Comme l’intégralité du site, ce texte est écrit, codé, illustré par des humains. Ce qui n'est pas de mon fait est référencé. Par respect pour mon travail et celui des autres, merci de citer clairement si vous décidez de le mentionner. Précisez la date de lecture : faisant partie des carnets de recherche en ligne, ce texte est susceptible d’évoluer.

Introduction

J’ai commencé à écrire cet essai pour expliquer pourquoi je n’utilise pas les « intelligences artificielles génératives » dans mes cours et dans mon travail en sociologie politique. Le terme d’intelligence artificielle (IA) est confus : on va parler ici des « grands modèles de langage » ou « large language models » (LLM) tels que Claude ou les différents GPT d’OpenAI. Je vais commencer par expliquer comment fonctionnent les LLM. Ensuite, je vais présenter pourquoi les usages que j’en vois relèvent souvent du plagiat et s’opposent à mes objectifs pédagogiques. Je conclus en présentant une très brève sociologie des LLM. D’une part, comment leur implémentation participe à la standardisation des services. D’autre part, comment les discours actuels prétendent accélérer la déqualification des employé·es, donc la précarité. Nous ne sommes pas dépourvus de critiques et d’outils pour agir dans ces deux cas¹ .

Comment fonctionne Chatbot LLM dans les grandes lignes ?

Cette section vulgarise le fonctionnement des LLM, vous pouvez vous rendre à la section suivante (sommaire à gauche) pour les analyses.

Les agents conversationnels (ou « chatbots ») comme ChatGPT utilisent un LLM pour répondre en langage ordinaire à vos questions posées en langage ordinaire. Je vais essayer d’expliquer en termes simples le fonctionnement des LLM ² .

Pour commencer, il s’agit d’un algorithme : pour traiter l’information que vous lui donnez, il la découpe et la transforme en nombres. Si vous écrivez « chaton », il va découper ce mot en deux tokens « chat » et « on ». Des tokens sont des mots ou portions de mots que le LLM reconnaît et « active » dans son répertoire. Si j’écris une absurdité comme « breffef » il va activer trois tokens car il a rarement croisé ce terme. Si j’écris « j’ai un chaton », il va activer les tokens « j », « ‘ai », « un », « chat » et « on » (vous pouvez essayer vous même-ici).

Un modèle GPT est entraîné à compléter des phrases. Si vous lui dites « J’ai un félin domestiqué de petite taille qu’on appelle un… » à partir de ces tokens, le LLM va estimer que le token suivant le plus probable dans cette séquence est « chat ». On peut imaginer que dans son répertoire, le LLM a associé les mots « félin » et « chat » en attribuant une forte probabilité que l’un aille avec l’autre. D’où viennent ces probabilités ?

Le LLM est pré-entraîné sur une base de données. C’est d’ailleurs un des sauts technologiques actuels : nous disposons de grandes bases d’images et de textes annotés en ligne. Le LLM va pouvoir s’entraîner sur des images qui ont été décrites par des humains. Il va pouvoir « lire » différentes photographies auxquelles est associé le mot « chat ». Il va identifier des tokens, les unités minimales qui se retrouvent fréquemment sur ces images et dont la présence accroît la probabilité qu’il s’agisse d’un chat. Pour le langage, on peut entraîner notre LLM sur Wikipedia et le laisser se servir des articles afin de composer ses tokens et leur attribuer des probabilités.

La deuxième opération du LLM est de convertir ces tokens en vecteurs. En géométrie, un vecteur a une taille, une direction et un sens. Si vous voulez décrire un vecteur, vous pouvez me donner les coordonnées du point de départ et du point d’arrivée. Avec ces nombres, je peux dessiner la flèche du vecteur, calculer la distance entre deux vecteurs ou vérifier s’ils sont parallèles. C’est pareil avec les vecteurs du LLM, sauf qu’au lieu d’avoir deux coordonnées pour un espace en deux dimensions, c’est une longue séquence de nombres pour un espace de plusieurs milliers de dimensions. De fait, les mots de notre langage ont de nombreuses relations entre eux. Le mot « chat » n’est pas lié qu’au mot « félin » mais aussi au « jeu de chat » ou au « chat », la conversation sur internet. Chaque mot a donc une représentation vectorielle : elle permet de situer les mots dans un espace où la proximité entre coordonnées est une proximité de sens.

