Lors de la dernière conférence #I4Sup, la professeure Laurence Devillers lors de son excellente intervention, nous a interpellés et challengés sur un point aussi fascinant que dérangeant : « Et si l’on pouvait continuer à parler à nos morts grâce à des avatars IA nourris de leurs traces numériques ? » La question, posée de manière frontale, a fait surgir une série de réactions dans la salle — entre sidération, fascination, et inquiétude. À chaud, j’ai tenté d’esquisser une réponse orale, en mobilisant quelques repères conceptuels issus de mes travaux sur les écosystèmes du numérique. Je profite ici d’un temps d’écriture plus posé pour approfondir cette première esquisse. Car si la question peut paraître futuriste, elle est en réalité déjà présente dans plusieurs initiatives technologiques contemporaines.
Mobiliser une approche écosystémique du numérique
L’émergence des avatars générés par intelligence artificielle à partir de données récoltées de leur vivant soulève des interrogations inédites. Ces entités numériques peuvent désormais simuler la voix, les gestes, voire certaines intentions ou émotions d’un proche décédé. Envisager cette possibilité — celle de « faire vivre les morts » — impose une réflexion à plusieurs niveaux, selon une approche écosystémique du numérique. Dans une approche écosystémique du numérique, que je défends dans mes travaux, il est fondamental de considérer l’ensemble des niveaux d’organisation — du micro au macro — pour comprendre la portée sociale, cognitive et symbolique des innovations technologiques. Le numérique ne peut être réduit à une somme de dispositifs ou à une collection de données : il constitue un milieu vivant, co-évolutif, où chaque artefact technique (de l’avatar IA au moteur de recommandation) interagit avec les usages, les normes sociales, les institutions et les valeurs collectives. Cet écosystème est traversé de tensions : entre l’individuel et le collectif, entre la mémoire intime et les infrastructures de stockage, entre le deuil psychique et la temporalité computationnelle. C’est dans cette complexité dynamique qu’il faut situer l’émergence des avatars post-mortem : ni simples curiosités techniques, ni strictes externalités symboliques, ils participent à la reconfiguration de nos rapports au temps, à la filiation et à la finitude.
Le niveau micro : au plus près de l’usager
Au niveau micro, celui des individus, l’effet est immédiat, profondément émotionnel. La fascination pour cette capacité technologique est indéniable. Elle touche au plus intime de nos vies : le rapport à la mémoire, au deuil, à l’absence. Rencontrer une version numérique d’un proche disparu — dialoguer avec lui, le voir sourire, entendre à nouveau sa voix — peut bouleverser les trajectoires émotionnelles. On entre ici dans une nouvelle forme d’attachement technologique, où l’artefact IA devient à la fois réceptacle de mémoire et agent de présence simulée. Dans cette perspective, Bernard Stiegler (La technique et le temps, 1994) nous a déjà alerté sur le fait que les technologies numériques, en tant que supports de rétention tertiaire, modifient notre manière de constituer le passé, de nous projeter dans l’avenir, et donc de nous construire en tant que sujets. La simulation post-mortem pourrait ainsi désynchroniser le temps psychique du deuil.
Le niveau meso : l’organisation du service numérique proposé à l’usager
À l’échelle méso, celle des organisations, entreprises et acteurs du numérique, se pose la question de l’intentionnalité et de l’éthique dans le développement de ces technologies. Quels sont les objectifs poursuivis ? Quels cadres éthiques sont mis en place ? Pour l’instant, il semble que certaines entreprises du secteur technologique s’emparent de cette opportunité avec des intentions à la fois compassionnelles et commerciales. Edgar Morin, dans sa pensée de la complexité (La Méthode, 1977–2004), nous a déjà rappelé que toute innovation technique doit être pensée dans son environnement éthique, culturel et affectif. Il ne s’agit pas seulement de ce que la technologie permet, mais de ce qu’elle transforme dans nos institutions sociales et symboliques. À cette condition seulement, les organisations pourront inscrire ces innovations dans une dynamique de soin, de réinvention du lien, et non dans une logique de marchandisation de l’intime.
Le niveau exo : la réglementation autour de ce cas d’usage
Sur le plan exo, à la périphérie des institutions formelles, se pose la question du cadre juridique. La loi pour une République numérique avait esquissé une régulation des données post-mortem, notamment via l’article 63 (relatif aux directives sur les données après le décès). Mais l’irruption de l’intelligence artificielle dans cet espace amplifie le vide juridique. Ces avatars ne relèvent plus seulement de la gestion des comptes numériques après le décès : ils reconstituent une entité interactive, un simulacre doté de capacités relationnelles. Dominique Boullier, en analysant les régimes de présence numérique (Sociologie du numérique, 2016), montre combien ces dispositifs modifient notre rapport aux absents. Il devient alors impératif de concevoir une nouvelle catégorie juridique et symbolique pour ces « êtres de données » qui persistent au-delà de la vie biologique.
Le niveau macro : le système de valeurs humaines autour de ce cas d’usages
Enfin, au niveau macro, celui des valeurs, des normes culturelles et des rythmes sociaux, la question devient presque anthropologique. Dans nos sociétés, la mort d’un proche est intégrée dans une séquence rituelle : celle du deuil, de la commémoration, de la transmission. Notamment dans la relation parent-enfant, la disparition joue un rôle structurant dans le passage de témoin, dans la construction d’une autonomie adulte. Maintenir une présence numérique du parent pourrait brouiller cette dynamique générationnelle. En ce sens, Bruno Latour — en déplaçant la frontière entre humains et non-humains — nous a appris que les technologies ne sont pas neutres : elles reconfigurent les réseaux d’acteurs, les régimes d’existence, les régimes d’autorité (Nous n’avons jamais été modernes, 1991). Dès lors, l’avatar post-mortem n’est pas un simple artefact technique, il devient un actant social, capable d’orienter les affects, d’organiser les rituels et de transformer la place des morts dans la société des vivants.
Pour ouvrir la discussion : des vies numériques après la mort ?
