Autrefois, nos attentes envers l'IA étaient assez simples : rédiger des e-mails, traduire des articles, servir de compagnon de discussion... À cette époque, l'IA ressemblait à un stagiaire débutant, exécutant les tâches point par point, mais commettant aussi souvent des erreurs avec un air sérieux.
Ces deux dernières années, le développement de l'IA a été fulgurant.
Elle ne se contente plus de rédiger quelques paragraphes à la place de l'homme, mais commence à prendre en charge des travaux complets : écrire du code, chercher des informations, réaliser des analyses, générer des propositions, et sait même décomposer les tâches, utiliser des outils, organiser les étapes et vérifier les résultats.
Avec cela sont venues de nombreux changements à la fois amusants et préoccupants. L'IA développée par les programmeurs commence à prendre en charge une partie du travail initialement effectué par ces derniers ; de nombreux postes de cols blancs constatent également que l'IA s'est installée au poste de travail voisin.
La situation dans le monde académique est encore plus intéressante. L'IA a considérablement abaissé le seuil de rédaction d'articles scientifiques ; sans même comprendre les idéaux académiques, elle peut formater un article avec une apparence solennelle.
Ainsi, certains ont commencé à générer des articles en série et à les soumettre en masse. Les relecteurs, trop occupés, utilisent l'IA pour les assister ; les auteurs, l'ayant découvert, insèrent alors dans leurs articles des indices que seule une machine peut facilement reconnaître, espérant ainsi obtenir une évaluation positive de l'IA relectrice. Tous les participants gagnent du temps, mais quant à savoir si la connaissance elle-même s'est accrue, il n'y a pas encore d'avis unanime.
Mais c'est précisément là que réside le problème : obtenons-nous plus de connaissances, ou plus de choses qui ressemblent à des connaissances ? Alors que de plus en plus de travaux peuvent être confiés à l'IA, que reste-t-il à l'homme ?
Le Livre Bleu sur le Développement de l'Intelligence en Sciences Humaines et Sociales 2026 publié par l'Université Fudan tente précisément de répondre à ces questions.
Contrairement à la première édition du Livre Bleu qui observait principalement comment l'IA pouvait renforcer les sciences humaines et sociales, cette édition a pour thème « Redécouvrir la valeur de la réflexion profonde » et propose en outre que la relation entre l'IA et les sciences humaines et sociales évolue d'un « renforcement unidirectionnel » vers une « intégration bidirectionnelle » : l'IA change la manière dont les sciences humaines et sociales font de la recherche, tandis que les sciences humaines et sociales doivent participer à décider pourquoi, où et comment l'IA doit être utilisée, ainsi qu'aux contraintes auxquelles elle doit être soumise.
En tant qu'unité de soutien spécial de ce livre, l'Institut de Science et d'Intelligence Artificielle de Shanghai collabore également avec l'Université Fudan pour explorer continuellement les voies d'une intégration profonde entre l'IA et les sciences humaines et sociales.
Pourquoi plus l'IA est puissante, plus la réflexion profonde est-elle importante
Après la popularisation des calculatrices, les gens n'ont plus besoin de calculer des chiffres complexes avec papier et crayon ; après l'apparition du GPS, les gens n'ont plus besoin de mémoriser chaque route. En suivant ce raisonnement, une fois que l'IA pourra analyser des données et générer des conclusions, les gens pourront peut-être aussi moins réfléchir.
Malheureusement, les problèmes sociétaux ne sont pas des exercices d'arithmétique.
Le Livre Bleu prend l'exemple du couplage climat-système social pour souligner que la vraie difficulté n'est pas de traiter plus de variables, mais de comprendre le décalage entre les systèmes naturels et les systèmes sociaux dans leur structure, leurs variables et leurs échelles. Le fait qu'un modèle puisse calculer ne signifie pas qu'il a compris le problème.
Trois types de décalage dans le couplage climat-système social : structure, variables et échelle.
Un exercice d'arithmétique nécessite seulement de juger si la réponse est correcte, tandis que la production de connaissances et la prise de décision publique doivent continuer à s'interroger : le processus d'argumentation est-il fiable, les hypothèses de départ sont-elles raisonnables, les risques potentiels sont-ils contrôlables, et le problème lui-même a-t-il une valeur d'orientation pour l'avenir ?
