Introduction : De « l’utilisation de l’IA » à « la construction de l’IA » – Un tournant décisif

Fin 2025, OpenClaw , un projet d’agent IA open source , a fait une entrée fracassante sur la scène technologique, attirant des millions de visiteurs et plus de 100 000 étoiles sur GitHub en une seule semaine. « Votre assistant, votre machine, vos règles » : ce slogan a suscité un immense enthousiasme au sein des communautés technologiques des pays du Nord. Presque simultanément, plusieurs géants de la tech se sont empressés de lancer leurs propres produits d’« agent IA », chacun prétendant révolutionner la nature même du travail intellectuel. Pour les professionnels de la tech des pays du Nord, il s’agit peut-être d’un nouveau cycle passionnant d’itérations techniques ; mais pour les chercheurs, les leaders de mouvements et les intellectuels des pays du Sud, une question plus fondamentale se pose : alors que tous célèbrent les avancées techniques des agents IA, rares sont ceux qui s’interrogent sur la propriété et le contrôle de ces outils, et sur les intérêts qu’ils servent.

Il ne s’agit pas d’une question rhétorique. Lorsqu’une chercheuse des pays du Sud utilise l’interface de chat ChatGPT pour faciliter sa rédaction, elle est une utilisatrice d’IA : elle utilise un produit conçu par d’autres, fonctionnant selon des règles établies par d’autres, sur des plateformes appartenant à d’autres, avec des données sélectionnées par d’autres. Elle peut, en principe, coller sa méthodologie dans l’invite de commande et enregistrer le résultat dans un fichier, mais ce ne sont que des solutions de contournement rudimentaires, et non des fonctionnalités systémiques. La logique comportementale du système lui reste opaque, l’intégration de la méthodologie est ponctuelle et fragile, et l’accumulation des connaissances dépend entièrement d’un travail manuel en dehors de la plateforme. Chaque conversation est isolée ; rien ne se combine.

Mais si cette chercheuse dispose d’un système de recherche composé de dizaines, voire de centaines d’agents – chacun doté de responsabilités et de critères de qualité clairement définis, capable de rechercher automatiquement des centaines de pages web, de traiter des centaines de documents, de les analyser selon le cadre théorique choisi et de générer des rapports de recherche comportant des milliers de citations –, alors elle n’est plus une utilisatrice, mais une créatrice . Le système lui appartient, la méthodologie est intégrée par elle, les connaissances accumulées appartiennent à son institution et l’ensemble du processus de recherche est transparent et sous son contrôle.

Le passage du statut de consommateur à celui de constructeur est une étape cruciale pour les pays du Sud dans leur reconquête de la souveraineté technologique.

Le fondement technique sur lequel repose cette avancée est appelé système multi-agents déclaratif . Cet article aborde trois questions de plus en plus complexes : qu’est-ce que l’« IA agentique » ? Comment construit- on de tels systèmes ? Et comment les intégrer à ses propres travaux pour déterminer les éléments à construire ? Dans l’article précédent de cette série, nous avons proposé l’architecture technique AI4SS (intelligence artificielle pour les sciences sociales) : « un noyau, trois référentiels, quatre domaines ». Le système multi-agents déclaratif et son langage de patrons POMASA, sujets de cet article, constituent précisément ce « noyau » – l’environnement d’exécution intelligent – ​​le moteur qui pilote l’ensemble du système AI4SS. La finalité du système est analytique : il recherche, vérifie, raisonne et synthétise. Le fait que ses résultats soient textuels est une conséquence de sa méthode, et non son objectif. POMASA n’est pas un système multi-agents en soi ; c’est un guide de construction : un ensemble de patrons architecturaux validés qui indiquent les éléments à construire, tandis que l’environnement d’exécution intelligent détermine la méthode.

Il ne s’agit pas ici de spéculations théoriques. Le projet Global South Insights (GSI) de Tricontinental : Institut de recherche sociale a déjà conçu et exploite des dizaines de systèmes multi-agents déclaratifs, dont le plus vaste et le plus complexe – le Système de production de la recherche – comprend plusieurs centaines d’agents déclaratifs. Ce qui suit est tiré de notre expérience.

1. Une nouvelle forme de logiciel – Le système multi-agents déclaratif

Quand on parle d’« IA agentive », le terme est souvent enveloppé d’un voile de marketing trompeur. Une fois ce voile dissipé, une réalité technique simple apparaît : un système multi-agents (SMA) est, par essence, un logiciel – ni magie, ni les prémices d’une intelligence générale, mais un nouveau type de logiciel doté d’un cadre conceptuel clair, de principes architecturaux et d’une méthodologie d’ingénierie. Comprendre ce point est essentiel pour faire passer l’IA du stade de simple effet de mode à celui de réalité concrète.

1.1 Des invites longues aux systèmes multi-agents : pourquoi les SMA sont-ils nécessaires ?

Prenons l’exemple d’une chercheuse qui tente d’utiliser l’IA pour une tâche de recherche complexe. Elle pourrait rédiger une consigne détaillée, condensant définitions des rôles, méthodes de recherche, cadres théoriques, formats de sortie et critères de qualité en un seul bloc de texte. À mesure que la tâche se complexifie, cette consigne atteint 30 000 voire 50 000 mots ; trois problèmes structurels deviennent alors inévitables.

Premièrement, la dilution de l’attention . Même sans dépasser la fenêtre de contexte du modèle, les grands modèles de langage confrontés à des invites longues et détaillées simplifieront leur exécution de manière autonome, ignorant les détails qu’ils jugent non pertinents, ce qui rend la qualité du résultat imprévisible. Deuxièmement, l’absence d’isolation modulaire . Même si l’auteur divise mentalement l’invite en « étape un, étape deux », tout le contenu est chargé dans un seul contexte, et la modification d’une section peut affecter une autre de manière inattendue – un peu comme écrire tout le code dans une seule et énorme fonction : bien que divisée en sections par des commentaires, elle reste monolithique. Troisièmement, la maintenance devient impossible . Sans passage flexible de paramètres, sans contrôle dynamique des processus, la modification d’un guide de style nécessite de recharger l’intégralité de l’invite de 30 000 mots.

Il ne s’agit pas de problèmes hypothétiques. Tout chercheur ayant tenté d’intégrer un cadre analytique complet – définitions des rôles, hiérarchies des sources, engagements épistémologiques, normes de citation, guides de style – dans une simple conversation avec une IA s’est heurté à ce problème : l’IA ignore les normes de citation ; toute modification du cadre analytique déstabilise le format de sortie ; chaque nouvelle conversation exige de tout recharger. La spécification des connaissances, élaborée avec soin, est devenue trop complexe pour le format d’une seule conversation.