Le LLM traite vos phrases comme des séquences d’information : il lit puis associe des probabilités à la suite, ses cellules collectent en mémoire l’information lue. Ce qui a longtemps limité ces modèles, c’est que leur mémoire se diluait au fur et à mesure. En suivant les séquences de mots, ils calculaient la probabilité du mot suivant à partir des mots les plus récents (en leur accordant davantage de poids). Illustrons avec la phrase « Le chat était malade ce matin. J’ai fait mes affaires et je suis parti à… ». Il est possible que le LLM complète avec « l’école ». Pourtant, l’information pertinente se trouvait avant : le chat est malade, je vais chez le vétérinaire. En 2017, Google a publié un papier sur les mécanismes d’attention³ : demander au LLM de considérer simultanément tous les vecteurs intermédiaires. C’est ce qu’on appelle le transformeur : il ajoute des « encodages positionnels, qui fournissent à chaque token des informations sur sa place dans la séquence »⁴ . On se rappelle comment, lors des examens, vous relisiez plusieurs fois dans votre tête la consigne d’un exercice pour vous assurer de ne pas faire de contresens et d’avoir saisi tous les mots : ça aurait permis au LLM de porter son attention sur le mot « malade »⁵ .

Pour résumer, le LLM est un réseau de neurones qui repère les mots, active à chaque fois un token et le convertit en un vecteur qui représente sous forme de nombres les multiples connexions entre les mots. C’est une « boîte noire »⁶ : ces longues séquences de nombres sont illisibles pour nous. La quantité de paramètres d’un LLM est trop vaste pour que nous puissions au cas par cas ajuster la relation entre deux mots. Comment fait-on quand le LLM fait des erreurs ?

Stricto sensu, le LLM ne fait pas d’erreur, il traite des séries de probabilités. Si vous lui dites « Est-ce que j’ai un chaton ? », il peut répondre « Oui, tu as un chaton » et si vous reposez la question, il peut répondre « Je crois que tu as un chaton ». Le token « oui » n’est pas le seul probable dans ce contexte. Il y a une part d’aléatoire et l’algorithme sélectionne le token (le mot) parmi les tokens les plus probables (le langage vous permet de répondre de plusieurs façons à la même question). Si la réponse vous semble fausse, vous le lui dites, et il sélectionne une autre séquence, mais il ne change pas ses paramètres de base (en d’autres termes, il ne peut que compléter, ajuster les vecteurs associés aux tokens qu’il a repérés lors du pré-entraînement).

Quand on vous fournit un LLM, il est pré-entraîné, c’est l’étape que nous venons de décrire, ses tokens sont définis et sont associés à des vecteurs de base. Si vous vouliez modifier ces valeurs, il faudrait que vous envoyiez un commentaire à l’ingénieur qui entraînerait de nouveau le modèle en ajoutant vos réponses à sa base de données. Si on faisait comme cela, ce serait long. Il y a d’autres façons de calibrer un LLM. La première consiste, après le pré-entraînement, à donner des règles du jeu au LLM. Si votre agent de conversation doit aider des clients, vous pouvez lui fournir une série d’exemples d’« échanges réussis ». L’objectif est qu’il respecte certaines règles de conversation : le LLM va s’entraîner sur vos exemples et ajuster ses paramètres pour générer le type d’interactions voulu⁷ . Pour simplifier, ce réentraînement lui sert à compléter ses vecteurs de base pour ensuite fonctionner à partir des vecteurs modifiés. Une seconde manière utilisée pour les premières versions de ChatGPT consistait à créer une seconde machine. Ce deuxième LLM note les rétroactions fournies par des êtres humains (des employé·es sous-traité·es dans les pays du Sud). Afin de calibrer ChatGPT avant de le lâcher dans la nature, on le fait interagir avec ce deuxième LLM, celui qui a collecté et classé les rétroactions « éthiques » d’êtres humains.

