Le terme « intelligence artificielle » est partout, discuté jusqu’à l’épuisement. Mais malgré les promesses de révolution, l’horizon semble étrangement calme, résolu. Les futurs possibles se sont rétrécis. Les promesses comme les critiques sont désormais cristallisées. L’IA nous rendra plus rapides, plus productifs, plus créatifs. L’IA nous rendra plus bêtes, plus isolés, plus faciles à exploiter. Elle dopera l’économie, fera avancer la science et automatisera le sale boulot. Elle détruira nos emplois, augmentera les inégalités et précipitera la crise écologique. Reste simplement à savoir : vers quel avenir allons-nous ?

publicité

Outre l’anxiété de l’automatisation et la croyance en la fin du travail, l’emballement spéculatif et discursif autour de l’IA n’a pas manqué de raviver le déterminisme technologique. Ces théories, qui placent les technologies au centre de leur vision mécanique de la société, souffrent paradoxalement d’un manque criant d’intérêt pour ce qui constitue, selon elles, le moteur de l’histoire. À bien y regarder, elles s’intéressent bien plus à la structure et à l’évolution des sociétés qu’aux technologies elles-mêmes, et encore moins à ce qu’elles sont en pratique, dans leur mise en œuvre. Or c’est, en dernière analyse, tout ce qui importe pour comprendre ce que l’IA fait à nos sociétés : non pas une idée abstraite de ce qu’elles pourraient être, ni même l’idéologie de leurs concepteurs, mais bien la technologie-en-pratique, la technologie-en-usage.

Or la technologie-en-pratique fait aujourd’hui l’objet d’un terrible désintérêt, voire d’un certain mépris. L’abondance de spéculations sur les impacts à venir ou, mieux encore, sur ce qu’il conviendrait de faire (individuellement ou collectivement) est la meilleure preuve de cette incuriosité des technologies, de ce qu’elles sont et ce qu’elles font, ici et maintenant, et surtout dans leurs usages ordinaires. Le débat public se trouve ainsi saturé de discours, critiques ou éloges, qui accordent une place centrale aux IA tout en se désintéressant de ce qu’elles sont en substance, les pratiques étant réduites à l’état d’anecdotes ou de paraboles. Pourtant, c’est la massification rapide des large language models ou LLM[1] dans les usages qui fait de l’IA plus qu’une simple hype et donne par la même occasion de l’importance à la critique. Les usages sont donc centraux, mais que veut dire, au juste, « utiliser l’IA » aujourd’hui ? Les mots que nous employons parlent de ces technologies mais n’en disent rien, parce qu’ils sont détachés de toute description de leurs usages.

Revenir aux usages

Il est donc urgent de produire une critique de l’IA en se mettant à la hauteur de son existence réelle, c’est-à-dire de sa mise en œuvre concrète par ses utilisatrices et utilisateurs. À la fin des années 1990, l’historien David Edgerton plaidait déjà, dans les Annales, pour une histoire des technologies en usage (technology-in-use). Il s’agit pour lui de déplacer la focale : ne plus prendre pour objet premier les technologies, mais ce qui compte et fait problème dans les usages, et, à partir de là, le rôle qu’y jouent les dispositifs techniques. Pour Edgerton, c’est à cette condition que l’on peut se déprendre du déterminisme technologique.

Au même moment, Lucy Suchman et Wanda Orlikowski proposent de penser les technologies en usage et en pratique (technology-in-use, technology-in-practice), en insistant sur leur inscription dans des situations concrètes, faites d’ajustements, de contournements, mais aussi de non-usages ou d’usages faibles. En France, ces perspectives ont par la suite nourri la sociologie du numérique et de l’ordinaire d’internet, qui constitue aujourd’hui une tradition solide, représentée notamment par la regrettée Dominique Pasquier. Ce passage par les usages, qui a tant de fois permis de tempérer les angoisses et de désenfler les promesses, manque aujourd’hui à nos analyses de l’intelligence artificielle.

