L’Intelligence artificielle face à ses conséquences :

quand l’innovation technologique rencontre ses limites éthiques

Manolo SARDÓ
Université de Toulouse

Table des matières

1 Cadre théorique : éthique, conséquences et responsabilité 1
1.1 Causalité et chaînes de conséquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 L’IA : définitions et réalités techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 La question de la responsabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Cartographie des échecs et réussites éthiques de l’IA : études de cas 3

2.1 Limites et échecs éthiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Discrimination algorithmique et justice sociale . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 IA et humains : quand les erreurs finissent en catastrophes . . . . . . . . . . . . . . . . . . . . 3
2.1.3 Surveillance de masse et contrôle social : le cas chinois . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.4 Véhicules autonomes : le dilemme du tramway réel . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Avancées et succès . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.1 Accessibilité et inclusivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.2 Progrès en médecine et diagnostic précoce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.3 Impact environnemental et durabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Analyse conséquentialiste : le capitalisme néolibéral comme structure causale des échecs 5

3.1 L’impératif de profit contre l’évaluation éthique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Les antagonismes structurels de la course à l’intelligence artificielle . . . . . . . . . . . . . . . . . . . . 6
3.2.1 La rivalité géopolitique USA-Chine et l’érosion des garde-fous . . . . . . . . . . . . . . . . . . . 6
3.2.2 L’asymétrie de pouvoir entre entreprises technologiques et populations . . . . . . . . . . . . . . 7
3.3 Alternative : vers une IA au service de l’utilité collective . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Introduction
L’intelligence artificielle devait nous libérer de nos torts, nos préjugés, nos biais. Elle les a industrialisés. Nous
sommes aujourd’hui témoins d’une révolution et d’un changement de paradigme dans notre manière de travailler, de
vivre, de penser : nous assistons à l’explosion de l’intelligence artificielle (générative, voire agentique), avec des outils
tels que ChatGPT [1], DALL·E [2] ou GitHub Copilot [3].
Cette révolution technologique – comme toutes les avancées technologiques – nous a été présentée (tant en fiction
que dans le domaine scientifique) comme capable de libérer l’humanité des tâches indésirables (répétitives, lassantes,
dangereuses, etc.), d’optimiser les institutions et de dépasser la subjectivité inhérente du genre humain. Le constat
empirique révèle une réalité bien différente : ces systèmes reproduisent les mêmes biais que leurs créateurs, parfois
même davantage. Lorsqu’elle juge, l’intelligence artificielle perpétue les discriminations raciales ; lorsqu’elle conduit,
elle privilégie la sécurité des clients payants au détriment des piétons ; lorsqu’elle recrute, elle reproduit les inégalités
de genre2.1.1 , du fait de la reproduction des comportements humains.
Il ne suffit pas, pour répondre aux problèmes soulevés par ces échecs, de se demander si l’intelligence artificielle
est bonne ou mauvaise – un outil n’étant ni l’un ni l’autre –, mais de comprendre comment le contexte capitaliste et
néolibéral de son développement détermine les échecs éthiques de ses applications.
Pour explorer ce vaste sujet, nous allons tout d’abord définir un cadre théorique, et bien sûr définir les termes du
sujet. Nous ferons ensuite un examen empirique des échecs et réussites des l’intelligences artificielles pour enfin finir
sur une analyse éthique du cadre d’usage de ces outils.

1 Cadre théorique : éthique, conséquences et responsabilité

La définition d’un cadre théorique est ici essentielle. En effet – contrairement à l’idée couramment répandue –,
l’éthique n’est pas seulement une affaire d’opinion personnelle ou d’intuitions morales : c’est un champ de recherche
structuré, formel, rigoureux et nécessitant une méthodologie stricte. Se contenter d’exposer ses convictions sans bases

1
théoriques est similaire à vouloir pratiquer la médecine en s’appuyant uniquement sur ses ressentis, sans connaître
l’anatomie, la physiologie ou les protocoles cliniques validés.
Bien que cette question fasse aujourd’hui débat [6, 7], la recherche philosophique dominante admet que l’intelligence
artificielle ne possède pas encore de conscience, de volonté propre, de remords ou de regrets [8]. Par conséquent, il
serait inadéquat de lui appliquer l’éthique de la vertu d’Aristote, une théorie éthique normative [4] qui juge la valeur
d’un agent non par ses actions mais par son caractère vertueux, cultivé par la raison pour atteindre l’épanouissement
(eudaimonia) [5]. Une telle approche présupposerait précisément les qualités qui font défaut aux systèmes actuels.
Nous pourrions aussi nous intéresser à la déontologie kantienne [9], qui semble ici être la plus adaptée : cette théorie
juge les actions selon des règles claires et universelles. Quoi de mieux pour juger ce que doit ou ne doit pas faire une
intelligence artificielle ? Mais la déontologie repose bien trop sur des règles universelles et immuables, ce que l’Homme
fait lorsqu’il juge si une action est bonne ou non est bien plus complexe. Selon la déontologie, mentir est toujours mal,
quel que soit le contexte, ou l’interlocuteur. Pourtant, chacun dira que Pierre a eu moralement raison de mentir au
sergent Muller au sujet des juifs cachés dans sa cave. C’est bien là toute la complexité de l’appréciation morale des
Hommes : elle repose sur le contexte, les conséquences, les protagonistes.
La théorie qui convient le mieux à notre problématique est le conséquentialisme [10], spécifiquement l’utilitarisme
de Bentham et Mill [11, 12]. Cette théorie évalue les actions de chacun selon les conséquences de celles-ci et le bonheur
ou le malheur qu’elles apportent au monde. C’est – à première vue – une théorie très froide et calculatoire, mais dans
la pratique c’est – au moins un peu 1 – ce que chacun fait lorsqu’il évalue une action. Cette théorie est parfaitement
adaptée à l’intelligence artificielle : elle offre un outil d’évaluation systémique, systématique et invariable, prenant en
compte des paramètres quantifiables.

1.1 Causalité et chaînes de conséquences

Il est pertinent pour déterminer les conséquences d’une action de définir la causalité, de savoir ce qui est causé
ou non par une action. Il faut rappeler qu’une cause n’est pas nécessairement directe : si je pousse un domino qui en
fait tomber un autre, mon action constitue la cause indirecte de la chute du second domino. De même, un système
ou un environnement peut être la cause structurelle d’une action en déterminant les contraintes et les incitations qui
orientent les choix des agents 2 . Par exemple, si un parent demande à son enfant (l’agent) de ranger sa chambre en
vitesse, le système de contraintes (« en vitesse », fainéantise de l’enfant) poussera l’enfant à tout cacher sous le lit
(maximiser la vitesse, minimiser l’effort) plutôt que de réellement ranger ses affaires. Ce problème 3 est similaire au
problème du maximiseur de trombones de Nick Bostrom [14]. On peut aussi noter que l’environnement (social, culturel,
économique, etc.) peut directement causer des biais – avec des préjugés, des idées préconçues ou des traditions – qui
eux-mêmes causeront diverses choses. Nous pouvons définir généralement ces concepts comme ceci :
Cause directe : Action immédiate d’un agent qui produit un effet sans intermédiaire. L’agent exerce une influence
physique ou décisionnelle directe sur l’événement causé (exemple : pousser le premier domino).
Cause indirecte : Action médiate d’un agent qui produit un effet par l’intermédiaire d’une chaîne causale, c’est-à-
dire via un ou plusieurs événements intermédiaires. L’agent reste responsable causalement bien qu’il ne génère
pas directement l’effet final (exemple : faire tomber le second domino via le premier).
Cause structurelle : Ensemble de contraintes, d’incitations ou de règles systémiques qui déterminent ou orientent
les choix et comportements des agents (exemple : la gravité et les lois de la mécanique qui déterminent la chute en
cascade des dominos, ou les contraintes temporelles qui poussent l’enfant à privilégier l’apparence de rangement).

