Les réactions hostiles à l'intelligence artificielle ne restent plus cantonnées aux débats entre spécialistes. Adam Mosseri, responsable d'Instagram, estime que la frustration et la colère liées à l'IA vont continuer à monter au cours des prochaines années. Dans un entretien accordé au podcast Colin and Samir, il a notamment parlé des inquiétudes des créateurs, de la qualité des contenus générés et de la difficulté à distinguer le réel du synthétique.
À vrai dire, ce n'est pas seulement une question de « technologie impressionnante » ou « technologie utile ». Pour beaucoup, l'IA touche directement le travail, la propriété des créations, la sécurité, et même la façon de rester crédible au quotidien. La peur centrale, selon Mosseri, c'est d'être mis de côté. Elle peut être justifiée, exagérée ou nourrie par un manque d'informations, mais elle a quand même des effets réels sur l'adoption.
Pour les plateformes et les entreprises européennes, le sujet est donc à la fois opérationnel et technique. Il faut trancher : comment identifier les contenus générés, comment les classer, et dans quels cas un humain doit reprendre la main. Cet article revient sur les ressorts de la défiance, sur les arbitrages d'Instagram, et sur des mesures concrètes pour utiliser l'IA sans abîmer la confiance.
Pourquoi la défiance envers l'IA s'intensifie
La défiance ne vient pas d'une seule cause. Elle prend forme quand plusieurs changements arrivent en même temps : de nouveaux outils apparaissent, les usages bougent vite, et les personnes concernées n'ont pas toujours les réponses à ce que tout cela implique pour elles. Une démonstration technique peut impressionner. Elle ne répond pas à la question, plus directe : « Qu'est-ce que ça change pour mon travail, mes revenus ou mes droits ? »
Une inquiétude liée aux moyens de subsistance
Dans les métiers créatifs, l'IA générative peut produire des textes, des images, des voix ou des vidéos à une vitesse qui fait changer les attentes. Un client peut demander plus de variantes, un délai plus court, ou un budget réduit - en supposant que l'outil automatise une partie du travail. Même quand l'IA ne supprime pas un poste, elle peut déplacer la valeur : moins de temps rémunéré pour livrer une première version, plus de responsabilité ensuite pour vérifier, corriger et assumer le résultat final.
On retrouve une tension similaire ailleurs. Un développeur, un traducteur ou un analyste peut gagner du temps sur certaines tâches, tout en voyant augmenter le volume de travail attendu. Résultat : les gains de productivité ne garantissent pas une amélioration automatique des conditions. Tout dépend de la façon dont l'entreprise redistribue ce temps gagné - et ce que ça implique pour les responsabilités et les bénéfices.
L'impression de ne pas pouvoir choisir
On accepte plus facilement un nouvel outil quand il répond à un problème concret et que les personnes concernées ont leur mot à dire. On résiste davantage quand l'outil est imposé, quand ses limites sont minimisées, ou quand on découvre tard que ses productions peuvent alimenter un système automatisé.
La peur d'être « laissé derrière », telle que la décrit Mosseri, ne renvoie pas seulement à la crainte de ne pas maîtriser un logiciel. Elle s'explique aussi par la peur de perdre du pouvoir de négociation face à un changement décidé ailleurs. Et une formation ponctuelle ne suffit pas si le modèle économique, les critères d'évaluation ou la répartition du travail évoluent sans explication.
Une réaction amplifiée par les symboles
Quand des étudiants huent des dirigeants de la tech lors de remises de diplômes, ce n'est pas juste une « anecdote médiatique ». Ce n'est évidemment pas une mesure fiable de l'opinion générale. Mais ça montre au moins que l'IA est devenue un sujet lié à des choix économiques et sociaux, pas uniquement à une prouesse technique.
