L’ESSENTIEL

• L’Union européenne vise une réduction d’au moins 55 % des émissions nettes de gaz à effet de serre d’ici à 2030 par rapport à 1990.

• Mais qui croit vraiment que la cible sera atteinte ? Ni les citoyens, ni les experts, ni même les responsables politiques qui l’ont inscrite dans la loi.

• Ce décalage en dit long et a des effets très concrets.

Aux yeux de la plupart des Européens, l’objectif climatique fixé pour 2030 dans la loi européenne sur le climat ne sera pas atteint : c’est le constat, sans détour, de notre enquête publiée dans la revue Environmental Research Letters et menée auprès de plus de 2 600 citoyens issus de 12 États membres et de 76 responsables politiques et scientifiques spécialistes du climat.

L’objectif n’a pourtant rien d’anecdotique : réduire les émissions nettes de gaz à effet de serre d’au moins 55 % d’ici à 2030 par rapport à 1990 est juridiquement contraignant, et se trouve au cœur du paquet « Ajustement à l’objectif 55 » (Fit-for-55) et de la loi européenne sur le climat. Sa faisabilité technique, économique et politique a été abondamment étudiée. Pourtant, un ingrédient reste dans l’ombre : ceux qui doivent soutenir, mettre en œuvre et vivre avec les conséquences de ces politiques y croient-ils vraiment ?

La question n’est pas anodine, car les croyances façonnent les comportements, le soutien aux politiques publiques et, à terme, leur pérennité.

Plutôt que de demander aux répondants s’ils étaient « d’accord » ou « pas d’accord », nous leur avons proposé d’estimer, sous forme de probabilités, l’ampleur de la baisse des émissions qu’ils anticipent pour 2030 : chacun répartissait 100 « chances » entre quatre scénarios, du plus sombre (aucun progrès au-delà du niveau de 2022) au plus ambitieux (la cible de 55 % atteinte ou dépassée).

Un répondant convaincu que rien ne bougera placera ainsi ses 100 chances sur le scénario le plus pessimiste ; un autre, plus incertain, les répartira entre plusieurs scénarios.

À lire aussi : Et si le « backlash écologique » en Europe était une conséquence de l’accord de Paris ?

Des progrès attendus

Premier enseignement : les trois groupes s’accordent sur l’essentiel. Tous anticipent une baisse substantielle des émissions d’ici à 2030, mais aucun ne s’attend à ce que la cible de 55 % soit pleinement atteinte. En moyenne, les citoyens anticipent une réduction de 43 %, les experts de 46 % et les décideurs de 50 %. Autrement dit, même les acteurs les plus optimistes voient l’Union manquer son objectif de cinq points de pourcentage.

Ces chiffres traduisent une crédibilité partielle : l’objectif n’est pas jugé fantaisiste, mais il n’est pas perçu comme pleinement atteignable. Vu sous l’angle du chemin qu’il reste à parcourir, l’écart est plus frappant encore. Les citoyens estiment que l’UE n’accomplira qu’environ 44 % de la distance qui la sépare encore du but de 55 %, contre 60 % selon les experts et 77 % selon les décideurs. Même les mieux informés doutent d’ailleurs d’un plein succès : les experts n’accordent que 14 % de chances à l’atteinte de la cible, les décideurs 29 %.

Mais la différence la plus nette entre les groupes ne tient pas tant au niveau attendu qu’au degré de certitude. Les citoyens ne sont pas seulement un peu plus prudents que les élites : ils sont aussi, et surtout, beaucoup plus incertains. Plus que les experts ou les décideurs, ils hésitent entre les scénarios possibles, répartissant largement leurs chances plutôt que de trancher.

Ce doute diffus est une information en soi. Il révèle une part importante des citoyens encore indécis, ni convaincus ni résignés.

Des élites mal informées sur l’opinion publique

Ces décalages posent une question cruciale : ceux qui conçoivent et défendent les politiques climatiques perçoivent-ils correctement ce que pense la population ? Nous avons donc demandé aux experts et aux décideurs d’estimer, à leur tour, les réponses des citoyens.

S’ils ressentent bien que le public est plus pessimiste qu’eux, ils sous-estiment systématiquement ce pessimisme. Ils imaginent que les citoyens anticipent en moyenne une baisse de 45 %, quand l’estimation observée est de 43 %. Surtout, ils sous-évaluent nettement la proportion de citoyens qui redoutent une quasi-absence de progrès (16 % contre 29 % en réalité).

Ce phénomène est bien connu des psychologues sous le nom de « biais égocentrique » : nous surestimons à quel point les autres partagent nos vues. Chez les élites climatiques, ce biais produit une image de l’opinion trop optimiste et trop confiante. Or, on ne répond pas efficacement à des inquiétudes dont on ne mesure pas l’ampleur.

À lire aussi : Pourquoi la transition écologique est-elle si difficile à gouverner ?

Entre les pays, des perceptions homogènes

On aurait pu s’attendre à de forts contrastes nationaux. Il n’en est rien. Les anticipations sont remarquablement homogènes d’un bout à l’autre de l’Union : partout, les citoyens attendent des progrès réels mais insuffisants, et partout l’incertitude est élevée. La France fait à peine exception, avec une confiance légèrement supérieure. Cette uniformité est frappante : sur la plupart des autres sujets climatiques, les pays européens sont pourtant loin de partager les mêmes vues.

Qu’est-ce qui rend alors un citoyen plus ou moins optimiste ? Étonnamment, ce ne sont pas les caractéristiques attendues – âge, revenu, genre, orientation politique – qui font la différence. Ce qui prédit l’optimisme, c’est bien plutôt la confiance envers le Parlement européen et la préoccupation pour le climat. L’incertitude, elle, est plus marquée chez les plus jeunes et chez les moins diplômés.

Ces croyances peuvent avoir des conséquences concrètes : plus un citoyen est optimiste quant à l’atteinte des objectifs, plus il soutient les politiques du paquet Fit-for-55. Scepticisme et retrait du soutien vont de pair.

