Marnie Hughes-Warrington, dans History and Artificial Intelligence (Cambridge 2026)  propose de regarder l’intelligence artificielle à travers une triple perspective historique : l’IA a une histoire ; les humains utilisent l’IA pour produire des histoires ; surtout, l’IA « fait de l’histoire » lorsqu’elle exploite des données du passé pour formuler recommandations, prédictions ou décisions.

Présenter l’IA comme uniquement tournée vers l’avenir est donc trompeur : l’apprentissage automatique repose sur des données antérieures. La thèse centrale de l’article est que les méthodes de l’historien – critique des sources, contextualisation, traitement des lacunes, appréciation de l’incertitude et confrontation des interprétations – peuvent contribuer à concevoir des systèmes d’IA plus fiables et plus justes.

L’auteure décrit d’abord l’« historien artificiel », un algorithme qui donne sens à des données du passé. Les premières IA reposaient surtout sur des règles explicites ; l’apprentissage automatique a déplacé l’accent vers l’apprentissage à partir d’exemples et du retour d’erreur. La rétropropagation ajuste les paramètres d’un réseau, mais la qualité dépend du corpus : trop étroit, il conduit au surapprentissage ; mal représentatif, à de mauvaises généralisations. Les transformeurs prolongent cette logique en pondérant les relations entre mots et en prédisant les suites probables à partir de vastes corpus.

Un système qui « fait de l’histoire » ne doit donc pas être défini seulement par sa puissance technique. Il faut déterminer ses finalités, ses sources, ses méthodes de raisonnement, ses formats, la durée de conservation et la possibilité de corriger ses résultats. Ces choix sont discutables, car il n’existe pas une seule manière légitime de produire une histoire. Il faut partir de l’usage recherché, de ses bénéficiaires, de ses coûts et du droit des communautés concernées à maîtriser l’usage de leurs connaissances.

La deuxième partie examine les bénéfices. L’IA permet déjà de rechercher, traduire, comparer et transcrire des sources et de relier l’analyse détaillée d’un document à des tendances observées sur de longues périodes ou de vastes territoires. Des usages plus délicats concernent les avatars historiques et les « fantômes numériques » de personnes décédées. Ils peuvent servir la mémoire, le deuil ou l’enseignement, mais ils sélectionnent certains éléments et en omettent d’autres. L’exemple d’avatars fondés sur des témoignages de survivants de la Shoah montre qu’un système peut restituer des faits tout en perdant la colère, l’humour ou les hésitations qui donnent sens au témoignage : le problème n’est donc pas seulement l’exactitude, mais l’interprétation.

L’IA peut aussi renouveler l’enseignement. Hughes-Warrington refuse de réduire le débat à la fraude académique. Elle évoque des cadres fixant le degré d’utilisation autorisé et des outils adaptatifs capables de modifier le rythme, la difficulté ou le format des contenus. L’objectif est d’apprendre aux étudiants à examiner les résultats, leurs sources et leurs biais.

La troisième partie étudie les dommages. Le premier risque tient aux silences et aux inégalités des données. Les archives ne sont jamais neutres : certaines expériences en sont absentes, d’autres ont été enregistrées dans des contextes discriminatoires. Les systèmes peuvent donc reproduire des injustices anciennes, notamment lorsque des historiques résidentiels ou financiers influencent l’accès au crédit, au logement ou à l’assurance. Les systèmes de recommandation ajoutent un biais de popularité : ce qui a déjà beaucoup circulé est davantage recommandé. L’expérience des historiens dans le traitement des absences et la pluralité des interprétations peut aider à corriger ces mécanismes. Un deuxième risque concerne l’incertitude. Les historiens signalent leurs sources et leurs réserves ; les systèmes d’IA peuvent présenter avec assurance une réponse qui n’est qu’une estimation probabiliste, alors que les utilisateurs préfèrent souvent les réponses confiantes. Un troisième risque concerne la sécurité : des requêtes historiques peuvent générer des contenus haineux, illégaux ou dangereux. Les filtres universels peuvent pourtant censurer des documents historiques légitimes ou produire des anachronismes. L’auteure demande donc des évaluations du raisonnement historique dans son contexte et sur la durée, avec l’intervention d’historiens.

L’analyse s’élargit aux coûts humains et environnementaux. L’IA mobilise minerais, énergie, eau et centres de données ; une partie du travail d’annotation et de modération est accomplie par des travailleurs faiblement rémunérés exposés à des contenus traumatisants. Les approches autochtones et la souveraineté des données offrent, selon l’auteure, une conception plus relationnelle : avant d’utiliser des données, il faut demander d’où elles viennent, qui les a produites, qui peut y accéder et pour quels usages. La propriété intellectuelle pose un problème parallèle : les modèles peuvent être entraînés sur des œuvres ou données utilisées sans consentement, tandis que les plateformes s’octroient parfois de larges droits sur les informations fournies. Hughes-Warrington estime que les personnes devraient pouvoir savoir quelles « histoires » algorithmiques sont produites à leur sujet et participer à leur correction.

La dernière partie porte sur l’éthique, la régulation et la géopolitique. Les principes de l’éthique historique – intégrité, transparence, respect, soin, dialogue critique – rejoignent largement ceux de l’éthique de l’IA, auxquels s’ajoute l’explicabilité. Mais la responsabilité devient difficile à attribuer lorsque de nombreux acteurs contribuent au code, aux données, au matériel et à l’exploitation du système. La question de l’auteur l’illustre : le droit actuel ne reconnaît généralement pas l’IA comme titulaire d’un droit d’auteur, mais attribuer l’œuvre à un humain ne règle pas nécessairement la responsabilité d’un résultat largement produit par la machine. À l’échelle mondiale, l’IA s’inscrit aussi dans des rapports de puissance autour des minerais, des puces, des centres de données, des flux d’information et des modèles de régulation.

La conclusion est que codes éthiques et réglementation ne suffiront pas s’ils ne se traduisent pas dans la conception concrète des systèmes. Hughes-Warrington mobilise l’« imagination historique »: faire de l’histoire ne consiste pas à assembler des fragments du passé, mais à interpréter des preuves incomplètes ou biaisées, à changer d’échelle et à envisager d’autres lectures. Les historiens ne devraient donc pas rester de simples utilisateurs finaux : leur expertise devrait participer à la conception, à l’évaluation et à la surveillance des systèmes qui apprennent du passé. L’IA peut transformer l’histoire ; inversement, une meilleure compréhension de l’histoire peut transformer l’IA et renforcer sa sûreté, sa responsabilité et la confiance qu’elle mérite.

Me Philippe Ehrenström, avocat, LLM, CAS en Droit et intelligence artificielle, CAS en Protection des données – Entreprise et administration