La puissance technologique de l’IA convoque des potentialités à la mesure de ses dangers. Offrir une présence posthume ne peut se réduire à un simple service numérique. Il s’agit d’un geste anthropologique, d’un choix de société. Pour qu’il soit acceptable, il doit être pensé dans une éthique du lien, du soin, et de la finitude. Comme le suggère Cynthia Fleury, la démocratie doit intégrer une éthique de la vulnérabilité pour éviter que les outils techniques ne deviennent les instruments d’un contournement du réel (Les irremplaçables, 2015).
La technologie, ici plus que jamais, doit rester au service de l’humain — non de son illusion d’immortalité.
Définition de l’IA générative et son émergence dans les sphères scientifiques, éducatives et sociales.
L’IA générative désigne un ensemble de modèles d’intelligence artificielle capables de produire de nouveaux contenus (textes, images, vidéos, sons) en s’appuyant sur des données préexistantes. Reposant sur des architectures avancées telles que les réseaux neuronaux transformeurs (e.g., GPT, DALL-E), elle s’est imposée comme une technologie révolutionnaire depuis les avancées de 2020. Dans les sciences, elle permet de générer des hypothèses, de simuler des expériences ou d’automatiser des revues de littérature (Wooldridge, 2022). En éducation, elle soutient la création de cours sur mesure, les outils d’évaluation et l’apprentissage interactif (Chen et al., 2020). Socialement, des applications telles que ChatGPT ou MidJourney démocratisent son usage, posant la question de son rôle dans la créativité humaine (Floridi & Chiriatti, 2020). Cependant, l’émergence rapide de cette technologie suscite des débats sur l’éthique, la fiabilité et les implications sociétales. Ces évolutions soulignent la nécessité d’une réflexion sur son intégration raisonnée dans nos pratiques quotidiennes.
Présentation de la problématique : Comment l’IA générative peut-elle être perçue comme une orthèse ou une prothèse dans ses usages ?
L’IA générative s’impose comme une technologie aux multiples facettes, capable de transformer profondément nos interactions avec les savoirs, la créativité et les processus de travail. Cependant, son rôle soulève une question essentielle : est-elle un outil qui améliore nos capacités humaines existantes (orthèse) ou un dispositif qui substitue certaines de nos fonctions (prothèse) ?
Cette distinction n’est pas seulement conceptuelle, mais conditionne la manière dont nous adoptons et utilisons ces technologies. Lorsqu’elle agit comme une orthèse, l’IA générative soutient l’utilisateur en augmentant ses performances, par exemple en aidant à structurer des idées ou à corriger des textes. En revanche, lorsqu’elle devient une prothèse, elle tend à remplacer certaines compétences, comme la rédaction complète d’un contenu ou la création autonome d’une œuvre.
Cette dualité amène à interroger les implications pratiques et éthiques : à quel point pouvons-nous déléguer nos tâches sans perdre nos compétences fondamentales ? Quels sont les risques d’une dépendance excessive ? Enfin, comment ces deux visions influencent-elles les domaines de l’éducation, de la recherche et du travail collaboratif ? Cette problématique invite à réfléchir aux usages souhaitables et à une intégration équilibrée de l’IA générative dans nos pratiques.
Annonce du plan
Pour explorer la dualité de l’IA générative en tant qu’orthèse ou prothèse, nous analyserons ses deux dimensions fondamentales à travers leurs usages et implications.
Dans un premier temps, nous examinerons l’IA générative comme orthèse, un outil qui renforce les capacités humaines en agissant comme un assistant intelligent. Nous étudierons les avantages liés à l’amélioration des performances et au soutien qu’elle apporte dans des domaines tels que l’éducation, la recherche ou la création, tout en discutant des limites potentielles, notamment une possible dépendance progressive.
Dans un second temps, nous aborderons l’IA générative comme prothèse, c’est-à-dire un dispositif qui remplace certaines fonctions humaines. Nous analyserons son rôle dans la substitution de tâches complexes, ses bénéfices en termes d’automatisation et d’accessibilité, mais aussi les défis qu’elle pose, tels que la déresponsabilisation ou la perte de compétences essentielles.
Ces deux perspectives permettront de poser les bases d’une réflexion équilibrée sur les impacts, les opportunités et les risques liés à l’intégration de l’IA générative dans nos pratiques professionnelles et personnelles.
Comprendre les concepts : Orthèse et Prothèse
Une orthèse
Une orthèse est un dispositif médical externe conçu pour assister, stabiliser, soulager, protéger ou corriger une partie du corps. Elle est utilisée dans divers contextes médicaux, notamment en orthopédie, rééducation fonctionnelle, et neurologie.
Fonctionnalités principales
Les orthèses remplissent plusieurs fonctions essentielles dans le domaine médical. Elles apportent un soutien structurel aux parties du corps affectées, notamment les articulations, les membres ou la colonne vertébrale. Leur rôle correctif est également central, en aidant à corriger des déformations ou des postures inadéquates, comme la scoliose ou les pieds plats. De plus, elles contribuent à soulager la douleur ou à réduire la pression exercée sur une zone sensible, en limitant les mouvements ou en redistribuant les charges. Enfin, les orthèses permettent une amélioration fonctionnelle, en facilitant une meilleure mobilité ou en augmentant les capacités après une blessure ou une intervention chirurgicale.
Types d’orthèses
Il existe plusieurs types d’orthèses, adaptés aux différentes parties du corps et à des besoins spécifiques. Les orthèses des membres supérieurs concernent les bras, poignets, mains et doigts, tandis que celles des membres inférieurs ciblent les hanches, genoux, chevilles et pieds. Les orthèses de tronc, comme les corsets ou lombostats, sont conçues pour soutenir la colonne vertébrale. Par ailleurs, des orthèses fonctionnelles spécifiques sont développées pour des activités particulières, comme le sport ou les tâches quotidiennes.