1.2 L’IA : définitions et réalités techniques

Pour parler d’intelligence artificielle, il faut savoir ce que c’est. Nos intuitions nous poussent à les imaginer comme
des Jarvis ou comme Daneel Olivaw. Ce n’est pas ça. Les intelligences artificielles sont bien plus de choses. D’une
part, on peut retenir une définition large et essentielle : celle de systèmes capables d’accomplir des tâches nécessitant
l’intelligence humaine, des travaux de Turing [15] et de la conférence de Dartmouth en 1956 [16]. D’autre part, la
définition contemporaine se concentre sur les réseaux de neurones [18, 19, 20], l’apprentissage profond, les modèles de
langage (LLM 4 , basés sur l’architecture Transformer 5 ) et l’intelligence artificielle générative [22]. Dans cette analyse,
1. L’héritage religieux, notamment judéo-chrétien avec ses commandements (« Tu ne tueras point », « Tu ne mentiras point »), a
profondément ancré dans nos sociétés une morale déontologique fondée sur des règles absolues. Cette influence historique freine encore
aujourd’hui notre capacité à juger les actions selon leurs conséquences plutôt que selon leur conformité à des principes abstraits. Pourtant,
l’exemple de Pierre mentant au sergent Muller démontre que, confrontés à des situations concrètes, nous adoptons spontanément un
raisonnement conséquentialiste : nous jugeons le mensonge de Pierre moralement justifié non parce qu’il respecte une règle (au contraire,
il la viole), mais parce que ses conséquences – sauver des vies innocentes – maximisent le bien-être collectif.
2. Dans ce contexte, le terme « agent » désigne toute entité capable d’agir ou de réagir à son environnement, qu’il s’agisse d’êtres
humains, d’intelligences artificielles, d’animaux, ou même d’objets physiques soumis à des lois naturelles. Un domino qui tombe est un
agent au sens où il participe à une chaîne causale, bien qu’il n’ait pas de volonté propre. Cette définition large permet d’analyser les
structures causales de manière uniforme, qu’elles impliquent ou non une intentionnalité.
3. Il s’agit ici d’un problème d’alignement [13] : les objectifs que nous assignons aux intelligences artificielles (maximiser les profits)
ne correspondent pas aux objectifs que nous souhaiterions qu’elles poursuivent (maximiser le bien-être collectif). L’alignement désigne
précisément cette difficulté à faire correspondre le comportement d’un système d’intelligence artificielle avec les valeurs et intentions
humaines réelles.
4. Large Language Model : modèles de langage à grande échelle capables de comprendre et générer du texte [21].
5. Architecture neuronale permettant de traiter efficacement de grandes quantités de texte en analysant les relations entre les mots [23].

2
nous nous focaliserons particulièrement sur les LLM et les intelligences artificielles génératives, car ce sont ceux qui
posent aujourd’hui les questions éthiques les plus pressantes.

1.3 La question de la responsabilité

La question la plus fréquemment posée lorsqu’on parle d’intelligence artificielle, de voitures autonomes, d’armes
autonomes ou de tout ce qui nécessite une décision non humaine est : « Qui est responsable ? ». Une première réaction
serait de responsabiliser la machine, mais ça n’a pas vraiment de sens. Comme nous l’avons dit précédemment, une
intelligence artificielle n’a pas de « conscience propre », et donc nécessairement, pas de conscience morale (même si
cela pourrait changer dans les années à venir), reporter la responsabilité à la machine reviendrait donc à « annuler » la
responsabilité. Mais l’intelligence artificielle n’est en soit qu’un outil, est-il pertinent d’attribuer la responsabilité d’un
acte à un outil ? Le système autoguidé du missile allemand V2 [24] est-il responsable des morts causés par le missile ?
Il serait plutôt logique d’imputer ces morts au sergent Muller qui a ordonné le lancement de ce missile, on pourrait
aussi accuser le régime nazi, mais attribuer la responsabilité au système autoguidé du missile n’a... absolument aucun
sens. Par conséquent, pour l’intelligence artificielle comme pour le missile, la responsabilité doit remonter la chaîne
des choix humains : vers l’utilisateur qui l’actionne, l’entreprise qui la conçoit et la commercialise, et plus largement,
le système capitaliste qui en permet et encourage le développement.
Appliquer le cadre de la chaîne causale défini précédemment1.1 permet d’établir une hiérarchie des responsabilités.
Chaque « niveau » de décision porte une part de responsabilité pour les actions qu’il rend possibles au niveau inférieur :
1. Les décideurs politiques qui établissent (ou ignorent) le cadre réglementaire ;
2. Les entreprises qui développent et déploient les systèmes. La fonction du dirigeant est précisément d’assumer la
responsabilité ultime des activités de la firme ;
3. Les utilisateurs finaux, dont le degré de responsabilité varie selon leur autonomie et leur connaissance des effets
du système.
Cette analyse doit être complétée par un principe de responsabilité accrue pour les concepteurs d’outils dont la
finalité ou le fonctionnement est intrinsèquement nuisible. On juge – et on doit juger – différemment le fabricant d’un
couteau de cuisine et celui d’une arme conçue pour tuer : la responsabilité de l’entreprise est engagée par l’utilisation
souhaitée et non seulement la nature du produit qu’elle commercialise.

2 Cartographie des échecs et réussites éthiques de l’IA : études de cas

2.1 Limites et échecs éthiques
2.1.1 Discrimination algorithmique et justice sociale
Les États-Unis constituent un terrain particulièrement propice à l’expérimentation technologique, notamment en
raison d’un système juridique fragmenté reposant principalement sur la common law [25]. Ce système a favorisé
l’émergence d’initiatives à l’origine de controverses majeures autour de l’utilisation d’algorithmes dans des domaines
sensibles.
Le cas de COMPAS, algorithme de prédiction de récidive déployé dans le système judiciaire américain, illustre de
manière saisissante les dérives potentielles de l’intelligence artificielle appliquée à la justice. Une enquête menée par
ProPublica en 2016 a révélé que cet outil présente des biais discriminatoires significatifs à l’encontre des populations
noires [26, 27], disons le clairement : cette intelligence artificielle est raciste. La raison est simple : le système judiciaire
étasunien est raciste. L’algorithme COMPAS ayant été entraîné sur des données réelles, issues de la jurisprudence
étasunienne, il ne fait qu’en reproduire les biais.
Un autre exemple fameux nous est offert par l’entreprise Amazon en 2018. Le titan du commerce en ligne avait
développé un système de recrutement automatisé censé « optimiser la sélection des candidats ». L’algorithme s’est
révélé systématiquement défavorable aux candidatures de femmes, allant jusqu’à automatiquement éliminer les CV
mentionnant le mot « woman » ou des expériences dans des organisations féminines [28, 29]. L’origine de cette
discrimination était – là encore – structurelle : l’intelligence artificielle avait été entraînée sur les données réelles
de recrutement de l’entreprise, reflétant ainsi la domination masculine caractéristique du secteur technologique, et
notamment les biais sexiste de la société étasunienne [30]. Contraint par la controverse, Amazon a finalement abandonné
le projet.
Ces événements sont des exemples clairs que les intelligences artificielles – du moins telles que nous les comprenons et
les concevons aujourd’hui – contribuent à la perpétuation des inégalités systémiques et conduisent à des incarcérations
injustes, alimentant ainsi un cercle vicieux de discrimination.

