Théorie du champ : l’IA en tant que question, objet et outil des sciences sociales

PDF du numéro complet 384 pages

Traduction de Field Theory: AI as Social Science Question, Object & Tool par Alondra Nelson dans le numéro de Dædalus du printemps 2026

Consulter le PDF de l’article (19 pages) en anglais

Résumé

Les applications de l’intelligence artificielle de pointe transforment la manière dont les sociétés organisent le travail, gouvernent, produisent des connaissances et donnent du sens. À la lumière de ces développements, cet essai soutient que les modèles, outils et systèmes d’IA posent trois impératifs interdépendants aux sciences sociales : ils exigent qu’on accorde une attention renouvelée aux théories sociales sur la manière dont la technologie, l’expérience humaine et l’ordre social s’entremêlent; ils doivent être étudiés en tant qu’objets d’étude à part entière; et ils offrent des capacités susceptibles de transformer — voire de bouleverser — la pratique même de la recherche sociale. De l’analyse de la rationalisation par Weber à l’étude de la technologie et des inégalités menée par Du Bois, en passant par les travaux contemporains sur la gouvernance algorithmique, cet essai examine ce que les sciences sociales ont de particulier à offrir : la capacité d’historiciser ce qui semble sans précédent, d’établir des liens à différentes échelles et de mettre au centre ceux qui sont les plus touchés par les changements technologiques. Il identifie la manière dont les systèmes algorithmiques redéfinissent la répartition des chances et des risques comme une tâche centrale de la recherche sociale et s’interroge sur les avenirs que les sciences sociales pourraient contribuer à façonner.

L’émergence de l’intelligence artificielle avancée — des modèles génératifs qui produisent du texte, du son et des images, à la gamme croissante d’outils algorithmiques désormais intégrés à la vie sociale, en passant par l’apprentissage profond et les systèmes agents qui pourraient transformer la recherche — est devenue une pierre angulaire des débats contemporains sur la société. L’introduction de modèles, d’outils et de systèmes d’IA est à la fois un signe de l’ingéniosité humaine et un présage de bouleversements sociétaux. Ces technologies s’accompagnent de promesses visant à améliorer les capacités humaines, à accélérer les découvertes scientifiques et à générer de nouvelles formes culturelles. Pourtant, leur utilisation menace également d’éroder l’autonomie humaine et de supplanter le jugement humain; elle accentue les inégalités, déstabilise les systèmes politiques et obscurcit la responsabilité.

Pour les sciences sociales, le moment est urgent. L’avènement de l’IA confronte les chercheurs à au moins trois impératifs étroitement liés : renouveler les explications sur la manière dont le changement technologique est intimement lié à l’expérience humaine et à l’ordre social; examiner l’IA en tant qu’objet d’étude; et évaluer l’IA en tant qu’outil méthodologique, dont la rapidité et la portée peuvent modifier, mais aussi fausser, la pratique de la recherche sociale. Ces impératifs, pris dans leur ensemble, définissent ce que signifie étudier la société à l’ère des algorithmes et du pouvoir automatisé.

Ce n’est pas la première fois que les sciences sociales considèrent la technologie comme un élément essentiel à l’analyse de la société. Depuis leur création, les sciences sociales sont étroitement liées à la théorisation des changements technologiques dans des domaines tels que la vie économique, la production industrielle, les relations de travail et l’éducation. Max Weber a retracé comment la rationalisation technique et la bureaucratie ont redéfini l’autorité. W. E. B. Du Bois a révélé comment l’industrialisation s’entrecroisait avec les inégalités économiques et raciales. Plus tard, Herbert Marcuse a mis en lumière la manière dont la technologie pouvait redéfinir la liberté et la pensée elle-même. Leurs travaux illustrent comment les moments de bouleversement technologique ont stimulé le développement d’idées fondamentales dans les sciences sociales.

Pourtant, l’IA avancée pose des défis qui pourraient pousser cette tradition à ses limites. Contrairement aux machines industrielles qui prolongeaient le travail humain ou aux formes bureaucratiques qui rationalisaient les tâches, les outils d’IA fonctionnent grâce à la reconnaissance rapide de modèles statistiques et au traitement de données à grande échelle, ce qui rend difficile toute comparaison avec les technologies antérieures. Leur déploiement peut ébranler des catégories qui semblaient autrefois stables — le travail, le savoir, la gouvernance, voire la personnalité — et, ce faisant, exiger des innovations normatives et conceptuelles de la part des spécialistes en sciences sociales. Les phénomènes sociotechniques que les théoriciens antérieurs avaient mis en lumière réapparaissent aujourd’hui, mais réfractés par des systèmes algorithmiques d’une ampleur, d’une opacité et d’une portée susceptibles de mettre à rude épreuve les cadres théoriques hérités.

L’enjeu va bien au-delà d’une simple compréhension rétrospective. Si les chercheurs en sciences sociales attendent que les systèmes d’IA soient pleinement établis, nous ne pourrons que documenter leurs conséquences après coup. L’occasion qui s’offre à nous consiste plutôt à façonner des trajectoires en parallèle afin d’articuler des cadres analytiques critiques, de mettre en lumière les risques, de générer des concepts et des données probantes qui guident les choix publics en matière de conception et de gouvernance, et de faire progresser la recherche qui approfondit notre compréhension de la société contemporaine.

Les chercheurs en sciences sociales qui se penchent sur l’intelligence artificielle s’inscrivent dans une tradition de réflexion sur les nouveaux développements technologiques. Nous reconnaissons depuis longtemps que les technologies ne sont pas de simples instruments neutres, mais des forces qui redistribuent le pouvoir et façonnent le sens. Les théories classiques de la société se sont souvent forgées en réponse à des bouleversements sociaux induits par la technologie : les bouleversements de la Révolution industrielle, les déplacements liés aux empires, la réorganisation du travail et de la politique après une guerre mondiale. Chaque vague de transformation exigeait non seulement une description empirique, mais aussi une interprétation. L’intelligence artificielle, avec ses promesses et ses dangers, présente un moment paradigmatique similaire, qui appelle à la redécouverte de ces traditions théoriques et à leurs prolongements créatifs.

Max Weber fut parmi les premiers à saisir ces dynamiques; il cherchait à comprendre comment le capitalisme industriel réorganisait l’autorité et la légitimité. Dans L’éthique protestante et l’esprit du capitalisme (1905), il observe que « cet ordre est désormais lié aux conditions techniques et économiques de la production mécanisée qui […] déterminent la vie de tous les individus […] avec une force irrésistible ».1Max Weber, The Protestant Ethic and the Spirit of Capitalism(Routledge, 2001), 123. Pour Weber, le système d’usine n’était pas seulement une structure économique, mais une volonté implacable d’organiser la vie par le calcul, l’efficacité et le contrôle. Il décrit le résultat comme une « cage de fer » : un ordre social dans lequel les logiques bureaucratiques et techniques, une fois déchaînées, confinaient les êtres humains au sein de systèmes de rationalisation et restreignaient leur liberté. Cette image de la cage de fer trouve aujourd’hui un écho puissant. La gestion algorithmique suit les mouvements des travailleurs des entrepôts d’Amazon, les itinéraires des chauffeurs d’Uber et la productivité des centres d’appels; elle automatise les décisions d’embauche et impose un réseau de surveillance continue. Tout comme les usines de la Révolution industrielle régimentaient le temps et le travail, les systèmes d’IA imposent désormais des régimes de quantification dans tous les domaines, de la logistique d’entrepôt au travail intellectuel.2Lucas G. Pinheiro, “Protocols of Production: The Absent Factories of Digital Capitalism,” American Political Science Review 119 (3) (2025): 1085–1098. Weber nous aide à comprendre que ces utilisations de l’intelligence artificielle ne constituent pas simplement un ensemble de techniques, mais un système d’ordre — une logique institutionnelle qui réorganise les relations humaines sous la bannière de la rationalisation.