Le poids des croyances

Ces résultats dépassent et complètent le simple sondage d’opinion. Les croyances sur l’avenir du climat ne portent pas sur des phénomènes naturels mais sur des décisions politiques, sur leur mise en œuvre et sur les réactions de la société. En ce sens, elles peuvent s’autoréaliser en partie. Un public convaincu qu’un objectif est hors d’atteinte est un public moins enclin à le soutenir, et un objectif moins soutenu devient effectivement plus difficile à tenir.

Le pessimisme des citoyens n’a rien d’irrationnel : il est même lucide. Selon l’Agence européenne pour l’environnement, les émissions nettes de l’UE ont déjà reculé d’environ 37 % en 2024 par rapport à 1990 (contre 32,5 % en 2022), et les projections à politiques inchangées ne dépassent pas 47 % en 2030, de quoi douter, à juste titre, d’un plein succès. Mais avec les mesures déjà planifiées, elles atteindraient 54 %, à un point de pourcentage de la cible : celle-ci reste donc à portée, pourvu que ces mesures soient effectivement mises en œuvre.

Le véritable enjeu est celui de la communication et de la confiance. Lorsque les responsables sous-estiment le scepticisme du public, ils manquent l’occasion de répondre à ses inquiétudes réelles sur la crédibilité et la faisabilité des politiques et risquent d’alimenter involontairement le doute. L’histoire récente, des gilets jaunes aux résistances contre certaines mesures écologiques, rappelle qu’une politique climatique perçue comme irréaliste ou injuste peut vite perdre son assise sociale.

Alors que l’Union se dote d’un nouvel objectif climatique pour 2040 et vise la neutralité carbone d’ici 2050, l’enseignement est clair. Citoyens, experts et décideurs partagent déjà l’essentiel : la conviction que l’Europe est sur la bonne trajectoire. Il est nécessaire de prendre leurs croyances au sérieux, et de les traiter comme des signaux à la fois de soutien et d’inquiétude. C’est l’une des conditions pour renforcer la crédibilité et la durabilité des engagements climatiques européens, et pour que l’ambition affichée se traduise par des réductions effectives des émissions.

Loïc Berger a bénéficié de financements de la part du programme de recherche et d’innovation Horizon Europe de l’Union européenne (convention n° 101056891 CAPABLE) et de l’Initiative d’Excellence de l’Université de Lille (projet R-CDP-24-006-DePERU).

Thibault Richard a bénéficié de financements de la part du programme de recherche et d’innovation Horizon Europe de l’Union européenne (convention n° 101056891 CAPABLE).

Thomas F. Epper a bénéficié de financements de la part du programme de recherche et d’innovation Horizon Europe de l’Union européenne (convention n° 101056891 CAPABLE) et de l’Initiative d’Excellence de l’Université de Lille (projet R-CDP-24-006-DePERU).

Uyanga Turmunkh a reçu des financements de la part du programme de recherche et d’innovation Horizon Europe de l’Union européenne (convention n° 101056891 CAPABLE) et de l’Agence Nationale de la Recherche (subvention ANR-21-CE03-0018, projet ENDURA).

L’ESSENTIEL

• Apprendre les correspondances entre les lettres et les sons, c’est le meilleur point de départ vers la lecture.

• Si la recherche valide cette méthode phonique, comment la mettre en œuvre efficacement dans les classes ?

• Alors que le niveau des élèves se dégrade, des études ouvrent des pistes pour améliorer l’enseignement de la lecture

Le débat sur les méthodes d’enseignement de la lecture est vif depuis plus d’un demi-siècle. Il a été nourri par une accumulation sans précédent de données et d’analyses, qui ont donné naissance à un champ de recherche spécifique : la science de la lecture.

Ces recherches ont produit des résultats très solides, sans pour autant avoir conduit à une amélioration sensible de l’efficacité de l’enseignement dans de nombreux pays… dont la France. À l’entrée au CE1, plus d’un élève sur deux n’atteint pas le niveau de lecture attendu, et plus d’un sur cinq rencontre déjà des difficultés importantes.

Que peut-on dire aujourd’hui des différences d’efficacité entre les méthodes d’enseignement de la lecture ? Et peut-on dégager des voies susceptibles d’améliorer la situation ?

Des études récentes, appuyées sur les données des évaluations nationales exhaustives conduites par la direction de l’évaluation, de la prospective et de la performance (DEPP) du ministère de l’éducation nationale, permettent d’apporter des réponses précises à ces deux questions, alors que les résultats de l’enquête internationale PISA rappellent les difficultés persistantes des jeunes Français en lecture.

Méthodes d’enseignement : ce que l’on sait de leur efficacité

Le débat scientifique sur les méthodes d’enseignement de la lecture émerge dans plusieurs pays à partir des années 1960. La question posée est alors la suivante : faut-il faire entrer les élèves dans la lecture par l’enseignement des correspondances entre les lettres et les sons, selon une approche dite « phonique », ou commencer par faire mémoriser et reconnaître visuellement des mots entiers, selon une approche désignée en France sous le nom de « méthode globale » ou « idéovisuelle » ?

Les résultats des recherches conduites depuis un demi-siècle sont sans équivoque : les méthodes phoniques sont plus efficaces que les méthodes à départ global. Ce constat constitue aujourd’hui l’un des résultats les plus solidement établis par la science de la lecture.

Pour apprendre à lire dans un système alphabétique, les élèves doivent bénéficier d’un enseignement systématique du code qui relie les graphèmes, lettres ou groupes de lettres, aux phonèmes, les plus petites unités sonores de la langue. L’automatisation progressive du décodage leur permet ensuite d’identifier seuls des mots nouveaux, de reconnaître de plus en plus rapidement les mots écrits et d’accéder à la compréhension des textes.

À lire aussi : Apprendre à lire : quels défis cela représente-t-il pour les élèves de primaire ?

La question porte désormais sur la manière de mettre en œuvre cette approche phonique. Faut-il, pendant les premiers mois d’apprentissage, s’en tenir strictement à l’apprentissage du décodage et ne proposer aux élèves que des textes entièrement décodables construits à partir des correspondances entre lettres et sons déjà étudiées ? Ou peut-on y associer d’emblée la mémorisation visuelle de mots non décodables et l’identification de mots à partir du contexte ou des illustrations ? La première approche sera qualifiée de « phonique stricte », la seconde de « phonique mixte ».

