Auteur/autrice : anouk@conservatoireaugmente.com

Guide pratique à destination du personnel enseignant (préscolaire, primaire, secondaire, formation professionnelle et générale des adultes) pour encadrer l’intégration de l’IAG en classe selon trois critères : pertinence pédagogique, éthique et légalité.

Guide destiné au personnel enseignant | Ministère de l’Éducation du Québec | 2024-2025

Cet article est une synthèse réalisée à l’aide d’une IA.

Contexte et positionnement du document

L’intelligence artificielle générative (IAG) désigne tout système informatique générant automatiquement du contenu (texte, image, audio, vidéo…) à partir de modèles probabilistes, en réponse à une requête utilisateur. Son irruption dans le milieu scolaire québécois suscite à la fois enthousiasme — gains de temps, différenciation pédagogique, tutorat virtuel — et préoccupations légitimes autour de l’intégrité intellectuelle, des droits d’auteur et de l’impact environnemental.

Ce guide du Ministère de l’Éducation s’inscrit en complémentarité avec deux référentiels québécois existants : le Référentiel de compétences professionnelles de la profession enseignante (13 compétences) et le Cadre de référence de la compétence numérique (12 dimensions). Il ne se substitue pas à ces outils mais les prolonge en fournissant des critères opérationnels et des questions réflexives. Le contenu sera mis à jour au fil de l’évolution des lois et des technologies.

Critère 1 — Pertinence pédagogique

Réflexion en trois temps

Le guide propose un processus réflexif structuré en trois étapes, inspiré du guide d’intégration de l’IA du Nouveau-Brunswick (2024) :

Étape	Objectif principal	Questions clés
Avant	Identifier le besoin, choisir le bon système, vérifier l’âge minimal	Pourquoi utiliser l’IAG ? Ai-je les compétences pour le faire de façon responsable ?
Pendant	Analyser critiquement les contenus générés, ajuster si besoin	Les objectifs sont-ils atteints ? L’engagement des apprenants est-il maintenu ?
Après	Évaluer les résultats, partager les bonnes pratiques	L’expérience est-elle transférable ? Faut-il une autre approche ?

Avant de déployer l’IAG auprès des élèves, l’enseignant doit s’assurer de sa propre maîtrise des enjeux pédagogiques, éthiques et légaux, idéalement en concertation avec l’équipe-école. Il est préférable de recourir à des systèmes conçus à des fins pédagogiques afin d’éviter que l’IAG ne devienne une « béquille » aux apprentissages.

IAG et évaluation des apprentissages

L’IAG peut soutenir les pratiques évaluatives (conception de grilles, rétroactions, exercices) mais ne doit jamais remplacer le jugement professionnel de l’enseignant, qui reste seul garant de l’évaluation sommative (conformément à la Loi sur l’instruction publique). Trois risques sont identifiés : la qualité insuffisante des évaluations générées, les fabulations factuelles, et les questions de confidentialité liées aux travaux des élèves. Le guide appelle également à développer l’intégrité intellectuelle des apprenants en leur présentant clairement les usages acceptables et non acceptables de l’IAG.

Critère 2 — Éthique

Cinq principes éthiques, inspirés de l’Énoncé de principes du ministère de la Cybersécurité et du Numérique (MCN, 2024), structurent cette section :

Principe	Enjeu central	Recommandation pratique
Sobriété numérique	Une seule requête ≈ énergie d’une recharge de smartphone (Luccioni et al., 2024)	Limiter les requêtes, privilégier des modèles plus petits ou à données locales, envisager des alternatives non numériques
Qualité	Risque de fabulations (ex-hallucinations) ; opacité des données sources	Vérifier systématiquement les contenus générés ; traiter l’IAG comme un support à la réflexion, non comme une source définitive
Équité et inclusion	Biais dans les données d’entraînement ; sous-représentation de certains groupes (peuples autochtones, minorités linguistiques)	Adopter un regard critique sur les réponses générées ; reformuler les requêtes si un biais est détecté
Transparence et explicabilité	L’IAG n’est pas un auteur ; ses sources sont opaques	Mentionner explicitement l’usage de l’IAG (ex. : « Image générée par le système X ») ; croiser avec d’autres sources
Agentivité	Risque de dépendance technologique et d’anthropomorphisation	Sélectionner les tâches où l’IAG libère du temps pour des activités à forte valeur ajoutée ; utiliser un vocabulaire technique (« traiter/générer » plutôt que « comprendre/créer »)

L’agentivité mérite une attention particulière : l’IAG peut alléger la charge de travail sur des tâches routinières, mais si elle prend en charge des tâches professionnellement signifiantes, elle risque d’éroder l’autonomie de l’enseignant et des apprenants.

Critère 3 — Obligations légales

Trois domaines juridiques s’appliquent directement à l’usage de l’IAG en milieu scolaire québécois :

Sécurité de l’information — En l’absence de connaissance approfondie des conditions d’utilisation d’un système, toute donnée transmise à l’IAG doit être considérée comme publique. La Loi sur la gouvernance et la gestion des ressources informationnelles (RLRQ, c. G-1.03) impose à tout organisme public d’assurer la sécurité des informations qu’il détient. Toute utilisation d’information sensible ou confidentielle nécessite une validation préalable par le répondant sécurité de l’organisme.

Protection des renseignements personnels — Encadrée par la Loi sur l’accès aux documents des organismes publics (RLRQ, c. A-2.1), cette obligation interdit d’insérer des renseignements personnels (y compris les réponses d’élèves pouvant identifier indirectement une personne) dans un système d’IAG sans autorisation expresse du responsable désigné.

Droits d’auteur — Les règles habituelles s’appliquent sans modification. Il est impossible de garantir que les données transmises à l’IAG ne seront pas réutilisées lors d’entraînements ultérieurs ; toute œuvre protégée soumise au système nécessite que l’utilisateur détienne bien les droits de reproduction.

Règle d’or : faire valider l’outil d’IAG par son organisme scolaire avant toute utilisation, et ne jamais y saisir d’informations sensibles, confidentielles ou personnelles sauf autorisation explicite.

Points de vigilance transversaux

Le guide rappelle en conclusion que l’humain doit rester au centre de toutes les décisions. L’intégration de l’IAG exige une posture réflexive continue, flexible et collective — en équipe-école — car les systèmes évoluent rapidement et le cadre réglementaire est encore en construction. La compétence numérique (12 dimensions du Cadre de référence) constitue le socle incontournable pour naviguer de façon éclairée dans cet environnement.

Le Ministère de la Culture structure son approche de l’IA autour de trois piliers : innover, réguler et accompagner. Cette stratégie vise à construire un écosystème culturel français souverain, responsable et compétitif face aux enjeux de diversité, droit d’auteur et transformation métiers.

Cet article est une synthèse réalisée à l’aide d’une IA.

Contexte et enjeux stratégiques

Le document établit que l’IA générative transforme profondément la création, l’information et l’accès à la culture. Déjà 40 % des artistes utilisent des logiciels d’IA (enquête ADAGP-SGDL 2024), tandis que 70 % des 18-24 ans adoptent les IA génératives. Cette adoption rapide pose cinq défis majeurs au ministère : garantir la diversité culturelle et linguistique face à la domination de modèles américains et chinois ; protéger les droits d’auteur et assurer une juste rémunération des créateurs ; accompagner la transformation des métiers culturels ; préserver l’intégrité de l’information face aux deepfakes ; promouvoir une IA sobre et éthique.

Le contexte réglementaire s’améliore : le règlement européen sur l’IA impose la transparence sur les données d’entraînement, ouvrant la voie à un marché des données équitable. Cependant, les risques demeurent importants : utilisation non autorisée d’œuvres protégées, uniformisation des contenus produits, perte d’emploi pour certains créatifs.