Matériaux utilisés
Les matériaux utilisés dans la fabrication des orthèses sont divers et sélectionnés en fonction de leur usage. Les plastiques rigides, tels que le polypropylène et le polycarbonate, assurent un maintien solide. Les métaux légers, comme l’aluminium ou le titane, offrent une combinaison de solidité et de légèreté. Les matériaux souples, notamment le néoprène ou les textiles élastiques, privilégient le confort et la compression. Enfin, des coussins ou mousses sont souvent ajoutés pour amortir les pressions et améliorer le confort.
Conception
La conception des orthèses peut être personnalisée ou standardisée. Les modèles personnalisés sont réalisés sur mesure à partir de moulages ou d’imageries médicales telles que les scanners ou IRM, afin de répondre aux besoins spécifiques du patient. En revanche, les orthèses prêtes à l’emploi sont des dispositifs standardisés disponibles dans le commerce et adaptés aux pathologies courantes.
Objectifs médicaux
Les orthèses répondent à plusieurs objectifs médicaux. Elles jouent un rôle préventif en évitant les blessures ou complications, comme les entorses ou les chutes. Elles facilitent également la réhabilitation en favorisant la récupération après une blessure ou une intervention chirurgicale. Enfin, elles peuvent servir à compenser une fonction absente, par exemple grâce à une attelle pour un pied tombant.
Critères de choix
Le choix d’une orthèse dépend de plusieurs critères. L’adaptabilité est cruciale, avec des dispositifs ajustables grâce à des sangles ou des mécanismes articulés. Le confort est également essentiel, avec des matériaux et une ergonomie qui préviennent les irritations ou douleurs. L’efficacité clinique, en lien avec le diagnostic médical, doit être assurée pour répondre aux besoins spécifiques du patient. Enfin, la durabilité est un facteur important, garantissant une résistance à l’usure pour un usage prolongé.
Les orthèses, souvent prescrites par des professionnels de santé et ajustées par des orthoprothésistes, jouent un rôle clé dans le traitement des troubles musculo-squelettiques et neurologiques, en contribuant à la qualité de vie des patients.
Une prothèse
Une prothèse est un dispositif médical externe ou interne qui remplace une partie manquante du corps, qu’elle soit d’origine congénitale ou perdue à la suite d’une blessure, d’une maladie ou d’une intervention chirurgicale.
Fonctionnalités principales
Les prothèses remplissent un rôle clé dans le remplacement et la restauration des parties manquantes du corps. Elles permettent de substituer une partie absente, qu’il s’agisse d’un membre, d’un organe ou d’un tissu. En plus de leur fonction mécanique ou biologique, elles peuvent également jouer un rôle esthétique en reproduisant l’apparence de la partie manquante, contribuant ainsi à améliorer l’image corporelle. Sur le plan fonctionnel, les prothèses peuvent restaurer partiellement ou totalement des capacités comme la marche, la préhension ou encore la mastication.
Types de prothèses
Les prothèses se déclinent en deux grandes catégories : externes et internes. Les prothèses externes incluent les dispositifs pour les membres supérieurs (bras, mains, doigts), les membres inférieurs (jambes, pieds), les prothèses faciales (nez, oreilles, yeux) et les prothèses mammaires utilisées après une mastectomie. Les prothèses internes, quant à elles, regroupent les prothèses orthopédiques (hanches, genoux, épaules), cardiaques (valves artificielles, pacemakers), dentaires (couronnes, implants) et organiques (vasculaires, péniennes).
Matériaux utilisés
Les matériaux employés dans la fabrication des prothèses sont choisis en fonction de leur rôle et des exigences liées à la biocompatibilité. Les métaux comme le titane, l’acier inoxydable ou les alliages de cobalt-chrome garantissent une grande solidité. Les polymères, tels que le silicone ou le polyéthylène, offrent flexibilité et légèreté. Les céramiques, comme les oxydes de zirconium, sont prisées pour leur résistance à l’usure, notamment dans les prothèses articulaires. Enfin, les composites, combinant plusieurs matériaux, permettent d’optimiser la légèreté, la résistance et la fonctionnalité.
Conception
Les prothèses peuvent être standards ou sur mesure. Les modèles standards sont préfabriqués pour des cas courants et ajustés au patient, tandis que les modèles sur mesure sont conçus à partir de scans 3D ou d’imageries médicales, offrant ainsi un ajustement précis. Les prothèses bioniques représentent une innovation majeure, intégrant capteurs, moteurs et puces électroniques pour reproduire des mouvements complexes commandés par les muscles ou le cerveau.
Objectifs médicaux et sociaux
Les prothèses visent plusieurs objectifs, à la fois médicaux et psychosociaux. Leur rôle fonctionnel est primordial, permettant de rétablir la mobilité, l’autonomie ou d’autres fonctions essentielles. Elles ont également un impact psychologique, en réduisant le sentiment de perte et en renforçant la confiance en soi. Enfin, elles jouent un rôle dans la réhabilitation, en accompagnant les patients dans leur adaptation à ces dispositifs.
Critères de choix
Le choix d’une prothèse repose sur plusieurs critères essentiels. L’adaptabilité est cruciale pour garantir un ajustement optimal au fil du temps. Le confort, assuré par des interfaces comme les emboîtures souples, est également déterminant, tout comme la durabilité des matériaux face à l’usure. Le poids est une considération importante, notamment pour les prothèses des membres, afin de minimiser la fatigue. Enfin, le coût des prothèses, en particulier celles sur mesure ou hautement fonctionnelles, peut représenter un défi.
Aspects technologiques
Les avancées technologiques ont considérablement transformé les prothèses. Les prothèses mécaniques, basées sur des mécanismes simples comme les ressorts ou pivots, permettent des mouvements basiques. Les prothèses électroniques, dotées de moteurs et de capteurs, offrent des mouvements précis et sophistiqués. Enfin, les prothèses intelligentes, connectées et intégrant des algorithmes d’apprentissage, ajustent leurs performances aux besoins spécifiques du patient, incarnant une révolution dans ce domaine.
