Zacharie Duputel, Sismologue, Chargé de recherche au CNRS, Observatoire Volcanologique du Piton de la Fournaise, Institut de physique du globe de Paris (IPGP)
Aline Peltier, Physicienne du globe (assimilée professeur des universités) spécialisée en géodésie et volcanologie, Institut de physique du globe de Paris (IPGP)
François Beauducel, Physicien du globe (assimilé professeur des universités) aux observatoires volcanologiques et sismologiques, Institut de physique du globe de Paris (IPGP)
Oryaëlle Chevrel, Chargée de Recherche en Volcanologie au Laboratoire Magmas et Volcans, Institut de recherche pour le développement (IRD); Université Clermont Auvergne (UCA); Centre national de la recherche scientifique (CNRS)
L’Observatoire volcanologique du piton de la Fournaise suit l’activité du volcan 24 heures sur 24, grâce à un réseau de plus de 100 instruments qui en détectent les moindres soubresauts afin de suivre et d’anticiper les éruptions.
Le piton de la Fournaise, situé sur l’île de La Réunion, est souvent présenté comme l’un des volcans les mieux surveillés au monde. Depuis 1979, l’Observatoire volcanologique du Piton de la Fournaise suit l’activité du volcan 24 heures sur 24 grâce à un réseau de plus de 100 instruments qui enregistrent les moindres soubresauts du volcan : séismes, déformations du sol et émissions de gaz.
Cette surveillance étroite, même si elle ne permet pas une prédiction au sens strict – à savoir prédire la date et l’heure exactes du début d’une éruption –, permet de reconnaître les phases de réactivation nous renseignant sur une augmentation de la probabilité d’une éruption.
Le piton de la Fournaise a connu 86 éruptions depuis la création, en 1979, de l’Observatoire volcanologique qui suit son activité. Toutes ont pu être anticipées grâce à différents signaux avant-coureurs, comme l’augmentation de sismicité, l’inflation du volcan ou l’augmentation des flux de CO₂ dans le sol, permettant à l’observatoire de donner l’alerte aux autorités.
L’éruption du 13 février 2026 en est un bon exemple : pendant plusieurs semaines, le volcan a montré des signaux de réactivation, d’abord discrets et profonds, puis de plus en plus superficiels et clairs. Leur analyse montre qu’une éruption peut souvent être anticipée, même si son déclenchement final peut être extrêmement rapide. Cette éruption a connu trois phases d’activité : du 13 février au 25 mars, du 28 mars au 2 avril, puis du 8 au 12 avril 2026. Au 13 avril, elle est à l’arrêt, mais une reprise reste possible.
Les instruments de l’observatoire ont enregistré les premiers signes de réveil à la mi-septembre 2025, avec de la sismicité profonde à environ 20 kilomètres de profondeur sous la région des Plaines (à 15 kilomètres au nord-ouest du sommet du volcan) qui a duré et augmenté jusqu’en novembre. Ces séismes sont le signe d’un mouvement de magma ou d’une montée en pression dans la partie profonde du système d’alimentation du volcan.
À partir du 22 novembre 2025, l’activité sismique est devenue plus superficielle et s’est rapprochée du sommet : d’abord entre 4 et 5 kilomètres de profondeur, puis entre 1 et 2,5 kilomètres, dans la zone du réservoir magmatique superficiel.
Fin novembre, l’inflation de l’édifice volcanique (c’est-à-dire le « gonflement » du volcan) confirmait la mise en pression du réservoir magmatique superficiel situé sous le sommet.
À ce stade, les signaux sismiques et géodésiques convergeaient et nous indiquaient clairement qu’une remontée de magma des profondeurs vers le système d’alimentation superficiel du volcan était en train de se produire. Nous avons donc alerté les autorités de cette situation, et le préfet de La Réunion a déclenché, le 28 novembre 2025, la phase de vigilance du plan Orsec « Piton de la Fournaise », le dispositif de gestion de crise en cas de menace éruptive. Ce niveau d’alerte signifie qu’une éruption est possible à moyen terme, c’est-à-dire dans les jours ou les semaines qui suivent. Les randonneurs sont ainsi informés qu’une éruption peut se produire, mais ils peuvent toujours accéder au sommet du piton de la Fournaise à condition de rester sur le sentier balisé.