2.1.2 IA et humains : quand les erreurs finissent en catastrophes

En Suède, une erreur algorithmique a affecté 70 000 personnes dans le système d’allocations chômage [31, 32].
Le système automatisé, conçu pour détecter les fraudes, a – à tort – accusé des milliers de chômeurs de fraude aux
prestations sociales, entraînant la suspension desdites prestations. Cette situation a plongé de nombreuses familles

3
dans une précarité économique sévère, illustrant les dangers d’une automatisation bureaucratique sans supervision
humaine adéquate. Le conflit ici est clair : la quête d’efficacité administrative par l’automatisation s’est confrontée à
la nécessité de vérification humaine 6 pour garantir l’équité et la justice sociale.
Le travail par les journalistes de Stat News a révélé que le système IBM Watson for Oncology, conçu pour assister
les oncologues dans la prise de décision thérapeutique, avait formulé des recommandations de traitement erronées et
dangereuses pour certains de leurs patients [33]. Malgré les promesses initiales d’une précision clinique accrue grâce
à l’intelligence artificielle, le système s’est avéré incapable de prendre en compte la complexité individuelle des cas
médicaux, conduisant à des erreurs graves. Plusieurs hôpitaux ont dû se retirer du programme après avoir constaté les
risques associés à l’utilisation de cette technologie non éprouvée [34]. Les problèmes sont nombreux :
— Formation sur des cas synthétiques non représentatifs ;
— Recommandations contraires aux directives cliniques établies ;
— Manque de transparence sur les limites du système ;
— Absence de supervision humaine adéquate ;
Les ingénieurs d’IBM ont préféré minimiser à un niveau absurde les coûts de développement et de déploiement
de Watson for Oncology au détriment de la sécurité et du bien-être des patients, illustrant ainsi les dangers d’une
approche technologique déconnectée des réalités cliniques et motivée par des intérêts commerciaux.

2.1.3 Surveillance de masse et contrôle social : le cas chinois

L’exemple le plus extrême – et certainement le plus célèbre – nous vient de la Chine. Dès 1949, Mao a instauré un
système de surveillance de masse omniprésent – formé de journalistes, de dénonciateurs et de milices – [35, §13]. En
1978, Song Jian, un scientifique chinois, a découvert en occident un modèle mathématique de gestion des populations.
Inspiré par cette approche – considérée en occident comme déshumanisante –, il a contribué à la mise en place de la
politique de l’enfant unique en Chine [35, §34], et a par la suite été un ardent défenseur de l’utilisation des technologies
de l’information pour la surveillance de masse [35, §36].
Depuis l’arrivée au pouvoir de Xi Jinping en 2012, la Chine a déployé un système de crédit social combinant
reconnaissance faciale, big data et intelligence artificielle pour surveiller et contrôler la population [36]. Ce système
attribue des scores aux citoyens en fonction de leur comportement social, économique et politique, influençant leurs
accès à divers services et opportunités. Les conséquences sur les libertés individuelles sont profondes : censure,
autocensure, discrimination systématique contre les minorités ethniques (notamment les Ouïghours), et répression
des dissidents politiques. Le contexte autoritaire et capitaliste 7 chinois amplifie les dérives potentielles de ce système,
transformant l’intelligence artificielle en un outil de contrôle social plutôt qu’en un moyen d’amélioration collective.

2.1.4 Véhicules autonomes : le dilemme du tramway réel

Une question qui revient souvent (nous avons sélectionné trois sources, mais la recherche académique sur le sujet
est abondante) est celle du dilemme du tramway appliqué aux véhicules autonomes [38] 8 . Qui doit-on sauver en cas
d’accident inévitable ? Les constructeurs (notamment Elon Musk à propos de sa marque Tesla) affirment que leurs
véhicules privilégient la vie des piétons sur celle des passagers [40], mais les études montrent le contraire [41, 42, 43].
En effet, « Les participants à l’étude souhaitaient que les autres achètent des véhicules qui privilégient la protection
du plus grand nombre, mais préféraient acheter un véhicule qui protège en priorité ses propres passagers. » [40,
§21]. Ce paradoxe révèle un conflit éthique fondamental entre l’intérêt commercial des entreprises et les principes
utilitaristes. Dans un contexte capitaliste, les entreprises sont incitées1.1 à maximiser leurs profits en répondant
aux préférences individuelles des consommateurs, qui privilégient la sécurité personnelle au détriment du bien-être
collectif. Cette dynamique de marché pourrait freiner le développement de technologies plus éthiques ou conduire à
des compromis dangereux, augmentant ainsi le nombre de victimes sur la route [43]. En fin de compte, cette situation
illustre la marchandisation de la sécurité humaine : « La plupart des gens veulent vivre dans un monde où les voitures
minimiseront les victimes. Mais chacun veut que sa propre voiture protège l’acheteur à tout prix » [41, 42, 43].
6. Vérification humaine qui peut justement mener à un travail plus important – voire à des erreurs humaines moins systématiques mais
plus difficiles à détecter – annulant donc l’intérêt de l’automatisation.
7. Bien que la République populaire de Chine se réclame du communisme, son système économique relève en réalité du capitalisme
d’État : les entreprises privées coexistent avec des entreprises publiques dans une économie de marché, mais l’État-parti conserve un contrôle
étroit sur l’ensemble de l’activité économique et oriente les investissements selon ses objectifs politiques. Cette forme hybride combine les
mécanismes et les intérêts du marché capitaliste avec une planification centralisée et un contrôle autoritaire [37].
8. Le « dilemme » du tramway est critiquable en soi [39] : il s’agit d’une situation hypothétique extrême, peu représentative des situations
réelles ; binaire ; décontextualisée ; et reposant sur des choix moraux simplistes. De plus, il présuppose que les véhicules autonomes peuvent
prévoir avec certitude les conséquences de leurs actions, ce qui est irréaliste dans le contexte complexe et incertain de la conduite routière.
Le second problème est le contexte d’analyse. Comme vu plus tôt1 , nous avons trois grands cadres éthiques : la déontologie, l’éthique des
vertus et le conséquentialisme. Le dilemme du tramway réel ne s’inscrit pleinement dans aucun de ces cadres : il est incompatible avec
l’éthique des vertus puisque les systèmes concernés sont des boîtes noires ; il n’est pas un dilemme déontologique car tous les « choix »
passent le critère d’universalité (la mort d’un homme n’émeut pas un réel kantien) ; et il est problématique dans une optique utilitariste
car il implique de sacrifier activement des individus pour le plus grand nombre, ce qui heurte la dignité humaine et l’acceptation sociale.