Pourtant, l’accent mis par Weber sur la rationalisation a laissé de côté des dimensions sociales cruciales. Au même moment, W. E. B. Du Bois insistait sur le fait que le changement technologique ne pouvait être compris indépendamment des rapports de pouvoir, en particulier ceux structurés par la race et l’empire. Dans The Negro Artisan (1902), il montre comment l’automatisation a supplanté les artisans noirs, érodant ainsi les formes d’autonomie et de savoir-faire qui avaient été essentielles à leur statut civique. Sans protections politiques, soutient-il, le changement technologique a aggravé les inégalités plutôt que de les atténuer.3W. E. B. Du Bois, The Negro Artisan (Atlanta University Press, 1902). Plus tard, dans Darkwater: Voices from Within the Veil (1920), Du Bois étend cette critique à l’échelle mondiale. Il observe que la « science occidentale » et l’industrie ont perfectionné les machines de production sans mettre au point de mécanismes de distribution équitable, transformant ainsi la maîtrise technique en un outil de domination. Du Bois insiste sur le fait que les technologies dépourvues de garde-fous politiques ne sont pas émancipatrices, mais renforcent au contraire les hiérarchies raciales, de classe et impériales4W. E. B. Du Bois, Darkwater: Voices from Within the Veil (Harcourt, Brace and Howe, 1920). Son analyse nous renvoie à une question centrale concernant l’utilisation de l’IA de pointe aujourd’hui : qui en bénéficie, qui est évincé, et comment les inégalités sont-elles réaffirmées par le déploiement de ces nouveaux systèmes?

Au milieu du XXe siècle, Herbert Marcuse avait donné un nouvel élan à cette critique, en montrant comment la rationalité technologique pouvait étouffer la réflexion critique et renforcer la conformité. Dans L’Homme unidimensionnel (1964), il soutient que l’exercice moderne du pouvoir ne reposait plus principalement sur la coercition manifeste, mais s’exerçait par le biais de la technologie elle-même. L’efficacité et la productivité sont devenues des fins incontestées, rétrécissant la pensée et le désir et empêchant d’envisager des alternatives.5Herbert Marcuse, One-Dimensional Man (Beacon Press, 1964). Cette dynamique est perceptible dans les systèmes d’IA d’aujourd’hui. Les moteurs de recommandation orientent l’attention et le désir, créant des environnements qui font apparaître certaines possibilités comme naturelles tout en en occultant d’autres. Les grands modèles linguistiques produisent des résultats persuasifs qui brouillent la frontière entre l’information et la manipulation; comme le souligne le diagnostic de Marcuse, les contraintes pesant sur l’action humaine semblent inévitables précisément parce qu’elles se présentent sous le couvert de systèmes techniques. Son œuvre nous rappelle que le pouvoir de la technologie ne réside pas seulement dans ce qu’elle rend possible, mais aussi dans la manière dont elle restreint les horizons de la pensée et de l’action.

Dans l’ensemble, Weber, Du Bois et Marcuse nous rappellent que les technologies ne se contentent pas d’augmenter les capacités humaines; elles peuvent bouleverser la vie sociale, redistribuer le pouvoir et encadrer le sens. Il est important de revenir à leurs travaux aujourd’hui, non pas parce que leurs théories s’adaptent parfaitement à l’ère de l’IA, mais parce qu’elles nous enseignent à poser les bonnes questions. Leurs idées demeurent indispensables pour interpréter l’IA, même si de nouvelles conditions nous obligent à les développer avec créativité et prudence. Renouer avec cette tradition ne signifie donc pas la reproduire mécaniquement, mais la renouveler, en élaborant de nouvelles catégories et méthodes adaptées à notre époque.

L’intelligence artificielle introduit des formes de complexité et d’incertitude qui exigent de nouveaux outils conceptuels. Les systèmes d’apprentissage automatique, par exemple, peuvent générer des résultats ou identifier des modèles qui n’ont pas été programmés à l’avance et qui peuvent être imprévisibles pour les développeurs. La portée des technologies d’IA à travers divers domaines est tout aussi significative. Contrairement à une machine rattachée à un seul site, comme un hôpital ou une usine, les systèmes d’IA sont omniprésents, s’étendant à de multiples sphères sociales. Une cote de crédit détermine non seulement l’accès au crédit, mais aussi les possibilités de logement et d’emploi.6Solon Barocas and Andrew D. Selbst, “Big Data’s Disparate Impact,” California Law Review 104 (3) (2016): 671–732; and Cathy O’Neil, Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy (Crown, 2016). Les algorithmes de modération de contenu influencent à la fois l’expression quotidienne et la politique nationale.7Tarleton Gillespie, Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media (Yale University Press, 2018); and Zeynep Tufekci, Twitter and Tear Gas: The Power and Fragility of Networked Protest (Yale University Press, 2017). L’optimisation de la chaîne d’approvisionnement modifie la logistique des entreprises et se répercute sur les marchés du travail mondiaux et la géopolitique.8Tanya Carayannis, Naima Kane, Marie-Therese Png, and Alondra Nelson, Summary Report: Workshop on the Geopolitics of Critical Minerals and the AI Supply Chain (Science, Technology, and Social Values Lab, Institute for Advanced Study, 2025). Ces interconnexions révèlent que les outils et les modèles d’IA sont des systèmes dotés d’effets multiplicateurs qui peuvent se propager au-delà de leurs applications initialement prévues ou de leurs lieux d’utilisation immédiats.9Alondra Nelson, The Social Life of DNA: Race, Reparations, and Reconciliation after the Genome (Beacon Press, 2016).

À cette imprévisibilité et à cette portée interdisciplinaire s’ajoute une troisième caractéristique déterminante de l’IA avancée : l’opacité — qui n’est pas nécessairement intrinsèque aux outils eux-mêmes, mais résulte de décisions commerciales visant à déployer des systèmes qui ne sont pas pleinement compris et qui sont rarement transparents. Cette situation, combinée aux revendications de propriété intellectuelle, à la course effrénée à l’IA et à l’absence de surveillance réglementaire, fait en sorte que les systèmes d’IA peuvent être difficiles à examiner. L’opacité, dans ce sens plus large, n’est pas simplement une condition technique, mais une stratégie politique et économique : les systèmes sont rendus difficiles à analyser non pas parce que leur complexité rend la transparence impossible, mais parce que les incitatifs commerciaux et les arrangements institutionnels rendent l’opacité rentable. C’est précisément ce qui fait de l’IA un objet central de la recherche en sciences sociales plutôt qu’une préoccupation technique étroite.10Alondra Nelson, “Algorithmic Agnotology: On AI, Knowledge, and Power,” invited lecture presented at the 39th Annual AAAI Conference on Artificial Intelligence, Philadelphia, Pennsylvania, March 1, 2025.

Ces caractéristiques — imprévisibilité, portée interdomaines et opacité — redéfinissent également des questions persistantes liées au pouvoir. La rationalisation de la vie, la perpétuation des inégalités et le rétrécissement de la pensée persistent tous à l’ère de l’IA, mais se réfractent à travers des systèmes et des institutions qui exigent que les chercheurs en sciences sociales les repensent. Il faut analyser comment l’utilisation omniprésente de l’IA organise le pouvoir et restreint l’imagination en tenant compte de l’ampleur, de la vitesse et de la portée infrastructurelle que les théoriciens antérieurs n’avaient pas prévues.