Pour les ingénieurs logiciels, cette situation est familière. Une longue invite est, par essence, une concaténation de textes : définitions de rôles, méthodologies, guides de style et autres composants assemblés en un tout massif et transmis à l’IA dans son intégralité. C’est comme lire à voix haute un manuel d’utilisation complet à quelqu’un, de la première à la dernière page, puis s’attendre à ce qu’il exécute chaque tâche de mémoire. L’ingénierie logicielle était elle aussi à ce stade à ses débuts – tout le code était écrit dans un seul fichier – et, depuis la révolution de la programmation structurée à la fin des années 1960, a évolué pendant des décennies vers l’architecture modulaire actuelle : chaque module remplit une fonction distincte, peut être démarré et arrêté indépendamment et collabore via des interfaces clairement définies. L’ingénierie des invites reste bloquée au stade du « tout-en-un », et les systèmes multi-agents cherchent précisément à achever le chemin parcouru par l’ingénierie logicielle : donner à chaque module un cycle de vie indépendant et des limites clairement définies.

La solution : plutôt que de tout confier à une seule conversation d’IA, décomposer une tâche complexe en plusieurs agents . Chaque agent est une unité de travail d’IA indépendante, dédiée à une tâche spécifique (comme « rassembler de la documentation sur un sujet donné » ou « rédiger une analyse selon un cadre spécifié »). Plusieurs agents, chacun responsable de son rôle et travaillant de manière coordonnée, constituent un système multi-agents.

1.2 Concepts fondamentaux des MAS

Pour comprendre le fonctionnement des systèmes multi-agents, il est nécessaire de maîtriser cinq concepts fondamentaux.

Le cahier des charges d’un agent est un document de définition établi lors de sa conception. Il s’agit d’un fichier texte rédigé en langage naturel – le format le plus courant étant Markdown (une syntaxe de formatage légère largement utilisée pour la rédaction de documents), bien qu’un simple fichier texte convienne également – ​​décrivant les actions que l’agent doit entreprendre : définition des rôles, spécifications des entrées, description des tâches, spécifications des sorties et critères de qualité. Un cahier des charges est à un agent ce qu’un plan d’architecte est à un bâtiment : le plan n’est pas le bâtiment lui-même, mais une description complète de celui-ci.

L’ instance d’agent est une entité d’exécution. Lorsqu’un modèle est lancé, le système crée une instance dotée de sa propre fenêtre de contexte indépendante ; elle comprend la tâche, exécute les opérations et produit des résultats dans son propre espace. Un seul modèle peut lancer plusieurs instances simultanément, tout comme un seul ensemble de modèles peut servir à construire plusieurs bâtiments de structure identique.

L’ environnement d’exécution est la plateforme d’IA qui exécute les agents. Contrairement aux environnements d’exécution de programmes traditionnels, un environnement d’exécution d’IA (tel que Claude Code ) n’est pas un simple exécutant d’instructions passif, mais un environnement intelligent : il comprend l’intention exprimée en langage naturel, sélectionne de manière autonome les stratégies d’exécution et prend des décisions et effectue des ajustements en cas de problème. Un environnement d’exécution traditionnel exécute mécaniquement les séquences d’instructions ; un environnement intelligent comprend l’intention et sélectionne intelligemment les méthodes d’exécution.

Le bus de données est le canal par lequel les agents échangent des données ; dans l’implémentation actuelle la plus courante, il s’agit simplement du système de fichiers. L’agent A écrit sa sortie dans un répertoire désigné ; l’agent B lit ce répertoire en entrée. Cette conception, en apparence simple, repose sur une considération fondamentale : tous les produits intermédiaires sont des fichiers directement lisibles par l’humain – complets, transparents et traçables.

Les données de référence sont des connaissances externalisées du domaine : documents méthodologiques, cadres théoriques, normes disciplinaires, ontologies du domaine, etc. Par exemple, le GSI conserve un document de référence sur les fondements de la théorie marxiste, partagé par plusieurs systèmes et servant de base analytique commune (un prochain article de cette série examinera ce document en détail). Partagées par tous les agents, mais invariantes d’une tâche à l’autre, les données de référence constituent le socle de connaissances d’un système multi-agents et le réceptacle des ressources de connaissances institutionnelles.

En pratique, chacun de ces cinq concepts se traduit par des activités de recherche concrètes. Les plans d’agents sont des fichiers Markdown décrivant des tâches telles que « collecter et vérifier des données fiscales sur le secteur extractif d’un pays » ou « analyser les impacts distributifs à l’aide d’un cadre épistémologique défini ». Les instances d’agents correspondent aux sessions de travail individuelles d’IA lancées à partir de ces plans : une instance collectant des données sur les contrats de gaz naturel, une autre collectant simultanément des données sur les redevances minières. L’environnement d’exécution est la plateforme d’IA intelligente qui exécute ces agents. Le bus de données est un ensemble de dossiers : l’un contenant les données vérifiées, un autre les analyses thématiques, un troisième les brouillons ; chacun étant accessible et inspectable à tout moment. Enfin, les données de référence comprennent les ressources de connaissances institutionnelles rassemblées par l’équipe de recherche : documents de cadre épistémologique, guides méthodologiques, normes de style et sources primaires qui sous-tendent le travail de chaque agent.

1.3 Déclaratif versus impératif : pourquoi l’approche déclarative est-elle plus avancée ?

Il existe deux approches fondamentalement différentes pour la construction de systèmes multi-agents.

L’ approche impérative était la méthode dominante dans les frameworks antérieurs à 2025 (tels que LangChain et AutoGen ) : le comportement de l’agent est défini par du code Python, qui contrôle ses actions. Cette approche nécessite des programmeurs, impose une barrière à l’entrée élevée, exige un code conséquent et rend le débogage complexe.

L’ approche déclarative constitue un nouveau paradigme : le comportement des agents est défini par des documents en langage naturel, décrivant les propriétés attendues du résultat , tandis que le processus d’exécution est délégué à l’ environnement d’exécution intelligent, qui le détermine de manière autonome. Après la sortie de Claude Code par Anthropic en 2025, la méthode déclarative s’est rapidement imposée, car Claude Code, en tant qu’environnement d’exécution intelligent, prend en charge nativement le lancement et la gestion de sous-agents via des modèles en langage naturel, rendant ainsi les frameworks impératifs superflus pour la construction de systèmes multi-agents.

