Atelier 4: La numérisation des contenus inexploités: stratégies et outils

Le modérateur pose d’emblée le cadre du débat : il ne s’agit pas seulement de numériser des contenus, mais de transformer des contenus dormants en ressources réellement utiles pour l’IA. Il insiste sur un équilibre à maintenir entre utilité, fiabilité, gouvernance des contenus, qualité des données, intérêt général et respect des droits des auteurs et créateurs.

Le modérateur formule explicitement la question centrale de l’atelier comme la transformation de contenus dormants en ressources « utiles, fiables, gouvernées » pour l’intelligence artificielle, sans perdre de vue les droits des auteurs, la qualité des données et l’intérêt général .

Le modérateur recentre ensuite la discussion sur l’espace francophone en demandant quels contenus devraient être priorisés et selon quels critères. Il ouvre aussi la perspective d’une coopération francophone plus structurée, sous forme de corpus partagés ou d’une fédération de communs, tout en reconnaissant la diversité des cadres nationaux et institutionnels.

Le modérateur demande explicitement quels seraient, dans l’espace francophone, les critères de priorisation de la numérisation et comment développer la souveraineté à travers un corpus francophone commun ou une « fédération de communs », en distinguant au besoin corpus nationaux et institutionnels selon les règles applicables .

Speaker 1 explique que l’IA a déjà largement exploité les contenus accessibles sur le web, ce qui conduit à une forme de saturation. En parallèle, une masse importante de contenus patrimoniaux demeure hors ligne et pourrait enrichir les modèles d’IA si elle était numérisée et rendue accessible.

Speaker 1 évoque l’idée d’un futur « crash » du marché de l’IA lié à l’épuisement progressif des données moissonnées sur le web, puis répond qu’il existe au contraire énormément de contenus encore totalement inaccessibles sur Internet, parfois même méconnus, ce qui justifie leur mise à disposition dans la société numérique . Il précise aussi que, dans sa propre bibliothèque, seulement 10 % des contenus sont numérisés et accessibles, laissant 90 % hors du champ numérique .

Pour Speaker 1, l’enjeu n’est pas seulement d’augmenter le volume de données disponibles pour l’IA, mais surtout d’améliorer leur qualité et leur représentativité. Si les données d’entraînement reflètent surtout des langues et cultures dominantes, l’IA reproduira mécaniquement des biais de diversité, de perspective et de profondeur historique.

Speaker 1 affirme que derrière chaque modèle d’IA se cache la question des données, à la fois en quantité et en qualité, et relie cela aux enjeux de cultures, de langues et de visions du monde qui seront représentées dans les systèmes futurs . Il souligne que lorsque les réponses de l’IA reposent sur des données ne représentant qu’une partie du savoir humain, cela introduit nécessairement des biais de diversité, de perspective et de diachronie .

Speaker 1 présente les données patrimoniales et culturelles comme une ressource stratégique comparable à une matière première pour l’IA. Dès lors, leur production, leur mise à disposition et leur contrôle relèvent d’un enjeu de souveraineté publique, notamment parce que leur numérisation dépend largement d’investissements publics.

Il explique que les données patrimoniales et culturelles sont devenues la matière première de l’intelligence artificielle et que, lorsqu’elles ne sont pas nativement numériques, il faut aller les chercher dans les bibliothèques, archives et musées, ce qui suppose des investissements souvent assumés par le secteur public . Il en conclut que la mise à disposition et la découvrabilité de ces contenus participent de politiques publiques visant aussi à éviter des situations monopolistiques et à préserver des alternatives d’accès .

Speaker 1 considère que la francophonie peut jouer un rôle spécifique en raison de sa pluralité culturelle et linguistique. Elle peut contribuer à éviter l’effacement de savoirs, d’imaginaires et de langues dans les systèmes d’IA dominés par des contenus déjà majoritaires sur le web.

