Ce billet propose un retour approfondi sur le Sommet sur l’impact de l’IA en Inde 2026, tenu à New Delhi, ainsi que sur l’atelier « Innovation Workshop on GPAI India Student Community Project » qui s’y est déroulé. S’écartant du format habituel de nos publications, cette contribution prend la forme d’un compte rendu analytique et réflexif, nourri par une expérience de terrain et des échanges interdisciplinaires. L’auteur y présente à la fois ses principales contributions aux travaux de l’atelier, les enjeux structurants qui ont émergé des discussions, ainsi que plusieurs pistes de réflexion relatives à la gouvernance responsable de l’intelligence artificielle dans un contexte international.
En guise de brève présentation, je suis étudiant à la maîtrise en philosophie à l’Université de Montréal sous la direction du Pr. Jonathan Simon. Je suis également avocat spécialisé en gouvernance de l’information et en cybersécurité, ayant travaillé ces dernières années en cyberjustice sur des enjeux liés aux technologies numériques et à l’intelligence artificielle (IA), et je m’intéresse dans ma pratique aux incidences des nouvelles technologies sur le droit, la gouvernance et l’accès à la justice. J’ai également complété une maîtrise en administration des affaires (MBA). Sur le plan académique, mes intérêts portent principalement sur l’intelligence artificielle, envisagée à la fois sous des dimensions philosophiques et juridiques, l’éthique, la gouvernance et le droit international. J’ai eu l’occasion de travailler pour différents professeurs en philosophie et en droit en tant qu’assistant de recherche, et j’explore actuellement des questions liées à la métaphysique de la personne et à l’attribution potentielle de droits aux systèmes d’IA avancés, remettant en question leur capacité d’agir et leur statut juridique (à la fois objets et sujets de droit).
Photo de l’insigne principale du Sommet sur l’impact de l’IA en Inde 2026
C’est dans ce contexte que j’ai été sélectionné par le Centre d’expertise international de Montréal en intelligence artificielle (CEIMIA) à participer à l’atelier Innovation Workshop on GPAI India Student Community Project (ci-après, l’« Atelier ») présenté dans le cadre du Sommet sur l’impact de l’IA en Inde 2026 (India AI Impact Summit 2026 – ci-après, le « Sommet »), tenu à New Delhi le 18 février 2026. J’ai été affecté au groupe no. 5 portant sur l’enjeu de la formation et de l’autonomisation des utilisateurs et des développeurs de systèmes d’intelligence artificielle (IA) (Training and Empowerment of Users and Developers). Ne se résumant pas qu’aux échanges menés au sein de ce groupe, mes apprentissages relèvent de différentes discussions devisées avec de nombreux étudiants et collègues, professeurs, et chercheurs issus de divers milieux académiques (techniques et non techniques), tout au long du Sommet. Ce bref compte rendu proposera d’abord une courte description de l’Atelier et de ses objectifs (1), présentera ensuite mes principales contributions à l’exercice (2), et enfin exposera les apprentissages et observations qui m’ont paru les plus saillants au fil du Sommet (3).
