Lorsque Emily Epstein a partagé sur LinkedIn sa réflexion selon laquelle « les gens n’ont pas cessé de lire des livres quand les encyclopédies sont apparues », elle a relancé un débat essentiel sur la place des sources primaires à l’ère de l’IA. Cette remarque simple a ouvert la porte à une conversation plus large sur la manière dont nous construisons, vérifions et utilisons la connaissance lorsque des outils automatisés peuvent résumer et redistribuer l’information en quelques secondes.
Dans cet entretien, Katie Morton, rédactrice en chef de Search Engine Journal, échange avec Emily Anne Epstein, directrice de contenu chez Sigma, à propos de la « note » qu’Emily a publiée sur LinkedIn et des conséquences concrètes que l’intelligence artificielle exerce déjà sur les éditeurs, les créateurs de contenu et les professionnels du marketing.
Leur discussion met en lumière plusieurs points clés : la nécessité de connaître la provenance des informations, la façon dont les différentes couches de recherche en ligne s’articulent désormais, et l’urgence d’établir des normes éditoriales plus transparentes. Pour toute personne impliquée dans la production de contenu, ces éléments sont cruciaux : la compétition pour l’attention se transforme peu à peu en une compétition pour la confiance.
Vous pouvez visionner la vidéo ou lire la transcription détaillée ci‑dessous :
Katie Morton : Bonjour à toutes et à tous. Je suis Katie Morton, rédactrice en chef de Search Engine Journal. Aujourd’hui, je m’entretient avec Emily Anne Epstein, directrice de contenu chez Sigma. Bonjour Emily, ravi de vous avoir avec nous.
Emily Anne Epstein : Bonjour et merci. C’est un plaisir d’être ici.
Katie : Merci d’avoir accepté cette discussion. Vous avez publié une réflexion sur LinkedIn qui a beaucoup résonné. Pour commencer, pourriez‑vous résumer en quelques mots l’idée principale de votre publication ?
Emily : L’idée centrale est simple et, à la fois, familière : l’arrivée d’un nouvel outil qui condense l’information ne signifie pas la disparition des sources originales. Quand les encyclopédies ont été inventées, les gens n’ont pas arrêté de lire des livres. De la même manière, l’émergence d’outils d’IA capables de produire des synthèses et des résumés ne supprime pas la nécessité d’accéder à des sources primaires et à des analyses approfondies.
Cela veut dire que différentes manières d’apprendre coexistent et se complètent. On peut commencer par une recherche rapide via un modèle d’IA ou une encyclopédie en ligne, mais si l’objectif est de produire un travail sérieux — un rapport, un article ou une décision — il faut pouvoir remonter aux sources, vérifier, analyser et confronter les éléments entre eux. Sans cette démarche, la synthèse initiale n’a que peu de valeur, car elle reste un point de départ, pas une justification.
L’importance de la traçabilité des informations
Katie : Dans votre texte, vous évoquez la notion de provenance. Quelles évolutions, d’ordre culturel, éditorial ou technique, faut‑il mettre en place pour que l’exigence « montrez‑moi l’origine » devienne une pratique standard dans un monde où l’on interroge souvent d’abord une IA ?
Emily : La première étape consiste à accepter que ces outils doivent être testés et évalués publiquement. Penser la provenance, c’est envisager l’acquisition du savoir comme un processus de triangulation : on rassemble plusieurs sources — témoignages, documents officiels, données brutes, études académiques — puis on construit une lecture qui tient compte des divergences et des biais potentiels.
Quand j’étais journaliste, la pratique consistait à recouper les informations obtenues via des rumeurs, des communiqués de presse, des interviews et des documents d’archives. On ne s’en tenait pas à un seul fragment ; on confrontait les éléments pour approcher une réalité plus robuste. Avec l’IA, le défi est que les réponses deviennent personnalisées : différents prompts, différents modèles, différentes versions de formation produisent des réponses qui varient d’un utilisateur à l’autre. Cela fracture la réalité partagée, et dans ce contexte, connaître la provenance devient essentiel pour comprendre le sens et la portée d’une affirmation.
Mais la triangulation ne concerne pas que les journalistes : chacun, au quotidien, prend des décisions sur la base d’informations obtenues en ligne. Si vous disposez d’entrées erronées, vous obtiendrez des sorties erronées et prendrez de mauvaises décisions — au travail, pour votre logement, pour votre santé. Les outils d’IA doivent s’inscrire dans des processus qui permettent de vérifier et d’étayer ce qu’ils produisent.
