Qui décide ce qui est vrai sur Internet : la promesse des filtres algorithmiques et les limites de l'"éditeur invisible"

Avant le lancement de l'application eYou, une plateforme sociale de conception européenne qui promet d'analyser chaque publication à travers quatre modèles d'intelligence artificielle et de classer le contenu comme vrai, partiellement vrai ou faux, ce n'est pas seulement une annonce de produit. C'est un symptôme d'un moment où les solutions techniques sont appelées à résoudre un problème structurel politique : qui a l'autorité de décider quelle information est légitime dans l'espace public numérique. Les données montrent que, au cours des six derniers mois, l'expression "fake news" a généré plus de 13 200 mentions dans la presse internationale, avec un ton négatif dans 31 % des cas et un ton d'opinion dans 66 % des apparitions, réparties sur le Web, Facebook, YouTube et TikTok. Le terme circule intensément et constamment, atteignant des pics de plus de 200 mentions par jour, en parallèle avec des événements politiques majeurs aux États-Unis, au Brésil, en Roumanie ou dans l'espace géopolitique généré par les conflits en Ukraine et au Moyen-Orient. Dans un tel contexte, tout système qui assume le rôle d'arbitre automatique de la vérité mérite une analyse rigoureuse, pas seulement une présentation.

Comment fonctionne, en fait, un système automatique de vérification de l'information

Au niveau technique, un système de type "fact-checking algorithmique" implique plusieurs étapes : l'identification des affirmations vérifiables dans un texte, leur comparaison avec des bases de données et des sources considérées comme références, le calcul de scores de confiance et l'agrégation des résultats dans une étiquette finale. Le processus se déroule automatiquement, en temps réel, à grande échelle, ce qui le rend fondamentalement différent de la vérification humaine classique. Le journaliste ou le fact-checker humain choisit ce qu'il vérifie, explique le processus et l'expose au public pour débat. L'algorithme applique une règle uniforme, sans expliquer et sans avoir de doutes. Cette différence n'est pas mineure. Elle transforme la plateforme d'un simple canal de distribution de messages en un acteur éditorial invisible. Le verdict n'apparaît pas comme un article de fact-checking, avec une méthodologie et des sources transparentes, mais comme une étiquette standardisée placée directement à côté du contenu. L'utilisateur voit la conclusion, pas le raisonnement. Cette compression du processus éditorial est, en même temps, l'efficacité du système et sa vulnérabilité de fond, car elle élimine de l'équation précisément l'élément qui rend la vérification légitime : la traçabilité et la responsabilité publique.

La pression pour l'automatisation : d'où vient-elle et qu'est-ce qui l'alimente

Dans ce contexte, les avantages de l'automatisation de la vérification sont évidents au niveau opérationnel. La vitesse est le premier argument solide : dans une crise informationnelle, des élections contestées, un conflit armé, une catastrophe naturelle, la fenêtre dans laquelle une information fausse peut dominer le récit public se mesure en minutes. Un système qui marque instantanément le contenu suspect peut limiter la distribution initiale avant qu'un journaliste ait le temps d'écrire une correction. L'échelle est le deuxième argument : face au volume de contenu généré quotidiennement sur les plateformes numériques, aucune rédaction et aucun consortium de fact-checkers ne peut couvrir plus qu'une fraction infime du flux d'information. L'automatisation est le seul moyen d'étendre la vérification à grande échelle, sans multiplier proportionnellement les coûts. Le troisième argument est la consistance formelle : l'algorithme applique les mêmes critères à tous les messages, éliminant les variations individuelles générées par la fatigue, le subjectivisme ou la surcharge cognitive.

Où la logique de la neutralité algorithmique se rompt

Chacun de ces avantages a un coût spécifique. La vitesse signifie aussi irréversibilité : une étiquette appliquée à tort peut être retirée techniquement, mais son effet social, la discréditation d'un auteur, la limitation de la distribution d'un message, demeure. L'échelle signifie que chaque erreur de système se reproduit à la même échelle que l'avantage qu'elle promet. La consistance formelle masque un risque plus profond : l'algorithme applique uniformément, mais n'applique pas correctement si les règles avec lesquelles il a été entraîné sont elles-mêmes distordues. Le biais algorithmique est, en ce sens, le risque structurel central. Les modèles d'intelligence artificielle ne sont pas neutres : ils sont entraînés sur des données, et les données reflètent les déséquilibres du monde dont elles proviennent. Si les sources dominantes dans l'ensemble d'entraînement appartiennent à un certain espace géopolitique ou culturel, le système tendra à valider implicitement les récits de cet espace et à pénaliser les positions provenant de zones sous-représentées. La distribution géographique des sources qui dominent le discours sur les "fake news", massivement concentrée dans la presse anglo-saxonne et, secondairement, dans la presse brésilienne et est-européenne, suggère qu'un modèle entraîné sur ce corpus reproduirait implicitement une hiérarchie éditoriale déjà existante, ne créerait pas une nouvelle neutralité. Les erreurs de classification ajoutent un autre niveau de risque. Le langage politique est souvent ironique, métaphorique, délibérément ambigu ou hyperbolique. Un système qui réduit sémantiquement un texte à des affirmations vérifiables rate constamment le sens réel des messages qui ne fonctionnent pas dans un registre littéral. Les affirmations partiellement correctes qui incluent un noyau factuel réel et un contexte manipulé sont précisément les plus difficiles à détecter automatiquement et, simultanément, les plus efficaces comme outils de désinformation. Les étiqueter comme "partiellement vraies" peut fonctionner, paradoxalement, comme une validation indirecte. L'opacité complète le tableau. Sans accès public à la méthodologie d'évaluation, aux sources de référence utilisées et aux procédures de contestation d'un verdict, l'utilisateur se trouve face à un oracle technique qu'il peut accepter ou rejeter, mais qu'il ne peut pas examiner. C'est une forme de pouvoir éditorial sans responsabilité éditoriale assumée, une combinaison qui, dans toute autre institution publique, soulèverait de sérieuses questions.