Une autre manière a été découverte récemment en constatant qu’en demandant au LLM d’écrire étape par étape son raisonnement, il fournissait des réponses plus pertinentes. On appelle ça le « flux de pensée » ou l’apprentissage par raisonnement⁸ . C’est comme si on obligeait le LLM, avant de vous répondre, à « jouer avec lui-même », à écrire plusieurs scénarios puis à considérer les logiques d’ensemble et à modifier ses vecteurs d’attention. On peut automatiser ce processus : certaines questions ont des réponses objectivement vraies, par exemple en mathématiques. On peut laisser le LLM s’entraîner à formuler plusieurs réponses, constater quelles séquences de mots aboutissent au résultat demandé, et ajuster ses propres paramètres pour augmenter la probabilité d’user des séquences de mots qui ont conduit aux résultats demandés⁹ .

Tout le monde se trompe sur le plagiat et les LLM n’aident pas

Accusé de plagiat et s’étant vu retirer son doctorat, l’animateur de radio à France Culture Étienne Klein prend sa défense : « Lorsque je tombais sur la formulation d’un savoir […] il m’arrivait – oui – de l’assimiler et de m’en servir ultérieurement dans mes propres écrits, pas toujours de façon consciente. […] Ce qui comptait à mes yeux, c’était les informations que contenaient ces formulations avaient été rédigées par untel ou untel… je considérais que ces phrases étaient vectrices de connaissances partagées avant que d’être la propriété de leurs auteurs »¹⁰ .

Étienne Klein exploite la confusion entre l’activité de citer ses sources en journaliste et en chercheur¹¹ . Il serait absurde d’exiger d’une personne de retrouver l’ensemble des sources d’où elle tire chacune de ses notions, n’est-ce pas ? Ce serait une régression à l’infini. Pourtant, c’est exactement ce que font mes étudiant·es et mes collègues en sollicitant leur chatbot pour résumer un article ou pour composer une bibliographie.

C’est un quiproquo. Le modèle ne va pas retrouver les données sur lesquelles il a été entraîné. Dans le meilleur des cas, il va aussi utiliser un moteur de recherche. Il ne va pas résumer l’article, il va simplement « se réentraîner » dessus. Quand vous posez la question à la machine, vous lui donnez un contexte, une façon d’user les mots. Peu importe que vos collègues vous disent qu’ils et elles demandent les sources à leur ChatGPT, ce n’est pas comme cela que ça marche. Les données de base d’un LLM sont issues d’un pré-entraînement à partir duquel il a déterminé une logique d’usage des tokens. Il a été entraîné sur une quantité extraordinaire de mots pour prédire ses phrases et il ne peut retrouver l’origine de chacun de ses paramètres ; tout comme M. Klein, nous ne pouvons retrouver l’origine de nos mots et de nos usages (cela étant, que vous demandiez explicitement ou non au LLM de copier le style d’un·e auteur·rice qui faisait partie de sa base d’entraînement, le fait que les textes aient servi d’entraînement et se retrouvent à divers degrés dans ses réponses n’en est pas moins une façon de voler puis de se déresponsabiliser). Pour comprendre le plagiat, il faut revenir sur ce à quoi sert une référence scientifique.

Hors du monde scientifique, par exemple dans les rapports de santé publique, une référence scientifique est un argument d’autorité. Vous listez les cinquante enquêtes qui prouvent chacune que : « quand le·a médecin ne parle pas la langue du/de la patient·e, les traitements sont moins suivis ». Vous invoquez le consensus scientifique à l’appui de vos recommandations. À condition de bien ajuster votre prompt, demander à un LLM de lister ainsi les références n’est pas une activité si différente qu’une recherche sur Google Scholar ou PubMed – à la différence que vous ne sélectionnez pas les références de façon probabiliste.