Il affirme que les enjeux de biais placent la francophonie devant un double défi, mais lui donnent aussi un rôle important précisément en raison de sa dimension plurielle . Il ajoute que, sans correction, les savoirs, cultures et imaginaires francophones risquent de devenir invisibles dans l’écosystème de l’IA, alors même que la majorité des collections concernées restent inaccessibles .

Speaker 1 défend l’idée que la numérisation patrimoniale ne peut pas se limiter à créer des reproductions numériques visuelles. Les contenus doivent devenir de véritables données patrimoniales, c’est-à-dire contextualisées, fiabilisées et structurées pour être réellement utiles à des machines comme à des humains.

Il distingue clairement la simple mise à disposition d’un fac-similé numérique du travail plus exigeant sur les « données patrimoniales », qui doivent être contextualisées ou contextualisables et fiables . Il précise également que ces données doivent être considérées comme un actif stratégique pour la société, ce qui justifie d’investir dans leur qualité et leur structuration .

Pour Speaker 1, l’exploitation réelle par l’IA dépend de toute la chaîne technique de la numérisation, pas seulement de l’existence d’un fichier numérique. La qualité de la capture, des contrôles, de la transcription en texte intégral et de la structuration des collections conditionne directement la fiabilité et l’utilité des contenus pour l’entraînement des modèles.

Il décrit le rôle crucial des opérateurs de numérisation, qu’il compare à des « passeurs de savoir », en expliquant que la qualité de leur travail et le calibrage des chaînes de numérisation déterminent la fiabilité de la copie numérique finale et donc sa valeur pour l’entraînement des modèles d’IA . Il ajoute qu’il ne suffit pas d’avoir de belles images et des métadonnées structurées : il faut aussi produire du plein texte de qualité, traiter les imprimés comme les manuscrits, et transformer les collections en données structurées directement exploitables par des machines .

Speaker 1 soutient qu’une stratégie efficace de numérisation suppose des normes partagées, des pratiques harmonisées et des dispositifs interopérables. La multiplication des portails et canaux de diffusion permet de mieux faire circuler les contenus, d’accroître leur visibilité et de réduire la dépendance à des points d’accès uniques.

Il explique que le réseau francophone numérique travaille à harmoniser les pratiques d’inventaire, de traitement des données de catalogues et de prise en compte du droit d’auteur afin d’élever le niveau moyen de maturité numérique de ses membres . Plus loin, il insiste sur la nécessité de partager normes et standards, de favoriser l’interopérabilité et la multiplication des canaux de diffusion, en donnant l’exemple de documents belges qui ont davantage de chances d’être consultés s’ils sont diffusés dans des portails spécialisés ou internationaux plutôt que sur un seul site institutionnel .

Speaker 1 considère que la numérisation du patrimoine ne peut pas être laissée aux seules logiques privées, car elle répond à une mission d’intérêt général. Comme ces investissements soutiennent l’accès au savoir, la diversité culturelle et la souveraineté informationnelle, ils relèvent de politiques publiques et de financements publics.

Il rappelle que la numérisation de collections patrimoniales conservées dans les bibliothèques, archives et musées coûte cher et que cet investissement est le plus souvent réalisé par le secteur public . Il ajoute que les États ont des responsabilités économiques, juridiques et morales pour protéger, préserver et valoriser ce patrimoine commun, tandis que les institutions doivent activer davantage ces opérations .

Pour Speaker 1, la priorisation doit d’abord répondre à l’urgence de conservation. Les supports les plus fragiles et les contenus uniques doivent être traités en premier, car leur disparition serait irréversible et certaines institutions en sont les seuls dépositaires.

Il explique que la première étape consiste à refaire ou préciser l’inventaire afin de savoir ce qui est conservé et ce qui risque de disparaître . Il cite comme priorités absolues les bandes magnétiques, très fragiles, puis la presse, les sources sonores, les documents uniques et le patrimoine manuscrit, en soulignant que si les bibliothèques ne les traitent pas, personne ne le fera .