Pour une entreprise, vouloir faire taire ces critiques est rarement la bonne stratégie. Ce qui marche mieux, c'est de séparer les risques concrets des inquiétudes plus floues, puis d'expliquer clairement ce qui change, pour qui, et avec quelles garanties. Une opposition persistante peut signaler un souci de communication, mais aussi un vrai désaccord sur la façon dont la valeur est créée et répartie.
Ce que les utilisateurs reprochent réellement à l'IA
Dans son entretien, Mosseri a évoqué plusieurs inquiétudes : l'utilisation des contenus pour entraîner des modèles, la sécurité, le déplacement de l'emploi, et la difficulté à savoir si une publication est réelle. Ces sujets sont différents. Les traiter comme une seule « peur de l'IA » revient à répondre à côté.
La propriété et l'utilisation des contenus
Les créateurs veulent savoir si leurs textes, images ou vidéos peuvent être utilisés pour entraîner des modèles : selon quelles règles, et avec quelles possibilités de refus. Derrière, il y a le consentement, la rémunération, et la reconnaissance du travail initial - surtout quand l'outil peut ensuite produire des résultats proches du style ou du domaine de compétence de la personne.
Les entreprises se posent aussi ce type de question en interne. Un salarié qui envoie des informations confidentielles dans un service externe peut exposer des données à un traitement que l'organisation n'a pas validé. Un freelance, lui, peut devoir clarifier à son client comment l'IA intervient dans la livraison. Dans les deux cas, une règle claire vaut mieux qu'une interdiction générale mal appliquée ou une autorisation implicite.
Le travail et la répartition des gains
L'IA automatise surtout des tâches, pas forcément des métiers entiers. C'est une distinction importante, mais elle ne doit pas servir de prétexte pour minimiser les changements. Si une part significative des tâches disparaît, ou devient moins bien payée, l'impact sur un poste peut être profond - même si l'intitulé du métier reste le même.
Tout dépend du contexte : combien de tâches sont automatisables, combien coûte le contrôle, quelles exigences existent sur la qualité, et surtout si l'équipe peut réellement ajuster son travail. Une agence qui produit des contenus en série ne prendra pas les mêmes décisions qu'un studio spécialisé dans une création originale. Dire « l'IA ne remplace pas les humains » ne suffit donc pas à répondre à la question la plus concrète : qui gagne (ou perd) avec la productivité supplémentaire.
La sécurité et la confiance dans les contenus
Les faux comptes et les contenus trompeurs ne relèvent pas exactement de la même logique que la simple production assistée par IA. Une image synthétique présentée clairement comme telle n'a pas le même statut qu'une vidéo qui imite une personnalité sans avertissement. Les deepfakes de célébrités sont un exemple visible, mais le mécanisme peut aussi toucher une entreprise, un acteur local ou quelqu'un au niveau individuel.
Le problème, c'est que l'étiquette seule ne règle pas tout. Même si elle informe l'utilisateur, elle ne garantit ni l'exactitude des informations ni une identification fiable du contenu. Et, à l'inverse, la détection automatique peut se tromper, notamment quand le contenu a été modifié ou qu'il combine des éléments humains et générés. L'enjeu est de gérer l'incertitude sans faire croire qu'un simple badge suffit.
Le mot « slop » et le problème de la qualité
Mosseri a aussi signalé que le terme « AI slop », souvent utilisé pour désigner des contenus médiocres générés en masse, est employé trop largement. La nuance compte : un contenu créé avec une IA n'est pas automatiquement mauvais, et un contenu entièrement humain n'est pas automatiquement pertinent.
Pour un fil de recommandation, la question pratique est plutôt : est-ce que le contenu apporte une vraie valeur, respecte les règles et est-il présenté honnêtement ? L'origine peut compter, notamment pour la transparence, mais elle ne remplace pas l'évaluation de la qualité. Confondre les deux pousserait soit à pénaliser des usages légitimes, soit à laisser passer des contenus trompeurs au motif qu'ils sont « bien produits ».
