La rhétorique de l'intelligence artificielle est l'étude de la manière dont le langage, l'argumentation et les stratégies narratives façonnent la compréhension, le développement et l'adoption des systèmes d'intelligence artificielle. Elle examine les fonctions persuasives de la terminologie technique, des messages d'entreprise, de la couverture médiatique et des documents politiques qui construisent collectivement le sens social de l'IA. Plutôt que de traiter le langage comme un conduit neutre pour décrire les technologies de l'IA, ce champ analyse comment les choix rhétoriques influencent les priorités de financement, les décisions réglementaires, la confiance du public et la mise en œuvre pratique dans diverses industries.
Le terme a gagné en popularité à la fin des années 2010, parallèlement à une sensibilisation croissante du public aux outils de apprentissage profond et de IA générative. Les chercheurs en études des sciences et technologies, en communication et en informatique ont commencé à suivre systématiquement comment des termes comme « intelligence », « apprentissage » et « alignement » portent des hypothèses sur les capacités des machines et les relations homme-machine. La rhétorique de l'IA oscille souvent entre des promesses utopiques d'automatisation et des avertissements dystopiques sur le déplacement d'emplois, les deux extrêmes servant des objectifs stratégiques pour différents acteurs.
Contexte historique dans le discours informatique
Les schémas rhétoriques désormais associés à l'IA ont des racines dans les débats informatiques antérieurs. Dans les années 1950 et 1960, des pionniers comme Bernard Widrow ont présenté les réseaux neuronaux comme des cerveaux électroniques capables de raisonnement semblable à celui des humains, une métaphore qui a attiré des financements militaires mais a aussi suscité des attentes irréalistes. Les « hivers de l'IA » des années 1970 et 1980 ont suivi la déception du public lorsque les grandes promesses ne se sont pas concrétisées, illustrant comment l'inflation rhétorique peut déclencher de vives réactions négatives.
Les chercheurs de Xerox PARC dans les années 1970 ont mis l'accent sur des interfaces conviviales pour humaniser l'informatique, une stratégie qui a influencé la conception ultérieure des produits d'IA. Les laboratoires de université Carnegie-Mellon et de MIT CSAIL ont développé des lexiques formels pour l'apprentissage automatique qui empruntaient des termes à la psychologie cognitive, intégrant des hypothèses anthropomorphiques dans les publications techniques. Le passage de l'IA symbolique à l'apprentissage automatique dans les années 1980 et 1990 a également déplacé la rhétorique de la logique basée sur des règles vers l'inférence statistique, bien que le langage de l'« apprentissage » ait persisté.
Cycles de battage médiatique et de scepticisme
La rhétorique contemporaine de l'IA suit fréquemment des schémas de boom et de buste documentés par les observateurs de l'industrie. La sortie de modèles à grande échelle par OpenAI, Anthropic et Google DeepMind à partir de 2018 a suscité une couverture médiatique intense oscillant entre des proclamations de percées et des avertissements existentiels. Les analystes ont noté que les startups emploient souvent un langage hyperbolique sur les performances des réseaux neuronaux pour attirer le capital-risque, tandis que des entreprises établies comme Amazon Web Services et Microsoft Azure mettent l'accent sur la fiabilité et la préparation pour les entreprises en des termes plus mesurés.
Le concept des capacités des grands modèles de langage a généré une rhétorique particulièrement polarisée. Certains partisans décrivent ces systèmes comme des moteurs de raisonnement polyvalents, tandis que les critiques soutiennent que des termes comme « compréhension » et « intelligence » sont des raccourcis métaphoriques qui déforment la correspondance de motifs statistiques. Des chercheurs universitaires comme Melanie Mitchell et Brian Christian ont apporté des critiques influentes du langage anthropomorphique de l'IA, plaidant pour un vocabulaire plus précis qui distingue le comportement des machines de la cognition consciente.