Le Livre Bleu estime que le goulot d'étranglement de la recherche se déplace : autrefois, la question était de pouvoir traiter suffisamment de matériaux ; aujourd'hui, la question est de pouvoir poser de bonnes questions, établir des mécanismes réels et former une chaîne de preuves vérifiable.
Quels problèmes méritent d'être étudiés, comment les modèles observés doivent-ils être interprétés, tel résultat est-il équitable et légitime, ainsi que ce que la recherche a omis ou quels préjugés elle a renforcés : ces jugements ne peuvent être entièrement automatisés. Plus les capacités de l'IA sont grandes, plus la responsabilité du jugement humain est lourde.
L'IA semble tout pouvoir faire, mais le fait-elle bien ?
L'IA parle, raisonne et utilise des outils de mieux en mieux, ressemblant de plus en plus à un « partenaire de recherche » avec lequel on peut collaborer. Mais comprend-elle vraiment, ou simule-t-elle la compréhension de manière très sophistiquée ?
Il y a plus de quarante ans, Searle remettait en question, avec l'expérience de pensée de la « chambre chinoise », la capacité d'une pure manipulation syntaxique à produire une compréhension sémantique. Aujourd'hui, les grands modèles de langage placent cette question devant chacun : comment juger ce que le grand modèle comprend vraiment, et ce qu'il omet ?
Un jugement important du Livre Bleu est que l'intelligence humaine n'est pas un simple processus « entrée-sortie ». L'homme peut comprendre le monde parce que la perception et l'attention organisent les stimuli externes en situations, que la mémoire et les cartes cognitives organisent les expériences passées en structures transférables et permettant le raisonnement, et que les émotions et les valeurs déterminent quelles informations sont plus importantes et quels objectifs méritent plus d'être poursuivis.
La première étape de la collaboration homme-IA n'est pas de faire travailler l'IA, mais de clarifier d'abord la répartition des tâches entre l'homme et l'IA. L'IA peut nous aider à identifier des objets, rechercher des informations, générer du texte, mais elle a tendance à reformater les expériences sociales complexes dans un format qu'elle peut facilement traiter, transformant les problèmes qui nécessitent une véritable compréhension en problèmes qui semblent avoir déjà reçu une réponse. Nous devons passer de l'identification d'objets à la compréhension de situations, du stockage d'informations à l'organisation d'expériences, de la génération au jugement de valeur et à l'autoréflexion.
Les sciences cognitives deviennent donc particulièrement importantes. Elles nous disent que la réflexion profonde n'est pas une capacité opposée à l'IA, mais une capacité qui doit être davantage activée dans la collaboration homme-machine. Une IA cognitive véritablement précieuse ne devrait pas se contenter de fournir une réponse unique, fluide et déterminée, mais devrait aider l'homme à poser des questions, comparer des preuves et maintenir une initiative dans le jugement.
Les articles sont rédigés de plus en plus vite, qui garantit leur crédibilité ?
Depuis l'entrée de l'IA dans la recherche, le changement le plus visible est la vitesse. La synthèse de la littérature, le nettoyage des données, la génération de code, la création de graphiques et la rédaction des premières versions d'articles peuvent être réalisés en très peu de temps. Le chercheur n'a pas l'obligation de gaspiller son temps précieux dans des tâches répétitives, et le fait qu'un universitaire ait des idées ne devrait pas être prouvé par le nombre de fois où il a ajusté manuellement le format des références bibliographiques.
Mais la vitesse de la recherche et la vitesse de la connaissance ne sont pas la même chose. La génération rapide d'un article ne signifie pas que les concepts ont été clarifiés, les données comprises, les relations de causalité établies. Les modèles de langage sont particulièrement doués pour organiser des matériaux dispersés en un récit cohérent, et le moment le plus dangereux de la recherche académique est souvent celui où le récit semble trop cohérent.
Les risques se cachent également dans les étapes qui semblent n'être que des « opérations techniques ». Le choix des variables, la construction des indicateurs, l'année de début de l'échantillon, les cas inclus, tout cela implique des jugements théoriques.
La machine n'a bien sûr pas de complot, il lui suffit de commettre une petite erreur à la première étape, et de rester confiante dans les vingt étapes suivantes.