1. Mon arrivée à l’Innovation Workshop on GPAI India Student Community Project
Sur le plan constitutif, l’Atelier s’est fondé sur l’idée directrice simple, et plutôt intuitive, selon laquelle l’IA est devenue un outil à forte portée sociétale, capable d’ouvrir sur des perspectives nouvelles par son accélération de certains processus (dont ceux répétitifs), par l’aide prodiguée dans l’outillage et l’analyse de problèmes complexes, et en rendant plus concrètes certaines notions autrement difficiles à saisir (par exemple, par le développement d’applications qui visent à résoudre des problèmes spécifiques ou à offrir de nouvelles fonctionnalités en transformant une idée en un produit fonctionnel). Cependant, cette capacité d’extension sur des dimensions non encore envisagées s’est accompagnée corrélativement d’un risque asymétrique mis en exergue par l’Atelier : suivant les contextes, l’IA peut accentuer des écarts entre individus, communautés et régions, notamment en fonction de facteurs différenciateurs démographiques, culturels, socioéconomiques et, évidemment, politiques. Dans ce cadre, l’Atelier a offert aux étudiants un espace structuré de partage et de discussions dédié à leurs expériences individuelles et intersubjectives, ainsi que de réflexions et de délibérations collectives en vue de la proposition de solutions ancrées localement dans leurs contextes nationaux, tout en demeurant suffisamment souples aux dynamiques multilatérales et géopolitiques contemporaines. Plutôt que de viser à produire des propositions politiques abouties, l’exercice s’est concentré à émettre des questions structurantes en impliquant efficacement les participants et en stimulant leur créativité – croisant leurs points de vue –, et à identifier certaines des potentielles prochaines étapes phares en IA responsable, susceptibles d’alimenter les discussions au sein des communautés scientifiques et praticiennes internationales.
Sous un angle plus méthodologique, l’Atelier a eu pour ambition de mobiliser des étudiants universitaires, encadrés par des professeurs et chercheurs, autour des principaux défis et tendances associés à l’IA, selon une logique de priorisation (hiérarchisation) questionnant les opportunités stratégiques à concevoir et à potentiellement mobiliser, dans un dessein de renforcement de la confiance de communautés diverses – parfois fragmentées et marginalisées – envers les systèmes d’IA. Au fil des échanges, les participants ont donc recueilli et synthétisé des idées sur des thèmes fondamentaux de l’IA responsable, allant des dimensions techniques et organisationnelles (p. ex., gouvernance, qualité et extraction des données, réduction des biais, explicabilité des résultats, sûreté et sécurité des démarches) à des enjeux plus transversaux et sociojuridiques (p. ex., discrimination, rôle des autorités et des institutions, compréhension des utilisateurs et sensibilisation à leurs actions, incidences des systèmes d’IA sur des décisions opérationnelles et procédurales propres aux champs du droit et de la gouvernance). L’objectif n’était donc pas de fixer un modèle d’IA responsable unique et uniformisé, mais de promouvoir activement une architecture algorithmique de futurs systèmes d’IA qui soit à la fois éthiquement orientée (c.-à-d., qui inclut un aspect déontologique clarifiant les rapports sociaux de devoirs, de responsabilités et d’imputabilité des utilisateurs), robuste et évolutive (c.-à-d., capable d’être révisée à mesure que les usages et contextes changent, impliquant des frontières quelque peu poreuses aux domaines l’impactant) et conforme à la loi (c.-à-d., compatible avec les exigences juridiques et de gouvernance applicables).
Enfin, d’un point de vue davantage appliqué et effectif, la diversité des communautés étudiantes mobilisées dans le cadre de l’Atelier – provenant notamment d’Inde, du Japon, de la France, du Mexique, de plusieurs pays d’Afrique et du Canada – conjuguée au cadre pédagogique offert, a permis de traduire des préoccupations hautement abstraites en enjeux bien concrets. Fondé sur une logique de mentorat inversé, plaçant les contributions étudiantes sur un pied d’égalité avec celles d’acteurs plus institutionnels (décideurs, chercheurs), l’Atelier a donné lieu à des réflexions structurées, à l’esquisse de prototypes essentiels (selon ma compréhension) en gouvernance de l’IA et à la formulation de recommandations visant à répondre à certains défis situés à l’interface de l’IA et de la société. À ce titre, il a contribué à enrichir (modestement, mais possiblement utilement) le vivier d’idées sur l’IA qui nourrit actuellement les travaux en gouvernance internationale, en éthique appliquée et en diplomatie technologique.
