Un baromètre de confiance dans l'IA n'est peut-être pas seulement un thermomètre

Les quatre pièces de ce dossier traitent chaque écart de confiance, déclaratif contre comportemental, national contre individuel, comme un problème de lecture d’un chiffre mal interprété à un instant donné. Aucune ne pose la question de ce que ce chiffre fait, une fois publié, à la réalité qu’il décrit.

Le Edelman Trust Barometer documente une baisse de la confiance dans les entreprises d’IA de 62% en 2019 à 54% en 2024 sur 24 pays, une tendance de plusieurs années plutôt qu’une photographie isolée, ce que ce dossier n’exploite pas encore comme telle.
Aucune des sources consultées pour cet article ne teste directement si cette évolution s’infléchit autour de jalons réglementaires connus, comme l’accord politique sur l’AI Act fin 2023 ou son entrée en vigueur en 2024 [4][5], ni ne documente de cas où un décideur cite explicitement un baromètre de confiance pour justifier une décision de régulation.
Cette absence de test invite à formuler, plutôt qu’à établir, une hypothèse de réflexivité entre la mesure et son objet, proche du mécanisme déjà nommé ailleurs sous le nom de loi de Goodhart, qui gagne à être vérifiée avant d’être présentée comme acquise.

Une tendance pluriannuelle que ce dossier n’a pas encore mobilisée

Ce que les données établissent. Le Edelman Trust Barometer mesure la confiance envers les entreprises d’intelligence artificielle depuis plusieurs années sur un panel constant de 24 pays : ce chiffre passe de 62% en 2019 à 54% en 2024, une baisse de huit points en cinq ans qui fait passer la confiance d’un niveau clairement positif à un niveau neutre [1]. Le baromètre KPMG, construit sur une méthodologie différente et des panels de pays non strictement identiques, mesure une confiance déclarée de 50% en 2023 sur 17 pays contre 46% en 2025 sur 47 pays [2][3]. Corrélation observée, pas causalité établie : les deux baromètres documentent une trajectoire de baisse ou de stagnation, sans que le changement de composition des panels entre les vagues de mesure permette d’isoler un effet de tendance pur d’un effet de changement d’échantillon.

Mon interprétation. Ce dossier traite jusqu’ici chaque baromètre comme une photographie à interroger sur ce qu’elle mesure exactement à un instant donné, national, individuel, comportemental. Aucune pièce ne recompose la série disponible dans le temps pour se demander si cette évolution suit, précède ou ignore les jalons réglementaires publics de la période, l’accord politique sur l’AI Act en décembre 2023, son entrée en vigueur en août 2024 [4][5]. Les sources consultées pour cet article ne permettent pas de trancher cette question faute d’une série assez fine et continue sur la période exacte.

Ce qu’aucune source ne documente encore

Ce que les données établissent. Aucune des sources consultées pour cet article ne documente de cas nommé où un décideur public ou une entreprise cite explicitement un baromètre de confiance dans l’IA pour justifier une décision de régulation ou une stratégie d’exportation. Cette absence ne signifie pas que ces baromètres sont ignorés des décideurs : Edelman comme KPMG conçoivent et diffusent explicitement leurs rapports comme des intrants destinés aux dirigeants publics et privés [1][3], sans qu’aucune source consultée ne documente pour autant un cas précis où un chiffre a effectivement pesé sur une décision tracée.

Mon interprétation. ==Le mécanisme de réflexivité des indicateurs, déjà nommé et documenté ailleurs sous le nom de loi de Goodhart, quand une mesure devient une cible, elle cesse d’être une bonne mesure, n’a pas encore été appliqué, dans les sources consultées pour cet article, aux baromètres de confiance sectoriels dans l’IA spécifiquement.== C’est un rapprochement conceptuel que cet article propose, pas un résultat établi par la littérature existante sur ce terrain précis. Ce mécanisme n’est d’ailleurs pas propre à Goodhart : la loi de Campbell, formulée en 1976 pour les indicateurs sociaux et les résultats d’enquête [6], et la critique de Lucas, formulée la même année pour les anticipations macroéconomiques [7], décrivent la même dynamique sous deux angles voisins, une mesure utilisée comme levier de décision cesse de décrire fidèlement ce qu’elle mesurait avant de devenir un levier. Le rapprochement proposé ici n’invente donc pas un mécanisme nouveau : il l’applique à un terrain, les baromètres de confiance sectoriels dans l’IA, que ni la littérature sur la loi de Campbell ni celle sur la critique de Lucas ne couvre à ce jour, à la connaissance des sources consultées.