Cette distinction est particulièrement importante dans le cas français. La méthode globale au sens strict a pratiquement disparu des classes depuis longtemps, mais les approches mixtes restent très présentes. Elles ont profondément marqué la formation des enseignants et continuent d’occuper une place centrale dans la culture professionnelle.

Jusqu’à une période récente, nous ne disposions toutefois que de peu de données permettant de mesurer rigoureusement leur diffusion et de comparer leurs effets à ceux d’un enseignement phonique strict. Une vaste enquête statistique, réalisée en 2021, permet désormais d’apporter des éléments de réponse solides à ces deux questions.

Décodage et mémorisation visuelle : sur le terrain, la prédominance des approches mixtes

L’enquête Formalect repose sur un dispositif inédit par son ampleur. Ses principaux résultats ont été présentés dans une note du Conseil scientifique de l’éducation nationale et sont à paraître prochainement dans la revue internationale Learning and Instruction. Au total, 9 340 enseignants de CP, soit près d’un enseignant sur cinq en France, ont répondu à un questionnaire détaillé sur leurs pratiques d’enseignement de la lecture durant les premiers mois de l’année. Leurs réponses ont été appariées, de façon entièrement anonymisée, aux résultats obtenus aux évaluations nationales par leurs 139 288 élèves. La production régulière de données exhaustives sur les acquis des élèves rend ainsi possible en France l’étude à très grande échelle des effets des pratiques d’enseignement.

L’enquête permet d’abord de mesurer la diffusion des différentes méthodes. Les manuels phoniques stricts ne sont utilisés que dans 5 % des classes équipées d’un manuel. Dans les 95 % restants, les manuels associent, à des degrés divers, l’apprentissage du décodage à la mémorisation visuelle de mots non décodables.

Les pratiques déclarées par les enseignants confirment la prédominance de cette approche mixte : l’enseignement des correspondances entre lettres et sons est très largement présent, mais plus de neuf enseignants sur dix déclarent parallèlement faire mémoriser globalement des mots entiers dès le début de l’année ou faire lire des textes qui ne sont pas entièrement décodables. L’approche mixte reste donc très largement dominante dans les classes au début des années 2020.

L’enquête permet également de comparer l’efficacité de ces méthodes. À niveau initial des élèves, recrutement social des écoles et expérience des enseignants comparables, les élèves bénéficiant d’un enseignement phonique strict obtiennent de meilleurs résultats que ceux qui apprennent avec les différentes variantes de la méthode mixte. Cet avantage concerne aussi bien la vitesse de lecture des mots (la « fluence ») que la compréhension des textes écrits. Il apparaît dès janvier de l’année de CP et demeure visible au début de l’année de CE1.

L’écart entre les méthodes n’est cependant pas identique pour tous les élèves. Il est plus important pour les élèves dont les compétences sont les plus faibles à l’entrée au CP et pour ceux qui sont scolarisés dans des écoles au recrutement social populaire.

Pour les élèves qui cumulent ces deux caractéristiques, les modèles estiment une vitesse moyenne de lecture de 12 mots par minute en janvier de l’année de CP avec une méthode mixte, contre 18 avec une méthode phonique stricte, alors que la DEPP fixe à 14 mots par minute le seuil en dessous duquel les élèves sont considérés comme fragiles à cette période de l’année. Les élèves les plus fragiles en début d’année sont donc aussi ceux dont les apprentissages dépendent le plus étroitement de la méthode mise en œuvre en classe.

Transformer les pratiques d’enseignement

Ces résultats livrent une autre indication essentielle : les pratiques ne varient pas seulement d’une classe à l’autre, elles présentent aussi de fortes variations territoriales.

Au moment de l’enquête Formalect, l’usage d’une méthode phonique stricte, très minoritaire en moyenne, est fortement concentré dans certaines circonscriptions scolaires. Dans 304 des 369 circonscriptions étudiées, aucun enseignant ne déclare utiliser une telle méthode. Sa diffusion reste inférieure à 10 % dans 47 autres circonscriptions et ne dépasse ce seuil que dans 18 d’entre elles. De tels écarts suggèrent que l’encadrement pédagogique de proximité joue un rôle décisif dans la diffusion des méthodes d’enseignement de la lecture.

Cette hypothèse est actuellement mise à l’épreuve dans le cadre d’une expérimentation conduite dans l’académie d’Aix-Marseille. Celle-ci vise à déterminer si un dispositif associant un accompagnement pédagogique de proximité et l’usage d’un manuel phonique strict peut modifier les pratiques des enseignants et améliorer les résultats de leurs élèves.

Deux conseillers pédagogiques de circonscription (CPC), expérimentés dans l’accompagnement de l’enseignement de la lecture, ont été mobilisés. Ils travaillent depuis plusieurs années avec le même manuel phonique strict et son guide pédagogique. Parmi les 47 enseignants volontaires, la moitié a été affectée par tirage au sort au groupe traité. Pendant l’année 2025-2026, ces enseignants ont été accompagnés par les deux CPC et l’équipe de recherche, dans le seul cadre des 18 heures annuelles de formation obligatoire. L’autre moitié constitue le groupe témoin et bénéficiera du même accompagnement en 2026-2027.

Les enseignants accompagnés ont effectivement modifié leurs pratiques en adoptant une méthode phonique stricte. Les effets mesurés sur les résultats des élèves sont importants. Quatre mois après la rentrée, la proportion d’élèves considérés comme fragiles aux évaluations nationales de janvier est presque divisée par deux dans le groupe traité (25 %, contre 45 % dans le groupe témoin). En fin d’année, l’élève médian lit 34 mots par minute dans le groupe traité, contre 25 dans le groupe témoin. Surtout, le bas de la distribution des résultats est nettement relevé : trois élèves sur quatre lisent au moins 19 mots par minute dans le groupe traité, contre seulement 12 mots par minute dans le groupe témoin.