Cette distinction ne relève pas d’une préférence stylistique, mais d’un choix architectural. Son essence réside dans le report des décisions de la conception à l’exécution . Un système impératif détermine, au moment où le développeur écrit le code, comment gérer une situation donnée ; un système déclaratif décrit uniquement le résultat attendu, laissant au moteur d’exécution intelligent le soin de déterminer les stratégies d’exécution spécifiques de manière autonome face aux conditions réelles. Il ne s’agit pas de paresse, mais de la reconnaissance d’un fait matériel : lors de la conception, le développeur dispose de beaucoup moins d’informations que le système d’IA lors de l’exécution. De même, un architecte ne devrait pas inscrire sur les plans « en cas de pluie demain, utiliser le plan B », mais déléguer les ajustements tactiques à l’équipe de construction intelligente sur le chantier.

La différence pratique est flagrante. Avec l’approche impérative, un chercheur aurait besoin d’un programmeur pour écrire du code Python spécifiant, étape par étape, comment rechercher les données, comment analyser les résultats et comment gérer un lien brisé ou un PDF impossible à télécharger. Avec l’approche déclarative, le chercheur rédige un cahier des charges en langage clair : « Collecter les données fiscales sur le secteur extractif de 2015 à 2025, en privilégiant les documents budgétaires gouvernementaux, les rapports de rapprochement et les consultations au titre de l’article IV du FMI ; vérifier chaque chiffre auprès d’au moins deux sources indépendantes ; signaler tout écart supérieur à 5 %. » Il décrit le format attendu du résultat ; le système intelligent détermine comment l’obtenir. L’obstacle entre le chercheur et le système opérationnel n’est plus le code, mais la clarté de ses propres spécifications.

Des données quantitatives issues de la pratique confirment ce choix. Une étude à grande échelle menée par PayPal en 2025 a démontré que l’approche déclarative réduisait le temps de développement de 60 %, triplait la vitesse de déploiement et diminuait d’un ordre de grandeur la taille des modèles d’agents. Les ingénieurs de PayPal ont conclu : « La plupart des flux de travail d’agents sont composés de modèles communs – sérialisation des données, filtrage, génération augmentée par la récupération, orchestration des API – qui peuvent être exprimés par un langage déclaratif unifié, sans nécessiter de code impératif. »

L’histoire offre le meilleur cadre pour comprendre cette transformation. Du langage assembleur aux langages de haut niveau, de la programmation procédurale aux requêtes déclaratives SQL, du déploiement manuel à l’« infrastructure en tant que code », chaque niveau d’abstraction accru a considérablement élargi le champ des possibles . Le système multi-agents déclaratif représente la dernière étape de cette évolution : il abaisse le seuil d’accès à la « construction de systèmes d’IA », passant de la simple « capacité à écrire du code » à la simple « capacité à décrire un problème ».

Cela signifie que le constructeur n’a plus besoin d’être programmeur.

Ce dont le concepteur a besoin, c’est d’une expertise du domaine : la capacité de comprendre les problèmes et d’exprimer clairement ses besoins. Pour les chercheurs et les acteurs de changement dans les pays du Sud, cette transformation a une conséquence décisive : il n’est plus nécessaire de dépendre des ingénieurs logiciels pour développer ses propres outils d’IA.

2. Tout le monde peut construire – Le langage des modèles comme guide de construction

Le système multi-agents déclaratif abaisse le seuil d’ accès à la création de systèmes , mais la mise en œuvre de bonnes pratiques reste essentielle. Un développeur inexpérimenté, face à une page blanche, ignore par où commencer, combien d’agents définir, comment les faire collaborer et comment garantir la qualité. Le langage de patrons de conception existe précisément pour résoudre ce problème.

2.1 De « savoir coder » à « savoir décrire » : une nouvelle forme d’autonomisation

La principale liberté offerte par le système multi-agents déclaratif réside dans le fait que le concepteur n’a pas besoin d’écrire de code, mais de rédiger des documents. Un modèle d’agent est un fichier Markdown contenant les définitions de rôles, les spécifications d’entrée, les descriptions de tâches, les spécifications de sortie et les critères de qualité. Modifier le comportement d’un agent revient à modifier un passage de texte : aucune compilation, aucun déploiement, aucun débogage ne sont nécessaires.

Cela signifie que les experts du domaine peuvent participer directement à la définition et à la modification du système . Une économiste politique peut consulter le schéma d’un agent, comprendre son fonctionnement et modifier son cadre analytique – dans un langage naturel qu’elle maîtrise, plutôt qu’en Python, langage qu’elle ne connaît pas. La méthodologie de recherche peut ainsi être directement traduite en comportement du système.

Cela revêt une importance particulière pour les pays du Sud. Dans le modèle traditionnel de développement de l’IA, les chercheurs doivent « traduire » leurs besoins pour les ingénieurs logiciels, qui les implémentent ensuite en code. Lors de cette traduction, l’intention est inévitablement déformée et simplifiée. Le système déclaratif élimine cette étape : le chercheur lui-même construit le système.

2.2 Langage de modèles : Bonnes pratiques exécutables

Mais la liberté n’engendre pas automatiquement l’excellence. Les nouveaux constructeurs ont encore besoin de savoir à quoi ressemble un bon système.

Le langage de patrons est la réponse classique à cette question. Il trouve son origine dans l’architecture : Christopher Alexander a proposé dans son ouvrage fondateur des années 1970, *A Pattern Language*, un ensemble de patrons de conception validés par la pratique, chacun résolvant un problème de conception récurrent, les patrons formant un réseau organique de relations qui, ensemble, guident les constructeurs dans la création d’œuvres de haute qualité.

Prenons l’un des exemples originaux d’Alexander : le modèle n° 159, « Lumière sur deux côtés dans chaque pièce ». Alexander a observé que, lorsqu’on a le choix, on est toujours attiré par les pièces avec des fenêtres sur deux côtés, tandis que celles avec une seule fenêtre sont négligées – car la lumière d’un seul côté crée des contrastes marqués et un éblouissement qui provoquent instinctivement un inconfort. Le principe de ce modèle est donc le suivant : lors de l’aménagement de chaque pièce, assurez-vous qu’elle possède des murs extérieurs sur au moins deux côtés où l’on peut placer des fenêtres, permettant ainsi à la lumière naturelle d’entrer de plusieurs directions. Il s’agit d’un « modèle » : il identifie un problème récurrent (l’éclairage d’un seul côté provoque un inconfort), propose une solution éprouvée (la lumière sur deux côtés) et ne prescrit pas de méthodes de construction spécifiques. Le génie logiciel a intégré avec succès cette approche dans les années 1990 – les modèles de conception du Gang des Quatre restent une référence incontournable pour tout programmeur.

