• 1 « On est en droit de reprocher à la théorie du récit de n’avoir jamais sérieusement envisagé le pro (...)

1En sciences de l’information et de la communication (SIC), les enseignements consacrés au récit — généralement des cours de narratologie ou de sémiotique — abordent le plus souvent le fait narratif sous un angle exclusivement descriptif et analytique. Le récit y est envisagé comme un objet à décrire et à analyser, rarement comme un processus à concevoir ou un projet à mettre en œuvre (Baroni 2025)1.

• 2 Messaoudi (2024) met en garde contre la confiance aveugle dans les outils numériques éducatifs, sou (...)
• 3 Notre vision de la relation Humain-Machine s’inscrit dans une perspective qui, à la suite de Bruner (...)
• 4 Sur la nécessité d’un regard critique et évaluatif porté sur les productions de l’IA, voir Beaudoui (...)
• 5 Cf. Souchier Emmanuel, (1998), Jeanneret Yves, (2000), Souchier Emmanuel, Jeanneret Yves et Le Mare (...)

2Or, la création de récits avec une IA générative suppose bien plus qu’une compréhension descriptive du récit : elle exige la capacité de planifier un récit en fonction d’un objectif précis, réglé sur le type d’histoire qu’on veut raconter (récit fictionnel, récit publicitaire, récit politique, etc.), et capable de permettre à l’utilisateur d’évaluer le degré de réussite ou d’échec des histoires générées par l’IA. Qu’il s’agisse d’un « jeu de rôle immersif » (comme dans AI Dungeon), d’une écriture assistée (comme avec NovelAI) ou encore d’une narration à distance, l’utilisateur doit garder la main sur le processus créatif : non seulement en orientant l’IA par des consignes précises, mais surtout en vérifiant si ce qu’elle génère (output) correspond bien à ce qu’on attend d’elle (input). Si l’utilisateur renonce à orienter le processus créatif de l’IA et, plus encore, à en évaluer les résultats, il se condamne à valider mécaniquement toutes les créations de l’IA (y compris celles qui recyclent les stéréotypes les plus rebattus de l’écriture narrative traditionnelle). Là réside la principale difficulté à affronter par l’enseignant (Collet et Wilhelm 2015) : comment former ses étudiants à collaborer constructivement avec l’IA en évitant de cautionner passivement toute initiative de celle-ci (Messaoudi 2024)2 ? Comment les aider à dépasser la simple incantation pour les récits générés ? Quels critères leur transmettre pour évaluer le degré de réussite ou d’échec des histoires produites ? Et surtout, pour pallier les insuffisances de l’IA au cas où celle-ci, même après plusieurs relances, ne parvenait pas à s’acquitter convenablement de la tâche demandée ? Il est évident, en effet, que l’exploitation pédagogique de l’IA ne signifie pas lui déléguer toute activité créative en condamnant les étudiants à endosser un rôle de spectateur passif3 (auquel cas, c’est la performance de la machine, et non celle des apprenants, que l’enseignant serait conduit à évaluer). Le but d’un enseignant est plutôt de créer les conditions pour une collaboration synergique entre ses étudiants et l’IA (Alonzo et Audevart 2019). Les scénarios pédagogiques qu’il mettra en œuvre devront ainsi lui permettre d’évaluer les capacités de ses étudiants à piloter, juger, corriger et retravailler les performances de l’IA4. Il s’ensuit que les étudiants ne doivent pas seulement être formés à l’analyse structurelle du récit (actants, schémas narratifs, types de focalisation, catégories des narrateurs, dans la plus pure tradition greimasienne et genettienne), il faut également les entraîner à définir un horizon de perfection, à évaluer dans quelle mesure les récits générés s’en rapprochent ou s’en écartent, et à intervenir, par un feedback critique, lorsque l’IA échoue à s’en approcher… Bref, la narratologie et la sémiotique ne peuvent prétendre former les étudiants à créer des récits avec l’IA que si elles transforment leur outillage descriptif en outillage opérationnel, conformément à une réorientation « poétique » (production, pilotage, paramétrage) et « axiologique » (jugement critique, feedback, révision) de leurs cadres théoriques (Leiduan, Masoni et De Luca 2024). Cette réorientation s’inscrit plus largement dans les transformations de l’écriture numérique mises en évidence par les recherches en SIC sur les dispositifs d’écriture informatisés (notamment par les travaux de Jeanneret, Souchier et leurs collaborateurs)5, qui ont montré que les pratiques d’écriture sont indissociables des environnements techniques et éditoriaux qui les rendent possibles. L’interaction avec une IA générative prolonge cette logique : l’écriture ne repose plus seulement sur le fait de savoir raconter une histoire, mais aussi sur la capacité de programmer, évaluer et corriger les performances narratives du dispositif technique utilisé.