Dans le monde scientifique, les références ont une fonction critique. En sciences humaines et sociales, les concepts et les cas ne s’additionnent pas, les terrains ne sont pas réplicables. Votre démonstration doit expliquer pourquoi telle enquête complète telle autre sans avoir eu lieu à la même période, dans la même culture, sans avoir été conduite par le·a même chercheur·se. La sociologie n’est pas une banque de données mais une discussion continue sur les faits sociaux. Connecter deux faits suppose de prendre une position théorique ou méthodologique et de la rendre apparente, donc de fournir les outils à vos collègues pour comprendre et critiquer le lien que vous proposez.

L’usage de tel ou tel concept, la référence à tel ou tel cas exigent du/de la chercheur·se de prendre position, de sélectionner une théorie, d’assumer un point de vue¹² . C’est faire ce qu’on apprend à ne pas faire dans le monde professionnel ou médiatique : prêter le flanc à la critique. Nul doute qu’un·e collègue d’une autre « école » sociologique trouvera ma proposition réductrice. Il ou elle doit montrer pourquoi rectifier ma présentation des faits contribue à notre compréhension de l’objet étudié. Ça passe souvent par réaliser sa propre enquête. De plus, le·a chercheur·se n’a pas un point de vue de nulle part : sa présence informe le terrain, la réponse des enquêtées. Ses valeurs, issues d’expériences socialisatrices de genre, de classe, etc., façonnent ses choix méthodologiques et théoriques. Les LLM ne font pas que déguiser la position des firmes privées et leur choix de données d’entraînement, ils appauvrissent la conversation en sciences humaines et sociales : on est privé de la compréhension de cette rencontre entre un·e chercheur·se, son parcours social, et l’objet étudié.

Pour résumer, le·a chercheur·se ne liste pas ses références. Il ou elle apprend, avec des outils comme Zotero ou EndNote, à les organiser, à construire un texte qui explique les connexions entre les cas étudiés, les limites des théories utilisées, ce qu’elles apportent chacune à son sujet, et comment, en retour, son terrain et sa perspective contribuent aux théories existantes, en les complétant, en les dépassant, en les synthétisant¹³ .

À quoi ça sert de faire cours si les étudiant·es utilisent les LLM ?

L’usage abusif des LLM pose un autre problème dans le monde académique : il fait obstacle à la formation d’étudiant·es critiques et créatif·ves et de professionnel·les capables.

Je dispense des cours à des étudiant·es en travail social. Ils et elles vont rencontrer des situations complexes et devront se débrouiller seuls. Je veux qu’ils et elles éprouvent la difficulté des textes scientifiques par elles·eux-mêmes, qu’ils et elles échouent et comprennent les raisons de leurs échecs, mais tentent d’abord d’établir un raisonnement.

Leurs intuitions peuvent déjà beaucoup, ils et elles sont capables d’évaluer une bonne partie de la valeur des travaux scientifiques et de se servir des résultats. Éprouver ses capacités – et je ne parle pas d’examens aux consignes tortueuses des classes préparatoires – est nécessaire pour apprendre à avoir confiance en soi. Il s’agit de ne plus dépendre de ses collègues ou des spécialistes pour lire à sa place mais de savoir les solliciter, donc de mesurer les limites de son jugement et de leur domaine d’expertise. On ne construit pas une société libre avec des individus incapables de se faire confiance, ayant trop peur d’échouer et toujours tentés de se réfugier derrière des solutions toutes faites. Ce sont des individus bercés par les appels à l’autorité et le désir puissant d’avoir raison. Ce sont des individus qui visitent l’université car ça les grise de dire la vérité. Ce sont des individus incapables d’écoute et d’innovation¹⁴ .

Évidemment, la confiance en soi est une caractéristique inégalement distribuée, conditionnée par l’origine sociale, le genre et les expériences minoritaires. C’est pourquoi la complaisance à l’égard de l’usage des LLM est une démission politique. Bien sûr, il serait mieux de garder la vérité pour soi : certain·es enseignant·es préfèrent les cours magistraux, les digressions obscures et méprisent les activités en groupe. Nombreux·ses sont ceux et celles qui enseignent pour flatter leur ego et ne désirent qu’un auditoire passif, en demande de maîtres à penser. C’est un tout autre défi que de mener les étudiant·es à aborder par elles-mêmes les textes, d’organiser des ateliers et de se rendre disponible pour les soutenir sans leur jeter votre explication définitive. Je ne vais pas prétendre que l’université nous donne beaucoup de moyens pour cela.