Concrètement, cela implique des pratiques éditoriales qui indiquent clairement d’où proviennent les extraits, quelles sources ont été consultées et quelles hypothèses ont été posées pour générer une synthèse. Ce niveau de transparence peut être appliqué par les éditeurs, les plateformes et, progressivement, par les outils eux‑mêmes.
De la course à l’attention à la course à la confiance
Katie : Si les couches supérieures d’accès à l’information — conçues pour retenir l’attention dans un écosystème donné — deviennent la porte d’entrée dominante, quel avenir pour les créateurs de contenu et les éditeurs ? Ne risque‑t‑on pas que leur travail soit réduit à une matière première que l’IA reconsolide et diffuse sans valeur ajoutée apparente pour l’auteur d’origine ?
Emily : Le scénario probable est une mutation de l’enjeu : au lieu de se battre uniquement pour capter l’attention, les créateurs et les organisations devront se distinguer par la qualité vérifiable de leurs méthodes. Autrement dit, il s’agira de rivaliser pour la confiance. Cela passe par une exposition claire des normes éditoriales, des sources consultées, et des processus de vérification que l’on applique.
Dans ce cadre, l’éditeur ou le créateur devient une sorte de registre public de la manière dont une information est arrivée à une conclusion : quelles sources primaires ont été mobilisées, quelles expertises ont été sollicitées, quelles contradictions ont été repérées. À l’image d’un blockchain conceptuel, chaque étape de la fabrication de l’information peut être documentée pour fournir un historique vérifiable.
Pour illustrer, regardez l’histoire de la photographie : à ses débuts, on lui a accordé un statut quasi‑scientifique, comme si une image photographique montrait un « fait » de façon objective. Mais très vite, des techniques telles que le montage, le cadrage, le développement en chambre noire ont montré que la photographie pouvait être manipulée. Le statut de l’image s’est transformé : elle est devenue un médium qui reflète désormais le regard et l’intention de celui qui la produit. Nous en sommes à un stade similaire avec l’intelligence artificielle : chaque résumé, chaque réponse, porte la marque d’un filtre — entraînement, choix algorithmiques, architecture du modèle — et les organisations qui rendent ce filtre lisible gagneront en crédibilité.
La transparence devient donc un actif stratégique. Les lecteurs et les utilisateurs reviendront vers des sources qui documentent leur travail, pas seulement vers des flux de contenu qui semblent « pratiques » mais qui ne permettent pas de comprendre d’où proviennent les affirmations.
Hallucinations de l’IA et manipulation par le média
Emily : Nous vivons une période où il est nécessaire de reconnaître la fragilité des résultats produits par l’IA. On parle souvent d’hallucinations : ces instances où le modèle génère des informations factuellement incorrectes ou invente des éléments qui n’existent pas dans ses sources d’entraînement. Sans mécanismes documentés de vérification, ces erreurs peuvent se propager rapidement.
Parallèlement, la technologie permet aujourd’hui de fabriquer des artefacts convaincants : vidéos truquées, voix synthétiques, images altérées — ce que l’on désigne sous le terme de deepfakes. Les risques sont concrets : des individus, des dirigeants, des créateurs peuvent voir leur image, leur voix, manipulées pour propager de fausses informations ou pour usurper leur identité.
Face à ces risques, une seule approche fonctionne : la transparence et la capacité à vérifier. Les organisations doivent documenter le flux de travail éditorial, conserver des traces de leurs sources, et, quand elles utilisent des outils d’IA, préciser le type d’outil, les paramètres et les vérifications opérées en aval. Sans cela, on laisse la porte ouverte à des abus et à une érosion de la confiance publique.
Encourager l’approfondissement plutôt que la superficialité
Katie : Dans votre message vous avez conclu que l’essentiel demeure la capacité des individus à décider « quand c’est suffisant ». Dans une économie de l’attention où tout pousse à la rapidité et à la commodité, comment favoriser la curiosité et l’envie d’aller plus loin ?
Emily : L’idée selon laquelle les gens ne veulent pas creuser est souvent une mauvaise lecture du comportement des internautes. Les « Wikipedia holes » en sont un bon exemple : beaucoup d’utilisateurs commencent par une page synthétique, puis suivent une succession de liens, lisent des sources citées, remonteaux références et poursuivent leur exploration. C’est le principe de la breadcrumb informationnelle : donner juste assez pour susciter l’envie d’en savoir davantage.
