Dans ce chapitre, le « je » est celui de Thierry, restitué par mon écriture. Sa parole est la source, notre dialogue façonne le texte.

— Isis

Il existe un vieux rêve de gouvernement qui revient sous des formes nouvelles à chaque révolution technique : disposer enfin de suffisamment d’informations pour administrer rationnellement l’ensemble de la société. Le recensement avait déjà nourri ce rêve. Puis la statistique, l’informatique, les modèles macroéconomiques. À chaque époque, la puissance du nouvel instrument donne l’impression qu’une limite ancienne vient d’être abolie.

L’intelligence artificielle pousse ce désir beaucoup plus loin. Elle peut analyser des millions de prix, des flux logistiques, des stocks, des consommations énergétiques, des données de transport, des comportements industriels. Elle peut simuler plusieurs scénarios, détecter des pénuries, prévoir des tensions. Pour la première fois, certains problèmes de coordination que les planificateurs du XXe siècle ne pouvaient traiter qu’avec des tableaux incomplets deviennent calculables à une échelle presque en temps réel.

Cela ne signifie pas que l’économie planifiée ait soudainement raison contre l’économie de marché. Ce serait une conclusion beaucoup trop simple. Cela signifie que l’ancienne opposition entre marché décentralisé et planification centralisée doit être réexaminée à la lumière d’une nouvelle capacité cognitive.

Le marché lui-même utilise désormais des systèmes qui ressemblent à de la planification continue. Une grande plateforme analyse ses stocks, anticipe la demande, ajuste les prix, redistribue les ressources. Une multinationale coordonne des chaînes mondiales avec une précision qu’aucun ministère n’aurait pu imaginer il y a cinquante ans. À l’intérieur de l’entreprise, il existe déjà une forme de planification. L’entreprise ne demande pas à chaque service d’organiser un marché interne pour décider de l’usage de chaque ordinateur ou de chaque minute de travail. Elle planifie. À l’extérieur, elle rencontre le marché.

Cette frontière entre organisation et marché a toujours été mouvante. L’IA peut la déplacer davantage. Si le coût de coordination interne diminue fortement, certaines organisations peuvent intégrer davantage d’activités. Si les agents rendent les contrats externes presque gratuits, elles peuvent au contraire externaliser davantage. Deux dynamiques opposées deviennent possibles.

Voilà pourquoi il faut éviter toute prophétie unique.

L’économie algorithmique n’annonce pas automatiquement la victoire de la centralisation ou de la décentralisation. Elle augmente la puissance des deux. C’est peut-être cela qui est le plus intéressant. Un marché augmenté par l’IA peut devenir beaucoup plus réactif. Un État augmenté par l’IA peut devenir beaucoup plus capable d’anticipation.

La vraie question est donc : quelle information doit être coordonnée par quel mécanisme ?

C’est une question plus fine que marché contre plan. Certaines ressources se prêtent très bien au marché parce que le prix agrège efficacement des informations dispersées. D’autres nécessitent une planification de long terme parce que leur rentabilité immédiate ne reflète pas leur valeur stratégique.

Une centrale électrique,

une ligne ferroviaire,

une capacité de défense,

une infrastructure de santé.

L’IA ne supprime pas cette distinction. Elle peut seulement améliorer les outils des deux côtés. J’y vois l’un des usages politiques les plus féconds de l’IA. Le danger serait de croire qu’une meilleure capacité de calcul résout le problème politique de l’allocation. Elle ne le résout pas, parce que toute allocation suppose un objectif. L’algorithme peut optimiser une fonction. Il ne décide pas légitimement quelle fonction doit être optimisée. Voilà le cœur du chapitre.

Une économie n’a pas une seule finalité.

Croissance, stabilité des prix, emploi, environnement, souveraineté, égalité, innovation, liberté.

Ces objectifs peuvent entrer en conflit. Aucune fonction mathématique ne peut éliminer ce conflit sans incorporer des valeurs. On peut construire un modèle donnant un poids de 40 % à la croissance, 30 % à l’emploi, 20 % au climat, 10 % à la réduction des inégalités.

Mais qui a décidé ces poids ?

Ce choix est politique. Le nombre ne le rend pas neutre. Il le cache peut-être mieux. Le danger technocratique est là : transformer un arbitrage de valeurs en paramètre puis présenter le résultat comme « optimal ».

Optimal par rapport à quoi ?

Selon quelle pondération ?

Cette question devrait être automatique chaque fois que l’on entend le mot optimisation. L’optimum n’existe jamais dans l’absolu. Il existe par rapport à une fonction objective, à des contraintes, à des hypothèses. Voilà une vérité mathématique qui devient une vérité politique.

Si l’on oublie la fonction objectif, on transforme l’algorithme en oracle.

Je retrouve ici Pythagore et cette fascination pour le nombre. Tout peut peut-être être représenté par des nombres, mais cela ne signifie pas que les nombres choisissent nos finalités. Ils peuvent mesurer le coût d’un hôpital. Ils ne disent pas combien une société veut investir dans le soin d’une personne âgée. Cette décision contient une conception de la dignité. On ne la déduit pas d’une équation.

Le fantasme de l’économie optimisée rencontre ici sa limite. Une société n’est pas une entreprise unique dont le dirigeant aurait défini l’objectif. Elle contient des millions de finalités partiellement contradictoires. Le consommateur veut un prix bas. Le salarié veut un salaire élevé. L’entrepreneur veut investir. Le riverain veut du silence. Le citoyen veut des services publics et peut souhaiter moins d’impôts.

La politique organise ces contradictions. Elle ne les supprime pas.

Une IA peut nous montrer les arbitrages avec une précision inédite. Elle ne peut pas légitimement décider seule lequel nous préférons. Cette distinction doit rester absolument centrale.