Un autre risque provient de la recherche automatisée de modèles. L'IA peut constamment essayer différentes combinaisons de variables, paramètres et intervalles d'échantillonnage, jusqu'à trouver des résultats avec une significativité plus forte, un meilleur ajustement, des graphiques plus beaux. Autrefois, « essayer jusqu'à ce que ce soit significatif » était limité par le temps et l'énergie ; aujourd'hui, les agents intelligents peuvent rechercher sans relâche. Une fois l'efficacité améliorée, le hasard statistique peut aussi être plus efficacement emballé en découverte théorique.
Le véritable défi de la recherche automatisée n'est pas seulement de savoir si la machine peut faire des erreurs, mais si les erreurs peuvent être détectées à temps, si le processus de recherche peut être retracé, et si les conclusions finales peuvent être réexaminées.
Quand l'IA prend des décisions, qui est responsable ?
La capacité de l'IA à identifier et classer les personnes augmente rapidement. Elle peut identifier des demandes, évaluer des risques, examiner des documents, faire correspondre des politiques, et fournir des références décisionnelles aux agents.
L'attrait de ces systèmes est évident : ils sont plus rapides que l'homme, ne se fatiguent pas et ne changent pas leur rythme de traitement sous la pression ou les émotions.
Cependant, ne pas se fatiguer n'est pas synonyme d'équité.
Les recherches citées dans le Livre Bleu montrent que, lors de l'analyse de posts sur des forums de santé ou d'entretiens avec des étudiants internationaux, les chercheurs humains sont capables d'identifier des nuances subtiles comme l'interaction médecin-patient ou la responsabilité culturelle, tandis que les grands modèles de langage ont tendance à les généraliser en catégories plus ordinaires et standardisées.
Le modèle n'est pas totalement dépourvu de compréhension. Il est juste très doué pour reformater ce qu'il ne comprend pas facilement en quelque chose qu'il peut traiter plus aisément.
Dans la gouvernance publique, cette simplification peut directement affecter les droits et le traitement des personnes. Le Livre Bleu distingue ainsi deux modes d'imbrication de l'IA.
Le premier est le mode « agent ». L'algorithme devient acteur, de l'entrée de l'information jusqu'à la décision finale, l'humain n'intervenant qu'en cas de dysfonctionnement du système ou de recours de la personne concernée. Le second est le mode « assistant ». L'IA se charge de la recherche, du calcul, de l'alerte sur les risques et de la génération de propositions, la décision finale étant prise par l'homme.
La différence entre les deux modes ne réside pas dans la quantité de technologie utilisée, mais dans le transfert ou non du pouvoir.
Bien sûr, écrire « l'homme dans la boucle » dans un document institutionnel ne garantit pas que l'homme y soit vraiment. Si l'agent ne peut que cliquer sur « confirmer » après la conclusion de l'algorithme, le prétendu réexamen humain n'est qu'une décision de la machine exécutée par un doigt humain.
Le rôle humain doit disposer d'un droit d'intervention, de rectification et d'explication, sinon le réexamen humain devient une performance de responsabilité.
Lorsque l'IA commence à affecter les droits des personnes, la question ne peut rester au niveau de « l'exactitude du modèle » ; elle doit également préciser qui déploie, qui réexamine, qui explique, qui reçoit les recours et assume la responsabilité finale.
La responsabilité peut être répartie, mais elle ne doit pas s'évaporer parce que la répartition est trop fine.
La réflexion profonde, plus que « réfléchir un peu plus longtemps »
« Réflexion profonde » ressemble à une vertu personnelle : face à un problème, ne pas se précipiter pour répondre, réfléchir un peu plus. Mais une réflexion profonde véritablement significative doit s'intégrer dans les processus de recherche, les procédures de gouvernance et les systèmes organisationnels. Elle exige non seulement plus de prudence individuelle, mais aussi que le système conserve les conditions permettant cette prudence, ce questionnement et ces corrections.
L'IA peut aider, mais la chaîne de preuves est incontournable
La réflexion profonde ne signifie pas rejeter l'IA. Il n'est pas nécessaire, pour prouver la dignité humaine, d'insister pour trier personnellement des milliers de documents ou passer toute une journée à ajuster le format des références bibliographiques.
