L’identité artificielle : le nouveau territoire de notre clone algorithmique
Après l’identité numérique
Il y a une question que l’on va devoir poser de plus en plus sérieusement : après l’identité numérique, sommes-nous en train de construire une identité artificielle ?
Depuis les années 2000, nous avons appris à vivre avec notre identité numérique. Un profil, une photo, un avatar, quelques publications, des commentaires, parfois un blog, parfois des traces que l’on ne maîtrise même plus vraiment. Cette identité numérique disait quelque chose de nous, mais elle restait principalement une représentation. Elle montrait une version de nous dans l’espace numérique, avec tout ce que cela peut avoir de vrai, de partiel, de travaillé ou de complètement décalé avec la réalité. Les plateformes comportent leurs propres algos, qu’elles soient professionnelles ou plus à caractères personnelles.
Et ce décalage, on le connaît tous. Il y a ce que nous montrons en ligne, puis il y a ce que nous sommes dans la vie de tous les jours, avec nos collègues, notre famille, nos contradictions, nos silences, notre fatigue, notre manière réelle d’interagir. Entre les deux, il y a toujours un vide. Un écart. Une zone floue.
L’identité artificielle vient s’installer précisément dans cet espace-là, mais avec une puissance nouvelle. Elle ne se contente plus de représenter. Elle produit. Elle écrit, reformule, génère des images, prépare des vidéos, synthétise, conseille, parfois agit. On ne parle donc plus seulement d’une identité visible, mais d’une identité capable d’action.
C’est là que la rupture commence.
Du profil au clone algorithmique
Je préfère parler de clone algorithmique plutôt que de clone numérique.
Le clone numérique évoque une copie figée. Un avatar, une image, une version animée de soi, éventuellement réaliste, éventuellement troublante. Mais le clone algorithmique va plus loin. Il ne se limite pas à une apparence. Il peut reprendre un style, une manière d’écrire, un rythme, un parfum intellectuel, parfois même une forme de présence.
Ce ne sont pas seulement nos mots qui sont copiés. Ce sont aussi nos silences, nos obsessions, nos préférences, nos angles morts, nos façons de structurer une idée. À force d’interactions, l’IA peut commencer à produire quelque chose qui ressemble à ce que nous aurions pu dire, même si nous ne l’avons jamais formulé.
Les travaux de Dina Babushkina et Athanasios Votsis sur l’artificial identity permettent d’ancrer cette réflexion dans une base théorique. Le MIT Media Lab a aussi exploré des sujets proches avec Augmented Eternity et Future You, autour de doubles numériques, de projections de soi et de versions artificielles avec lesquelles il devient possible d’interagir.
Mais ce qui m’intéresse ici, ce n’est pas uniquement le double spectaculaire. Ce n’est pas seulement l’avatar qui nous ressemble. C’est le double discret, quotidien, professionnel, qui apprend notre manière de penser et finit par travailler avec nous.
Une IA par utilisateur
On parle souvent de “l’IA” comme d’un objet unique. Dans les faits, l’usage devient de plus en plus personnel.
Avant, on tapait des mots-clés dans un moteur de recherche. On utilisait un logiciel pour exécuter une tâche. Aujourd’hui, on converse. On explique, on précise, on corrige, on relance. L’approche change complètement, parce que l’outil devient cognitif et conversationnel.
Et cette conversation crée une relation.
C’est peut-être l’un des points les plus étranges dans l’usage intensif de l’IA générative. On sait très bien que l’on parle à un modèle, à un système, à un algorithme. Pourtant, dans certains moments de travail, surtout quand la pression est forte ou qu’une deadline arrive vite, il y a cette sensation particulière. On regarde l’écran et on se dit : ce n’est plus un outil traditionnel. Je suis en train de lui parler. Je suis en train de collaborer avec quelque chose.