POMASA est un langage de patrons qui hérite de cette tradition d’Alexander. Prenons l’exemple du patron STR-02, « Bus de données du système de fichiers ». Lorsqu’une collaboration entre plusieurs agents se pose, une question essentielle se pose : comment se transmettent-ils les informations ? On pourrait utiliser une base de données, une file d’attente de messages ou diverses solutions techniques sophistiquées, mais les résultats intermédiaires deviennent alors invisibles pour l’utilisateur, enfermés dans les entrailles du système. Ce patron propose un principe : utiliser le mécanisme le plus simple possible – les fichiers et les dossiers. L’agent A écrit sa sortie dans un fichier d’un répertoire désigné ; l’agent B lit ce répertoire en entrée. Tous les produits intermédiaires sont des documents qu’un utilisateur peut ouvrir et lire directement. En cas de problème à n’importe quelle étape, l’ouverture du dossier correspondant révèle exactement ce que chaque agent a produit – aucune opacité.

À l’ère de l’IA, les langages de patrons subissent une transformation radicale. Traditionnellement, ils étaient conçus pour être lus par des humains qui les comprenaient avant de les traduire en code. Dans un environnement d’exécution intelligent, le langage de patrons est lui-même écrit en langage naturel, que l’IA peut comprendre. Il devient ainsi exécutable . On peut fournir un ensemble de patrons à un système d’IA, qui générera directement un système multi-agents fonctionnel.

Cela redéfinit le sens du terme « logiciel libre ». Traditionnellement, le logiciel libre consistait à publier du code pour que d’autres puissent l’exécuter.

À l’ère de l’IA, publier un langage de modèles équivaut à publier un code source , car d’autres peuvent transmettre ces modèles à un système d’IA et reconstruire une architecture équivalente.

2.3 POMASSA : Notre langage des modèles

POMASA (Pattern-Oriented Multi-Agent System Architecture) est précisément un langage de patrons de conception. Il ne s’agit pas d’un système logiciel spécifique, mais d’un ensemble de patrons architecturaux affinés par la pratique et validés par le déploiement.

POMESA comprend vingt modèles répartis en quatre catégories :

• Modèles de base (COR, 2 modèles) : Agent défini par invite (COR-01) et exécution intelligente (COR-02) – la base de tout.
• Modèles de structure (STR, 9 modèles) : Configuration des données de référence, Bus de données du système de fichiers, Isolation de l’espace de travail, Conception d’agent axée sur les besoins de l’entreprise, Assemblage de documents composables, Conseils méthodologiques et autres – définissant le squelette du système.
• Modèles de comportement (BHV, 6 modèles) : Pipeline d’agents orchestré, Instanciation fidèle du plan directeur, Exécution d’instances parallèles, Raffinement progressif des données, et autres – définissant le fonctionnement du système.
• Modèles de qualité (QUA, 3 modèles) : Normes de qualité intégrées, Normes de qualité intégrées, Assurance qualité par couches, Traçabilité des données vérifiable – définissant comment le système assure la fiabilité.

Présentation de l’architecture POMESA : de la définition du plan à l’exécution intelligente, via le bus de données du système de fichiersChaque modèle est classé selon trois niveaux : obligatoire , recommandé et optionnel . La configuration minimale viable ne requiert que six modèles obligatoires pour démarrer ; dix modèles recommandés couvrent la majorité des scénarios ; des modèles optionnels supplémentaires peuvent être introduits progressivement en fonction des besoins réels.

Un nouveau développeur n’a pas besoin de maîtriser les vingt modèles avant de commencer. Les six modèles essentiels suffisent à transformer une conversation complexe en un système modulaire : définir les agents en Markdown (COR-01), les exécuter sur un environnement d’exécution intelligent (COR-02), échanger des données entre eux via des dossiers (STR-02), isoler l’espace de travail de chaque agent (STR-03), intégrer des normes de qualité directement dans chaque modèle (QUA-01) et orchestrer les agents dans un pipeline (BHV-01). À mesure que l’expérience s’accroît, les modèles recommandés peuvent être introduits progressivement : l’exécution parallèle pour explorer plusieurs dimensions simultanément, l’assurance qualité par couches pour séparer l’agent qui écrit de celui qui relit.

Ce langage de patrons n’a pas été conçu de manière abstraite. Il a été affiné à partir de systèmes de production réels, en commençant par cinq patrons et en s’étendant progressivement à vingt grâce à la construction itérative de systèmes et à la résolution de problèmes. Chaque patron correspond à une erreur commise ou à un défi de conception rencontré à plusieurs reprises.

2.4 Commencez dès maintenant : Trois étapes pour débuter

POMASSA n’est pas un exercice à faire assis devant son fauteuil. Si vous souhaitez l’essayer maintenant, trois étapes suffisent.

Le prérequis est un environnement d’exécution intelligent prenant en charge l’invocation de sous-agents, tel que Claude Code, Cursor ou Cline. Après avoir installé l’environnement d’exécution de votre choix, exécutez la commande npx skills add eXtremeProgramming-cn/pomasa dans l’invite de commandes pour installer la compétence POMASA (cette commande est compatible avec tous les environnements d’exécution mentionnés ci-dessus). Décrivez ensuite en langage naturel l’objet de votre recherche, par exemple : « Aidez-moi à créer un système de recherche multi-agents pour analyser les politiques de l’économie numérique en Asie du Sud-Est. » L’IA vous guidera dans la définition de vos besoins, vous recommandera une combinaison de modèles adaptée à votre description, puis générera automatiquement l’ensemble des fichiers système.

Aucune ligne de code n’est requise durant tout le processus. Le système généré est un ensemble de fichiers Markdown – des modèles d’agents que vous pouvez lire, comprendre et modifier. POMESA est un logiciel libre sous licence Apache 2.0. De plus, il ne s’agit pas d’une simple démonstration : c’est le même langage de conception que GSI utilise au quotidien.

2.5 Preuves tirées du GSI : le système de production de la recherche en pratique

Le système de production de recherche (RPS) du GSI constitue la validation la plus complète de POMASA en pratique. Le RPS comprend plusieurs centaines d’agents déclaratifs et des centaines de contrôles qualité, la grande majorité étant bloquants ; il est 100 % déclaratif, sans une seule ligne de code d’orchestration Python. Chaque agent est un fichier Markdown.