Que doivent faire les entreprises face à la défiance
Une organisation n'a pas besoin d'attendre une politique parfaite pour agir. Elle peut commencer par clarifier les usages autorisés, identifier les risques et mesurer ce que ça change concrètement dans le travail. L'objectif n'est pas « adopter l'IA à tout prix », mais de repérer là où elle améliore un processus sans déplacer des coûts ou des risques invisibles vers les équipes et les clients.
Cartographier les usages avant de choisir les outils
Avant de tester des produits, mieux vaut découper le travail en tâches. Pour chaque activité, notez quelles données sont traitées, ce qui se passe en cas d'erreur, le niveau de contrôle humain nécessaire, et ce que vous attendez comme bénéfice. Une note interne résumée n'a pas le même risque qu'une recommandation financière, ni qu'une image qui met en scène une personne réelle.
Une grille simple peut aider :
- Faible risque : brouillon interne, reformulation ou classement de documents non sensibles, avec vérification par un employé.
- Risque intermédiaire : contenu destiné à un client, traduction ou réponse de support, avec validation et procédure de correction.
- Risque élevé : décision qui touche une personne, données confidentielles ou contenu susceptible d'induire le public en erreur ; l'usage demande alors des contrôles renforcés, voire doit être écarté.
Cette catégorisation doit être revue quand les outils, les données ou le processus changent. Et un même type de tâche peut changer de niveau selon le contexte : un texte « de test » interne n'a pas les mêmes conséquences qu'un conseil envoyé à un client.
Établir des règles compréhensibles
Une politique interne utile répond à quelques questions très concrètes : quels outils sont autorisés, quelles données ne doivent jamais y être saisies, qui vérifie les résultats, et à quel moment il faut signaler l'usage de l'IA. Elle doit aussi dire clairement qui porte la responsabilité en cas d'erreur. Une formule vague du type « utiliser l'IA avec discernement » laisse trop de place à l'interprétation - et donc au flou.
En France et dans l'Union européenne, il faut aussi tenir compte du RGPD dès qu'on manipule des données personnelles. La conformité ne se limite pas à choisir un fournisseur « européen » ou à ajouter une phrase dans une politique de confidentialité. Il faut comprendre quelles données sont envoyées, dans quel but, à quelles conditions elles sont traitées, et quelles mesures de sécurité s'appliquent. Pour les usages sensibles, juristes et responsables métier devraient être impliqués dès la conception.
Former sans faire porter toute la responsabilité aux salariés
La formation peut aider à repérer des hallucinations, des biais et des fuites de données. Mais elle doit s'appuyer sur des cas réellement utilisés dans l'organisation. Pas sur de jolies démonstrations. Une équipe support a besoin de savoir vérifier une réponse avant de la donner à un client ; un studio créatif doit surtout cadrer les règles de consentement, de provenance et de validation des livrables.
Et former ne suffit pas si les objectifs de production restent irréalistes. Si on demande de produire deux fois plus avec les mêmes délais, sans temps de contrôle, on crée une incitation à « faire confiance » à des résultats qui n'ont pas été vérifiés. Le dispositif doit donc inclure du temps de revue, des critères de qualité, et un canal pour signaler un problème sans pénaliser la personne qui le remonte.
Mesurer la valeur réelle, pas le nombre d'utilisateurs
Un pilote ne se juge pas au nombre de comptes créés ni au volume de textes générés. Il faut comparer avant et après : temps gagné, taux de corrections, incidents, satisfaction des clients, et charge de travail déplacée vers la vérification. Si une tâche va plus vite mais provoque plus d'erreurs en aval, le « gain » apparent est probablement trompeur.
Définissez une période d'essai, un responsable et des critères d'arrêt. Par exemple : si un assistant de rédaction réduit le temps de préparation, mais augmente les corrections éditoriales, il faudra probablement revoir le périmètre plutôt que conclure trop vite. Cette boucle de mesure transforme une discussion abstraite sur l'IA en décision de gestion vérifiable.