Le réveil du volcan s’est manifesté par trois intrusions magmatiques (injections de magma qui n’atteignent pas la surface, ce sont en quelque sorte des éruptions avortées) – les 5 décembre 2025, 1er janvier 2026 et 6 et 7 février 2026 – ainsi que par une première éruption brève, sur le flanc nord du volcan, du 18 au 20 janvier 2026.
Chacun de ces épisodes a été précédé par une crise sismique, c’est-à-dire un essaim de séismes très rapprochés dans le temps et l’espace, pouvant atteindre plusieurs centaines d’événements par heure, ainsi que par des mouvements rapides du sol, liés à la remontée du magma depuis le réservoir magmatique superficiel situé à environ deux kilomètres sous le sommet.
Ces crises sismiques déclenchent des alarmes automatiques permettant d’avertir la personne d’astreinte de l’observatoire, et ainsi d’alerter rapidement les autorités, afin que le préfet puisse activer les niveaux correspondants du plan OrsecC : d’abord l’alerte 1, « éruption imminente », puis, lorsque l’éruption débute, l’alerte 2-1, « éruption en cours dans l’Enclos sans menace particulière », alerte 2-2, « éruption en cours dans l’Enclos avec menace pour les biens et l’environnement » ou alerte 2-3 « éruption en cours Hors Enclos avec menace pour les personnes, les biens et l’environnement ». L’Enclos étant une structure caldérique inhabitée où se sont produits 95 % des éruptions récentes.
Entre chacune de ces intrusions et éruptions, l’activité sismique et l’inflation de l’édifice ont perduré, traduisant la poursuite de la pressurisation du réservoir superficiel. Ces observations ont conduit, sous recommandation de l’observatoire, au maintien de la phase de Vigilance du plan Orsec de la part du préfet de La Réunion entre chacune de ces phases.
Des signaux précoces, mais un déclenchement parfois très rapide
Même si les éruptions du piton de la Fournaise sont toutes précédées par des crises sismiques, indiquant le début de la remontée finale du magma depuis le réservoir superficiel vers la surface, une éruption peut se mettre en place très rapidement.
Ainsi, contrairement à l’éruption de janvier 2026 dont la crise sismique avait duré 3,18 heures (soit 191 minutes), l’éruption du 13 février a débuté environ trente-cinq minutes seulement après le début de la crise sismique. Même si nous avons donné l’alerte rapidement aux autorités d’une probabilité forte de l’imminence d’une éruption, l’évacuation complète du volcan n’a pas pu être menée dans un délai si court. Certains randonneurs ont ainsi assisté au début de l’éruption au sommet avant d’être rapidement pris en charge par le peloton de gendarmerie de haute montagne. Les fissures étaient alors situées à 300 mètres du sentier autorisé.
Aujourd’hui, nous savons estimer la position approximative de l’injection magmatique au sein de l’édifice volcanique grâce à la localisation des séismes qu’elle provoque et aux sources de déformation. C’est ainsi qu’au cours de la crise sismique nous informons les autorités sur la zone où le magma se propage. En revanche, nous ne savons pas pour le moment prédire avec exactitude l’emplacement du futur site éruptif, ni l’heure précise du début de l’éruption, même si des avancées récentes permettent de prédire si une injection magmatique atteindra ou non la surface.
De nouveaux outils pour mieux anticiper les éruptions et la propagation des coulées de lave
Ainsi, de nouveaux outils d’analyse, notamment fondés sur l’apprentissage automatique, permettent aujourd’hui de mieux détecter la sismicité et d’analyser en temps réel des mesures fines de déformation. Et le Piton de la Fournaise, véritable volcan-laboratoire, permet de tester ces nouvelles méthodes.
Parmi ces avancées, nous avons développé et implémenté à l’observatoire la méthode Jerk. Cette méthode est basée sur la détection de très faibles mouvements du sol enregistrés à près de 8 km du volcan, associés à l’ouverture brutale des fractures lors d’une injection magmatique. Elle permet d’émettre des alertes automatiques, fondées sur un unique paramètre associé à une valeur seuil, indiquant la probabilité forte qu’une injection de magma aboutisse à une éruption.
Ainsi, cette méthode a permis de lancer une alarme en temps réel avant 92 % des 24 éruptions étudiées entre 2014 et 2023, parfois plusieurs heures avant l’arrivée du magma en surface. Le système Jerk a très bien fonctionné lors des éruptions de janvier et février 2026.
