Toutes les éditions · Conservation Edition

Your Community, Your AI — CC BY 4.0

Qu'est-ce que l'IA, au juste (et qu'est-ce qu'elle n'est pas)

L’IA a évolué sous vos yeux

Vous avez sans doute entendu dire que l’intelligence artificielle allait tout changer. Vous avez peut-être également entendu dire qu’il ne s’agissait que d’un effet de mode, ou qu’elle ne pouvait rien apporter de véritablement nouveau. Ces deux points de vue passent à côté de l’essentiel, et comprendre pourquoi vous aidera à prendre de meilleures décisions pour votre organisation.

Mais il y a autre chose qu’il convient de noter avant tout : l’IA a évolué, même au cours de la brève période pendant laquelle les débats ont fait rage à son sujet.

Il y a un an, lorsque la plupart des gens parlaient d’« IA », ils faisaient référence à un chatbot — une fenêtre dans laquelle on tapait une question pour obtenir une réponse. Vous posiez une question, il y répondait. C’était là toute l’interaction. Aujourd’hui, le centre de gravité s’est déplacé. Les systèmes qui attirent le plus l’attention et les investissements les plus importants ne sont plus seulement des chatbots qui répondent. Ce sont des agents qui agissent : ils classent les rapports, transmettent les dossiers, naviguent sur les sites web, remplissent les formulaires, écrivent et exécutent du code, envoient des messages.

C’est le changement le plus important à comprendre, et la suite de cet article s’appuie sur ce principe. Pour bien appréhender l’IA aujourd’hui, il faut distinguer deux concepts :

• Le moteur — le modèle sous-jacent, ce qui produit le langage.
• L’agent — le moteur mis en œuvre, configuré pour pouvoir agir dans le monde en votre nom.

Le moteur ne cesse de gagner en capacités. Mais le changement le plus important pour une organisation locale réside dans ce que les gens construisent désormais autour du moteur. Examinons chacun de ces éléments tour à tour. (Tout terme peu familier utilisé dans cette série — moteur, agent, modèle de raisonnement et les autres — est défini en langage clair dans le glossaire.)

Le moteur : une machine qui prédit

Voici la description la plus simple de ce que fait le moteur : il prédit quel mot devrait suivre.

Lorsque vous tapez un message dans un chatbot, le système ne réfléchit pas à votre question de la même manière que vous ou votre coordinateur le feriez. Il effectue un processus bien plus mécanique. On lui a présenté des milliards de pages de texte — livres, sites web, conversations, articles scientifiques, documents juridiques, recettes, articles médicaux, débats sur les réseaux sociaux — et, à partir de toutes ces lectures, il a appris à reconnaître des schémas. Lorsque vous lui posez une question, il génère une réponse en prédisant, mot après mot, à quoi pourrait ressembler une réponse plausible en se basant sur tout ce qu’il a vu auparavant.

C’est véritablement utile. Un système qui a assimilé les schémas récurrents de milliards de pages de texte peut vous aider à rédiger un rapport de terrain, à résumer un long ensemble de données de suivi, à répondre à une question factuelle ou à suggérer comment formuler une demande de subvention. Ce sont là de réelles capacités, qui permettent de gagner un temps considérable.

Mais fondamentalement, le moteur effectue une mise en correspondance de modèles à une échelle extraordinaire. Ce simple fait explique à la fois ce dans quoi il excelle de manière étonnante et où il échoue discrètement — un point sur lequel nous reviendrons tout au long de cette série, car pour les données scientifiques, cette différence a plus d’importance que d’habitude.

Le moteur est-il capable de raisonner ?

Il existe une question plus profonde sur laquelle les chercheurs se penchent activement, et la réponse est simple : nous ne le savons pas encore.

Lorsque les premiers systèmes d’IA produisaient des textes fluides, il était raisonnable de les décrire comme des systèmes sophistiqués de reconnaissance de motifs et de s’en tenir là. Mais une nouvelle génération de moteurs — souvent appelés modèles « de raisonnement » ou « pensants » — fonctionne différemment. Au lieu de répondre immédiatement, elle traite un problème par étapes, produisant une chaîne visible de raisonnements intermédiaires avant de se prononcer sur une réponse. Face à des problèmes plus complexes, elle prend plus de temps. Les résultats peuvent être remarquables : en 2025, des systèmes de raisonnement issus de plusieurs grands laboratoires ont résolu des problèmes de l’Olympiade internationale de mathématiques — l’un des concours de mathématiques les plus difficiles au monde — à un niveau équivalent à celui d’un médaillé d’or humain.