Pourtant, les LLM sont massivement utilisés à l’université, de nombreux·ses collègues chargé·es de cours s’y adonnent sans même les comprendre. C’est guère une surprise : l’université est une entreprise comme les autres, qui extrait le profit sur le dos de ses employé·es et les encourage à reproduire cette exploitation sur leurs subordonné·es. Comme les industries culturelles, l’académie déguise cette exploitation en prétendant à des fins plus élevées : l’art, la science, la connaissance. Pourtant, elle place des étudiant·es dépourvu·es de diplômes et de ressources financières sous la dépendance complète de chercheur·ses. Nombre de mes collègues ont déjà copié des chapitres de livres et des travaux d’étudiant·es pour préparer leurs cours, écrire leurs articles et livres. L’académie place les publications scientifiques sous le contrôle de grands éditeurs qui font payer l’accès à la recherche. L’académie déploie des partenariats avec des firmes privées pour valoriser ses diplômes, insérer ses étudiants et se financer. L’introduction des LLM ne fait qu’approfondir ces tendances exploitatrices.

Mon université fait campagne sur les valeurs des sciences humaines : la compréhension, l’empathie, etc. Il y a une part de réaction contre les menaces de la droite autoritaire. Il y a aussi une tentative de se repositionner sur le marché alors que le capital symbolique des thèses et mémoires s’effondre, que les jurys sont débordés par les travaux générés par LLM¹⁵ . En fait, le soupçon suffit pour parachever un vieux discours médiatique qui considère que les doctorats en sciences humaines et sociales ne servent à rien, si ce n’est à l’agitation politique. Dans le secteur privé, les LLM fournissent le dernier argument pour en finir avec ce monde de diplômes et de statuts, incarné par la fonction publique qui offrait des voies alternatives de promotion sociale. Alors pourquoi autant de mes collègues enseignant·es abondent dans l’usage des chatbots ? Pourquoi d’autres répondent qu’ils se contenteront des cours magistraux et examens manuscrits en classe ? Deux façons assurées de consacrer le suicide de l’institution¹⁶ . Si nous devons sauver notre utilité sociale, alors la conversation ne porte pas sur les LLM mais sur l’académie comme système d’égos et d’exploitation, et sur les moyens de lui donner un autre rôle social.

Standardiser, rationaliser et dépolitiser

Avec l’exemple de l’université, on distingue la façon dont l’usage des LLM renforce des tendances sociales préexistantes, et dont les discours sur les LLM nous en apprennent davantage sur les fantasmes de leurs laudateurs·rices.

Si on reprend la formule un peu provocante de l’universitaire italien Matteo Pasquinelli, c’est la division du travail bien plus que les mathématiques abstraites qui ont inventé le calcul automatisé¹⁷ . Les LLM s’inscrivent dans un mouvement de standardisation à la base de l’industrialisation : la capacité de mesurer le travail physique et cognitif. Ces deux derniers siècles, nous avons augmenté la productivité et le rendement en transformant les machines et l’organisation du travail. La rationalisation désigne le découpage du processus de production en unités identiques et mesurables. Il s’agit d’optimiser chaque dimension du processus : des pays sont spécialisés dans l’extraction, des ouvrier·ères sont spécialisé·es dans l’assemblage¹⁸ . La standardisation est nécessaire pour globaliser le processus : pour produire et distribuer à l’échelle de la planète. Par exemple, les normes ISO homogénéisent la production de matières premières (on produit le même type de bois, d’acier, etc.), les marchandises (on met au point des tests similaires pour chaque gamme de produits électroniques, de nourriture, de médicament ; on retrouve sur les rayons le même type d’objets peu importe le pays). Cette standardisation permet à la concurrence de se faire sur les mêmes termes et aux chaînes de production d’être aisément substituables. Les LLM sont présentés comme un outil de rationalisation : un système qui accomplit le même processus de réduction à des unités simples, et d’homogénéisation, mais pour des tâches humaines qui étaient perçues comme irréductibles car conditionnées par la culture et la langue (comme l’art)¹⁹ . Enfin, cette standardisation participe du contrôle des employé-es. Les anthropologues parlent d’une capture des activités par l’établissement d’une « grammaire d’action » : on réduit le travail humain à des unités basiques, qui peuvent être entrées sur un ordinateur et observables en temps réel (qui passe par une sursimplification et un effort permanent à tous les niveaux pour « entretenir » cette grammaire d’action)²⁰ .