Des chercheurs de toutes les disciplines des sciences sociales ont entrepris ce travail de renouveau théorique. En sociologie, les analyses de la « société ordinale » actualisent les analyses classiques de la rationalisation, en montrant comment le classement et la notation algorithmiques intensifient la stratification sociale et redéfinissent l’appartenance sociale.11Marion Fourcade and Kieran Healy, The Ordinal Society (Harvard University Press, 2024). En sciences politiques, la recherche sur la délibération démocratique examine les conditions dans lesquelles les outils algorithmiques pourraient soutenir plutôt que supplanter la prise de décision collective — tout en mettant en garde contre la manière dont l’utilisation de l’intelligence artificielle menace la démocratie, notamment la représentation, la reddition de comptes et la confiance.12Hélène Landemore, Open Democracy: Reinventing Popular Rule for the Twenty-First Century (Princeton University Press, 2020); Sendhil Mullainathan, “Economics in the Age of Algorithms,” AEA Papers and Proceedings 115 (2025): 1–23; Sarah Kreps and Doug Kriner, “How AI Threatens Democracy,” Journal of Democracy 34 (4) (2023): 122–131; and Mark Coeckelbergh, “Artificial Intelligence, the Common Good, and the Democratic Deficit in AI Governance,” AI and Ethics 5 (4) (2025): 1491–1497. Les économistes ont fait valoir que la prise en compte des interactions entre les chercheurs et les outils d’apprentissage automatique peut contribuer à affiner l’élaboration des théories, et ont développé des cadres axés sur les tâches démontrant que les effets de l’IA sur le travail et les inégalités ne sont pas déterminés par la technologie, mais dépendent des choix relatifs à la conception et au déploiement de ces systèmes.13Daron Acemoglu, “The Simple Macroeconomics of AI,” NBER Working Paper 32487 (National Bureau of Economic Research, 2024); and Mullainathan, “Economics in the Age of Algorithms.” Les théories du travail numérique ont montré comment les centres d’étiquetage de données et les plateformes de microtravail mettent en œuvre des règles de discipline, de supervision et de fragmentation qui reproduisent et renforcent, plutôt que de transcender, les régimes de contrôle industriels.14Pinheiro, “Protocols of Production.” Des études sur la race et la technologie ont révélé comment des systèmes algorithmiques présentés comme neutres encodent et reproduisent en réalité la hiérarchie raciale, prolongeant ainsi les schémas historiques de discrimination dans la prise de décision automatisée.15Ruha Benjamin, Race After Technology: Abolitionist Tools for the New Jim Code (Polity, 2019).

Pourtant, même les technologies émergentes puissantes ne déterminent pas leurs propres applications ni leurs résultats. La recherche sur les biotechnologies algorithmiques a mis en évidence leur « vie sociale » et la manière dont les communautés contestent et réorientent les outils scientifiques, proposant des modèles conceptuels pour comprendre comment les significations et les utilisations de l’IA demeurent des lieux de lutte plutôt que des résultats figés.16Arjun Appadurai, The Social Life of Things: Commodities in Cultural Perspective (Cambridge University Press, 2014); Nelson, The Social Life of DNA; and Aaron Panofsky and Joan Donovan, “Genetic Ancestry Testing Among White Nationalists: From Identity Repair to Citizen Science,” Social Studies of Science 49 (5) (2019): 653–681. Les recherches sur le commerce financier automatisé ont étendu le concept d’« ordre d’interaction » du sociologue Erving Goffman aux systèmes algorithmiques afin d’expliquer comment les algorithmes de négociation font la file, se font concurrence et trompent par le biais des carnets de commandes électroniques, générant ainsi des dynamiques émergentes qu’aucun acteur individuel n’a conçues ni ne contrôle entièrement.17Donald MacKenzie, “How Algorithms Interact: Goffman’s ‘Interaction Order’ in Automated Trading,” Theory, Culture & Society 36 (2) (2019): 39–59. Ces travaux suggèrent l’innovation théorique requise à l’heure actuelle : s’appuyer sur les traditions disciplinaires tout en forgeant des perspectives adaptées aux qualités et aux défis distincts de l’IA avancée.

Mais l’architecture théorique complète permettant de comprendre l’IA dans la société reste à construire. Ce qu’il faut, ce n’est pas simplement un catalogue de ses effets dans tous les secteurs, mais des analyses intégrées de la manière dont les systèmes algorithmiques transforment les coordonnées fondamentales de l’existence sociale : la nature du travail et de la valeur économique, le caractère de la vie publique et de l’autorité politique, la production et la circulation du savoir, ainsi que les limites mêmes de l’action humaine. De tels cadres appréhenderont l’intelligence artificielle non pas comme une technologie distincte, mais comme une couche infrastructurelle qui influe de plus en plus sur le fonctionnement des institutions, sur la façon dont les individus sont perçus et classés, et sur la manière dont les avenirs collectifs sont imaginés et compromis.

Le moment actuel exige des sciences sociales qu’elles renouent avec leurs traditions critiques tout en les élargissant — pour penser au-delà des catégories que les transformations antérieures ont mises en évidence et pour élaborer de nouveaux concepts à la mesure des incertitudes actuelles. Construire cette analyse exigera une collaboration soutenue entre les disciplines et une volonté de mener des recherches empiriques tout en théorisant à l’échelle de la transformation induite par l’IA. Mais le renouveau ne peut se faire dans l’abstraction. Il nécessite un engagement envers les modèles, les outils et les systèmes par lesquels l’intelligence artificielle est déployée dans la société. En reliant les traditions critiques à la recherche émergente, les sciences sociales devraient aborder le tournant de l’IA comme exigeant non seulement une attention théorique, mais aussi une investigation empirique.

Pour les sciences sociales, l’IA est devenue incontournable. Elle touche tous les domaines de recherche — politiques, économiques, culturels et épistémiques. Par conséquent, l’étudier ne consiste pas simplement à analyser un ensemble de technologies, mais à examiner la « chaîne complète de l’IA » — depuis l’extraction des minéraux essentiels jusqu’aux besoins énergétiques des centres de données, en passant par la participation des travailleurs au développement et à l’adoption, ainsi que par la conception et la circulation des produits d’IA.18Carayannis, Kane, Png, and Nelson, Summary Report. Si l’on prend cela au sérieux, cela signifie traiter les modèles, les outils et les systèmes d’IA non pas comme une entreprise technique, mais comme une entreprise sociale — le fondement d’une science sociale de l’IA.

Dans l’ensemble des sciences sociales, les technologies ne sont pas analysées comme de simples instruments, mais comme des produits humains qui orientent les flux de ressources, de capital et d’imaginaires, et dont la conception, la propriété, la circulation et l’utilisation s’inscrivent dans des contextes plus larges.19Sheila Jasanoff, Designs on Nature: Science and Democracy in Europe and the United States (Princeton University Press, 2005). Cette perspective est essentielle pour comprendre les systèmes d’IA qui sont conçus dans des laboratoires et des entreprises, mais qui dépassent rapidement ces lieux pour s’ancrer dans la société. Ils incarnent des hypothèses sur ce qui est précieux ou efficace, façonnant ainsi la répartition de la visibilité, de la reconnaissance et des occasions.20Safiya Umoja Noble, Algorithms of Oppression: How Search Engines Reinforce Racism (NYU Press, 2018); Benjamin, Race After Technology; and Sarah Brayne, Predict and Surveil: Data, Discretion, and the Future of Policing (Oxford University Press, 2020). L’intégration de l’IA dans la vie sociale exige donc l’attention non seulement des chercheurs qui étudient les impacts de la technologie, mais aussi de tous ceux qui étudient l’organisation de la société.

Cela apparaît clairement lorsqu’on examine comment l’IA interagit avec les relations sociales. Ce qui apparaît comme un « fil d’actualité » ou un « sujet tendance » dans les médias est en fait le résultat de décisions algorithmiques concernant la visibilité et l’engagement.21Tufekci, Twitter and Tear Gas. Des recherches ont montré comment la reconnaissance, l’intimité et le statut sont de plus en plus influencés par les systèmes d’IA, modifiant ainsi les conditions dans lesquelles les liens sociaux se forment et se maintiennent.22Virginia Eubanks, Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor (St. Martin’s Press, 2018); and Fourcade and Healy, The Ordinal Society. La surveillance, elle aussi, a été réinventée : au lieu de se contenter d’enregistrer les comportements, la surveillance algorithmique les conditionne activement, incitant les individus vers certains choix, construisant des profils probabilistes susceptibles d’anticiper complètement toute action et bafouant la vie privée, et ce, à l’échelle de populations entières.23David Lyon and David Murakami Wood, eds., Big Data Surveillance and Security Intelligence (University of British Columbia Press, 2021). L’IA apparaît ainsi non seulement comme une infrastructure de communication, mais aussi comme une force médiatrice — une force qui sélectionne ce qui est vu, conditionne ce qui est fait et influence la manière dont l’identité et le capital social se constituent par le biais de logiques computationnelles opérant simultanément aux niveaux intime et global.

