L’article de Juan Sebastian Olier (On (artificial) intelligence: from a concept of measurable human ability to automated evaluative order, AI & SOCIETY, 19 août 2026, https://doi.org/10.1007/s00146-026-03277-2) expose la thèse que l’intelligence ne doit pas être envisagée comme une réalité naturelle, stable et clairement délimitée que la science aurait progressivement découverte. Elle constitue plutôt une catégorie historique et culturelle par laquelle certaines aptitudes, certains comportements et certaines performances sont qualifiés d’« intelligents ». La bonne question n’est donc pas de savoir ce qu’est réellement l’intelligence, mais de comprendre comment certaines performances en viennent à être reconnues comme intelligentes, comment elles sont rendues mesurables et comment ces mesures acquièrent ensuite un pouvoir social, politique et technique. L’auteur soutient que l’intelligence artificielle prolonge cette histoire : elle repose sur une conception de l’intelligence déjà transformée en performances susceptibles d’être définies, comparées et évaluées.

Cette évolution trouve ses racines dans la rationalité moderne. À partir du XVIIe siècle, le développement des sciences modernes favorise des méthodes reposant sur l’observation, la comparaison, la vérification et la reproductibilité. Progressivement, ces méthodes ne servent plus seulement à organiser les connaissances : elles sont appliquées aux individus et à leurs capacités. Parallèlement, les Lumières remettent en cause les hiérarchies fondées sur la naissance ou la volonté divine. L’idée se développe que les positions sociales devraient dépendre des qualités et des aptitudes individuelles. Cette évolution comporte cependant une ambiguïté fondamentale. Les différences entre individus sont étudiées dans des sociétés déjà profondément structurées par les inégalités de classe, de sexe et de race ainsi que par le colonialisme et l’esclavage. Les nouvelles catégories scientifiques peuvent alors présenter des hiérarchies sociales historiquement construites comme l’expression de différences naturelles entre êtres humains.

Cette logique apparaît clairement au XIXe siècle dans les théories raciales et l’eugénisme. Les différences de capacité intellectuelle sont alors reliées à des caractéristiques biologiques et utilisées pour hiérarchiser des populations. Francis Galton joue un rôle important dans cette évolution en défendant l’eugénisme et en contribuant à faire de l’intelligence une caractéristique susceptible d’être mesurée. Les tests d’intelligence deviennent ensuite un instrument administratif beaucoup plus large. Au début du XXe siècle, le Stanford-Binet, puis les tests Alpha et Beta de l’armée américaine, consacrent l’idée qu’une capacité générale peut être exprimée par un score. Le SAT transpose cette logique à l’accès aux universités américaines. Des mécanismes comparables se développent en Europe. L’intelligence devient ainsi une catégorie administrative capable d’influencer l’accès aux études, à l’emploi et aux positions sociales. La mesure ne se contente donc plus de décrire une aptitude : elle contribue à distribuer les possibilités offertes aux individus.

Cette institutionnalisation produit un mécanisme circulaire. Les personnes qui obtiennent de bons résultats aux tests accèdent plus facilement à des formations et à des positions leur permettant de développer précisément les compétences que les tests valorisent. La mesure de l’intelligence finit ainsi par refléter partiellement les possibilités que cette mesure a elle-même contribué à répartir. Les tests déterminent en outre ce que les institutions considèrent comme une performance intelligente. L’intelligence se trouve progressivement associée au mérite : celui qui réussit est réputé non seulement plus capable, mais également davantage digne des avantages qui lui sont accordés. Les inégalités sociales peuvent alors apparaître comme la conséquence légitime des différences individuelles de capacité et d’effort. L’auteur rappelle pourtant que les instruments standardisés ne saisissent que certaines qualités et laissent difficilement appréhender, par exemple, la créativité, la sagesse, les compétences sociales ou l’altruisme.

Cette transformation de l’intelligence en performance mesurable prépare directement l’émergence de l’IA. Au milieu du XXe siècle, la cybernétique, la théorie de l’information et les sciences du contrôle permettent de décrire des comportements humains, animaux et mécaniques au moyen de concepts communs : information, entrée, sortie, signal, rétroaction et adaptation. L’intelligence peut dès lors être détachée, au moins conceptuellement, du corps humain et décrite comme un ensemble d’opérations formalisables. Dans le contexte américain de la guerre froide, cette conception bénéficie du soutien d’institutions militaires comme la RAND Corporation et l’ARPA, intéressées par des systèmes permettant de rendre la décision, la surveillance et le contrôle plus prévisibles. L’IA ne crée donc pas l’idée d’une intelligence opérationnelle : elle hérite d’une conception déjà façonnée par la psychométrie, la bureaucratie et la cybernétique.

