L’intelligence artificielle générative est un gigantesque parasite
Comment caractériser ce que l’IA nous fait ? Kévin Carillon, chercheur en sciences de l’information et de la communication, a travaillé sur les conséquences de l’introduction des données, des algorithmes et de l’intelligence artificielle dans les organisations. Il propose ici de comprendre l’IA générative comme un parasite des productions humaines. Le processus va tellement loin que les IA se parasitent désormais entre elles.
« Nous devons rester dans la course. Parce qu'il en va de notre indépendance. » Le 16 septembre 2026, lors de son discours sur l’état de l’Union, Ursula von der Leyen appelait les États européens à un sursaut collectif et à une augmentation massive de leurs capacités de calcul pour rivaliser avec les géants américains et chinois de l'intelligence artificielle. L'année précédente, la Commission européenne avait déjà annoncé vouloir mobiliser 200 milliards d'euros d'investissements pour faire de l'Europe un acteur majeur du secteur. Ces annonces participent d'un discours désormais omniprésent dans l'espace politique et médiatique : l'Europe aurait pris du retard dans une révolution technologique qui menace de lui échapper et, de ce fait, devrait impérativement investir pour préserver sa souveraineté.
À écouter les responsables politiques et éditorialistes de tous bords qui relaient ce discours, le principal danger qui guette l’Europe serait donc de manquer le train de l’intelligence artificielle. La compétition internationale sert ainsi de justification à une fuite en avant technologique dont les finalités sont rarement interrogées. Il faudrait construire davantage de centres de données, développer des modèles toujours plus puissants et mobiliser toujours plus de financements publics à cette fin. Ce vocabulaire de l’urgence permet surtout de faire passer des choix politiques pour des nécessités historiques. Et la question de savoir à qui profite réellement le développement de l’IA et aux dépens de qui il s’organise s’efface derrière l’impératif de compétitivité.
Car l’industrie de l’IA générative repose sur un modèle de développement singulier. Les entreprises du secteur se sont approprié d’immenses quantités de ressources produites par d’autres pour entraîner leurs modèles, avant de commercialiser des systèmes susceptibles de bouleverser les activités dont elles tirent ces ressources. Sous les promesses de progrès technique et d'innovation se dessine alors une relation sociale bien particulière : le parasitisme.
En 1980, le philosophe Michel Serres publiait un ouvrage intitulé Le Parasite, dans lequel il faisait de cette notion une figure particulièrement féconde pour penser les rapports sociaux. Son point de départ est une spécificité de la langue française : le terme « parasite » y désigne à la fois un organisme qui vit aux dépens d’un autre (on peut penser ici au célèbre Cordyceps qui a inspiré The Last of Us), celui qui s’invite à une table pour profiter du repas (le « pique-assiette ») et le bruit qui perturbe une communication (le grésillement sur une ligne téléphonique). Pour Serres, ces différentes significations renvoient aux dimensions d'une même relation : le parasite s'immisce dans des rapports préexistants, en tire profit en s'appropriant des ressources qu'il n'a pas produites et y introduit une perturbation susceptible d'en modifier le fonctionnement. Or, c’est précisément dans cette perspective qu’il faut comprendre le développement actuel de l’IA générative, dont le modèle économique porte cette logique parasitaire à une échelle industrielle et planétaire.
Une entreprise extractive à grande échelle
Derrière les prouesses des grands modèles de langage (ou LLMs pour Large Language Models), comme ceux qui alimentent ChatGPT, Claude ou Gemini, se cache une gigantesque entreprise de prédation. Pour entraîner leurs modèles, des entreprises comme OpenAI, Anthropic et Google ont aspiré d’immenses quantités de données produites par d’autres : livres, articles scientifiques, photographies ou discussions publiées sur Internet. Ce faisant, ces entreprises se sont approprié les fruits d’un travail collectif accumulé pendant des décennies, sans d’ailleurs se préoccuper outre mesure du consentement de leurs auteur·rices. Certaines n’ont pas hésité à puiser dans des bibliothèques pirates, comme en témoigne l’accord de 1,5 milliard de dollars conclu entre Anthropic et des auteur·rices dont les ouvrages protégés avaient été téléchargés illégalement. Le discours exaltant l’innovation technologique dissimule donc une réalité beaucoup moins glorieuse : l’industrie de l’IA s’est largement construite sur l’appropriation du travail des autres.