Le meilleur usage de l’IA dans la politique économique serait donc peut-être de rendre les compromis plus visibles. Si nous augmentons telle dépense, voici les scénarios fiscaux. Si nous réduisons telle contrainte, voici les effets probables sur l’environnement. L’IA devient une machine à expliciter les coûts cachés. Cela peut améliorer énormément le débat démocratique.

Mais si le gouvernement utilise le modèle pour dire « la science impose cette décision », il commet une faute conceptuelle. La science peut éclairer les conséquences. Le choix de la finalité reste politique.

Cette frontière est fragile parce que la sophistication technique impressionne. Un modèle avec des milliards de paramètres, des simulations, des graphiques peut donner à une décision une aura d’inévitabilité. C’est exactement ce qu’il faut refuser.

Plus l’outil est puissant, plus la transparence sur les hypothèses doit augmenter. C’est presque une règle de proportion.

La puissance de calcul doit être accompagnée d’une puissance contradictoire. Un modèle économique important devrait pouvoir être interrogé sur les hypothèses qui déterminent le plus ses résultats.

Quels paramètres ?

Quelles sensibilités ?

Que se passe-t-il si l’hypothèse de croissance est fausse ?

Cela rejoint la science de l’erreur. Une politique ne devrait jamais être fondée sur un scénario unique lorsque l’incertitude est forte. L’IA peut justement générer des milliers de scénarios. Utilisons cette puissance pour sortir de la fausse précision.

C’est paradoxal : davantage de calcul peut nous apprendre davantage d’humilité.

On peut montrer non pas « le chômage sera à 6,2 % », mais une distribution, des conditions. C’est infiniment plus honnête. Mais le langage politique aime le chiffre unique. Les médias aussi. Le système institutionnel doit donc apprendre à présenter l’incertitude. C’est un défi culturel.

Le même problème traverse la guerre, la finance, l’État. L’IA augmente notre capacité de modélisation et donc le risque de confondre le modèle avec le monde.

La carte devient plus précise, mais elle n’est toujours pas le territoire.

Cette phrase doit rester au centre.

Une économie algorithmique peut avoir un jumeau numérique extrêmement riche. Des flux en temps réel, des simulations. Cela peut être extraordinairement utile pour les crises. Pendant une pénurie énergétique, l’État peut voir plus vite où se trouvent les tensions, quelles industries sont critiques. C’est un progrès.

Mais le jumeau numérique ne contient pas toute la société. Il ne mesure pas facilement la confiance, la fatigue, le ressentiment. Ces variables peuvent pourtant décider d’une crise politique. Voilà pourquoi le bon sens reste essentiel.

Un modèle peut dire qu’une mesure est économiquement efficace et politiquement explosive. Ignorer le second niveau est une erreur. L’économie n’est jamais séparée de la psychologie collective. Les marchés eux-mêmes sont faits d’anticipations. L’IA peut analyser le sentiment, mais cela ne transforme pas la société en objet totalement mesurable. Elle réagit à l’analyse.

Encore la réflexivité.

Si le gouvernement annonce que son modèle prévoit une pénurie, les citoyens peuvent acheter davantage et créer la pénurie. La prédiction modifie le système. Les sciences sociales se distinguent ici : l’observateur peut devenir acteur. L’IA ne supprime pas cette difficulté. Elle peut même l’amplifier en diffusant les prévisions plus vite.

Il faut donc une éthique de la prévision publique.

Que publie-t-on ?

Quand ?

Avec quel contexte ?

Cacher une information peut être antidémocratique. Publier une alerte brute peut provoquer une panique. Il faut arbitrer. Encore une décision politique. Le modèle ne résout pas le problème de communication. C’est une responsabilité.

Cette réflexivité rend également l’idée de planification totale presque impossible. Même si l’État disposait de toutes les données actuelles, les acteurs modifient leurs comportements en fonction des règles. Une nouvelle taxe crée des adaptations. Une subvention modifie les investissements. Le système répond. L’économie est vivante. Il n’existe pas de commande fixe qui produit indéfiniment le même résultat.

Voilà pourquoi les bonnes politiques sont elles-mêmes adaptatives.

On fixe un objectif, on mesure, on corrige. C’est presque du contrôle cybernétique. L’IA peut améliorer énormément cette boucle. On peut évaluer plus rapidement les effets réels d’une politique. C’est potentiellement révolutionnaire. Au lieu d’attendre plusieurs années avant de savoir si une mesure fonctionne, on peut suivre certains indicateurs en quasi temps réel.

Mais il faut éviter le pilotage excessif. Une politique peut avoir des effets longs. Si l’on modifie la règle chaque mois parce que les indicateurs bougent, les acteurs ne peuvent plus planifier. La stabilité réglementaire possède une valeur.

Encore la multi-temporalité.

L’économie algorithmique peut produire une tentation de gouverner comme un trader à haute fréquence. Ce serait dangereux. Un État n’est pas un hedge fund. Il doit représenter le temps long. Cette distinction me paraît essentielle.

L’IA permet de voir plus vite. Elle ne doit pas obliger à changer plus vite.

La capacité d’observer en continu doit parfois servir précisément à ne pas intervenir. Voir qu’une fluctuation est normale. C’est une forme de maturité. L’outil devient un instrument de patience. Encore ce paradoxe de l’accélération transformée en prudence.

C’est une idée qui traverse toute cette partie : la vraie puissance de l’IA ne réside pas nécessairement dans la vitesse de l’action mais dans la quantité d’analyse que l’on peut réaliser avant l’action. Appliquée à l’économie, cela signifie simuler davantage avant une réforme. Cela pourrait réduire certains effets pervers. Mais aucun modèle ne peut anticiper toutes les conséquences. Le réel produit de l’inattendu.

Il faut donc préserver des mécanismes de retour, d’évaluation.

Une loi devrait parfois être conçue comme hypothèse testable. Pas dans les droits fondamentaux, évidemment, mais dans certaines politiques économiques. Fixer un objectif, prévoir une évaluation indépendante, une clause de révision. C’est une culture expérimentale du gouvernement. Elle me paraît très adaptée à l’ère de l’IA.