Il y a presque un arrêt. Une seconde un peu étrange, foncièrement humaine, où l’on cherche le collaborateur derrière l’écran, tout en sachant qu’il n’y en a pas vraiment. Cette sensation compte. Parce que si une collaboration s’installe par le langage, alors une forme de relation s’installe aussi. Et dès qu’il y a relation, il peut y avoir attachement, confiance, projection, parfois dépendance.
C’est pour cela que je dis qu’il n’y a pas seulement une IA. Il y a des IA. Et dans la pratique, il y a presque une IA par utilisateur.
La mémoire, première brique de l’identité artificielle
L’identité artificielle ne peut pas vraiment exister sans mémoire.
Tant que l’IA oublie tout entre deux échanges, elle reste un assistant puissant, mais discontinu. À partir du moment où elle conserve des préférences, des documents, des corrections, des habitudes ou des traces d’interaction, elle commence à construire une continuité. Et cette continuité change tout.
J’avais déjà abordé ce sujet dans mon article sur la mémoire artificielle. La mémoire rend l’IA plus utile, mais elle pose aussi une question très simple : que choisit-elle de retenir de nous ? Et, tout aussi important, que choisit-elle d’oublier ?
Il y a une mémoire volontaire, celle que l’on décide d’alimenter. Et il y a une mémoire plus involontaire, faite de traces, de répétitions, de préférences déduites, de comportements interprétés. Le papier The Algorithmic Self-Portrait parle justement d’un portrait algorithmique construit à partir de la mémoire conversationnelle. C’est une idée précieuse, parce qu’elle montre que la mémoire n’est pas seulement une fonctionnalité pratique. Elle participe à fabriquer une version persistante de l’utilisateur.
Et cette version persistante, c’est déjà le début d’une identité artificielle.
Ce que l’IA apprend de nous
L’IA apprend de nos données, mais aussi de notre manière d’interagir.
Elle apprend nos mots, nos corrections, nos documents, notre niveau d’exigence, nos préférences, nos biais. Elle apprend ce que nous validons et ce que nous refusons. Elle apprend aussi notre manière de demander, parce qu’un prompt n’est jamais neutre. Il dit quelque chose de notre pensée, de notre intention et parfois de notre confusion.
Avec le temps, l’IA peut donc produire un contenu qui ressemble de plus en plus à l’utilisateur. Elle ne copie pas notre cerveau, évidemment. Mais elle peut modéliser des régularités dans notre langage, notre style et nos décisions. Elle peut devenir une simulation crédible d’une partie de nous-même.
C’est fascinant, mais c’est aussi sensible. Car plus elle nous ressemble, plus nous sommes tentés de lui faire confiance.
Ce que nous apprenons de l’IA
Le mouvement inverse est encore plus intéressant.
L’IA apprend de nous, mais nous apprenons aussi d’elle. À force de travailler avec elle, nous reprenons ses structures, ses formulations, ses prudences, sa manière de hiérarchiser les idées. Nous corrigeons l’IA, mais elle nous corrige aussi. Pas toujours directement. Souvent par imprégnation.
Ce glissement commence par le langage. J’ai déjà développé cette idée dans mon article IA et langage : quand l’intelligence artificielle commence à parler à notre place. Quand l’IA parle pour nous, elle ne remplace pas seulement des mots. Elle peut modifier notre manière de formuler les problèmes, donc notre manière de les penser.
C’est là que l’identité artificielle devient une boucle d’influence. L’IA commence à nous ressembler, mais nous pouvons aussi commencer à lui ressembler.
Les watermarks cognitifs
Je parle de watermarks cognitifs parce que les marques de l’IA ne sont pas seulement techniques.
On les voit dans un ton trop lisse, dans un champ lexical reconnaissable, dans une ponctuation, dans une manière d’organiser les idées, dans un manque d’aspérité. On les voit aussi dans certains visuels, certaines vidéos, certaines présentations. Il y a parfois une esthétique propre, brillante, mais interchangeable. Et en même temps, paradoxalement, un manque de style.
