Un truc raconte quelque chose de pas très joli sur l’état de l’IA en 2026 : quand l’ONU a voulu que ses propres statistiques mondiales remontent correctement dans un modèle, ça n’a pas marché. Pas « un peu approximatif ». Pas « à 80 %, ça passe ». Non, carrément à côté. Les grands modèles de 2026, ceux qu’on nous vend comme des oracles capables de résumer la physique quantique entre deux blagues, sont incapables de retrouver de manière fiable une donnée de développement publiée par l’ONU. Un test UNICEF est venu mettre le nez dedans, et le résultat est sans appel.
La réaction est le vrai sujet. Au lieu de se dire « tiens, nos modèles sont nuls en données structurées, bossons là-dessus », la réponse a été : on va reformater les données. Google et le système onusien ont annoncé le lancement de l’UN System Data Commons, une plateforme ouverte censée rendre les statistiques mondiales accessibles et faciles à chercher. Traduction : les chiffres ont été mis au propre pour que les agents IA puissent les avaler (TechCrunch, Google AI Blog).
Qui s’adapte à qui, au juste
Note bien le sens de la flèche. D’habitude, on nous explique que l’IA va transformer le monde, qu’il faut s’adapter, apprendre à prompter, se reconvertir. Là, c’est l’inverse : c’est le monde qui se plie au format de la machine. Le savoir statistique accumulé par des décennies de travail onusien n’était pas « illisible ». Il était lisible par des humains, avec des tableaux, des définitions, des notes de bas de page qui disent précisément ce qu’un indicateur mesure et ce qu’il ne mesure pas. Sauf que les modèles ne lisent pas ça. Ils lisent du texte aplati, et quand le contexte disparaît, ils comblent le trou. En inventant.
On a déjà écrit ici que l’IA avait bouffé le savoir public et que personne ne savait plus à qui il appartenait. Voilà l’étape suivante, la suite logique : puisqu’on ne peut pas (ou qu’on ne veut pas) rendre les modèles plus rigoureux, on reconditionne la source. Le problème de l’hallucination n’est plus un problème de modèle. C’est devenu un problème de plomberie des données. Pratique, non ? Ça évite de dire tout haut que le produit phare ne sait pas lire un tableau correctement.
Google au poste de péage
Il y a un deuxième truc qu’il faut regarder en face. L’entité chargée de rendre le savoir mondial digeste pour les machines, c’est Google. Pas un consortium de bibliothécaires, pas un groupe de statisticiens indépendants. Google. Le même qui vend déjà des modèles, qui indexe déjà le web, et qui se retrouve maintenant à structurer l’accès des agents IA aux données de développement de la planète. Quand tu construis la route, tu places aussi le péage. Et tu décides où il passe.
Le mot « ouvert » dans « plateforme ouverte » mérite qu’on s’y arrête deux secondes. Ouvert sous quelle licence ? Récupérable par n’importe qui, y compris les concurrents de Google, ou ouvert au sens « tout le monde peut regarder, nous on vend l’API » ? Les communiqués ne le disent pas, et c’est rarement un détail. On a assez vu d’open-washing cette année pour se méfier du mot magique.
Le vrai test arrive
Rendre les données « AI-ready », ça part d’une bonne intention. Le diable est dans le genre de questions qu’on va autoriser. Un agent qui va chercher « taux de mortalité infantile au Sahel » et qui sort un chiffre propre, avec une source propre, ça ressemble à une victoire. Mais est-ce qu’il sortira aussi la note qui dit que l’année est incomplète, que le périmètre a changé, que deux pays ne déclarent plus ? Si la mise au format IA a écrasé ces nuances pour faire entrer le tout dans un joli carré, on n’aura pas résolu l’hallucination. On l’aura maquillée en certitude.
Ce qu’il faut surveiller maintenant, ce n’est pas l’annonce. C’est le premier journaliste, la première ONG, la première fonctionnaire qui interrogera un agent IA branché sur le Data Commons et qui se rendra compte que le chiffre sorti est… juste. Et vérifiable. Là, on saura si c’était de la plomberie ou du vernis.
En attendant, retiens la leçon de la semaine : quand l’IA ne comprend pas le monde, c’est le monde qu’on réécrit. On appelle ça « rendre les données prêtes pour l’IA ». On pourrait aussi appeler ça baisser le niveau d’exigence et le facturer comme une innovation.
Sources :
Comments are closed