Mais le scandale excède la question du droit d’auteur. Une grande partie des ressources accaparées par les entreprises d’IA provient d’activités qui n’ont jamais eu vocation à produire des marchandises. Les contributions bénévoles à Wikipédia, les échanges sur les forums spécialisés ou le développement de logiciels libres reposent sur des formes de coopération et de partage des connaissances qui n’ont pas de visées capitalistes. Or, ce sont précisément ces ressources collectives que l’industrie de l’IA adore transformer en actifs privés. L’opération est d’une redoutable efficacité : ce qui a été produit collectivement et mis gratuitement à disposition de tiers devient la matière première de services contrôlés par une poignée de multinationales.
À cette appropriation des connaissances s’ajoute l’exploitation d’une main-d’œuvre que les discours sur l’autonomie de l’IA préfèrent taire. En 2023, une enquête du magazine Time révélait qu’OpenAI avait sous-traité au Kenya l’annotation de contenus violents ou sexuellement explicites, pour des rémunérations comprises entre 1,32 et 2 dollars de l’heure. Chargé·es d’améliorer les dispositifs de sécurité de ChatGPT, ces travailleur·euses ont décrit les conséquences psychologiques de leur exposition répétée à des contenus traumatisants. De nombreux travaux empiriques sur le digital labor ont documenté cette division coloniale du travail en Asie, en Amérique du Sud et en Afrique. Par conséquent, l’intelligence prétendument « artificielle » repose aussi sur du travail vivant, pour lequel les tâches les plus éprouvantes sont déléguées à des travailleur·euses précaires, tandis que les profits remontent vers les entreprises de la Silicon Valley et leurs propriétaires aux visées fascistes.
Cette prédation s’étend enfin aux ressources matérielles. Loin de l’image éthérée d’une intelligence circulant dans le « cloud », les modèles génératifs nécessitent de colossales infrastructures industrielles, particulièrement gourmandes en énergie, en eau et en terres rares. Selon l’Agence internationale de l’énergie, la consommation électrique mondiale des centres de données, dont l’IA représente une part croissante, pourrait plus que doubler entre 2024 et 2030. Le fonctionnement de cette industrie repose ainsi sur une asymétrie fondamentale : une poignée d’entreprises privées capte l’essentiel de la valeur générée à partir de ressources collectives, tandis qu’une grande partie des coûts humains et matériels est reportée sur le reste de la société.
Produire le chaos et faire payer les autres
Le parasite ne se contente pas de prélever les ressources de son hôte : il perturbe également les relations dans lesquelles il s’installe. C’est ce que Michel Serres appelle la production de « bruit ». Or, l’IA générative, en même temps qu’elle vampirise des ressources, possède une capacité inédite à saturer l’espace social de bruit. Le simple fait de se demander si un contenu (un texte, une vidéo ou une illustration) a été produite par l’IA est une manifestation de cette capacité de nuisance. En permettant la production massive de contenus dont l’origine devient difficile à établir, l’IA a engendré un marché de la suspicion généralisée, sur lequel prospèrent des entreprises de détection comme Pangram. Ces entreprises prétendent résoudre un problème créé par les technologies sur lesquelles reposent leurs propres dispositifs, tout en s’arrogeant le pouvoir de départager les productions humaines et artificielles.