• 6 Il s’agit d’un Master en LLSH (Master A.L.T.E.N) consacré aux pratiques contemporaines de la créati (...)

4Les données de base de notre travail proviennent d’un exercice d’interaction mené avec nos étudiants de Master6 dans le cadre d’un cours de creative writing. S’agissant d’un cours optionnel, les étudiants inscrits n’étaient pas nombreux. Leur niveau de familiarité avec les outils d’intelligence artificielle générative était d’ailleurs très modeste : tous avaient, bien sûr, entendu parler des IAG, mais aucun n’avait, avant le cours, cherché à mettre à l’épreuve la créativité de ces outils. Aucun, de surcroît, n’avait suivi d’enseignement introductif au machine learning, de sorte que l’exercice proposé représentait leur toute première expérience en la matière. Pour les accompagner dans cette phase de découverte, il nous a alors semblé préférable de les faire travailler ensemble autour d’une même tâche : co-écrire une fiction en collaboration avec un modèle de génération textuelle de dernière génération (en l’occurrence, ChatGPT-4). Nous les avons répartis en plusieurs sous-groupes de trois personnes au maximum, en demandant à chaque groupe de travailler séparément sur son propre ordinateur, à partir des mêmes consignes. Une fois la tâche accomplie par la machine, chaque groupe devait faire un retour à la classe entière : les performances de l’IA y étaient évaluées en fonction de leur concordance ou de leur discordance avec les finalités définies par le prompt. Les autres groupes pouvaient alors apporter leur contribution, de manière à faire de cette étape évaluative un moment de concertation, propice à la formulation de questions, de remarques et d’objections utiles à l’enseignant pour vérifier la bonne compréhension, par les étudiants, de la démarche proposée. Cette étape franchie, les groupes définissaient, toujours en concertation et sous la coordination de l’enseignant, la consigne suivante, destinée à permettre à la machine d’améliorer ses performances. De relance en relance, l’interaction avec le dispositif intelligent s’est ainsi prolongée pendant deux séances, espacées d’une semaine l’une de l’autre, chacune d’une durée de deux heures. Au total, l’interaction avec l’IA a conduit à la génération de deux versions principales du récit : une première version, puis une version corrigée obtenue à la suite d’un seul prompt correctif élaboré collectivement par les étudiants. Nous avons choisi de rendre compte du déroulement de l’exercice en faisant état du travail accompli par un seul des sous-groupes ; le travail présenté reflète néanmoins celui de tous les autres sous-groupes, puisque les consignes de chaque relance ont été élaborées collectivement, en interaction avec l’ensemble de la classe.

• 7 Nous reviendrons en conclusion sur les raisons pour lesquelles la théorie contemporaine du récit ga (...)
• 8 La péripétie est, selon Aristote, « le renversement qui inverse l’effet des actions » (Poétique, 11 (...)
• 9 Définie par Aristote comme « le passage de l’ignorance à la connaissance » (Poétique, 11, 52a29), l (...)
• 10 La notion de métabasis (ou métabolé) est définie au chapitre 7 de la Poétique, notamment lorsqu’il (...)

6Exemplifiés par le récit de Stendhal, les effets recherchés correspondent à trois piliers de la théorie aristotélicienne du récit7 : l’accomplissement d’une action aboutissant à un résultat contraire à celui qui était visé initialement (péripétie)8, le passage de l’ignorance à la vérité (anagnorisis)9 et enfin, le retournement de situation, faisant de la fin de l’histoire l’inverse symétrique de son début (métabasis)10.

• 11 Bernard Stiegler emploie le terme de « prolétarisation » pour désigner la perte de savoir qui décou (...)
• 12 « Les activités de l’IA s’organisent autour de tâches essentielles […] la résolution de problèmes.  (...)
• 13 Comme le rappellent Russell et Norvig, « the task of an intelligent agent is to solve problems by f (...)
• 14 Nous nous inscrivons dans la continuité de la perspective défendue par Zouinar, notamment lorsqu’il (...)

