Une intelligence artificielle peut identifier un monument célèbre, résumer un roman occidental ou générer l’image d’une grande métropole avec une facilité impressionnante. Elle devient souvent beaucoup moins fiable lorsqu’elle rencontre une calligraphie complexe, une référence locale, une langue peu documentée ou un objet patrimonial absent des grands ensembles de données.
Ce décalage n’est pas un simple problème technique. Il influence la manière dont les cultures sont décrites, traduites, recherchées et représentées dans les outils numériques.
Les modèles apprennent ce qu’on leur montre
Un modèle d’intelligence artificielle est entraîné sur de très grandes quantités de textes et d’images. Lorsque certaines langues, régions ou traditions sont abondamment documentées, il dispose de nombreux exemples pour apprendre leurs formes et leurs contextes.
À l’inverse, une culture peu numérisée ou mal décrite apparaît de manière fragmentaire. Le modèle peut alors produire des réponses vagues, confondre des références ou compléter les informations manquantes avec des stéréotypes.
Le problème ne vient donc pas d’une incapacité abstraite à comprendre une culture. Il vient d’un déséquilibre dans les données, les annotations et les priorités de recherche.
La calligraphie arabe comme test
DuwatBench, un benchmark consacré à la reconnaissance de la calligraphie arabe, permet de mesurer cette difficulté. Il rassemble 1 272 échantillons couvrant six styles calligraphiques, dont le thuluth, le diwani, le naskh et le kufique.
Les chercheurs montrent que même des modèles multimodaux performants peuvent commettre de nombreuses erreurs lorsqu’un texte devient une forme artistique. Les lettres se superposent, les mots changent d’échelle et le décor complique la lecture.
Cette difficulté révèle une limite importante : reconnaître des caractères imprimés ne signifie pas comprendre une tradition visuelle. La calligraphie associe langue, composition, histoire et symbolique.
Le patrimoine visuel reste sous-documenté
La base Turath-150K a été créée pour répondre au manque d’images correctement documentées sur le patrimoine arabe. Elle rassemble des représentations de monuments, d’objets et de lieux culturels afin d’améliorer la recherche et la reconnaissance visuelle.
Mais construire une base ne consiste pas seulement à accumuler des fichiers. Il faut décrire les images, vérifier les droits, identifier les lieux, préciser les périodes et intégrer les variantes linguistiques.
Les institutions culturelles ont donc un rôle stratégique. Musées, bibliothèques, archives, universités et associations peuvent devenir des producteurs de données culturelles de qualité, à condition de disposer de moyens et d’un cadre éthique.
Une même réponse ne convient pas à toutes les cultures
Les travaux de CrossCult-KIBench évaluent la capacité des modèles à adapter leurs réponses selon plusieurs contextes linguistiques et culturels. Ils montrent que les méthodes actuelles améliorent parfois une dimension tout en en dégradant une autre.
Un modèle peut apprendre à éviter certains stéréotypes, mais perdre en précision. Il peut produire une réponse culturellement adaptée dans une langue et échouer dans une autre.
Cette situation invite à sortir d’une vision simpliste de la localisation. Traduire une interface ou ajouter quelques exemples locaux ne suffit pas. Il faut tester les outils avec des utilisateurs, des chercheurs et des créateurs issus des contextes concernés.
Quels risques pour les industries culturelles ?
Une IA qui comprend mal une culture peut produire des erreurs dans la médiation muséale, la traduction, la recommandation de contenus, l’éducation, le tourisme ou la génération d’images.
Elle peut aussi invisibiliser certaines œuvres en les indexant mal. Un moteur de recherche incapable de reconnaître un style, un artiste ou une langue réduit leur découvrabilité.
Ces enjeux complètent ceux abordés dans notre analyse sur l’IA et la protection du travail créatif. La rémunération et le consentement sont essentiels, mais la qualité de représentation l’est également.
Construire une souveraineté culturelle numérique
Réduire ces biais demande plusieurs actions : numériser les collections, développer des corpus multilingues, financer la recherche locale, documenter les sources et associer les communautés à la description de leur patrimoine.
Il faut aussi éviter que les données culturelles soient simplement extraites par de grandes plateformes sans bénéfice pour les institutions qui les ont produites.
Une souveraineté culturelle numérique ne signifie pas fermer les données. Elle consiste à définir les conditions d’accès, les droits, les responsabilités et les usages souhaitables.
L’IA comme révélateur
Les limites actuelles de l’IA fonctionnent comme un miroir. Elles révèlent quelles cultures ont été abondamment numérisées, lesquelles restent absentes et qui possède les infrastructures nécessaires pour transformer un patrimoine en données.
La réponse ne peut donc pas être uniquement technologique. Elle doit être culturelle, politique et institutionnelle.