Différence entre orthèse et prothèse
La distinction fondamentale entre une orthèse et une prothèse repose sur leur fonction et leur objectif médical. Une orthèse est un dispositif médical externe conçu pour assister, soutenir, corriger ou protéger une partie existante du corps. Elle est utilisée pour améliorer une fonction corporelle, limiter certains mouvements ou prévenir et traiter des pathologies. Par exemple, une attelle de genou, un corset lombaire ou une orthèse de poignet sont des solutions courantes. En revanche, une prothèse est conçue pour remplacer une partie manquante du corps, qu’il s’agisse d’un membre, d’un organe ou d’une structure. Elle vise à restaurer une fonction biologique ou à recréer une apparence normale, comme c’est le cas des prothèses de jambe, des implants mammaires ou des prothèses de hanche.
Transposition à l’IA générative
Nous proposons d’utiliser la méthodologie déjà mise en oeuvre dans (Mocquet, 2023) pour réaliser une transposition des concepts d’orthèse et de prothèse médicales aux technologies numériques selon les trois transformations du pli deleuzien :
Transformation 1 Vectorielles, ou par symétrie, avec un plan de réflexion orthogonal ou tangent = analogie
Transformation 2 Projectives : variables ou singularités de potentiel = différence
Transformation 3 Par déformation de l’existant dans la projection du monade = deformation
Source (Mocquet, 2023)
Transformation 1 : Vectorielles ou par symétrie (analogie)
Dans une approche analogique, l’orthèse et la prothèse médicales peuvent être respectivement transposées en outils numériques complémentaires et remplaçants.
Orthèse numérique : Un logiciel ou une technologie qui assiste, soutient ou corrige des processus existants, sans remplacer leur essence. Par exemple, une extension de navigateur qui améliore l’accessibilité web (lecture vocale, augmentation des contrastes) agit comme une orthèse, en corrigeant et en optimisant une fonctionnalité préexistante.
Prothèse numérique : Une technologie qui remplace entièrement une fonction absente ou défaillante. Par exemple, un système de traduction automatique peut agir comme une prothèse en remplaçant la capacité d’un individu à parler une langue étrangère.
Cette analogie établit une symétrie conceptuelle entre les rôles médicaux et numériques : l’orthèse soutient l’existant, tandis que la prothèse supplée l’absence.
Transformation 2 : Projectives (différence)
La transformation projective explore les variables et singularités qui distinguent les orthèses et prothèses numériques.
Orthèse numérique comme optimisation locale : L’orthèse agit dans un cadre réducteur, optimisant un élément spécifique d’un système numérique existant. Par exemple, un algorithme de compression d’image agit comme une orthèse en améliorant l’efficacité du stockage tout en maintenant le fichier d’origine. Cette action reste limitée à une tâche ciblée.
Prothèse numérique comme transformation structurelle : La prothèse, en revanche, représente un saut qualitatif ou une singularité transformative, introduisant un changement systémique. Par exemple, une intelligence artificielle générative qui remplace la création humaine dans des domaines comme l’écriture ou la conception graphique agit comme une prothèse, car elle introduit un potentiel totalement nouveau et autonome.
La différence réside donc dans leur échelle d’impact : l’orthèse se concentre sur des points fixes dans le système, tandis que la prothèse génère des trajectoires nouvelles et imprévisibles.
La déformation considère comment l’existant est plié et reconfiguré dans une nouvelle réalité numérique, modifiant les relations entre l’utilisateur et le système.
Orthèse numérique comme prolongement souple : Ici, l’orthèse agit comme une déformation légère des capacités numériques en respectant les structures préexistantes. Un exemple est un mode “accessibilité” sur un smartphone, qui ajuste les fonctionnalités sans redéfinir la logique de l’appareil. La projection monadique reste alignée avec la capacité d’usage initiale de l’utilisateur.
Prothèse numérique comme hybridation totale : La prothèse, par contraste, engage une restructuration radicale du rapport entre l’humain et le numérique. Par exemple, les interfaces cerveau-machine (BCI) fonctionnent comme des prothèses numériques, remplaçant complètement les interfaces traditionnelles et redéfinissant la manière dont un individu interagit avec la technologie.
Cette déformation souligne que l’orthèse conserve l’identité du système tandis que la prothèse réinvente les usages et redéfinit les relations entre les éléments.
Aspect
IA générative comme prothèse
IA générative comme orthèse
Définition
Remplace des fonctions absentes ou non réalisables par l’humain seul.
Assiste ou améliore les capacités existantes sans les remplacer totalement.
Objectif principal
Fournir une solution complète là où une compétence ou ressource est manquante.
Soutenir ou optimiser les compétences humaines dans des tâches spécifiques.
Exemples d’applications
Génération de contenu créatif (texte, images, vidéos) en l’absence totale d’interventions humaines.
Assistance dans l’écriture, correction ou suggestion pour améliorer un texte.
Niveau d’autonomie
Fonctionnement autonome, produisant un résultat indépendant de l’utilisateur.
Interaction active avec l’utilisateur pour co-créer ou affiner un résultat.
Durée d’utilisation
Utilisé lorsque l’humain ne peut pas accomplir la tâche seul.
Utilisé comme un outil temporaire ou complémentaire pour une tâche donnée.
Relation à la compétence humaine
Se substitue à une compétence ou une capacité manquante.
Renforce ou complète une compétence humaine existante.
Technologie et complexité
Conçue pour fonctionner comme un système quasi-indépendant (exemple : ChatGPT générant un rapport complet).
Conçue pour interagir avec l’utilisateur, lui offrant des suggestions ou des corrections.
Impact sur la formation
Peut réduire la nécessité d’acquérir certaines compétences (par exemple, rédaction complexe).
Favorise l’apprentissage et le perfectionnement par le soutien interactif.
Exemple dans l’enseignement
Rédaction complète d’un devoir ou création d’un cours sans intervention humaine.
Assistance pour structurer un devoir, proposer des idées ou vérifier une cohérence.
Critique potentielle
Risque de déresponsabilisation ou de perte de compétences chez l’utilisateur.
Dépendance excessive à l’outil sans effort d’apprentissage ou d’adaptation.