Stratégie d’action en cinq axes

Développer des intelligences artificielles responsables

Le ministère s’engage à soutenir l’entraînement de modèles d’IA sur des corpus diversifiés en français et langues régionales. Les projets phares incluent ALT-EDIC (Alliance européenne pour les technologies des langues, basée à Villers-Cotterêts avec 88 millions d’euros de financements européens sur 3 ans) et LANGU: IA (volet national francophone en développement). La plateforme Compar : IA (lancée en octobre 2024) permet déjà aux utilisateurs de comparer 20 modèles conversationnels, avec 150 000 visiteurs et 230 000 questions collectées en 7 mois. Cet outil vise à éduquer les citoyens sur les biais culturels et l’impact environnemental des IA.

Parallèlement, le ministère renforce la sensibilisation publique via Universcience, avec l’exposition « IA Double Je », et développe une culture critique face aux deepfakes et à la désinformation. Les actions ciblent l’éducation aux médias pour tous les publics et soutiennent les photographes dans la lutte contre la manipulation d’images.

Protéger le droit d’auteur et instaurer un modèle économique équitable

La question économique est centrale. Les modèles d’IA s’entraînent sur des millions d’œuvres protégées sans rémunération ni reconnaissance. Le ministère lance un cycle de concertation (avril 2025) entre développeurs d’IA et ayants-droits pour négocier des accords justes. Plusieurs études du Conseil supérieur de la propriété littéraire et artistique (CSPLA) analysent les mécanismes de rémunération adaptés à chaque secteur, l’applicabilité du droit international aux modèles d’IA, et les questions d’attribution artistique.

Des réflexions portent sur les dispositifs techniques d’opt-out permettant aux créateurs de refuser l’utilisation de leurs œuvres. La Stratégie France-Québec vise à combattre la prolifération de contenus synthétiques en distinguant créations humaines et contenus générés par IA. Le soutien à l’innovation contre le piratage complète ce dispositif.

Transformer l’offre culturelle et stimuler l’innovation

L’IA ouvre des perspectives pour enrichir l’expérience culturelle. Les musées (Orsay, Centre Pompidou, Versailles) expérimentent des assistants conversationnels pour personnaliser les visites. Deezer et Music Story développent une API pour améliorer la découvrabilité de contenus francophones (créole, québécois, cajun). IRCAM Amplify propose AI Music Detector pour détecter la musique générée illégalement. Composite Films colorise des archives en noir et blanc avec une qualité exceptionnelle.

L’appel France 2030 « Transition numérique et appropriation de l’IA » finance des solutions innovantes pour services numériques, valorisation de données et sécurisation de l’exploitation. La plateforme Ada (Universcience) produit des contenus pédagogiques certifiés pour l’enseignement. Le pass Culture perfectionne son algorithme de recommandation pour favoriser la diversité des pratiques culturelles chez les jeunes.

Valoriser et protéger le patrimoine culturel

Le projet SOCFACE traite 25 millions de documents d’archives avec reconnaissance d’écritures manuscrites, constituant une base de 400 millions d’individus. L’INA exploite 1,1 milliard d’heures audiovisuelles avec data.ina.fr. La BnF et d’autres établissements testent l’indexation automatique d’images pour enrichir POP, la plateforme ouverte du patrimoine (4 millions de notices). ArchéologIA détecte automatiquement les sites archéologiques potentiels en analysant l’imagerie spatiale.

La lutte contre le trafic illicite s’appuie sur l’outil Arte-Fact pour la traçabilité et l’identification des biens volés. La prévention climatique mobilise les SIG pour croiser cartographies du patrimoine et risques liés au changement climatique, permettant une maintenance prédictive des monuments historiques.

Déployer l’IA au service des usagers et agents

Les agents du ministère bénéficient d’Exper: IA (20 projets pilotes, ~60 agents testant des solutions du marché pour comptes-rendus, rédaction, analyse). NORIA, un chatbot dédié aux archives, guide les demandeurs sur nationalité, service militaire et carrière en Algérie coloniale. Un nouvel outil d’IA générative en conception facilitera la recherche de documents d’urbanisme.

L’accessibilité devient prioritaire : transcription en temps réel, sous-titrage automatique et reconnaissance vocale ouvrent l’accès aux ressources pour les 15 % de Français en situation de handicap. Le langage clair (norme ISO 24495-1 :2023) améliore la compréhension et l’égal accès aux démarches administratives.

Enjeux critiques et accompagnement

Formation initiale et continue : 175 000 étudiants en cultures artistiques, dont 36 000 dans les écoles du ministère. Les programmes doivent évoluer pour intégrer l’IA dans l’architecture, le design, les arts visuels, le patrimoine, le cinéma. Le ministère actualise sa stratégie d’enseignement supérieur (2024-2029) et encourage les formations avancées post-diplôme.

Observation des métiers : le ministère dote des capacités d’observation structurées via LaborIA (copiloté par le Travail et l’INRIA), l’Afdas et l’ARCOM. Le CNC suit régulièrement les usages en audiovisuel et jeu vidéo. L’enjeu : identifier les disparitions de tâches, la perte d’emploi pour les traducteurs, les doubleurs, les graphistes, les photographes, tout en mesurant les opportunités de valorisation.

IA frugale et éthique : conception fondée sur évaluation préalable, maîtrise environnementale (petits modèles spécialisés), durabilité (réutilisation open source), intégration éthique (transparence, explicabilité, lutte contre biais, respect vie privée).

Gouvernance et financements

ALT-EDIC : ~4 millions d’euros par an de budget opérationnel. Une vingtaine de collaborateurs d’ici fin 2026. Quatre projets européens lauréats : ALT-EDIC4EU, LLMs4EU, OpenEuroLLM, LLM-BRIDGE (88 millions d’euros sur 3 ans).

France 2030 : appel « Transition numérique de la Culture et appropriation de l’IA » piloté avec SGPI, Bpifrance et Banque des Territoires.

Calendrier clé : cadre de référence pour aides à la création (fin 2025), mise en œuvre Stratégie France-Québec, études CSPLA, consolidation compar: IA avec 50 000 questions par langue ciblée, déploiement Exper: IA phase 2 à partir de 2026.

Conclusion

Le ministère se positionne en acteur de référence pour un usage responsable, inclusif et souverain de l’IA dans la culture. La stratégie articule innovation technologique, protection des créateurs et formation aux défis numériques. Son succès repose sur la collaboration étroite entre État, secteur privé, chercheurs et établissements culturels, ainsi que sur la vigilance face aux transformations métiers en cours.

L’IA joue un rôle croissant dans l’éducation, offrant des solutions de personnalisation tout en soulevant des enjeux éthiques majeurs. État des lieux des apports de la recherche et lignes directrices pour les politiques publiques (janvier 2024).

Cet article est une synthèse réalisée à l’aide d’une IA.

Définitions et fondamentaux

L’IA regroupe des technologies capables de performer des tâches requérant une intelligence humaine : apprentissage, adaptation, prédiction et prise de décision. Le terme date de 1956 (conférence de Dartmouth). L’évolution s’est accélérée depuis 2012 avec l’apprentissage profond et les réseaux neuronaux. On distingue l’IA symbolique (basée sur des règles), l’IA basée sur les données (machine learning) et l’IA hybride. Tous les systèmes actuels sont des « IA faibles » spécialisées ; l’IA générale n’existe pas.