Ces premiers résultats indiquent qu’un accompagnement assuré par des conseillers pédagogiques maîtrisant les enjeux de l’enseignement de la lecture, associé à un manuel de qualité, peut transformer sensiblement les pratiques et améliorer les apprentissages, tout particulièrement pour les élèves les plus fragiles.

Les nouveaux programmes insistent désormais sur la mise en œuvre d’une approche phonique plus stricte pendant les premiers mois d’apprentissage. Cette orientation constitue une première étape, mais elle ne suffira pas à elle seule. Le passage à grande échelle suppose également d’agir sur la qualité des manuels et sur la formation de l’encadrement pédagogique de proximité.

Jérôme Deauvieau interviendra sur cette thématique durant la Nuit des données de l’ENS, festival de sciences et lettres de l’École normale supérieure, le vendredi 25 septembre 2026.

Les auteurs 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 organisme de recherche.

L’ESSENTIEL

• Une étude souligne que les consommateurs discriminés sont plus enclins à se tourner vers des recommandations basées sur l’IA plutôt que vers des conseils humains.

• La peur d’être jugé ou de vivre un sentiment de gêne peut conduire à utiliser l’IA.

• Si les systèmes d’IA sont eux-mêmes biaisés, ils risquent d’amplifier la discrimination à laquelle les consommateurs tentaient d’échapper.

Que préparer pour le dîner avec un budget de 20 euros et un invité intolérant au gluten ? Un consommateur peut demander conseil à un employé de magasin ou interroger, par exemple, Hopla, l’assistant d’achat basé sur l’intelligence artificielle lancé par Carrefour. Derrière ce choix très quotidien se pose une question plus large : face à une recommandation, faisons-nous davantage confiance à un être humain ou à une IA ?

Des travaux récents – sur les processus de décision, l’impact des erreurs, etc. – ont mis en évidence une tendance claire et bien établie : les individus ont tendance à préférer les êtres humains. Ce phénomène, connu sous le nom d’« aversion pour les algorithmes », a été largement documenté, même lorsque les algorithmes affichent objectivement de meilleures performances.

Cependant, cette préférence n’est pas universelle. Nos recherches soulignent qu’elle peut s’inverser dans un contexte répandu : la discrimination sur les plateformes et marchés, c’est-à-dire lors d’un acte de consommation d’un produit ou d’un service. Plus précisément, les consommateurs victimes de discrimination – en particulier dans des lieux publics – sont nettement plus enclins à se tourner vers des recommandations basées sur l’IA plutôt que vers des conseils humains.

Le mécanisme émotionnel à l’origine de ce changement ? La gêne. Lorsque les personnes se sentent jugées socialement ou traitées injustement en raison d’un attribut personnel non pertinent, elles cherchent refuge dans des systèmes perçus comme neutres et exempts de préjugés.

Comment ce mécanisme fonctionne-t-il ? Qu’est-ce que cela signifie pour les organisations concernées ? Et que révèle-t-il sur les moteurs cachés de l’adoption de l’IA ?

La discrimination implicite

La discrimination dans les contextes de consommation est loin d’être rare. Des études montrent que certains groupes bénéficient de conditions moins favorables que d’autres pour des services similaires, par exemple en matière d’accès au crédit ou à l’assurance. Au-delà de leurs conséquences économiques, ces expériences ont de fortes répercussions psychologiques. Elles augmentent le stress, sapent le sentiment d’équité et influencent les comportements futurs.

Il est important de clarifier ce que signifie la discrimination dans un contexte de marché. Un marché, au sens large, désigne tout espace où les consommateurs interagissent avec des prestataires de services, qu’il s’agisse d’un concessionnaire automobile, d’un restaurant, d’une banque ou d’une plateforme de santé. Au sein de ces espaces, un traitement différencié n’est pas intrinsèquement discriminatoire. Par exemple, un client VIP bénéficiant d’un service haut de gamme est traité différemment sur la base d’un critère commercial pertinent.

La discrimination survient lorsque le facteur de différenciation est non pertinent et illégitime, comme la couleur de peau, l’origine ethnique ou le genre. Ce qui la rend particulièrement insidieuse, c’est qu’elle peut être cachée, implicite, voire involontaire, tout en causant un préjudice psychologique réel à ceux qui en sont victimes.

Un système d’IA dépourvu d’émotions

Dans le cadre d’une étude de terrain que nous avons menée en conditions réelles, des « agents » – en réalité des personnes impliquées dans le dispositif de recherche – ont évalué des demandes de prêt sur un campus universitaire à l’aide de questionnaires quasi identiques, dont l’un comportait une question supplémentaire sur l’auto-évaluation de la couleur de peau.

Tous les candidats ont ensuite été refusés ; ceux qui avaient été confrontés à la question sur la couleur de peau ont déclaré s’être sentis victimes de discrimination (phase 1). Lors de la collecte de données de suivi, réalisée ultérieurement, tous les participants se sont vu proposer le choix entre un évaluateur humain et un évaluateur IA (phase 2).

Une proportion significativement plus élevée de ceux ayant eu l’impression d’avoir subi une discrimination lors de la première phase (par rapport à ceux n’ayant pas eu l’impression d’avoir subi de discrimination lors de cette même phase) a choisi, lors de la deuxième phase, d’être évaluée par le système d’IA décrit comme « dépourvu d’émotions ».

Sentiment de gêne

Les consommateurs discriminés semblent nettement plus enclins à se fier à des recommandations basées sur l’IA plutôt qu’à des conseils humains. En d’autres termes, l’aversion pour les algorithmes peut se transformer en préférence pour les algorithmes, également appelée « appréciation des algorithmes ».

À lire aussi : Accès au logement : la couleur de peau plus discriminante que le nom

Ce revirement s’explique par un mécanisme psychologique spécifique : la gêne. Cette émotion sociale survient lorsque les individus se sentent jugés négativement par les autres. Dans nos expériences, les participants exposés à des situations discriminatoires font état de niveaux de gêne plus élevés, et cette émotion influence directement leurs choix ultérieurs. Plus ils se sentent gênés, plus ils cherchent à limiter les interactions humaines.

Dans ce contexte, l’IA apparaît comme une alternative plus sûre.