4
2.2 Avancées et succès
2.2.1 Accessibilité et inclusivité
Bien que notre analyse ait jusqu’ici mis en lumière les échecs structurels de l’intelligence artificielle, il serait
intellectuellement malhonnête d’ignorer ses applications positives.
Les technologies d’assistance pour personnes en situation de handicap constituent l’un des domaines où l’intelligence
artificielle démontre un potentiel émancipateur tangible. Seeing AI, développé par Microsoft [44], utilise la reconnaissance
d’images et l’OCR 9 pour décrire vocalement l’environnement, lire des textes, identifier des personnes et des billets
de banque 10 . Be My Eyes[46] illustre un modèle radicalement différent : cette plateforme à mission sociale connecte
940 000 utilisateurs malvoyants avec 9 millions de bénévoles à travers 180 langues, financée par donations et subventions,
sans actionnaires exigeant des retours sur investissement. NVDA [47], lecteur d’écran open source intégrant l’OCR
basé sur l’intelligence artificielle, complète ce tableau en démontrant le potentiel du logiciel libre. Ces technologies
contribuent significativement à l’amélioration de l’autonomie des personnes en situation de handicap : accès facilité
à l’information, à l’éducation et à l’emploi. L’idée que l’on pourrait imaginer en lisant les exemples cités dans la
section 2 : « l’intelligence artificielle cause seulement des torts » est erronée : une part non négligeable de la population
est directement aidée par les avancées de l’intelligence artificielle.

2.2.2 Progrès en médecine et diagnostic précoce

Nous avons de très nombreux exemples d’utilisations de l’intelligence artificielle dans le domaine médical – des
applications que l’on peut légitimement qualifier de bénéfiques au vu de leurs conséquences positives sur la vie des
patients –. Un exemple marquant est celui d’AlphaFold [48], un système de prédiction de la structure tridimensionnelle
des protéines. Sa précision est exceptionnelle et stable, avec un intervalle de confiance à 95% situé entre 0.85 et 1.16Å 11 ,
surpassant de loin ses concurrents qui atteignaient au mieux 2.8 Å. Développé à l’origine dans le cadre de la compétition
CASP14 [49], AlphaFold a révolutionné la biologie structurale. Il accélère la recherche médicale en remplaçant des
années de cristallographie par quelques minutes de calcul. Comprendre les structures des protéines impliquées dans
les maladies permet de comprendre les mécanismes pathologiques et de concevoir des mécanismes thérapeutiques.
Lors de la pandémie de COVID-19 [50], AlphaFold a permis de prédire rapidement la structure de protéines du virus
SARS-CoV-2, aidant ainsi la recherche dans la compréhension du virus et à accélérer le développement de traitements.
Dans le domaine de la formation médicale, l’outil DocSimulator [52] – issu de l’Université et du CHU de Montpellier –
utilise l’intelligence artificielle en tant que « simulations cliniques virtuelles » pour entraîner les étudiants. Une
étude randomisée contrôlée sur 50 étudiants en quatrième année de médecine a permis de valider la qualité de cet
entraînement. Un groupe a écouté le podcast NéphrOdio [53] (sur la néphrologie), tandis qu’un autre, le groupe témoin
n’a reçu aucune intervention spécifique. Les participants ont ensuite passé six stations d’examen clinique objectif
structuré (OSCE) sur la plateforme, évaluées par GPT-4. Les résultats montrent une amélioration significative des
scores OSCE dans le groupe ayant écouté le podcast (+3.5 contre -1.2 dans le groupe témoin, avec une valeur p [54]
de 0.03), ainsi qu’une confiance accrue dans leurs compétences cliniques en néphrologie (41.7% contre 16%, p = 0.04).
Enfin, nous avons deux exemples d’utilisation concrète de l’intelligence artificielle pour sauver des vies :
Détection cancer du sein : L’étude MASAI [56] démontre l’impact positif d’un système d’intelligence artificielle
dans le dépistage mammographique. Sur 80 033 femmes testées en Suède, l’algorithme a permis de détecter 20%
de cancers supplémentaires tout en maintenant le même taux de faux positifs (1.5%) et en réduisant de 44.3%
la charge de travail des radiologues.
Prédiction épilepsie : L’analyse des signaux EEG par l’intelligence artificielle permet de détecter et d’anticiper les
crises. Une revue systématique de 341 études (2022-2025) rapporte des performances élevées (précision >95%
dans 67% des cas, prédiction jusqu’à une heure à l’avance) et une réduction potentielle significative de la charge
de travail médical, malgré des défis de validation clinique persistants [61, 62, 63].

2.2.3 Impact environnemental et durabilité

L’intelligence artificielle pourrait aussi résoudre – ou au moins nous y aider – le problème du réchauffement
climatique. Selon une enquête menée par BCG en 2022 auprès de 1 005 dirigeants [64], 87% des dirigeants considèrent
l’intelligence artificielle comme un outil utile dans la lutte contre le changement climatique, 43% des organisations
ont une vision claire de l’utilisation de l’intelligence artificielle pour leurs efforts climatiques et 67% des dirigeants
du secteur privé souhaitent que les gouvernements soutiennent davantage l’utilisation de l’intelligence artificielle 12 .
9. Optical Character Recognition : technologie permettant de convertir le texte sur une image en texte numérique modifiable. [45]
10. Ce projet est né d’un hackathon en 2015, motivé par l’expérience personnelle d’Anirudh Koul dont le grand-père perdait la vue. Il
a temporairement échappé à la logique du profit avant d’être récupéré par Microsoft. L’application reste gratuite, financée par la division
recherche sans monétisation directe – un coût que Microsoft, en position de quasi-monopole, peut se permettre pour des gains indirects
(amélioration d’image, positionnement stratégique).
11. L’ångström (Å) est une unité de longueur valant 0.1 nanomètre [51].
12. Cette dernière donnée n’indique pas la « bonne volonté » des dirigeants du secteur privé. Elle montre surtout que ces entreprises ont
un intérêt économique direct à ce que les États financent le développement et l’adoption de technologies d’intelligence artificielle qu’elles
produisent ou commercialisent, créant ainsi un marché subventionné par les fonds publics.

5
Toujours selon cette enquête, l’intelligence artificielle pourrait permettre réduire les émissions de 2,6 à 5,3 gigatonnes
de CO2e [65] dans la considération d’un déploiement à l’échelle mondiale.
Ensuite, de la même manière que l’intelligence artificielle permet de résoudre le problème d’allocation dynamique
de ressources en informatique 13 , on pourrait imaginer qu’elle permettrait de résoudre le même problème en écologie
en optimisant la consommation énergétique des bâtiments, des usines et des réseaux de transport, la consommation
d’eau dans les pratiques agricoles, etc.