L'essentiel est que le travail peut être confié à l'IA, mais pas la chaîne de preuves. L'IA peut rechercher la littérature, traiter les données, exécuter du code, mais le chercheur doit toujours juger si le problème mérite d'être posé, si les concepts ont été traduits avec précision en indicateurs, si les relations de données permettent une interprétation causale, et à quels domaines les conclusions s'appliquent.
Le cadre STRIDES présenté dans le Livre Bleu tente de décomposer une recherche complexe en étapes telles que la théorie, la méthode, les données, l'exécution et l'examen, et de mettre en place des contrôles aux points clés : les hypothèses doivent être précisées, les preuves localisables, les données et le code conservés avec un historique des versions, les conclusions à haut risque ou à faible degré de confiance soumises à nouveau au jugement humain.
Vue d'ensemble du système STRIDES : boucle de travail fermée de la conception de la recherche à l'examen contradictoire
Une fois que l'IA participe à la recherche, le produit de la recherche ne devrait pas se réduire à l'article final. La question de recherche, le dictionnaire de données, les scripts d'analyse, l'historique d'exécution, les avis d'examen et les arbitrages humains devraient également être conservés, permettant de voir d'où viennent les résultats, à quelle étape une erreur peut survenir, et quelles modifications ont été apportées.
La science est crédible non pas parce que les conclusions arrivent vite, mais parce que d'autres peuvent parcourir à nouveau la chaîne de preuves.
Dans un entretien, l'équipe a donné un simple test d'auto-évaluation : une fois le modèle éteint, pouvez-vous expliquer dans vos propres mots quel est le problème, d'où viennent les preuves, de quelles hypothèses dépend la conclusion, quels contre-exemples pourraient exister, et quelles sont les limites d'application ?
Si vous ne pouvez dire que « c'est très bien expliqué » sans pouvoir dire pourquoi ; si le problème est progressivement transformé en un problème que le modèle peut facilement répondre ; si l'article devient de plus en plus fluide alors que votre propre point de vue devient de plus en plus flou, alors l'IA est probablement passée d'un assistant d'expression à un agent de jugement.
Les règles ne peuvent rester de simples slogans
Concernant la gouvernance de l'IA, de nombreux principes justes ont déjà été proposés : équité, transparence, sécurité, centré sur l'humain, protection de la vie privée, responsabilité.
Le problème est que si les principes ne peuvent se transformer en procédures, ils risquent de rester confinés aux réunions et aux documents.
Un système qui n'a que des principes sans mécanismes d'exécution ressemble à une personne qui a des idéaux mais pas de réveil. Elle a l'intention de faire les choses correctement chaque jour, mais ne se réveille jamais au bon moment.
Le Livre Bleu souligne que la gouvernance de l'IA doit couvrir l'ensemble du cycle de vie du système : évaluer les risques et les limites d'application avant le déploiement, enregistrer les décisions clés, surveiller les anomalies et conserver une possibilité d'intervention humaine pendant le fonctionnement, être capable de réexaminer, corriger et imputer la responsabilité en cas de problème.
Les systèmes à risques différents ne devraient pas non plus être soumis à la même gouvernance. La recherche d'informations et la réorganisation de textes ordinaires peuvent voir leurs exigences assouplies ; les systèmes impliquant la sécurité publique, des droits importants et des décisions cruciales devraient subir des tests, des audits et des exigences de déploiement plus stricts.
La gouvernance ne peut se limiter à « l'information donnée ». Les personnes affectées doivent savoir sur quoi la décision est basée, ce qu'elles peuvent contester, à qui présenter leurs objections, et doivent pouvoir demander un réexamen humain et obtenir une réparation effective en cas d'erreur. Sinon, l'obligation d'information risque de devenir un document technique incompréhensible, et le canal de recours, une simple page web.
Bien sûr, la gouvernance ne consiste pas à freiner la technologie. Elle ressemble plus à la construction d'une route : où peut-on accélérer, où faut-il limiter la vitesse, où des barrières de sécurité sont nécessaires, et qui est responsable en cas d'accident. Une route sans règles ne représente pas la liberté, elle signifie généralement que les plus forts vont plus vite, et les autres doivent se débrouiller.