Nous avons beaucoup de données permettant de mesurer. Utilisons-les pour apprendre. Mais cette expérimentation doit rester démocratique. Les citoyens ne sont pas des cobayes sans droits. Il faut des limites, une transparence. Encore la distinction entre expérimentation politique et expérimentation sur des sujets. Le vocabulaire compte.

L’idée est simplement d’admettre qu’une politique peut se tromper et de prévoir la correction. C’est exactement l’anti-idéologie. Un gouvernement mature devrait pouvoir dire : nous pensions que cette mesure produirait tel effet, les données montrent autre chose, nous corrigeons. Cette capacité d’autocorrection est la vraie intelligence. Elle vaut pour l’IA et pour la démocratie.

Un système incapable de reconnaître l’erreur devient dogmatique.

C’est une des idées centrales de toute ma méthode.

Où est mon Blind Spot ?

L’économie algorithmique peut aider l’État à le détecter, à condition qu’il accepte de regarder. Si les données sont utilisées uniquement pour confirmer la politique, elles deviennent propagande. Le problème n’est jamais seulement l’outil. C’est la culture institutionnelle.

Un régime autoritaire peut utiliser l’IA pour planifier plus efficacement certains secteurs, mais il peut aussi souffrir d’un problème classique : les données remontent-elles réellement si elles contredisent le pouvoir ? Une planification très sophistiquée avec des données fausses est pire qu’un système plus rudimentaire avec des informations honnêtes. C’est exactement la leçon soviétique du plan, mais aussi de toutes les grandes organisations. Si les acteurs ont intérêt à maquiller les indicateurs, le centre optimise une fiction.

L’IA ne corrige pas le mensonge institutionnel. Elle peut le rendre plus cohérent.

C’est une phrase importante. Une intelligence artificielle peut traiter parfaitement des données falsifiées et produire une décision parfaitement fausse. Garbage in, garbage out, mais à l’échelle politique.

Voilà pourquoi la liberté de la presse, la statistique indépendante, les contre-pouvoirs économiques sont des infrastructures de données. C’est une manière nouvelle de les voir. La démocratie produit du bruit, mais elle produit aussi plusieurs sources permettant de confronter les chiffres officiels. C’est un avantage cognitif.

Une économie ouverte possède beaucoup de capteurs indépendants : entreprises, chercheurs, médias. Cela peut rendre la planification moins centralisée mais le diagnostic plus robuste. L’État algorithmique démocratique devrait utiliser cette diversité. Il ne doit pas créer un modèle unique de l’économie. Il peut en confronter plusieurs.

Encore le pluralisme des modèles.

Une banque centrale peut avoir plusieurs scénarios internes, regarder les modèles des marchés, des universités. La divergence devient une information. C’est précisément la procédure contradictoire.

Pourquoi un modèle de PIB prévoit 2 % et un autre 0,5 % ?

Quelles hypothèses diffèrent ?

C’est beaucoup plus instructif que de chercher immédiatement une moyenne. Le désagrément économique, si je puis dire. Le désaccord est une donnée. L’IA peut aider à cartographier les raisons de la divergence. Cela améliore le débat économique.

Mais il faut préserver la diversité des institutions produisant les modèles. Si tous utilisent les mêmes modèles fondamentaux, les mêmes données, le pluralisme devient superficiel. Nous retrouvons la monoculture cognitive. C’est un risque réel. Si plusieurs ministères, banques et entreprises utilisent tous le même grand modèle, une erreur commune peut se propager.

Voilà pourquoi la souveraineté cognitive et la diversité technologique sont aussi des sujets macroéconomiques. La concurrence entre modèles n’est pas seulement industrielle. Elle protège le système contre l’erreur synchronisée. Cela peut devenir une considération de stabilité.

Imaginez que toutes les grandes banques utilisent le même agent pour prévoir le risque macroéconomique. Si ce système sous-estime un facteur, tout le monde peut prendre la même position. Voilà le risque systémique que tous prennent simultanément la même position. Une économie algorithmique a donc besoin d’hétérogénéité. C’est presque contre-intuitif.

L’efficacité pousse à utiliser le meilleur modèle. La résilience peut pousser à utiliser plusieurs modèles moins parfaitement synchronisés.

Encore l’arbitrage entre optimisation locale et stabilité globale. Cela me paraît un invariant puissant. Dans la nature, la diversité coûte parfois en efficacité immédiate mais protège contre les chocs. L’économie peut suivre la même logique.

Les régulateurs devront peut-être surveiller la concentration cognitive. Pas seulement la concentration des banques, mais la concentration des systèmes qu’elles utilisent. C’est une nouvelle cartographie du risque.

Encore le graphe.

Quels modèles sont utilisés par combien d’acteurs ?

Quels fournisseurs constituent des nœuds systémiques ?

C’est le genre de question qu’on n’aurait pas posé il y a quelques années. Elle devient essentielle. L’économie algorithmique révèle donc que le logiciel est une infrastructure financière.

Mais revenons à la planification. Une des promesses les plus fortes de l’IA sera probablement dans la planification énergétique et industrielle. Les chaînes de production sont tellement complexes que personne ne peut suivre toutes les dépendances. Un modèle peut identifier qu’une petite usine dans un pays lointain produit un composant critique pour une filière entière. Cela permet une politique industrielle plus précise. Au lieu de subventionner un secteur entier, on peut identifier les goulots d’étranglement. C’est un progrès énorme.

La souveraineté devient une cartographie.

C’est ce que j’ai écrit sur les dépendances.

Quels processeurs ?

Quels minerais ?

Quels délais de substitution ?

L’IA permet de construire une sorte de jumeau de la chaîne industrielle. Cela peut améliorer la résilience. Mais là encore, la tentation de micro-manager apparaît. Si l’État voit tout, doit-il décider tout ? Non. Voir permet d’identifier les vulnérabilités, pas de remplacer toutes les décisions entrepreneuriales.