Prenons la standardisation du traitement des citoyen·nes aux guichets des services publics. L’administration publique importe depuis longtemps les méthodes du privé, que ce soit les approches gestionnaires, faute de pouvoir renvoyer les employés protégés par les conventions collectives, ou les méthodes industrielles, faute de pouvoir privatiser les hôpitaux²¹ . En France, les guichets de l’assurance maladie et de l’aide sociale ont progressivement été fermés au profit de grands guichets dans les centres urbains et de la numérisation des démarches. Ces administrations traitaient déjà les demandes avec des chatbots relativement peu performants lorsqu’elles les ont remplacés par des chatbots LLM. Auparavant, les guichets occupaient des fonctions multiples : faire connaître leurs droits, soutenir plusieurs démarches, accompagner les personnes âgées ou isolées, être des lieux familiers où les citoyen·nes se sentent reconnu·es et habilité·es dans leurs droits²² . Or, ces transformations partent du postulat que le service public se réduit à valider mécaniquement un transfert quand l’individu y a le droit. La relation administrative ne serait qu’une question de bonne communication pour laquelle la langue, la culture, la situation économique ou la santé sont des obstacles.

Les LLM semblent apporter une réponse technique universelle aux problèmes de communication et prolongent cette idéologie qui réduit les inégalités sociales à des questions purement techniques qui n’impliquent nulle discussion (et tant pis si le poids des tâches administratives²³ retombe sur les familles, en particulier les femmes). Il s’agit de sortir du politique, donc de la responsabilité de l’État et de la visibilité médiatique, le vieillissement, le handicap, l’isolement dans les milieux ruraux, la distribution genrée des tâches domestiques, la surreprésentation des minorités dans les classes populaires, etc.

La course à la déqualification et les fantasmes de flexibilité

« Avec ce nouveau modèle, c’est comme si on passait du niveau d’un stagiaire pas génial à celui d’un ingénieur avec deux ou trois années d’expérience… Les gens se sont mis à tellement bosser qu’ils ne dormaient plus, se souvient Johan Mathe. Ils ne sortaient plus, ils étaient tout blancs, avec des cernes. Ils ont été surnommés les “vampires IA” », par Marc Andreessen, le pape du ­capital-risque de San Francisco²⁴ .

S’il ne s’agissait que d’approfondir la standardisation, il n’y aurait pas un tel engouement. Le discours sur les LLM semble aussi en faire un atout dans la course à la déqualification. La notion de qualification²⁵ désigne l’autonomie donnée aux travailleurs·ses dans l’exécution de leur travail qui reconnaît une formation et une expérience préalable, consacrées par un diplôme (souvent négocié entre un ordre professionnel, comme les médecins et les avocats, et l’État), une convention collective (donc négociée entre un syndicat et l’entreprise), etc. Évidemment, l’idée de déqualification va plus loin : l’un des facteurs d’émergence du capitalisme et de la société industrielle fut, en France, le démantèlement du système des jurandes (des jurys qui contrôlaient l’accès à une corporation, donc à l’exercice d’un métier).