2. Quelques contributions à l’Atelier, à travers collégialité et échanges
Mes contributions dans le cadre de cet Atelier se résument en trois points principaux : (i) la participation à la mise en place d’un vocabulaire commun concernant les fonctions de « développeurs » et d’« utilisateurs » (2.1.); (ii) la présentation de certains des principaux défis amplifiés par l’IA, incluant le fossé entre le monde universitaire et l’industrie auquel l’IA contribue vertement, des préoccupations éthiques et juridiques sur la notion de propriété et de responsabilité, l’enjeu transversal des biais intrinsèques à nombreux systèmes d’IA, et certaines contraintes de ressources, dont environnementales (2.2.); et (iii) la proposition d’une architecture d’actions opérationnelle faisait appel à des axes d’intervention précis et de bonnes pratiques (2.3.).
2.1 Élaboration d’un vocabulaire commun : fonctions de « développeurs » et d’« utilisateurs »
Dans un premier temps, l’une de mes premières contributions à l’Atelier du Sommet a porté sur l’importance de se munir collectivement d’un vocabulaire commun et opérationnel afin d’éviter tout malentendu que suscitent bien souvent l’emploi intuitif de notions techniques, sans qu’un véritable exercice de conceptualisation n’ait été réalisé en amont. Cette perspective nous a donc incité à se doter d’une définition claire et non équivoque des concepts de « développeur » et d’« utilisateur » de systèmes d’IA.
Nous avons rapidement conclu, en cohérence avec l’esprit de certaines approches réglementaires contemporaines (dont l’orientation générale du cadre européen instaurée notamment par le EU AI Act), que le terme « développeur » incluait (sans surprise) des intervenants techniques travaillant et étudiant la technologie et ses nombreux dilemmes et complexités mécanistiques, à l’exemple des ingénieurs, informaticiens, mathématiciens, physiciens et autres scientifiques spécialistes de l’apprentissage automatique et profond (dont de l’apprentissage par renforcement), de l’architecture des systèmes (symboliques – se préoccupant peu de la cognition humaine – vs connexionnistes – cherchant à émuler les processus cognitifs proprement humains) et de la cybersécurité, entre autre choses (p. ex., à travers des tests d’essais de « boîte noire » et de « boîte blanche », et l’analyse de la validation, robustesse, performance et explicabilité des systèmes d’IA). Par après, nous avons intégré à cette notion des intervenants non techniques, tels que des décideurs et experts en matière de politiques, avocats et juristes, philosophes, sociologues, anthropologues et autres spécialistes provenant des sciences humaines et sociales qui contribuent à définir les finalités, contraintes, limites, garde-fous et mécanismes de gouvernance au sein de ces systèmes. Nous avons ainsi conclu à l’unanimité que le développement et la production d’un système d’IA demeure un processus foncièrement collectif où la responsabilité est distribuée chez ses différents acteurs (techniques et sociaux), et dont la qualité dépend à la fois de considérations techniques et des choix normatifs et organisationnels qui l’encadrent.
Suivant le même ordre d’esprit, nous avons ensuite convenu de traiter la catégorie des « utilisateurs » comme un ensemble stratifié plutôt qu’homogène, en distinguant deux profils : (i) des usagers disposant d’une familiarité suffisante avec l’écosystème technologique et ses médiations (interfaces, paramètres, modèles implicites), et (ii) des usagers faiblement acculturés au numérique. Cette distinction nous a paru nécessaire sachant que le degré d’autonomie dont disposent ces deux catégories d’utilisateurs, capables ou non de soutenir des usages avancés (p. ex., les opérations de « second ordre » : compréhension des risques et des limites, vérification et auditabilité des processus, interprétation des résultats) ou à tout le moins de garantir des usages de base sécuritaires (p. ex., consentement éclairé, vigilance face aux erreurs, capacité de recours en cas de différends ou d’irrégularités de fonctionnements), ne renvoie pas au même potentiel d’utilisation du système, et pourrait favoriser le développement de biais inhérents à son activité tout dépendant du profil d’utilisateurs qui l’emploierait : un public moins accoutumé à ces technologies étant davantage sujet, par incompréhension ou mécompréhension, à confondre ce qui est du ressort de la probabilité plutôt que de la certitude, à réifier des catégories produites par le système ou à prendre ses résultats pour des descriptions neutres et non pour des inférences contextuellement situées. Ces mécanismes peuvent favoriser des « biais d’usage » (par opposition à des biais de conception et à des biais d’entraînement) que sont les biais produits par l’interaction entre l’outil et ses usagers (erreurs d’interprétation, mauvaise identification d’informations, faiblesse des rétroactions correctives).