L'IA peut organiser les réponses, mais l'homme doit encore décider de la direction
L'IA est très douée pour répondre aux questions déjà posées. Mais les vrais problèmes difficiles de la société ne sont généralement pas l'absence de réponse, mais l'absence d'une réponse standard que tout le monde accepte.
Lorsque l'efficacité et l'équité entrent en conflit, laquelle faut-il privilégier ? Lorsque l'innovation technologique apporte des bénéfices globaux mais impose un coût plus élevé à une partie de la population, qu'est-ce qui est raisonnable ? Lorsque l'intérêt public et les droits individuels s'opposent, où tracer la limite ?
Ces problèmes ne peuvent disparaître automatiquement en augmentant la taille des paramètres.
Le Livre Bleu résume de manière très concrète le « renforcement inverse » que les sciences humaines et sociales apportent à l'IA : il ne s'agit pas de donner des avis moraux abstraits à côté de la technologie, mais de transformer les conflits de valeurs en compromis analysables, de transformer les conséquences sociales en indicateurs mesurables, et de fournir à l'évolution technologique un cadre de connaissances plus orienté et plus explicatif.
Le modèle peut nous dire quelles conséquences les différents choix pourraient entraîner, mais il ne peut décider par lui-même quelle partie de la population doit payer le prix de l'efficacité globale, ni si un tel prix en vaut la peine.
Le grand modèle des premières civilisations chinoises discuté dans le Livre Bleu en est un exemple. Les documents historiques, les écrits exhumés, les images d'artefacts, les informations sur les sites et les données géographiques étaient autrefois dispersés dans différents systèmes de documentation et l'expertise des spécialistes ; les modèles multimodaux peuvent les organiser dans un même espace de connaissances, permettant la référence croisée des preuves de sources différentes.
Sa signification ne réside pas seulement dans l'amélioration de l'efficacité de la recherche, mais aussi dans le changement de la manière d'organiser les preuves. Mais plus les matériaux sont connectés, plus l'expert doit juger : quels liens ont une signification historique, lesquels ne sont que des similitudes superficielles ; quels récits sont basés sur des preuves fiables, lesquels sont simplement organisés de manière plus fluide par le modèle.
C'est précisément la raison pour laquelle les sciences humaines et sociales ne peuvent être réduites à « corriger les erreurs de l'IA ». Elles sont non seulement chargées d'indiquer les préjugés, les risques et les failles, mais aussi d'expliquer les conflits de valeurs, d'analyser les conséquences institutionnelles, de comprendre la situation des personnes concrètes, et d'aider la société à former des jugements qu'elle peut assumer collectivement.
La technologie résout « ce qui peut être fait », les sciences humaines et sociales continuent de se demander « pourquoi le faire », « jusqu'où le faire », « qui en supporte le coût ».
Compter sur quelques équipes ne suffit pas
Lorsqu'on parle de l'intégration de l'IA et des sciences humaines et sociales, on pense facilement à quelques laboratoires, quelques résultats médiatiques, et à un petit nombre de chercheurs à la fois compétents en technologie et en sciences sociales.
C'est important, bien sûr, mais il ne faut pas compter uniquement sur cela.
Pour qu'un domaine développe des capacités à long terme, il faut un soutien conjoint des données, de la puissance de calcul, des modèles, des chaînes d'outils, de la formation des talents, de la collaboration organisationnelle et des systèmes d'évaluation. Le Livre Bleu rappelle particulièrement que l'infrastructure AI4SSH (IA pour les sciences humaines et sociales) ne se résume pas à acheter plus de machines, ni à intégrer plusieurs modèles sur une même page web, mais à la construction globale d'une base de données multimodales, d'un environnement de calcul, de modèles de domaine, d'agents intelligents, de chaînes d'outils et de mécanismes de collaboration.
Acheter de la puissance de calcul est relativement facile, établir des règles de données communes est difficile ; publier un modèle est relativement facile, faire en sorte que différentes disciplines comprennent vraiment les problèmes des autres est difficile. Le véritable défi est de transformer des projets dispersés en une capacité organisationnelle pouvant fonctionner durablement.