3 Analyse conséquentialiste : le capitalisme néolibéral comme structure

causale des échecs
3.1 L’impératif de profit contre l’évaluation éthique
Comme expliqué lors de la définition du cadre formel1.1 , un système peut être la cause structurelle d’une action.
Ainsi, le capitalisme – en tant que système, en tant que structure – est la cause de nombre de décisions organisationnelles :
les États néolibéraux 14 et les entreprises privées ont tout intérêt à minimiser leurs coûts et maximiser leurs profits. Le
fait que des torts ou des bienfaits soient causés aux individus n’est ni bon ni mauvais pour l’entreprise en soi, ce sont des
effets de bord. Or, la minimisation des coûts (baisses de salaires, utilisation de données erronées, baisses des prestations
sociales, suppression des contrôles qualité, etc.) est un tort causé aux individus, tandis que la maximisation des profits
(augmentation des capitaux, croissance économique, accumulation actionnariale, etc.) n’est pas – ou rarement –
un bienfait causé aux individus. Cette asymétrie fondamentale révèle la contradiction structurelle du système : les
mécanismes d’optimisation capitaliste produisent systématiquement des externalités négatives pour la population sans
générer de bénéfices équivalents en retour.
Dans le contexte de l’intelligence artificielle, cette dynamique se traduit concrètement par le déploiement de
systèmes insuffisamment testés (réduction des coûts de développement), biaisés (utilisation de données peu coûteuses
mais non représentatives), et opaques (protection du secret commercial au détriment de la transparence). Les exemples
analysés précédemment – COMPAS, Amazon, Watson for Oncology – ne sont pas des accidents isolés mais les
conséquences prévisibles d’une structure économique qui valorise la rapidité de mise sur le marché et la rentabilité
immédiate plutôt que l’évaluation rigoureuse des conséquences sociales. D’autres exemples illustrent plus magistralement
cette asymétrie :
Facebook/Meta et Instagram : Les recherches internes révélaient dès 2019 qu’Instagram aggravait les troubles de
l’image corporelle chez un tiers des adolescentes et était impliqué (cause structurelle1.1 ) – voire était directement
incriminé (cause directe) – dans les pensées suicidaires [70]. Malgré ces données, les dirigeants ont minimisé
publiquement ces effets (Zuckerberg disait « Les recherches que nous avons consultées indiquent que l’utilisation
d’applications sociales pour communiquer avec d’autres personnes peut avoir des effets positifs sur la santé
mentale », alors que lesdites recherches démontraient justement l’exact opposé de ce discours public.) et déployé
des solutions inefficaces (Project Daisy) uniquement pour leur image de marque. La maximisation de l’engagement
utilisateur primait sur la protection des adolescentes.
L’ethics washing chez Google : En 2020, Google a remercié – c’est-à-dire « évincé » – Timnit Gebru et Margaret
Mitchell, responsables de son équipe d’éthique de l’intelligence artificielle, après qu’elles aient documenté les
risques des grands modèles de langage – technologie centrale du moteur de recherche Google [71, 72]. Ces
départements d’éthique sont neutralisés dès qu’ils menacent la rentabilité, confirmant leur fonction d’ethics
washing 15 .

3.2 Les antagonismes structurels de la course à l’intelligence artificielle

La compétition pour la suprématie en intelligence artificielle génère deux antagonismes majeurs qui causent
structurellement des problèmes éthiques : d’une part, la rivalité géopolitique entre puissances (notamment États-
Unis et Chine) qui fait tomber les protections au nom de « l’urgence stratégique » ; d’autre part, l’asymétrie de
pouvoir entre entreprises technologiques et populations, où les victimes n’ont aucun recours face aux systèmes qui les
jugent.

3.2.1 La rivalité géopolitique USA-Chine et l’érosion des garde-fous

La montée de l’intelligence artificielle crée de fortes rivalités entre les pays, notamment entre les États-Unis (d’où
viennent les intelligences artificielles GitHub [3], OpenAI [1], etc.) et la Chine (qui ont de leur côté DeepSeek [73],
13. L’allocation (dynamique) de ressources désigne l’attribution des ressources variablement disponibles pour différents agents
(composants informatiques, humains, organisations, entreprises, etc.) pour différents usages [66].
14. Le néolibéralisme ne doit pas être confondu avec le libéralisme classique de Smith [67]. Ce dernier reposait sur une théorie économique
– discutable certes, mais cohérente – tandis que le premier constitue [68] un projet politique délibéré de reconstitution des classes de pouvoir
et des élites. Cette reconstitution prend la forme d’un néo-féodalisme où les géants technologiques exercent un pouvoir de seigneurie sur
des utilisateurs réduits au statut de serfs numériques [69].
15. Le racisme et le sexisme systémique aggravent ces dynamiques : les chercheuses en éthique de l’intelligence artificielle issues de groupes
marginalisés – comme Timnit Gebru, femme noire pionnière dans l’étude des biais raciaux – sont particulièrement vulnérables car elles
doivent critiquer les systèmes de pouvoir face à des décideurs souvent racistes, sexistes, et qui n’en subissent jamais les effets. [72].

6
Baidu [74], etc.). Cette rivalité se déploie sur quatre dimensions [75] :
Militaire : Course aux systèmes d’armes autonomes [76] cyberguerre, surveillance de masse2.1.3 ;
Économique : Domination des marchés technologiques et captation de la valeur économique mondiale
Technologique : Suprématie en semi-conducteurs 16 , algorithmes et gouvernance des données ;
Commerciale : Expansion d’influence (Route de la Soie numérique chinoise vs alliances technologiques américaines).
Cette compétition internationale produit deux conséquences majeures sur la régulation : Premièrement, un déploiement
rapide et précipité sans la moindre évaluation éthique de ses conséquences sociales, géopolitiques et humaines ; et
l’entraînement sans régulation nationale ou internationale des modèles d’intelligence artificielle, poussant donc à
l’utilisation de données sensibles, privées ou dangereuses. Deuxièmement, la course oppose principalement les États-
Unis et la Chine, cette dernière est en passe de prendre l’avantage décisif, non pas grâce à une supériorité scientifique
fondamentale, mais grâce à trois facteurs structurels [78] :
— Une industrialisation massive de l’intelligence artificielle (production à très grande échelle) ;
— L’abondance des données grâce à une population de 1.4 milliard d’individus et une surveillance généralisée2.1.3 ;
— Un écosystème politique-économique particulièrement favorable : culture entrepreneuriale ultra-compétitive du
« copy to win, then optimize » ; soutien étatique fort via des financements massifs, planification stratégique et
régulation permissive)