La course actuelle à la déqualification a pour contexte les transformations de la société salariale. Il faut revenir rapidement sur les raisons du déclin (très progressif) du salariat et de son système de protections. De la fin des années 1940 aux années 1970, les « Trente Glorieuses » sont caractérisées par une croissance soutenue, appuyée sur des énergies à bas prix, notamment le pétrole, l’extension des usines, les innovations dans les secteurs aéronautiques, téléphoniques, etc. On parle de compromis fordiste pour désigner l’extension unique du salariat à cette période : une redistribution des fruits de la croissance, négociée par les grands syndicats de l’industrie et de la fonction publique, autour de contrats de travail garantissant la rémunération selon la qualification et l’expérience, ainsi que des droits sociaux, dont la protection contre les licenciements. Ce modèle décline graduellement, mais on considère les chocs pétroliers de 1973 et 1979 comme des points tournants. Le prix de l’énergie monte, la stagnation apparaît (inflation avec un fort taux de chômage), les délocalisations se multiplient dans les secteurs primaires et secondaires, la gestion des entreprises se financiarise (donnant davantage de contrôle aux actionnaires), l’économie des pays du Nord se tertiarise. La déréglementation répond à cette situation : soutenir la finance en laissant les banques d’épargne devenir des banques d’investissement, ouvrir les marchés à la concurrence, restreindre le champ d’intervention du gouvernement (et notamment le contrôle des taux d’intérêt par la banque centrale) et réduire les protections salariales.

Selon le sociologue Robert Castel, la course à la flexibilité est une des formes que prend la concurrence dans une société où le salariat domine mais se fragmente : contrats intérimaires, partage des tâches, emploi occasionnel, mobile, réparti entre plusieurs activités, etc.²⁶ Cette course est aussi spécifique aux économies tertiaires, c’est-à-dire largement basées sur le service. Là où les innovations dans l’énergie ou les moyens de transport génèrent des externalités positives pour de nombreux secteurs, les innovations de logiciel et d’organisation derrière Uber ou Amazon réduisent l’emploi et intensifient la compétition sur de multiples secteurs de services. En somme, les services doivent être capables de se repositionner rapidement, d’émuler les innovations des autres services ou de disparaître.

On distingue la flexibilité interne et externe, qualitative et quantitative. La flexibilité externe désigne la sous-traitance, la possibilité pour une entreprise de recourir à des contrats intérimaires ou de déléguer une partie du service. Cette flexibilité a des limites. Déjà, elle se heurte aux protections salariales car on ne peut licencier à tout-va les salarié·es et en engager d’autres pour se positionner rapidement sur un marché²⁷ . De plus, une entreprise a une routine de travail, une coordination, un temps d’apprentissage qui ne se remplacent pas si facilement. Enfin, les employé·es ont des compétences et le salaire reste une des façons de fidéliser des individus capables d’accomplir des tâches techniques et d’éviter de les laisser partir dans la concurrence. La flexibilité interne vise l’adaptation et l’intensification du travail des employé·es. Elle peut être quantitative : adapter le temps de travail, les horaires, les flux. Elle peut être qualitative : rendre les employé·es polyvalent·es, capables de se former tout au long de leur carrière, d’accomplir ce repositionnement sur un nouveau marché.

Les discours sur les LLM révèlent les fantasmes de nos capitalistes : la course à la flexibilité par la déqualification. D’un côté, les LLM seraient des outils universels, polyvalents, qui permettent aux entreprises de se positionner sur de nombreux types de marchés, de déployer rapidement leurs employé·es sur n’importe quelle tâche pour peu que vous possédiez votre datacenter et le bon LLM (flexibilité qualitative interne). De l’autre côté, c’est la sous-traitance généralisée. Pour beaucoup de patrons et d’entrepreneurs sortis de business school – des gens d’autant plus disposés à ce discours qu’ils n’ont jamais eu d’autres compétences que le portefeuille de leurs parents –, les LLM laissent entrevoir la fin des diplômes et des qualifications. Puisque toutes les tâches se réduisent à l’usage du langage naturel, nul besoin de fidéliser les employé·es compétent·es, fini les offres de rémunération élevée afin de débaucher le·a bon·ne expert·e²⁸ . Nul besoin de négocier²⁹ : le·a propriétaire de capital n’a qu’à rémunérer à la tâche des demandeur·ses d’emplois interchangeables.

On ne vient pas de découvrir une nouvelle énergie : ni retour de la croissance, ni nouveau capitalisme. Nous avons déjà passé les trente dernières années à nous former successivement – et à former les étudiant·es – aux tableaux Excels, aux suites bureautiques, aux logiciels diversifiés auxquels nos organisations souscrivaient. Maintenant, il faut former les étudiant·es à faire des prompts et dans dix ans, il faudra tout recommencer car les LLM se passeront déjà des prompts tels que nous les connaissons aujourd’hui.