Plus grave, les deepfakes permettent aujourd’hui de fabriquer des images ou des vidéos montrant des personnes dans des situations qui n’ont jamais existé, et ils sont devenus des instruments de violences sexistes particulièrement lucratifs. En juin 2026, le parquet de Paris annonçait ainsi l’interpellation de l’administrateur présumé de CFake, une plateforme diffusant plus de 300 000 images et 7 000 vidéos sexuelles truquées, au préjudice d’environ 14 000 victimes. Le site attirait près de quatre millions de vues mensuelles et générait des revenus publicitaires. Le mécanisme parasitaire apparaît ici dans toute sa brutalité : des individus s’approprient l’image de femmes sans leur consentement, en tirent des profits et leur abandonnent la charge des violences subies.
Mais la production de bruit ne passe pas uniquement par la fabrication de contenus trompeurs. Elle résulte aussi d’un déséquilibre croissant entre la vitesse de production de l’information et les capacités humaines à l’examiner. Les événements qui ont récemment secoué la communauté mathématique en offrent une démonstration spectaculaire. Le 6 octobre 2026, OpenAI publiait plus de 700 manuscrits générés par un modèle interne, répartis en 372 familles de résultats, et revendiquant des avancées sur des problèmes parfois étudiés depuis des décennies. Le mathématicien Hugo Duminil-Copin, médaillé Fields en 2022, découvrait ainsi que seize problèmes liés à ses recherches figuraient parmi ceux que l’entreprise affirmait avoir résolus. Il déclarait avoir pleuré en apprenant la nouvelle, estimant que son domaine de recherche avait été « annihilé ». Une entreprise privée peut donc maintenant inonder en quelques heures une communauté scientifique de centaines de propositions dont l’examen exigera, paradoxalement, des années de travail humain. Elle revendique les découvertes tout en reportant sur les chercheur·euses la charge de vérifier, d’interpréter et de rendre intelligibles ses productions. La prédation du travail scientifique se prolonge ici dans une nouvelle manifestation du parasitisme, c’est-à-dire dans l’accaparement des capacités d’attention et de vérification des chercheur·euses dont l’IA exploite déjà les connaissances.
Dans la même veine, dès janvier 2026, la plateforme scientifique arXiv (une archive ouverte permettant aux scientifiques de déposer leurs articles avant publication officielle) durcissait les conditions de dépôt des premières soumissions, face à la multiplication des soumissions produites à l’aide de l’IA. Le problème est toujours le même : les coûts de production des contenus s’effondrent, tandis que ceux de leur vérification sont reportés sur les communautés qui les reçoivent. Et peu importe, au fond, que ces contenus soient vrais, faux ou simplement médiocres. Le bruit apparaît dès lors que leur prolifération excède les capacités collectives à leur donner du sens. C’est toute la perversité d’un modèle dans lequel l’industrie de l’IA exploite les connaissances produites par des communautés humaines, puis leur impose un travail supplémentaire pour absorber ses propres productions.
Piller les communs jusqu’à les détruire
Le parasite ne se contente pas de piller les ressources de son hôte et de perturber son activité : il peut altérer les relations qui étaient au fondement des ressources dont il se nourrit. C’est peut-être là que réside la contradiction la plus profonde de l’industrie de l’IA générative. Prenons le cas de Stack Overflow, cette plateforme sur laquelle des millions de développeur·euses informatiques ont pris l’habitude de poser leurs questions et de partager leurs solutions. Au fil des années, leurs contributions bénévoles ont constitué une vaste base de connaissances techniques, dans laquelle chaque problème résolu devient une ressource pour l’ensemble de la communauté. Mais les IA génératives, avec leurs assistants de programmation, permettent désormais aux développeur·euses d’obtenir directement les réponses auparavant recherchées auprès de leurs pairs. Le lancement de ChatGPT en 2022 a ainsi contribué à accélérer le déclin des contributions à la plateforme. Dès lors, les connaissances produites collectivement alimentent des services commerciaux qui détournent ensuite les utilisateur·rices des espaces où ces connaissances ont été élaborées. Et chaque question adressée à ChatGPT, plutôt qu’à la communauté de développeur·euses, est une occasion perdue d’enrichir un patrimoine commun.