Ces dernières années, la critique de l’IA et, plus largement, le domaine des Science & Technology Studies (études des sciences et des technologies, STS) ont tourné leur regard vers la conception de ces systèmes, avec succès. Afin d’ « ouvrir la boîte noire » des technologies, ces travaux ont documenté leurs logiques internes (réplication des biais humains ou création de biais machiniques), le travail humain et les chaînes globales de valeur (micro-travail, annotation des données, modération de contenus, etc.) ou encore les milieux sociaux de la tech et leurs idéologies. Mais ces recherches ne peuvent pas, à elles seules, répondre aux questions que nous nous posons sur les effets de ces technologies. L’anthropologie et la sociologie ont montré plus d’une fois que les techniques donnent lieu à des appropriations, des résistances et des usages souvent inattendus, qui varient selon les personnes et les contextes dans lesquels elles s’inscrivent. Il ne s’agit ni de postuler la neutralité des techniques, ni d’imaginer des usages sans contraintes, mais de saisir ce qui se joue dans ce point de contact entre dispositifs, pratiques et environnements — bref, ce qui se joue dans les usages. Faute de quoi, la critique de l’IA risque de reconduire les impasses d’une certaine critique de la désinformation, centrée sur la production des fake news et convaincue de leur emprise mécanique sur les esprits, au prix d’un oubli des études sur la réception.

Dans le même temps, d’autres travaux s’attachent à estimer les « impacts » de l’IA, c’est-à-dire à quantifier des relations causales (substitution, augmentation, création) avec l’emploi, la productivité ou les compétences. Si ces approches permettent, dans le meilleur des cas, de tempérer l’anxiété de l’automatisation, elles appréhendent le travail comme un résultat plutôt qu’un processus. Encore une fois, les usages sont négligés, traités comme une fonction prévisible et transparente, une application plutôt qu’une interaction, où rien ne se passe. Pour compléter ces études d’impact, nous avons besoin d’une description des conséquences de l’IA, qui détaille des processus, s’attache aux relations mutuelles entre travailleurs et technologies, et observe notre présent. Il est urgent de faire atterrir ces objets, de les ramener aux situations où ils sont mis en œuvre. De rendre compte de la multiplicité des techniques plutôt que de chosifier « l’IA », terme parapluie aux contours imprécis. De caractériser les personnes et les groupes concernés par ces systèmes (l’usage des LLM augmente avec le niveau de diplôme et diminue avec l’âge[2]) plutôt que de parler d’humanité. De saisir les pratiques et les environnements professionnels au lieu d’abstraire le travail.

Malheureusement, les études qualitatives sérieuses sur les usages de l’IA sont encore peu nombreuses. Entretiens, observations, ethnographies, méthodes participatives : toutes ces enquêtes demandent du temps, beaucoup plus qu’il n’en faut pour réaliser un sondage, passer un questionnaire ou sonder l’âme des LLM à l’aide de prompts. Elles demandent aussi d’identifier des terrains. Or, malgré les mots d’ordre des entreprises et l’omniprésence médiatique, l’IA est loin d’être « partout », dans toutes les pratiques et dans tous les secteurs[3]. Il y a également, pour la recherche publique et indépendante, la difficulté d’accéder aux données d’utilisation, dont les grandes entreprises de la tech ont le monopole. Ces dernières sont donc les seules à produire des études computationnelles directement à partir des traces de l’activité[4]. Il est enfin délicat de saisir un objet en mouvement, du fait de sa nature probabiliste, de la course effrénée à la production de nouveaux modèles, et du recours aux tests grandeur nature, par lesquels les entreprises font du monde un laboratoire.

