{"id":3293598,"date":"2026-10-16T02:28:19","date_gmt":"2026-10-16T06:28:19","guid":{"rendered":"https:\/\/gijn.org\/?p=3293598"},"modified":"2026-10-16T06:40:04","modified_gmt":"2026-10-16T10:40:04","slug":"intelligence-artificielle-ia-donnees-calculs-applis-enquete","status":"publish","type":"post","link":"https:\/\/gijn.org\/fr\/ressource\/intelligence-artificielle-ia-donnees-calculs-applis-enquete\/","title":{"rendered":"Guide d’enqu\u00eate sur la responsabilit\u00e9 en mati\u00e8re d’IA"},"content":{"rendered":"

Note de la r\u00e9daction : Ce guide est le fruit d\u2019une collaboration entre l\u2019\u00e9quipe \u00ab AI Accountability \u00bb du Pulitzer Center et de GIJN. Karen Hao, La\u00eds Martins et Pablo Jim\u00e9nez Arandia ont contribu\u00e9 \u00e0 l\u2019\u00e9laboration de certains des supports d\u00e9crits dans cet article.<\/em><\/p>\n

L\u2019intelligence artificielle (IA) est devenue un acteur majeur dans de nombreux domaines de la soci\u00e9t\u00e9 \u00e0 travers le monde. Cette technologie joue un r\u00f4le pr\u00e9pond\u00e9rant dans de nombreuses \u00e9conomies et a des r\u00e9percussions sur les travailleurs du savoir \u00e0 l\u2019\u00e9chelle mondiale. Les acteurs les plus puissants dans ce domaine sont une poign\u00e9e d\u2019entit\u00e9s bas\u00e9es pour la plupart aux \u00c9tats-Unis, en Europe ou en Chine, dont beaucoup sont des g\u00e9ants priv\u00e9s de la technologie qui ont lev\u00e9 des milliards d\u2019investissement et sont en passe de donner le ton quant \u00e0 la mani\u00e8re dont cette technologie sera d\u00e9velopp\u00e9e et d\u00e9ploy\u00e9e \u00e0 travers le monde.<\/p>\n

Mais, de sa cha\u00eene d\u2019approvisionnement \u00e0 ses applications, l\u2019IA a \u00e9galement suscit\u00e9 de nombreuses controverses. Les centres de donn\u00e9es n\u00e9cessaires au d\u00e9veloppement de l\u2019IA consomment des quantit\u00e9s extraordinaires d\u2019eau et d\u2019\u00e9nergie. Les travailleurs charg\u00e9s d\u2019\u00e9tiqueter les donn\u00e9es dont l\u2019IA a besoin sont confront\u00e9s \u00e0 des salaires bas et \u00e0 des probl\u00e8mes de sant\u00e9 mentale. Les technologies d\u2019IA elles-m\u00eames se sont r\u00e9v\u00e9l\u00e9es biais\u00e9es et susceptibles de produire des r\u00e9sultats erron\u00e9s lorsqu\u2019elles sont utilis\u00e9es.<\/p>\n

Le domaine de l\u2019IA regorge de sujets que les journalistes d\u2019investigation peuvent exploiter. Ce guide a pour but d\u2019aider les journalistes \u00e0 comprendre certains aspects techniques de la technologie sous-jacente \u00e0 l\u2019IA et de leur fournir un cadre leur permettant de l\u2019analyser.<\/p>\n

Qu’est-ce que l’IA ?<\/h4>\n

Beaucoup de gens ont d\u00e9couvert le concept d’intelligence artificielle gr\u00e2ce \u00e0 ChatGPT. C’est pourquoi ils assimilent souvent ChatGPT \u00e0 l’IA et l’IA \u00e0 ChatGPT. Mais la r\u00e9alit\u00e9 est bien plus complexe que cela. L’intelligence artificielle d\u00e9signe le processus consistant \u00e0 utiliser des machines pour imiter la prise de d\u00e9cision humaine ; il s’agit en r\u00e9alit\u00e9 d’un terme fourre-tout qui englobe un grand nombre de technologies.<\/p>\n

Les scientifiques et les chercheurs ont invent\u00e9 ce terme dans les ann\u00e9es 1950 et, depuis lors, ont trouv\u00e9 de nombreuses fa\u00e7ons diff\u00e9rentes de reproduire l\u2019intelligence humaine gr\u00e2ce \u00e0 la technologie. L\u2019une des m\u00e9thodes d\u2019IA les plus populaires et les plus prolifiques de nos jours est l\u2019apprentissage automatique (“machine learning”), sous toutes ses formes, y compris ses sous-cat\u00e9gories que sont l\u2019apprentissage profond (“deep learning”) et l\u2019IA g\u00e9n\u00e9rative.<\/p>\n