Narration d'entreprise et cadrage des produits
Les entreprises technologiques investissent des ressources considérables dans l'élaboration de récits sur l'IA qui s'alignent sur leurs objectifs commerciaux. Apple et Samsung Electronics présentent les fonctionnalités d'IA sur appareil comme une assistance personnelle respectueuse de la vie privée, tandis qu'Intel et AMD discutent des capacités de l'IA en termes de débit computationnel et d'efficacité. Les fabricants de semi-conducteurs comme TSMC, Broadcom et Qualcomm utilisent des spécifications techniques et des comparaisons de références pour construire leur crédibilité auprès des publics d'ingénieurs, employant une rhétorique basée sur les données qui masque les incertitudes sous-jacentes.
NVIDIA positionne son matériel comme une infrastructure essentielle pour le progrès de l'IA, une histoire renforcée par des conférences de développeurs, des livres blancs et des partenariats avec Oracle Cloud Infrastructure et Groq. Arm Holdings met l'accent sur l'inférence économe en énergie pour les appareils de périphérie, séduisant les marchés mobiles et de l'Internet des objets. Le cadrage rhétorique du matériel précède souvent les lancements réels de produits, créant des écarts d'attentes que les entreprises gèrent par des divulgations échelonnées et des références sélectives.
Récits éthiques et de sécurité
À partir du début des années 2020, la sécurité et l'éthique sont devenues des champs de bataille rhétoriques centraux. Des organisations comme Anthropic ont adopté le langage de l'« IA constitutionnelle » pour signaler un développement responsable, tandis qu'OpenAI est passé de la défense de l'open source à des récits de déploiement restreint après des préoccupations de sécurité. Le terme « alignement » est apparu comme un concept à la fois technique et moralement chargé, se référant aux efforts pour faire en sorte que les systèmes d'IA se comportent selon les intentions humaines.
Les discussions politiques dans des lieux comme Stanford AI Lab et BAIR (Berkeley AI Research) ont examiné comment les propositions réglementaires utilisent des cadres rhétoriques qui mettent l'accent soit sur l'atténuation des risques, soit sur le potentiel d'innovation. Le Bhabha Atomic Research Centre et d'autres institutions publiques ont publié des déclarations qui mettent principalement en avant la compétitivité économique, utilisant une rhétorique de sécurité nationale pour justifier les investissements dans l'IA. Des critiques de groupes comme Essential AI soutiennent que le blanchiment éthique - l'utilisation performative d'un langage éthique sans garanties substantielles - est devenu une stratégie d'entreprise courante.
Rhétorique éducative et pédagogique
Les programmes universitaires et les cours en ligne façonnent la manière dont les futurs praticiens parlent de l'IA. MIT CSAIL et université de Toronto proposent des cours qui mettent l'accent sur la rigueur mathématique, tandis que les programmes d'université d'Oxford et de université Carnegie-Mellon intègrent des perspectives des sciences humaines sur l'éthique de l'IA. Des auteurs de manuels comme Chris Bishop et François Fleuret influencent le vocabulaire technique par leur choix de notation, d'exemples et de cadrages de problèmes.
L'introduction de l'IA dans l'éducation primaire et secondaire a généré son propre champ rhétorique, où des termes comme « littératie numérique » et « préparation à l'IA » masquent des débats sur les étapes de développement appropriées pour les concepts algorithmiques. Des entreprises comme AI21 Labs et Inflection AI ont produit des supports éducatifs qui promeuvent simultanément leurs produits et façonnent la compréhension publique des capacités de l'IA.
Représentation médiatique et discours public
La couverture journalistique joue un rôle crucial dans la médiation de la rhétorique de l'IA pour les publics généraux. L'utilisation d'images de stock représentant des têtes de robots lumineuses ou des réseaux neuronaux abstraits prédispose les lecteurs à interpréter les histoires à travers un prisme de science-fiction. Les titres emploient fréquemment un langage personnifiant - « l'IA apprend à coder », « le modèle découvre un nouveau médicament » - qui obscurcit le rôle des ingénieurs humains et de la curation des données.