L’IA perçue comme plus neutre

Par rapport aux êtres humains, les systèmes algorithmiques sont perçus comme plus neutres, plus objectifs et moins enclins aux biais ou aux préjugés.

La réalité est plus complexe. Les algorithmes peuvent être biaisés, en fonction des données et de l’entraînement dont ils bénéficient. Pourtant, nombreux sont ceux qui continuent à les considérer comme neutres et objectifs. Dans ce contexte, ce sont ces perceptions qui importent le plus. Opter pour l’IA permet aux consommateurs de réduire le risque d’avoir l’impression d’être à nouveau jugés ou traités de manière injuste.

Cet effet dépend du contexte dans lequel les décisions sont prises. Nous constatons qu’il est particulièrement marqué dans les situations publiques, lorsque les choix sont visibles par les autres. En revanche, lorsque les décisions sont privées, cet effet s’affaiblit considérablement.

Les expériences sociales antérieures

Ces résultats apportent un nouvel éclairage sur l’adoption de l’IA. Ils suggèrent que l’utilisation de systèmes automatisés n’est pas uniquement motivée par des considérations d’efficacité ou de performance, mais également par des besoins psychologiques façonnés par des expériences sociales antérieures.

Pour les entreprises, les implications sont considérables. Dans les secteurs où les interactions peuvent être perçues comme sensibles, telles que la banque, la santé ou les services client en général, proposer des alternatives basées sur l’IA peut aider certains consommateurs à se sentir plus à l’aise. Pour ces personnes, l’IA n’est pas seulement un outil technologique ; elle devient un moyen d’échapper au jugement social et de reprendre le contrôle après des expériences négatives.

Dans le même temps, ces résultats s’accompagnent d’une mise en garde importante : si les systèmes d’IA sont eux-mêmes biaisés – entraînés sur des données biaisées ou conçus sans tenir compte de l’équité –, ils risquent de reproduire, voire d’amplifier, la discrimination même à laquelle les consommateurs tentaient d’échapper. Plus grave encore, ce type de discrimination passe souvent inaperçu car il est caché et difficile à détecter. Le déploiement de l’IA en tant qu’alternative « sûre » n’a de sens que si cette sécurité est réelle, et non simplement perçue.

À mesure que l’IA s’intègre de plus en plus dans la vie quotidienne, la compréhension de ces mécanismes sera essentielle pour concevoir des expériences client plus inclusives et adaptatives.

Les auteurs 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 organisme de recherche.

L’ESSENTIEL

• Tandis que l’usage de l’intelligence artificielle s’est généralisé chez ses étudiants, un professeur de littérature à l’Université de Denver, aux États-Unis, expose son approche pour mieux comprendre les limites de ChatGPT.

• Il les invite à poser des questions à l’IA au sujet d’une œuvre étudiée en cours, puis à examiner ses réponses de façon critique.

• Une telle méthode permet de percevoir la valeur de la sensibilité humaine et de l’empathie, indispensables pour analyser une œuvre littéraire.

Il est déconcertant d’imaginer que la pensée humaine puisse devenir superflue ou être considérée comme inférieure en raison des progrès de l’intelligence artificielle. Mais malgré tous ses inconvénients, on ne peut ni ignorer l’intelligence artificielle (IA) ni espérer qu’elle disparaisse. Son usage va perdurer, et je veux que mes élèves comprennent les enjeux d’une dépendance excessive à cette technologie.

Je ne peux pas leur en vouloir de se demander pourquoi ils devraient consacrer autant de temps et d’efforts à perfectionner leur écriture et leur esprit critique si les grands modèles linguistiques semblent faire un travail tout à fait acceptable.

À lire aussi : L’IA peut-elle nous dispenser de l’effort d’apprendre ?

Pourtant, cette situation a des implications majeures pour la culture et les sociétés. Il est facile d’imaginer un avenir où la dépendance à l’IA conduirait à un conformisme intellectuel et à l’érosion de l’esprit critique. Des chercheurs documentent déjà ces effets, qui menacent de faire de la lutte acharnée avec les idées un art perdu.

C’est pourquoi je pense qu’il est essentiel que les enseignants abordent de front la question de l’IA. La clé, selon moi, consiste à apprendre aux élèves à distinguer les capacités de reconnaissance de patterns de l’IA – la reconnaissance de motifs statistiques consistant à identifier des régularités statistiques au sein des ensembles de données – de son incapacité à rêvasser, à se mettre à la place d’autrui et à s’exprimer de manière authentique.

Donnez-moi votre avis

Dans un cours que j’ai récemment dispensé sur la littérature gothique du Sud, j’ai proposé un exercice à mes étudiants. Ils devaient demander à l’IA d’analyser « l’atmosphère émotionnelle » d’une scène tirée du roman de Carson McCullers publié en 1940, Le cœur est un chasseur solitaire.

Bon nombre des personnages que l’on rencontre dans les œuvres du gothique sudiste comme celles de McCullers sont étranges et brutaux. Vus à travers un prisme déformé et artificiel, ils parlent des dialectes étranges et évoquent ce que la romancière américaine Flannery O’Connor appelait le « grotesque ».

Ils vivent dans des lieux isolés, figés dans le passé et, pour reprendre une autre expression d’O’Connor, « hantés par le Christ ».

De nombreux lecteurs ont du mal à appréhender les univers étranges de ces personnages. L’IA a encore plus de mal à généraliser les tensions complexes entre foi et incrédulité, ou entre le bien et le mal, qui animent ces récits.

Afin de limiter l’éventail des réponses et de permettre des comparaisons utiles, j’ai proposé aux étudiants des scènes mettant en scène les personnages principaux du roman. L’une d’entre elles était cette séquence déchirante où Spiros Antonapoulos, personnage du livre frappé de surdité, est envoyé dans un asile psychiatrique public, laissant derrière lui son seul ami, John Singer.

La scène dégage un sentiment palpable d’angoisse et de tristesse. De plus, elle suscite une colère légitime envers le cousin d’Antonapoulos qui l’a fait interner
– une décision motivée par des considérations de commodité et fondée sur une incompréhension des difficultés de Spiros, perçues comme un comportement déviant et antisocial. Le fait qu’il soit issu de l’immigration et qu’il vive dans une petite ville de Géorgie confère à la scène un caractère encore plus poignant.