Une science sociale de l’IA peut également interroger les marchés du travail, en démontrant que l’intelligence artificielle ne se contente pas de remplacer ou d’augmenter le travail humain, mais qu’elle réorganise les relations d’expertise et de valeur à travers lesquelles les économies sont traditionnellement structurées. Des plateformes telles que Google, Amazon et ByteDance déploient l’IA pour coordonner la production et le travail, en extrayant de la valeur par le biais des données, de l’échelle et de la sélection algorithmique. Ces dynamiques mettent à rude épreuve les modèles économiques fondés sur des acteurs rationnels : les systèmes d’IA génèrent des schémas d’interaction entre le comportement humain et la vitesse ainsi que la portée des algorithmes que les modèles traditionnels ne parviennent pas toujours à saisir.24Diane Coyle, Markets, State, and People: Economics for Public Policy (Princeton University Press, 2021). L’économiste David Autor soutient que cette réorganisation ne se limite pas à éliminer des emplois, mais « redéfinit l’expertise », permettant à davantage de travailleurs d’assumer des responsabilités autrefois réservées à des professionnels hautement qualifiés.25David Autor, “Applying AI to Rebuild Middle Class Jobs,” NBER Working Paper 32140 (National Bureau of Economic Research, 2024). Toutefois, le fait que cela renforce ou érode les moyens de subsistance de la classe moyenne dépend de la conception institutionnelle et des politiques mises en œuvre.26Erik Brynjolfsson, “The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence,” Dædalus 151 (2) (Spring 2022): 272–287. Autor approfondit ce point avec le chercheur Neil Thompson en démontrant que l’automatisation affecte les salaires et l’emploi différemment selon que ce sont des tâches « d’experts » ou « de non-experts » qui sont remplacées.27David Autor and Neil Thompson, “Expertise,” NBER Working Paper 33941 (National Bureau of Economic Research, 2024). En analysant des millions d’offres d’emploi en ligne, l’économiste Daron Acemoglu et ses collègues retracent comment l’adoption de l’IA modifie les exigences en matière de compétences, constatant qu’elle réduit le nombre de postes vacants en dehors des fonctions à forte intensité d’IA, même si les effets globaux sur l’emploi restent modestes.28Daron Acemoglu, David Autor, Jonathon Hazell, and Pascual Restrepo, “Artificial Intelligence and Jobs: Evidence from Online Vacancies,” Journal of Labor Economics 40 (S1) (2022). Ces effets sur le marché du travail et les inégalités sont indissociables des contextes politiques et institutionnels dans lesquels ces technologies sont déployées.

Une science sociale de l’IA doit donc également s’intéresser à la gouvernance à l’ère algorithmique : comment le pouvoir est exercé, comment la légitimité est revendiquée, et comment les citoyens peuvent demander des comptes aux institutions qui utilisent l’IA.29Cynthia Dwork and Martha Minow, “Distrust of Artificial Intelligence: Sources & Responses from Computer Science & Law,” Dædalus 151 (2) (Spring 2022): 309–321. Partout dans le monde, les gouvernements déploient désormais des outils algorithmiques pour attribuer les prestations sociales, réglementer l’immigration et assurer le maintien de l’ordre.30Eubanks, Automating Inequality; Karen Levy, Kyla E. Chasalow, and Sarah Riley, “Algorithms and Decision-Making in the Public Sector,”Annual Review of Law and Social Science 17 (2021): 309–334; and Helen Margetts, “Rethinking AI for Good Governance,” Dædalus 151 (2) (Spring 2022): 360–371. L’ethnographie de Sarah Brayne sur le Service de police de Los Angeles illustre comment les systèmes dits de « maintien de l’ordre prédictif » réorganisent le pouvoir discrétionnaire, élargissant la surveillance des communautés marginalisées tout en soustrayant les utilisateurs de ces technologies à toute obligation de rendre des comptes.31Brayne, Predict and Surveil. Les sociologues soutiennent donc que l’engagement des sciences sociales envers l’intelligence artificielle doit inclure les questions de gouvernance et accorder une attention soutenue à la manière dont l’IA génère des inégalités et concentre le pouvoir.32Tina Law and Leslie McCall, “Artificial Intelligence Policymaking: An Agenda for Sociological Research,” Socius: Sociological Research for a Dynamic World 10 (2024). Les politologues ont cherché à déterminer si l’IA pourrait soutenir plutôt que supplanter la prise de décision collective, en examinant comment les outils algorithmiques pourraient faciliter la délibération à grande échelle tout en reconnaissant les risques que ces technologies posent pour l’acceptation et la participation du public.33Hélène Landemore, “Can AI Bring Deliberation to the Masses?” in Routledge Handbook of Collective Intelligence for Democracy and Governance, ed. Stephen Boucher, Carina Antonia Hallin, and Lex Paulson (Routledge, 2024); and Henry Farrell and Hahrie Han, “AI and Democratic Publics,” Traduction française : IA et publics démocratiques, Knight First Amendment Institute at Columbia University, August 1, 2025. Ces études démontrent que le déploiement de l’IA reflète des choix politiques et des arrangements organisationnels autant que des possibilités technologiques.

L’IA mérite également qu’on s’y intéresse en tant que phénomène culturel — un phénomène qui façonne non seulement ce que les gens voient et entendent, mais aussi la manière dont le sens lui-même est produit. Les algorithmes de recommandation sélectionnent les films, la musique et les nouvelles auxquels des milliards de personnes sont exposées quotidiennement, structurant ainsi l’attention et les goûts.34Nick Seaver, “Attention Is All You Need,” in Scenes of Attention: Essays on Mind, Time, and the Senses, ed. D. Graham Burnett and Justin E. H. Smith (Columbia University Press, 2023). Ces systèmes ne se contentent pas de refléter les préférences existantes, ils les façonnent activement, créant des boucles de rétroaction entre le comportement des utilisateurs et la sélection algorithmique qui rendent difficile de distinguer le choix du conditionnement. La recherche ethnographique — notamment sur la consommation culturelle et le travail à la tâche — a mis en lumière la manière dont les travailleurs, les artistes et les créateurs de contenu naviguent au sein de ces logiques, ainsi que la façon dont les systèmes d’IA cultivent des formes particulières de subjectivité.35Ibid.; and Lindsey Cameron, “Making Out While Driving: Relational and Efficiency Games in the Gig Economy,” Administrative Science Quarterly 67 (4) (2022): 976–1013. Parallèlement, ces technologies modifient l’infrastructure du discours public, soulevant des questions quant à l’avenir du savoir partagé et de la confiance.36Tufekci, Twitter and Tear Gas; and Gillespie, Custodians of the Internet. À travers ces processus, le déploiement de l’IA transforme le terrain culturel sur lequel se déroule la vie sociale, non pas en déterminant les résultats, mais en modifiant les conditions dans lesquelles le sens se construit.