L\u2019apprentissage automatique consiste \u00e0 analyser des donn\u00e9es afin d\u2019identifier des mod\u00e8les qui nous permettent de faire des pr\u00e9dictions ou de prendre des d\u00e9cisions sur la base de ces r\u00e9sultats. Ces analyses font appel \u00e0 diverses m\u00e9thodes math\u00e9matiques, allant de simples statistiques \u00e0 des r\u00e9seaux neuronaux complexes, souvent en fonction de la quantit\u00e9 de donn\u00e9es trait\u00e9es. Le r\u00e9sultat de cet apprentissage est un programme informatique, ou mod\u00e8le d\u2019IA, capable d\u2019int\u00e9grer de nouvelles donn\u00e9es et de formuler des pr\u00e9visions ou de g\u00e9n\u00e9rer de nouvelles informations \u00e0 partir de ces anciennes donn\u00e9es. \u00c0 bien des \u00e9gards, on peut consid\u00e9rer les r\u00e9sultats de l\u2019apprentissage automatique comme un \u00ab remix \u00bb d\u2019anciennes donn\u00e9es. Dans un cas d\u2019utilisation concret, des mod\u00e8les simples d\u2019apprentissage automatique peuvent \u00eatre utilis\u00e9s par des organismes publics pour attribuer des scores de risque \u00e0 des b\u00e9n\u00e9ficiaires potentiels de l\u2019aide sociale ou \u00e0 des personnes sollicitant des aides au logement.<\/p>\n

L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui n\u00e9cessite un volume consid\u00e9rable de donn\u00e9es, souvent de l’ordre de plusieurs millions, et qui utilise des m\u00e9thodes analytiques complexes, telles que les r\u00e9seaux neuronaux \u2014 des m\u00e9thodes math\u00e9matiques imitant la structure du cerveau et compos\u00e9es de n\u0153uds interconnect\u00e9s \u2014 pour donner du sens \u00e0 ces donn\u00e9es. (Pour en savoir plus sur les r\u00e9seaux neuronaux, cliquez ici<\/a>.) Ce type d’apprentissage automatique est souvent utilis\u00e9 par les grandes entreprises technologiques, notamment pour pr\u00e9dire les termes recherch\u00e9s dans les moteurs de recherche ou pour alimenter les syst\u00e8mes de recommandation des services de streaming.<\/p>\n

Il existe \u00e9galement l\u2019IA g\u00e9n\u00e9rative, un sous-ensemble de l\u2019apprentissage automatique qui n\u00e9cessite encore plus de donn\u00e9es et, pendant sa phase d\u2019entra\u00eenement, encore plus d\u2019\u00e9nergie et des m\u00e9thodes math\u00e9matiques complexes pour cr\u00e9er ses mod\u00e8les. L\u2019IA g\u00e9n\u00e9rative se distingue de nombreuses autres m\u00e9thodes d\u2019apprentissage automatique en ce qu\u2019elle ne se contente pas de produire une recommandation pour un fil d\u2019actualit\u00e9 ou un score pr\u00e9dictif, mais cr\u00e9e \u00e9galement du nouveau contenu sous forme de texte ou d\u2019images. C\u2019est cette technologie que nous rencontrons aujourd\u2019hui \u00e0 travers les grands mod\u00e8les linguistiques (LLM) sous la forme de chatbots tels que ChatGPT ou Gemini, ainsi que par le biais d\u2019applications qui cr\u00e9ent des images \u00e0 partir de consignes textuelles, comme Midjourney.<\/p>\n

Le sch\u00e9ma ci-dessous pr\u00e9sente toutes les versions de l\u2019apprentissage automatique.<\/p>\n

\"\"<\/a>

Repr\u00e9sentation graphique de l’intelligence artificielle et de ses sous-domaines, notamment l’apprentissage automatique, l’apprentissage profond et l’IA g\u00e9n\u00e9rative. Image : avec l’aimable autorisation du Pulitzer Center.<\/p><\/div>\n