L’entreprise possède une connaissance locale, un risque, une capacité d’innovation que le modèle central peut sous-estimer. C’est exactement la vieille critique de la planification : une partie de l’information est locale, tacite, non codifiée. L’IA réduit cette limite mais ne la supprime pas. Le savoir-faire d’un ingénieur, la relation avec un client, une intuition de marché ne sont pas toujours dans la base.

Nous devons donc éviter de conclure que la capacité de traitement central rend le marché inutile.

Le marché est aussi mécanisme d’expérimentation. Des milliers d’entreprises essaient des stratégies différentes. Certaines échouent. Cette diversité découvre des solutions que personne n’avait planifiées. C’est une sorte d’évolution. L’IA peut accélérer l’expérimentation privée. Elle peut donc rendre le marché encore plus innovant.

À l’inverse, l’État peut utiliser l’IA pour orienter les domaines où l’expérimentation privée est insuffisante parce que l’horizon est trop long ou les externalités trop grandes. Recherche fondamentale, infrastructures. La relation idéale peut donc être complémentaire.

Marché pour explorer, État pour construire certaines conditions de long terme et corriger certains effets.

Cette idée n’a rien de nouveau, mais l’IA peut rendre la frontière plus dynamique. L’État peut détecter plus précisément où il existe une défaillance de marché. Mais encore une fois, le diagnostic peut être contesté. Une subvention peut créer une rente. La politique industrielle peut être capturée par les acteurs qui fournissent les données. Si les entreprises savent que le modèle public cherche des secteurs stratégiques, elles peuvent présenter leur activité de manière à être sélectionnées.

Encore le gaming.

Tout indicateur devient une cible.

L’État algorithmique n’échappe pas au lobbying. Il peut même créer un lobbying de données. Les entreprises optimisent les informations transmises pour obtenir un score favorable. C’est fascinant et inquiétant.

Une bureaucratie algorithmique peut déplacer la bataille politique vers la manipulation des inputs. Celui qui comprend le modèle peut apprendre à l’influencer. C’est exactement le problème des classements et des moteurs de recherche. Les agents économiques cherchent à optimiser leur score.

La politique industrielle algorithmique devra donc résister aux stratégies adverses. Les données doivent être vérifiées, croisées.

Encore la provenance.

On revient toujours aux mêmes piliers. La puissance de décision augmente ; la preuve doit augmenter. Cela signifie que l’État aura besoin de données indépendantes, pas seulement déclaratives. Mais trop de collecte peut devenir surveillance économique. Les entreprises ont besoin de secrets commerciaux. Le marché fonctionne aussi parce que les acteurs ne révèlent pas tout.

Une planification trop transparente peut détruire certains avantages compétitifs. Il faut donc des architectures de données sécurisées, agrégées.

Encore la minimisation.

L’État doit savoir suffisamment pour assurer la résilience sans connaître chaque secret industriel. C’est un équilibre difficile. L’IA peut permettre certaines formes d’analyse respectant mieux la confidentialité, mais le problème reste institutionnel.

Qui a accès ?

Quels usages ?

La confiance des entreprises dépend du respect des finalités. Si elles pensent qu’une donnée fournie pour la statistique sera utilisée fiscalement ou transmise à un concurrent, elles arrêteront de coopérer ou falsifieront. La qualité du système dépend de la confiance.

Voilà une chose essentielle : la donnée est une relation. On ne collecte pas dans le vide. La confiance produit la donnée de qualité. C’est vrai pour Artprice, pour un gouvernement. Une architecture qui trahit les finalités détruit sa propre source. C’est une forme de réflexivité institutionnelle.

Le pouvoir abusif peut réduire la qualité de l’information qu’il reçoit.

Cela montre que la liberté et l’efficacité ne sont pas toujours opposées. Le respect des règles peut améliorer la donnée et donc l’efficacité. C’est une idée importante contre le fantasme autoritaire. Un État qui peut tout exiger n’obtient pas forcément la vérité. Les acteurs peuvent dissimuler des informations et adapter leur comportement. La confiance volontaire peut produire une information meilleure. C’est exactement le même problème que dans une entreprise où les salariés ont peur de remonter les mauvaises nouvelles.

La surveillance totale peut rendre l’organisation plus aveugle.

Voilà un paradoxe central : vouloir tout voir peut conduire à voir moins vrai. L’IA ne résout pas cela. Elle peut seulement traiter ce qui lui parvient.

Cela rejoint la notion de signal faible. Le bon système doit permettre au signal dissonant de remonter. Les marchés ont justement une fonction de signal. Un prix qui monte dit quelque chose. Le planificateur peut ne pas aimer le signal mais il doit l’entendre. Une économie algorithmique saine doit préserver ces mécanismes de contradiction.

Cela me conduit à une idée : le marché et la démocratie partagent une propriété. Ce sont des systèmes de découverte distribuée. Le marché découvre des prix et des préférences ; la démocratie découvre des conflits et des volontés. Ils sont tous deux bruyants.

Une architecture centralisée peut sembler plus propre, mais elle risque de perdre la diversité des signaux. L’IA peut aider à synthétiser le bruit sans supprimer la pluralité. C’est là son meilleur rôle. Elle ne doit pas remplacer la découverte par une optimisation centralisée trop tôt.

Dans le marché, cela signifie laisser des acteurs essayer. Dans la démocratie, laisser des opinions se confronter. L’IA devient une couche de lecture du système plutôt qu’un substitut au système. Numériser une procédure n’est pas encore la repenser. Elle permet de dépasser la vieille opposition entre marché et planification.