L’un des produits phares de RPS est le Rapport sur la conjoncture nationale, une étude systématique de la situation politico-économique de différents pays. Prenons l’exemple du rapport concernant un pays africain : ce rapport a suivi un processus en plusieurs étapes, depuis l’acquisition et l’intégration de la documentation, l’analyse de la conjoncture, la planification de la recherche, une recherche approfondie (portant sur plusieurs sujets par lot et impliquant plusieurs chercheurs en parallèle), la rédaction complète, le contrôle qualité, la préparation à la publication et la génération du résumé. L’ensemble du processus a traité plus d’une centaine de documents couvrant des dizaines de sujets de recherche et a produit un rapport exhaustif contenant des milliers de citations. Le système a été opérationnel en quelques jours seulement. La réalisation d’un rapport sur la conjoncture nationale d’une qualité équivalente par les méthodes traditionnelles nécessiterait entre six et douze mois. Le gain d’efficacité est donc de 100 à 200 fois.

Mais l’efficacité n’est pas le seul critère. L’assurance qualité est la question centrale à laquelle tout système multi-agents déclaratif doit répondre, car les systèmes d’IA « hallucinent » ( des recherches ont montré que plus de la moitié des citations académiques générées par ChatGPT sont fabriquées, et même GPT-4 présente encore un taux de fabrication de 18 %). RPS résout ce problème grâce à des centaines de contrôles qualité et des dizaines de paires producteur-validateur : l’agent qui génère le contenu ne peut pas vérifier sa propre production ; la validation doit être effectuée indépendamment par un agent distinct, à partir de zéro. Le système intègre également un processus de vérification des faits multicouche avec une précision au niveau du caractère : dans un rapport de recherche finalisé, des centaines de notes de bas de page ont été exemptes de citations fabriquées. Lors d’une évaluation externe, le système a obtenu d’excellents résultats, la dimension « assurance qualité » recevant un score parfait et le système étant qualifié de « système prêt pour la production et présentant une innovation significative ».

Il ne s’agit pas de théorie. Il s’agit d’un système de production déjà opérationnel, générant de véritables résultats de recherche.

3. Un exemple complet – D’une phrase à un rapport de recherche

Les deux sections précédentes ont exposé les principes des systèmes multi-agents déclaratifs et le système de modèles de POMASA, mais le lecteur est en droit de se demander : à quoi cela ressemble-t-il en pratique ? Examinons donc le processus complet, depuis un simple paragraphe d’exigences jusqu’à un rapport de recherche final contenant 85 citations.

Un lecteur, suivant de près la compétition technologique sino-américaine, a découvert sept articles en ligne sur le sujet, abordant la guerre des semi-conducteurs, la concurrence pour les terres rares, les énergies renouvelables et la politique tarifaire. Chaque article traitait d’un aspect différent, mais il souhaitait une vue d’ensemble regroupant ces analyses éparses afin de mieux appréhender la complexité de la situation. Son besoin principal, saisi dans le modèle de saisie utilisateur de POMASA, tenait en un seul paragraphe : « La guerre technologique sino-américaine dans le domaine des semi-conducteurs – incluant les puces, l’IA, la robotique, l’énergie, les terres rares et les problématiques liées à la chaîne d’approvisionnement. Il s’agit de synthétiser ces informations et de les compléter par une analyse complète de la chaîne d’approvisionnement, notamment la puissance industrielle chinoise et la position dominante de la Chine dans des secteurs connexes tels que les véhicules électriques, les batteries, les panneaux solaires et l’outillage de précision. » Il a fourni ces sept articles au système comme documents de référence.

Il a intégré cette exigence dans le générateur POMASA. Ce dernier l’a guidé à travers plusieurs paramètres clés : les préférences en matière de sources de données (priorité aux documents de politique, aux recherches évaluées par les pairs et aux rapports sectoriels crédibles, avec une attention particulière aux sources non anglophones, notamment chinoises) ; le format de sortie (synthèse de la recherche, de 5 000 à 10 000 mots) ; et le niveau d’assurance qualité (le niveau le plus exigeant). Le générateur a ensuite sélectionné automatiquement treize des vingt modèles disponibles et a produit un système de recherche multi-agents complet : sept schémas d’agents, un ensemble complet de données de référence, des documents méthodologiques et une structure de répertoires, le tout sous forme de fichiers texte lisibles et modifiables.

Le système généré fonctionne selon un processus en huit étapes. L’architecte narratif examine les sept articles de référence et conçoit la structure narrative ainsi qu’un plan de recherche détaillé. Des chercheurs spécialisés sont affectés à chaque sujet et travaillent en parallèle : chaque sujet lance une instance d’agent indépendante qui collecte des ressources sur Internet. Le vérificateur de données contrôle individuellement chaque donnée collectée : il s’agit d’une vérification exhaustive, et non d’un simple échantillon, une exigence fondamentale des critères de qualité de POMASA. Les analystes extraient les arguments des documents vérifiés et les organisent par thème. Les rédacteurs de section rédigent chaque section en respectant le guide de style établi. Enfin, l’auditeur qualité, agissant de manière indépendante, effectue une revue complète du projet.

De la saisie des données dans le formulaire à la génération du système multi-agents complet, il a fallu environ une demi-heure. Le système a ensuite fonctionné pendant plusieurs heures, effectuant des recherches approfondies, la vérification des données, l’analyse, la rédaction et un audit qualité, en explorant des centaines de sources vérifiées sur Internet. Le résultat final est un rapport intitulé « Briser le siège : l’ascension technologique de la Chine et le démantèlement de l’hégémonie technologique américaine ». Ce document de plus de 11 000 mots, comprenant 85 citations avec URL, traite des sanctions sur les semi-conducteurs et des avancées nationales, de la concurrence dans le domaine des puces d’IA, des contre-mesures liées aux terres rares, de la domination des énergies renouvelables, de la production automatisée « dark factory » et de ses implications pour les pays du Sud. L’audit qualité a obtenu d’excellents résultats, notamment pour l’argumentation et la perspective des pays du Sud. L’auditeur a simultanément établi une liste de vérification détaillée pour la révision du rapport, identifiant les points à améliorer et les citations nécessitant une vérification croisée, tout en jugeant l’analyse principale prête à être publiée.

C’est le schéma, et non le cas particulier, qui importe. Le même processus s’applique quel que soit le domaine concerné : la concurrence technologique, les industries extractives en Afrique de l’Est, la réforme agraire en Asie du Sud ou les conditions de travail en Amérique centrale. Les exigences évoluent ; les connaissances du domaine évoluent ; l’architecture du système reste la même : exigences saisies, système mis en place, recherche produite – chaque étape étant traçable.