Applications dans l’éducation

Les systèmes d’enseignement personnalisés adaptent niveau et ressources selon la progression. Les tutoriels intelligents, agents conversationnels et interfaces vocales enrichissent l’apprentissage. Pour les enseignants, l’IA génère des supports, recommande des ressources adaptées et évalue automatiquement. Pour les institutions, elle analyse les données pour allouer les ressources et identifier les décrocheurs.

Enjeux éthiques

UNESCO et Commission européenne convergent sur quatre piliers : action et contrôle humain, équité (impartialité, inclusion), humanité (respect de la dignité) et transparence (explicabilité des décisions). Le Conseil de l’Europe ajoute : droit à la dignité, autonomie, droit d’être entendu, non-discrimination et protection des données. L’explicabilité est critique : les enseignants doivent comprendre les recommandations pour en avoir confiance.

Politiques publiques

Le Consensus de Beijing recommande d’intégrer l’IA aux politiques éducatives nationales, d’autonomiser les enseignants plutôt que de les remplacer et d’assurer une utilisation équitable. La France investit via sa Stratégie nationale IA : 1,85 Md€ (2018-2022) pour créer des capacités en recherche, instituts 3IA et supercalculateur Jean Zay ; 1,5 Md€ (2021-2025) pour diffuser l’IA dans l’économie. L’UE renforce le cadre légal avec l’AI Act (2023) classifiant les systèmes par risque et interdisant les usages préjudiciables.

Former et enseigner l’IA

Un parcours en cinq piliers : maîtriser l’incertitude, développer la pensée informatique, sensibiliser aux données, cultiver la pensée critique et explorer l’humanisme post-IA. Des MOOCs comme celui de l’Inria ou AI4T (projet européen) proposent des approches ludiques et expérientielles.

IA générative et grands modèles de langage

Depuis 2022, ChatGPT et autres systèmes génératifs révolutionnent le paysage. Ces modèles produisent du contenu nouveau à partir d’une instruction en langage naturel, via une architecture transformer combinant apprentissage supervisé et par renforcement avec feedback humain.

Potentialités pédagogiques : assistance à l’ingénierie pédagogique, soutien à la créativité et aux langues, amélioration des tâches rédactionnelles.

Limites exigeant vigilance : réponses contenant biais et « hallucinations » (inventions de fausses informations), sources peu fiables problématiques en cadre académique, questions sur paternité des contenus, droit d’auteur et risque de plagiat, impact environnemental considérable (entraînement = voyage Terre-Lune en énergie).

L’essentiel : clarifier que l’IA traite des signes sans comprendre le sens. Seul l’humain crée, réfléchit et juge. L’IA est un outil d’assistance, pas un substitut à la pensée critique.

Manuel destiné aux éducateurs pour comprendre et intégrer responsablement l’IA en environnement pédagogique. Produit par le projet Erasmus+ AI4T, cette ressource couvre fondamentaux technologiques, applications éducatives et enjeux éthiques.

Cet article est une synthèse réalisée à l’aide d’une IA.

Contexte et objectifs

Ce manuel open source, rédigé par Colin de la Higuera et Jotsna Iyer avec des contributions multidisciplinaires (11 experts), représente un livrable majeur du projet AI4T (Artificial Intelligence for Teachers) financé par la Commission européenne. Lancé en 2020, le projet mobilise 5 pays (France, Irlande, Italie, Luxembourg, Slovénie) et vise à former les enseignants à l’IA avant que cette technologie ne transforme le secteur éducatif.

La première édition (octobre 2022) a précédé de quelques jours l’explosion publique de ChatGPT. Cette seconde édition (2024) intègre donc les développements dramatiques des IA génératives tout en préservant les fondamentaux technologiques qui les sous-tendent. L’ouvrage de 274 pages se structure en 45 chapitres thématiques et 8 parties thématiques articulant théorie, application et ethique.

Architecture globale du contenu

Le manuel suit une progression pédagogique : d’abord établir le pourquoi (parties I-II : technologie, changement, omniprésence de l’IA, moteurs de recherche), puis déployer le comment sur trois axes majeurs : gestion éducative via données et analytique (partie III), personnalisation via systèmes adaptatifs (partie IV), et langage via traducteurs et IA générative (parties V-VI). Les deux dernières parties (VII-VIII) adressent les questions prospectives et fournissent des ressources techniques approfondies.

Six principes éducatifs structurent l’approche : démystifier l’IA plutôt que la diviniser, montrer ses limites autant que ses forces, insister sur l’éthique et la responsabilité, proposer des cas d’usage concrets, équiper les enseignants de concepts non-éphémères, et placer l’autonomie de l’apprenant au centre.

Axes technologiques couverts

Intelligence artificielle et apprentissage automatique

Le manuel explique les fondamentaux : apprentissage supervisé vs non supervisé, indexation et classement des moteurs de recherche (Google), extraction de dépendances dans les données. Les chapitres dédiés aux réseaux neuronaux profonds et au traitement automatique du langage naturel (NLP) préparent l’intelligence générative sans tomber dans une mystification technologique.

Systèmes basés sur les données

L’analytique de l’apprentissage (Learning Analytics) est présentée comme une capacité pour les institutions à comprendre les patterns d’apprentissage via l’exploration de données éducatives. Exemple concret : identification précoce des étudiants à risque de décrochage. Cependant, le manuel insiste sur trois problèmes critiques : l’identité personnelle (confidentialité), les biais systémiques (inéquité algorithmique) et l’équité d’accès aux technologies.

Systèmes d’apprentissage adaptatif

YouTube et Netflix illustrent comment les algorithmes de recommandation apprennent l’utilisateur pour personnaliser le contenu. Transposé à l’éducation, ces modèles permettent un apprentissage sur mesure mais présentent des risques : enfermement dans des bulles informationnelles, tracking invasif, inégalité face aux données collectées.

Intelligence artificielle générative

La section majeure (partie VI) traite de ChatGPT, des modèles de langage et de l’architecture transformer. Le manuel expose candidement les hallucinations (confabulation), l’imprévisibilité (même prompt = réponses différentes), les risques dans l’éducation (plagiat, dépendance cognitive). Mais reconnaît aussi les gains pour les enseignants : gains de productivité en préparation de cours, accès à de nouvelles pédagogies, opportunités d’alphabétisation technologique pour les élèves.

Applications en contexte éducatif

Gestion et analytique

Les systèmes de gestion d’apprentissage (LMS) intègrent progressivement l’IA pour optimiser ressources, traces d’apprentissage et recommandations. L’enjeu majeur : gérer les données étudiantes conformément au RGPD, notamment droits d’accès, d’effacement et d’information.

Recherche d’informations

Moteurs de recherche : omniprésents, ils façonnent la cognition (qu’on appelle « search as learning »). Le manuel explore les effets individuels (bulles informationnelles, fragmentation du savoir) et collectifs (influence électorale, polarisation sociale). Formation recommandée : alphabétisation critique aux algorithmes de recherche.

Écriture et langage

La traduction automatique et les assistants de rédaction (ChatGPT, copilotes) transforment l’écriture pédagogique. Le manuel propose une nuance : ni refus dogmatique, ni adoption naïve. Recommandation : engagement critique en cours, détection d’erreurs, exploration des limites et biais du modèle.

Codage et pensée informatique

L’IA générative produit du code efficacement, mais seuls les prompts bien formulés génèrent du bon code.
Conclusion : le code reste essentiel, non pour générer du code, mais pour converser intelligemment avec l’IA, itérer et critiquer les résultats.

Enjeux critiques et recommandations

Éthique et responsabilité

Le manuel alerte sur trois risques majeurs : biais (algorithmes perpétuant inégalités sociales), transparence (boîtes noires incompréhensibles), agentivité (dépendance vis-à-vis d’outils dont on ne maîtrise pas les décisions). Solutions proposées : formation à l’IA critique, audits d’équité, gouvernance des données en établissements.