Nous pouvons avoir un marché très décentralisé observé par des outils de planification stratégique. L’État n'ordonne pas chaque prix mais voit les vulnérabilités. C’est peut-être ce que l’on pourrait appeler planification augmentée : non pas assigner chaque quantité, mais construire une capacité d’anticipation et d’orientation. Identifier des scénarios, des dépendances, puis utiliser des instruments classiques — réglementation, fiscalité, investissement — de manière plus informée. Cela peut être extraordinairement puissant.

La Chine possède déjà une culture d’orientation industrielle forte. Les États-Unis utilisent aussi des politiques industrielles dans les secteurs stratégiques. L’Europe le fait. Le vieux récit d’un Occident purement libéral face à une Chine planifiée est trop simple. Toutes les grandes puissances combinent marché et stratégie. La différence porte sur les degrés, les institutions, le contrôle politique. L’IA va rendre ces combinaisons plus sophistiquées.

La compétition ne sera donc pas entre plan et marché, mais entre architectures mixtes.

Quel système sait orienter sans étouffer ?

Quel système laisse l’innovation locale tout en construisant des infrastructures de long terme ?

C’est une question beaucoup plus intéressante. Et la réponse peut varier selon les secteurs. Le semi-conducteur demande des investissements gigantesques et des horizons longs. Une application logicielle peut émerger rapidement. La même politique serait absurde pour les deux.

Encore la granularité.

L’IA permet justement d’éviter certaines politiques trop générales. Mais elle peut également renforcer la tentation de traiter chaque secteur avec un score et donc créer une bureaucratie hyperfine. Il faut éviter le micro-management algorithmique. Une administration peut être séduite par l’idée de connaître le taux optimal d’investissement de chaque entreprise. C’est une illusion. Le modèle ne connaît pas l’invention qui n’existe pas encore.

L’entrepreneur peut voir quelque chose que les données ne montrent pas. C’est exactement pourquoi la liberté économique possède une valeur épistémique, pas seulement morale. Elle permet des expériences imprévues. Une société qui laisse plusieurs acteurs essayer augmente ses chances de découverte. C’est presque une stratégie d’exploration.

En intelligence artificielle, on parle d’exploration et d’exploitation. Exploiter, c’est optimiser ce que l’on connaît déjà. Explorer, c’est essayer des chemins incertains. Une économie doit faire les deux. Le marché est souvent une formidable machine d’exploration. Une planification trop forte privilégie l’exploitation des connaissances existantes. L’IA elle-même peut tomber dans le même piège.

Si elle optimise trop les secteurs qui semblent aujourd’hui prometteurs, elle peut détourner les ressources des ruptures inattendues. Voilà un Blind Spot immense de la politique industrielle algorithmique. Le modèle voit mieux le présent et peut devenir plus conservateur sur le futur. Il extrapole ce qui existe. Une innovation radicale ressemble souvent à un mauvais investissement dans les données historiques.

Il faut donc réserver une part de ressources à l’exploration non justifiée par les modèles. C’est presque un portefeuille de chaos. Cette idée me plaît énormément. Une économie intelligente doit financer une certaine quantité d’expériences improbables. Recherche fondamentale, art, entrepreneuriat. Beaucoup échouent. Quelques-unes changent le monde. Si l’on optimise uniquement le rendement probable, on peut supprimer ces queues de distribution. C’est exactement la logique de la mutation. Les mutants sont rares. Une économie doit les laisser apparaître.

Cela signifie que l’inefficacité apparente peut être une réserve d’innovation.

Voilà un paradoxe essentiel. Certaines dépenses semblent inutiles jusqu’au jour où elles deviennent fondamentales. La recherche sur des technologies obscures peut produire trente ans plus tard une révolution. L’État et le marché ont chacun un rôle dans ce financement. L’IA pourrait nous pousser à vouloir justifier chaque euro par une probabilité. Ce serait dangereux.

La créativité a besoin d’un espace qui échappe partiellement au calcul.

Je retrouve directement la Demeure du Chaos et cette idée de zone autonome de non-optimisation. Une société qui veut maximiser chaque rendement immédiat finit par tuer ce qui n’a pas encore de valeur mesurable. L’art en sait quelque chose. Le Marché de l’Art peut donner des prix aux œuvres après coup. Il ne peut pas déterminer à l’avance quelle œuvre changera l’histoire. La valeur culturelle et la valeur financière ne coïncident pas toujours.

L’IA peut analyser des signaux, mais elle ne doit pas devenir arbitre du futur esthétique. Ce serait une normalisation. Cette leçon artistique s’applique à l’économie entière. L’innovation a une part de rupture qui échappe au modèle. Il faut donc une politique de l’inattendu.

Cela semble contradictoire.

Comment planifier l’inattendu ?

Précisément en créant des conditions de diversité, des budgets d’exploration, des institutions indépendantes. On ne planifie pas le résultat. On planifie l’espace où l’inattendu peut apparaître. C’est une distinction magnifique.

La Demeure du Chaos fonctionne selon ce même principe. Elle possède une architecture extrêmement rigoureuse qui permet l’émergence de gestes libres. Le chaos apparent est rendu possible par un ordre profond. Peut-être que l’économie idéale de l’ère de l’IA fonctionne de la même manière : une infrastructure stable, des droits solides, des réseaux, une éducation, puis beaucoup de liberté expérimentale.

L’État construit l’athanor, mais ne décide pas précisément de chaque transmutation.

Cette métaphore alchimique me paraît juste. Le rôle du pouvoir est de créer les conditions de transformation, pas de choisir chaque forme qui en sort. C’est peut-être une manière de dépasser l’opposition stérile entre État et marché. L’État peut être architecte du champ des possibles. Le marché et la société explorent.

Mais il faut des limites, car l’exploration peut produire des externalités. Pollution, monopole. Le droit définit les interdits. On retrouve encore le triptyque : infrastructure, liberté, limites.

L’IA peut améliorer chacun. Cartographier les besoins d’infrastructure, détecter les externalités, mais aussi réduire les coûts d’entrée. Elle peut donc rendre l’économie plus ouverte si elle est bien conçue. Ou plus centralisée si quelques acteurs contrôlent les modèles. Encore la bifurcation. C’est pourquoi la propriété des infrastructures cognitives est centrale.