7L’enjeu n’était pas (ou ne l’était qu’accessoirement) esthétique. Nous avions plutôt en vue les finalités de notre exercice : promouvoir une utilisation véritablement « sympoïétique » de l’IA (Fülop 2024), sans lui déléguer l’ensemble du processus de création, au risque de devenir complices d’une forme de « prolétarisation de l’esprit » (Stiegler 2012)11. Pour atteindre cet objectif, l’IA devait être (partiellement) mise en échec par l’imposition d’un cahier des charges différent de celui qui justifie son utilisation habituelle : il ne s’agissait pas de « résoudre » des problèmes, mais d’en « créer »12. Or, il se trouve que l’insertion d’une péripétie et d’une anagnorisis dans la trame d’une histoire a justement pour effet de placer le personnage principal face à un problème : son action engendre un effet contraire à son intention initiale (péripétie), produisant chez lui une surprise, à mesure qu’il prend conscience de ce qu’il ignorait auparavant (anagnorisis). Cet effet de surprise se transmet du personnage au lecteur, lui aussi pris au dépourvu par le développement de l’histoire et obligé, pour comprendre de quoi il retourne, de reconstituer le fil des événements racontés. Produire (avec l’IA) une histoire de ce type c’est donc mettre le lecteur de cette histoire, c’est-à-dire l’utilisateur de l’IA, face à un problème. Un cas de figure qui, à bien des égards, prend le contrepied des attentes de la plupart des utilisateurs de l’IA (qui s’attendent à ce qu’elle soit capable de résoudre les problèmes qu’on lui pose) et même des concepteurs de cette technologie (qui se targuent d’avoir fabriqué un outil capable de fournir une réponse à tout). Le « problem-solving » (Russell et Norvig 2020)13 revendiqué par l’IA et ses utilisateurs/concepteurs se renverse ici en son contraire exact : la génération d’une histoire « problématique », difficile à comprendre et à évaluer, qui relève donc d’une intentionnalité antithétique, celle du « problem-making ». Ce n’est qu’en contraignant l’IA à créer selon une logique opposée à celle qui préside à son utilisation (et qui a guidé sa conception) que l’interaction de l’homme avec cette technologie peut donner lieu, selon nous, à une véritable collaboration — créatrice, en l’occurrence — et non à un rapport de subordination asymétrique où les humains — représentés ici par nos étudiants — se réduiraient à admirer passivement les performances de la machine, hypnotisés par leur rapidité et efficacité (Zouinar 2020)14.

• 15 Voir L. Collet et C. Wilhelm qui, dans leur appel à contributions pour la présente livraison de la (...)
• 16 Pour une présentation détaillée du fonctionnement des modèles de langage qui sous-tendent ChatGPT, (...)

11Piloter les performances de l’IA signifie la mettre en condition de s’acquitter avec le plus d’efficacité possible de la requête (prompt) qu’on lui adresse15. Sauf à croire, très naïvement, qu’elle peut tout faire, il faut au contraire partir du principe qu’elle ne peut faire que ce qu’elle a été entraînée à faire (Zouinar 2020). Les performances de l’IA dépendent en effet en grande partie des données sur lesquelles elle a été entraînée (Goodfellow, Bengio et Courville 2016). Conçu sur la base des principes du paradigme théorique connexionniste, ChatGPT-4 est d’abord exposé à un vaste corpus à partir duquel il apprend à détecter des structures et à identifier des régularités (LeCun, Bengio et Hinton 2015)16. Il en tire une représentation interne, simplifiée ou abstraite, qui résume ce qu’il a appris — autrement dit, un modèle statistique implicite des données d’entraînement (Bishop 2006). Cette représentation sert ensuite de base pour générer de nouvelles réponses (textes, images ou autres contenus) en fonction des requêtes qu’on lui adresse (Alban Leveau-Vallier 2020). Le système en question sera-t-il en mesure de produire une suite du récit de Stendhal conforme au standard narratif retenu comme référence ?

• 18 Ce geste, accompli en principe avec les meilleures intentions, entraîne une conséquence exactement (...)

23Certes, d’un point de vue strictement formel, cette histoire respecte les consignes énoncées dans le prompt : elle s’organise autour d’une péripétie (puisque la servante est renvoyée à la suite du cadeau que le jeune homme offre au curé)18 et d’une anagnorisis (puisque le jeune homme réalise que ce geste a précipité en disgrâce la femme dont il était amoureux.).

• 19 C’est autour d’une conception « problématologique » de la théorie du récit que j’ai proposé en 2021 (...)

28On ne dira donc pas de ce récit qu’il s’agit d’un sommet de la littérature (loin de là !), mais il faut lui reconnaître le mérite de raconter une histoire qui ouvre plus de problèmes qu’elle n’en résout et qui, ce faisant, pousse les lecteurs à reconsidérer les cadres interprétatifs mobilisables dans la vie réelle face à des situations analogues à celles représentées dans le récit (Leiduan 2022). La leçon qui s’impose — et c’est là sans doute l’apport heuristique majeur de l’exercice — est que les capacités génératives de l’IA, si elles sont réelles, demeurent stériles tant qu’elles ne sont pas orientées par l’homme vers la création d’histoires « problématiques »19. Nous entendons par là des histoires qui, désavouant la vocation première de l’IA (résoudre des problèmes), engagent cette technologie vers des performances inédites, pour ne pas dire hérétiques : montrer les multiples facettes d’une histoire, lever le voile sur l’ambiguïté des personnages, en un mot, « créer des problèmes », conformément à une rationalité qui n’esquive pas la complexité du monde, mais s’efforce de la saisir, en l’objectivant sous une forme narrative.