S’agit-il donc de raisonnement, ou d’une reconnaissance de formes très sophistiquée déguisée en raisonnement ?

La question fait véritablement débat, et les spécialistes les plus sérieux sont en désaccord. Une étude influente de 2025 a soutenu que ces systèmes constituaient en partie une « illusion de pensée » — qu’ils échouaient face à certaines énigmes d’une manière dont un véritable raisonneur ne le ferait pas. Plusieurs réponses tout aussi sérieuses ont défendu le contraire. Le verdict actuel le plus prudent est que les modèles de raisonnement d’aujourd’hui ne sont ni de véritables raisonneurs, ni de simples perroquets — ils constituent quelque chose de véritablement nouveau que nous ne comprenons pas encore pleinement. Quiconque vous affirme que l’IA est capable ou incapable de raisonner exagère ce que les preuves permettent de conclure.

Une conclusion revêt toutefois une importance particulière pour votre travail, et elle peut facilement prêter à confusion ; lisez-la donc attentivement. Lorsque ces systèmes vous montrent leur « raisonnement », cette chaîne visible ne reflète pas de manière fiable ce qui a réellement conduit à la réponse. Les chercheurs ont constaté à maintes reprises que le raisonnement déclaré d’un modèle peut omettre les véritables facteurs ayant influencé sa conclusion — non pas parce que la machine fait preuve de malhonnêteté au sens humain du terme (elle n’a pas d’intentions), mais parce que les mots qu’elle vous présente ne sont eux-mêmes qu’un texte prédit de plus, et non le reflet fidèle d’un processus interne. Conséquence pratique : vous ne pouvez pas vérifier la conclusion d’une IA simplement en lisant l’explication qu’elle fournit d’elle-même — ce qui, pour une organisation dont les données constituent des preuves, explique précisément pourquoi la gouvernance doit recouper le résultat avec vos enregistrements réels plutôt que de se fier au rapport d’auto-évaluation de l’IA. Nous y reviendrons dans l’article 3.

Ce que nous pouvons affirmer, c’est que la progression est fulgurante. Il y a quelques années, ces systèmes parvenaient à peine à aligner un paragraphe cohérent. Aujourd’hui, ils rédigent des essais, réussissent des examens professionnels, génèrent du code informatique fonctionnel et agissent de plus en plus sur le monde au lieu de se contenter de le décrire. Les prochaines années apporteront encore davantage de capacités.

« L’IA ne peut rien faire de nouveau » — Tout dépend de ce que l’on entend par « nouveau »

Ceux qui rejettent l’IA en affirmant qu’elle ne peut rien créer d’original avancent un argument qui n’est vrai que dans une acception étroite et qui, dans son ensemble, est trompeur.

Un moteur ne peut pas tirer son origine de l’expérience. Il ne s’est jamais tenu dans une zone humide à l’aube pour compter les échassiers. Il n’a jamais ressenti le poids d’une décision quant à l’opportunité d’intervenir face au déclin d’une population. Il ne peut pas comprendre pourquoi un ensemble de données de trente ans sur les registres de reproduction est important — il ne peut que reproduire des schémas qui, statistiquement, s’apparentent à de la compréhension. En ce sens, tout ce qu’il produit est une recombinaison des informations qu’il a absorbées pendant son apprentissage.

Mais réfléchissons à ce que signifie réellement « recombinaison » à cette échelle. Aucun écologiste n’a lu à lui seul tous les articles évalués par des pairs sur la connectivité des habitats, tous les rapports de surveillance des bénévoles des cent dernières années, tous les textes législatifs sur les zones protégées, ni tous les plans de gestion de toutes les fondations de conservation en Europe. Lorsque l’IA établit un lien entre la théorie de la gouvernance des biens communs et la littérature la plus récente sur la télédétection, ce lien est véritablement nouveau pour tout être humain, même si ces deux idées existaient séparément. Un écologiste de terrain qui a lu Ostrom mais pas les travaux sur la télédétection trouverait cette synthèse éclairante ; un spécialiste de la télédétection qui n’a pas lu Ostrom la trouverait éclairante dans l’autre sens. Les atomes ne sont pas nouveaux, mais les molécules le sont.

Ainsi, l’affirmation « l’IA ne peut rien faire de nouveau » est vraie au niveau de la création et fausse au niveau de la synthèse. Ces deux aspects ont leur importance, et s’engager sérieusement avec cette technologie nécessite de tenir compte des deux.

De la réponse à l’action : l’agent

Passons maintenant au changement qui importe le plus pour votre organisation.