Tableau 1 :
Quels impacts sur les pratiques ?
Implications pour l’enseignement et la recherche
L’intégration des technologies numériques, qu’elles soient orthèses ou prothèses, ouvre de nouvelles perspectives dans les pratiques pédagogiques et académiques. L’utilisation de l’IA, dans ses dimensions orthétiques (assistance ciblée) ou prothétiques (remplacement ou hybridation), bouleverse les modalités traditionnelles d’apprentissage et de production de savoirs.
Orthèses numériques pour l’enseignement : L’IA peut jouer un rôle d’accompagnement en soutenant les activités éducatives sans en modifier fondamentalement la structure. Par exemple, des outils d’IA générative tels que les assistants de rédaction permettent aux étudiants ou chercheurs de surmonter des blocages ponctuels dans la rédaction de thèses ou articles scientifiques. De même, des simulations interactives de débats ou des exercices adaptatifs conçus par l’IA enrichissent les processus d’apprentissage tout en respectant les méthodes traditionnelles. Ces outils orthétiques renforcent les capacités des enseignants et des apprenants tout en maintenant une continuité avec les pratiques éducatives établies.
Prothèses numériques pour la recherche : À l’autre extrême, les technologies numériques prothétiques transforment profondément les processus académiques. Par exemple, la création automatisée de supports de cours ou la conception d’expérimentations basées sur des modèles prédictifs déplace le rôle de l’humain vers des fonctions de supervision ou d’interprétation. Les interfaces cerveau-machine (BCI), bien qu’encore émergentes, pourraient à terme remodeler l’acquisition et la transmission des savoirs en supprimant les barrières d’interaction homme-machine, donnant naissance à des pratiques académiques radicalement nouvelles.
Éthique et responsabilités
L’introduction de ces technologies pose des questions éthiques cruciales concernant leur usage et leurs impacts sur les rôles et responsabilités des acteurs académiques.
Définir la frontière entre assistance et substitution : Le passage de l’orthèse numérique (soutien) à la prothèse numérique (remplacement) soulève des débats sur les limites éthiques de l’IA dans l’éducation. Jusqu’où peut-on recourir à ces technologies sans altérer les compétences fondamentales des étudiants et chercheurs ? La délégation excessive de certaines tâches (rédaction, analyse, création) à l’IA pourrait éroder les savoir-faire humains si une réflexion éthique et pédagogique n’encadre pas ces usages.
Régulation et pédagogie autour de l’IA générative : Il est impératif de mettre en place des cadres réglementaires pour garantir une utilisation responsable des technologies numériques dans l’enseignement et la recherche. Parallèlement, une pédagogie éclairée sur les capacités et limites des outils d’IA générative est essentielle pour éviter les dérives. Les enseignants et chercheurs doivent être formés non seulement à utiliser ces outils, mais aussi à en évaluer les implications sur leurs pratiques et sur l’apprentissage des étudiants.
Ainsi, l’intégration des orthèses et prothèses numériques dans les pratiques académiques exige une réflexion collective sur leurs usages, afin de maximiser leur potentiel tout en préservant les valeurs fondamentales de l’éducation et de la recherche.
Conclusion
L’introduction de l’IA générative dans les domaines de l’enseignement et de la recherche révèle une dualité essentielle : cette technologie peut être perçue tantôt comme une orthèse, renforçant et soutenant les capacités humaines, tantôt comme une prothèse, substituant certaines fonctions traditionnelles. En tant qu’outil d’assistance, l’IA générative offre des opportunités pour améliorer l’efficacité pédagogique et faciliter les processus d’apprentissage. En revanche, lorsqu’elle est utilisée pour remplacer complètement certaines activités, elle pose des questions cruciales sur la perte d’autonomie et l’intégrité des pratiques académiques.
Adopter une posture face à la dualité entre l’orthèse et la prothèse numériques implique un engagement réfléchi, une vigilance éthique et une volonté d’adaptation. En plaçant l’autonomie et la responsabilité au cœur de cette réflexion, il est possible de tirer parti des avantages de ces technologies tout en préservant les valeurs fondamentales de l’éducation et de la recherche.
Perspectives
Pour tirer pleinement parti des avantages de l’IA générative tout en préservant les valeurs fondamentales de l’éducation, il est impératif d’explorer comment intégrer ces deux dimensions de manière éthique et constructive. Cela implique de définir des lignes directrices claires sur l’usage approprié de ces technologies, en établissant des critères pour distinguer l’assistance légitime de la substitution inappropriée. Une réflexion continue sur les impacts de l’IA sur les pratiques éducatives et académiques est également nécessaire pour garantir que son utilisation reste alignée avec les objectifs d’apprentissage et de recherche.
Invitation à la réflexion
Face à cette dualité entre orthèse et prothèse numériques, quelle posture devrions-nous adopter ? Devons-nous privilégier une approche critique et régulatrice, ou bien adopter une perspective plus exploratoire et ouverte à l’expérimentation ? Il est essentiel de s’engager dans cette réflexion collective pour naviguer dans le paysage complexe de l’IA générative, en nous interrogeant sur les implications éthiques et les responsabilités qui en découlent pour l’enseignement et la recherche.
Équilibre entre assistance et autonomie
Valoriser l’orthèse numérique : La première étape consiste à reconnaître l’importance des technologies orthétiques comme outils d’assistance qui complètent et renforcent les capacités humaines. Il est crucial d’encourager l’utilisation de ces outils pour améliorer l’efficacité pédagogique et faciliter l’apprentissage, tout en veillant à ce qu’ils ne deviennent pas des substituts à l’effort intellectuel ou créatif des étudiants et chercheurs.
Privilégier l’autonomie des apprenants : Face à la tentation de recourir aux prothèses numériques, il convient de promouvoir des pratiques qui encouragent l’autonomie des apprenants. Cela peut se traduire par des approches pédagogiques qui favorisent la réflexion critique, la créativité et la capacité à résoudre des problèmes sans une dépendance excessive à la technologie.