Ce résultat n’était pas parfait – l’objectif même d’un audit qualité est d’identifier les lacunes. Les décisions finales, les améliorations et les révisions structurelles nécessitent toujours une intervention humaine ; c’est le sens concret de l’expression « l’humain dans la boucle ». Ce qui mérite toutefois notre attention, c’est le processus lui-même : un simple paragraphe d’exigences rédigé par un lecteur et sept articles de référence, combinés au système de modèles de POMASA et sans aucune programmation, ont généré un système de recherche complet qui a produit de manière autonome un rapport substantiel comportant de nombreuses citations traçables. C’est précisément le passage du statut de consommateur à celui de constructeur décrit en introduction de cet article – non pas une métaphore, mais un fait que nous avons constaté de visu.

4. Que construire ? – Une conception guidée par la nature de la tâche

« Comment construire » est une question technique ; « quoi construire » est une question stratégique. Une erreur fréquente consiste à considérer chaque tâche comme un simple outil, une fois qu’on a recours à un système multi-agents déclaratif. Or, des tâches de nature fondamentalement différente exigent des conceptions de systèmes fondamentalement différentes. La recherche aveugle d’une automatisation complète est le piège le plus courant et le plus dangereux.

4.1 Le cadre Cynefin : Comprendre la nature des tâches

Le cadre Cynefin de Dave Snowden fournit un outil d’aide à la décision pour déterminer « quel type de SMA convient à cette tâche ». Il classe les tâches en quatre domaines selon la clarté de leurs relations causales :

Cadre CynefinLe domaine Clear – les relations causales sont transparentes et le chemin est connu. Citons par exemple le téléchargement de fichiers par lots, les conversions de format et le nettoyage de données. Ces tâches se prêtent parfaitement aux pipelines entièrement automatisés ne nécessitant aucune intervention humaine.

Le domaine complexe – où les relations de cause à effet existent mais nécessitent l’expertise d’un spécialiste, et où les cadres d’analyse peuvent être définis au préalable – en est un exemple. L’évaluation des pays selon un système d’indicateurs établi en est une illustration. Ces tâches se prêtent bien aux chaînes d’analyse parallélisables : plusieurs acteurs collectent et analysent simultanément des données selon différentes dimensions, puis consolident les résultats.

Dans le domaine complexe , les relations causales ne peuvent être identifiées qu’a posteriori, et les analyses critiques doivent impérativement provenir de l’humain. À titre d’exemple, lors d’une analyse politico-économique de la structure de classes d’un pays donné, sans une compréhension du contexte historique des dynamiques raciales, l’analyse des données seules sera totalement vaine. Ces tâches exigent une collaboration itérative homme-machine : l’IA effectue des recherches exploratoires et prépare les données, l’humain apporte des analyses et des cadres théoriques, et l’IA réalise ensuite une analyse approfondie en s’appuyant sur ces cadres.

Le domaine chaotique – l’information requise n’existe dans aucune source de données accessible et doit être créée par l’intervention humaine. À titre d’exemple, citons le travail de terrain mené dans les usines et les villages pour recueillir des données primaires : ces informations n’existent pas sur Internet, ne sont pas archivées et sont hors de portée de l’IA. Dans ces tâches, l’IA ne peut servir que d’outil auxiliaire pour les travaux mécaniques tels que la transcription, l’organisation des notes et la recherche documentaire.

La plupart des projets de recherche concrets couvrent simultanément les quatre domaines, et il est essentiel de le reconnaître pour concevoir un système efficace. Prenons l’exemple d’une étude sur les raisons pour lesquelles l’extraction de richesses n’a pas engendré un développement inclusif dans un pays donné. La traduction des documents budgétaires gouvernementaux et le nettoyage des bases de données fiscales relèvent du domaine clair – des tâches entièrement automatisables. La collecte et l’analyse des données relatives aux revenus extractifs selon des dimensions établies (taux de redevances, recettes fiscales des entreprises, modalités de partage de la production) constituent une tâche du domaine complexe – les agents peuvent travailler en parallèle sur différentes matières premières à l’aide d’un cadre analytique prédéterminé. Mais la question analytique centrale – identifier la configuration spécifique des forces de classe, des relations État-capital et des pressions financières internationales qui produisent ce résultat – relève du domaine complexe : elle requiert le jugement politico-économique du chercheur, un jugement que l’IA ne peut fournir. Quant aux expériences des communautés déplacées par les activités minières – la colère, les promesses non tenues, la dynamique politique locale –, elles relèvent du domaine chaotique, accessible uniquement par un travail de terrain qu’aucun système d’IA ne peut réaliser. Un système bien conçu automatise les deux premiers domaines, structure une collaboration itérative homme-machine pour le troisième et limite le rôle de l’IA dans le quatrième à la transcription et à la récupération du contexte.

Un simple arbre de décision à trois questions peut aider à trancher : L’information nécessaire à la réalisation de cette tâche existe-t-elle déjà ? (Non – Domaine chaotique.) Le cheminement analytique menant de l’information aux conclusions est-il clair ? (Non – Domaine complexe.) Cela requiert-il l’expertise d’un spécialiste ? (Oui – Domaine complexe ; Non – Domaine clair.)

4.2 Dégradation du domaine : l’évolution du processus de recherche

L’enseignement plus profond que révèle le cadre Cynefin est le suivant : le processus de recherche lui-même est une progression allant du chaotique/complexe au compliqué/clair.

Un projet de recherche débute généralement dans une phase chaotique ou complexe : on ignore quoi étudier, quel cadre d’analyse adopter et par où commencer. À mesure que la compréhension s’approfondit, l’intégration de cadres d’analyse humains transforme les tâches complexes en tâches compliquées : une fois les dimensions analytiques et les critères d’évaluation établis, il ne reste plus qu’à collecter et analyser des données structurées, une tâche que l’IA peut accomplir efficacement. Avec la maturation des méthodes, les tâches compliquées se simplifient encore davantage pour devenir claires : les processus d’évaluation sont codifiés et peuvent être répétés de manière entièrement automatisée.

Un système multi-agents bien conçu doit accompagner cette évolution, en augmentant progressivement le degré d’automatisation à mesure que la compréhension s’approfondit. C’est d’ailleurs la mise en garde la plus importante : il ne faut pas automatiser systématiquement toutes les tâches. Forcer l’automatisation de tâches dans des domaines complexes ou chaotiques produit généralement une grande quantité de contenu superficiel et dénué de sens. Reconnaître les limites de l’IA est aussi important que de reconnaître ses capacités.