Le vrai problème n’est pas seulement que ces marques existent dans les contenus générés. Le problème est qu’elles commencent à basculer dans le comportement humain. On peut entendre des tics de langage IA dans des discours oraux. On peut reconnaître des cadres de pensée dans des prises de parole publiques, politiques, journalistiques ou professionnelles.
Quelqu’un utilise un cadre proposé par l’IA, le trouve propre, efficace, bien présenté, puis le reprend consciemment ou inconsciemment. Et à force, cela se voit.
L’identité artificielle collective
Il ne faut pas limiter l’identité artificielle à l’individu.
Une entreprise, une collectivité, une administration, une rédaction, une équipe politique ou une organisation publique peut aussi construire une identité artificielle. Elle se nourrit alors de documents internes, de procédures, de chartes, d’historiques, de décisions passées, de comptes rendus et de méthodes de travail.
Dans le privé, cela renvoie à la culture d’entreprise, à l’ADN de marque, à la manière de parler aux clients, à la charte graphique, au style managérial. Une entreprise, ce sont avant tout des personnes qui travaillent sur un projet commun. Si ces personnes injectent leurs données, leurs méthodes et leurs contenus dans un espace IA partagé, alors une identité artificielle collective peut commencer à émerger.
Dans le public, le sujet est encore plus profond. Une collectivité territoriale, par exemple, ce n’est pas seulement une administration. C’est une population, des élus, des agents, une histoire locale, un territoire, une culture, des comportements sociaux, une géographie, parfois des orientations politiques fortes. Si une IA collective doit aider cette organisation, elle ne peut pas être pensée comme une simple base documentaire. Elle doit tenir compte de cette identité vivante.
Sinon, elle risque de produire une parole administrative propre, mais déconnectée du territoire.
Le MIT Sloan rappelle que les IA génératives ne sont pas culturellement neutres dans Generative AI’s hidden cultural tendencies. C’est essentiel pour penser l’identité artificielle collective. Une IA d’organisation ne transporte pas seulement des données. Elle transporte aussi des normes, des cadrages et des choix implicites.
Le risque de lissage
Le risque de lissage est déjà visible, notamment sur les réseaux professionnels comme LinkedIn.
L’idée n’est pas de dire qu’il ne faut pas utiliser l’IA pour produire du contenu. Ce serait absurde. L’idée est de dire qu’il faut savoir s’en servir avant d’appuyer sur publier. Un contenu assisté par IA peut être excellent si l’humain garde son exigence, son expérience et sa voix. Mais quand l’IA devient une machine à produire sans recul, le résultat devient vite interchangeable.
Des analyses récentes de Pangram Labs estiment que plus de 40 % des publications longues sur LinkedIn signalées par leur outil étaient entièrement générées par IA, avec toutes les limites que l’on connaît aux détecteurs automatiques : AI Content Is Everywhere on Social Media, Especially LinkedIn. Ce chiffre est à manier avec prudence, mais il confirme une sensation que beaucoup de professionnels ont déjà : une partie du contenu devient propre, optimisée, mais moins incarnée.
Et cela crée un autre effet. Les contenus réellement pensés, réellement vécus, peuvent être noyés dans une masse de publications calibrées pour l’algorithme. Ce n’est pas seulement un problème de quantité. C’est un problème de crédibilité.
Authenticité ou simulation d’authenticité
L’identité artificielle pose aussi la question de l’authenticité.
Une IA bien alimentée peut copier un style presque parfaitement. Avec de la mémoire, une base de connaissances, des textes de référence et des corrections régulières, elle peut produire quelque chose qui ressemble fortement à une personne. Cela peut être très utile, notamment pour quelqu’un qui pense bien mais écrit difficilement, ou pour quelqu’un dont la pensée arrive en arborescence et qui a besoin d’aide pour la rendre lisible.
Mais la limite est fine. À partir de quand l’IA révèle-t-elle une pensée ? À partir de quand commence-t-elle à l’inventer ?