Lors d’une éruption, nous cherchons également à mieux anticiper les trajectoires des coulées de lave, en simulant les zones probables de recouvrement par les laves. Ces cartes, en complément des relevés de terrain réalisés grâce à des survols par des drones opérés par l’observatoire volcanologique, le service départemental d’incendie et de secours et la gendarmerie, ont été mises à jour et partagées avec les autorités tout au long de la gestion de crise, notamment pour définir les zones potentiellement impactées par les coulées de lave.
Ainsi, durant les 48 heures précédant la coupure de la route nationale RN2 (route qui relie le sud au nord de l’île sur la côte est) par les coulées de lave, nous avons suivi au plus près, sur le terrain et grâce aux caméras de l’observatoire, la position des résurgences de lave afin d’affiner ces simulations. Ces simulations ont également été précieuses pour définir à l’avance le point d’arrivée de la lave à l’océan, dont l’interaction avec l’eau de mer a généré un panache de gaz acide.
Retrouvez notre vidéo basée sur cet article
Le projet LAVA (ANR-16-CE39-0009) est soutenu par l’Agence nationale de la recherche (ANR), qui finance en France la recherche sur projets. L’ANR a pour mission de soutenir et de promouvoir le développement de recherches fondamentales et finalisées dans toutes les disciplines, et de renforcer le dialogue entre science et société. Pour en savoir plus, consultez le site de l’ANR.
Oryaëlle CHEVREL a reçu des financements de l'Institut de Recherche pour le Développement et Agence nationale de la recherche (projet LAVA ANR-16 CE39-0009).
Aline Peltier, François Beauducel et Zacharie Duputel ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur poste universitaire.
Isabelle Dupin, Professeure des universités, Université de Bordeaux
Modéliser le poumon humain est un défi majeur tant sa structure est complexe, mais en combinant différentes technologies, le résultat est prometteur et pourrait aider à travailler sur différentes maladies.
Texte intégral (1576 mots)
Les bronchioïdes peuvent aider à modéliser des pathologies pulmonaires et à chercher des pistes de traitement.CNordic Nordic/Unsplash, CC BY
Dans les années 2010, les biologistes ont appris à exploiter une propriété fascinante des cellules souches : leur capacité à s’auto-organiser. Placées dans les bonnes conditions, elles peuvent former spontanément des structures tridimensionnelles miniatures, que l’on appelle « organoïdes », qui reproduisent certains aspects structurels et fonctionnels d’un organe. Cette approche impacte profondément la recherche biomédicale. Mais, dans le cas du poumon, elle montre aujourd’hui ses limites et conduit à intégrer d’autres approches : pour progresser, il faut guider, voire contraindre, cette auto-organisation.
Modéliser le poumon humain reste un défi majeur. Sa structure en arbre, avec une vingtaine de divisions successives jusqu’aux alvéoles, ses propriétés mécaniques spécifiques liées aux mouvements respiratoires et, surtout, son exposition constante à l’air en font un organe à part. Pendant longtemps, les modèles animaux, notamment les rongeurs, ont servi de référence en recherche préclinique.
Mais ils présentent des différences importantes avec le poumon humain, notamment au niveau des voies respiratoires les plus petites, qui correspondent aux dix dernières divisions de l’arbre bronchique. Or ces zones sont justement atteintes très tôt dans certaines maladies comme la bronchopneumopathie chronique obstructive (BPCO). Cette maladie, principalement causée par le tabagisme, se caractérise par une obstruction progressive et permanente des bronches. Elle touche plus de trois millions de Français, et à ce jour, il n’existe pas de traitement pharmacologique pour guérir ces patients.
Dans le domaine de la santé respiratoire, les organoïdes ont apporté une alternative prometteuse. Ces modèles ont déjà fait leurs preuves. Dans la mucoviscidose, par exemple, des organoïdes dérivés de patients permettent de reproduire les défauts de sécrétion de fluides et de prédire l’efficacité de nouveaux traitements, une avancée majeure vers une médecine personnalisée.
Mais la promesse n’est pas totalement tenue : l’auto-organisation a ses limites. Les organoïdes bronchiques classiques ont une forme de sphères creuses, remplies d’eau et de mucus. Une géométrie bien éloignée de celle des bronches humaines, qui sont des tubes ramifiés. Plus problématique encore : leur architecture fermée rend difficile l’accès à leur intérieur. Stimuler ces modèles par des virus respiratoires, ou bien tester des médicaments inhalés, au cœur des traitements respiratoires, devient alors un défi technique.