Speaker 1 insiste sur le fait que la numérisation utile à l’IA exige des institutions capables de maîtriser toute la chaîne technique, juridique et organisationnelle. Renforcer cette maturité numérique permet d’éviter une dépendance subie à des prestataires ou acteurs économiques plus puissants.

Il explique que, pour arriver à l’IA à partir des données patrimoniales, il faut maîtriser toute la chaîne des métiers des bibliothèques et archives, ce qui suppose un certain degré de maturité numérique ; c’est pourquoi le réseau francophone numérique développe des formations et une pyramide de maturité dont la pointe est l’IA . Il ajoute que cette montée en capacité doit permettre de mieux maîtriser marchés publics, équipements, infrastructures et partenariats, afin de ne pas se faire dicter la loi par des acteurs économiques faute d’expertise .

Speaker 1 voit dans l’essor actuel de l’IA une opportunité pour remettre la numérisation patrimoniale à l’agenda politique. Mais il souligne que cette fenêtre ne produira d’effet que si elle se traduit en priorités publiques explicites et en programmes de financement adaptés à l’ensemble de la chaîne de numérisation.

Il affirme que l’IA remet les enjeux de numérisation à l’avant-plan et offre l’occasion de sensibiliser à nouveau les autorités publiques à la nécessité de financer la préservation et la numérisation du patrimoine . Il note toutefois que, pour l’instant, les politiques observées visent surtout à encadrer l’usage de l’IA dans le secteur public, plutôt qu’à refinancer toutes les chaînes en amont qui rendent cette IA possible, ce qu’il présente comme « le combat suivant » .

Speaker 1 reconnaît qu’on pourrait choisir de rester à distance de l’IA, mais estime que cette option est déjà largement dépassée par les usages. Puisque les IA génératives sont de plus en plus utilisées à la place des moteurs de recherche, il faut agir sur la qualité et l’exhaustivité des données qui les alimentent.

En réponse à l’intervention de Speaker 4, il explique que beaucoup de personnes utilisent déjà des applications d’IA générative pour obtenir rapidement des réponses, ce qui rend la question de savoir s’il faut ou non une telle IA en partie dépassée . Il mobilise aussi l’idée d’« infobésité » pour rappeler qu’Internet contient déjà tant d’informations qu’on s’en remet à des mécanismes de classement opaques ; dans ce contexte, son objectif est de rendre les données d’entraînement aussi complètes et fiables que possible .

Speaker 2 complète l’approche patrimoniale en rappelant que l’IA a aussi besoin de contenus récents et culturellement pertinents. Il souligne donc que les œuvres du XXe siècle et les contenus contemporains, souvent encore protégés par le droit d’auteur, sont également essentiels à une IA de qualité.

Il indique dès le départ que les systèmes d’IA ont besoin de données de qualité et pertinentes culturellement, provenant non seulement du domaine public et d’œuvres anciennes, mais aussi de données contemporaines et récentes généralement couvertes par le droit d’auteur .

Speaker 2 insiste sur le fait que la numérisation des traditions orales et des savoirs communautaires ne peut pas être pensée sans consentement ni garanties. Pour instaurer la confiance, il faut clarifier les usages prévus et permettre aux communautés concernées de garder une forme de contrôle sur l’exploitation future de leurs contenus.

Il avertit qu’il faut poser dès le départ les questions de droit d’auteur et de protection du folklore lorsqu’il s’agit de patrimoines non publiés de communautés locales ou de peuples autochtones, afin d’éviter les erreurs déjà commises dans certaines expériences . Il ajoute que, sans contrôle sur les conditions d’utilisation et les usages ultérieurs par les systèmes d’IA, ces communautés auront très peu envie de partager leurs savoirs .