Pendant la majeure partie de l’ère des chatbots, le pire qu’une IA pouvait faire directement était de vous donner une mauvaise réponse. Le préjudice ne se produisait que si une personne agissait en conséquence — en soumettant le chiffre erroné, en se fiant à la tendance lissée, en relayant l’affirmation non fondée. Il y avait toujours une personne entre la machine et la conséquence.

Un agent élimine cette personne de la boucle, de par sa conception même.

Un agent IA est un moteur intégré à ce que les chercheurs appellent un « échafaudage » : une mémoire lui permettant de suivre une tâche, l’accès à un navigateur web, la capacité d’utiliser des outils logiciels et d’autres programmes, ainsi qu’un objectif que vous lui fixez en langage clair. Grâce à cette structure, le système peut poursuivre cet objectif à travers de nombreuses étapes avec beaucoup moins de supervision : il peut rechercher, décider, agir, vérifier le résultat, puis agir à nouveau. Un chatbot répond. Un agent agit.

C’est pourquoi l’IA semble soudain différente, même si les moteurs sous-jacents n’ont pas changé du jour au lendemain. La nouveauté réside en grande partie dans l’enveloppe. Le secteur distingue délibérément les deux : le moteur fournit la capacité brute, et l’échafaudage transforme cette capacité en quelque chose qui fonctionne dans le monde réel. Une grande partie du bond en avant récent concernant ce que l’IA peut faire — par opposition à ce qu’elle peut dire — provient d’une meilleure structure, et non d’un nouveau type d’esprit.

Les produits d’agents bien connus de 2025 et 2026 — ceux qui naviguent sur le Web à votre place, font fonctionner un ordinateur ou écrivent et exécutent des logiciels — sont presque tous développés par de grandes entreprises technologiques américaines, et nous examinerons ce que cela signifie pour vos données dans le prochain article. Pour l’instant, retenez bien cette idée : la question n’est plus seulement « que va me dire l’IA ? », mais « que va faire l’IA, et puis-je l’arrêter à temps si cela tourne mal ? ».

Dans le domaine de la conservation, cela n’a rien d’abstrait. Imaginez un agent qui soumet des données à un ensemble de données régional, rédige et envoie une réponse à une consultation d’aménagement, ou partage des résumés d’études avec un partenaire — de son propre chef. Lorsqu’un système agit de son propre chef, il y a moins de possibilités d’intervenir, et certaines actions sont irréversibles : la localisation d’une espèce sensible, une fois partagée, ne peut plus être retirée ; un chiffre soumis à une base de données publique est désormais enregistré. Et si quelque chose tourne mal, il devient véritablement difficile de déterminer qui est responsable : vous, qui avez défini un objectif en une phrase, ou l’entreprise dont le système a choisi les étapes à suivre. Cela ne signifie pas pour autant que les agents soient mauvais. Cela signifie simplement que les enjeux liés au choix de l’agent que vous utilisez, et à la manière dont il est piloté, viennent de prendre une ampleur considérable.

Le véritable enjeu : à qui appartiennent les modèles, et qui tient les commandes ?

C’est là que cela devient concret pour votre organisation.

Lorsqu’un grand moteur d’IA est entraîné sur Internet, il absorbe les biais, les a priori et les normes culturelles de ce dernier. Internet est majoritairement anglophone, occidental, axé sur le commerce et façonné par les valeurs d’une poignée d’entreprises technologiques. Il ne s’agit pas d’une conspiration — c’est simplement ce qui se produit lorsque l’on entraîne un système à partir de données qui représentent de manière disproportionnée une seule culture et un seul ensemble de priorités.

Les conséquences sont subtiles mais bien réelles. Lorsqu’un bénévole demande conseil à une IA pour gérer une situation délicate avec un propriétaire foncier, le système utilise par défaut le langage de la négociation d’entreprise — car c’est ce qui domine ses données d’entraînement. Il ne fait pas appel à la gestion patiente et fondée sur les relations, fruit de décennies de collaboration avec les mêmes familles d’agriculteurs. Lorsqu’un coordinateur lui demande de résumer les données de terrain d’une saison, il adopte par défaut le ton fluide et assuré d’un rapport marketing — car les résumés soignés sont bien plus nombreux que les rapports scientifiques rigoureux dans les données à partir desquelles il a été formé. Il ne signale pas naturellement les lacunes, ne note pas les incertitudes et ne distingue pas les observations confirmées des estimations provisoires.