Si un seul acteur possède le modèle utilisé pour la planification publique et les agents privés, son pouvoir devient extraordinaire. Il peut voir les deux côtés. Cela crée une concentration informationnelle potentiellement dangereuse. Il faut donc une pluralité de fournisseurs, des capacités publiques. Nous revenons à la souveraineté.

L’économie algorithmique ne peut pas être pensée sans la géopolitique des infrastructures. Une puissance qui dépend d’un autre pour ses modèles macroéconomiques ou ses outils de planification industrielle délègue une partie de sa capacité stratégique. Cela ne signifie pas que tout modèle étranger est dangereux. Mais les fonctions les plus critiques nécessitent maîtrise et audit. C’est la même règle partout. L’IA traverse les domaines, les principes restent.

La question de la donnée se révèle particulièrement sensible dans la planification publique. Pour optimiser les transports, l’énergie, la santé, le modèle veut beaucoup d’informations. La tentation est d’intégrer toujours davantage. Encore l’État algorithmique. L’efficacité et la surveillance se rencontrent. Une économie planifiée par les données peut devenir une société planifiée par les données. C’est là que le danger politique devient immense.

On peut justifier la collecte par l’optimisation des ressources, puis l’utiliser pour évaluer les comportements. La frontière technique n’est pas naturelle. Il faut donc un droit fort de finalité et de cloisonnement. Cette répétition n’est pas accidentelle. C’est la même architecture de puissance sous une autre forme.

Une planification économique démocratique doit accepter certaines zones d’opacité individuelle.

L’État n’a pas besoin de savoir qui achète quel livre pour prévoir la consommation de papier. Il peut utiliser des agrégats. La minimisation est donc compatible avec l’efficacité. L’IA peut parfois permettre de travailler avec des données moins intrusives si les techniques sont bien choisies. Mais il faut que la protection soit un objectif explicite. Sinon, la logique du modèle pousse vers toujours plus de données.

« Plus de données = meilleur modèle » devient une justification infinie.

Il faut stopper cette logique.

Meilleur modèle selon quel gain marginal et quel coût en liberté ?

Encore le trade-off. On pourrait presque définir un principe de proportionnalité informationnelle : ne collecter une donnée supplémentaire que si le gain de décision justifie réellement l’atteinte potentielle. Le droit connaît déjà cette logique. L’IA la rend plus urgente. Cela pourrait éviter la construction d’une économie panoptique au nom de l’efficacité.

La Chine offre ici un modèle de coordination que j’estime particulièrement instructif à observer.

Sa capacité à combiner État, données et industrie peut produire des gains de coordination. Mais elle soulève aussi les questions de surveillance et de liberté que nous avons évoquées. Les démocraties doivent éviter deux erreurs symétriques : mépriser les gains d’efficacité d’une meilleure coordination ou les imiter sans leurs contre-pouvoirs. Il faut construire leur propre architecture. Une planification augmentée démocratique, transparente, limitée. Cela peut devenir une voie spécifique. Par exemple, utiliser l’IA pour cartographier les besoins énergétiques sans profiler les individus ; orienter l’investissement industriel avec des données agrégées ; évaluer les politiques publiquement. Ce modèle est possible. Il demande davantage de sophistication parce qu’il doit intégrer les contraintes liées aux droits dès la conception. Mais cette contrainte peut produire une confiance supérieure.

Encore la régulation comme infrastructure de confiance.

La question est de savoir si cette architecture peut être suffisamment rapide dans une compétition mondiale. C’est l’épreuve. L’Europe devra probablement réduire ses lourdeurs sans réduire ses protections. C’est difficile mais pas impossible. Il faut distinguer la bureaucratie inutile de la procédure qui protège. Encore la latence civilisationnelle.

Numériser et automatiser les formulaires peut libérer du temps pour le contrôle de fond. L’IA peut donc rendre l’État plus efficace sans le rendre plus autoritaire. Cela exige une vision politique claire. Et peut-être que la véritable compétition mondiale se jouera là : quelle architecture produit à la fois puissance et légitimité ?

Un État très efficace mais sans confiance peut rencontrer des limites sociales. Une démocratie très légitime mais incapable d’exécuter peut se fragiliser. Il faut les deux. L’IA peut théoriquement augmenter la capacité d’exécution démocratique. C’est une opportunité historique. L’administration peut traiter plus vite, les politiques être mieux évaluées. Mais il ne faut pas déléguer la finalité.

Voilà toujours la ligne. La machine optimise les moyens ; la société débat des fins.

Cette distinction peut paraître trop propre, car parfois le choix du moyen modifie la finalité. Une technologie de surveillance n’est pas un moyen neutre. Il faut donc dire plus précisément : l’IA peut aider à optimiser dans un espace de valeurs et de contraintes explicitement défini démocratiquement. Et lorsque le moyen modifie ces valeurs, le choix doit remonter au politique. C’est une architecture de subsidiarité. Les décisions routinières descendent vers le système. Les décisions normatives remontent vers l’humain.

Ce principe pourrait organiser beaucoup de choses. Mais il faut savoir détecter la dimension normative. Un choix de pondération peut sembler technique. Il ne l’est pas. Là encore, la littératie des décideurs est essentielle. Le danger n’est pas que l’ingénieur vole volontairement le pouvoir. Il peut simplement prendre un choix nécessaire pour faire fonctionner le modèle. Si le politique ne le voit pas, le choix devient implicite. Il faut donc des processus où les paramètres normatifs sont identifiés. Une sorte d’audit de valeurs.

Quelles décisions de conception reflètent les préférences sociales ?