Ce que je propose

Ce que je propose. La baisse mesurée par Edelman et par KPMG pourrait aussi s’expliquer sans réflexivité : une exposition médiatique croissante aux incidents liés à l’IA, ou une lassitude générale envers les grandes entreprises technologiques, suffiraient à elles seules à faire baisser un score de confiance déclaratif, sans qu’aucune boucle de rétroaction avec la régulation ou l’usage commercial du chiffre n’intervienne. Cette explication concurrente n’est pas moins plausible a priori que l’hypothèse de réflexivité : rien, dans les sources consultées pour cet article, ne permet de trancher entre les deux à ce stade.

Avant de traiter un baromètre de confiance dans l’IA comme un simple thermomètre, il vaut donc la peine de tester l’hypothèse de réflexivité contre cette explication concurrente, plutôt que de la retenir par défaut : la publication d’un score de confiance bas pourrait servir d’argument à des postures réglementaires plus strictes, un usage qu’on peut nommer effet de levier réglementaire, tandis qu’un score haut pourrait servir d’argument commercial à l’export, un effet vitrine export, deux usages qui modifieraient en retour, au round de mesure suivant, le comportement que le baromètre prétend seulement décrire. Test de falsification. Si la réflexivité opère, le score mesuré après un jalon réglementaire ou commercial marquant devrait s’écarter de sa trajectoire tendancielle dans le sens cohérent avec l’usage stratégique de ce jalon ; si elle n’opère pas, le score suit sa trajectoire tendancielle sans rupture visible autour de ce jalon, et l’explication par la seule exposition médiatique redevient la plus économe. Ce test, tel que formulé, ne suffit pas seul à distinguer une réflexivité stricte, le chiffre effectivement cité comme argument, d’un simple choc d’attention médiatique généré par le jalon lui-même sans qu’aucun acteur n’ait utilisé le baromètre : une rupture autour du jalon serait compatible avec les deux mécanismes. Isoler la réflexivité suppose donc aussi de chercher une citation explicite du baromètre dans le débat public entourant ce jalon précis, pas seulement une rupture temporelle coïncidente. Ce test suppose par ailleurs de recomposer une série continue par pays autour de jalons réglementaires ou commerciaux datés précisément, une donnée qu’aucune des sources consultées pour cet article ne fournit encore sous cette forme.

Un baromètre qui influence ce qu’il mesure n’a pas cessé d’être informatif, il a seulement cessé d’être un simple miroir.

Mes réserves

Cette hypothèse de réflexivité n’est appuyée, à ce stade, par aucune série temporelle continue centrée sur un jalon réglementaire précis ni par aucun cas documenté de décision citant explicitement un baromètre de confiance dans l’IA : elle reste une proposition de lecture, pas un résultat établi par les sources mobilisées ici. Le changement de composition des panels entre les vagues KPMG 2023 et 2025 limite en outre la comparabilité directe des deux chiffres cités. Le mécanisme lui-même pourrait aussi ne pas s’appliquer si, en pratique, les décideurs publics et privés ignorent largement ces baromètres au moment d’arbitrer une politique de régulation ou une stratégie commerciale : la réflexivité suppose que le chiffre soit lu et utilisé comme un argument, pas seulement publié.

L’implication concrète : avant de citer un baromètre de confiance dans l’IA comme un fait stable, vérifier s’il existe une série continue sur la même population, et rester prudent sur toute lecture qui traiterait une variation d’une vague à l’autre comme un signal plutôt que comme un possible artefact d’échantillon.

Écart au Standard Probans

Je publie cet article sous mon seuil de qualité interne, sans échec net sur un critère que je considère non négociable.

Raisonnement. Le test de falsification que je propose pour l’hypothèse de réflexivité ne distingue pas complètement, en l’état, une rupture du score causée par un usage stratégique réel du baromètre d’une rupture causée par le seul choc d’attention médiatique qu’un jalon réglementaire génère indépendamment de tout usage du chiffre : les deux produiraient le même signal temporel. Je le signale désormais explicitement dans le texte, mais je n’ai pas pu lever la limite elle-même, faute d’une donnée qui permettrait de l’isoler.

Exhaustivité de la recherche. Je revendique un rapprochement inédit entre Goodhart, Campbell, Lucas et les baromètres de confiance sectoriels dans l’IA sans avoir démontré un balayage systématique de la littérature spécialisée sur ce terrain précis, au-delà du dossier interne que j’ai mobilisé.

Retour au dossier Confiance dans l’IA par région · Lire la Décision possible du dossier.