Depuis septembre 2024, nous menons au sein du médialab de Sciences Po une enquête participative et qualitative sur les usages professionnels des grands modèles de langage comme ChatGPT auprès d’une population jeune, très diplômée et qualifiée — celle qui utilise le plus ces services et censée être la principale victime de l’automatisation du travail en col blanc. Nous avons réuni 32 personnes (juristes, avocat·es, journalistes, urbanistes, expert·es en sécurité, artistes, producteur·ices, consultant·es, agent·es de la fonction publique, etc.) et les avons assemblées en quatre cohortes, que nous avons suivies chacune pendant six mois. Durant cette période, les participant·es suivent un protocole de recherche qui les incite à ramener des traces de leurs activités ou à tester différentes dimensions de ces technologies. Nous avons ainsi collecté plus de 36 heures d’entretiens individuels, 80 heures de discussions en atelier, des centaines de pages de notes individuelles et de conversations privées avec des LLM. Le but de cette enquête n’est pas de peindre un portrait représentatif de l’utilisation des LLM au travail, mais plutôt de passer par une exploration en profondeur des usages afin d’enrichir notre répertoire analytique, de se rendre capables de qualifier avec précision ce que ces machines font à notre activité et à nos pratiques.

Le travail de configuration

Les résultats préliminaires de notre enquête montrent, pour commencer, la très grande banalité des usages. Ces derniers se concentrent en effet sur une poignée de tâches répétitives, comme la rédaction de mails, la traduction ou la recherche d’informations. Dans la très grande majorité des cas, « utiliser l’IA » n’a rien de spectaculaire ou de terrifiant : nous retrouvons ici ce qu’Orlikowski appelait les « usages limités », qui sont un registre majeur de l’utilisation des technologies de masse. De même, nous n’observons ni production cynique de bouillie artificielle (le « AI Slop » ou « workslop » dont il est beaucoup question aujourd’hui), ni appréciation béate d’une « intelligence » suprême ; les usages oscillent plutôt autour de la recherche d’un résultat moyen, de l’« assez bon », pour reprendre l’expression de Paula Bialski. Enfin, au fur et à mesure que les participant·es pratiquent les LLM, les peurs s’assagissent, les attentes imprudentes se tempèrent, comme pondérées par le temps passé à les mettre à l’épreuve. Au terme de notre suivi, la quasi-totalité de nos cohortes s’accorde sur les limites évidentes de ces systèmes et juge qu’ils sont loin de pouvoir les remplacer.

Notre étude bat également en brèche l’idée selon laquelle le travail humain disparaît au contact des LLM. Au contraire, nous mettons clairement en évidence un surcroît de travail, souvent invisible mais nécessaire au fonctionnement de ces modèles. C’est ce que nous appelons le « travail de configuration » : un ensemble de pratiques qui permet à cette technologie, censée être capable de tout faire en théorie, de faire quelque chose en situation. Les LLM sont à la fois généraux et génériques. C’est aux utilisateur·ices de trouver comment les rendre utiles, de les adapter aux normes et aux conventions tacites de leurs milieux professionnels, et de créer du sens à partir de ces réponses.

Le travail de configuration prend plusieurs formes, certaines évidentes (prompter, évaluer les résultats), d’autres moins. Par exemple, beaucoup nous disent ne « pas avoir les mots », que ce soit pour imaginer des usages originaux des LLM, guider la machine dans une tâche dont on n’est pas expert·e, ou trouver les mots justes pour corriger la machine. Expliciter des normes ou des conventions tacites (ajouter de la « couleur » à un article de presse, rédiger un itinéraire pour des artistes, s’adresser à un client), auxquelles les professionnel·les sont souvent socialisé·es plutôt qu’instruit·es, est un exercice plus laborieux qu’il n’y paraît, et qui décourage les usages les plus poussés. Un autre aspect négligé du travail de configuration, que nous appelons la discrétisation, consiste à découper son activité en tâches que le LLM sera capable d’effectuer.