On le voit déjà avec les deepfakes vocaux, visuels ou vidéo. Avant, beaucoup de fraudes étaient encore repérables. Aujourd’hui, la qualité de simulation devient telle qu’il devient de plus en plus difficile de distinguer le vrai du faux. Cela augmente le soupçon, y compris envers des messages sérieux ou des professionnels sérieux.
Les travaux comme LL.me: Supporting Identity Work through Human-AI Alignment sont intéressants parce qu’ils montrent que l’IA peut aider à construire une représentation plus fidèle de soi, mais seulement si l’utilisateur reste actif dans l’itération et la correction. L’IA peut structurer sans remplacer. C’est la frontière à garder.
Autonomie et responsabilité
L’identité artificielle nous oblige enfin à reparler d’autonomie intellectuelle et de responsabilité.
Si mon clone algorithmique m’aide à écrire, créer, répondre ou décider, je dois rester au centre. Je dois savoir le former, le corriger, le contredire et parfois lui dire non. Sinon, je risque de valider une pensée que je n’ai pas vraiment construite.
Le clone algorithmique peut produire avec mon style, mais il ne devient pas responsable à ma place. Si je publie, transmets ou décide à partir d’un contenu généré par IA, c’est moi qui engage ma responsabilité. Le NIST AI Risk Management Framework permet d’ancrer cette question dans une réflexion plus large sur les risques, la gouvernance et les usages organisationnels.
Mais dans cet article, la responsabilité doit rester une conséquence du sujet principal. Plus une IA agit avec notre style, notre mémoire et nos données, plus il faut clarifier ce que nous acceptons de lui déléguer.
Rester au centre de son identité artificielle
L’identité artificielle est peut-être l’un des grands sujets des prochaines années.
Après l’identité numérique, nous entrons dans une période où nos données, nos styles, nos habitudes et nos décisions peuvent être transformés en doubles algorithmiques capables de produire, de répondre, de simuler et parfois d’agir.
Ce n’est pas forcément une mauvaise chose. Bien utilisée, l’IA peut clarifier une pensée, structurer une intuition, renforcer une voix, transmettre une expérience et aider une organisation à mieux travailler. Mais elle peut aussi lisser, enfermer, orienter, standardiser et déplacer notre pouvoir de décision.
On ne se pose plus la question à savoir comment utiliser l’IA, on devrait aussi se demander quelle identité artificielle je suis en train de construire.
Une identité artificielle qui m’aide à penser plus clairement, ou une identité qui m’apprend à dépendre d’elle ? Une identité qui prolonge mon expérience, ou une identité qui recycle des réponses génériques ? Une identité qui renforce mon autonomie, ou une identité qui parle à ma place jusqu’à ce que je ne voie plus la différence ?
Le danger n’est pas seulement que l’IA nous ressemble mais il réside aussi à ce que nous commencions à lui ressembler sans nous en rendre compte.
Sources / Pour aller plus loin
Disruption, technology and the question of artificial identity : pour poser la notion d’identité artificielle.
MIT Media Lab, Augmented Eternity et Future You : pour parler de doubles, de projection de soi et d’identités simulées.
The Algorithmic Self-Portrait : pour la mémoire, la personnalisation et le portrait algorithmique.
Stereotype or Personalization? : pour la frontière entre personnalisation et biais.
The homogenizing effect of large language models et Generative AI enhances individual creativity but reduces collective diversity : pour le lissage de la pensée et la perte de diversité collective.
Generative AI’s hidden cultural tendencies : pour la non-neutralité culturelle des IA.
NIST AI Risk Management Framework : pour gouvernance, responsabilité et risques organisationnels.
LL.me: Supporting Identity Work through Human-AI Alignment : pour l’authenticité, la représentation professionnelle et l’itération humain-IA.
Pangram Labs, AI Content Is Everywhere on Social Media : pour l’exemple LinkedIn et la progression des contenus longs générés par IA.