La curiosité se nourrit d’émotions : la découverte procure un plaisir cognitif. Si vous offrez un fragment d’information suffisamment stimulant, le public cherchera naturellement à approfondir. Pour les professionnels du contenu, la mission est donc de créer des points d’entrée attrayants — résumés fiables, contextes riches, pistes de lecture — qui mènent vers des analyses plus complètes.
Concrètement, cela signifie que les créateurs doivent soigner non seulement l’exactitude de leur synthèse, mais aussi la qualité des signaux qui invitent le lecteur au travail de vérification : citations claires, liens vers les sources primaires, indications méthodologiques sur la manière dont une conclusion a été atteinte. Ces éléments transforment une simple lecture en parcours d’apprentissage et renforcent la confiance.
Ce rôle éducatif peut devenir un avantage différenciant pour les marques et les éditeurs : ceux qui investissent dans la compréhension et l’élévation de l’audience ne vendent pas seulement un message, ils contribuent au capital cognitif des publics.
Conséquences pratiques pour éditeurs, créateurs et spécialistes du marketing
Au‑delà des principes généraux, il existe des implications pratiques et opérationnelles que les acteurs du contenu doivent anticiper et intégrer :
- Documenter la méthodologie : chaque article, étude ou guide devrait inclure une section expliquant les sources consultées, la façon dont les informations ont été vérifiées et les limites connues de l’analyse. Cela peut prendre la forme d’une note de bas de page détaillée ou d’un encadré méthodologique.
- Fournir les sources primaires : lorsque c’est possible, relier directement aux documents, rapports, bases de données ou interviews qui étayent les affirmations. Permettre à l’utilisateur de remonter à la source favorise la crédibilité.
- Intégrer la vérification humaine : les outils d’IA sont puissants pour synthétiser, mais une relecture et une vérification par des spécialistes restent nécessaires pour corriger les hallucinations et identifier les erreurs contextuelles.
- Adopter une politique d’étiquetage : préciser quand et comment des contenus ont été générés ou augmentés par l’IA. Cet étiquetage aide à situer le document dans son processus de production.
- Former les équipes : rédacteurs, éditeurs et marketeurs doivent comprendre les limites des modèles et apprendre à construire des prompts efficaces, à interpréter les résultats et à vérifier les informations produites par l’IA.
- Construire des ponts vers des archives : les bases de données universitaires, les publications à comité de lecture et les archives documentaires restent des ressources vitales. Faciliter l’accès à ces ressources permet d’élever la qualité des analyses.
Mettre en œuvre ces pratiques demande des investissements, certes, mais ils constituent aussi une assurance qualité et un levier de différenciation. Dans un environnement où la désinformation peut se propager rapidement, la qualité et la traçabilité de l’information deviennent des atouts stratégiques.
Éducation du public et littératie informationnelle
La transformation des pratiques médiatiques reposera également sur une montée en compétence des citoyens. Les organisations éducatives, les écoles et les médias doivent promouvoir la littératie informationnelle : savoir évaluer la crédibilité d’une source, comprendre le concept de biais, reconnaître les signes d’une hallucination algorithmique ou d’un deepfake, et maîtriser les outils de vérification.
Cela implique d’enseigner des compétences concrètes : comment vérifier une date, comment retrouver un document officiel, comment analyser la méthodologie d’une étude, et comment repérer des incohérences dans un contenu généré automatiquement. Plus le public développe ces compétences, moins il sera vulnérable aux manipulations et plus il sera apte à valoriser des sources transparentes et bien étayées.
Le rôle des plateformes et des régulateurs
Si les créateurs et les éditeurs ont une responsabilité éditoriale, les plateformes technologiques et les instances de régulation jouent également un rôle majeur. Plusieurs axes d’action sont envisageables :
- Normes d’étiquetage : encourager, voire imposer, des labels indiquant l’utilisation d’outils d’IA et la présence de contenus synthétiques.
- Obligation de transparence : demander aux fournisseurs d’API et aux plateformes de documenter, dans une certaine mesure, les données d’entraînement et les mécanismes d’évaluation de leurs modèles.
- Outils de détection : soutenir le développement et la diffusion d’outils permettant d’identifier les deepfakes et les manipulations multimédia.
- Protection des créateurs : définir des règles pour limiter l’usurpation d’identité et la réutilisation non autorisée des voix et des images de tiers.
Ces mesures doivent être conçues avec soin pour préserver l’innovation tout en protégeant l’intégrité de l’information et la sécurité des individus.