Avoir une id\u00e9e g\u00e9n\u00e9rale du fonctionnement de l\u2019apprentissage automatique peut aider les journalistes \u00e0 trouver des moyens d\u2019aborder le sujet, \u00e0 poser des questions \u00e9clair\u00e9es sur cette technologie et \u00e0 mieux exploiter les diff\u00e9rentes \u00e9tapes du d\u00e9veloppement de l\u2019IA dans leurs enqu\u00eates.<\/p>\n

Cadre de r\u00e9f\u00e9rence pour les enqu\u00eates sur la responsabilit\u00e9 en mati\u00e8re d\u2019IA<\/h4>\n

Lorsque nous avons commenc\u00e9 \u00e0 d\u00e9velopper la s\u00e9rie \u00ab AI Spotlight \u00bb avec Karen Hao, une question simple revenait sans cesse : qu\u2019aurions-nous aim\u00e9 savoir lorsque nous avons commenc\u00e9 \u00e0 couvrir l\u2019IA ? La r\u00e9ponse \u00e9tait un cadre de r\u00e9f\u00e9rence permettant d\u2019identifier et de structurer les enqu\u00eates sur l\u2019IA.<\/p>\n

L\u2019IA englobe un large \u00e9ventail de technologies et de enjeux, et il peut \u00eatre difficile de savoir par o\u00f9 commencer. Notre cadre s\u2019articule autour des quatre \u00e9tapes du d\u00e9veloppement de l\u2019IA moderne. \u00c0 la base se trouvent les intrants, les donn\u00e9es et la puissance de calcul qui rendent possibles les syst\u00e8mes actuels. \u00c0 partir de l\u00e0, des mod\u00e8les sont construits et entra\u00een\u00e9s, fa\u00e7onn\u00e9s par les donn\u00e9es et les choix de conception. Enfin, ces mod\u00e8les sont appliqu\u00e9s dans le monde r\u00e9el. Chacune de ces \u00e9tapes de d\u00e9veloppement s\u2019accompagne d\u2019un ensemble propre d\u2019enjeux, d\u2019acteurs impliqu\u00e9s et de personnes ou de structures concern\u00e9es.<\/p>\n

Nous allons passer en revue chacune de ces \u00e9tapes, en abordant les concepts cl\u00e9s et des exemples typiques.<\/p>\n

\"\"<\/a>

Capture d’\u00e9cran : repr\u00e9sentation graphique du cadre de reporting sur la responsabilit\u00e9 en mati\u00e8re d’IA, avec l’aimable autorisation du Pulitzer Center.<\/p><\/div>\n

Enqu\u00eater sur les donn\u00e9es utilis\u00e9es<\/h4>\n

Les mod\u00e8les d\u2019IA les plus simples peuvent utiliser des ensembles d\u2019apprentissage contenant quelques centaines de points de donn\u00e9es, tandis que les mod\u00e8les les plus complexes, comme les LLM, sont souvent entra\u00een\u00e9s \u00e0 partir de vastes pans d\u2019Internet. La diversit\u00e9 du contenu des donn\u00e9es d\u2019apprentissage peut \u00eatre tout aussi large. Il peut s\u2019agir de donn\u00e9es structur\u00e9es, sous forme de tableaux soigneusement organis\u00e9s en lignes et en colonnes, ou de textes non structur\u00e9s extraits de plateformes de r\u00e9seaux sociaux, de sites d\u2019actualit\u00e9s et de forums en ligne. De plus en plus, ces donn\u00e9es comprennent \u00e9galement des images et des vid\u00e9os.<\/p>\n

La plupart des enqu\u00eates consacr\u00e9s \u00e0 la phase de d\u00e9veloppement des donn\u00e9es ont tendance \u00e0 se concentrer sur des syst\u00e8mes plus avanc\u00e9s, entra\u00een\u00e9s \u00e0 partir d\u2019ensembles de donn\u00e9es massifs \u00e0 l\u2019\u00e9chelle industrielle. Un nombre important de ces articles aborde les questions de vie priv\u00e9e et de propri\u00e9t\u00e9 intellectuelle. En particulier, la mani\u00e8re dont des contenus prot\u00e9g\u00e9s par le droit d\u2019auteur ou des donn\u00e9es personnelles se retrouvent dans les pipelines d\u2019entra\u00eenement des mod\u00e8les d\u2019IA. Cet article de The Atlantic<\/a>, par exemple, examine comment Meta aurait utilis\u00e9 des milliers de livres pirat\u00e9s pour entra\u00eener son mod\u00e8le d\u2019IA g\u00e9n\u00e9rative Llama ; un porte-parole de Meta a refus\u00e9 de commenter aupr\u00e8s des journalistes de The Atlantic, invoquant le litige en cours contre l\u2019entreprise. Un autre article, publi\u00e9 par le New York Times<\/a>, a r\u00e9v\u00e9l\u00e9 que des compagnies d\u2019assurance automobile ach\u00e8tent des donn\u00e9es personnelles de conduite provenant d\u2019applications en apparence anodines afin d\u2019\u00e9valuer le profil de risque des conducteurs.<\/p>\n