ChatGPT, cependant, a décrit la scène en utilisant une terminologie stérile et abstraite. Pour citer une réponse représentative partagée par l’un de mes étudiants :

« L’atmosphère est d’une solitude dévastatrice, comme figée dans le temps. La scène dégage un sentiment de calme, d’impuissance et d’asymétrie émotionnelle. Il n’y a pas d’adieu dramatique ; au contraire, ce moment est marqué par l’angoisse silencieuse de Singer. Le départ du train symbolise une séparation irréversible. »

Cette analyse est clinique et froide. Elle ne parvient pas à saisir le poids de la profonde tristesse qui se dégage de la séparation de deux amis qui n’ont que l’un l’autre. Elle comportait également une erreur factuelle : c’est un bus, et non un train, qui s’éloigne.

Il manque également toute reconnaissance claire de la crainte de Singer face aux horreurs qui attendent Antonapoulos ainsi que de l’ironie dramatique créée par l’apparente inconscience d’Antonapoulos quant au bouleversement que subit sa vie. L’IA manque tout simplement d’expérience vécue pour acquérir une conscience contextuelle lui permettant de véritablement comprendre le roman envoûtant de McCullers.

Comme l’IA fonctionne en grande partie comme un moteur d’optimisation – en s’appuyant sur la synthèse d’énormes quantités de données en ligne et en résumant les résultats –, ses analyses de cette scène et d’autres se sont systématiquement révélées superficielles ; elles « manquaient de profondeur » et regorgeaient de « platitudes vagues », comme l’ont formulé deux étudiants.

Accéder à l’expérience incarnée

J’ai ensuite demandé à mes étudiants de demander à l’IA de générer « une nouvelle scène impliquant au moins trois personnages » de leur choix.

Le résultat créatif s’est révélé encore plus dépourvu d’âme. Les étudiants ont particulièrement trouvé amusant que l’IA fasse intervenir John Singer, qui sert de pivot reliant tous les autres personnages, pour s’exprimer sur divers sujets. Le problème, bien sûr, est que Singer, tout comme Antonapoulos, est également sourd.

Il n’est pas surprenant que l’IA n’ait pas pu appréhender l’expérience de l’incapacité d’entendre. Il est important de garder à l’esprit qu’interagir avec l’IA revient à avoir affaire à une intelligence synthétique dépourvue d’un corps lui permettant de faire l’expérience du monde et d’interagir avec lui.

Sans présence incarnée, elle ne peut pas se mettre à la place de ses utilisateurs ni éprouver quoi que ce soit qui s’approche de l’empathie humaine. Alors que des milliardaires du secteur technologique, tels qu’Elon Musk et Marc Andreessen, peuvent considérer l’empathie et l’introspection comme des faiblesses, ces traits de caractère constituent le cœur battant de la littérature et de l’art, la source de la créativité et des liens humains.

En d’autres termes, l’émotion, l’empathie et l’irrationalité pourraient être considérées comme certains des contrepoids les plus puissants à l’IA.

Accepter la fragilité humaine

Il peut y avoir des situations où l’IA peut être utile à mes élèves, et je pense que les efforts visant à interdire l’utilisation de l’IA sont irréalisables et contre-productifs.

La possibilité de se passer complètement de ces outils relève en grande partie du luxe. Tout comme beaucoup de gens n’ont pas les moyens de faire appel à quelqu’un pour nettoyer leur maison, entretenir leur jardin ou s’occuper de leurs enfants, ceux qui ont du mal à joindre les deux bouts peuvent avoir besoin de s’appuyer sur l’aide de l’IA.

Mais j’espère que mes étudiants – en particulier lorsqu’il s’agit de leur travail intellectuel – comprendront que le recours à cette technologie implique d’abandonner des capacités essentielles à la pensée et à la créativité humaines : l’imagination, l’intuition et l’introspection.

Je veux qu’ils y réfléchissent à deux fois avant d’essayer de masquer, à l’aide d’un chatbot, les fragilités, les faiblesses, les obsessions et les digressions inhérentes à l’esprit humain. Au contraire, je veux qu’ils embrassent ces tendances humaines et s’abandonnent à ce que le poète britannique William Wordsworth appelait le « débordement spontané de sentiments puissants ».

Après tout, le plus grand art émerge souvent de ceux qui sont les plus vulnérables, les plus désorientés et les plus perdus.

Billy J. Stratton 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.

L’ESSENTIEL

• Les visages générés par IA offrent aux publicitaires un moyen de créer une impression de proximité avec le consommateur.

• Une étude souligne que, au-delà de 57 % de similarité faciale, de telles publicités seraient contre-productives.

• Jusqu’où personnaliser la publicité grâce à l’IA ?

En apparence, l’intelligence artificielle générative offre aux publicitaires un outil idéal : créer une annonce qui ressemble à chaque consommateur. Plus une publicité paraît personnelle, plus elle devrait convaincre.

La réalité est plus nuancée. Notre étude souligne que les visages générés par IA peuvent augmenter l’efficacité d’une publicité. Mais seulement jusqu’à un certain point. Lorsque le visage présenté ressemble trop à la personne qui regarde l’annonce, l’intention d’achat diminue.

Le résultat principal est simple : la ressemblance aide tant qu’elle reste modérée. Dans notre échantillon, l’effet positif est maximal autour de 57 % de similarité faciale. Au-delà, la publicité devient moins persuasive.

La personnalisation par IA fonctionne comme une arme à double tranchant : elle peut à la fois créer de la proximité et donner l’impression d’une intrusion.

Promesse d’une publicité sur mesure

Depuis l’essor de l’IA générative, les marques testent de nouvelles formes de personnalisation. Ces outils ne servent plus seulement à produire des textes ou des images plus vite. Ils adaptent également un contenu à une personne précise.

