IA et humanité : pourquoi Cambridge choisit « humain »
Cambridge désigne « humain » comme mot de l’année 2026. Ce choix éclaire les enjeux de l’IA pour le travail, la création, les entreprises et les droits.

Pourquoi le mot « humain » résume le débat sur l'IA en 2026
Le Cambridge Dictionary a choisi « human » comme mot de l'année 2026. Ce n'est ni un palmarès scientifique des inquiétudes du public, ni une prise de position contre l'intelligence artificielle. C'est plutôt le symptôme d'une question qui s'impose à mesure que les machines écrivent, créent des images et influencent des décisions : qu'est-ce qui doit rester, concrètement, humain - et qui a le pouvoir de le décider ?
Le débat ne se limite pas aux performances des modèles. Il touche au travail, à la création, aux droits sur la voix et l'image, et aussi à la façon dont les entreprises répartissent les responsabilités entre leurs équipes et leurs outils. Pour les organisations, la question n'est pas de choisir entre une IA « tout-terrain » et le retour au « tout humain ». La vraie décision consiste à repérer où l'automatisation apporte un gain réel, où elle déplace les risques, et dans quels cas une présence humaine reste indispensable.
Le choix de Cambridge est un bon point de départ pour clarifier ces arbitrages. On peut voir ce qu'il dit, ce qu'il ne prouve pas, et surtout comment en tirer des décisions praticables - sans confondre progrès technique et progrès humain.
Pourquoi Cambridge a choisi le mot « humain »
Le Cambridge Dictionary définit « human » comme ce qui porte les qualités, les défauts et les sentiments associés aux personnes, par opposition aux dieux, aux animaux ou aux machines. En 2026, cette définition prend une teinte particulière : les systèmes d'IA imitent désormais des capacités longtemps vues comme des marques de l'humain - écrire, dialoguer, produire des images.
Le dictionnaire rappelle aussi que les débats actuels ne concernent pas seulement ce que les modèles savent faire. Ils portent sur ce qu'ils ne devraient pas remplacer, sur les droits des personnes dont les contenus servent à l'entraînement, et sur les effets de ces systèmes une fois déployés.
Sur ce sujet, les prises de parole sont variées. Bill Gates a défendu l'idée que certains métiers doivent rester réservés aux humains, notamment dans le soin. Geoffrey Hinton a alerté sur la création d'entités artificielles qui pourraient nous paraître « étrangères ». Le pape Léon XIV, lui, a pointé de nouvelles formes de déshumanisation. Il n'y a pas une doctrine unique : le fil conducteur traverse plusieurs domaines, du travail à la morale.
La création artistique est un autre point de friction. Des artistes et des organisations professionnelles ont contesté l'usage de contenus humains par des modèles d'IA, ainsi que la génération de reproductions qui imitent des œuvres ou des interprètes. Là encore, ce n'est pas seulement une question de performance ou de productivité : ça touche au consentement, à l'attribution et à la rémunération.
À cela s'ajoute la protection de l'identité numérique. Le texte de Cambridge évoque Matthew McConaughey, qui a cherché à protéger des éléments de sa voix, de son visage et de sa célèbre réplique, puis Taylor Swift, qui a mené des démarches similaires pour son image et sa voix. Le problème est concret : une personne peut être représentée ou imitée sans avoir participé à la production.
Cela dit, il faut lire ce mot de l'année pour ce qu'il est : un signal culturel, pas une preuve que l'IA déshumanise forcément la société, ni une mesure de l'opinion. Sa valeur, c'est de remettre au centre la question que les organisations devraient se poser avant d'automatiser : quelle place laisse-t-on aux personnes dans ce processus ?
Ce que l'IA change dans notre définition de l'humain
L'IA générative rend la frontière entre production humaine et production machine plus floue. Un texte peut être convaincant sans qu'une personne l'ait écrit ; une voix synthétique peut ressembler à celle d'un interprète ; une image peut reprendre des codes visuels identifiables. Mais la ressemblance ne règle pas tout : intention, responsabilité et conscience ne se confondent pas.