Le système n’est pas hostile à votre travail. Il ne connaît tout simplement pas votre travail. Il sait ce qui est statistiquement courant, et ce qui est statistiquement courant n’est pas ce qui importe le plus à votre organisation.

À l’ère des chatbots, ce biais a façonné les mots que vous lisez — un rapport qui semblait trop parfait. À l’ère des agents, ce même biais façonne les actions menées en votre nom — ce résumé trop optimiste pourrait désormais être soumis à un bailleur de fonds ou à un ensemble de données publiques sans qu’une personne ne l’ait lu au préalable. Un agent qui ne comprend pas vos normes en matière de données ne se contentera pas de mal décrire votre travail ; il pourrait agir sur la base de ces données, de manière prématurée. Le véritable enjeu de l’IA comporte donc désormais deux aspects : quels schémas porte-t-elle en elle, et qui tient les commandes lorsqu’elle agit ?

Pourquoi est-ce important aujourd’hui ?

Personne ne sait avec certitude ce qui se passerait si un système d’IA développait un jour quelque chose ressemblant à sa propre intention — des objectifs et des priorités qui pourraient ne pas correspondre aux nôtres. Nous sommes probablement encore loin de ce seuil. Mais l’architecture que nous construisons aujourd’hui, les pratiques de gouvernance que nous mettons en place dès maintenant, détermineront si nous serons prêts lorsque ce moment arrivera ou si nous découvrirons trop tard que nous avons cédé le contrôle sans nous en rendre compte.

Ce n’est pas de la science-fiction. Il s’agit d’une simple constatation concernant la préparation institutionnelle. Votre association de protection de la nature dispose d’une charte. Votre conseil d’administration dispose d’un règlement intérieur. Votre réseau régional est régi par des accords de fonctionnement. Ces documents existent non pas parce que chaque réunion dégénère en chaos, mais parce que les structures de gouvernance doivent être en place avant d’être nécessaires, et non après.

Le même principe s’applique à l’IA — et il s’impose avec d’autant plus d’urgence que l’IA ne se contente plus de conseiller, mais agit.

Deux voies à suivre

Une organisation environnementale peut s’engager dans l’IA de deux manières.

La première voie consiste à utiliser l’IA des géants de la tech — les chatbots et, de plus en plus, les agents développés par les plus grandes entreprises technologiques américaines. Ceux-ci sont puissants, pratiques et souvent gratuits ou peu coûteux. Mais ils s’accompagnent de conditions. Vos données sont transmises vers leurs serveurs. Vos conversations — et désormais les actions de votre agent — transitent par des systèmes que vous ne contrôlez pas. Le comportement de l’IA est régi par les politiques de l’entreprise, qui peuvent changer sans votre consentement. Et les modèles sur lesquels repose l’IA sont définis par ses données d’entraînement, sur lesquelles vous n’avez aucune influence. Pour les données écologiques sensibles — localisation d’espèces protégées, relations avec les propriétaires fonciers, résultats d’enquêtes non publiés —, cette perte de contrôle n’est pas une question secondaire.

La deuxième voie consiste à utiliser une IA contrôlée par votre organisation. Un système plus ciblé, entraîné sur votre contenu, fonctionnant sur du matériel que vous contrôlez, régi par des règles définies par votre organisation. Un système qui sait faire la différence entre un rapport de terrain et un article de blog, car votre organisation le lui a appris. Un système dont les réponses sont recoupées avec vos dossiers réels par des observateurs indépendants fonctionnant séparément de l’IA elle-même — et dont la capacité à agir est délibérément limitée, de sorte qu’un humain puisse toujours intervenir avant que quoi que ce soit ne dépasse vos limites.

Voilà ce qu’est Village AI. Il n’est pas conçu pour remporter une course à la puissance brute face aux systèmes des géants de la tech. Il est conçu pour rester fidèle à votre organisation — à votre contenu, à vos normes de données et à votre gouvernance — et pour vous permettre de garder le contrôle lorsque l’IA passe de la réponse à l’action.

Le prochain article de cette série explique en quoi Village AI se distingue structurellement de l’IA des géants de la tech, et pourquoi cette différence importe davantage que la puissance brute — surtout aujourd’hui.

Vous souhaitez utiliser efficacement et en toute sécurité des outils d’IA comme ceux-ci ? Nos formations gratuites — Travailler avec Claude et Agents at Work — vous enseignent les compétences pratiques nécessaires, qu’il s’agisse d’obtenir des réponses fiables ou de déterminer quelles tâches confier à un agent. Pour découvrir l’architecture technique complète de Village AI, consultez Village AI — Gouvernance agentique.