Dans la publicité, ce changement est important. Pendant longtemps, la personnalisation consistait surtout à cibler des groupes : jeunes parents, amateurs de sport, voyageurs fréquents ou cadres urbains. L’IA générative permet désormais d’aller plus loin. Elle peut modifier une image, un décor, un produit ou un visage pour un particulier. Cette évolution s’inscrit dans l’émergence de la « publicité synthétique », pour laquelle proposent un cadre théorique destiné à comprendre les réactions des consommateurs aux contenus publicitaires créés ou manipulés par l’IA.

Les entreprises Samsung et Glance ont par exemple annoncé une expérience où des publicités sur écran verrouillé peuvent intégrer la ressemblance de l’utilisateur. Concrètement, l’utilisateur peut volontairement fournir un selfie à partir duquel l’IA génère des images hyperréalistes de lui portant différentes tenues, qui peuvent ensuite être affichées sur son écran verrouillé. Dans le secteur de la mode, une publicité Guess utilisant des mannequins générés par IA dans Vogue a suscité un débat sur l’authenticité et les standards de beauté.

Ces exemples illustrent une évolution plus large. La publicité ne cherche plus seulement à parler à une cible. Elle cherche à se rapprocher du consommateur lui-même. Le visage rend cette évolution particulièrement sensible.

Tester la limite de la ressemblance

La question n’est pas seulement de savoir si la ressemblance fonctionne. Elle est de savoir jusqu’où elle peut aller.

Pour étudier cette question, nous avons d’abord mesuré automatiquement la similarité entre deux visages. Leur méthode utilise une technologie issue de la reconnaissance faciale. Chaque visage est transformé en représentation numérique. L’algorithme compare ensuite deux représentations et attribue un score compris entre 0 et 1.

Un score proche de 0 indique deux visages très différents. Un score proche de 1 indique deux visages très similaires.

Dans une étude de validation, l’algorithme et les participants sont parvenus à des conclusions très similaires. Pour cent comparaisons, les participants devaient indiquer lequel de deux visages ressemblait le plus à un visage de référence. L’algorithme a ensuite effectué la même tâche. L’accord entre ses choix et ceux des participants était élevé (kappa de Cohen = 0,88).

L’algorithme peut donc évaluer la ressemblance faciale d’une manière largement comparable à la perception humaine, sans devoir solliciter de nouveaux participants pour chaque image.

Point optimal : 57,6 % de similarité faciale

Nous avons ensuite mené deux expériences.

Dans la première, les participants voyaient une publicité pour une assurance automobile. Cette publicité contenait un visage généré par IA. Ce visage était plus ou moins proche de la photo de profil du participant sur un réseau social, utilisée avec son accord.

Conclusion : la relation entre la similarité faciale et l’intention d’achat n’est pas linéaire. Lorsque la similarité part d’un niveau faible et augmente, l’intention d’achat progresse. Toutefois, lorsqu’elle devient très élevée, l’intention d’achat diminue.

Une seconde expérience, portant sur dix niveaux de ressemblance allant d’une similarité très faible à une similarité très élevée, confirme cette relation en forme de « U inversé ». Comme l’illustre le graphique ci-dessus, une ressemblance modérée améliore l’efficacité de la publicité, tandis qu’une ressemblance excessive la pénalise. Cela veut dire, lorsque le visage ne ressemble presque pas au consommateur, l’intention d’achat est relativement faible.

Cette ressemblance excessive peut paraître étrange, intrusive ou donner l’impression que la publicité cherche trop manifestement à manipuler le consommateur.

Le point optimal estimé est de 57,6 % de similarité faciale. L’intervalle de confiance se situe entre environ 52 % et 63 %.

Pourquoi un visage familier peut convaincre

La ressemblance joue un rôle connu dans la persuasion. Les individus sont souvent plus réceptifs aux personnes qu’ils perçoivent comme proches d’eux. En publicité, ce mécanisme est décrit comme un effet de similarité. Celui-ci s’inscrit notamment dans la théorie de la comparaison sociale du psychologue Leon Festinger, selon laquelle les individus tendent à se comparer à des personnes qu’ils perçoivent comme similaires.

Cette proximité peut venir de l’âge, du style, du genre ou du langage. Elle peut aussi venir du visage. Des travaux antérieurs montrent que la ressemblance faciale peut influencer la confiance ou l’attitude envers une marque.

L’IA générative change l’échelle de ce mécanisme. Il ne s’agit plus seulement de choisir un mannequin proche d’une catégorie de consommateurs. Il devient possible de générer un visage qui ressemble à une personne donnée.

Quand la proximité devient intrusion

Pourquoi une publicité trop ressemblante convainc-t-elle moins ? Une première explication tient au sentiment d’intrusion. Une publicité très personnalisée peut donner l’impression que la marque en sait trop sur le consommateur. Des recherches montrent que l’utilisation d’éléments personnels, comme le nom ou la photographie peut renforcer cette impression et réduire l’intention d’achat.

À lire aussi : L’IA dans la publicité : l’humour comme stratégie de légitimation

Une deuxième explication renvoie à la « vallée de l’étrange ». Cette théorie suggère qu’un visage presque humain, mais pas totalement naturel, peut provoquer un malaise. Dans une publicité, un visage qui ressemble beaucoup au consommateur sans le représenter exactement peut produire un effet similaire.

Une troisième explication concerne la persuasion elle-même. Lorsqu’un consommateur comprend trop clairement qu’une marque cherche à l’influencer, il peut devenir plus méfiant. Une personnalisation trop visible peut donc rendre la stratégie publicitaire trop évidente.

La vraie limite de l’IA publicitaire

Notre étude ne conclut pas que les visages générés par IA doivent être évités. Elle montre qu’ils doivent être calibrés.

Pour les annonceurs, l’objectif ne devrait pas être de créer le visage le plus ressemblant possible. Il devrait être de créer une impression de proximité sans franchir le seuil où cette proximité devient gênante.

La technologie permet d’aller très loin dans la personnalisation. Mais l’efficacité publicitaire dépend aussi de ce que les consommateurs acceptent.

La bonne question n’est donc pas seulement : jusqu’où peut-on personnaliser une publicité ? Elle est plutôt : à partir de quand la personnalisation cesse-t-elle d’être utile et commence-t-elle à devenir intrusive ?

