Les faits : quand le berceau de l'IA sanctionne son vice-recteur
L'histoire académique retiendra une cruelle ironie. C'est à Hanover, dans le New Hampshire, au Dartmouth College, que John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon se sont réunis au cours de l'été 1956 pour fonder formellement le domaine de l'intelligence artificielle. Soixante-dix ans plus tard, cette même institution voit son numéro deux, le vice-recteur et provost Santiago Schnell, démissionner à la suite d'une controverse liée à l'usage clandestin d'agents conversationnels dans ses travaux scientifiques et ses tribunes publiques.
L'affaire a débuté en août lorsque le média Semafor et le journal étudiant The Dartmouth ont soumis une tribune du vice-recteur, publiée dans The Washington Post, à des logiciels d'analyse stylométrique. Fait marquant, le texte portait précisément sur la tricherie par IA dans l'enseignement supérieur. Les outils de détection ont qualifié l'article de largement synthétique. Face au scandale grandissant et à la perspective d'un vote de défiance du corps professoral, la direction de Dartmouth a mandaté un comité d'examen indépendant. Les conclusions du rapport ont scellé le départ de Santiago Schnell.
Pour autant, ce ne sont pas les scores probabilistes des détecteurs commerciaux qui ont fondé la décision du comité. L'enquête a plutôt exploré les registres d'audit internes de la version d'entreprise de l'outil Claude déployée au sein de l'université. Les traces d'utilisation ont démontré que le haut dirigeant avait téléversé ses manuscrits pour en réécrire des sections entières et qu'il avait expressément demandé au modèle s'il détectait des signatures textuelles trahissant une rédaction par intelligence artificielle, avant d'en adopter les retouches pour atténuer ces marqueurs.
La quête illusoire de l'invisibilité stylistique
Cet épisode met en lumière un mécanisme psychologique et technique de plus en plus répandu : l'illusion selon laquelle un grand modèle linguistique pourrait servir de correcteur furtif ou de prête-plume indétectable. Les modèles de langage reposent sur la prédiction statistique des jetons subséquents dans un contexte donné. De par leur entraînement sur d'immenses corpus numériques, ils adoptent une perplexité modérée et des tournures idiomatiques standardisées, souvent reconnaissables par leur régularité syntaxique et leur équilibre artificiel.
Demander à un modèle d'éliminer les signatures d'une génération automatique revient à déplacer le curseur probabiliste d'un cran. Le texte résultant ne redevient pas pour autant une expression authentique de la pensée humaine ; il se transforme en un compromis calculé entre deux distributions statistiques. Comme l'ont documenté plusieurs chercheurs en linguistique informatique, tenter de faire gommer par Claude les biais lexicaux de ChatGPT crée un brouillage stylistique qui altère la clarté conceptuelle sans supprimer la dépendance intellectuelle.
Sur le plan déontologique, la faute retenue contre le vice-recteur ne réside pas dans l'expérimentation technologique en soi, mais dans l'absence délibérée de transparence. Alors que les revues scientifiques et la presse généraliste exigent désormais la déclaration explicite de toute assistance algorithmique substantielle, dissimuler cette collaboration derrière des sollicitations successives de réécriture traduit une dérive d'intégrité majeure.
Les failles méthodologiques des détecteurs et la réalité des audits
L'affaire de Dartmouth illustre également les limites méthodologiques des logiciels d'investigation textuelle. Les premiers soupçons sont nés d'outils comme Pangram, qui affichent des pourcentages d'attribution péremptoires. Or, une étude évaluée par les pairs et dirigée par Weixin Liang, publiée dans la revue Patterns, a démontré que les détecteurs de texte synthétique présentent des taux alarmants de faux positifs, particulièrement lorsqu'ils évaluent des auteurs non anglophones de naissance ou des styles académiques rigides. De même, les travaux de Debora Weber-Wulff parus dans l'International Journal for Educational Integrity ont conclu qu'aucun outil de détection sur le marché ne possède la robustesse nécessaire pour servir de preuve unique lors d'une procédure disciplinaire.
Le comité de Dartmouth a judicieusement écarté ces métriques automatisées pour se concentrer sur des preuves matérielles vérifiables : les journaux de connexion et l'historique des requêtes consignés par le système d'entreprise. Dans un environnement professionnel ou universitaire, chaque interaction avec un modèle infonuagique laisse une empreinte numérique indélébile sur les serveurs de l'hébergeur. Croire que l'on peut manipuler un modèle de frontière dans le secret absolu relève d'une méconnaissance fondamentale de la gouvernance des infrastructures logicielles modernes.
Mise en perspective : GoIA et la démystification comparative des modèles
Face à cette tentation de l'opacité et de la béquille rédactionnelle invisible, l'écosystème québécois ProductivIA propose une philosophie radicalement différente, incarnée par son application GoIA. Conçue pour le grand public et les milieux d'apprentissage, GoIA aborde les modèles de langage non pas comme des masques de substitution, mais comme des objets d'étude et des analyseurs critiques qu'il convient de placer côte à côte.
Au lieu d'enfermer l'utilisateur dans une relation unilatérale avec un unique assistant propriétaire où les réponses sont acceptées passivement, GoIA permet d'interroger simultanément plusieurs moteurs cognitifs (OpenAI, Anthropic, Mistral ainsi que le moteur souverain québécois Matania). En observant comment chaque modèle formule un raisonnement, structure ses phrases ou manifeste ses biais lexicaux, l'usager développe une littératie numérique lucide. Les fameuses signatures stylistiques ne sont plus des éléments honteux à maquiller, mais des caractéristiques algorithmiques observables et mesurables.
Cette confrontation directe restaure la posture active de l'humain. L'utilisateur constate que là où un modèle commercial américain tend vers l'hyperbole ou le lissage consensuel, un modèle souverain hébergé localement par Matania offre un ancrage différent, plus respectueux du contexte juridique québécois et de la Loi 25. En documentant ouvertement les variantes sans verrouillage propriétaire, la plateforme prévient le piège dans lequel est tombé le provost de Dartmouth : l'outil ne remplace pas l'esprit critique, il en devient le banc d'essai.
Pour aller plus loin
La crise de gouvernance vécue par Dartmouth rappelle que la véritable question posée par l'intelligence artificielle n'est pas de savoir si une machine écrit mieux qu'un universitaire, mais comment les institutions définissent la responsabilité intellectuelle. L'avenir de nos écrits passera-t-il par une surenchère stérile entre générateurs de texte et détecteurs probabilistes, ou par l'instauration d'une transparence méthodique où chaque contribution algorithmique est assumée et contextualisée ?