Photo d’une séance de discussions entre membres du groupe no. 5 qui m’a été assigné, alors que nous cherchions à distinguer les fonctions de « développeur » et d’« utilisateur » d’un système d’IA
Par exemple, ces derniers pourraient ne pas réaliser que certaines données d’entraînement utilisées par l’IA, voire une mauvaise conception initiale de l’algorithme d’IA du système, auraient contribué à leur refuser des opportunités (p. ex., système d’IA évaluant les différentes candidatures reçues par un employeur), à les identifier de manière erronée sur des documents (p. ex., l’algorithme de surveillance automatisée de reconnaissance faciale non optimisé d’un système d’IA), ou à les punir injustement (p. ex., du fait d’un algorithme de détermination des peines d’un système non correctement déployé). À ce sujet, différentes approches techniques cherchant à mitiger ces risques voient graduellement le jour, telles que la « théorie de la contrainte jurisprudentielle » qui vise à étudier la manière dont les systèmes d’apprentissage automatique s’appuient sur des données d’entraînement pour prendre des décisions et, ce faisant, pour questionner les biais issus de son fonctionnement). À terme, cette dynamique peut dégrader l’efficacité du dispositif lui-même, en raréfiant les corrections, en alimentant des boucles de confirmation, et en réduisant la capacité collective à détecter les erreurs.
2.2 Certains des principaux défis mobilisés par l’IA
Dans un second temps, j’ai participé à l’identification, faite par le groupe, de certains défis que l’IA amplifie, et j’ai contribué à les formuler de manière structurée pour faciliter leur prise en charge par de potentielles mesures de gouvernance et de formation des développeurs et utilisateurs. Premièrement, le groupe a mis en évidence le fossé, déjà présent, entre le monde universitaire et l’industrie, que tend à accentuer l’IA. Pensons à ce sujet à l’asymétrie occasionnée par le manque d’accès aux données, une puissance de calcul adéquate et démocratisée, la présence d’environnements-tests accessibles, et les différences de temporalité (publication vs mise en marché), de langage (rigueur scientifique vs contraintes produit) et d’incitatifs (connaissance ouverte vs avantage concurrentiel) qui pullulent au sein de différents marchés et secteurs d’activités impliquant l’IA (bien souvent, tributaires du contexte socio-économique dans lequel ils naissent et se développent).
Deuxièmement, nous avons soulevé des préoccupations éthiques et juridiques liées au droit de propriété et à la notion de contrôle. Selon ma compréhension, au-delà de l’enjeu de la propriété intellectuelle formelle (par ailleurs, non résolu dans nombre de cas – par exemple, la question de savoir qui est le véritable propriétaire du système d’IA : les concepteurs et développeurs, les actionnaires, les administrateurs, etc., demeure entière dans nombre de situations), la maîtrise effective du système (c.-à-d., qui décide des finalités, des usages, des paramètres, des mises à jour, des retraits, etc., du système d’IA) devient bien souvent une question dont l’absence de réponse claire renvoie à un enjeu de gouvernance de la responsabilité, plutôt qu’à une simple problématique de « titularité de droits » (c.-à-d. que la notion de responsabilité ne saurait être réduite à une question de propriété).