Conclusion
La défiance envers l'IA ne se résume pas à un rejet du progrès. Elle traduit des questions très concrètes sur le travail, les données, la sécurité, et la capacité à distinguer un contenu authentique d'un contenu synthétique. Les plateformes, comme les entreprises, devraient traiter ces sujets comme des enjeux réels - pas comme une simple résistance « irrationnelle ».
La voie la plus solide, c'est de séparer les risques, de définir des règles adaptées à chaque usage, et de mesurer ce que ça change pour les personnes concernées. L'IA peut améliorer un produit ou un processus, mais la confiance ne se décrète pas : elle se construit avec des choix expliqués, des contrôles qui tiennent la route et une responsabilité clairement attribuée. Avant votre prochain déploiement, posez-vous simplement : quel problème cherchez-vous à résoudre, qui est exposé, et quels critères vous feraient arrêter ou modifier l'expérience.
Comment Instagram arbitre entre IA et authenticité
Mosseri explique qu'Instagram ne classe pas les créateurs différemment uniquement parce qu'ils utilisent l'IA. Il reconnaît toutefois que la plateforme ne met probablement pas en avant les contenus générés de la même façon que ceux qui ne le sont pas, notamment parce qu'une partie de la production automatisée est de faible qualité. Derrière, il y a un arbitrage : ne pas bannir une technologie, tout en évitant que l'augmentation du volume dégrade l'expérience du fil.
Pourquoi une interdiction générale est difficile à appliquer
Instagram ne considère pas réaliste d'interdire tout contenu généré par IA. Une règle aussi large serait difficile à faire respecter : les publications peuvent mélanger photo réelle, retouche automatisée, génération partielle et montage. Fixer le seuil à partir duquel on considère qu'un contenu est « créé par IA » est déjà compliqué ; sanctionner ensuite de manière cohérente à grande échelle l'est encore plus.
Et surtout : une interdiction large risque aussi de pénaliser des usages acceptables. Illustration conceptuelle, traduction, sous-titrage, accessibilité ou création assistée - ce sont des cas différents. En pratique, ça pourrait simplement déplacer une partie des contenus vers des formats plus difficiles à détecter, sans empêcher les usages trompeurs.
L'étiquetage comme outil de transparence, pas comme solution complète
Instagram demande à certains comptes liés à l'IA de s'identifier et utilise des étiquettes pour indiquer quand des contenus sont générés. L'idée est assez simple : donner un peu de contexte pour que l'utilisateur comprenne mieux ce qu'il voit. C'est utile si l'info est compréhensible et visible au bon moment.
Mais l'étiquette ne répond pas à toutes les questions. Elle ne dit pas forcément quelles données ont servi à produire le contenu, ni si les personnes représentées ont donné leur accord, ni si la publication est factuelle. Elle ne garantit pas non plus que tout sera détecté correctement. La transparence doit donc aller avec des règles claires sur les faux comptes, l'usurpation d'identité, les signalements et la gestion des erreurs.
Le classement, un choix éditorial et économique
Le système de recommandation détermine ce que les utilisateurs voient. Donc, mécaniquement, il détermine aussi ce qui obtient de la visibilité. Si une plateforme récompense surtout le volume sans assez tenir compte de la qualité, l'IA peut transformer le fil en inondation. Si au contraire elle pénalise toute production assistée, elle risque d'écarter des créateurs qui utilisent ces outils de façon légitime.
Le critère le plus solide ressemble à un ensemble : qualité, pertinence, respect des règles et transparence. Il reste des désaccords, parce que la qualité est difficile à mesurer automatiquement, et parce que les décisions de classement ont des effets économiques directs sur les créateurs. Les plateformes doivent donc expliquer leurs principes, suivre ce que ça produit vraiment et prévoir des recours quand une décision automatisée nuit à un compte.