Exemples concrets et études de cas
Pour comprendre comment les principes évoqués s’appliquent en pratique, voici quelques scénarios typiques et les réponses possibles :
1) Un blog sectoriel produit un article d’analyse économique :
- Plutôt que de publier une synthèse courte, l’équipe ajoute une annexe listant les sources (rapports de banques centrales, données d’INSEE, études universitaires), les hypothèses et les limites méthodologiques. Elle précise aussi si des passages ont été rédigés ou assistés par un outil d’IA.
- Résultat : les lecteurs professionnels peuvent reprendre l’analyse en confiance, la citer et l’utiliser comme base de décision.
2) Un média local diffuse une vidéo comprenant une interview mise en doute :
- Le média publie simultanément la transcription complète, les extraits bruts de l’enregistrement et une note expliquant le montage. Si un deepfake est suspecté, il contacte des experts pour appuyer l’analyse.
- Résultat : la transparence réduit la confusion et protège la réputation du média.
3) Une entreprise utilise un chatbot interne pour synthétiser des rapports :
- Elle met en place un workflow où chaque synthèse est accompagnée d’un lien vers le rapport d’origine et d’une mention indiquant la date de génération, le modèle utilisé et la personne qui a validé le contenu.
- Résultat : les décisions fondées sur ces synthèses sont traçables et auditable.
Questions éthiques et limites
L’utilisation généralisée d’outils d’IA pose aussi des questions éthiques qui méritent d’être traitées ouvertement :
- Respect des droits d’auteur : la réutilisation d’œuvres protégées dans les jeux de données d’entraînement soulève des questions légales et morales. Les organisations doivent clarifier comment elles obtiennent et créditent les contenus d’origine.
- Équité algorithmique : certains modèles reflètent des biais présents dans leurs données d’entraînement, produisant des résultats qui peuvent être discriminatoires ou inéquitables.
- Responsabilité : quand une décision importante est prise sur la base d’un résultat généré par l’IA, qui en assume la responsabilité ? L’organisation, le développeur du modèle, l’utilisateur final ?
Traiter ces enjeux exige des politiques internes claires, des audits réguliers et une gouvernance qui associe techniciens, juristes et représentants des publics concernés.
Pistes pour les créateurs de contenu
Pour les professionnels du contenu qui cherchent à s’adapter, voici des recommandations concrètes, pragmatiques et non promotionnelles :
- Structurez la vérification : développez un protocole éditorial définissant les étapes de fact‑checking et les seuils d’acceptation d’une information.
- Rendez la provenance visible : systématisez l’affichage des sources et des références dans vos publications.
- Expliquez vos méthodes : décrivez brièvement comment un article a été produit, en particulier si des outils automatisés ont contribué à sa rédaction.
- Formez vos lecteurs : publiez des mini‑guides expliquant comment lire une source, vérifier un document ou reconnaître un deepfake.
- Maintenez un contrôle humain : ne laissez pas l’IA décider seule des conclusions — conservez une étape d’édition humaine pour valider les faits.
Conclusion : une relation renouvelée à l’information
La métaphore d’Emily — selon laquelle l’arrivée des encyclopédies n’a pas supplanté les livres — est éclairante. L’intelligence artificielle offre des raccourcis inédits pour accéder à l’information, mais ces raccourcis ne substituent pas la nécessité d’un travail critique et d’une vérification rigoureuse. Au contraire, ils rendent la traçabilité, la transparence éditoriale et la triangulation encore plus indispensables.
Dans ce nouvel écosystème de l’information, la valeur se déplacera progressivement vers ceux qui sauront démontrer la qualité de leur processus : éditeurs qui documentent leurs sources, créateurs qui intègrent la vérification humaine, plateformes qui favorisent l’étiquetage et des mécanismes de contrôle. La confiance — et non simplement l’attention — deviendra la ressource la plus précieuse.
Katie : Très bien résumé. Pour les lecteurs qui souhaitent suivre les réflexions d’Emily sur ces sujets, où peuvent‑ils consulter son travail ?
Emily : Je publie régulièrement des analyses et des réflexions sur l’IA et la production de contenu sur LinkedIn. Vous y trouverez des écrits publics où j’explore ces enjeux de manière continue.
Katie : Merci beaucoup, Emily, pour cet échange riche et nuancé.
Emily : Merci à vous.
Ressources complémentaires :
Featured Image: Paulo Bobita/Search Engine Journal