Photo de la présentation de nos conclusions à l’ensemble des équipes et du corps professoral et administratif chargé de l’organisation de l’Atelier
Troisièmement, la question des biais, incluant dans l’utilisation du système d’IA (biais d’usage), les données et les mégadonnées employées pour l’entraînement du système et les méthodes de collecte utilisées (biais de données), et les biais de modèle et d’omission (biais de conception et d’architecture algorithmique), a été identifiée à titre d’enjeu transversal, puisqu’elle ne relève pas uniquement du modèle de système d’IA sélectionné, mais aussi des choix de configuration des systèmes préalablement effectués (définition des catégories, qualité des données, représentativité, variables de substitution), ainsi que de ses pratiques d’évaluation et de déploiement.
Quatrièmement, le groupe a insisté (quoique plutôt discrètement quant à moi) sur les contraintes de ressources, en particulier environnementales et climatiques (consommation énergétique, empreinte écologique, coûts de calcul, rareté des ressources), et sur le manque de sensibilisation face au déploiement usuellement tous azimuts et parfois peu réfléchi de nouveaux systèmes d’IA, dont générative, sans présence de cadres de régulation adéquats. Ceci fait écho, à mon sens, à la tendance très contemporaine qui vise l’adoption de solutions « par défaut », sans analyse réelle précédemment effectuée de nécessité, d’impact ou d’alternatives.
2.3 Proposition d’une architecture d’actions applicables : axes d’intervention et bonnes pratiques
Dans un troisième temps, et sur la base notionnelle précédemment étayée, j’ai tenté de déplacer légèrement la discussion vers une perspective plus prospective, en vue de dégager une voie d’action à suivre en mesure d’atténuer ces défis que nous avions collectivement identifiés. J’ai ainsi proposé de structurer notre réflexion autour de trois vecteurs complémentaires : (i) l’établissement de lignes directrices et de conventions claires, cohérentes et mobilisatrices, qui puissent servir de repères communs dépassant les pures considérations techniques; (ii) la démocratisation des ressources en IA – tout particulièrement l’accès aux données, aux infrastructures, aux outils et aux compétences –, de manière à réduire les asymétries (dont celles antérieurement évoquées) qui alimentent le fossé entre secteurs et régions; et (iii) la formation des praticiens, des décideurs et des utilisateurs en devenir au moyen de parcours d’apprentissage adaptés (personnalisés), différenciés et assujettis à leurs réalités.
Par cette optique, conjuguée aux interventions fréquentes et motivantes des différentes animatrices de l’Atelier, nous avons collectivement proposé des axes d’intervention concrets et des exemples de bonnes pratiques orientés vers un déploiement éthique de l’IA, possiblement susceptibles d’inspirer l’élaboration d’un cadre règlementaire responsable. Je pense notamment à notre idée d’une « pédagogie adaptée au contexte », articulée sur la création de cours et de séances de vulgarisation sur l’IA responsable et les droits humains, modulés selon des secteurs d’activités cardinaux (culturels, socioéconomiques, politiques et institutionnels) et capable d’ajuster les contenus (p. ex., risques, usages, limites, mécanismes de recours) aux profils des différents intervenants.
Dans la même veine, j’ai insisté sur l’importance de mettre en place des politiques visant à soutenir la numérisation et la valorisation des données locales selon le triple égide de l’accès aux données, de la qualité des données, et de l’intégrité des données, par des partenariats structurants et des initiatives de sensibilisation communautaire, afin que les écosystèmes moins privilégiés par la conjecture techno-économique actuelle puissent tout de même participer formellement du développement et de l’usage des systèmes d’IA, plutôt que d’être relégués à un rôle passif de simples « marchés de déploiement ». J’ai également souligné l’intérêt de prévoir des mécanismes d’audit multipartites, incluant des cadres d’évaluation des programmes de formation (formateurs, contenus, méthodes et résultats), dans le but d’améliorer la qualité des apprentissages et de réduire les risques de diffusion d’approches superficielles ou biaisées. Enfin, j’ai tenté de rappeler ce qui à mon sens doit s’imposer comme le cœur normatif à une approche véritablement intégrée, claire, délimitée et suffisamment souple des dynamiques internationales contemporaines : un cadre de référence composé de lignes directrices internationales favorisant le multilatéralisme étatique, capable de structurer un régime de gouvernance et de de régulation responsable postnational en IA, valorisant les exigences fondamentales de transparence, de responsabilité et de protection des droits.