Speaker 2 montre que les risques ne sont pas théoriques : des contenus collectés à des fins non lucratives peuvent être réutilisés plus tard dans des circuits commerciaux sans reconnaissance des communautés d’origine. Ce type d’exemple justifie la mise en place d’un cadre de confiance dès la stratégie de numérisation.

Lors de la discussion sur les contenus oraux, il cite l’exemple d’un chant religieux kanak enregistré en Nouvelle-Calédonie par des musicologues dans les années 1980 à des fins non lucratives, puis repris vingt ans plus tard par un musicien à succès de manière commerciale sans crédit à la communauté d’origine . Il en déduit qu’il faut penser dès la conception de la stratégie les usages futurs afin d’encadrer de telles réutilisations .

Speaker 2 présente le droit d’auteur non comme un obstacle absolu, mais comme un cadre à équilibrer avec la préservation et l’accès. Il met en avant les limitations et exceptions comme outil permettant aux États de soutenir l’intérêt général tout en respectant les droits des auteurs.

Il explique que son propos porte sur la manière de numériser les œuvres analogiques du XXe siècle en respectant les droits des auteurs, notamment à travers la question des limitations et exceptions aux droits d’auteur pour la préservation et l’accès au public . Il détaille le « test en trois étapes » : les exceptions doivent viser des cas particuliers, ne pas entrer en conflit avec l’exploitation normale de l’œuvre et ne pas causer de préjudice indu aux intérêts légitimes des auteurs .

Speaker 2 appelle à ne pas confondre plusieurs opérations souvent amalgamées dans le débat public. Autoriser l’accès à un contenu, le rendre visible en ligne et l’utiliser pour entraîner une IA correspondent à des régimes et à des implications juridiques différents.

Il distingue explicitement plusieurs cas de figure : donner accès à des collections à des chercheurs n’est pas la même chose que rendre un document accessible sur Internet . Il ajoute qu’une numérisation destinée à la recherche textuelle avec aperçus limités, comme Google Books, est différente d’un usage des œuvres numérisées comme données d’entraînement pour l’IA .

Speaker 2 souligne que rendre un contenu numérique accessible n’implique pas nécessairement qu’il soit gratuit. Il rappelle l’existence croissante de contrats de licence et de marchés de contenus structurés pour l’IA, ce qui impose de penser l’économie de ces usages.

Il affirme clairement que « numérisé » et « accessible » ne veulent pas dire gratuit, puis mentionne la multiplication des contrats de licence entre détenteurs de contenus et systèmes d’IA . Il complète en indiquant que des entreprises présentent à l’OMPI des marketplaces spécialisées dans la structuration de jeux de données multilingues, montrant l’existence d’une demande économique réelle pour ces contenus .

Pour Speaker 2, la question n’est pas seulement celle de l’accès, mais aussi celle de la répartition de la valeur créée à partir des contenus numérisés. Cela implique de penser les licences, les mécanismes de rémunération, la gestion collective et les effets des partenariats public-privé sur les droits et les bénéfices.

Il identifie comme troisième message la nécessité de réfléchir au partage de la valeur entre créateurs de contenu et entreprises de l’IA, en prenant en compte les possibilités d’accords de licence . Il demande aussi d’examiner les conséquences des partenariats public-privé pour la digitalisation des contenus, notamment sur la cession ou la conservation des droits, en soulignant que tout dépend des objectifs politiques poursuivis .

Speaker 2 insiste sur le fait qu’une infrastructure informationnelle solide est indispensable pour faire fonctionner la numérisation à l’ère de l’IA. Les métadonnées, identifiants et couches sémantiques permettent d’identifier les auteurs, de garantir l’attribution et de gérer efficacement les droits associés.

Il affirme qu’il faut mettre en place une infrastructure robuste d’attribution et de gestion des droits, fondée sur une couche sémantique décrivant les œuvres et permettant d’identifier leurs auteurs . Il illustre cette exigence en citant plusieurs identifiants normalisés - ISBN, ISSN, DOI, ISAN, ISRC, ISWC - et mentionne des travaux de standardisation menés notamment par les bibliothèques nationales de Finlande et de Lettonie .