Les plateformes de médias sociaux amplifient les affirmations virales, souvent dépouillées de nuances. Des chercheurs comme Filippo Menczer ont étudié comment la désinformation liée à l'IA se propage à travers les dynamiques de réseau, créant des boucles de rétroaction qui intensifient l'anxiété ou l'enthousiasme du public. Le terme « hiver de l'IA » a été ravivé dans les commentaires prédisant des corrections de marché, tandis que « superintelligence » apparaît dans des articles spéculatifs malgré un manque de fondement empirique.
Langage de mesure et d'évaluation
La rhétorique de l'évaluation de l'IA est elle-même un domaine contesté. Des références comme GLUE, SuperGLUE et MMLU sont devenues des outils rhétoriques que les entreprises citent pour affirmer leur supériorité, mais les critiques notent que les scores de référence échouent souvent à prédire les performances réelles. David Kaplan et Jack Clark ont défendu des cadres d'évaluation plus nuancés qui tiennent compte de la diversité des tâches et de la robustesse.
Le langage autour de la taille des modèles a évolué, passant de l'accent sur les nombres de paramètres à l'accent sur « l'efficacité » et la « capacité par watt » à mesure que les techniques de élagage de modèles et de quantification progressent. Le terme « capacités émergentes » a alimenté le débat sur la question de savoir si les lois de mise à l'échelle produisent de véritables sauts qualitatifs ou reflètent simplement des artefacts de mesure. Aaron Courville et Alexei Efros ont apporté des perspectives qui mettent en garde contre une surinterprétation des courbes de performance.
Rhétorique systémique et politique
Les agences gouvernementales et les organismes internationaux emploient une rhétorique de l'IA pour justifier des actions législatives. Les projets de loi de l'Union européenne sur l'IA mentionnent à plusieurs reprises une IA « à haut risque » et « digne de confiance », utilisant un langage juridique pour classer les systèmes. Les États-Unis ont favorisé des récits de « leadership américain » dans les décrets exécutifs, tandis que le discours public de la Chine met l'accent sur la « force nationale » et la « souveraineté technologique ».
Les institutions académiques ont répondu en créant des centres interdisciplinaires qui relient la recherche technique et l'analyse rhétorique. Stanford AI Lab publie des rapports annuels qui suivent les tendances textuelles dans les brevets et publications sur l'IA. BAIR (Berkeley AI Research) organise des ateliers sur l'interprétabilité qui présentent la transparence comme un impératif moral, façonnant la manière dont les étudiants diplômés conceptualisent leurs objectifs de recherche.
La rhétorique de l'ouverture par rapport au contrôle reste non résolue. Les sorties de poids ouverts par meta et mistral sont présentées comme une démocratisation de l'IA, tandis que les défenseurs de la sécurité soutiennent qu'une telle ouverture permet un usage abusif. Ce débat s'étend aux fournisseurs d'infrastructure comme AWS Trainium et Google Cloud, qui commercialisent des services d'IA responsables même en hébergeant des modèles à la provenance ambiguë.
Directions futures
À mesure que les systèmes d'IA deviennent plus intégrés dans la vie quotidienne, la rhétorique se déplacera probablement vers des questions de responsabilité et de responsabilité distribuée. Des termes comme « humain dans la boucle » et « IA centrée sur l'humain » reflètent une négociation continue entre automatisation et agentivité. Les initiatives de robots humanoïdes Figure AI et Sanctuary AI emploient une rhétorique anthropomorphique qui pourrait remodeler les attentes du public concernant l'intelligence incarnée.
La recherche émergente explore comment l'IA multimodale modifie les pratiques d'argumentation elles-mêmes, car le texte, les images et l'audio générés brouillent les frontières traditionnelles entre auteur et outil. La rhétorique entourant le échantillonnage top-p et la mise à l'échelle de température dans les paramètres d'inférence révèle de profonds désaccords sur la quantité de hasard qui devrait être autorisée dans les systèmes productifs.
Les chercheurs appellent de plus en plus à une rhétorique pragmatique qui reconnaît l'incertitude tout en permettant une prise de décision éclairée. Cela remplacerait le soutien sans critique et l'alarmisme par un langage calibré qui différencie les capacités prouvées des possibilités spéculatives. La question de savoir si un tel discours équilibré peut dominer dans une économie de l'attention reste ouverte.