IA générative en classe : pour ou contre ?

Arguments en faveur : les élèves utiliseront ces outils dans leur carrière, mieux vaut les éduquer en cadre structuré que de les laisser explorer seuls ; cela génère engagement et curiosité. Arguments contre : imprévisibilité pédagogique (mêmes prompts ≠ mêmes réponses), risque de plagiat, hallucinations, gestion difficile en classe. Conclusion du manuel : essayer en dehors des cours (gain de temps réel pour les enseignants), débattre en cours sur la triche et l’éthique, utiliser l’IA sur des sujets que les élèves maîtrisent déjà pour qu’ils repèrent les erreurs.

Cadre légal (RGPD)

Le Règlement Général sur la Protection des Données (2018) s’impose pour toute collecte étudiante. Sept principes : légalité, équité, limitation des finalités, minimisation, exactitude, limitation du stockage, sécurité. Droits citoyens essentiels pour l’éducation : droit d’être informé, droit à l’effacement (oubli), droit d’accès aux données collectées.

Ressources et outils pédagogiques

Le manuel inclut :

• Orange : logiciel open source de data science avec interface visuelle, 50 000 utilisateurs/mois, 500+ universités, permet exploration pratique de l’apprentissage automatique sans coding intensif.
• Vidéos courtes (15 nouvelles pour l’édition 2024) sur concepts clés : transformers, hallucinations, NLP.
• Lexiques multilingues : termes IA traduits (français, anglais, italien), vocabulaire apprentissage adaptatif, traduction automatique.
• Cas pratiques : questions réelles d’enseignants, réponses avec nuances, dilemmes non résolus (volontairement).

Posture et conclusion

Le manuel se refuse à la fétichisation technologique. L’IA n’est pas une solution universelle, mais un ensemble d’outils à mobiliser intelligemment. Face à l’évolution rapide (ChatGPT lancé en octobre 2022, dépassé en 2024 par de nouveaux modèles), les auteurs proposent un processus éditorial participatif : le manuel comme bien commun plutôt que produit fini, mis à jour collectivement par la communauté éducative.

Message central : les enseignants ne doivent ni fuir ni survendre l’IA. Ils doivent la comprendre suffisamment pour l’utiliser de manière responsable, critiquer ses limites, et placer les enjeux éthiques et humains au cœur de chaque intégration pédagogique. Cette synthèse n’est qu’un point de départ ; le manuel complet reste essentiel pour une compréhension en profondeur.

Fruit d’une consultation nationale menée de janvier à mai 2025 auprès des organisations représentatives de la communauté éducative, ce document établit le cadre officiel d’usage de l’intelligence artificielle dans le système éducatif français.

Ministère de l’Éducation nationale | Juin 2025 | 18 pages

Cet article est une synthèse réalisée à l’aide d’une IA.

Contexte et enjeux

Le développement rapide des IA génératives — accessibles, gratuites et capables de produire texte, image, son et vidéo — bouleverse les fondamentaux de l’École : rapport à la connaissance, construction des apprentissages, pratiques d’évaluation. Ces outils sont désormais massivement utilisés par l’ensemble des acteurs éducatifs, bien avant toute régulation officielle.

Face à cette réalité, le ministère pose un principe directeur clair : l’usage de l’IA est autorisé en éducation, à condition de respecter le cadre ici défini. Ce cadre repose sur trois piliers — juridique, éthique et pédagogique — et s’adresse à la fois aux enseignants, aux personnels administratifs et aux élèves.

Ce que l’IA est (et n’est pas)

Le document distingue deux types d’IA :

• L’IA prédictive : classifie des données et anticipe des tendances
• L’IA générative : produit des contenus à partir de prompts en langage naturel

Point fondamental : une IA générative ne « comprend » pas. Elle détermine statistiquement le mot suivant le plus probable à partir de ses données d’entraînement. Elle n’est donc pas intelligente au sens cognitif, et ses productions doivent être traitées avec discernement critique.

Potentialités et risques : un bilan nuancé

Des usages déjà répandus

Acteur	Usages observés
Élèves (lycéens, collégiens)	Révision, entraînement, approfondissement — mais aussi réalisation de devoirs à leur place
Enseignants	Préparation de cours, conception d’évaluations, adaptation aux besoins spécifiques, aide à la correction
Personnels administratifs	Rédaction de notes et courriers, transcription de réunions, synthèses, traduction, automatisation

Des risques bien identifiés

Le document recense six grandes catégories de risques qu’il convient de garder à l’esprit dans tout usage :

1. Biais et discriminations : reproduction voire amplification de stéréotypes présents dans les données d’entraînement
2. Hallucinations : production de réponses inexactes ou fausses présentées avec assurance
3. Données personnelles : risque de divulgation en cas de saisie d’informations confidentielles
4. Impact environnemental : une réponse textuelle à un prompt est en moyenne 10 fois plus énergivore qu’une requête sur un moteur de recherche
5. Travail humain invisible : les modèles reposent sur les « travailleurs du clic» pour leur entraînement
6. Propriété intellectuelle : utilisation de données protégées pour l’entraînement des modèles

Le cadre d’usage : obligations et recommandations

Obligations légales (non négociables)

Protection des données (RGPD) : les services d’IA grand public ne garantissent pas la non-réutilisation des données saisies. En conséquence : aucune donnée personnelle ou confidentielle ne peut être utilisée dans ces outils. Seules sont autorisées les données rendues publiques (textes officiels, ressources libres, données statistiques anonymisées, œuvres du domaine public). Il est formellement interdit de demander aux élèves de créer un compte personnel sur un service d’IA grand public.

Transparence et supervision humaine : toute décision impliquant l’IA — notamment celles ayant un impact sur l’évaluation ou l’orientation des élèves — doit faire l’objet d’une information explicite auprès des personnes concernées, d’une supervision humaine garantissant équité et explicabilité, et d’une validation par l’autorité compétente. C’est une exigence directe du règlement européen sur l’IA (RIA), qui classe plusieurs usages scolaires parmi les systèmes à haut risque.

Recommandations éthiques et pédagogiques

Principes transversaux pour tous les personnels

• Privilégier les solutions libres et souveraines, permettant un contrôle des corpus utilisés
• Adopter un usage frugal : ne recourir à l’IA que si aucune solution moins coûteuse écologiquement ne répond au besoin
• Exercer un esprit critique systématique sur les productions générées, en croisant avec d’autres sources
• Signaler tout usage de l’IA dans une prise de décision

Progression pédagogique par niveau

Niveau	Cadre d’usage autorisé
École primaire	Sensibilisation aux bases de l’IA — sans manipulation directe d’IA générative
Collège (avant la 4e)	Idem — approche théorique et réflexive uniquement
À partir de la 4e	Usage en classe autorisé, limité, encadré, expliqué et accompagné par l’enseignant
Lycée	Usage autonome possible dans un cadre d’apprentissage explicitement défini par l’enseignant

Une formation obligatoire aux IA est prévue sur la plateforme Pix, au minimum en 4ᵉ, en 2ᵉ (voies générale, technologique et professionnelle) et en première année de CAP.

Devoirs, évaluation et fraude

Le document prend position clairement sur un sujet sensible : utiliser une IA générative pour réaliser tout ou partie d’un devoir, sans autorisation explicite de l’enseignant et sans travail personnel d’appropriation, constitue une fraude, assimilée à l’intervention d’une tierce personne ou au plagiat.

Les établissements sont invités à adapter leurs pratiques évaluatives en mettant au premier plan le raisonnement et la résolution de problème. Le document déconseille explicitement le recours aux logiciels de détection de contenus générés par l’IA, jugés peu fiables et susceptibles de pénaliser injustement des élèves.