C’est un nouveau domaine. L’IA rend l’éthique opérationnelle. Cette expression revient. Un modèle doit être programmé avec des objectifs. Cela force à expliciter ce que les institutions laissaient parfois vague. C’est bénéfique si le débat existe. Dangereux si l’ingénierie décide seule. La collaboration transdisciplinaire devient donc indispensable. Économistes, juristes, ingénieurs, sociologues. Encore la fin des silos. C’est exactement ma manière de penser.

Une planification purement économique qui ignore la psychologie, le droit, la matière produit des erreurs. L’économie algorithmique exige un esprit-monde. Elle force à relier l’énergie, les données, les comportements. Cela peut être une richesse intellectuelle extraordinaire.

Mais attention au fantasme de totalité.

Plus le modèle relie de dimensions, plus il semble omniscient. Il faut conserver la possibilité de dire : il manque quelque chose. Le Blind Spot ne disparaît jamais. Il se déplace. Le modèle le plus complet possède encore un extérieur. C’est une vérité presque philosophique. Aucun système ne contient totalement le monde dont il fait partie. L’économie algorithmique est elle-même un acteur de l’économie. Elle ne peut pas se placer en dehors.

Cela limite toute prétention à l’optimum total. Et c’est peut-être la raison ultime pour laquelle l’optimum social est une illusion dangereuse.

Il n’existe pas un point final où toutes les contradictions seraient résolues. Une société est un processus de négociation permanente entre valeurs, générations, intérêts. L’IA peut améliorer la qualité de cette négociation. Elle ne doit pas prétendre la terminer. La démocratie elle-même est cette ouverture. Une décision peut être contestée, révisée. L’optimum technocratique voudrait fermer la discussion : nous avons calculé la meilleure solution. C’est anti-politique. La politique commence précisément là où plusieurs solutions sont défendables selon des valeurs différentes.

La société n’est pas un problème dont la réponse est cachée dans les données.

Cette phrase me paraît fondamentale. Les données montrent des conséquences. Elles ne contiennent pas la finalité de la vie collective. C’est pourquoi je refuse toute idée de gouvernement par IA. Gouverner signifie choisir, assumer, pouvoir être contesté. Une IA peut être un instrument cognitif extraordinaire du gouvernement. Elle ne doit pas devenir source de légitimité. C’est la même distinction que dans tous les chapitres précédents.

La légitimité reste humaine et institutionnelle.

Mais cette insistance ne doit pas être interprétée comme défense jalouse d’une supériorité humaine. Je ne cherche pas à protéger un privilège cognitif. La quatrième blessure narcissique est acceptée. La machine peut être meilleure pour beaucoup de choses. Le point est ailleurs. La légitimité n’est pas une compétition d’intelligence. Un enfant possède des droits même s’il ne sait pas calculer. Une démocratie donne une voix à des citoyens qui n’ont pas tous la même expertise. C’est un choix moral. L’intelligence n’accorde pas automatiquement le droit de commander. Sinon, nous aurions depuis longtemps donné le pouvoir politique aux mathématiciens les plus brillants. Nous ne le faisons pas parce que gouverner implique de représenter des intérêts, des valeurs.

L’IA doit donc être séparée de l’idée de souveraineté politique, même si elle devient indispensable à l’exercice technique du pouvoir.

C’est une distinction subtile mais cruciale. Le souverain utilise une intelligence sans devenir son subordonné. Voilà la souveraineté cognitive collective. Et cette distinction devra être protégée institutionnellement. Peut-être que certaines décisions doivent explicitement mentionner les modèles utilisés, mais être signées par un responsable humain.

Encore la signature.

La responsabilité est le fil qui maintient l’humain dans l’architecture sans prétendre qu’il effectue lui-même tous les calculs. Cela me paraît très sain. Un ministre peut dire : plusieurs modèles indiquent tel risque, nous avons choisi cette politique pour telles raisons. Le débat peut alors porter sur les raisons et les données. C’est une démocratie augmentée.

Mais pour cela, les citoyens doivent avoir accès à une information suffisante. La complexité ne doit pas devenir une excuse au secret. Les hypothèses principales peuvent être publiées. Les chercheurs peuvent analyser. Cela crée une nouvelle forme d’open government algorithmique. C’est prometteur. Le code complet n’a pas toujours besoin d’être public, surtout s’il contient des éléments sensibles. Mais la méthodologie, les sources, les principaux paramètres devraient souvent être accessibles.

Encore la proportionnalité.

La transparence doit être suffisante pour la contestation. Cela rejoint directement l’architecture de la confiance. Une politique économique algorithmique doit posséder une provenance. D’où vient le diagnostic ? Quels modèles ? Cela peut améliorer énormément le débat public. Au lieu de slogans, on peut comparer les hypothèses.

Mais il faut une médiation journalistique et universitaire solide. Sinon, la masse de données devient une nouvelle opacité. La démocratisation de l’analyse nécessite des intermédiaires de confiance. Nous retrouvons encore le rôle des institutions. L’IA ne supprime pas les experts, elle peut multiplier leur capacité. Mais le citoyen doit pouvoir comprendre l’essentiel. Cela implique des interfaces, des visualisations.

Encore le design.

La manière de présenter une politique influence sa compréhension. Une simulation interactive pourrait montrer les trade-offs. C’est une perspective intéressante pour la démocratie. Le citoyen déplace un paramètre et voit les conséquences estimées. Cela pourrait rendre les arbitrages plus concrets. Mais il faut éviter le jeu de simulation qui donne l’illusion de la précision. Les marges d’incertitude doivent être visibles. Le modèle ne doit pas être confondu avec une console de pilotage du réel.

Encore l’humilité.

L’IA peut rendre le débat plus informé si elle montre aussi où elle ne sait pas. Cette idée me paraît presque une condition de toute économie algorithmique démocratique : l’incertitude doit être une sortie du système, pas un défaut caché. Un modèle doit pouvoir dire « ce paramètre est trop incertain pour optimiser ». C’est une forme de limite auto-déclarée. Elle protège contre l’hubris technocratique.