Speaker 2 explique que les métadonnées ne servent pas seulement à décrire des œuvres, mais aussi à encadrer leur circulation. Elles peuvent intégrer les finalités de la numérisation, les restrictions d’usage et les niveaux d’accessibilité, afin que ces règles soient lisibles et applicables par les machines.

Il répond à une question technique en disant qu’il est tout à fait possible d’inclure, dans la couche sémantique décrivant les objets numérisés, l’objectif de la numérisation et les conditions d’utilisation, qu’il s’agisse d’un accès large, restreint ou sensible . Il ajoute que des métadonnées extrêmement précises permettent de rendre ces objets visibles par la machine et exploitables conformément à la politique fixée par l’État .

Speaker 2 répond à l’idée que certains contenus inexploités resteraient sans intérêt en montrant que leur valeur dépend fortement des usages. Des éléments apparemment banals ou commercialement peu visibles peuvent devenir très précieux pour entraîner des systèmes d’IA spécialisés ou servir des besoins documentaires de niche.

Il prend l’exemple d’une entreprise d’IA générative ayant besoin d’images d’hélicoptères en vol : pour corriger une faiblesse de son système, elle peut demander la constitution d’un jeu de données à partir de journaux télévisés, reportages, documentaires ou films, puis faire annoter ces images, ce qui « vaut très cher » . Il ajoute qu’une œuvre sans succès commercial n’est pas forcément sans valeur, citant la base française ReLIRE où l’on retrouve des ouvrages de niche et des autoréférences utiles pour des spécialistes .

Speaker 3 rappelle que toutes les sociétés ne produisent pas leur mémoire sous forme de documents déjà organisés comme dans les bibliothèques. Une stratégie de numérisation centrée sur les seuls contenus structurés risquerait donc d’exclure des savoirs oraux, notamment africains, pourtant essentiels et pertinents.

Il souligne que les bibliothèques travaillent sur des données structurées, alors que dans certaines sociétés africaines l’information est d’abord orale, ce qui impose d’adapter les stratégies de numérisation pour éviter des exclusions . Il insiste aussi sur le fait qu’une information orale peut être extrêmement importante et pertinente même si elle ne repose sur aucun support déjà formalisé .

Speaker 3 alerte sur un risque de reproduction des déséquilibres économiques déjà observés dans d’autres secteurs extractifs. Les régions qui produisent les savoirs pourraient devenir de simples fournisseuses de matière première culturelle, tandis que d’autres captureraient la valeur via la commercialisation et les usages de l’IA.

Il reformule le problème en disant qu’il faut éviter d’avoir des producteurs de contenus culturels qui deviennent uniquement des consommateurs de produits issus de leur propre patrimoine . Il fait explicitement le parallèle avec les matières premières en Afrique, en déclarant que l’IA pourrait reproduire la situation où l’on « produit, mais on est pauvre », cette fois avec les connaissances .

Speaker 3 soutient qu’une stratégie réaliste doit commencer en amont de la numérisation elle-même. Il faut penser la collecte et l’archivage provisoire de l’oralité, les méthodes de conservation, les arbitrages de classification, ainsi que les coûts matériels et énergétiques que cela implique.

Il demande comment archiver les savoirs transmis oralement, par exemple lorsqu’on enregistre un ancien avec un dictaphone, et insiste sur la nécessité de penser une phase de transition entre collecte, archivage et numérisation . Il ajoute que la stratégie doit aussi prendre en compte les modes de conservation, les arbitrages sur ce qui est souverain ou partageable, ainsi que les coûts liés aux serveurs, au stockage, aux data centers et même au manque d’électricité .