Comme autres mesures d’implication directement actionnables, nous avons proposé la pratique déjà répandue en Europe et Amérique du Nord de désigner, au sein des organisations, un « leader éthique » – ou de gouvernance responsable – chargé d’incarner, de chapeauter et d’appliquer les exigences normatives dans les décisions quotidiennes. À cet effet, j’ai proposé certaines idées, dont celles d’un « philosophe en résidence » (suivant le modèle de certaines initiatives observées dans de grands écosystèmes techno-managériaux comme celui de la compagnie américaine Anthropic), d’un expert des politiques publiques liées aux technologies émergentes, ou encore d’un éthicien à même de mobiliser différentes approches propres à la philosophie politique – telles que les conceptions de l’éthique des vertus (Aristote, Platon), déontologiques (Kant), et conséquentialistes et utilitaristes (Bentham, Mills, Mozi, Rawls)) – et doté d’une réelle capacité de traduction entre ces cadres théoriques et les contraintes opérationnelles du milieu (p. ex., concernant la définition des finalités, la gestion des risques, les critères d’acceptabilité, les mécanismes de reddition de comptes, les modalités de déploiement, etc.). À mon sens, cette proposition, dans la mesure où elle serait adéquatement développée et raisonnablement arrimée aux structures managériales et de gouvernance des entreprises d’IA actuelles, permettrait potentiellement d’outrepasser le piège classique qui consiste à produire et opérationnaliser trop hâtivement des normes (politiques, directives, procédures, lois, etc.) se révélant sans véritable portée, faute d’avoir un objet ayant été a priori suffisamment questionné, circonscrit et étudié. Ainsi, et toujours selon ma compréhension, pour être en mesure de dépasser les discours et parvenir à des politiques efficaces, il faut à la fois disposer d’un cadre conceptuel solide (c.-à-d., qui donne cohérence et profondeur à l’action) et d’une compréhension fine du réel contemporain (impliquant acteurs, incitatifs, asymétries, contraintes techniques, et impacts sociaux notamment).
Photo prise à la suite de l’atelier Innovation Workshop on GPAI India Student Community Project en compagnie de M. Shri Dharmendra Pradhan, ministre de l’Éducation de l’Inde (centre)
Dans la continuité de cette dernière idée, nous avons également discuté du rôle que pourrait jouer un tel intervenant de la gouvernance responsable, à l’exemple d’un « ambassadeur local » au sein d’un réseau de pairs, favorisant une circulation des savoirs et des pratiques par-delà les silos institutionnels. Par leur présence, l’objectif serait de créer une dynamique de pollinisation croisée entre établissements (corporatifs et institutionnels) et disciplines – par exemple, en facilitant des échanges structurés entre l’ingénierie, l’informatique, le droit, les sciences sociales et humaines et les secteurs applicatifs – afin de renforcer la capacité collective à comprendre et gouverner l’IA. Une telle démarche s’inscrirait dans une approche résolument multidisciplinaire, comparable à un « laboratoire vivant partagé », où l’on capitalise les apprentissages, mutualise les outils et aligne progressivement les pratiques. Ce dispositif collaboratif pourrait in fine potentiellement contribuer (à mon sens, tout au moins) à diffuser les enseignements dans différents secteurs et régions, tout en alimentant fondamentalement la conversation sur l’élaboration de politiques soutenant la numérisation des données locales et, plus largement, l’encadrement responsable et pédagogique des technologies émergentes dans le temps long, selon une visée de gouvernance éthique de l’IA.