Gudrun Roose est membre de Departement Marketing, Innovation and Organisation de Ghent University (Belgium).

Arno De Caigny 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.

Alors que l’Union européenne met en œuvre sa législation sur l’intelligence artificielle, l’usage de l’IA dans le processus de recrutement par les entreprises fait l’objet d’une attention croissante. De nouvelles recherches montrent que les biais algorithmiques ne proviennent pas toujours des algorithmes eux-mêmes, mais des décisions humaines « intégrées » dans les données avec lesquelles ils sont entraînés.

À la fin de 2025, l’autorité française chargée de la lutte contre les discriminations a exprimé des inquiétudes concernant le système de diffusion d’offres d’emploi d’une grande plateforme de réseaux sociaux. Certaines annonces étaient davantage montrées aux hommes, d’autres aux femmes. Cette affaire illustre une question désormais centrale pour les entreprises et les décideurs publics : comment des systèmes d’IA peuvent-ils produire des résultats inéquitables sans avoir été explicitement programmés pour discriminer ?

Cette question est devenue encore plus importante avec l’entrée en vigueur progressive du règlement européen sur l’IA, qui classe les systèmes utilisés dans le recrutement et l’emploi parmi les applications à haut risque. Le message est clair pour les entreprises qui recourent à l’IA afin de sélectionner, classer ou recommander des candidats… Supprimer les variables sensibles telles que le sexe ou l’origine ethnique ne suffit pas à s’acquitter de ses responsabilités en matière d’équité.

À lire aussi : Des IA pour recruter : mais qu’en pensent les candidats ?

La fausse neutralité des données

Une idée répandue consiste à penser que les biais apparaissent uniquement lorsqu’un algorithme utilise directement des caractéristiques protégées. Or, le problème est souvent plus subtil. Les systèmes d’IA apprennent à partir de données historiques, elles-mêmes issues de décisions humaines qui peuvent déjà refléter des inégalités.

Les plateformes de travail en ligne et les outils de recrutement s’appuient de plus en plus sur des systèmes de classement. Ceux-ci privilégient généralement des indicateurs tels que les performances passées, le nombre de missions réalisées ou l’expérience accumulée.

Du point de vue des entreprises, cette logique paraît parfaitement rationnelle, puisqu’elle réduit les coûts de recherche, facilite l’identification des profils pertinents et valorise l’expérience. Mais elle comporte aussi un risque. Ces indicateurs supposent que les résultats passés reflètent uniquement le mérite individuel. Or, ils peuvent également être le produit d’un accès inégal aux opportunités.

Une perfide boucle de rétroaction

C’est ainsi qu’apparaît une boucle de rétroaction. Une personne qui bénéficie d’un léger avantage au début de sa carrière accumule davantage d’expérience. Cette expérience améliore son classement dans les systèmes automatisés, ce qui augmente sa visibilité et lui ouvre de nouvelles opportunités. Au fil du temps, cet avantage initial se renforce.

Pour les entreprises qui utilisent des outils de recrutement fondés sur l’IA, cela signifie qu’un classement présenté comme « objectif » ou « basé sur la performance » peut, en réalité, reproduire et amplifier des inégalités préexistantes.

Des inégalités humaines aux biais algorithmiques

Nos recherches sur les grandes plateformes de travail en ligne montrent que ces mécanismes peuvent affecter plusieurs groupes simultanément. Les femmes, en moyenne, accumulent moins de missions réalisées que des hommes présentant des caractéristiques comparables, comme l’âge, le niveau d’études, le tarif horaire, les évaluations reçues et les vérifications du profil. Cette différence se traduit ensuite par une moindre visibilité dans les classements. Les écarts peuvent être encore plus marqués lorsque plusieurs facteurs se combinent : les femmes issues de minorités ethniques, par exemple, sont souvent davantage pénalisées que ne le laisserait prévoir l’effet de chacune de ces caractéristiques prise isolément.

De même, les jeunes professionnels disposent souvent de moins d’expérience à valoriser et peuvent être systématiquement désavantagés dans les classements, malgré des compétences comparables. Il en résulte un « déficit de visibilité » qui ne reflète pas nécessairement les capacités réelles des candidats.

L’un des enseignements majeurs est que ces résultats peuvent apparaître même en l’absence de toute information démographique explicite. Les biais passent alors par des variables indirectes, comme le nombre de missions déjà réalisées. Cet indicateur, qui reflète les décisions de recrutement passées, semble neutre, mais il est étroitement lié à des désavantages structurels.

Ouvrir la boîte noire

Pour les organisations qui déploient l’IA dans le recrutement, la gestion des talents ou les ressources humaines, plusieurs enseignements se dégagent. D’abord, supprimer les données sensibles ne suffit pas. Un système peut continuer à reproduire des inégalités s’il apprend à partir de résultats historiques eux-mêmes biaisés. On peut se demander si le fait de supprimer complètement les données sensibles des profils de free-lances permettrait de résoudre le biais humain initial.

Ensuite, les critères d’optimisation méritent une attention particulière. Les outils conçus pour identifier les « meilleurs candidats » risquent de favoriser ceux qui ont déjà bénéficié d’une plus grande visibilité ou d’un accès privilégié aux opportunités.

Enfin, les boucles de rétroaction doivent être considérées comme un véritable enjeu de gouvernance. Lorsqu’un système influence la visibilité des candidats, et que cette visibilité façonne les données utilisées demain, les biais peuvent s’autoalimenter.

Un défi majeur pour la gouvernance de l’IA

La mise en œuvre de la réglementation européenne marque un changement de perspective. La question n’est plus seulement de savoir si un algorithme utilise des données sensibles, mais aussi s’il produit des effets discriminatoires par des mécanismes indirects.

Les enjeux dépassent largement le recrutement. Aujourd’hui, les algorithmes influencent également l’octroi de crédit, la tarification des assurances, les recommandations personnalisées ou encore la modération de contenu. Dans tous ces domaines, comprendre l’origine des données devient aussi important que la conception technique des modèles.

Les auteurs 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 organisme de recherche.