4.3 Pratiques de GSI : Différentes configurations pour différentes tâches

Les systèmes réels de GSI présentent des configurations distinctes pour chacun de ces quatre domaines.

Domaine clair : le pipeline entièrement automatisé. Une chercheuse dispose d’un ensemble de documents rédigés dans une langue qu’elle ne comprend pas et a besoin de les faire traduire dans une langue qu’elle maîtrise. Cette tâche, qui nécessitait autrefois des traducteurs professionnels, peut désormais être entièrement confiée à l’IA : les données d’entrée sont définies, les règles de traitement sont standardisées et le format de sortie est clair. Ces tâches présentent les caractéristiques suivantes : l’emplacement des informations est connu, les chemins de recherche sont clairs et les méthodes de traitement sont standardisées ; elles peuvent donc être entièrement confiées à l’IA pour une réalisation automatisée.

Domaine complexe : le pipeline analytique parallélisable. L’évaluation de l’Indice de souveraineté numérique (ISN) en est un exemple représentatif. Le cadre d’évaluation comprend quatre dimensions et seize indicateurs, déclinés en des milliers de critères d’évaluation. Pour chaque pays, le système collecte des centaines de données brutes, qui sont ensuite filtrées par déduplication et contrôles qualité afin d’obtenir des données de haute qualité. Le pipeline complet produit un rapport d’évaluation structuré en quelques heures ; des évaluations ont été réalisées pour les onze pays BRICS. Ces tâches présentent les caractéristiques suivantes : le cadre analytique est déjà établi (conçu au préalable par des experts), et il ne reste plus qu’à collecter et analyser des données structurées à grande échelle, ce que l’IA peut faire efficacement en parallèle.

Domaine complexe : collaboration itérative homme-machine. Les études de conjoncture par pays de RPS illustrent ce domaine. Le système utilise un cadre analytique universel à dix-neuf dimensions (couvrant les fondements matériels, les forces de classe et l’analyse des contradictions), mais lors de l’application de ce cadre à un pays spécifique, l’étape cruciale est la « contextualisation » : identifier les principales contradictions propres à ce pays, une tâche que l’IA ne peut accomplir automatiquement. Prenons l’exemple de l’Afrique du Sud : sans comprendre l’héritage historique du colonialisme de peuplement, sans comprendre comment les dynamiques raciales ont façonné la forme particulière des contradictions de classe dans le pays, l’IA peut collecter autant de données qu’elle le souhaite et passer complètement à côté de l’essentiel. De telles tâches exigent une collaboration homme-machine : l’IA traite des milliers de sources et produit des dizaines de rapports de recherche thématiques ; l’humain, sur cette base, fournit des jugements analytiques critiques (par exemple, en déterminant que l’Afrique du Sud nécessite l’ajout de « l’héritage du colonialisme de peuplement » comme dimension analytique spécifique au pays) ; l’IA, guidée ensuite par le cadre analytique de l’humain, tisse la recherche fragmentée en un récit analytique cohérent. L’introduction du cadre humain est précisément l’étape qui transforme une tâche complexe en une tâche compliquée.

Domaine chaotique : l’IA comme outil auxiliaire. Le travail de terrain mené dans les usines et les villages pour recueillir des données primaires – des informations introuvables sur Internet, sans archives et hors de portée de l’IA – est complexe. Dans ce domaine, l’humain pilote l’ensemble du processus, l’IA se limitant à des tâches auxiliaires mécaniques telles que la transcription audio, l’organisation des notes et la recherche documentaire. Pourtant, même ici, l’assistance de l’IA s’avère précieuse : un doctorant, après avoir utilisé l’IA pour traiter des enregistrements d’entretiens, a découvert dans les transcriptions des informations qu’il n’avait ni entendues ni remarquées lors des entretiens eux-mêmes.

5. Implications pour les pays du Sud – La convergence des systèmes multi-agents déclaratifs et de l’IA au service de la sécurité

Les sections précédentes portaient sur le marteau lui-même : pourquoi nous l’avons choisi, comment le forger, ce qu’il produit concrètement et quel type de clous il enfonce. Cette section doit répondre à une question différente : pourquoi ce marteau est-il particulièrement important pour les pays du Sud ?

La solution ne réside pas dans la technologie elle-même, mais dans l’adéquation structurelle entre la technologie et les conditions concrètes auxquelles sont confrontés les pays du Sud.

5.1 Les obstacles structurels auxquels est confronté le Sud global

Avant d’aborder le potentiel de l’IA, il nous faut d’abord nous attaquer aux obstacles structurels auxquels sont confrontés les pays du Sud.

L’asymétrie de classe dans la production du savoir. Les chercheurs au service du capital disposent de ressources, de temps et d’énergie abondants pour produire du savoir – pourtant, ce savoir ne sert pas les intérêts du peuple, mais constitue un instrument d’exploitation et d’oppression. Parallèlement, les militants des mouvements populaires manquent de ressources et de temps. Ils ne peuvent consacrer de longues heures à la lecture, à la recherche et à l’écriture. La production et la consommation du savoir sont monopolisées selon des critères de classe – une cruelle ironie.

La contradiction entre le volume d’informations et la capacité cognitive. Dans Les Tâches des Ligues de la jeunesse (1920), Lénine exigeait des marxistes qu’ils « enrichissent leur esprit de la connaissance de tous les trésors que l’humanité a créés », et la méthode marxiste de la totalité requiert une compréhension intégrée englobant l’économie, la politique, la culture et l’idéologie. Or, ces trésors de connaissance sont trop vastes, évoluent trop rapidement et leurs subdivisions sont trop spécialisées, dépassant largement les limites de la cognition individuelle. La méthode de la totalité devient ainsi un idéal irréalisable.

Barrières linguistiques et financières. La plus grande partie du savoir est produite en anglais, et les ressources de traduction sont extrêmement rares. Les ressources et bases de données universitaires sont hors de prix, et les médias progressistes manquent cruellement de ressources et de personnel. Pour un chercheur du Sud, accéder aux données et à la littérature que ses homologues du Nord considèrent comme allant de soi exige souvent un investissement disproportionné en temps et en argent.

L’asymétrie des infrastructures Nord-Sud. Les systèmes d’IA, les institutions d’édition et les index de citations sont concentrés au Nord. Les chercheurs des pays du Sud sont évalués selon des critères du Nord, publient dans des revues du Nord et leurs travaux sont encadrés par des préoccupations théoriques propres au Nord. Cette asymétrie des infrastructures numériques – de la puissance de calcul à la connectivité réseau en passant par l’approvisionnement en électricité – signifie que la vague d’IA risque d’accentuer, plutôt que de réduire, le fossé Nord-Sud.