3.2.2 L’asymétrie de pouvoir entre entreprises technologiques et populations

D’un autre côté nous avons une asymétrie forte entre les entreprises et la population, illustrée par les exemples
donnés plus tôt2 , structurellement causée par une absence de réglementation et par une impuissance structurelle
(absence de réelle démocratie sur le sujet) des populations ciblées : Les populations victimes des systèmes d’intelligence
artificielle (chômeurs suédois accusés à tort de fraude, prévenus noirs aux États-Unis jugés par COMPAS) n’ont aucun
pouvoir sur les systèmes qui les jugent. Cette asymétrie transforme les citoyens en sujets passifs de technologies sur
lesquelles ils n’ont aucune prise. Cette absence de réglementation est aggravée par une fragmentation des visions et
des systèmes normatifs [79] :
Europe : Régulation forte et contraignante (RGPD pour la protection des données, AI Act pour la régulation des
systèmes d’intelligence artificielle selon leur niveau de risque) ;
États-Unis : Régulation quasi-inexistante au niveau fédéral, fragmentée par État, privilégiant l’autorégulation des
entreprises au nom de l’innovation ;
Chine : Contrôle gouvernemental total des systèmes d’intelligence artificielle par la loi PIPL mais orienté vers le
contrôle social et la surveillance de masse (système de crédit social) plutôt que vers la protection des droits des
citoyens.
Cette fragmentation permet aux entreprises technologiques de pratiquer le forum shopping [80] réglementaire et
d’échapper aux contraintes les plus strictes.
Dans le contexte capitaliste, la logique du move fast and break things est dominante, mais « break » (casser) ne
signifie pas seulement – comme le voudrait cette logique – casser les barrières et les limites structurelles, mais aussi – et
surtout – détruire des vies humaines et fragiliser la démocratie 17 . Les dommages sociaux (désinformation, polarisation,
extrémisation, discrimination algorithmique, précarisation culturelle) constituent des finalités rationnelles et souhaitées
du modèle économique des entreprises technologiques, fondé sur la focalisation de l’attention et la maximisation de
l’engagement, et non des dysfonctionnements accidentels [82]. Les coûts sociaux sont ainsi délibérément externalisés
vers les populations qui – en plus d’en être le carburant involontaire – en sont les victimes.
Les régulations existantes sont insuffisantes ou capturées par les lobbies technologiques. Le cas Facebook/Meta
illustre magistralement cette capture : les problèmes éthiques de la plateforme ne sont pas des accidents mais découlent
directement de son modèle économique [82]. Les recherches internes documentent comment Facebook savait que ses
systèmes causaient et aggravaient la polarisation, la radicalisation et la diffusion de infox [83], mais a choisi de ne pas
agir car la rémunération des dirigeants était liée aux mesures de l’engagement plutôt qu’au bien-être des utilisateurs
et aux conséquences éthiques. Les filtres d’intelligence artificielle échouent systématiquement à empêcher les discours
de haine, l’incitation à la violence, le harcèlement et la désinformation à grande échelle – non par limitation technique,
mais par choix économique délibéré.
Tout ceci mène à une absence de recours juridiques ou institutionnels effectifs pour les victimes de ces échecs.
16. Les semi-conducteurs sont des matériaux massivement utilisés dans les technologies électroniques et informatiques, dont la
manufacture ne peut se faire que par des usines spécifiques qui se trouvent majoritairement à Taïwan. La nécessité de ces matériaux
dans les technologies informatiques mène à une nouvelle guerre froide entre les États-Unis et la Chine [77].
17. Les plateformes dominantes fragilisent profondément à la fois les démocraties et les conditions matérielles de la création artistique
(qui contribuent justement à la liberté d’expression et donc indirectement à la démocratie). En contrôlant les réseaux de diffusion de
l’information et de la culture, elles favorisent l’extrémisation, la désinformation et l’opacité des algorithmes de recommandation, tout en
captant la majeure partie de la valeur économique produite. Les artistes, journalistes et créateurs voient leurs revenus disparaître au profit
d’un modèle fondé sur la « gratuité » apparente et la publicité ciblée (on rappelle la maxime : « Si c’est gratuit c’est vous le produit »),
tandis que les citoyens sont exposés à des systèmes qui orientent l’espace public sans responsabilité démocratique effective [81].

7
3.3 Alternative : vers une IA au service de l’utilité collective
Vient maintenant la question de l’alternative : est-il possible de faire une bonne intelligence artificielle ? Clairement,
oui. Mais comment ? Plusieurs points sont essentiels : Il faut une évaluation conséquentialiste systématique et indépendante
avant le déploiement (voire même avant l’entraînement) de l’intelligence artificielle et si cette évaluation échoue, il
faut prévoir l’abandon (chose impensable dans une logique capitaliste). Cette évaluation doit être impartiale, donc
dirigée par un organe externe et non impliqué : un État, une organisation indépendante, une entreprise concurrente
(dans l’éventualité d’une forme de système hybride capitaliste ...), etc. Cette évaluation doit inclure tous les affectés
et non seulement les clients et les actionnaires. Il faut pour cela évaluer tous les effets directs et indirects et tous les
effets de bord.
Nous avons de nombreux exemples de projets allant dans ce sens : ChRIS, développé par le Boston Children’s
Hospital et Red Hat pour l’analyse d’imagerie médicale [86], ainsi qu’OpenMEDLab, première plateforme open-
source mondiale pour les modèles de fondation médicaux [87, 88] ; Aardvark Weather de l’Université de Toronto
et Prithvi-weather-climate de la NASA 18 et IBM pour la prédiction climatique et météorologique [89, 90] ; ou encore
SAMA 19 , alternative open-source gratuite d’optimisation de microréseaux développée par l’Université Western [91].
Même DeepSeek, bien que – lorsqu’utilisé sur les serveurs de l’entreprise – contrôlé par le gouvernement chinois et
politiquement biaisé, illustre l’intérêt de l’open source qui permet de déployer le modèle localement sans dépendre
d’un contrôle centralisé en évitant ainsi la censure, la propagande etc.
Ces exemples (tout comme les succès présentés plus tôt2.2 ) partagent un point commun : développés hors de la
logique de profit immédiat : open source, étatique, besoin personnel, etc. On brise la chaîne causale à son premier
maillon : l’environnement. Lorsqu’il n’y a aucun besoin de minimiser les coûts :
— l’État peut débourser beaucoup, voire de manière quasi infinie avec des mécanismes comme le roulement de
dette 20 ;
— l’open source n’a pas ou très peu de coûts à minimiser.
Ou aucun profits à maximiser :
— l’État n’a pas pour but de faire croitre un quelconque capital ;
— l’open source n’a dans aucun cas des profits à maximiser (puisque l’open source est gratuit, d’utilisation, de
possession et de modification, il semble compliqué d’en tirer un profit direct).
Enfin, certaines entreprises (Méta, Microsoft, Valve 21 ) font beaucoup de projets open-source, pour différentes
raisons : une efficacité supérieure ; la possibilité de lancer de petites équipes sans trop de financements et de responsabilités
des projets qui peuvent sembler inutiles ; etc.
La Linux Foundation Energy argumente que « si le secteur de l’énergie n’applique pas les meilleures pratiques
d’autres secteurs et n’exploite pas l’open source de manière stratégique, il ne tiendra pas les promesses et le potentiel
de l’intelligence artificielle avec rapidité et échelle ». L’open source est présenté comme « la pratique clé qui transforme
le battage médiatique en réalité » [92] pour gérer la complexité croissante des réseaux électriques décentralisés.