Réflexion éthique et critique
Engagement dans le débat éthique : Adopter une posture proactive en matière d’éthique est essentiel. Les enseignants et chercheurs doivent s’engager dans des discussions sur les implications éthiques de l’utilisation de l’IA et des technologies numériques. Cela inclut la réflexion sur les conséquences potentielles de la substitution de certaines activités par des outils automatisés.
Éducation à l’éthique numérique : Il est fondamental d’intégrer une formation sur l’éthique numérique dans les curricula. Les étudiants doivent être préparés à réfléchir de manière critique sur leurs interactions avec la technologie, à reconnaître les biais algorithmiques et à comprendre les enjeux de la vie privée et de la sécurité des données.
Adaptation et flexibilité
Être ouvert au changement : La dualité entre l’orthèse et la prothèse numériques nécessite une flexibilité et une ouverture à l’évolution des pratiques éducatives. Les institutions doivent être prêtes à adapter leurs méthodes d’enseignement et d’évaluation pour intégrer ces nouvelles technologies de manière réfléchie.
Promouvoir l’expérimentation : Encourager l’expérimentation avec ces technologies, tant orthétiques que prothétiques, permet de mieux comprendre leurs avantages et inconvénients. Les équipes pédagogiques doivent être disposées à tester des outils numériques tout en évaluant continuellement leur impact sur l’apprentissage et la recherche.
Collaboration interdisciplinaire
Favoriser les synergies entre disciplines : La compréhension des impacts des technologies numériques nécessite une approche interdisciplinaire. La collaboration entre les disciplines, incluant l’éducation, la psychologie, l’informatique et l’éthique, peut enrichir le débat et permettre une meilleure intégration de ces outils dans les pratiques académiques.
Établir des communautés de pratique : Créer des espaces d’échange entre enseignants, chercheurs et spécialistes des technologies numériques peut faciliter le partage d’expériences et de bonnes pratiques. Ces communautés peuvent jouer un rôle clé dans la réflexion sur l’adoption équilibrée des orthèses et prothèses numériques.
Mocquet, B. (2023). Pli et dépli des numériques publics : du Sup’ à la Santé. Dans Plissement numérique du monde (Pour une réflexion post-anthropocène ?). Editions Ovadia. https://hal.science/hal-04176778
Wooldridge, M. (2021). A Brief History of Artificial Intelligence: What It Is, Where We Are, and Where We Are Going. Flatiron Books.
PS : Ce billet est en partie généré avec l’IA Générative en orthèse, c’est un premier jet qui mérite un travail complémentaire que nous ferons ultérieurement.
Préambule : Dans le cadre de recherche de Use case de l’IA générative, nous cherchons des cas de mise en œuvre dans le cadre de notre travail. Ici, il s’agit de rendre compte d’une pratique, une collecte d’information concernant les Pôles Universitaires d’Innovation (PUI) et de proposer les résultats en discussion.
Introduction
Les Pôles Universitaires d’Innovation (PUI) sont un dispositif stratégique mis en place pour renforcer l’efficacité des actions de soutien à l’innovation dans les établissements d’enseignement supérieur en France lancé par Sylvie Retailleau, ministre de l’Enseignement supérieur et de la Recherche en 2022, dont l’appel est organisé par l’Agence Nationale de la Recherche (Agence Nationale de la Recherche, 2022).
Comme les IDEFI, NCU et DEMOES, ces instruments de gestion jouent un rôle incitatifs de transformation par l’État sur les opérateurs de l’ESR, les établissements du supérieur (Mocquet, 2021). Il s’inscrit dans une politique plus large du gouvernement visant à renforcer la synergie entre la recherche académique et l’industrie, en particulier dans les secteurs à forte intensité technologique. Les PUI visent ainsi à faciliter la transformation des résultats de la recherche fondamentale en applications concrètes à travers des mécanismes de transfert de technologie, d’entrepreneuriat et de partenariat industriel (Ministère de l’Enseignement Supérieur, de la Recherche et de l’Innovation [MESRI], 2022).
Ce programme s’inscrit également dans l’ambition nationale d’accélérer la création de start-up deeptech, avec pour objectif d’atteindre 500 nouvelles start-up par an d’ici 2030. Pour atteindre cet objectif, les PUI poursuivent deux grandes finalités : d’une part, accroître l’efficacité des actions de soutien à l’innovation en stimulant les collaborations entre laboratoires de recherche et entreprises ; et d’autre part, augmenter et accélérer le flux de projets issus de la recherche universitaire tout en améliorant leur conversion en innovations, notamment via la création de start-up (MESRI, 2021).
Dans le cadre de ce contexte, cet article présente une première analyse des projets PUI à l’aide d’une Intelligence Artificielle (IA) générative, dans le but de structurer et de centraliser les informations relatives aux projets lauréats, notamment concernant les écoles d’ingénieur. Cette approche exploratoire vise à offrir une base de travail pour des analyses futures, tout en soulignant les limites et les besoins de validation des résultats générés.
Méthodologie
Utilisation d’une IA générative pour la collecte d’informations Pour faciliter la collecte et la structuration des données, nous avons utilisé l’IA générative OpenAI (2024). Cette IA a permis d’automatiser le traitement d’informations issues de diverses sources, en rassemblant des données sur les projets PUI financés, les chefs de file des projets (universités), les montants de financements alloués, ainsi que les collaborations avec des écoles d’ingénieurs.
Les prompts À partir des données brutes fournies (annexe ANR), nous avons structuré les informations dans un tableau organisé. Les différentes étapes et prompts que vous avez fournis sont présentés ci-dessous relatés par ChatGPT (OpenAI, 2024) :
Prompt initial : Vous m’avez partagé un ensemble de données sous forme brute et demandé de les structurer dans un tableau Excel : “Voici des données, peux tu en faire un tableau ‘Annexe Acronyme projet Chef de file Financement maximum alloué (k€) Lauréats de l’AAP PUI’.”