À retenir : les 5 réflexes essentiels

1. Données : ne saisir que des données publiques dans les outils grand public. Jamais de données personnelles ou confidentielles.

2. Environnement : préférer une recherche web classique si elle suffit. L’IA générative consomme 10× plus d’énergie.

3. Transparence : signaler tout usage de l’IA dans une décision ou une production.

4. Esprit critique : vérifier toujours l’exactitude des résultats. Renoncer à l’IA si l’on ne peut pas évaluer la fiabilité de sa réponse.

5. Pédagogie : l’IA est un assistant, jamais un substitut à l’apprentissage et à l’effort intellectuel de l’élève.

Ce numéro explore comment l’intelligence artificielle transforme les pratiques de la recherche culturelle, de la création artistique aux patrimoines, archives et bibliothèques, en articulant nouvelles méthodologies, enjeux pédagogiques et impératifs éthiques.

Ministère de la Culture – Délégation générale à la transmission, aux territoires et à la démocratie culturelle.

Cet article est une synthèse réalisée à l’aide d’une IA.

Présentation du document

Culture & Recherche est la revue scientifique du ministère de la Culture. Ce numéro thématique, coordonné par Catherine Graindorge, réunit plus de quarante contributions d’acteurs académiques, institutionnels et professionnels. Il s’organise autour de trois axes transversaux qui structurent l’ensemble des articles : susciter de nouveaux usages d’intelligence collective, conscientiser l’impact de l’IA sur les méthodes d’enseignement et de recherche, et se positionner face aux enjeux et défis.

Support	Thématique centrale	Public visé
Revue semestrielle (n° 147)	IA et recherche culturelle (création, patrimoine, archives, architecture, musées)	Chercheurs, enseignants, professionnels de la culture
140 pages | 40+ auteurs	Trois axes : méthodologies, pédagogie, risques et éthique	Académique, institutionnel, décideurs publics

Axes thématiques et principaux enseignements

Axe 1 – Susciter de nouveaux usages d’intelligence collective (pp. 6-49)

Cet axe illustre comment l’IA devient un catalyseur de production collective de savoirs dans les domaines culturels. Le cas emblématique est celui du chantier scientifique de Notre-Dame de Paris, où une équipe interdisciplinaire (archéologie, chimie, informatique, histoire de l’art) mobilise simultanément l’IA symbolique et l’apprentissage machine pour documenter, analyser et restituer un patrimoine en reconstruction. L’IA y est définie non comme une intelligence autonome, mais comme « le résultat cumulatif de l’intelligence collective de l’ensemble des humains qui génèrent les données ».

D’autres contributions montrent l’essor des chatbots et assistants conversationnels pour faciliter l’accès aux archives (projet algérien, SIMARA aux Archives nationales), la lutte contre le trafic de biens culturels (projet ANCHISE, plateforme ICONEM), ou encore la valorisation du patrimoine photographique (projet HikarIA). L’IA générative ouvre aussi de nouveaux champs dans la création musicale et les arts visuels, posant la question de la co-créativité computationnelle.

Axe 2 – Conscientiser l’impact de l’IA sur les méthodes d’enseignement (pp. 50-109)

Cet axe dresse un panorama des transformations pédagogiques induites par l’IA dans l’enseignement supérieur culturel. Plusieurs établissements d’architecture expérimentent l’IA générative pour la conception (laboratoire MAP, ENSA Nantes), tandis que des communautés numériques émergent autour de la transcription automatique (eScriptorium), de la reconnaissance d’images (consortium pictorIA) ou de l’analyse LiDAR en archéologie. Le chatbot ArchéoBot, développé pour l’enseignement de l’archéologie à Paris 1, illustre une approche « auditabilité-first » : chaque réponse est sourcée, l’étudiant peut remonter aux documents d’origine, et le choix du modèle de langage reste paramétrable.

Les auteurs convergent sur un constat : la maîtrise des agents conversationnels repose autant sur la hiérarchisation des idées et la vérification des données que sur la simple maîtrise technique. Quatre leviers de formation sont identifiés : le programme France 2030, la trilatérale recherche-formation-innovation, les centres de ressources IA pour les SHS, et les chatbots pédagogiques spécifiques.

Axe 3 – Se positionner face aux enjeux et défis (pp. 110-133)

Le troisième axe aborde les risques et le cadre normatif. Sur le plan de la cybersécurité, trois menaces principales pèsent sur les systèmes d’IA culturels : l’empoisonnement des données d’entraînement, l’extraction de modèles par des attaquants, et les attaques adverses visant à fausser les classifications. Le droit d’auteur constitue un autre point de friction majeur : l’utilisation de corpus protégés pour entraîner des modèles génératifs soulève des questions non résolues que les travaux du CSPLA et de la Commission IA s’efforcent d’encadrer. Enfin, l’AI Act européen, entré en vigueur en août 2024, constitue la première législation mondiale générale sur l’IA, imposant sept exigences pour une IA de confiance.

Tableau de synthèse des enjeux transversaux

Domaine d’enjeu	Risques identifiés	Réponses / cadres existants
Cybersécurité	Empoisonnement de données, extraction de modèles, attaques adverses	Recommandations ANSSI (avril 2024), normes ISO/IEC
Propriété intellectuelle	Données d’entraînement protégées par copyright, paternité des œuvres générées	AI Act (août 2024), travaux CSPLA, Commission IA française
Intégrité scientifique	Falsification de contenus, hallucinations, deepfakes	Charte ministère de la Culture (juin 2024), pratiques réflexives
Souveraineté & écologie	Dépendance aux LLM étrangers, empreinte carbone des modèles	SNIA France 2018, supercalculateur Jean Zay, PEPR IA, modèles frugaux
Éthique & inclusion	Biais algorithmiques, exclusion numérique, multilinguisme	7 exigences : AI Act, approche anthropologique et critique

Points saillants et perspectives

Plusieurs contributions convergent vers une même conviction : l’IA n’est pas « intelligente » au sens cognitif du terme, elle prédit statistiquement le mot suivant, sans compréhension du contexte, mais ce qu’elle réalise est d’une importance considérable pour la recherche culturelle. Trois usages sont en forte croissance : les IA spécifiques (entraînées sur des corpus disciplinaires), les LLM guidés par prompt, et les IA générales adaptées à des champs spécialisés comme la génération d’images patrimoniales.

Le numéro souligne également l’urgence de formation des communautés enseignante et étudiante, face à une transformation rapide des métiers. La recherche exploratoire, expérimenter pour apprendre, analyser et inventer, est présentée comme une pratique indispensable d’encapacitation. La transparence des données d’entraînement et des usages y est posée comme préalable non négociable à toute démarche responsable.

Ce numéro interroge la mutation des publics culturels à l’ère numérique : comment les établissements (musées, archives, bibliothèques, théâtres) connaissent-ils leurs publics en ligne, quels services déploient-ils et quels en sont les effets réels sur la démocratisation culturelle ?

Ministère de la Culture et de la Communication | Dossier coordonné par Olivier Donnat

Cet article est une synthèse réalisée à l’aide d’une IA (Claude, Anthropic) :

1. Contexte et enjeux

Le numérique a profondément reconfiguré les modes d’accès à la culture en créant des espaces sociaux inédits où il est désormais possible de visiter un musée, consulter des archives ou d’assister à un spectacle sans se déplacer. Pour Olivier Donnat (DEPS), qui signe l’article cadrant du dossier, cette mutation oblige à repenser des catégories pourtant fondatrices des politiques culturelles françaises : qu’est-ce qu’un « public » lorsque la confrontation directe à l’œuvre n’est plus le seul mode d’accès possible ?