5.2 Une triple libération

En synthétisant l’analyse précédente, le système multi-agents déclaratif offre au Sud global une triple libération structurelle.

De la consommation à la construction technologique : souveraineté épistémologique. Les systèmes multi-agents déclaratifs, associés à un langage de patrons comme POMASA, permettent aux pays du Sud de développer leurs propres outils à partir de leur propre savoir-faire, sans dépendre de la bienveillance de la Silicon Valley. Dans un système déclaratif, le plan directeur est le code source et la méthodologie, le programme ; or, les pays du Sud possèdent précisément leur propre méthodologie et leur propre savoir-faire. « Publier un langage de patrons équivaut à publier le code source » symbolise une nouvelle forme d’open source : nous n’utilisons pas simplement les outils open source du Nord ; nous créons les propres ressources open source du Sud.

Du monopole du savoir à sa démocratisation – la multiplication des capacités. Une petite équipe de quelques personnes, associée à un système multi-agents déclaratif, peut produire des résultats qui exigeaient auparavant une grande institution de recherche : plusieurs centaines d’agents, des milliers de citations dans un seul rapport national, des gains d’efficacité de 100 à 200 fois. Cette multiplication des capacités est particulièrement importante pour les pays du Sud : elle permet aux institutions progressistes aux ressources limitées, aux services de recherche des syndicats et aux petits médias indépendants de mener des recherches rigoureuses et factuelles et de produire du contenu. La capacité de production de connaissances, autrefois monopolisée, est restituée.

Du labeur mécanique à la création intellectuelle – la libération de l’être humain. L’IA prend en charge les tâches répétitives du travail de bureau – recherche, organisation, transcription, analyse préliminaire – libérant ainsi les humains du lourd fardeau du traitement de l’information. Mais cette libération n’a pas pour but le loisir ; elle vise à permettre aux humains de retourner sur le terrain, au contact direct du public, au plus près des masses, pour accomplir ce que seuls les humains peuvent faire : générer des idées, tracer la voie à suivre et porter des jugements définitifs. Ce que Marx appelait l’unité de la théorie et de la pratique – la praxis – devrait s’accomplir en un cycle complet au sein d’une même personne. Dans notre pratique, nous avons acquis une compréhension toujours plus claire : « La pensée humaine, l’expérience humaine, l’intuition humaine – ce sont là les éléments les plus essentiels, les plus lumineux de tout le processus de production de connaissances et de contenus. » L’IA n’a pas vocation à les remplacer – bien au contraire, toute sa valeur réside dans sa capacité à permettre à l’esprit humain de se concentrer sur ces tâches essentielles qu’elle ne peut accomplir.

L’arc narratif décrit dans cet article – des limitations structurelles d’une conversation unique avec une IA, en passant par l’architecture modulaire des systèmes multi-agents, jusqu’au langage de modèles qui guide leur construction – retrace un parcours de la consommation à la construction. Une chercheuse qui commence par copier sa méthodologie dans une fenêtre de chat et finit par construire un système de centaines d’agents coordonnés ne se contente pas d’adopter un nouvel outil. Elle reconquiert la capacité de façonner ses propres moyens de production de connaissances. Son cadre épistémologique devient des données de référence ; sa méthodologie, un modèle d’agent ; ses critères de qualité, des contrôles de qualité intégrés. Elle ne code pas ; elle décrit. Et ce qu’elle décrit n’est pas un souhait, mais une spécification – ancrée dans sa formation, sa connaissance du domaine et son engagement politique envers les communautés dont elle étudie la situation. Le système qu’elle construit appartient à son institution ; la méthodologie qu’il implémente est la sienne ; les connaissances qu’il accumule s’enrichissent de projet en projet.

5.3 Restitution : Des « utilisateurs » aux créateurs

L’importance des SMA déclaratifs va au-delà des gains d’efficacité ou de la multiplication des capacités ; elle touche à un processus historique plus profond.

Depuis quarante ans, l’industrie des technologies de l’information transforme systématiquement la grande majorité des gens, de créateurs d’outils, en simples « utilisateurs ». Comme l’a démontré Bonnie Nardi dans son ouvrage * A Small Matter of Programming* , l’interface graphique a rompu le lien entre utilisation et création ; la marchandisation des logiciels a bloqué l’accès à la création ; les communautés de développeurs se sont muées en guildes du savoir ; et la complexité croissante a érigé des barrières toujours plus hautes. Au final, ce ne sont pas seulement les compétences qui ont disparu, mais le concept même de « je peux créer mes propres outils » qui s’est évanoui du langage et de l’imaginaire collectif. Ce qui ne peut être exprimé ne peut être pensé. La dépossession des compétences est ainsi devenue permanente et auto-entretenue.

Le système multi-agents déclaratif inverse cette tendance sous-jacente. Dans cette architecture, les plans sont rédigés en Markdown plutôt qu’en code ; la connaissance du domaine constitue le programme ; la méthodologie, le logiciel. La construction d’un système d’agents capable de mener des recherches approfondies de manière autonome ne requiert plus l’aval de la communauté des programmeurs ; elle exige simplement la connaissance présente dans l’esprit de l’expert du domaine : selon quelles dimensions analyser un problème, quelles sources consulter pour recueillir des informations, quel cadre épistémologique guider le jugement. Et c’est précisément cette connaissance qui n’a jamais fait défaut aux forces progressistes des pays du Sud.

Il ne s’agit pas d’une dotation ; il s’agit d’une restitution.

La capacité des citoyens à concevoir leurs propres outils informatiques existait déjà à l’origine : à l’époque d’Unix, les chercheurs écrivaient leurs propres scripts ; à l’ère de l’ordinateur personnel, les utilisateurs démarraient leur machine sur une ligne de commande BASIC. Cette capacité n’est pas une nouveauté due au progrès technologique ; c’est un droit ancien qui a été systématiquement spolié par quatre décennies d’évolution industrielle. Le système multi-agents déclaratif le leur restitue.

Auteur Xiong Jie est le secrétaire général du Forum académique du Sud global et chercheur à Tricontinental : Institut de recherche sociale, où ses recherches actuelles portent sur l’IA pour les sciences sociales et la souveraineté numérique dans le Sud global.

Rédacteurs Ivana Rojas García est une chercheuse vénézuélienne chez Global South Insights, où elle travaille sur la vérification des faits, la vérification des données et les méthodologies de formation de l’IA dans les pays du Sud. Mikaela Nhondo Erskog est rédactrice et chercheuse au bureau interrégional de Tricontinental : Institut de recherche sociale.