Mais l\u2019analyse des donn\u00e9es implique \u00e9galement de prendre en compte le travail humain qui rend les ensembles de donn\u00e9es d\u2019entra\u00eenement utilisables en premier lieu. Alors que les entreprises ont tendance \u00e0 pr\u00e9senter leur collecte de donn\u00e9es et leur processus d\u2019entra\u00eenement comme hautement automatis\u00e9s, la r\u00e9alit\u00e9 est que les ensembles d\u2019entra\u00eenement sont souvent nettoy\u00e9s et class\u00e9s par une vaste classe d\u00e9favoris\u00e9e d\u2019\u00e9tiqueteurs de donn\u00e9es, principalement situ\u00e9s dans les pays du Sud et travaillant par l\u2019interm\u00e9diaire d\u2019entreprises de sous-traitance et de plateformes de travail num\u00e9rique. Ces travailleurs \u00e9tiquettent des photos de chats et de chiens qui alimentent des classificateurs d\u2019images, tracent des cadres autour d\u2019objets dans des s\u00e9quences de cam\u00e9ras embarqu\u00e9es utilis\u00e9es pour entra\u00eener des voitures autonomes, ou identifient les discours de haine et les contenus violents afin d\u2019emp\u00eacher les mod\u00e8les de langage de grande envergure (LLM) de les reproduire.<\/p>\n

Des reportages r\u00e9alis\u00e9s aux quatre coins du monde ont montr\u00e9 que ces travailleurs des donn\u00e9es sont exploit\u00e9s, sous-pay\u00e9s et parfois contraints de s\u2019exposer \u00e0 des contenus traumatisants. Cette enqu\u00eate du Bureau of Investigative Journalism<\/a> r\u00e9v\u00e8le comment des travailleurs ind\u00e9pendants faiblement r\u00e9mun\u00e9r\u00e9s \u00e0 travers le monde contribuent, \u00e0 leur insu, \u00e0 l\u2019entra\u00eenement des syst\u00e8mes de reconnaissance faciale utilis\u00e9s par le gouvernement russe. Une autre enqu\u00eate d\u2019Africa Uncensored<\/a> s\u2019est pench\u00e9 sur le secteur en pleine expansion des \u00ab tuteurs IA \u00bb, dans lequel des travailleurs hautement qualifi\u00e9s entra\u00eenent des chatbots bas\u00e9s sur des grands mod\u00e8les de langage (LLM) afin qu\u2019ils produisent des r\u00e9ponses de meilleure qualit\u00e9.<\/p>\n

Enqu\u00eater sur la puissance de calcul<\/h4>\n

Une fois les ensembles de donn\u00e9es d\u2019entra\u00eenement collect\u00e9s et nettoy\u00e9s, les entreprises les utilisent pour entra\u00eener des mod\u00e8les d\u2019IA. Alors que des mod\u00e8les d\u2019IA simples peuvent \u00eatre entra\u00een\u00e9s en une fraction de seconde sur un ordinateur portable grand public, des mod\u00e8les plus complexes, comme ChatGPT d\u2019OpenAI, n\u00e9cessitent d\u2019\u00e9normes quantit\u00e9s de puissance de calcul. Cette puissance de calcul, souvent appel\u00e9e \u00ab compute \u00bb, est g\u00e9n\u00e9ralement fournie par des puces informatiques sp\u00e9cialis\u00e9es h\u00e9berg\u00e9es dans d\u2019immenses centres de donn\u00e9es.<\/p>\n