Le célèbre article de Turing de 1950 illustre cette évolution. Plutôt que de chercher à définir ce que signifie « penser », Turing propose d’évaluer la machine à partir de son comportement observable dans le jeu de l’imitation. Une question conceptuellement difficile est ainsi transformée en épreuve de performance. Le projet de Dartmouth de 1955-1956 systématise cette démarche : utiliser le langage, résoudre des problèmes, former des abstractions ou s’améliorer deviennent des capacités que l’on cherche à formaliser et à reproduire techniquement. L’intelligence peut désormais être traitée comme un problème d’ingénierie.

Cette conception fait toutefois l’objet de critiques à partir des années 1970. Hubert Dreyfus souligne que l’action intelligente dépend largement d’un savoir tacite, du contexte, de l’expérience sociale et du corps, dimensions difficilement réductibles à des règles formelles. Maturana et Varela insistent également sur le fait que la cognition appartient à l’activité d’un organisme vivant engagé dans son environnement. Ces critiques ne mettent pourtant pas fin à l’opérationnalisation de l’intelligence. Elles contribuent plutôt à déplacer ses modalités. L’IA symbolique cherchait à programmer explicitement des règles et des représentations ; les approches connexionnistes et les réseaux neuronaux déplacent la formalisation vers l’apprentissage, les données, l’architecture des modèles, l’optimisation et la rétroaction.

L’apprentissage automatique contemporain poursuit ce déplacement. Le deep learning n’est pas dépourvu de présupposés simplement parce que les règles ne sont plus explicitement programmées. Les choix interviennent désormais dans la sélection et la préparation des données, la définition des tâches, les objectifs d’apprentissage, les métriques et les benchmarks. Les données ne possèdent pas spontanément une signification exploitable : il faut les sélectionner, les formater, les étiqueter et déterminer ce qui comptera comme une réponse correcte ou une généralisation réussie. Ces opérations définissent les distinctions que le système pourra percevoir et optimiser. Il existe ici un parallèle avec les tests d’intelligence : dans les deux cas, une réalité complexe devient techniquement traitable parce qu’une procédure détermine ce qui sera mesuré et ce qui comptera comme une performance réussie.

Les conséquences dépassent largement la technique lorsque ces systèmes interviennent dans le recrutement, le crédit, la police, la recommandation, la modération, l’évaluation des risques ou l’accès à certaines ressources. Les catégories, scores et classements produits par l’IA ne se contentent pas d’observer les comportements : ils peuvent contribuer à les orienter. Individus et institutions apprennent à se conformer aux critères qui les rendent sélectionnables, visibles ou crédibles. Les métriques deviennent ainsi récursives : elles évaluent une réalité qu’elles contribuent simultanément à façonner. Les problèmes d’équité algorithmique ne proviennent donc pas seulement d’erreurs ou de biais du modèle. Ils peuvent être antérieurs au modèle lui-même, dans la manière de traduire des notions contestables comme le risque, la solvabilité, la toxicité, la pertinence ou l’équité en variables et en indicateurs mesurables. Les datasets et benchmarks contribuent de la même manière à définir ce qui sera considéré comme un progrès de l’IA. Cette capacité de définition est d’autant plus importante que les données, la puissance de calcul et les infrastructures nécessaires au développement des systèmes les plus avancés sont concentrées entre les mains d’un nombre limité d’acteurs.

La conclusion est donc moins une critique de l’IA en elle-même qu’une invitation à déplacer l’analyse. L’IA ne découvre pas une intelligence préexistante qu’elle reproduirait progressivement avec davantage de fidélité. Elle cristallise bien plutôt certaines conceptions historiquement constituées de l’intelligence en les intégrant dans des systèmes techniques de données, d’apprentissage, de mesure, de classement et d’évaluation. L’enjeu central n’est dès lors pas seulement de déterminer si une machine est intelligente ou si ses décisions sont exactes. Il consiste à identifier les conceptions de la compétence, de la réussite, de la pertinence et du mérite que les systèmes d’IA rendent techniquement opératoires, puis à examiner comment ces conceptions acquièrent une autorité institutionnelle et influencent les comportements et la distribution des opportunités.

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