La notion de public a en effet évolué depuis l’idéal républicain d’un peuple rassemblé face aux grandes œuvres (Jean Vilar) jusqu’à la pluralisation des années 1980 (publics jeunes, empêchés, spécifiques…), pour déboucher aujourd’hui sur une fragmentation encore plus poussée à travers les usagers en ligne. Les algorithmes, loin de favoriser la découverte et la diversité culturelle, tendent à enfermer chacun dans ses habitudes et à renforcer l’entre-soi des communautés affinitaires. C’est l’un des paradoxes centraux du dossier : internet promet l’ouverture mais ses logiques techniques reproduisent, voire amplifient, les inégalités d’accès.

2. Le numérique dans les institutions culturelles : quels moyens pour quels objectifs ?

Présence numérique des établissements patrimoniaux

Une enquête menée auprès de 204 établissements patrimoniaux (musées, archives, monuments) révèle que 80 % disposent d’un site internet, avec une forte disparité selon le statut : les musées municipaux sont sous-équipés faute de moyens. La gestion du numérique repose principalement sur le service communication (46 % des cas) et est souvent assumée par des agents polyvalents plutôt que par des spécialistes dédiés. On note une féminisation marquée des métiers liés à l’animation de communautés (67 % de femmes) et un recrutement privilégiant les profils issus des sciences humaines et de l’ingénierie culturelle.

Les théâtres face au numérique (enquête TMNlab, printemps 2016)

Sur 446 théâtres sollicités, 284 ont répondu (taux de 64 %). L’enquête révèle un secteur bien engagé dans le numérique mais avec des marges de progression importantes : la billetterie en ligne est quasi universelle (77 %), Facebook est incontournable (95 % des théâtres), mais les dispositifs d’interaction avec le public (bornes interactives, applications) restent très peu développés. Le handicap majeur tient à la formation : 47 % des responsables numériques sont autodidactes, 33 % sont motivés par un goût personnel, et seuls 20 % ont reçu une formation spécifique. Contrairement aux idées reçues, aucune catégorie de théâtre (national, scène nationale, privé…) ne se distingue nettement des autres en matière d’offre numérique à destination des publics.

Service numérique	Taux d’équipement
Billetterie en ligne	77 %
Présence Facebook (page)	95 %
Présence Twitter	62 %
Adaptation mobile du site	49 % (responsive)
Chaîne web-TV	25 %
Dispositifs accessibilité handicap	25 %
Applications mobiles programmation	13 %
Dispositifs interactifs in situ	2 %

Archives : la révolution du public en ligne

Les services d’archives constituent le cas le plus spectaculaire de basculement numérique. Entre 2005 et 2015, les archives départementales ont perdu 50 % de leurs lecteurs en salle de lecture, tandis que le réseau national enregistrait 50 millions de visiteurs virtuels par an pour seulement 450 000 séances physiques. L’enquête nationale menée en 2013-2014 auprès de 28 500 répondants dans 98 services révèle un public en ligne plus masculin et plus populaire que celui des musées, dont la pratique principale est la généalogie (94 % des internautes). La dématérialisation totale – comme l’expérimente le département des Hautes-Alpes avec numérisation à la demande en deux jours ouvrés – constitue une piste prometteuse mais encore expérimentale.

3. Connaître les publics en ligne : méthodes et limites

Le dossier consacre une large place aux questions méthodologiques. Quatre types de dispositifs de connaissance des publics sont identifiés par le Bibli-Lab (BNF/Télécom ParisTech) : les études qualitatives et quantitatives classiques, la veille sur les réseaux sociaux, la mesure d’audience (logs, panels) et la gestion de la relation client (CRM). Ces approches sont complémentaires et doivent être croisées : aucune ne suffit seule à rendre compte de la complexité des pratiques.

Les données chiffrées issues des tableaux de bord des plateformes sociales (Facebook Insights, Twitter Analytics…) offrent une granularité inédite mais comportent des biais structurels importants : les métriques sont construites pour servir des logiques commerciales, leurs modes de calcul évoluent de façon imprévisible, et elles ne permettent pas de qualifier le sens que les usagers donnent à leurs interactions. L’enquête du Louvre (2010, 6 032 répondants) illustre bien ces limites : si 27 % des répondants ne connaissent le musée que de façon virtuelle, le profil sociodémographique des internautes reste très proche de celui des visiteurs physiques : même niveau d’éducation élevé, mêmes pratiques culturelles intenses.

La BPI traite quant à elle entre 1,8 et 2 millions de connexions web par jour sur ses postes en accès libre, une masse de données dont l’exploitation scientifique — en partenariat avec Télécom ParisTech — permet de repérer des comportements récurrents mais exige un dialogue constant entre informaticiens et professionnels des bibliothèques pour donner du sens aux chiffres.

4. Usages observés et profils des publics en ligne

Les enquêtes CREDOC menées pour la Direction générale des patrimoines mesurent la progression régulière des pratiques numériques liées aux patrimoines dans la population française : 44 % des Français déclarent avoir utilisé internet en lien avec une visite patrimoniale en 2016 (contre 35 % en 2012). Les usages pratiques (recherche d’informations, billetterie) dominent nettement, mais l’exploration de contenus culturels et les usages participatifs progressent.

Type d’usage	2012	2014	2016
Usages pratiques (infos, billets)	30 %	33 %	38 %
Exploration de contenus culturels	18 %	17 %	24 %
Usages participatifs (réseaux sociaux)	6 %	4 %	9 %

Partager sa visite sur les réseaux sociaux est devenu courant : 42 % des visiteurs des musées nationaux envisagent ou réalisent ce partage en 2015 (contre 25 % en 2010), dans plus de trois quarts des cas après la visite. Cette pratique est corrélée à une forte satisfaction et à un profil de visiteur plus jeune, plus souvent étranger et venu entre adultes. Les inégalités sociales persistent toutefois : 79 % des cadres utilisent internet en lien avec les patrimoines, contre 43 % des employés.

5. Retours d’expériences : médiation numérique en pratique

Le dossier présente une série de cas concrets illustrant la diversité des approches. Le MOOC « Louis XIV à Versailles » (Versailles/Orange, oct. 2015 – fév. 2016) a réuni 16 200 inscrits en quelques semaines ; 87 % estiment que leurs attentes ont été satisfaites voire dépassées, et 86 % déclarent avoir envie de visiter l’exposition à l’issue du MOOC. Toutefois, les participants sont très diplômés (79 % de niveau bac+3 et plus), plus âgés (52 ans en moyenne) et très majoritairement féminins (72 %) : un profil similaire à celui des visiteurs habituels du château.

L’application du Centre Pompidou, lancée en 2015 en remplacement de l’audioguide payant, a généré un taux d’usage six fois supérieur à celui de l’ancien dispositif. Les enquêtes réalisées avant et après son lancement confirment l’intérêt pour la gratuité, l’aspect intuitif et la possibilité d’utiliser l’application hors les murs (20 % des usages). Les lunettes connectées évaluées par la RMN-GP ont en revanche suscité une déception chez 78 % des utilisateurs, trop peu d’œuvres étant commentées et les problèmes techniques étant nombreux. Ces exemples illustrent combien l’évaluation des dispositifs numériques reste indispensable et encore insuffisamment pratiquée.

L’expérience des archives de la Vendée montre que la participation collaborative (indexation nominative, dictionnaires en ligne, L@boratoire des internautes) peut transformer durablement la relation avec les publics : la base « Noms de Vendée » est passée de 700 000 à 2,5 millions de données en cinq ans grâce à une centaine de contributeurs réguliers, sans coût supplémentaire pour le département. Le musée des Confluences, avec son exposition « À vos pieds », a quant à lui recueilli près de 10 000 contributions via son Podomaton numérique participatif, démontrant le potentiel des dispositifs hybrides articulant espace physique et espace en ligne.