Ajout d’une colonne avec les écoles d’ingénieurs : Suite à cela, vous avez demandé d’ajouter une nouvelle colonne contenant les écoles d’ingénieurs associées aux universités chefs de file. Le prompt correspondant était : “Peux tu ajouter une autre colonne en citant les écoles d’ingénieurs des chefs de file, tu peux en mettre plusieurs par cellule dans cette nouvelle colonne.”
Ajout d’une colonne avec une description des projets PUI : Ensuite, vous avez souhaité inclure des descriptions pour chaque projet dans une nouvelle colonne, décrivant les PUI et leur rôle dans l’innovation universitaire :“Peux tu ajouter une colonne avec une description du projet financé, les PUI ?”
Ajout des sources pour chaque projet : Vous avez ensuite souhaité que je certifie les informations en ajoutant une colonne indiquant les sources associées à chaque entrée :“Peux tu ajouter une source dans une autre colonne pour certifier tes infos ?”
Ajout des point GPS pour chaque projet dans le but de générer une cartographie : Vous avez demandé l’ajout d’un point GPS : “Peux tu ajouter au tableau une colonne avec les points gps ?” Après la structuration des données et l’ajout des colonnes supplémentaires, vous avez demandé de générer un fichier Excel téléchargeable, avec toutes les informations incluses dans les colonnes : “Prépare moi un fichier excel stp.”
Ce fichier comportait :
Les projets Les universités chefs de file Les financements alloués Les écoles d’ingénieurs associées Une description des PUI Des sources validant les informations Ce processus vous a permis de disposer d’un tableau complet, consolidé, et prêt pour une analyse approfondie.
Toutefois, cette première étape reste exploratoire. Il est crucial de consolider les informations issues de l’IA avec des sources institutionnelles afin de garantir leur exactitude et leur fiabilité.
Structuration des données Les informations collectées ont été organisées dans un tableau comportant des colonnes pour les acronymes des projets, les chefs de file, les montants des financements, les écoles d’ingénieurs associées, et une brève description des projets. Cette structuration permet d’obtenir une vue d’ensemble cohérente des projets PUI financés, tout en offrant une perspective sur les partenariats académiques et industriels impliqués (Agence Nationale de la Recherche [ANR], 2023).
Vérifications préliminaires Après la génération automatique des données par l’IA, nous avons réalisé une vérification préliminaire pour identifier des incohérences. Certaines informations, comme les montants de financement ou les collaborations avec des écoles d’ingénieurs, nécessitent des validations supplémentaires à partir de sources directes (par exemple, les rapports annuels des universités ou les communiqués des agences de financement).
Résultats
Présentation des résultats générés par l’IA L’analyse automatisée a permis de recenser environ 30 projets PUI, répartis à travers la France, avec des financements variant entre 2 500 k€ et 11 000 k€. Ces projets ont pour objectif de stimuler l’innovation à l’échelle locale et nationale, en particulier dans les domaines deeptech.
EnseignTableau obtenu Ce tableau est ainsi généré et peut-être récupéré par ce lien
Acronyme projet
Chef de file
Financement maximum alloué (k€)
Écoles d’ingénieurs
Description du projet
Source
Point GPS
BLUEBOX
Université de Bretagne Occidentale
4000
ENSTA Bretagne, IMT Atlantique
Développer un écosystème d’innovation technologique, notamment autour des sciences marines.
Ministère de l’Enseignement Supérieur, PUI
48.3984, -4.5004
Campus InnoV
Université de Rennes
7000
INSA Rennes, ENS Rennes
Renforcer l’innovation régionale en lien avec les industries créatives et numériques.
Site officiel de l’Université de Rennes
48.1173, -1.6778
FITInnovE
Université Grenoble Alpes
10000
Grenoble INP, ENSIMAG, ENSE3
Accélérer l’innovation et la transition énergétique dans les industries de haute technologie.
Communiqué Université Grenoble Alpes
45.1885, 5.7245
Innovation Alliance
Université Paris-Saclay
11000
CentraleSupélec, Télécom Paris, ENS Paris-Saclay
Créer un réseau d’innovation autour de la recherche scientifique et des start-ups technologiques.
Université Paris-Saclay, rapport annuel
48.7100, 2.2116
IP3 (IP CUBE)
Institut Polytechnique de Paris
5700
École Polytechnique, ENSTA Paris, Télécom Paris
Promouvoir l’innovation multidisciplinaire dans les secteurs technologiques et numériques.
IP Paris, documentation officielle
48.7139, 2.2130
Le PUI de Montpellier
Université de Montpellier
6500
Polytech Montpellier, IMT Mines Alès
Renforcer l’innovation dans les sciences de la vie, la santé et l’environnement.
Université de Montpellier, site institutionnel
43.6119, 3.8772
LOIRE VALLEY INNOV
Université de Tours
4000
Polytech Tours, INSA Centre-Val de Loire
Favoriser l’innovation dans le secteur agroalimentaire et la santé numérique.
Région Centre-Val de Loire, programme PUI
47.3941, 0.6848
L-VoRTEKS
Université de Lille
4000
École Centrale de Lille, ENSAIT, IMT Lille-Douai
Développer un pôle d’innovation dédié aux technologies vertes et aux énergies renouvelables.
Soutenir l’innovation médicale et les technologies de la santé.
Communiqué Université Côte d’Azur
43.7102, 7.2620
OpenCampusInnov
La Rochelle Université
3000
EIGSI La Rochelle
Développer des solutions innovantes en lien avec la transition écologique et l’urbanisme.
Université de La Rochelle, rapport officiel
46.1603, -1.1515
P.U.I Normandie
Normandie Université
4000
INSA Rouen, ENSICAEN, ESIGELEC
Promouvoir l’innovation industrielle et numérique pour les PME locales.
Université Normandie, communiqué officiel
49.4432, 1.0993
POLARIS
Université de Lorraine
5700
Mines Nancy, ENSEM, ENSGSI
Soutenir l’innovation dans les matériaux avancés et l’industrie 4.0.
Université de Lorraine, document PUI
48.6921, 6.1844
Pôle PSL Innovation
Université PSL
11000
Mines ParisTech, Chimie ParisTech, ESPCI
Créer des passerelles entre recherche académique et innovation industrielle.