Le philosophe des sciences Tom McClelland, cité par l'Université de Cambridge, pose justement les questions des différences entre esprit humain et esprit artificiel, et entre êtres vivants et systèmes conçus. Il évoque la conscience, la créativité et la compassion comme des pistes de réflexion - sans prétendre qu'une réponse unique suffirait à définir l'humanité. Et c'est là que ça devient utile pour les entreprises : produire un résultat ne donne pas, automatiquement, les mêmes capacités ni les mêmes responsabilités que la personne qui produit ce résultat.
Dans un cadre professionnel, la distinction se traduit vite. Un assistant peut proposer une réponse à un client, sans comprendre au sens « humain » ce que déclenche une erreur pour cette personne. Un modèle peut classer un dossier, sans porter la responsabilité d'une exclusion injustifiée causée par une mauvaise décision. Une sortie bien présentée ne remplace donc ni la vérification ni l'identification d'un responsable.
La question ne porte pas seulement sur « est-ce que la machine pense ? ». Elle concerne aussi l'organisation autour de ces outils. Une entreprise peut utiliser l'IA pour accélérer une tâche tout en gardant une personne capable de contrôler les cas ambigus. En revanche, la validation humaine de façade - quand l'opérateur n'a ni le temps ni l'autorité de corriger - n'est pas une supervision : c'est un décor.
La chercheuse Rachel Adams, spécialiste de la gouvernance de l'IA et des droits humains à Cambridge, souligne deux faces du sujet : l'IA peut renforcer des inégalités existantes, mais elle peut aussi contribuer à les réduire. Ce tiraillement rend les verdicts généraux dangereux. Un outil de traduction peut aider des personnes à accéder à un service ; un système de sélection mal conçu peut reproduire des biais présents dans les données ou dans les procédures internes.
En somme, le mot « humain » ne trace pas une frontière technique nette. Il rappelle plutôt que toute capacité automatisée doit être jugée dans son contexte : qui profite du système, qui subit ses erreurs, et qui peut contester une décision. C'est, à mon avis, une manière plus solide d'aborder l'IA que de chercher une définition définitive de l'intelligence humaine.
Quels effets pour le travail et les entreprises
Pour une entreprise, le débat se traduit d'abord en choix de conception. Automatiser une tâche peut réduire les délais et les coûts, mais ça peut aussi déplacer la charge vers des salariés chargés de corriger les erreurs, de traiter les exceptions ou de rassurer les clients. Si l'entreprise ne mesure pas cette charge, le gain annoncé reste incomplet.
L'idée de « métiers réservés aux humains », défendue par Bill Gates pour des activités comme le soin, ne veut pas dire que toute tâche d'un métier doit être retirée à l'automatisation. Dans un établissement de santé, un outil peut aider à organiser des informations ou à préparer un compte rendu. En revanche, déléguer à la machine l'écoute d'un patient, l'arbitrage d'une situation complexe ou l'explication d'une décision n'est pas automatiquement souhaitable. Le bon niveau de question, c'est souvent la tâche, pas le métier entier.
La même logique vaut pour les fonctions de service, les ressources humaines ou le support client. Un assistant peut préparer une première réponse ou retrouver une procédure. Mais dès que la demande touche une situation exceptionnelle, une vulnérabilité, ou une décision avec des conséquences importantes, l'escalade vers une personne doit exister. Cela suppose des règles de transfert, des délais réalables et une équipe qui dispose des informations nécessaires pour reprendre le dossier.
Dans la création, la question économique est tout aussi directe. L'IA peut accélérer une exploration visuelle ou générer des variantes. Mais imiter une voix ou un style identifiable engage des droits et une relation de confiance. Les initiatives citées par Cambridge - dont le label « Human Authored » lancé par l'Authors Guild - répondent à une demande de transparence sur l'origine des œuvres. Pour une marque, annoncer clairement l'usage de l'IA peut valoir mieux que de laisser le public découvrir une production synthétique après coup.