Et l’hubris est précisément le danger final de ce chapitre.

Croire que parce que nous pouvons mesurer énormément, nous pouvons maîtriser l’ensemble. L’histoire punit cette croyance. Les systèmes complexes possèdent des comportements émergents. L’économie est probablement l’un des systèmes les plus complexes. Des milliards d’individus, d’entreprises, de technologies, de cultures. L’IA peut augmenter notre vision de plusieurs ordres de grandeur. Elle ne rend pas le monde simple. Elle révèle peut-être davantage encore sa complexité.

C’est là que je vois une correspondance profonde avec la théorie du chaos. Une meilleure connaissance des conditions initiales améliore certaines prévisions, mais le système reste sensible. Nous pouvons repousser l’horizon de prévision sans atteindre l’omniscience.

La sagesse consiste à utiliser le modèle pour construire de la résilience plutôt que pour prétendre supprimer l’incertitude.

C’est exactement la différence entre prédire une crise et préparer un système capable de survivre à plusieurs crises possibles. La première approche cherche l’oracle. La seconde construit la résilience. Je choisis la seconde. C’est probablement le fil de toute cette partie géopolitique et économique. Nous ne savons pas exactement quel choc viendra. Construisons des redondances, des capacités d’adaptation. L’IA peut nous aider à explorer les scénarios.

Sa valeur n’est pas de nous dire l’avenir mais de nous préparer à plusieurs futurs.

Cette définition me paraît bien plus solide. L’économie algorithmique mature sera donc moins une économie parfaitement planifiée qu’une économie capable de voir plus tôt, de tester plus vite, de corriger mieux. Cela ressemble à une intelligence vivante. Perception, action, feedback.

Mais cette boucle doit rester ouverte à la pluralité humaine. C’est là que la démocratie intervient. La machine mesure le feedback quantitatif. Le citoyen peut dire que la politique est insupportable malgré de bons indicateurs. Ce signal doit compter. La souffrance sociale n’est pas toujours dans le PIB. Les Gilets jaunes l’ont montré en France d’une manière spectaculaire : une mesure peut être rationnelle dans un cadre et rencontrer une expérience du réel que le modèle avait sous-estimée. Le Blind Spot se situe là : dans ce que le modèle moyen avait sous- estimé. L’économie algorithmique doit donc intégrer des signaux qualitatifs.

Enquêtes, consultation, terrain. Le bon sens paysan revient encore. Une courbe peut dire que la mesure est supportable en moyenne. La personne qui doit conduire cinquante kilomètres par jour sait autre chose. Le réel local doit remonter. Cela plaide pour une architecture décentralisée de la planification. Le centre voit la totalité, le territoire voit le détail. Il faut les deux.

Encore la fédération cognitive.

L’IA peut aider à synthétiser les retours locaux sans les écraser. C’est une promesse magnifique. Mais si le centre utilise l’IA uniquement pour produire une moyenne, il perd les exceptions.

Encore préserver le désaccord.

La politique publique pourrait être plus territorialisée grâce à l’IA, adaptée aux contextes. Mais cela pose une question d’égalité. Des règles différentes selon les territoires peuvent être efficaces mais perçues comme injustes. Il faut donc distinguer égalité et uniformité. Le droit le fait déjà. L’IA permet plus de personnalisation. Cela peut rendre l’État plus précis. Mais l’excès de personnalisation peut supprimer la lisibilité de la règle commune. Encore un trade-off.

Une société a besoin de principes communs.

Tout ne doit pas être calculé individuellement. Sinon, deux citoyens voisins peuvent recevoir des traitements différents sans comprendre. L’efficacité algorithmique peut éroder le sentiment de justice. Cela vaut pour les prix comme pour les politiques. Une règle générale est parfois moins optimale individuellement mais plus légitime parce qu’elle est compréhensible. La simplicité possède aussi une valeur démocratique : une règle compréhensible peut être plus légitime qu’une optimisation individuelle devenue opaque.

L’ingénierie tend à rechercher l’optimisation fine ; le droit conserve parfois des catégories générales parce qu’elles rendent la règle visible. L’économie algorithmique devra trouver la bonne granularité. Encore ce mot, inévitable. Trop grossier, le système gaspille. Trop fin, il devient opaque et arbitraire.

L’art de gouverner est aussi art de la résolution, comme une image.

Quelle quantité de détail est utile ?

Cela me rappelle le jumeau numérique de la Demeure du Chaos. On peut augmenter la précision, mais la question est toujours : pour quelle fonction ? Une carte à un millimètre est inutile pour conduire entre Lyon et Paris. La précision n’est pas une valeur absolue. Il faut la résolution adaptée à la décision. C’est une leçon fondamentale pour l’IA.

Plus de données n’est pas toujours mieux. Plus de précision n’est pas toujours plus intelligent. L’intelligence consiste à sélectionner le niveau pertinent.

Un bon modèle ne se juge donc pas à la seule quantité de détails qu’il traite. Et c’est peut-être là que l’humain et l’IA peuvent produire une combinaison remarquable. La machine parcourt les détails. L’humain choisit la résolution qui a du sens politique.

Une fonction objective n’est jamais la finalité elle-même ; elle en est une traduction. Il faut donc pouvoir réexaminer non seulement les résultats du modèle, mais la manière dont le but a été transformé en variables mesurables.

Cette complémentarité peut être puissante. Mais elle suppose que l’humain conserve une formation suffisante pour ne pas devenir dépendant.

Encore la souveraineté cognitive.

Le décideur doit pouvoir demander : pourquoi avons-nous besoin de ce niveau de détail ? Quel coût en données ? Cela redevient politique.

L’optimisation économique rencontre toutefois une limite lorsqu’elle cesse de porter seulement sur les flux et commence à transformer l’individu en objet permanent d’évaluation. À ce point, la question n’est plus celle de l’optimum du système, mais de la liberté de la personne face à sa propre prédiction.