Que faire ?

La critique des LLM tombe dans deux extrêmes : 1) surinterpréter leur arrivée, alors que les technologies ont une dizaine d’années, et amplifier le discours médiatique et patronal, 2) sous-interpréter les changements sociaux à l’œuvre et se réfugier dans des valeurs que nos institutions portent guère présentement. La seconde critique est tentante car nous savons tous·tes ce qu’exprime au fond le discours des LLM : c’est un prétexte à la destruction des protections salariales et aux licenciements de masse. Il présage un avenir de précarité permanente et de formation continue. Il méprise les sciences humaines et sociales et dresse un portrait de la culture réduite à des séries de solutions techniques et de références décontextualisées.

Pourtant, on tombe dans l’erreur si on se contente de voir dans les LLM de « simples répétiteurs probabilistes » qui ne remplaceront jamais de « vrais profs » ou de « vrais médecins ». D’abord, c’est manquer les progrès de la linguistique et des travaux sur la cognition. Ensuite, c’est s’illusionner sur les valeurs que nous portons. Pour ne parler que des « vrais profs », l’université que j’ai toujours connue est un système d’exploitation et de prédation guère différent des autres. J’ai connu plus de doctorant·es lessivé·es, humilié·es, voire suicidaires, qu’épanoui·es. N’allons pas faire des LLM un prétexte pour nous enfermer dans le corporatisme et refuser de renverser ce système. Enfin, c’est manquer la façon dont l’usage qui est fait des LLM renforce des tendances sociales : la standardisation des produits, notamment culturels, et des relations humaines, la sous-traitance du fardeau administratif sur les individus, la course à la flexibilité et à la déqualification, l’intensification de certaines tâches et le contrôle accru des employé·es (voire la surveillance généralisée).

Que faisons-nous face à ces tendances ? Il faut certainement se battre pour imposer d’autres formes de relations de services : des administrations qui ne traitent pas les demandes comme de simples transactions, un système de santé qui ne se réduise pas au curatif, des universités qui ne soient pas de simples distributeurs de savoirs et de diplômes. D’une part, Je ne dis rien de nouveau sinon que l’avenir appartient à la santé communautaire (au médico-social), au revenu universel et aux institutions « par et pour » leurs communautés. Les enquêtes sociologiques y ont encore toute leur place, de même que les pédagogies libératrices. D’un autre côté, il faut voir comment les idéaux de la diffusion des connaissances et du partage des savoirs ont été retournés pour servir au pillage massif des savoirs. Cette année, la Bibliothèque Nationale des Archives du Québec à Montréal a promu la numérisation de ses archives et leur ouverture comme bases pour entraîner des LLM. Il y en a même pour parler « d’IA souveraine ». Quelle méconnaissance du fonctionnement des LLM ! Quelle naïveté vis-à-vis des objectifs des propriétaires des modèles !

Naïveté est un grand mot : aucune de ces personnes (propriétaires comme administrateur·rices) n’usent régulièrement de ces savoirs. Pour elles·eux, le partage et la transmission ne sont que des concepts opératoires pour vendre des services. La question se pose à ceux et celles qui, comme nous, usent des savoirs partagés. Nous n’allons pas nous plaindre de la fragilisation des brevets pharmaceutiques, du monopole des grandes firmes « de la tech » et des éditeurs scientifiques. Nous ne pouvons pas non plus rester passif·ves face au parasitage de masse de la recherche (avec multiplication des textes générés par IA, des fausses données, des fausses références et du surtravail que ça occasionne dans la recherche et l’édition). La bataille se joue sur notre capacité à filtrer les publications sans revenir à un monopole de la connaissance. Elle se joue aussi dans notre motivation à convaincre les jeunes générations de l’intérêt tout sauf scolastique à lire, écrire et théoriser par elles·eux-mêmes, à se faire confiance et se rendre capables d’agir politiquement.

Notes et références