• 20 « La Poétique [d’Aristote] apporte des perspectives particulièrement significatives pour l’étude de (...)
• 21 Pajot (2024) critique les promesses d’un « IA solutionnisme », et appelle à dépasser la rhétorique (...)
• 22 « Un modèle résulte de l’apprentissage qui se construit à partir de l’application des algorithmes a (...)
• 23 « Dans le cas des IA génératives de textes ou d’images, il s’agit toujours d’une combinaison aléato (...)

30Malgré les vives inquiétudes que l’émergence de l’IA générative suscite au sein de la communauté scientifique, la prolifération massive de récits qu’elle engendre pourrait bien constituer une opportunité bénéfique, en obligeant certaines disciplines à réinterroger leurs fondements et à sortir de leur confort théorique pour redevenir des savoirs d’action. La narratologie et la sémiotique narrative pourraient notamment y trouver de quoi contrebalancer leur penchant actuel pour l’analyse descriptive, en renouant avec une perspective plus opérationnelle, celle-là même qui avait marqué leurs débuts. Le paradoxe, en effet, si l’on considère la théorie narrative à l’aune de son histoire, c’est que les premières réflexions sur le récit — ancêtres directes des modèles narratologiques et sémiotiques actuels — n’étaient nullement descriptives, mais résolument prescriptives : elles ne se bornaient pas à définir le récit, elles proposaient également des règles pour rendre intrigante l’histoire racontée, « la prescription, comme le dit Broden, y côtoy[ait] la description » (2019 : 6)20. De plus, la rationalité qui présidait à l’organisation narrative — et c’est un nœud crucial de notre raisonnement — obéissait à des principes qui sont aux antipodes de la logique institutionnalisée aujourd’hui par l’usage généralisé d’outils techniques intelligents : l’enjeu n’était pas — oh, scandale ! — de résoudre des problèmes, mais d’en créer. Non, évidemment, pour se compliquer inutilement la vie, selon une vision masochiste de la culture, mais parce qu’il ne peut y avoir de rationalité véritablement humaine (ou « Human compatible » comme le dit Russell 2019) que si les contradictions qui caractérisent notre monde sont clairement formulées, au lieu d’être enfouies ou artificiellement tenues pour résolues (Pajot 2024)21. Or, la rationalité technique, et notamment celle qui préside au fonctionnement de l’IA, n’est pas apte à prendre le contrepied des données qui ont servi à son entraînement, puisqu’elle a été méthodiquement programmée pour donner des réponses qui confirment les données de son apprentissage (Winograd 1990). Ainsi que nous l’avons déjà expliqué, les performances de l’IA dépendent des contenus mobilisés pour l’entraînement de son modèle. Dans un premier temps, ce modèle, en modalité apprentissage, redéfinit ses paramètres et ajuste ses critères en fonction des données qui lui ont été soumises (Bachimont, Verlaet et Bouchardon 2025) ; dans un deuxième temps, une fois l’apprentissage terminé, le modèle peut répondre aux requêtes qu’on lui adresse, d’après la représentation interne qu’il s’est construite de ces données (Zouinar 2020)22. Les textes générés doivent donc être compris non comme une création ex nihilo (Alombert 2023)23, mais comme la recomposition statistique de corpus préexistants (Longo 2023), réagencés en fonction des contraintes posées par l’utilisateur. Il n’y a que celui-ci qui peut détourner l’IA de la formulation de réponses standardisées et, parfois, stupides (Alombert 2023). Il n’y a que l’être humain qui peut en quelque sorte « déprogrammer » le fonctionnement de l’IA, en la forçant à énoncer (narrativement ou autrement) les contradictions inhérentes à son corpus, conformément à une vision « problématologique » de la culture (Meyer 1986). Sinon, livrée à elle-même, elle ne sera qu’un outil statistique, reproduisant les régularités qu’elle a le plus souvent rencontrées au cours de son apprentissage, et consolidant ainsi les stéréotypes les plus coriaces de la culture dominante (Stiegler 2013). L’utilisateur de l’IA doit, selon nous, être le vecteur de ce « contre-apprentissage », car c’est la seule manière de rendre plus humaine la rationalité incorporée dans cette technologie. Malgré le caractère ordinaire de l’expérience relatée dans notre article, celle-ci pourrait servir d’amorce — tel est le vœu que nous formulons — à une utilisation (professionnelle ou ludique) plus responsable de l’IA, tournée vers la problématisation des automatismes culturels qu’elle tend à reproduire mécaniquement.