Quand les cellules souches prennent forme
Plutôt que de s’en remettre uniquement aux capacités d’auto-organisation des cellules souches, nous avons décidé de guider leur organisation grâce à la bio-ingénierie. Notre pari : imposer une structure tubulaire aux cellules souches pour contraindre leur organisation spatiale, tout en préservant leur capacité à se différencier.
Concrètement, nous avons fabriqué, avec l’aide de nos collègues en biophysique, un moule tubulaire en hydrogel de très petite dimension (environ 0,5 millimètre de diamètre), dans lequel nous avons introduit les cellules souches, purifiées à partir de tissus pulmonaires humains.
Schéma de la fabrication d’un bronchioïde.Fourni par l'auteur
Les cellules ne se contentent pas de survivre dans cette structure : elles recréent progressivement un épithélium respiratoire fonctionnel, en présence d’un milieu de culture riche en facteurs de croissance. En quelques semaines apparaissent les cellules fonctionnelles de la bronche, les cellules ciliées et des cellules sécrétrices de mucus, le long de la paroi interne du tube. Les cils des cellules ciliées battent bien à la fréquence attendue, soit 15 battements par seconde ! Ces battements sont essentiels pour mettre en mouvement le mucus et assurer la défense de nos bronches face aux agressions de l’environnement.
Surtout, cette architecture ouverte change tout. Pour la première fois, il devient possible de perfuser ces structures et d’y faire circuler de l’air. Il est également possible de les infecter avec des virus respiratoires et d’observer la dynamique de l’infection.
Modéliser la maladie
L’intérêt de notre modèle, que nous avons appelé « bronchioïde », se révèle également lorsqu’on utilise des cellules issues de patients. En recréant des bronchioïdes à partir de cellules de patients atteints de BPCO, nous observons des altérations caractéristiques de la maladie : des battements ciliaires perturbés et une apparition excessive et précoce des cellules sécrétrices de mucus. Autrement dit, le modèle ne reproduit pas seulement des bronches saines, il peut aussi simuler des anomalies pathologiques.
Cette capacité ouvre des perspectives concrètes : mieux comprendre les mécanismes précoces des maladies respiratoires, telles que l’asthme ou la BPCO, tester des traitements dans des conditions plus réalistes et, à terme, adapter les thérapies à chaque patient.
Faut-il parler de « mini-bronches » en laboratoire ? On en est encore loin. Ces modèles restent incomplets. Ils ne contiennent pas, à ce stade, toute la diversité cellulaire du poumon, notamment les cellules de soutien, essentielles au fonctionnement de l’organe. Ils ne reproduisent pas non plus la complexité de l’arbre bronchique, avec son intégration dans les systèmes vasculaire, immunitaire et nerveux. Enfin, les aspects mécaniques dynamiques de la respiration sont généralement absents des modèles organoïdes.
Mais la combinaison de l’auto-organisation et des contraintes physiques imposées par la bio-ingénierie est prometteuse. Les possibilités offertes par cette discipline sont quasiment infinies.
Une équipe grenobloise a récemment réussi à intégrer des organoïdes dans des dispositifs microfluidiques, qui sont des supports contenant des canaux très fins. Ceci a permis de vasculariser les organoïdes, une avancée majeure pour apporter suffisamment d’oxygène et de nutriments à ces structures tridimensionnelles. Une équipe suisse a, quant à elle, reproduit un réseau d’alvéoles grâce à une membrane biologique souple et étirable, qui imite les mouvements de respiration.
Avec l’espoir un peu fou de pouvoir développer grâce à ces outils une médecine plus prédictive et mieux adaptée aux patients !
Isabelle Dupin a reçu des financements de l'Agence Nationale de la Recherche (ANR), de la Région Nouvelle Aquitaine et de l'European Research Concil (ERC, project KINTSUGI, 101170266). Les points de vue et opinions exprimés sont toutefois uniquement ceux de l’autrice et ne reflètent pas nécessairement ceux de l’Union européenne ni de l'European Research Concil. Ni l’Union européenne ni l’autorité de financement ne peuvent en être tenues responsables.
Sabrine Mallek, Professeure Associée en Transformation Digitale, ICN Business School
La polyvalence des modèles de fondation les transforme en une nouvelle « infrastructure » numérique, au même titre que le cloud ou Internet. Au lieu de reconstruire un modèle d’IA spécifique à chaque projet, on peut se brancher directement sur des briques généralistes existantes.