Or, ce surcroît de travail que l’on doit fournir à la machine pour qu’elle travaille « à notre place » apparaît comme de trop. Il encombre les pratiques, car il contredit les attentes associées à cette technologie, censée nous simplifier la vie, voire nous remplacer. De plus, l’utilisation des LLM semble dénuée de plaisir et d’accomplissement pour nos participant·es. Il y a probablement plusieurs raisons à cela : les surprises constantes face au comportement des LLM, qui limitent la sensation de compétence ou de maîtrise d’un geste ; la difficulté de socialiser une machine générique par le seul recours au langage ; le glissement vers la logistique (le copier-coller) et la vigilance au détriment du caractère opératoire, productif du « vrai travail ». Ces notions varient évidemment dans l’espace social — dans un contexte technologique et professionnel différent, les radiologues valorisent davantage l’IA — mais ce relatif désintérêt pourrait concerner, à l’évidence, un grand nombre d’utilisateur·ices.

Pour bon nombre de nos participant·es, ChatGPT rend donc le travail plus ennuyeux, moins animé, « moins riche en événements », nous dit l’une d’entre elles. C’est une autre des conséquences que nous identifions, la désaturation de l’activité. Ajoutons à cela le fait que les utilisateur·ices cherchent, par tous les moyens, à minimiser l’encombrant travail de configuration (tout le monde déteste prompter), et limitent donc l’usage des LLM aux tâches basiques, élémentaires de leur activité. Ces technologies deviennent alors le lieu où se concentre un grand nombre de tâches irremarquables, déplaisantes, sans grand intérêt ; elles deviennent un miroir déformant qui insiste sur la banalité du travail, le sale boulot, son caractère ingrat et obligatoire.

Lutter contre la disqualification des usages

Le caractère ordinaire des usages explique en partie son absence des discours. Spontanément, les participant·es préfèrent parler des LLM sans faire le lien avec leurs pratiques. Les critiques apprises auprès des médias traditionnels, sur internet, à l’école (coût écologique, biais et vol de propriété intellectuelle) prennent souvent le pas sur le récit de leurs expériences. Quand nous insistons pour discuter des usages, la conversation tourne autour de quelques interactions exceptionnelles : se moquer d’une réponse stupide à une question piège, s’inquiéter du caractère intrusif de « Chat » après lui avoir demandé un profil psychologique, se remémorer une réponse étonnamment bonne. Même là, l’ennui de ChatGPT peut se faire sentir : « aucune conversation n’est vraiment mémorable », nous dit-on parfois. Le ton est d’un ennui poli, les réponses assorties de gestes évasifs, comme pour dire qu’on voudrait parler d’autre chose, qu’on préférerait s’épargner cet inventaire inintéressant de tâches inintéressantes (« des emails, traduire quelques trucs, c’est à peu près tout »). Certain·es s’excusent de manquer de créativité, de ne pas avoir suffisamment cherché à expérimenter. D’autres avouent ne même pas savoir quoi lui demander, au juste, au LLM. Faute de temps, faute d’intérêt.

C’est qu’il est difficile de décrire ces usages ordinaires d’une technologie elle-même de plus en plus ordinaire. Bien sûr, il est fastidieux, parfois pénible, de porter une attention soutenue à ces pratiques. C’est justement l’une des intentions de notre protocole d’enquête, qui cherche à accrocher les discours aux usages, à faire commenter les traces de l’activité, à décomposer ces gestes discrets, qu’on fait sans y penser. Dès lors, comment reprocher d’esquiver les usages ? Il est plus amusant de s’inquiéter de problèmes que l’on aimerait bien avoir plutôt que de ceux que nous avons, du capitalisme à la crise écologique, comme il est plus divertissant d’imaginer un monde où les robots auront volé tous les emplois que de décrire avec minutie un travail de configuration que personne ne veut faire.