Les implications de l’utilisation de l’IA s’étendent au-delà de la gouvernance et du droit pour toucher à la compréhension culturelle de l’humanité elle-même. En particulier, des anthropologues et des sociologues ont exploré la manière dont les gens interagissent avec des compagnons, des assistants et des avatars IA d’une façon qui brouille les frontières entre outil, partenaire et personnage — soulevant des préoccupations quant à la dépendance émotionnelle et à la santé mentale.37Linnea I. Laestadius, Andrea Bishop, Michael Gonzalez, et al., “Too Human and Not Human Enough: A Grounded Theory Analysis of Mental Health Harms from Emotional Dependence on the Social Chatbot Replika,” New Media & Society 26 (5) (2022): 2749–2767; and Celeste Campos-Castillo, Xuan Kang, and Linnea I. Laestadius, “Perspectives on How Sociology Can Advance Theorizing about Human-Chatbot Interaction and Developing Chatbots for Social Good,” arXiv (2025). La sociologue Marion Fourcade et le politologue Henry Farrell soutiennent que les grands modèles linguistiques déstabilisent déjà les rituels quotidiens qui sous-tendent la confiance dans les institutions.38Marion Fourcade and Henry Farrell, “Large Language Models Will Upend Human Rituals,” The Economist, September 4, 2024.
Les lettres de recommandation, les évaluations de rendement et l’examen par les pairs reposent autant sur la répétition et la formalité que sur l’originalité; lorsque de tels rituels sont générés par l’IA, leur sens s’en trouve modifié. L’efficacité peut s’en trouver accrue, mais le risque est une érosion de la croyance en la sincérité des paroles d’autrui — un fondement sur lequel repose la confiance sociale. L’anthropologue Nick Seaver enrichit cette ligne de recherche en montrant comment le concept d’« attention » a migré de la psychologie humaine vers l’architecture des réseaux neuronaux.39Seaver, “Attention Is All You Need.” Dans l’apprentissage automatique, l’attention fonctionne comme un mécanisme technique permettant d’évaluer la pertinence, mais dans la vie publique, elle désigne également une faculté humaine fragile et vulnérable à la manipulation. Ces études suggèrent que les utilisations de l’IA ne se contentent pas d’étendre les capacités humaines, mais les reconstituent, transformant l’attention et le rituel en lieux contestés d’action et de signification.

Enfin, l’utilisation de l’IA pose des défis à la production de connaissances elle-même, y compris celles issues des sciences sociales. Les chercheurs s’appuient de plus en plus sur l’apprentissage automatique pour analyser de vastes ensembles de données, identifier des tendances et générer des hypothèses à une vitesse qu’aucune équipe humaine ne pourrait égaler. Ces outils introduisent également de nouveaux risques épistémiques. L’anthropologue Lisa Messeri et le spécialiste des sciences cognitives M. J. Crockett soutiennent que l’IA est adoptée dans la recherche en tant qu’« oracle », « substitut », « analyste quantitatif » ou « arbitre » — des rôles qui lui confèrent une aura d’autorité et créent des « illusions de compréhension », dans lesquelles des résultats limités sont interprétés à tort comme une compréhension globale.40Lisa Messeri and M. J. Crockett, “Artificial Intelligence and Illusions of Understanding in Scientific Research,” Nature 627 (8002) (2024): 49–58. Cela soulève des questions tant sur la validité des résultats obtenus avec l’aide de l’IA que sur la répartition de l’autorité épistémique : Qui est en mesure d’évaluer les affirmations générées par des systèmes dont le fonctionnement peut être opaque? À mesure que les outils d’IA s’intègrent aux flux de travail de la recherche, les disciplines des sciences sociales sont confrontées à un défi réflexif : étudier les changements en matière de savoir, de confiance et d’épistémologie au sein de la société, tout en restant attentives à la manière dont leurs propres méthodes pourraient être réorientées au cours de ce processus.

D’un point de vue général, un constat cohérent se dégage de cette recherche : l’IA n’est pas une force externe agissant sur la société de l’extérieur, mais un phénomène interne constitué par des processus sociaux, des choix institutionnels, des dynamiques de marché et des luttes politiques. Ses effets ne sont ni uniformes ni prédéterminés. Ils varient selon le contexte, la conception et la répartition du pouvoir qui détermine la manière dont ces technologies sont conçues, déployées et contestées. Une science sociale de l’IA doit donc être à la fois empirique et normative, attentive au fonctionnement pratique des systèmes algorithmiques et aux valeurs qui devraient guider leur développement. Les recherches présentées ici marquent les débuts d’une telle entreprise, qui considère l’IA non pas comme un choc exogène, mais comme un lieu central où se négocient des questions fondamentales sur l’inégalité, l’autorité et le bien-être humain.

Les questions qui subsistent sont aussi cruciales que celles auxquelles les sciences sociales ont jamais été confrontées. Dans quelles conditions les systèmes algorithmiques accentuent-ils la stratification, et dans quelles conditions pourraient-ils être conçus pour la réduire? Comment les interactions médiatisées par l’intelligence artificielle redéfinissent-elles la formation de l’identité, de la communauté et de l’action collective? Quels arrangements institutionnels et politiques peuvent préserver une capacité d’action humaine significative dans des processus décisionnels de plus en plus délégués aux machines? Quelles formes de gouvernance sont appropriées et efficaces pour des systèmes sociotechniques de plus en plus dynamiques? Comment les sociétés vont-elles réimaginer, négocier ou redessiner les frontières entre l’humain et la machine? Et à mesure que ces modèles, outils et systèmes d’IA sont développés pour devenir plus performants, autonomes et omniprésents, quels avenirs sociétaux sont compromis ou rendus possibles par les choix inhérents à leur développement? Il s’agit là de questions fondamentales concernant l’ordre social et la répartition des avantages et des fardeaux.

Si les technologies d’IA constituent un axe de recherche social incontournable, elles deviennent également de plus en plus les vecteurs par lesquels les sciences sociales elles-mêmes sont menées. Tout comme l’introduction des sondages, des recensements, de la modélisation statistique et des plateformes d’analyse de données qualitatives a transformé les pratiques de recherche dans le passé, les outils d’IA élargissent aujourd’hui le répertoire méthodologique des sciences sociales de manière à la fois créative et déstabilisante.41Jenny L. Davis and Mona Sloane, “AI’s Sociological Era,” Social Science Computer Review, November 7, 2025 – Traduction française : L’ère sociologique de l’IA; and Cathleen O’Grady, “AI May Upend Online Studies Critical to Social Science,” Science, December 19, 2025. Le défi consiste à déterminer comment ces outils pourraient favoriser de nouvelles façons de connaître sans limiter la recherche à ce qui est le plus facilement calculable, ni permettre que les axes de recherche soient dictés par la technologie facilement accessible plutôt que par des questions importantes.

Les technologies d’IA peuvent offrir des avantages considérables à la recherche en sciences sociales. En traitant rapidement de vastes corpus de textes, d’images et de données, elles permettent aux chercheurs en sciences sociales d’analyser des tendances qu’il aurait été impossible de détecter avec les méthodes traditionnelles. Les outils d’IA peuvent aider les chercheurs à étendre leur analyse du niveau micro des interactions individuelles au niveau macro des réseaux mondiaux, ouvrant ainsi de nouveaux points de vue sur l’évolution de la culture, de la politique et de l’économie. Elles peuvent contribuer à accélérer les processus de recherche, faciliter l’analyse comparative à travers le temps et l’espace, et générer des ensembles de données synthétiques permettant de tester des scénarios contrefactuels. Ces capacités pourraient faire progresser les débats disciplinaires et renforcer le rôle public des sciences sociales, en donnant potentiellement aux chercheurs les moyens de répondre avec rigueur et rapidité à des enjeux urgents, notamment en ce qui concerne les implications sociales et politiques des technologies d’IA et des entreprises qui les développent.42Rick Harrison, “AI Accelerates Research Across Social Sciences: Insights from Yale’s DISSC,” Institution for Social and Policy Studies (ISPS), Yale University, December 17, 2024; and Igor Grossman, “Beyond the Hype: How AI Could Change the Game for Social Science Research,” The Conversation, July 3, 2023.