Conclusion
Au terme de cette analyse, il apparaît que les échecs éthiques de l’intelligence artificielle ne constituent pas des
« bugs » techniques isolés, mais les conséquences prévisibles – et évidentes – d’un système économique qui ne maximise
pas l’utilité collective. Le problème n’est pas l’intelligence artificielle en soi, mais le contexte capitaliste néolibéral de
son développement. De COMPAS à Watson for Oncology, en passant par la surveillance chinoise et le système de
recrutement d’Amazon, tous révèlent la même dynamique causale : l’impératif absolu de profit conduit à minimiser
les coûts d’évaluation éthique et à externaliser les dommages sociaux vers les populations vulnérables.
Sans cadre éthique rigoureux – l’utilitarisme semblant le plus approprié – et sans modification profonde des
incitations économiques, l’intelligence artificielle continuera inévitablement de reproduire et d’amplifier les inégalités et
les discriminations existantes. La responsabilité remonte la chaîne causale vers les décideurs politiques, les entreprises,
et plus fondamentalement, vers le système capitaliste qui crée les incitations structurelles à ces échecs.
Deux chemins distincts et antagonistes s’ouvrent pour réorienter le développement de l’intelligence artificielle vers
l’utilité collective. Premièrement – si l’on choisit de rester dans la logique capitaliste –, il faut créer de nombreuses
réglementations, créer des incitations économiques et imposer un contrôle sur la création d’intelligence artificielle. Il
faut organiser l’évaluation systématique et indépendante de tout travail dans ce domaine (et l’exemple de la science
nous montre que c’est une tâche complexe, voire impossible) avec possibilité réelle d’abandon des projets néfastes
(inimaginable dans la logique capitaliste, le biais des coûts irrécupérables étant à la base de ce système). Deuxièmement,
18. National Aeronautics and Space Administration : agence spatiale étasunienne.
19. Self-Adaptive Memetic Algorithm : algorithme d’optimisation auto-adaptatif.
20. Le roulement de dette permet à un État d’emprunter à l’infini, L’État peut réemprunter pour rembourser sa dette, de manière
cyclique. Puisqu’il est éternel, l’État peut perpétuer ce cycle sans limite, chacun fini par être remboursé et l’État a un budget conséquent
à allouer à ses projets [84]
21. Il a été mis en lumière récemment que Valve finançait – parfois de manière non publique – plusieurs projets open source stratégiques
– notamment des technologies d’émulation x86 sur ARM – donnant rétrospectivement à ce soutien industriel discret les allures d’un complot
technologique [85] etc.

8
sortir de cette logique basée sur le profit et entrer dans des modèles socio-économiques plus rationnels, plus justes, plus
égalitaires et qui ne considèrent pas le profit comme une valeur divine, méritant qu’on sacrifie des vies humaines pour
elle. En sortant de la logique du profit immédiat, il devient possible d’aligner les objectifs techniques avec le bien-être
collectif sans devoir imposer une surcouche lourde à un système déjà complexe.
Cette perspective soulève néanmoins une question morale troublante (question à la base de la logique utilitariste [93]) :
faut-il accepter un mal pour obtenir un bien ? L’amélioration des capacités des modèles d’intelligence artificielle repose
largement sur le vol systématique de données humaines sans consentement ni rémunération. Les avancées médicales,
les outils d’accessibilité ou la prédiction climatique ont tous bénéficié de cet accès non autorisé. Cette tension –
entre bénéfices collectifs indéniables et appropriation illégitime des productions humaines – ne peut être résolue par
une simple sortie de la logique capitaliste. Elle exige une réflexion sur les conditions de légitimité de l’innovation
technologique et pose une question qui dépasse cette analyse : qui décide dans quelle mesure la fin justifie-t-elle les
moyens ? La réponse déterminera l’avenir de notre rapport à l’intelligence artificielle et le type de société technologique
que nous souhaitons construire.

Références
[1] ChatGPT. Wikipédia.
[2] DALL-E. Wikipédia.
[3] GitHub Copilot. Wikipédia.
[4] Dittmer, J. Applied Ethics. Internet Encyclopedia of Philosophy.
[5] Büchler, K. (2017). Qu’est-ce que l’éthique des vertus ?
[6] Butlin, P., Bengio, Y., & al. (2023). Consciousness in Artificial Intelligence : Insights from the Science of
Consciousness. arXiv.
[7] Géraud, T. (2024). Quand la science répond à la question : « nos IA sont-elles conscientes ? ». Monsieur Phi.
[8] Porbski, A., & Figura, J. (2025). There is no such thing as conscious artificial intelligence. Humanities and Social
Sciences Communications.
[9] Kant, E. (1785). Fondements de la métaphysique des mœurs. (V. Delbos, Trad.). Wikisource.
[10] Conséquentialisme. Wikipédia.
[11] Bentham, J. (1781). An Introduction to the Principles of Morals and Legislation. Batoche Books.
[12] Stuart Mill, J. (1861). Utilitarianism. The Floating Press.
[13] Alignement des intelligences artificielles. Wikipédia.
[14] Bostrom, N. (2003). Ethical Issues in Advanced Artificial Intelligence. Oxford University.
[15] Le Blanc, B. (2014). Alan Turing : les machines à calculer et l’intelligence. La Revue Hermès.
[16] Dartmouth workshop. Wikipédia.
[17] The Nobel Prize in Physics 2024. Comité Nobel.
[18] Hopfield, J. J. (1982). Neural Networks and Physical Systems with Emergent Collective Computational Abilities.
Proceedings of the National Academy of Sciences, 79(8).
[19] Ackley, D. H., Hinton, G. E., & Sejnowski, T. J. (1985). A learning algorithm for Boltzmann machines. Cognitive
Science, 9(1).
[20] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors.
Nature, 323.
[21] Qu’est-ce qu’un grand modèle de langage (LLM) ?. IBM.
[22] Intelligence artificielle générative. Wikipédia.
[23] Stryker, K., & Bergmann D. Qu’est-ce qu’un modèle de transformeur ?. IBM.
[24] Neufeld, M. J. (1995). The Rocket and the Reich : Peenemünde and the Coming of the Ballistic Missile Era. The
Free Press.
[25] Common law. Wikipédia.
[26] Beaudouin, V., & Maxwell, W (2023). La prédiction du risque en justice pénale aux États-Unis : l’affaire
Propublica-Compas. Institut National du Service Public.
Larson, J., Mattu, S., Kirchner, L., & Angwin, J. (2016). How We Analyzed the COMPAS Recidivism Algorithm.
ProPublica.
[27] Larson, J., Mattu, S., Kirchner, L., & Angwin, J. (2016). How We Analyzed the COMPAS Recidivism Algorithm.
ProPublica.
[28] Sel Villar, Z. (2025). Comment l’IA renforce les préjugés sexistes, et ce que l’on peut faire pour tenter d’y remédier.
ONU Femmes.