Speaker 3 rappelle que la numérisation n’est pas qu’un projet culturel ou technique : elle dépend d’infrastructures matérielles lourdes. Dans des contextes où l’énergie et les équipements de base manquent, le passage massif au numérique pose des contraintes financières et environnementales majeures.

Il affirme que le grand problème est le financement, car la numérisation coûte cher et suppose des serveurs, des centres de données et des capacités de stockage . Il ajoute que, dans certains contextes, l’absence même d’électricité rend ces stratégies difficiles et invite à réfléchir à ce qui est soutenable pour la planète si tout le monde se numérise .

Speaker 5 met en garde contre une future falsification ou déformation des récits historiques si les patrimoines locaux, en particulier ceux transmis oralement, ne sont pas numérisés. Sans ce travail, les outils d’IA risquent de restituer des versions incomplètes, traduites ou dénaturées de références culturelles importantes.

Elle donne l’exemple du Sénégal et imagine qu’un héros national pourrait un jour être restitué par l’IA dans une forme dégradée ou francisée, simplement parce que la transmission orale n’aurait pas été numérisée et rendue exploitable . Elle ajoute que, si l’on interroge des systèmes sur des informations non numérisées, on risque de se retrouver avec une falsification de l’histoire .

Speaker 5 estime que la simple collecte des savoirs oraux ne suffit pas : ils doivent être structurés et fiabilisés pour être correctement transmis à l’ère numérique. Cette structuration est, selon elle, une condition pour préserver l’appartenance culturelle et garantir des usages fiables dans l’IA.

Elle insiste sur le fait qu’il faut numériser et structurer le patrimoine, en particulier en Afrique où beaucoup d’informations restent orales, afin que chacun puisse savoir ce qui lui appartient culturellement dans la diversité . Elle pose explicitement la question de savoir à quel moment une information est suffisamment fiable pour être mise à disposition de tous, ce qui fait de la fiabilisation un élément central de la stratégie .

Speaker 5 présente la propriété intellectuelle comme un outil de fiabilisation et de cadrage des contenus numérisés. L’intégrer tôt dans la stratégie permettrait de mieux sécuriser la circulation des savoirs et de renforcer leur crédibilité dans les environnements numériques.

Elle souligne l’importance de pouvoir aussi s’appuyer sur la propriété intellectuelle, qu’elle associe à une forme de fiabilisation des informations . Elle affirme que si cet aspect est intégré très tôt dans la stratégie, il pourrait aider à mieux encadrer et sécuriser les contenus .

Speaker 6 demande comment traduire les préoccupations sur les biais informationnels en priorités opérationnelles de numérisation. Son intervention insiste sur la nécessité d’un plan d’action, de recommandations, de normes et d’un engagement politique et financier pour que les objectifs deviennent effectifs.

Speaker 6 demande s’il existe des priorités déjà identifiées dans les bibliothèques et dans la classification des données, avec des recommandations pour numériser certaines catégories d’informations . Elle souligne aussi que sans plan d’action, financements, priorités politiques nationales et forte mobilisation, il sera difficile d’atteindre l’objectif de réduction des biais dans les contenus en ligne .

Speaker 4 adopte une position plus sceptique et rappelle qu’il existe un écart irréductible entre l’idéal encyclopédique d’un accès total aux contenus et les contraintes du monde réel. Selon lui, de nombreux contenus resteront inexploités, soit pour des raisons légitimes, soit parce qu’aucune institution ne peut matériellement tout traiter ni tout ouvrir.

Il propose la fiction d’un « martien » venant dans mille ans pour écrire l’histoire de la Terre et voulant consulter une masse quasi infinie d’archives, de conversations, de tickets, de courriers privés, de fonds invendus, de photos et de vidéos, afin de montrer l’ampleur des contenus potentiellement inexploités . Il conclut que ces contenus le restent en partie pour des raisons légitimes aujourd’hui et qu’on ne peut pas attendre des bibliothèques et des législateurs qu’ils travaillent en fonction d’un tel idéal totalisant .