Il y a plus d’une décennie, je me suis joint à des collègues pour réclamer une nouvelle « science sociale computationnelle ». Dans la revue Science, nous avons fait valoir que les traces numériques massives générées par l’activité commerciale en ligne ouvraient des possibilités sans précédent pour la recherche sociale.43David Lazer, Alex Pentland, Lada Adamic, et al., “Computational Social Science,” Science 323 (5915) (2009): 721–723. L’exploitation de ces données exigeait une collaboration interdisciplinaire — entre l’informatique, la sociologie, les sciences politiques, l’économie et le droit — et nécessitait une attention particulière à l’éthique, à la vie privée et à l’interprétation. Les sciences sociales computationnelles promettaient d’élargir le champ d’action et de connaissance des chercheurs en sciences sociales, en permettant une analyse en temps réel des dynamiques sociales à l’échelle de la population. Mais elle comportait également des risques de distorsion si elle était pratiquée sans esprit critique, en traitant les données comme une fin en soi plutôt que comme un moyen partiel de mettre en lumière la vie sociale.44danah boyd and Kate Crawford, “Critical Questions for Big Data: Provocations for a Cultural, Technological, and Scholarly Phenomenon,” Information, Communication & Society 15 (5) (2012): 662–679; Matthew Zook, Solon Barocas, danah boyd, et al., “Ten Simple Rules for Responsible Big Data Research,” PLOS Computational Biology 13 (3) (2017); and Diane Coyle, “Socializing Data,” Dædalus 151 (2) (Spring 2022): 348–359.

Cet appel est aujourd’hui renouvelé à l’ère de l’IA, quoique avec une plus grande prudence. Alors que les sciences sociales computationnelles s’appuyaient autrefois sur l’analyse des traces numériques — requêtes de recherche, publications sur les médias sociaux, relevés de téléphonie mobile —, l’IA introduit des systèmes génératifs et « prédictifs » qui structurent activement ces traces et peuvent même en générer de synthétiques. Les chercheurs en sciences sociales ne se contentent plus d’analyser le comportement humain et social tel qu’il est médiatisé par les outils numériques; ils analysent également des environnements déjà façonnés par l’intelligence artificielle et utilisent de plus en plus eux-mêmes des algorithmes pour mener leurs recherches.45J. Nathan Matias, “Humans and Algorithms Work Together–So Study Them Together,” Nature 617 (7960) (2023): 248–251. L’IA n’est pas simplement une source de données parmi d’autres. Il s’agit d’un ensemble d’instruments de recherche novateurs, tantôt productifs, tantôt trompeurs, qui reconfigure certaines facettes de la recherche sociale et exige un examen bien plus critique que celui dont elle a fait l’objet jusqu’à présent.

Des exemples issus de diverses disciplines illustrent le potentiel et les limites de cette transformation méthodologique. En sociolinguistique, les grands modèles linguistiques ont ouvert de nouvelles possibilités pour l’analyse de l’acquisition et du traitement du langage. Entraînés sur d’énormes corpus de textes, ces modèles apprennent de grandes régularités statistiques du langage — ce que la linguiste Emily M. Bender et ses collègues ont décrit comme un « mimétisme stochastique » — que les chercheurs peuvent néanmoins exploiter pour explorer des schémas linguistiques.46Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, and Shmargaret Shmitchell, “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜” in FaccT ’21: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency(Association for Computing Machinery, 2021), 610–623. Bien que ces modèles ne « comprennent » pas le langage comme le font les humains, leurs performances offrent une nouvelle perspective pour tester des hypothèses sur la structure du langage et la nature de son apprentissage.

En économie appliquée, les méthodes d’apprentissage automatique permettent une analyse en temps réel du sentiment du marché, en s’appuyant sur des flux de texte provenant des nouvelles, des médias sociaux et des informations financières.47Paul C. Tetlock, Maytal Saar-Tsechansky, and Sofus Macskassy, “More Than Words: Quantifying Language to Measure Firms’ Fundamentals,” Journal of Finance 63 (3) (2008): 1437–1467; Jon Ellingsen, Vegard H. Larsen, and Leif Anders Thorsrud, “News Media versus FRED-MD for Macroeconomic Forecasting,” Journal of Applied Econometrics 37 (1) (2022): 63–81; Matthew Gentzkow, Bryan T. Kelly, and Matt Taddy, “Text as Data,” NBER Working Paper 23276 (National Bureau of Economic Research, 2017); and Michele Costola, Oliver Hinz, Michael Nofer, and Loriana Pelizzon, “Machine Learning Sentiment Analysis, COVID-19 News and Stock Market Reactions,” Research in International Business and Finance 64 (2023): 101881. Les économistes peuvent désormais étudier les boucles de rétroaction entre l’information et le comportement, révélant ainsi des dynamiques qui étaient autrefois opaques.48Coyle, Markets, State, and People; and Mullainathan, “Economics in the Age of Algorithms.” Pourtant, ces méthodes soulèvent également des préoccupations. Les modèles de prévision intégrant des outils d’IA peuvent améliorer la précision des « prédictions » au détriment de l’interprétabilité, et avec une capacité limitée à expliquer les mécanismes à l’origine des résultats de recherche ou des résultats économiques. Le domaine est confronté à un compromis entre la robustesse, la transparence méthodologique et des normes probatoires communes.

En sociologie, l’utilisation de l’intelligence artificielle peut permettre une analyse de contenu à très grande échelle, capable de retracer les changements culturels ou la diffusion de l’activité sociale à travers des millions de documents et de publications. Ainsi, les chercheurs peuvent désormais combiner des résultats qualitatifs avec une portée computationnelle étendue. Par exemple, les expériences du sociologue Christopher Bail portant sur la simulation sociale assistée par l’IA démontrent comment les algorithmes peuvent modéliser la dynamique de la polarisation, offrant de nouvelles façons de tester des hypothèses sur la manière dont les croyances se propagent et se figent.49Christopher A. Bail, “Can Generative AI Improve Social Science?” Proceedings of the National Academy of Sciences 121 (21) (2024). Ces modèles ouvrent des possibilités pour explorer des explications contrefactuelles, mais ils soulignent également le risque de naturaliser les hypothèses intégrées dans la conception algorithmique.

La science politique a également adopté l’IA pour la modélisation, en particulier dans l’étude du comportement électoral et des résultats des politiques. Les modèles entraînés sur des données historiques peuvent tenter de prévoir le taux de participation électorale, les revirements partisans ou l’adoption de politiques.50Andrew Gelman and Gary King, “Enhancing Democracy Through Legislative Redistricting,” American Political Science Review 88 (3) (1994): 541–559; and Ryan D. Enos, Anthony Fowler, and Lynn Vavreck, “Increasing Inequality: The Effect of GOTV Mobilization on the Composition of the Electorate,” Journal of Politics 76 (1) (2014): 273–288. Pourtant, le succès « prédictif » ne se traduit pas par une profondeur explicative. Les modèles algorithmiques peuvent reproduire des tendances observées sans éclairer les mécanismes sous-jacents, ce qui soulève des questions quant au poids que ces analyses devraient avoir dans l’explication et l’élaboration de théories.