Plus important encore, les disciplines émergentes comme les sciences cognitives doivent également être planifiées conjointement. Les sciences cognitives relient la philosophie, la psychologie, les neurosciences, l'informatique, la linguistique et les sciences sociales ; elles nous aident à la fois à comprendre l'intelligence humaine et à réfléchir et calibrer l'intelligence artificielle. Pour les universités, le développement de telles disciplines fondamentales ne correspond peut-être pas immédiatement à une application démontrable, mais détermine si la collaboration homme-IA future pourra passer de l'utilisation d'outils à l'innovation de paradigmes.
Le Livre Bleu construit ainsi l'« Indice AI4SSH des universités chinoises », développé selon trois dimensions : capacité de recherche fondamentale, potentiel d'innovation de développement et capacité de diffusion sociale, comprenant 3 indicateurs de premier niveau, 7 de deuxième niveau et 10 de troisième niveau.
Il offre une fenêtre d'observation structurée : quelles universités ont déjà formé un système de recherche interdisciplinaire stable, lesquelles en sont encore au stade de projets dispersés ; lesquelles ont des résultats de recherche mais manquent de soutien institutionnel ; lesquelles ont des réalisations académiques mais ne les ont pas encore transformées en influence publique et en services à la société.
Le jugement global du Livre Bleu est que le développement de l'AI4SSH dans les universités chinoises présente déjà une structure « système initialement constitué, échelons distincts » ; les résultats de recherche et l'intégration locale progressent rapidement, mais l'influence académique internationale, l'innovation à la source, le soutien institutionnel et la transformation en services sociaux présentent encore des lacunes.
Par conséquent, pour mesurer le développement de l'AI4SSH, il ne faut pas seulement regarder le nombre de modèles, d'articles et de projets, mais aussi si les données, les outils, les normes, les talents et les mécanismes de collaboration peuvent fonctionner à long terme. La technologie peut être rapidement améliorée, mais les systèmes et organisations ne peuvent apprendre que lentement ; ce qui détermine vraiment jusqu'où l'IA et les sciences humaines et sociales pourront aller, ce sont précisément ces parties qui ne se prêtent pas facilement à des démonstrations vidéo.
Conclusion : Plus l'IA sait répondre, plus l'homme doit savoir quoi demander
Dans la préface du Livre Bleu, Qiu Xin, secrétaire du Comité du Parti de l'Université Fudan, adresse ce vœu aux lecteurs : à l'ère de l'intelligence, « veiller toujours à protéger la pensée, aiguiser la réflexion, préserver la sérénité et la fermeté nécessaires à la réflexion indépendante, au jugement rationnel, à l'interrogation des valeurs, à la claire distinction des choix, afin de guider les changements de l'intelligence par la profondeur de la pensée ».
C'est aussi l'attitude que ce Livre Bleu espère transmettre. Il n'est pas seulement une observation d'un cycle de changement technologique, mais aussi une réflexion collective des sciences humaines de Fudan face à l'ère de l'intelligence.
Ce qui compte vraiment, c'est de juger d'abord quels problèmes méritent d'être posés avant la génération automatique ; de continuer à questionner la crédibilité des preuves après que le modèle a donné ses conclusions ; de clarifier les limites et les responsabilités de la technologie avant qu'elle n'entre dans la société ; et de préserver le jugement de valeur et le choix de direction humains parmi les nombreux futurs possibles.
Nous n'avons plus besoin de continuer à prouver dans quelles tâches l'homme est plus rapide que la machine, mais de réaffirmer le jugement et la responsabilité inaliénables de l'homme dans la production de connaissances et le fonctionnement de la société.
La machine peut nous aider à atteindre de nombreux endroits. Quant à savoir pourquoi partir, où aller, et quelle vie mener une fois arrivé, ces choses-là ne peuvent probablement pas encore lui être entièrement confiées.
Le Livre Bleu sera officiellement publié le 17 juillet lors du forum « Gouvernance mondiale de l'intelligence artificielle et développement durable » du WAIC 2026. Pour télécharger l'intégralité du texte, veuillez suivre le compte officiel du Laboratoire national de développement et de gouvernance intelligente de l'Université Fudan.
Cet article provient du compte WeChat officiel « Machine Heart » (ID : almosthuman2014), auteur : Concerné par l'IA