Les risques concernent aussi la réputation et la sécurité. Les « hypertrucages » peuvent donner l'impression qu'une personne a dit ou ordonné quelque chose qu'elle n'a jamais formulé. En France et en Europe, une organisation doit donc traiter la protection des données, les droits à l'image et la sécurité des accès comme des sujets de gouvernance - pas comme des détails de communication. Le RGPD encadre déjà les données personnelles : l'IA ne supprime pas ces obligations.
Enfin, le calcul économique doit intégrer le coût du contrôle. Vérifier, corriger les erreurs, former les équipes, assurer la conformité et prévoir des voies de recours : tout cela a un prix. Automatiser quelques minutes et déclencher un risque élevé, ou une longue file de corrections, n'est pas forcément rentable. Le bon critère n'est pas « combien de tâches ont été automatisées ? », mais : « le résultat est-il meilleur pour l'utilisateur et soutenable pour l'organisation ? »
Comment décider où garder une intervention humaine
Une règle simple aide à éviter les choix dictés par l'effet de nouveauté : plus une décision est difficile à corriger et plus ses conséquences touchent des personnes, plus le niveau de supervision doit être solide. Cela ne veut pas dire qu'un humain doit valider chaque sortie d'un modèle. Ça veut dire qu'on ajuste le contrôle au risque réel, plutôt que d'ajouter une validation symbolique partout.
Évaluer les décisions avant de choisir l'outil
Avant d'aller vers un outil, décrivez clairement cinq points :
- La tâche exacte : le système rédige-t-il, classe-t-il, recommande-t-il ou décide-t-il ? Ces fonctions n'exposent pas aux mêmes risques.
- Les conséquences d'une erreur : s'agit-il d'un désagrément réversible, ou d'un impact sur l'emploi, l'accès à un service, la santé, les droits ?
- La possibilité de corriger : l'erreur est-elle détectable avant d'être appliquée ? Existe-t-il un recours compréhensible et assez rapide ?
- Les personnes concernées : qui gagne du temps, et qui subit les conséquences d'un résultat incorrect ?
- Le coût complet : combien de temps faut-il pour vérifier, reprendre les exceptions, former les équipes et maintenir le système ?
Cette analyse doit être faite avant de sélectionner un fournisseur. Commencer par « on a cette techno, à quoi on l'associe ? » conduit souvent à automatiser une étape sans revoir le processus autour.
Définir une supervision qui fonctionne en pratique
Une intervention humaine n'a de valeur que si elle est possible. Les personnes chargées de contrôler doivent connaître les limites de l'outil, avoir le temps de vérifier et pouvoir modifier ou refuser une recommandation sans pénalité implicite. Si l'indicateur de performance ne récompense que le volume traité, l'organisation pousse les validations trop vite.
Il faut aussi tracer les choix importants : version du système, données utilisées quand on peut l'établir, critères de contrôle, incidents, décisions de reprise. Le but n'est pas de documenter chaque échange anodin. Il s'agit de pouvoir expliquer, après un incident, comment le résultat a été produit et qui devait agir.
Tester le système sur les cas qui dérapent
Un pilote ne devrait pas se limiter aux exemples faciles. Testez les demandes ambiguës, les informations manquantes, les profils moins bien représentés, et les scénarios où le modèle répond avec assurance tout en se trompant. Mesurez les erreurs, mais aussi le temps nécessaire pour corriger et le nombre de cas transférés à une personne.
Ensuite, les résultats doivent guider la décision : étendre l'usage, le limiter à certaines tâches, renforcer le contrôle, ou l'arrêter. L'arrêt n'est pas un échec si le coût des erreurs dépasse le bénéfice. C'est simplement une décision de gestion cohérente.
À retenir : gardez une intervention humaine substantielle quand l'usage touche aux droits, à la sécurité, à la santé, à l'emploi ou à une relation de confiance. Automatisez plus largement quand les tâches sont réversibles, vérifiables et corrigibles - et seulement si vous suivez leurs effets réels. Dans tous les cas, nommez un responsable et prévoyez une vraie manière de corriger les erreurs.