9
[29] Dastin, J. (2018). Insight - Amazon scraps secret AI recruiting tool that showed bias against women. Reuters.
[30] Goodman, R. (2018). Why Amazon’s Automated Hiring Tool Discriminated Against Women. American Civil
Liberties Union.
[31] Wils, T. (2019). Rogue algorithm in Sweden stops welfare payments for up to 70,000 unemployed. AlgorithmWatch.
[32] Alston, P. (2019). Rapport du Rapporteur spécial sur les droits de l’homme et l’extrême pauvreté. Nations Unies.
[33] Ross, C., & Swetlitz, I. (2018). IBM’s Watson recommended « unsafe and incorrect » cancer treatments. STAT
News.
[34] Frank X. (2019). Is Watson for Oncology per se Unreasonably Dangerous ?: Making A Case for How to Prove
Products Liability Based on a Flawed Artificial Intelligence Design. American Journal of Law & Medicine, 45(2-3).
[35] Chin, J., & Lin, L. (2022). Man And Machine. Dans Surveillance State : Inside China’s Quest to Launch a New
Era of Social Control. St. Martin’s Press.
[36] Chin, J., & Lin, L. (2022). The China Dream. Dans Surveillance State : Inside China’s Quest to Launch a New
Era of Social Control. St. Martin’s Press.
[37] Lin, L. Y.-H., & Milhaupt, C. J. (2023). China’s Corporate Social Credit System : The Dawn of Surveillance State
Capitalism ?. Cambridge University Press.
[38] Zhan, H., & Wan, D. (2024). Ethical Considerations of the Trolley Problem in Autonomous Driving : A
Philosophical and Technological Analysis. World Electric Vehicle Journal, 15(9).
[39] Geisslinger, M., Poszler, F., Betz, J., & al. (2021). Autonomous Driving Ethics : from Trolley Problem to Ethics
of Risk. Philosophy & Technology, 34.
[40] Fleetwood, J. (2017). Public Health, Ethics, and Autonomous Vehicles. American journal of public health, 107(4).
[41] Dizikes, P. (2016). Driverless cars : Who gets protected ? Study shows inconsistent public opinion on safety of
driverless cars. MIT News Office.
[42] Quinn, T., & Badaracco, J. (2024). If a Car Can Drive Itself, Can It Make Life-or-Death Decisions ?. Harvard
Business School.
[43] Bonnefon, J-F., & al. (2016). The social dilemma of autonomous vehicles. Science, 352.
[44] Seeing AI - A Visual Assistant for the Blind. Microsoft Garage.
[45] Reconnaissance optique de caractères. Wikipédia.
[46] Be My Eyes - Assistance Visuelle.
[47] NVDA - Lecteur d’écran Open Source.
[48] Jumper, J., Evans, R., & al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596.
[49] CASP14 - Critical Assessment of Structure Prediction. Prediction Center.
[50] Coronavirus (COVID-19). Organisation Mondiale de la Santé.
[51] Ångström. Wikipédia.
[52] Examens Cliniques Standardisés par l’IA (ECSI).
[53] NéphrOdio - Le podcast de néphrologie. Collège Universitaire des Enseignants de Néphrologie.
[54] Valeur p. Wikipédia.
[55] Dupont, V., Guerrot, D., & al. (2025). Evaluating podcasts as a tool for OSCE training : a randomized trial using
generative AI-powered simulation. BMC Medical Educucation 25.
[56] Lång, K., Josefsson, V., & al. (2023). Artificial intelligence-supported screen reading versus standard double reading
in the Mammography Screening with Artificial Intelligence trial. The Lancet Oncology, 24(8).
[57] Électroencéphalographie. Wikipédia.
[58] Réseau neuronal convolutif. Wikipédia.
[59] Long short-term memory. Wikipédia.
[60] Graph neural network. Wikipédia.
[61] Lucas, A., Revell, A., & Davis, K. A. (2024). Artificial intelligence in epilepsy - applications and pathways to the
clinic. Nature Reviews Neurology, 20.
[62] Perez-Sanchez, A. V., Valtierra-Rodriguez, M., & al. (2025). Artificial Intelligence-Based Epileptic Seizure
Prediction Strategies : A Review. AI, 6(10).
[63] Wu, Y., Lu, L., & al. (2025). Neural networks for epilepsy detection and prediction with EEG signals : a systematic
review. Artificial Intelligence Review, 59.
[64] Maher, H., Meinecke, H., & al. (2022). AI Is Essential for Solving the Climate Crisis. Boston Consulting Group.
[65] Équivalent CO2 . Wikipédia.
[66] Allocation des ressources. Wikipédia.

10
[67] Smith, A. (1776). Recherches sur la nature et les causes de la richesse des nations. Institut COPPET.
[68] Harvey, D. (2005). A Brief History of Neoliberalism. Oxford University Press.
[69] Varoufakis, Y. (2023). Technofeudalism : What Killed Capitalism. Melville House Publishing.
[70] Wells, G., Horwitz, J., & Seetharaman, D. (2021). Facebook Knows Instagram Is Toxic for Teen Girls, Company
Documents Show. The Wall Street Journal.
[71] Hao, K. (2020). We read the paper that forced Timnit Gebru out of Google. Here’s what it says. MIT Technology
review.
[72] Ebell, C., Baeza-Yates, R., Benjamins, R., & al. (2021). Towards intellectual freedom in an AI Ethics Global
Community. AI Ethics 1.
[73] DeepSee. Wikipédia.
[74] Baidu. Wikipédia.
[75] Nourhan Tosson, I. (2025). The Impact of AI on Global Power Shifts : A Case Study of U.S.-China Rivalry. China
Quarterly of International Strategic Studies, 11(3).
[76] Système d’armes létales autonome. Wikipédia.
[77] Bown, C. (2020). How the United States Marched the Semiconductor Industry into Its Trade War with China.
East Asian Economic Review, 24(4).
[78] Lee, K-F. (2018). AI Superpowers : China, Silicon Valley, and the New World Order. Harper Business.
[79] Larsen, B. C. (2022). The geopolitics of AI and the rise of digital sovereignty. Brooking.
[80] Forum shopping. Wikipédia.
[81] Taplin, J. (2017). Move Fast and Break Things : How Facebook, Google, and Amazon Cornered Culture and
Undermined Democracy. Little, Brown and Company .
[82] Lauer, D. (2021). Facebook’s ethical failures are not accidental ; they are part of the business model. AI Ethics 1.
[83] Infox. Wikipédia.
[84] Bouvier, M., & Mattret, J.-B. (2024). Le roulement de la dette publique. Revue française de finances publiques,
168(4).
[85] Hollister, S. (2025). Steam Machine today, Steam Phones tomorrow. The Verge.
[86] Pienaar, R. (2020). What’s new in the world of ChRIS ?. Red Hat Blog.
[87] OpenMEDLab. GitHub.
[88] Gaige, M. (2025). Open-Source AI Matches Top Proprietary LLM in Solving Tough Medical Cases. Harvard
Medical School.
[89] Peters, D. (2025). AI used to « democratize » how we predict the weather. University of Toronto News.
[90] Barnett, J. (2025). NASA, IBM Research to Release New AI Model for Weather, Climate. Open Science at NASA.
[91] Sadat, S. A., Takahashi, J., & Pearce, J. M. (2023). A Free and open-source microgrid optimization tool : SAMA
the solar alone Multi-Objective Advisor. Energy Conversion and Management, 298.
[92] Claburn, T. (2025). To save the energy grid from AI, use open source AI, says open source body. The Register.
[93] Dilemme du tramway. Wikipédia.

11