Les enqu\u00eates consacr\u00e9es \u00e0 la phase de d\u00e9veloppement de la \u00ab puissance de calcul \u00bb ont tendance \u00e0 se concentrer sur l\u2019impact environnemental, social et \u00e9conomique de l\u2019infrastructure physique tentaculaire et en pleine expansion qui alimente le d\u00e9veloppement moderne de l\u2019IA. Lorsque nous avons lanc\u00e9 la s\u00e9rie \u00ab AI Spotlight \u00bb en 2024, les centres de donn\u00e9es constituaient encore un sujet relativement nouveau dans les reportages. Depuis lors, de nombreux reportages r\u00e9alis\u00e9s en Am\u00e9rique latine<\/a>, en Asie<\/a>, en Afrique<\/a> et aux \u00c9tats-Unis<\/a> ont mis en \u00e9vidence les quantit\u00e9s colossales d\u2019\u00e9nergie et d\u2019eau consomm\u00e9es par les centres de donn\u00e9es, ainsi que les efforts d\u00e9ploy\u00e9s par les entreprises ou les gouvernements pour dissimuler ces chiffres<\/a>. Au Br\u00e9sil, par exemple, La\u00eds Martins, boursi\u00e8re Pulitzer, a d\u00e9couvert qu\u2019un centre de donn\u00e9es de TikTok \u00e9tait cens\u00e9 consommer autant d\u2019\u00e9lectricit\u00e9 que 2,2 millions de personnes<\/a> ; l\u2019entreprise n\u2019a pas r\u00e9pondu \u00e0 la journaliste.<\/p>\n

Les enqu\u00eates consacr\u00e9es aux centres de donn\u00e9es ne se limitent pas \u00e0 leur impact environnemental. Ils examinent \u00e9galement la mani\u00e8re dont ces centres transforment les communaut\u00e9s locales<\/a>, les promesses de croissance \u00e9conomique souvent non tenues<\/a>, ainsi que les efforts intenses de lobbying<\/a> men\u00e9s tant au niveau local que national pour les attirer et les construire. La\u00eds et Pablo Jimenez Arandia ont \u00e9labor\u00e9 une version adapt\u00e9e de notre cadre analytique, ax\u00e9e sp\u00e9cifiquement sur les reportages consacr\u00e9s aux centres de donn\u00e9es, que vous trouverez ci-dessous.<\/p>\n

\"\"<\/a>

Image: Avec l’aimable autorisation du Pulitzer Center.<\/p><\/div>\n

Enqu\u00eater sur les mod\u00e8les<\/h4>\n

La combinaison des donn\u00e9es d\u2019entra\u00eenement et de la puissance de calcul donne naissance \u00e0 un mod\u00e8le d\u2019IA, un artefact technique capable de r\u00e9aliser des pr\u00e9dictions, des classifications ou, dans le cas de l\u2019IA g\u00e9n\u00e9rative, de cr\u00e9er du contenu enti\u00e8rement nouveau. \u00c0 l\u2019instar des donn\u00e9es et de la puissance de calcul, les mod\u00e8les d\u2019IA varient en termes de complexit\u00e9 et d\u2019\u00e9chelle, allant de syst\u00e8mes d\u2019apprentissage automatique relativement simples utilis\u00e9s pour calculer les primes d\u2019assurance maladie<\/a> \u00e0 des syst\u00e8mes sophistiqu\u00e9s d\u2019apprentissage profond capables de g\u00e9n\u00e9rer des images r\u00e9alistes.<\/p>\n

Les enqu\u00eates consacr\u00e9es aux mod\u00e8les d\u2019IA ont tendance \u00e0 se concentrer sur les questions li\u00e9es aux biais, aux erreurs ou aux effets n\u00e9fastes de l\u2019automatisation sur les communaut\u00e9s et les institutions.<\/p>\n

Ces enqu\u00eates peuvent examiner de pr\u00e8s les choix de conception lorsqu\u2019ils sont accessibles, tels que les donn\u00e9es d\u2019entra\u00eenement ou les param\u00e8tres utilis\u00e9s par un mod\u00e8le. Cette enqu\u00eate d\u2019El Confidencial<\/a>, par exemple, a permis d\u2019obtenir la formule d\u2019un syst\u00e8me d\u2019IA utilis\u00e9 dans le syst\u00e8me p\u00e9nitentiaire catalan pour pr\u00e9dire qui commettra un crime \u00e0 l\u2019avenir. Selon les journalistes, le mod\u00e8le attribuait syst\u00e9matiquement des scores de risque plus \u00e9lev\u00e9s \u00e0 certains groupes sur la base de facteurs discriminatoires ou non pertinents.<\/p>\n