Texte intégral (2606 mots)
La polyvalence des modèles de fondation les transforme en une nouvelle « infrastructure » numérique, au même titre que le cloud ou Internet. Au lieu de reconstruire un modèle d’IA spécifique à chaque projet, on peut se brancher directement sur des briques généralistes existantes. C’est un des secrets qui permet de développer des applications si sophistiquées et qui restent accessibles aux non-spécialistes.
Les systèmes d’apprentissage automatique ne se limitent plus à des outils conçus pour une seule tâche, comme la traduction ou la recommandation de produits. Une transformation majeure tient à l’émergence des foundation models, ou modèles de fondation : de très grands modèles entraînés sur des volumes massifs de données pour acquérir des connaissances générales, réutilisables dans de nombreux contextes.
Dans les organisations, ils agissent comme un accélérateur potentiel de transformation, mais leurs effets sur le terrain obligent, pour l’instant, à nuancer les promesses spectaculaires. Comment fonctionnent-ils ? Comment sont-ils régulés et quels sont les obstacles à une adoption qui porte ses fruits ?
Comment fonctionnent les modèles de fondation ?
Les modèles de fondation reposent sur un principe simple : apprendre des structures générales à partir de très grandes quantités de données hétérogènes – textes, images, codes, sons, vidéos, bases de données ouvertes et contenus sous licence, ou une combinaison de ces types de données.
L’objectif de l’entraînement initial est de permettre au modèle d’identifier des régularités statistiques dans les données et de construire des représentations générales du langage, des images ou d’autres formes d’information. Sur le plan technique, ces systèmes utilisent le plus souvent des architectures de réseaux de neurones profonds. Durant la phase d’entraînement, le modèle apprend à prédire une partie manquante de l’information, par exemple le mot suivant dans une phrase ou une portion d’image, en ajustant progressivement des milliards de paramètres. Ce processus d’apprentissage, appelé pré-entraînement, nécessite des ressources de calcul considérables et constitue la base du caractère « généraliste » de ces modèles.
Une fois pré-entraîné, le modèle de fondation peut être adapté à des usages spécifiques, allant de l’analyse de sentiment ou la réponse à des questions jusqu’à des tâches plus techniques, comme l’assistance au diagnostic médical.
Cette adaptation peut se faire grâce à un ajustement supplémentaire appelé fine-tuning, par exemple en nourrissant un modèle généraliste d’imagerie médicale avec des radiographies spécifiques à une maladie permettant à l’outil d’apprendre à prédire l’évolution d’une pathologie précise.
Elle peut aussi passer par l’apprentissage avec retour humain (reinforcement learning with human feedback), qui consiste à faire évaluer plusieurs réponses par des humains pour inciter le modèle à privilégier des formulations claires et sécurisées plutôt que de simples suites de mots statistiques.
Enfin, cette adaptation peut s’opérer simplement par prompting, en guidant le modèle par des instructions textuelles du type : « Résume ce document en trois points. »
C’est cette capacité à être réutilisés dans de nombreux contextes qui explique pourquoi ces systèmes sont qualifiés de « modèles de fondation » : ils servent de base technologique à une large gamme d’applications. Par exemple, GPT-4 ou GPT-5 servent déjà de socle opérationnel à de nombreuses applications, à l’image de ChatGPT, tout en conservant un potentiel d’extension encore largement ouvert.
Les modèles de fondation servent de base technologique à une large gamme d’applications. Cette infographie décrit l’entraînement puis les applications spécifiques issues de modèles de fondation.Sabrine Mallek, Fourni par l'auteur
Comprendre l’écosystème : comment modèles de fondation, LLM et IA générative s’articulent-ils ?
Concrètement, les modèles de fondation ne sont pas une application en soi, mais une infrastructure de base. Ils marquent une évolution récente de l’intelligence artificielle (IA), rendue possible par la combinaison de trois facteurs : l’explosion des données, les progrès des capacités de calcul et l’apparition de nouvelles architectures d’apprentissage.