Université PSL, rapport annuel
48.8462, 2.3372
PREDICT
ComUE Angers-Le Mans
3000
École Supérieure d’Électronique de l’Ouest (ESEO)
Innover dans le domaine de la gestion des risques industriels et naturels.
Région Pays de la Loire, document PUI
47.4710, -0.5480
PUI ASU
Sorbonne Université
9000
Polytech Sorbonne, École Normale Supérieure (ENS)
Développer l’innovation scientifique en collaboration avec les grandes entreprises.
Sorbonne Université, documentation PUI
48.8462, 2.3372
PUI CAP I-TERR
Université Clermont Auvergne
4000
SIGMA Clermont, Polytech Clermont
Innover dans les secteurs de l’agriculture durable et des territoires intelligents.
Université Clermont Auvergne, programme PUI
45.7772, 3.0870
PUI Nantes Université
Université de Nantes
6200
Centrale Nantes, Polytech Nantes
Accélérer les innovations liées à l’industrie maritime et aux biotechnologies.
Université de Nantes, rapport officiel
47.2184, -1.5536
PUI Provence
Aix Marseille Université
6000
Polytech Marseille, École Centrale de Marseille
Promouvoir les innovations en matière de santé, environnement et énergie.
Aix Marseille Université, communiqué officiel
43.2965, 5.3698
PUI@Bordeaux
Université de Bordeaux
5800
ENSEIRB-MATMECA, Bordeaux INP, ENSCBP
Développer un pôle d’innovation en collaboration avec les secteurs de l’aéronautique et de la santé.
Université de Bordeaux, site institutionnel
44.8378, -0.5792
PUI-A
Université de Strasbourg
8500
INSA Strasbourg, ENGEES
Soutenir l’innovation dans les biotechnologies et les sciences chimiques.
Université de Strasbourg, document PUI
48.5839, 7.7455
Sud Aquitaine Innovation
Université de Pau et des Pays de l’Adour
5500
ENSGTI
Promouvoir l’innovation dans les secteurs de l’énergie et de l’environnement.
Université de Pau, rapport annuel
43.2951, -0.3708
Université Toulouse Innovation
Université de Toulouse
7500
INSA Toulouse, ENSEEIHT, ISAE-SUPAERO
Accélérer l’innovation technologique dans l’aéronautique et les systèmes embarqués.
Université de Toulouse, document officiel
43.6045, 1.4442
VALIOTECH
Université de La Réunion
3000
ESIROI
Développer des solutions innovantes en climatologie et gestion des ressources.
Université de La Réunion, programme PUI
-21.1151, 55.5364
Valo Cité
Université Paris Cité
6000
EPITA, ESME Sudria
Renforcer l’innovation urbaine et les technologies de la ville intelligente.
Université Paris Cité, communiqué PUI
48.8470, 2.3560
Cytransfer
CY Cergy Paris Université
2500
ESSEC Business School, EISTI
Faciliter le transfert de technologies vers les entreprises de la région.
CY Cergy Paris Université, rapport officiel
49.0369, 2.0734
IMPULSE
ComUE Université de Lyon
2500
École Centrale de Lyon, INSA Lyon, Mines Saint-Étienne
Soutenir les innovations technologiques et numériques dans l’industrie locale.
Université de Lyon, programme PUI
45.7580, 4.8414
InnoRem
Université de Reims Champagne-Ardenne
2500
Neoma Business School, ESIREIMS
Accélérer l’innovation dans le domaine agroalimentaire et les bioénergies.
Université de Reims, rapport officiel
49.2583, 4.0317
PUI-BFC
Université Bourgogne Franche-Comté
2500
UTBM, ISAT Nevers, ENSMM
Développer un pôle d’innovation dans les secteurs des matériaux avancés et de la mécatronique.
Université Bourgogne Franche-Comté, PUI
47.3220, 5.0415
Seville
ComUE Paris-Est
2500
ESIEE Paris, École des Ponts ParisTech
Promouvoir les innovations urbaines et les solutions de mobilité durable.
ComUE Paris-Est, documentation PUI
48.8357, 2.4389
Limites et incohérences relevées L’IA a permis de rassembler rapidement les données, mais certaines informations manquent de précisions ou de cohérence, notamment sur les objectifs détaillés des projets ou sur certaines collaborations avec des écoles d’ingénieurs. Cela met en lumière la nécessité de compléter et de valider ces résultats par des recherches supplémentaires auprès des institutions concernées.
Discussion
Pertinence de l’utilisation de l’IA dans la collecte initiale L’usage de l’IA générative pour une première exploration des projets financés par les PUI se révèle particulièrement intéressant pour sa rapidité et sa capacité à traiter un large volume de données textuelles. Cette méthode peut être vue comme un outil d’assistance dans le cadre d’un travail de synthèse initial, en particulier lorsque les données sont éparpillées et nécessitent une centralisation rapide. Cependant, des limites subsistent, notamment sur la précision et l’exactitude des informations collectées, ce qui appelle à une consolidation manuelle (ANR, 2023).
Importance de la consolidation des données Il est essentiel de procéder à une consolidation des informations générées par l’IA en les recoupant avec des sources officielles. Cela comprend la consultation des rapports institutionnels, des publications académiques, et des données émanant des universités et des écoles d’ingénieurs impliquées dans les projets PUI. En consolidant ces résultats, on pourra mieux évaluer l’impact des PUI sur l’écosystème de l’innovation en France, et en particulier sur la création de start-up deeptech.
Conclusion
Cette étude exploratoire, facilitée par une IA générative, met en lumière la diversité et l’ampleur des projets financés dans le cadre des PUI. Cependant, elle révèle également les limites inhérentes à l’utilisation d’une IA sans validation humaine. La consolidation des résultats est donc essentielle pour garantir la rigueur scientifique et l’exactitude des informations. À terme, cette méthodologie mixte, combinant IA et validation humaine, pourrait accélérer le traitement des données dans le cadre de nos travaux.