Cette dynamique menace directement les biens communs numériques de toute sorte. Wikipédia, dont les contenus alimentent massivement les modèles génératifs, repose sur le travail de milliers de bénévoles qui rédigent et discutent collectivement les connaissances mises à disposition du public. Pourtant, les réponses produites par les moteurs de recherche permettent désormais de bénéficier de ce travail sans même consulter l’encyclopédie en ligne. En octobre 2025, la Wikimedia Foundation annonçait une baisse d’environ 8 % des consultations humaines par rapport à la même période de l’année précédente, qu’elle attribuait notamment aux réseaux sociaux et à l’évolution des moteurs de recherche intégrant l’IA. La libre circulation des connaissances, qui constituait une promesse d’émancipation collective, devient ainsi une formidable opportunité d’accumulation privée.
L’enjeu dépasse cependant les communautés numériques. Les langues, les pratiques culturelles et les savoir-faire professionnels constituent autant de ressources que l’IA peut s’approprier en menaçant les conditions de leur production et de leur transmission. En réponse, des initiatives voient le jour, portées par ces mêmes communautés. En Nouvelle-Zélande, par exemple, l’organisation māorie Te Hiku Media a développé ses propres technologies de reconnaissance vocale pour le te reo Māori, en affirmant la souveraineté des communautés sur leurs données linguistiques. Aux États-Unis, le syndicat SAG-AFTRA a mené près d’un an de grève contre les entreprises du jeu vidéo, obtenant, en juillet 2025, un accord encadrant notamment le consentement des interprètes à l’utilisation de répliques numériques et leur rémunération. Ces mobilisations rappellent que l’IA est aussi un terrain de lutte sociale, car derrière les promesses techniques d’optimisation et d’automatisation se joue le pouvoir des communautés sur leur travail et sur les conditions de sa reproduction.
Dans tous ces cas, le parasitisme suit une logique commune. L’industrie de l’IA s’approprie des ressources produites collectivement, puis interpose ses services entre les membres des communautés qui les ont fait naître. Les échanges publics deviennent des conversations privées avec des machines, les biens communs alimentent des plateformes commerciales et les savoir-faire risquent d’être détachés des personnes qui les transmettent. En cherchant à rendre les activités humaines remplaçables par des systèmes automatisés, l’industrie de l’IA menace les conditions sociales qui rendent ces activités possibles. Une contradiction fondamentale apparaît alors. Que restera-t-il à ingérer si les communautés qui produisent les connaissances sont progressivement affaiblies ? Et que deviendront les modèles lorsqu’ils devront se nourrir de contenus de plus en plus souvent générés par d’autres intelligences artificielles ?
Quand les parasites s’entre-dévorent
Dans Le Parasite, Michel Serres s’intéresse au devenir de la relation parasitaire. La première configuration qu’il met au jour est la possibilité pour le parasite d’être lui-même parasité. Or, c’est précisément ce qui commence à se produire dans l’industrie de l’IA. En janvier 2025, OpenAI accusait l’entreprise chinoise DeepSeek d’avoir utilisé les réponses de ses modèles pour entraîner les siens, grâce à une technique appelée distillation. En février 2026, Anthropic formulait des accusations similaires contre trois entreprises chinoises, soupçonnées d’avoir collecté plus de 16 millions d’échanges avec Claude pour améliorer leurs propres systèmes. D’un point de vue extérieur, la situation ne manque pas d’ironie. Après avoir construit leurs modèles en absorbant des quantités faramineuses de productions humaines, les géants américains de l’IA s’indignent de voir des entreprises concurrentes exploiter leurs propres productions. Ces entreprises, qui ont fait de l’appropriation du travail d’autrui leur modèle économique, découvrent soudain les vertus de la propriété intellectuelle.