Centralisation algorithmique versus distribution de l'autorité

Il existe une distinction fondamentale entre les modèles centralisés et ceux distribués de gestion de la désinformation, et elle ne dépend pas de la technologie, mais de la philosophie politique de l'information. Le modèle centralisé, dans lequel une seule plateforme ou un seul système applique un verdict uniforme sur tous les messages, a l'avantage de l'efficacité et de la cohérence. Il a cependant l'inconvénient de la concentration du pouvoir : qui contrôle l'algorithme contrôle, indirectement, quels récits sont crédibles et quels récits sont marqués comme suspects. Dans un écosystème médiatique où le discours sur les "fake news" est lui-même un instrument de lutte politique utilisé par la presse conservatrice américaine jusqu'aux institutions judiciaires du Brésil, de Karoline Leavitt à Emmanuel Macron, la concentration du pouvoir d'étiquetage dans un seul système soulève de réels problèmes démocratiques, quelles que soient les bonnes intentions de ceux qui le construisent. Le modèle distribué fonctionne différemment. La vérification est réalisée par des acteurs multiples et indépendants : rédactions spécialisées, consortiums de fact-checking, communautés académiques, institutions publiques. Les conclusions sont visibles comme des produits éditoriaux distincts, avec une méthodologie expliquée et la possibilité de contradiction publique. Le désaccord entre vérificateurs n'est pas une erreur, mais un reflet fidèle de la complexité de la réalité. Le modèle est plus lent, plus coûteux et plus difficile à échelonner, mais produit un type d'autorité plus légitime, car il est plus transparent et plus contestable. Entre ces extrêmes, une approche hybride s'est également dessinée, dans laquelle les algorithmes fonctionnent comme des outils de priorisation et de détection, sans produire le verdict final. Ils identifient le contenu potentiellement problématique, cartographient les réseaux de distribution coordonnée et mettent en évidence des clusters de messages suspects, après quoi des analystes humains interviennent pour l'évaluation de fond. Le système gagne en vitesse et en couverture sans renoncer à un jugement contextualisé. C'est, pour l'instant, le modèle qui équilibre le mieux l'efficacité avec la responsabilité, bien qu'il reste vulnérable à la qualité de la sélection humaine et aux pressions institutionnelles.

Réduisons la désinformation ou la déplaçons-nous à un niveau plus difficile à voir

La distribution du ton du discours public concernant les "fake news" au cours des six derniers mois, 66 % d'opinion, 31 % négatif, seulement 3 % positif, reflète une frustration chronique face au phénomène et, simultanément, une attente accrue de solutions. Les solutions techniques de type IA répondent exactement à cette attente, et leur légitimité dérive, en grande partie, de l'urgence perçue du problème. C'est précisément cette urgence qui mérite d'être examinée de manière critique : le besoin de faire quelque chose rapidement ne garantit pas que ce qui est fait est correct ou suffisant. Les systèmes automatiques d'étiquetage peuvent réduire la visibilité de certains types de contenu, peuvent signaler aux utilisateurs qu'une affirmation est contestée et peuvent limiter la vitesse de propagation de certains messages manifestement faux. Mais ils ne peuvent pas reconstruire la confiance entre le public et les institutions productrices d'information, ne peuvent pas éliminer la polarisation qui fait qu'une partie du public interprète toute correction comme une forme de censure et ne peuvent pas remplacer la culture informationnelle individuelle. Les étiquettes algorithmiques ne changent pas les croyances ; elles peuvent, au mieux, introduire une friction minimale dans la distribution du contenu. De plus, il existe un risque systémique qui n'est pas abordé dans le débat actuel : si un nombre limité de systèmes algorithmiques en vient à jouer le rôle de norme de facto dans l'évaluation de la véracité sur Internet, leur pouvoir combiné devient comparable à celui de tout monopole éditorial, avec la différence qu'il est moins visible et plus difficile à contester. La concentration du discours sur les "fake news" autour de quelques sources et plateformes dominantes, que les données confirment, peut être un précurseur d'une telle centralisation algorithmique à grande échelle. La conclusion de travail est que les systèmes automatiques de détection de la désinformation sont des outils utiles, mais insuffisants et potentiellement dangereux s'ils sont utilisés isolément. Leur efficacité réelle dépend de la transparence de la méthodologie, de l'intégration avec des structures indépendantes de vérification humaine, de mécanismes robustes de contestation et d'une séparation claire entre le filtrage du contenu factuel erroné et l'influence sur les orientations éditoriales de la plateforme. Sans ces conditions, la lutte contre la désinformation risque de produire non plus de la clarté, mais une nouvelle couche d'opacité – plus difficile à identifier et, par conséquent, plus difficile à corriger que le problème qu'elle prétend résoudre.

*****Synthèse réalisée avec l'aide d'un flux de surveillance de données fourni par la plateforme de surveillance média NewsVibe Romania. L'analyse, les données et les images présentées ont été améliorées à l'aide d'outils de Machine Learning et d'Intelligence Artificielle.