Un tournant majeur intervient en 2017 avec l’architecture des transformers. Cette innovation permet de mieux capter les relations dans les données (notamment le langage), et devient la base de modèles comme BERT ou GPT. Lorsqu’un modèle de fondation (une expression née officiellement en 2021) est spécialisé dans le traitement du langage, on parle alors de grand modèle de langage (LLM). Et c’est sur cette base que se développent aujourd’hui les usages les plus visibles : ceux de l’IA générative, capable de produire du texte, des images, des vidéos, du son ou du code – qui est devenue grand public et commercialement viable avec le lancement de ChatGPT, fin 2022, marquant le passage de l’infrastructure à l’usage de masse.
Le rapport entre ces modèles de fondation et l’IA générative peut être comparé à celui d’un « moteur » par rapport à sa « fonction ». Le modèle de fondation est ce moteur puissant, pré-entraîné sur des données colossales et conçu pour être adaptable à une multitude de tâches. L’IA générative, quant à elle, est la fonction d’application finale : c’est la capacité de ce moteur à produire un contenu inédit.
Concrètement, si l’on prend un modèle de fondation comme GPT-4 (le moteur), on peut l’utiliser pour analyser des milliers d’avis clients (une tâche purement analytique). Mais lorsqu’on lui demande de rédiger un e-mail, on active alors sa fonction d’IA générative. De la même manière, dans le domaine visuel, un modèle de fondation entraîné sur des millions d’images peut servir de moteur aussi bien pour détecter une anomalie sur une radiographie médicale (classification) que pour dessiner un paysage imaginaire à partir d’une simple phrase (IA générative).
Imbrication entre infrastructure technique, spécialisation linguistique (LLM) et fonction de génération. La génération est une fonction parmi d’autres (c’est une application pratique des modèles de fondation lorsqu’on leur demande de générer du contenu).Sabrine Mallek, Fourni par l'auteur
Promesses d’efficience et réalités de terrain
Cette polyvalence signifie que les modèles de fondation tendent à devenir une nouvelle « infrastructure » numérique, au même titre que le cloud ou Internet : au lieu de reconstruire un modèle d’IA spécifique propre à chaque projet, les acteurs économiques se branchent directement sur ces briques généralistes existantes.
Dans les organisations, ils agissent comme un accélérateur potentiel de transformation, mais leurs effets sur le terrain obligent à nuancer les promesses de gains de productivité spectaculaires. Beaucoup d’entreprises peinent encore à dégager un retour sur investissement évident pour l’automatisation administrative, constatant souvent que les modèles de fondation ne réduisent pas la charge de travail, mais l’intensifie : les employés doivent désormais consacrer davantage d’énergie à vérifier et à corriger les résultats.
Par ailleurs, l’assistance aux experts (aide au code, à la décision) se heurte à une « frontière technologique en dents de scie » : face à une tâche donnée, le modèle peut exceller, mais s’avérer contre-productif s’il est utilisé aveuglément en dehors de sa zone de compétence.
En Europe, les enjeux se sont cristallisés dans les discussions autour de l’AI Act, qui introduit une catégorie spécifique pour les « systèmes d’IA à usage général », dont les modèles de fondation sont l’exemple emblématique. L’idée est de ne plus réguler uniquement les cas d’usage finaux, mais aussi ces briques génériques qui irriguent tout l’écosystème.
La Commission nationale de l’informatique et des libertés (Cnil) s’est également saisie de ces enjeux à travers un plan d’action consacré à l’intelligence artificielle, visant à accompagner l’innovation tout en garantissant la protection des droits fondamentaux. Elle met notamment l’accent sur la protection des données utilisées pour entraîner les modèles, la transparence des systèmes ainsi que le développement d’IA respectueuses de la vie privée.
Dans ce contexte, l’entraînement de ces modèles soulève aussi des défis importants au regard du règlement général sur la protection des données (RGPD), notamment concernant l’origine des données utilisées, la possibilité pour les individus d’exercer leurs droits sur leurs données et la capacité technique des systèmes à supprimer ou de ne plus exploiter certaines informations après leur intégration dans l’apprentissage. Pour les entreprises, cela signifie que ces technologies doivent être intégrées dans des démarches structurées de conformité, de documentation et de gestion des risques.
La question devient donc : dans quelles conditions utiliser les modèles de fondation ? Cela implique une gouvernance claire entre fournisseurs, intégrateurs et utilisateurs, des exigences de transparence et de documentation, l’anticipation des impacts sur l’emploi à travers la formation et la reconversion ainsi qu’une articulation avec les politiques de responsabilité sociétale des entreprises (RSE), afin d’évaluer leurs effets sociaux, organisationnels et environnementaux.
Sabrine Mallek ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.