Cette concurrence entre parasites contribue à transformer encore un peu plus les conditions de circulation des connaissances. Anthropic annonçait ainsi en octobre 2026 de nouvelles protections contre les opérations de distillation non autorisées, tandis que les producteur·rices de contenus cherchent également à défendre leurs ressources. En juillet 2025, Cloudflare lançait Pay Per Crawl, un dispositif permettant aux propriétaires de sites de faire payer les robots collectant leurs contenus. Après avoir profité de l’ouverture d’Internet pour accumuler gratuitement des ressources, l’industrie de l’IA contribue désormais à leur enfermement dans des infrastructures privées. Les données deviennent des actifs stratégiques dont chaque entreprise cherche à contrôler l’accès. Cette dynamique, nommée « deuxième mouvement des enclosures » (en référence aux enclosures qui consistaient à privatiser les terres agricoles communes au XVIème siècle) risque de renforcer encore la concentration du secteur. Les entreprises disposant des moyens nécessaires pour acheter des corpus exclusifs ou négocier des licences pourront consolider leur domination.
Mais le devenir parasitaire de l’IA pourrait prendre une forme moins attendue : celle de l’autophagie. À mesure que les contenus générés artificiellement (que l’on appelle « synthétiques ») envahissent Internet, les modèles d’IA, qui sont régulièrement alimentés en nouveaux contenus, risquent de se nourrir de plus en plus des productions d’autres modèles, voire de leurs propres résultats. En juillet 2024, une étude publiée dans Nature par Ilia Shumailov et ses collègues montrait que l’entraînement répété sur des données synthétiques pouvait provoquer un phénomène de model collapse (ou effondrement du modèle). Lorsque des données synthétiques remplacent progressivement les productions humaines dans les corpus d’entraînement, leur utilisation répétée peut entraîner un appauvrissement des résultats de l’IA. Le parasite finit alors par consommer intégralement une matière première qu’il a lui-même contribué à dégrader. Cette limite technique révèle une contradiction sociale autrement plus profonde : pour continuer à progresser, les modèles ont besoin de connaissances nouvelles, produites indépendamment d’eux. Or, en détournant les échanges vers leurs systèmes et en fragilisant les communautés qui alimentent les biens communs numériques, l’industrie de l’IA risque précisément d’affaiblir les conditions de renouvellement des connaissances dont elle dépend.
À ce stade, le problème est pourtant moins celui d’un hypothétique effondrement technique des systèmes d’IA que de la reconfiguration des rapports sociaux résultant de cette gigantesque entreprise de prédation. À mesure que les données humaines deviennent plus précieuses, les entreprises cherchent à en contrôler davantage la provenance et l’accès, approfondissant les mécanismes d’appropriation qui sont à l’origine de ces contradictions. L’industrie, à n’en pas douter, pourrait pourtant trouver dans les désordres qu’elle provoque de nouvelles opportunités d’accumulation. C’est pourquoi la critique de l’IA ne saurait se réduire à dénoncer ses biais, à mesurer ses performances ou à gloser indéfiniment sur la nécessité fantomatique d’une éthique de l’IA. Ce qui est en cause, c’est une organisation capitaliste dans laquelle une poignée d’entreprises s’approprie les fruits du travail collectif tout en menaçant les conditions de sa reproduction. Il serait donc peut-être temps d’arracher cette sangsue avant qu’elle ne nous vide de notre sang.
1.Serres, M. (1980). Le Parasite. Grasset
2.Durán, G. (2026). The Nerd Reich: Silicon Valley fascism and the war on democracy. Simon & Schuster.
3.Hao, K. (2025). Empire of AI: Dreams and nightmares in Sam Altman's OpenAI. Penguin Press.
4.Boyle, J. (2017). The second enclosure movement and the construction of the public domain. In Copyright law (pp. 63-104). Routledge.
5.Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755-759.
Kévin Carillon