3. Le Sommet en quelques apprentissages et observations
Apprentissages
Mes apprentissages principaux se comptent au nombre de quatre : (i) l’IA permet de concourir à des enjeux de multilinguisme et d’interculturalisme; (ii) l’IA peut contribuer à fédérer des domaines initialement disjoints; (iii) le rôle stratégique des créateurs est essentiel au déploiement harmonisé de l’IA; et (iv) la présence d’interfaces spécialisés est une condition sine qua non à la démocratisation de l’IA.
Le Sommet, dont l’atelier Innovation Workshop on GPAI India Student Community Project en marge de l’évènement, m’a donné l’occasion de développer et approfondir certains apprentissages pour une approche responsable de l’IA. D’abord, j’ai été frappé par la manière dont l’IA peut contribuer, si elle est bien gouvernée (la gouvernance de l’IA demeurant tout de même à mon sens un problème entier, comme j’espère il peut l’être saisi de ma section précédente), aux enjeux de multilinguisme et d’interculturalisme, en améliorant l’accès à l’information et en réduisant certaines barrières linguistiques, selon un souci d’inclusivité. Ensuite, plusieurs échanges ont illustré la capacité de l’IA à fédérer des domaines initialement disjoints, en créant des associations (voire, une cohésion) entre secteurs, disciplines et pratiques, ouvrant à des perspectives diverses, mais accroissant ce faisant les risques d’angles morts de par la présence de compétences et de responsabilités fragmentées (plutôt que coalisées sous une grande et même tutelle). Également, le Sommet a mis en lumière le rôle stratégique des créateurs (communicateurs, intellectuels, vulgarisateurs, artistes, formateurs, etc.) dans la formation du grand public, étant donné que ce peut être bien souvent ces derniers qui façonnent la compréhension sociale des technologies par-delà des documents institutionnels. Enfin, j’ai retenu l’importance de la question des interfaces spécialisés, en ce que le manque d’outils techniques conçus pour des contextes et des publics variés, tout comme les lacunes générales en littératie de l’IA, constituent un obstacle majeur à l’accessibilité et donc à l’autonomisation des utilisateurs.
Observations
Pour apporter une certaine nuance par rapport à ce qui précède, il me semble (bien humblement) qu’un enjeu substantiel n’a pu être abordé par l’Atelier (ni à ma connaissance par le Sommet lui-même – peut-être, ceci dit, n’en était-ce pas l’objet principal, quoique celui-ci ait reposé sur l’« impact de l’IA »), soit celui antécédemment évoqué de l’aspect fondamentalement théorique de l’IA responsable devant être étudié, à mon sens, en amont (soit avant toute tentative d’application), notamment du point de vue des sciences humaines (humanities).