Parallèlement, les sondages alimentés par l’IA offrent efficacité et évolutivité, mais soulèvent des préoccupations quant à l’exclusion systématique et à la rigueur. Ces méthodes peuvent donner une image fausse des populations vulnérables qui sont moins visibles sur le plan numérique ou dont les schémas linguistiques s’écartent des données d’apprentissage dominantes, reproduisant ainsi les schémas d’exclusion qui caractérisent depuis longtemps tant la recherche sociale que les institutions qu’elle étudie.51Thomas Davidson, “Start Generating: Harnessing Generative Artificial Intelligence for Sociological Research,” Socius: Sociological Research for a Dynamic World 10 (2024); and Benjamin, Race After Technology. Les communautés déjà soumises à une surveillance disproportionnée — par le biais des services de police, de l’administration de l’aide sociale ou de l’application des lois sur l’immigration — peuvent se retrouver à la fois hypervisibles aux yeux des systèmes étatiques et invisibles aux yeux de la recherche destinée à mettre en lumière leurs conditions de vie. Une étude pourrait produire des résultats qui semblent généralisables tout en omettant les personnes les plus touchées par les politiques.52M. J. Crockett and Laura Messeri, “AI Surrogates and Illusions of Generalizability in Cognitive Science,” Trends in Cognitive Sciences, October 21, 2025; and Angelina Wang, Jamie Morgenstern, and John P. Dickerson, “Large Language Models That Replace Human Participants Can Harmfully Misportray and Flatten Identity Groups,” Nature Machine Intelligence 7 (2025): 400–411. De plus, l’utilisation naissante de participants à la recherche générés par l’IA pourrait constituer une « menace existentielle » pour les sciences sociales, car elle déstabilise la frontière entre les acteurs humains et artificiels et remet en question la capacité de la recherche en ligne à saisir de manière fiable un comportement humain authentique.53Sean J. Westwood, “The Potential Existential Threat of Large Language Models to Online Survey Research,” Proceedings of the National Academy of Sciences 122 (47) (2025): e2518075122. Ces problèmes ne sont pas propres à l’utilisation d’outils algorithmiques dans la recherche, mais la rapidité de la recherche assistée par l’IA en amplifie les enjeux.

L’utilisation prudente des technologies d’IA ouvre la possibilité d’explorer des questions complexes qui ont toujours été au cœur des sciences sociales, mais qui restent difficiles à examiner pleinement avec les approches existantes. Comment l’action collective évolue-t-elle et comment se maintient-elle au fil du temps? Comment les économies informelles fonctionnent-elles à grande échelle et comment sont-elles façonnées par les modèles d’interaction sociale et d’influence? Comment le langage influence-t-il la cognition et la culture? Comment les communautés développent-elles leur résilience non seulement face à des chocs environnementaux ou économiques, mais aussi dans un contexte de changements sociaux et technologiques? Comment l’information, les récits et les normes façonnent-ils la prise de décision, les conflits et la coopération au sein des sociétés — tant à l’échelle nationale qu’internationale? Comment les institutions sociales maintiennent-elles leur légitimité et facilitent-elles la coopération dans des environnements sociaux en rapide évolution?

La concrétisation de ce potentiel dépend de la manière dont les outils d’IA sont conçus et intégrés à la recherche en sciences sociales. Les progrès dans ce domaine nécessiteront des technologies qui n’existent pas encore ou qui restent sous-développées : des modèles conçus pour être interprétables et explicables; des systèmes entraînés à partir de données acquises de manière éthique et représentatives, plutôt que d’échantillons de commodité issus de personnes visibles ou vulnérables sur le plan numérique; des outils capables d’intégrer des données qualitatives et quantitatives et de prendre en compte la complexité interprétative plutôt que de la réduire à des classifications distinctes. Si les développeurs d’IA dans l’industrie et le milieu universitaire orientaient leur travail vers ces objectifs — en partenariat avec les chercheurs en sciences sociales et les communautés —, il pourrait en résulter non seulement des améliorations progressives, mais aussi un véritable élargissement de ce que les sciences sociales peuvent connaître et accomplir.

Pourtant, la concrétisation de ce potentiel exige des méthodes que l’intelligence artificielle ne peut à elle seule fournir. La pratique ethnographique — engagement à long terme, établissement d’une relation de confiance et attention portée autant à ce qui n’est pas dit qu’à ce qui l’est — peut révéler les façons subtiles dont l’IA est intégrée à la vie sociale.54Roanne van Voosrt and Tanja Ahlin, “Key Points for an Ethnography of AI: An Approach Towards Crucial Data,” Humanities and Social Sciences Communications 11 (2024): 337. De telles approches sont particulièrement essentielles pour comprendre comment l’IA est vécue différemment au sein de communautés façonnées par la race, la classe sociale et la géographie — des différences que les données agrégées masquent systématiquement. Sans un tel ancrage, les études risquent de reproduire l’opacité même qu’elles critiquent. Si l’ancrage ethnographique est essentiel, l’engagement direct avec les systèmes étudiés l’est tout autant. Dans le cadre d’un projet mené avec la journaliste Julia Angwin et la technologue Rina Palta, j’ai examiné comment cinq chatbots largement utilisés répondaient à des questions sur les élections américaines. L’étude a révélé que ces systèmes généraient systématiquement des réponses inexactes, incomplètes ou trompeuses.55Julia Angwin, Alondra Nelson, and Rina Palta, Report: Seeking Reliable Election Information? Don’t Trust AI (The AI Democracy Projects, Institute for Advanced Study, 2024). Ce projet a mis en évidence à la fois l’utilité de l’IA pour tester la résistance des systèmes d’information automatisés et la nécessité d’une évaluation indépendante, menée par des humains, pour évaluer leurs risques sociétaux.

La leçon à tirer de ces exemples est que les technologies d’IA peuvent constituer des outils de recherche inégaux. Comme le soulignent Messeri et Crockett, l’IA risque de devenir un « marteau à la recherche de clous », incitant les chercheurs à adapter leurs questions aux outils disponibles plutôt qu’à développer des outils adaptés à des questions pertinentes.56Messeri and Crockett, “Artificial Intelligence and Illusions of Understanding in Scientific Research.” Cette dynamique menace de restreindre la recherche à ce qui est le plus lisible pour les algorithmes, tout en négligeant les enjeux qui nécessitent des approches interprétatives ou contextuelles. Une préoccupation connexe, mais distincte, concerne l’utilisation généralisée de modèles d’IA prêts à l’emploi. Entraînés sur des corpus opaques, non représentatifs ou présentant des biais historiques, ces outils compromettent la validité et la reproductibilité de la recherche, même lorsque les questions elles-mêmes sont bien conçues.

Pour relever ces défis, il faudra agir sur plusieurs fronts. La voie la plus prometteuse réside dans une recherche combinant des outils algorithmiques développés de manière éthique et déployés de façon responsable avec la profondeur de l’analyse qualitative et théorique. L’apprentissage automatique pourrait identifier des tendances dans de grands ensembles de données, que les spécialistes en sciences sociales interpréteraient ensuite à l’aide de méthodes ethnographiques ou historiques qui situent les résultats dans les relations sociales et mettent en lumière leur signification. De telles collaborations pourraient ouvrir des voies de recherche que ni les approches algorithmiques ni les approches interprétatives ne peuvent atteindre seules, élargissant ainsi la portée des sciences sociales tout en préservant l’engagement à mieux comprendre la complexité sociale. Cela exigera toutefois de la vigilance et la capacité de résister à la tentation de traiter les outils et les systèmes d’IA comme des instruments dénués de valeurs ou de laisser les résultats computationnels dicter les termes de la recherche sociale.

De nouvelles techniques de validation sont également nécessaires. De nombreux modèles, outils et systèmes d’IA sont des « boîtes noires ». Les intégrer sans discernement à la recherche pourrait rendre les sciences sociales elles-mêmes opaques. Les chercheurs en sciences sociales ont besoin de méthodes pour comparer les résultats obtenus à l’aide de l’IA aux approches établies, pour tester la robustesse des différents modèles et pour rendre transparentes les hypothèses intégrées dans les données d’apprentissage.57Harrison, “AI Accelerates Research Across Social Sciences”; and Christopher Barrie, Alexis Palmer, and Arthur Spirling, “Replication for Language Models: Problems, Principles, and Best Practice for Political Science,” working paper, November 4, 2025. Sans une telle validation, le domaine risque de céder sa force explicative à des systèmes qu’il ne peut pas interroger pleinement, produisant ainsi des résultats dépourvus de la responsabilité et de la transparence dont dépend la crédibilité scientifique.

