ne signifie pas qu’un quart des emplois va disparaître. Il mesure une exposition potentielle, fondée sur les tâches professionnelles. Les auteurs considèrent la transformation des métiers comme plus probable que leur remplacement complet.
Les fonctions administratives présentent une exposition élevée. L’étude relève aussi celle de certaines professions numérisées dans les médias, les logiciels et la finance. Beaucoup de tâches continuent néanmoins à nécessiter une intervention humaine.
L’organisation du travail reste une inconnue décisive
Une capacité technique ne détermine pas, à elle seule, la stratégie d’une entreprise. Un employeur peut utiliser l’IA pour améliorer un service, augmenter les volumes ou réorganiser des équipes. Les effets dépendent aussi des coûts, de la formation et des exigences de qualité.
Les inquiétudes portent donc sur la répartition des gains. Les salariés bénéficieront-ils du temps économisé ? Les objectifs augmenteront-ils ? Quelles possibilités auront-ils pour acquérir les compétences désormais attendues ?
L’OCDE signale notamment un risque d’intensification du travail lorsque l’IA ne respecte pas des conditions de confiance suffisantes. La question dépasse ainsi le nombre de postes. Elle touche également l’autonomie, la surveillance et les conditions d’exercice.
À l’école, l’aide immédiate pose la question de l’apprentissage
Un assistant peut expliquer une notion, proposer un exercice ou reformuler une consigne. Il peut aussi fournir directement un résultat sans que l’élève comprenne le raisonnement. Ces deux usages n’ont pas la même valeur pédagogique.
Prenons deux situations hypothétiques. Dans la première, un élève compare sa réponse avec une correction et identifie son erreur. Dans la seconde, il copie le résultat fourni sans pouvoir l’expliquer. L’outil est identique, mais l’activité intellectuelle change.
Les orientations de l’UNESCO sur l’IA générative demandent une approche centrée sur l’humain. Elles abordent la confidentialité des données, l’adaptation à l’âge et la validation pédagogique des outils. Elles envisagent aussi des usages créatifs dans l’enseignement et la recherche.
Ces recommandations ne démontrent pas que l’IA provoque automatiquement une perte de compétences. Elles invitent à examiner les conditions d’utilisation. La question centrale reste ce que l’apprenant comprend, pratique et peut ensuite réaliser seul.
Le coût environnemental entre dans le débat
L’IA repose sur des infrastructures physiques : serveurs, processeurs, réseaux et systèmes de refroidissement. Son utilisation mobilise donc des ressources. L’apparente simplicité d’une conversation à l’écran ne permet pas d’en déduire directement l’empreinte environnementale.
Selon le rapport Energy and AI de l’Agence internationale de l’énergie, les centres de données ont consommé environ 415 TWh en 2024. Cela représente près de 1,5 % de la consommation mondiale d’électricité. Ces chiffres couvrent l’ensemble des centres de données, et pas uniquement l’intelligence artificielle.
Dans son scénario central publié en 2025, l’AIE projette une consommation proche de 945 TWh en 2030. Elle identifie l’IA comme le principal moteur de cette croissance. Cette projection reste un scénario, dont la réalisation dépend notamment des usages et des progrès techniques.
Il faut donc éviter les équivalences universelles concernant une requête individuelle. Le modèle, le matériel, la longueur de la réponse et l’électricité utilisée influencent le bilan. Des données transparentes permettraient de comparer plus précisément les services et leurs usages.
Les règles européennes cherchent à rendre l’IA identifiable
La confiance dépend aussi des informations fournies aux utilisateurs. Une personne doit pouvoir savoir si elle échange avec une machine. Elle doit également pouvoir reconnaître certains contenus artificiels lorsque leur présentation risque de l’induire en erreur.
Dans l’Union européenne, les obligations de transparence de l’article 50 de l’AI Act s’appliquent depuis le 2 août 2026. Elles concernent certains systèmes interactifs et contenus générés ou manipulés. Les exigences varient selon le système, le contenu et le rôle de l’acteur concerné.
Ces règles prévoient notamment des informations sur certaines interactions avec l’IA et sur les deepfakes. Elles ne signifient pas que chaque texte assisté doit porter exactement la même mention. La Commission précise des exceptions et des distinctions, notamment autour du contrôle éditorial humain.
L’identification apporte une information utile, mais elle ne certifie pas l’exactitude du contenu. Un texte clairement signalé comme artificiel peut rester erroné. À l’inverse, une publication humaine exige elle aussi des sources et une vérification.
Conclusion : une confiance qui dépend des garanties
La méfiance envers l’intelligence artificielle repose sur plusieurs questions précises : exactitude des réponses, authenticité des contenus et protection des données. Les transformations du travail, les usages scolaires et les ressources nécessaires ajoutent d’autres incertitudes. Tous ces enjeux ne présentent ni le même degré de preuve ni les mêmes conséquences.
Les travaux disponibles montrent qu’adoption et prudence peuvent avancer ensemble. Utiliser une IA ne signifie pas lui déléguer toutes les décisions. Une confiance proportionnée suppose de connaître la tâche, les limites du système et les moyens de vérifier son résultat.
L’enjeu consiste désormais à rendre les responsabilités et les garanties compréhensibles. Des sources accessibles, des règles explicites et un contrôle humain effectif permettent d’évaluer chaque usage. C’est sur ces éléments concrets que peut se construire une confiance durable.
Pourquoi peut-on utiliser l’IA tout en s’en méfiant ?
L’utilité et la fiabilité sont deux critères différents. Un outil peut aider à préparer un brouillon sans fournir des informations suffisamment sûres pour une décision importante. La confiance peut donc varier selon la tâche.
Qu’est-ce qu’une hallucination de l’intelligence artificielle ?
Une hallucination désigne un résultat incorrect présenté de manière plausible. Elle peut prendre la forme d’une référence inexistante ou d’une affirmation erronée. La CNIL rappelle que les systèmes génératifs peuvent produire ce type de réponse.
L’IA va-t-elle supprimer un emploi sur quatre ?
L’étude OIT-NASK de 2025 ne formule pas cette prévision. Elle estime qu’un quart des emplois mondiaux appartient à des professions potentiellement exposées à l’IA générative. Elle juge la transformation des métiers plus probable que leur remplacement complet.
Tous les services d’IA réutilisent-ils les conversations ?
Les conditions varient selon les services, les offres et les réglages. Il faut consulter la politique applicable pour connaître la conservation et la réutilisation éventuelle des échanges. Une garantie proposée par un fournisseur ne vaut pas automatiquement pour les autres.
Comment vérifier une réponse produite par une IA ?
Il faut consulter les sources originales et contrôler qu’elles soutiennent réellement les affirmations. Les dates, les chiffres et les références demandent une attention particulière. Pour une décision à fortes conséquences, une validation compétente reste nécessaire.
À propos de l'auteur
En savoir plus sur News Wall.news
Subscribe to get the latest posts sent to your email.