Mais l’ennui de la description est loin d’être le seul obstacle à l’accueil des usages dans nos discussions autour de l’IA. Pour la totalité de nos participant·es, le fait « d’utiliser l’IA » reste un tabou, ou une pratique à dévoiler avec discernement, tant elle paraît immédiatement disqualifiante. « Quand j’ai dit que moi j’utilisais l’IA, les gens m’ont regardé en mode : “mais tu sais pas travailler en fait ?” », nous dit l’une d’entre elles. « C’est un peu comme le porno, nous dit un autre, tout le monde utilise l’IA mais j’ai l’impression que personne n’a envie de le dire ». Il y a bien sûr quelques cas d’utilisation « honteuse » ici et là, par exemple en partageant des données confidentielles à des LLM non autorisés par l’employeur, ou des petites humiliations liées à une délégation trop confiante : « j’ai eu le réflexe ChatGPT, je n’ai pas pensé à vérifier, l’erreur grossière quoi ! Et ça m’a complètement desservie et décrédibilisée auprès de mon interlocuteur, après ça m’a un peu calmée ». Mais dans l’ensemble, les participant·es ne considèrent pas faire du moins bon travail, ou prendre des raccourcis. Au contraire, leur crainte est de voir tout leur travail de configuration balayé d’un revers de main, effacé en un instant derrière l’expression « utiliser l’IA » : « il n’y a pas de honte à s’en servir, mais j’ai juste peur que certaines personnes ne prendraient plus mon boulot au sérieux, et qu’elles ne comprendraient pas tout le travail qu’il y a derrière ». La peur d’être disqualifié·e est d’autant plus forte que les LLM sont souvent investis dans des moments de doute, de solitude ou de précipitation — autrement dit, dans les coulisses de l’activité qui pourraient mettre en question leur réputation professionnelle.

Revenir aux usages, c’est donc aussi rendre visible ce travail de configuration de l’IA pour rompre un cercle vicieux : la croyance que l’automatisation supprime le travail humain assimile tout usage de l’IA à un remplacement ; les professionnel·les préfèrent dissimuler leurs usages par crainte d’être disqualifié·es ; la technologie-en-pratique et tout son travail de configuration restent invisibles ; et l’association entre automatisation et suppression du travail humain en sort ainsi renforcée. Or rendre ces usages visibles, c’est d’abord se rendre compte de leur caractère ordinaire, se rassurer, se poser les bonnes questions, à la hauteur des enjeux. Mais c’est aussi, nous le voyons dans nos ateliers, sortir d’une utilisation solitaire pour la partager avec d’autres ; la mettre en commun et la discuter pour passer d’actions individuelles à des pratiques collectives ; reconnaître ce que ces technologies font pour nous et ce qu’elles révèlent (ou confirment) des mondes du travail ; et surtout interroger ce que nous faisons pour elles, avant que ces dernières ne deviennent trop habituelles.

D’une certaine manière, les discours autour de l’IA sont aussi alarmistes et spectaculaires que ces technologies deviennent — sont déjà — banales, ordinaires, ennuyeuses. Or c’est bien par l’analyse de leur mise en œuvre concrète qu’il est possible de défaire l’emballement spéculatif et discursif, de contester leur notion enflée de pouvoir, de montrer comment l’ordinaire du travail les ordonne déjà alors même qu’elles deviennent familières. C’est aussi déconstruire une certaine obsession pour les créateurs de ces technologies, comme si ces derniers étaient les mieux placés pour décrire ce qu’elles sont, et donner la parole à celles et ceux qui en font l’expérience quotidiennement et en parlent depuis leurs métiers. Pour cela, il nous faut d’abord interroger notre ennui, et faire preuve de curiosité à l’égard de ce qui est déjà là.

[1] Alexander Bick, Adam Blandin et David J. Deming, The Rapid Adoption of Generative AI, National Bureau of Economic Research, 2024.

[2] Pour la France, d’après les résultats du panel ELIPSS 2025.

[3] Le service Claude, commercialisé par Anthropic, manifeste ainsi une surreprésentation nette des professions de l’informatique, suivie de loin par l’ingénierie, les médias, l’éducation et la recherche.

[4] Voir, entre autres, les publications d’OpenAI, d’Anthropic, et de Microsoft.