Ces problèmes ne sont pas accessoires aux modèles d’IA propriétaires — ils sont inhérents à leur conception. Lorsque les entreprises contrôlent les systèmes les plus puissants, les chercheurs universitaires deviennent des utilisateurs plutôt que les architectes de leurs propres méthodes. Les données d’entraînement ne sont pas divulguées, les mises à jour des modèles surviennent sans préavis, et l’accès peut être révoqué ou son coût rendu inabordable. Les solutions de source ouverte — modèles, outils et systèmes dont les données d’entraînement, les architectures et la gouvernance sont transparentes pour les communautés de recherche et d’autres acteurs — s’attaquent directement à ces limites épistémiques. Il existe de solides arguments en faveur d’un rejet total des modèles d’IA propriétaires par les sciences sociales. Les exigences épistémiques de la recherche universitaire peuvent être fondamentalement incompatibles avec des systèmes axés sur le profit et fonctionnant comme des « boîtes noires », dont les données d’entraînement, l’architecture et la gouvernance restent inaccessibles à la plupart des chercheurs. Le développement de telles solutions de rechange exige des investissements et de la collaboration, mais il en résulte une infrastructure de recherche au service de la recherche universitaire plutôt que des impératifs du marché. Il ne s’agit pas d’un sentiment anti-technologie, mais d’une défense de ce qui distingue la recherche du conseil : l’impératif selon lequel les affirmations sur le monde social doivent être contestables et justifiables auprès des communautés de recherche.

L’élaboration de cadres éthiques renouvelés pour l’utilisation avancée de l’IA en sciences sociales est tout aussi urgente et devrait s’appuyer sur les connaissances du domaine concernant la technologie, le pouvoir et l’ordre social. Tout comme les normes de recherche en matière de consentement et de protection des sujets humains ont évolué au cours du XXe siècle, les cadres régissant la recherche assistée par l’IA doivent eux aussi évoluer aujourd’hui. Cela implique notamment de prêter attention à la manière dont les données d’entraînement sont obtenues, à la façon dont les résultats sont utilisés et au respect de l’autonomie des participants.58Nelson, The Social Life of DNA; and Benjamin, Race After Technology. Cela exige également d’examiner minutieusement comment la recherche assistée par l’IA peut renforcer les inégalités mêmes que de nombreux chercheurs en sciences sociales étudient : par exemple, en s’appuyant sur des données générées par la surveillance de communautés marginalisées, en contribuant à la pollution environnementale ou en perturbant la cohésion sociale. Les modèles, outils et systèmes d’IA présentent à la fois un grand potentiel et de profondes limites. Utilisés sans discernement en sciences sociales, ils risquent de restreindre les horizons de la recherche; utilisés de manière réfléchie, ils peuvent élargir la manière dont les sciences sociales peuvent contribuer à la compréhension du public. L’objectif est de développer une pratique de la recherche en sciences sociales avec l’intelligence artificielle qui soit théoriquement novatrice, méthodologiquement rigoureuse, éthiquement responsable et socialement pertinente. Une telle pratique pourrait permettre aux chercheurs d’aborder les problèmes sociaux pressants avec une précision inédite — un travail élaboré en partenariat avec les communautés touchées, attentif aux inégalités historiques et soumis à une évaluation continue. Ces sciences sociales de demain pourraient non seulement mettre en lumière les défis sociaux, mais aussi aider à envisager et à mettre à l’essai des interventions alliant capacité technique et imagination morale.

L’intelligence artificielle est bien plus qu’un simple outil de la vie moderne. Elle réorganise le travail, la gouvernance, le savoir et la culture, ébranlant des catégories qui semblaient autrefois stables et obligeant les sciences sociales à se confronter à nouveau aux questions éternelles de la liberté, de l’inégalité et du sens. Les détails changeront; les modèles qui dominent aujourd’hui seront supplantés, les débats politiques évolueront, les applications que nous trouvons aujourd’hui novatrices deviendront des infrastructures invisibles. Mais le défi sous-jacent — celui de comprendre comment les technologies remodèlent les conditions de l’existence sociale — persistera, tout comme la nécessité de rester attentif à ceux qui en bénéficient, à ceux qui en subissent les préjudices, et aux possibilités qui s’ouvrent ou se ferment.

L’histoire nous offre quelques repères. Les moments de rupture — l’industrialisation, les migrations de masse, l’essor des réseaux numériques — ont toujours exigé une réinvention conceptuelle. Les spécialistes en sciences sociales des générations précédentes ont élaboré de nouveaux cadres pour donner un sens au travail en usine, à l’organisation bureaucratique et à la transformation de la vie publique par les médias de masse. L’avènement de l’IA avancée représente une autre rupture de ce type, qui se distingue par son ampleur, sa rapidité et son enchevêtrement avec les dimensions les plus intimes de la vie quotidienne. L’IA façonne désormais les conditions dans lesquelles s’épanouissent la perception, la communication et la prise de décision, et ce, d’une manière qui met à rude épreuve notre vocabulaire actuel.

Pour les sciences sociales, il ne s’agit pas simplement d’un défi, mais d’une responsabilité. Peu d’autres domaines de recherche sont mieux placés pour aborder les enjeux qui comptent le plus aujourd’hui et à l’avenir. Ces questions ne peuvent être laissées aux seuls technologues. Elles exigent les capacités propres aux sciences sociales : la capacité de retracer les liens entre les vies individuelles et les forces structurelles, d’inscrire dans une perspective historique ce qui semble sans précédent, de mettre au centre les points de vue des personnes les plus touchées, et d’insister sur le fait que la réalité telle qu’elle est n’est pas une fatalité.

Les enjeux ne pourraient être plus importants. L’IA détermine déjà qui est embauché, qui est surveillé, qui reçoit des soins, et quelle voix est amplifiée ou étouffée. Abandonnés aux caprices des impératifs du marché et de l’optimisation technique, ces systèmes reproduiront et ancreront les inégalités sociales que les chercheurs en sciences sociales documentent et cherchent à résoudre depuis longtemps. Pourtant, cette issue n’est pas inévitable.

Cet essai s’est montré prudent tout au long de son développement. Il se doit toutefois de conclure sur une note d’optimisme. Si les sciences sociales se montrent à la hauteur de ce moment, une nouvelle génération de chercheurs, formés à la fois aux méthodes fondées sur l’IA et aux traditions interprétatives, produira des connaissances à la fois rigoureuses et humaines. Leurs travaux guideront la conception, le déploiement et la gouvernance de systèmes d’IA qui favorisent le bien-être humain plutôt que de le rationner par des algorithmes. Les décideurs s’appuieront sur des données issues des sciences sociales pour élaborer des cadres adaptatifs, responsables et attentifs aux communautés les plus touchées par les changements technologiques. Le champ d’action des sciences sociales — qui ne sera peut-être plus organisé selon les disciplines telles que nous les connaissons — forgeront de nouveaux partenariats avec des développeurs et des ingénieurs ouverts à un examen normatif et à des garde-fous juridiques, avec des artistes et des humanistes rémunérés qui apportent des façons différentes d’encadrer et d’imaginer, avec des communautés qui contribuent à façonner les programmes de recherche, et avec des publics qui exigent que l’intelligence artificielle serve le bien commun plutôt que des intérêts étroits. Les sciences sociales elles-mêmes se transforment : leurs méthodes s’enrichissent d’outils qu’elles ont appris à utiliser de manière critique, leurs questions se précisent sous le poids des enjeux, et leur influence s’amplifie grâce à la prise de conscience qu’une théorie et une recherche sociales sérieuses et engagées envers le public sont indispensables à tout avenir digne d’être souhaité.

Note de l’auteur

Je tiens à remercier James Manyika et M. J. Crockett, ainsi que les membres du Laboratoire des sciences, de la technologie et des valeurs sociales de l’Institut des études avancées, pour leurs commentaires éclairés sur cet essai.

Liste évolutive des traductions par Gilles en vrac
Les caractères gras dans le texte sont de Gilles.

Notes