Selon ma compréhension (limitée) de l’IA responsable (qui, à ma connaissance, ne possède pas de définition unanimement admise et théoriquement établie[1]), il pourrait être bénéfique, avant de penser un cadre applicatif, de préalablement tenter de bien comprendre son champ d’étude par un travail de clarification de son domaine définitionnel, entre autres éléments. Ceci pourrait impliquer, quant à moi, de réaliser un travail de fond concernant des enjeux d’abord philosophique (non scientifiques) de gouvernance, d’éthique et d’épistémologie (p. ex., par la pose de questions similaires aux suivantes : Qu’est-ce qu’un cadre normatif adéquat? Que représentent les politiques publiques à l’heure de l’IA? Comment justifie-t-on une norme? Sur quoi fonde-t-on une obligation? Comment qualifie-t-on ce que l’on prétend réguler? Selon quels critères considère-t-on qu’un système est acceptable ou non? Quelle différence y a-t-il entre les termes anglais « accountability » et « responsibility »? Comment développer une ontologie de l’IA responsable qui soit raisonnablement adéquate de sorte qu’elle forme consensus – est-ce possible et/ou souhaitable? Quel rôle imputé à la métaphysique de l’IA?). Ce serait sur la base de tels concepts et abstractions qu’il deviendrait ensuite peut-être un peu plus possible (et plausible) de s’intéresser aux domaines pratiques et appliqués des sciences sociales promptes à participer à l’édification de principes de gouvernance coercitifs, prospectifs et évolutifs de régulation par l’IA, ainsi qu’à l’encadrement de son action. Ainsi, et selon ma compréhension de ce secteur large et peu circonscrit à l’heure actuelle, sans établir initialement ce genre de cadre théorique et terminologique pour ce qui est de certains de ses termes centraux (p. ex., responsabilité, transparence, autonomie, biais, explicabilité, gouvernance, agentivité, etc.), il pourrait demeurer vraisemblablement difficile de mettre sur pied une structure normative de politiques opérationnelles (public policies) véritablement cohérente, et qui ne risque pas de réduire la gouvernance de l’IA responsable à une mosaïque de listes de contrôle techniques aux fondements justificatifs fragiles, puisque non fondée sur une ontologie suffisamment développée et réfléchie.
En somme, le côté prévisionnel apporté par la volonté de coconstruire (voire de « co-constituer ») des connaissances afin de se munir d’un cadre assez évolutif, capable de tendre vers une régulation généralisée de l’IA, pourrait nécessiter de se porter d’abord sur l’analyse de son champ conceptuel (objet), pour ensuite produire une structure catégorielle délimitée, car définie (cadre), de manière à finalement pouvoir questionner ses finalités et les incidences de son action (but). Il s’avérerait donc potentiellement pertinent à mon sens de sensibiliser certaines hautes institutions académiques et centres de recherche à l’importance d’y inclure des axes et pôles d’analyse, à grande échelle, et formellement constitués, issus des sciences humaines (sans se limiter au domaine juridique, utile, mais non suffisant), dont à plus forte raison de la philosophie; discipline servant bien souvent de référence transversale aux autres dans l’examen critique des concepts, la mise à l’épreuve des justifications et l’élaboration et le questionnement épistémologique de connaissances, cadres structurels et objets de mesure, sans omettre l’étude ontologique de leur signification.
Photo prise en marge du Sommet sur l’impact de l’IA en Inde 2026, au Haut-commissariat du Canada en Inde à New Delhi, en compagnie de certains représentants du CEIMIA (dont Mme Sophie Fallaha, Directrice générale, à l’extrémité droite, et les gestionnaires Mmes Noémie Gervais, en jaune, et Catherine Berbery, en bleu), du Mila et de Montréal International
[1] Le Global Partnership on Artificial Intelligence (GPAI), instigateur et garant de la tenue de l’Atelier, introduit de la manière suivante – sans toutefois précisément le définir – le concept d’ « IA responsible » : « Our Expert Working Group considers that ensuring responsible and ethical AI is more than designing systems whose results can be trusted – it is about the way we design them, why we design them, and who is involved in designing them. Responsible AI is not, as some may claim, a way to give AI systems some kind of ‘responsibility’ for their actions and decisions, and in the process, discharge people, governments and organizations of their responsibility. Rather, it is those that shape the AI tools who should take responsibility and act in accordance with the rule of law and in consideration of an ethical framework – which includes respect for human rights – in such a way that these systems can be trusted by society. In order to develop and use AI responsibly, we need to work towards technical, societal, institutional, legal methods, and tools that provide concrete support to AI practitioners and deployers, as well as awareness and training to enable the participation of all, to ensure the alignment of AI systems with our societies’ principles, values, needs, and priorities, where the human being is at the heart of the decisions and the purposes in the design and use of AI ».
Ce contenu a été mis à jour le 29 mai 2026 à 10 h 22 min.