Lorsque ces informations ne sont pas disponibles, il est possible d\u2019analyser les r\u00e9sultats du mod\u00e8le \u00e0 la place. Un article publi\u00e9 par Rest of World a analys\u00e9 de mani\u00e8re syst\u00e9matique 3 000 images produites par MidJourney AI, un outil de g\u00e9n\u00e9ration d\u2019images tr\u00e8s populaire, et a r\u00e9v\u00e9l\u00e9 que le syst\u00e8me reproduisait des st\u00e9r\u00e9otypes grossiers sur diverses cultures<\/a>. Selon les journalistes, l\u2019entreprise n\u2019a pas r\u00e9pondu \u00e0 leurs demandes de commentaires. Une autre enqu\u00eate, men\u00e9e par le Centre philippin de journalisme d\u2019investigation (PCIJ), a proc\u00e9d\u00e9 \u00e0 une ing\u00e9nierie inverse des r\u00e9sultats algorithmiques de Grab, une application populaire de VTC, en collectant des milliers de devis de courses. Elle a r\u00e9v\u00e9l\u00e9 que Grab facturait syst\u00e9matiquement aux consommateurs des suppl\u00e9ments de trafic cens\u00e9s ne s\u2019appliquer qu\u2019aux heures de pointe<\/a>. Dans une r\u00e9ponse \u00e9crite adress\u00e9e au PCIJ, la filiale philippine de Grab a d\u00e9clar\u00e9 avoir \u00ab pleinement coop\u00e9r\u00e9 \u00e0 l\u2019enqu\u00eate [du Land Transportation Franchising and Regulatory Board] \u00bb en participant aux audiences.<\/p>\n

Enqu\u00eater sur les applications<\/h4>\n

Enfin, il est important que les journalistes se penchent sur la mani\u00e8re dont l\u2019intelligence artificielle est mise en \u0153uvre dans le monde r\u00e9el. Lorsque la technologie d\u2019IA ne fonctionne pas comme pr\u00e9vu ou pr\u00e9sente des dysfonctionnements, de nombreuses personnes soumises aux d\u00e9cisions prises par des syst\u00e8mes automatis\u00e9s, tels que des algorithmes ou des applications d\u2019IA g\u00e9n\u00e9rative, peuvent subir un pr\u00e9judice.<\/p>\n

Dans un article publi\u00e9 dans The Guardian, la journaliste Johana Bhuiyan a montr\u00e9 comment la d\u00e9pendance excessive du gouvernement am\u00e9ricain vis-\u00e0-vis des applications de traduction bas\u00e9es sur l\u2019IA<\/a> avait conduit un demandeur d\u2019asile \u00e0 rester bloqu\u00e9 pendant six mois dans un centre de d\u00e9tention de l\u2019ICE. L\u2019application, qui fonctionnait mal avec les langues peu prises en charge, traduisait mal ses propos, ce qui l\u2019emp\u00eachait de communiquer efficacement avec qui que ce soit. Le DHS n\u2019a pas r\u00e9pondu \u00e0 la journaliste du Guardian.<\/p>\n

L\u2019enqu\u00eate de Hera Rizwan sur l\u2019utilisation de la reconnaissance faciale<\/a> par le gouvernement indien a r\u00e9v\u00e9l\u00e9 que l\u2019application utilis\u00e9e par les fonctionnaires pour distribuer des rations alimentaires d\u2019urgence ne reconnaissait pas certaines femmes enceintes ou allaitantes, car leurs visages avaient chang\u00e9 par rapport aux images datant de plusieurs ann\u00e9es stock\u00e9es dans les bases de donn\u00e9es gouvernementales. Le minist\u00e8re du D\u00e9veloppement des femmes et des enfants n\u2019a pas r\u00e9pondu aux questions de Hera Rizwan.<\/p>\n

Le journalisme d\u2019investigation sur la responsabilit\u00e9 de l\u2019IA s\u2019adresse \u00e0 tous<\/h4>\n

Comme le montrent les exemples ci-dessus, notre cadre de r\u00e9f\u00e9rence en mati\u00e8re de responsabilit\u00e9 peut aider les journalistes \u00e0 traiter le sujet de l\u2019IA, quels que soient leur niveau d\u2019expertise technique et leurs ressources. Les reportages peuvent \u00eatre courts ou longs, mettre davantage l\u2019accent sur l\u2019aspect humain ou \u00eatre d\u2019une r\u00e9alisation plus technique. Nous esp\u00e9rons que ces approches et ces exemples aideront d\u2019autres journalistes \u00e0 trouver leur propre approche locale du journalisme d\u2019investigation sur la responsabilit\u00e9 de l\u2019IA.<\/p>\n

Ressources<\/h4>\n