6. Conclusions et perspectives

Malgré la richesse des initiatives présentées, plusieurs limites structurelles se dégagent de l’ensemble du dossier. La connaissance des publics en ligne reste insuffisante : 87 % des salles culturelles interrogées estiment ne pas disposer d’une base de contacts de qualité. Le numérique ne produit pas spontanément d’élargissement des publics : les profils sociodémographiques des visiteurs en ligne restent proches de ceux des visiteurs physiques, eux-mêmes issus des catégories les plus diplômées. La « promesse démocratisante » d’internet se heurte à la logique des algorithmes de recommandation qui renforcent les entre-soi culturels.

Les établissements culturels sont appelés à passer d’une posture institutionnelle descendante à une approche relationnelle fondée sur la connaissance fine de leurs publics — ce qui implique des investissements dans les outils CRM, la formation des équipes et une articulation cohérente entre communication numérique et développement des publics. La question des inégalités d’accès à la culture ne disparaît pas avec le numérique : elle se déplace et se recompose, appelant des politiques publiques renouvelées à la hauteur de l’enjeu.

Ce rapport du CSPLA analyse l’impact de l’IA sur les industries culturelles à travers trois prismes complémentaires : ses usages économiques dans la chaîne de valeur, les enjeux juridiques qu’elle soulève en matière de propriété intellectuelle, et les défis liés au partage des données.

CSPLA, Rapport final – 27 janvier 2020 | Bensamoun, Farchy, Schira.

Cet article est une synthèse réalisée à l’aide d’une IA.

L’IA dans la chaîne de valeur culturelle

L’intelligence artificielle s’est imposée dans l’ensemble des maillons de la chaîne de valeur des industries culturelles, depuis la recommandation de contenus jusqu’à la création artistique. Trois grandes fonctions se distinguent.

Au stade de la consommation, les algorithmes de recommandation constituent l’application la plus visible. Ils s’appuient sur trois mécanismes complémentaires : le filtrage basé sur les métadonnées (caractéristiques intrinsèques du contenu), le filtrage collaboratif (comportements d’utilisateurs similaires) et des approches hybrides. Netflix illustre cette logique en combinant traitement algorithmique automatisé et labellisation humaine intensive — chaque contenu fait l’objet d’une centaine de tags assignés manuellement.

Au stade de la production et de l’investissement, les acteurs s’appuient sur l’analyse de données pour réduire l’incertitude inhérente à l’économie culturelle (économie de prototypes à forte asymétrie d’information). L’objectif est d’anticiper le succès commercial d’une œuvre en comparant ses caractéristiques avec celles des succès passés. Ces outils restent cependant conservateurs par nature : fondés sur les données historiques, ils ne peuvent anticiper les ruptures de tendance.

Au stade de la création, le degré d’autonomie de l’IA varie considérablement selon les secteurs. L’audiovisuel et l’édition mobilisent principalement des outils d’assistance (effets spéciaux, analyse de scénario). La musique et les arts visuels expérimentent des créations plus autonomes via les réseaux adversariaux génératifs (GAN) — comme la série des Belamy du collectif Obvious, dont un portrait a été vendu 430 000 dollars chez Christie’s en 2018.

Stade	Applications principales	Exemples
Consommation	Recommandation algorithmique, chatbots	Netflix, Spotify, Deezer
Production / Investissement	Analyse de tendances, prédiction de succès	Soundcharts, ScriptBook, Vault
Création assistée	Effets spéciaux, aide à l’écriture, montage	Audiovisuel, édition
Création autonome	Génération musicale, arts visuels (GAN)	Obvious (Belamy), Flow Machines (Sony)

Statut juridique des créations générées par l’IA

La question centrale est celle de la protégeabilité par le droit d’auteur des productions culturelles générées de façon autonome par une IA. Elle soulève trois sous-questions : la création est-elle une « œuvre de l’esprit » ? Est-elle « originale » ? Peut-on identifier un auteur ?

Le droit d’auteur français repose sur une conception personnaliste et humaniste : seule une personne physique peut être auteur. Or, dans le cas d’une IA créative, la chaîne de création implique de nombreux acteurs humains (concepteur, entraîneur, curateur, utilisateur) dont la contribution est distante et diffuse. Quatre approches sont examinées.

La piste du droit d’auteur classique, dans une lecture renouvelée, semble la plus prometteuse : elle désignerait de préférence le concepteur de l’IA comme auteur « indirect », dont les choix (base d’entraînement, architecture du modèle, fonction objective) conditionnent la création finale. La jurisprudence chinoise a d’ailleurs tranché en ce sens en 2020 (affaire Tencent). Des régimes spéciaux sont également envisageables : droit d’auteur spécial inspiré du logiciel, droit sui generis calqué sur les bases de données, ou droit type « droit voisin » accordé au divulgateur. L’absence de tout droit privatif constitue enfin une troisième voie, plaçant ces créations dans un domaine public par défaut — option jugée impraticable car elle favoriserait les comportements de contournement.

Le rapport recommande d’appliquer à titre conservatoire le droit positif dans une lecture renouvelée, et de réserver une intervention législative à l’échelle européenne si le besoin en était démontré par la jurisprudence.

Option	Fondement	Titulaire envisagé	Avantages / Limites
Droit d’auteur (lecture renouvelée)	CPI art. L.111-1	Concepteur de l’IA	+ Cohérence ; – Lien distendu avec la création
Droit d’auteur spécial	Modèle logiciel	Concepteur / divulgateur	+ Adapté ; – Intervention législative nécessaire
Droit sui generis	Dir. 96/9/CE	Producteur investisseur	+ Simple ; – Nie la parenté avec les œuvres classiques
Absence de droit privatif	Domaine public	—	+ Simplicité ; – Contournements, fragilise droits voisins

Régime des œuvres « ingérées » par l’IA

Pour apprendre, l’IA consomme massivement des œuvres protégées qu’elle décompose et analyse. Ces actes d’ingestion constituent-ils une exploitation soumise au droit d’auteur ? La directive « DSM » 2019/790 répond indirectement par l’affirmative en créant une exception spécifique de fouille de textes et de données (TDM).

L’article 3 instaure une exception obligatoire et non contractuellement écartable au profit des organismes de recherche et des institutions patrimoniales. L’article 4 ouvre une exception plus large, applicable à tous les usages de l’IA y compris commerciaux, mais assortie d’un droit d’opt-out pour les titulaires de droits — qui peuvent, par des procédés lisibles par machine (métadonnées, CGU), se réserver le droit de s’y opposer.

Ce mécanisme d’opt-out soulève d’importantes difficultés pratiques : comment garantir son effectivité technique, éviter la contradiction entre fichiers, et prévenir son instrumentalisation comme levier de négociation par les grandes plateformes ? En parallèle, des licences collectives générales, sur le modèle du contrat de représentation, pourraient offrir une voie contractuelle plus souple et équilibrée pour sécuriser l’accès aux corpus tout en rémunérant les ayants droit.

Partage des données : enjeux et pistes d’action

La compétitivité dans l’IA étant directement corrélée à la qualité et au volume des données disponibles, le partage des données d’usage et des métadonnées devient un enjeu stratégique pour les industries culturelles.

Les données d’usage — temps d’écoute, comportements de lecture, données de contexte — sont largement captées par les acteurs aval (plateformes, opérateurs télécoms) et insuffisamment partagées avec les créateurs et producteurs amont. Le rapport préconise la création d’un droit à la portabilité des données d’usage, qui permettrait aux ayants droit de bénéficier d’un accès normé à ces informations, dans le respect du RGPD.

Les métadonnées — données descriptives, juridiques et enrichies — souffrent d’un déficit de standardisation et de mutualisation, particulièrement dans l’audiovisuel et le marché de l’art. Le rapport suggère de leur reconnaître le statut de « données d’intérêt général » (DIG) afin d’encourager la constitution de bases ouvertes, mutualisées et qualitatives, bénéfiques tant pour la recherche que pour les acteurs de taille modeste. La théorie des infrastructures essentielles, bien qu’évoquée, est jugée inadaptée au secteur en raison de son caractère trop casuistique.

Recommandations clés

• Appliquer le droit d’auteur existant dans une lecture renouvelée avant toute intervention législative, en désignant le concepteur de l’IA comme auteur présumé.
• Anticiper une intervention législative européenne si la jurisprudence révèle l’insuffisance du droit positif — en privilégiant un droit d’auteur spécial à durée réduite.
• Transposer l’exception TDM (art. 4 dir. 2019/790) en garantissant des mécanismes techniques d’opt-out fiables et en encadrant sa mise en œuvre par des licences collectives.
• Créer un droit à la portabilité des données d’usage au profit des ayants droit, via une clause contractuelle impérative dans les contrats d’exploitation.
• Promouvoir des bases de métadonnées d’intérêt général, mutualisées et ouvertes, pour réduire les barrières à l’entrée et favoriser la diversité des acteurs.

L’IA générative bouleverse le secteur artistique : 75 % des artistes interprètes expriment une forte inquiétude, tandis que les pertes de revenus projetées atteignent 24 % dans la musique et 21 % dans l’audiovisuel d’ici 2028. Face à ce constat, l’Adami publie ce guide pour outiller juridiquement et contractuellement les artistes-interprètes.

Guide de protection des intérêts des artistes-interprètes face à l’IA – ADAMI

Cet article est une synthèse réalisée à l’aide d’une IA.

1. Contexte et notions clés

L’intelligence artificielle générative désigne tout système capable de produire des contenus variés (textes, images, sons, vidéos) à partir de données d’entraînement massives, incluant des œuvres et des prestations protégées par la propriété intellectuelle. Ces systèmes apprennent par un processus d’entraînement (Text and Data Mining, TDM) qui consiste à reproduire et à analyser automatiquement des contenus accessibles en ligne via des techniques de crawl et scrapping.

Les droits voisins sont les droits de propriété intellectuelle qui protègent spécifiquement les artistes-interprètes (comédiens, chanteurs, musiciens…) et leur permettent d’autoriser ou d’interdire la reproduction et la diffusion de leurs prestations. L’opt-out, ou réservation des droits, est le mécanisme par lequel un artiste (ou son organisme de gestion collective) s’oppose formellement à l’utilisation de ses prestations à des fins d’entraînement IA — condition nécessaire pour contourner l’exception légale de TDM.

2. Impacts pour les artistes-interprètes

Le guide identifie quatre grandes menaces concrètes auxquelles font face les artistes-interprètes dans l’environnement IA actuel.

Risque identifié	Description & données
Substitution à l’emploi	L’IA génère des contenus qui remplacent les prestations humaines. Le doublage est déjà fortement impacté. Les services de streaming estiment que 10 à 20 % des titres diffusés sont générés par IA.
Perte de revenus	Étude CISAC (PMP Strategy) : perte de 24 % des revenus dans la musique et 21 % dans l’audiovisuel d’ici 2028, alors que les revenus de l’IA générative atteindraient 4 Mds€ (musique) et 5 Mds€ (audiovisuel).
Entraînement non consenti	L’utilisation de la voix ou de l’image d’un artiste pour entraîner un système d’IA sans autorisation constitue une atteinte aux droits voisins — y compris lorsque la voix et l’image sont utilisées séparément ou issues d’interviews.
Clone vocal/visuel dans les outputs	Lorsqu’un artiste est reconnaissable dans un contenu généré par IA (deep fake, voix synthétique), plusieurs fondements juridiques peuvent être mobilisés : droits voisins, droits de la personnalité, RGPD.
Interprétation d’un contenu IA	Un contenu créé exclusivement par une IA n’est pas protégé par le droit d’auteur. L’artiste qui interprète un tel contenu ne peut prétendre aux droits voisins, sauf si un auteur humain conserve le contrôle du processus créatif.

3. Solutions pour protéger ses interprétations

L’opt-out individuel et collectif

Tout artiste-interprète dispose du droit de s’opposer à l’utilisation de ses prestations à des fins de TDM. Cette opposition peut figurer dans un contrat ou, pour les contenus accessibles en ligne, doit être exprimée par des procédés « lisibles par la machine » (métadonnées techniques). Le 11 mars 2025, l’Adami a prononcé un opt-out général au bénéfice de l’ensemble de ses membres, signifiant que leurs prestations ne peuvent, par défaut, être intégrées à l’entraînement d’un système d’IA sans négociation préalable.

La négociation contractuelle

Pour les contrats signés avant 2024, l’absence de clause IA signifie que les droits d’exploitation par IA n’ont probablement pas été cédés. Pour les nouveaux contrats, le guide recommande d’inclure une clause d’opposition explicite conforme au Code de la propriété intellectuelle (art. L122-5-3 et L211-3 alinéa 8), qui engage le producteur à mettre en place des dispositifs techniques et contractuels garantissant l’opt-out. Dans le secteur du jeu vidéo, une clause spécifique interdit notamment la création de répliques numériques, de voix synthétiques ou d’imitations basées sur la prestation de l’artiste.

En cas d’utilisation constatée

Si un artiste constate que sa voix ou son image figure dans un contenu généré par IA sans son consentement, le guide recommande de contacter en priorité le Service de Conseil aux artistes de l’Adami (01 44 63 10 00, choix 1) avant toute démarche, afin de préserver les preuves nécessaires à une action juridique éventuelle.

4. Position et actions de l’Adami

L’Adami adopte une posture de pragmatisme et de vigilance. Elle ne s’oppose pas à l’IA en tant que telle, mais défend le principe que l’utilisation des données artistiques doit être transparente, consentie et rémunérée.

Action / Revendication	Détail
Opt-out général (mars 2025)	Opposition formelle à l’entraînement IA sans autorisation pour tous les membres de l’Adami.
Réforme du droit de la preuve	Plaide pour renverser la charge de la preuve : ce serait aux entreprises d’IA de prouver qu’elles n’ont pas utilisé une prestation, et non à l’artiste de le démontrer.
Transparence et rémunération	Au CSPLA (ministère de la Culture) : transparence sur les données d’entraînement, rémunération des artistes, gestion collective de ces droits.
Actions contentieuses	L’Adami se réserve le droit d’ester en justice pour défendre les droits de ses membres face aux usages illicites.

5. Prochaines étapes réglementaires

Le cadre juridique est en cours de structuration, avec plusieurs jalons attendus :

• Août 2025 : entrée en vigueur des premières obligations du Règlement européen sur l’IA (AI Act, juin 2024) — les fournisseurs de modèles d’IA devront publier un résumé des contenus utilisés pour l’entraînement.
• Juillet 2025 : publication du Code de bonnes pratiques de l’IA par le Bureau de l’IA (Commission européenne), couvrant transparence et respect de la propriété intellectuelle.
• Juin 2025 : lancement d’un cycle de concertation entre ayants droit de la culture et développeurs d’IA, à l’initiative des ministères de la Culture et du Numérique.

L’Adami participe activement à l’ensemble de ces processus et entend y défendre les intérêts des artistes-interprètes à chaque étape.