Navigation – Plan du site

AccueilNouvelle série52AIntelligences. Vers une redéfini...Que disent ces « modèles » d’IA d...Anthropomorphisme : des animaux a...

AIntelligences. Vers une redéfinition de l’intelligence ?
Que disent ces « modèles » d’IA de la façon dont nous nous représentons l’intelligence ?

Anthropomorphisme : des animaux aux machines

Anthropomorphism: From Animals to Machines
Marceau Nahon, Mehdi Khamassi, Ismael Tito Freire, Cédric Paternotte et Raja Chatila
p. 189-209

Résumés

Nous discutons la propension naturelle et couramment observée de l’attribution de capacités humaines comme l’intentionnalité, les émotions, ou l’intelligence aux phénomènes naturels, aux êtres vivants non humains ou aux objets et systèmes artificiels. Ses raisons sont probablement évolutionnaires, et profondément ancrées dans le comportement humain. L’anthropomorphisation qui en découle, ou le refus de celle-ci, a notamment des conséquences sur les croyances religieuses et sur l’attitude individuelle et sociale vis-à-vis des autres espèces vivantes ou des systèmes artificiels qui exhibent un comportement perçu comme intelligent. Nous discutons les enjeux éthiques de l’anthropomorphisation et ses effets concrets sur la conception des systèmes intelligents et sur les relations humain-machine.

Haut de page

Texte intégral

Anthropomorphisme

Le mécanisme

1L’anthropomorphisme désigne la tendance à d’attribuer des caractéristiques humaines à des entités non humaines, en particulier des émotions ou états mentaux (Epley et al., 2007 ; Epley, 2018 ; Guthrie, 2013). Les caractéristiques ainsi impliquées sont multiples et peuvent en particulier inclure la structure anatomique, les processus physiologiques, l’identité personnelle, l’organisation sociale, ou encore plus communément la psychologie intentionnelle (Boyer, 1996). Ce phénomène est très commun et naturel chez les humains (Boyer, 1996 ; Dacey, 2017 ; Stebbins, 1993). Il se manifeste par exemple lorsque l’on parle à sa voiture ou à son ordinateur, lorsqu’un enfant attribue des traits de caractère à une peluche, ou notamment lorsque l’on attribue des intentions à des agents conversationnels à base d’intelligence artificielle. Guthrie (2013) expose les explications de deux penseurs très influents des derniers siècles. Tout d’abord, le philosophe écossais David Hume s’est particulièrement intéressé à l’anthropomorphisme, notamment dans le cadre de la religion (Hume, 1757). Il explique que la tendance à concevoir toute chose comme soi-même est universellement humaine, en prenant l’exemple de notre capacité à voir des visages sur la lune ou des armées dans les nuages (phénomène connu sous le nom de paréidolie).

2Guthrie (2013) appelle la théorie de Hume « théorie de la familiarité » (familiarity theory, notre traduction). Selon cette approche, ce sont des motifs intellectuels qui nous poussent à anthropomorphiser. En effet, nous voulons comprendre le monde qui nous entoure, un monde à la fois incertain et mystérieux. Afin de l’appréhender du mieux possible, nous utilisons le modèle qui nous est le plus familier, à savoir celui que nous avons de nous-mêmes. Guthrie oppose cette théorie à celle qu’il appelle « théorie du confort » (comfort theory, notre traduction), notamment défendue par Sigmund Freud. Selon cette théorie, nos motifs ne sont pas intellectuels mais émotionnels : nous anthropomorphisons pour rendre le monde moins effrayant. Ces deux théories sont certes utiles, elles ne sont pas totalement satisfaisantes pour autant. D’un côté, la théorie de la familiarité n’explique pas pourquoi l’anthropomorphisme s’applique également à des choses qui nous sont familières, par exemple une voiture. De l’autre côté, la théorie du confort n’explique pas pourquoi on conçoit l’existence de créatures qui, bien qu’anthropomorphes, peuvent être terrifiantes, comme les démons ou esprits vengeurs.

3La théorie la plus influente vient de Nicholas Epley (Epley et al., 2007, 2008 ; Epley, 2018). Selon lui, l’anthropomorphisme, processus d’inférence sur les caractéristiques non observables d’entités non humaines, est guidé par une combinaison de deux types de mécanismes : motivationnels et cognitifs. Avant de les détailler, exposons la différence entre ces deux catégories. Les mécanismes motivationnels augmentent en intensité avec la privation, et diminuent lorsque le besoin est satisfait. Les mécanismes cognitifs fonctionnent quant à eux selon les lois d’activation mentale : ils gagnent en intensité au moment de leur déclenchement, avant de s’atténuer progressivement. Le premier mécanisme supportant l’anthropomorphisme est cognitif, il s’agit de la « connaissance d’agent activée » (elicited agent knowledge, notre traduction). Il s’agit de l’activation spontanée de nos connaissances de l’humain lorsque l’on est confronté à une chose ambiguë, surprenante ou difficile à expliquer. On y retrouve une composante Humienne en ce que nous nous basons sur le modèle qui nous est le plus familier pour expliquer ce qui nous est étranger. Plusieurs facteurs favorisent cette « connaissance d’agent activée » : la similarité perçue entre l’objet et des caractéristiques humaines, le besoin de cognition, ainsi que des variables culturelles comme les normes et idéologies influençant les représentations anthropomorphiques. Ce mécanisme cognitif est accompagné de deux mécanismes motivationnels. Le premier est la « motivation d’effectuation » (effectance motivation, notre traduction). Accentuée par un désir de contrôle et une volonté d’éviter l’incertitude, la motivation d’effectuation désigne la tendance qu’a un individu à vouloir comprendre, prédire et influencer son environnement (une idée que l’on trouve déjà chez Dennett [1989]). Le second est la « motivation sociale » (sociality motivation, notre traduction). Il s’agit de la motivation qu’a une personne à établir des relations sociales, à se connecter à d’autres agents, et à ressentir un sentiment d’appartenance sociale. La solitude et la déconnexion sociale sont des facteurs très importants de la motivation sociale. Les humains ont besoin de connexion sociale, en être privé provoque une douleur comparable à une souffrance physique (MacDonald, Leary, 2005). Ce besoin de connexion sociale semble pouvoir être satisfait avec deux types d’agents non humains communément anthropomorphisés : les animaux de compagnie (Siegel, 1990) et les entités religieuses (Birgegard, Granqvist, 2004). Comme nous le verrons, ce manque peut aussi être comblé par des machines. Ce besoin constitue donc une base motivationnelle de l’anthropomorphisme. L’ajout de la motivation sociale est la principale nouveauté par rapport aux théories de Hume et Freud et, comme nous le verrons, un pouvoir explicatif fort sur l’anthropomorphisation des systèmes à base d’intelligence artificielle.

4La théorie d’Epley est très influente et concorde avec les autres approches contemporaines. De leur côté, Urquiza-Haas et Kotrschal (2015) insistent sur la distinction entre processus implicites et processus réflexifs, tous deux constitutifs de l’anthropomorphisme. Ils rejoignent Epley à la fois sur l’importance de mécanismes cognitifs, et sur l’impact culturel. Dacey (2017) se focalise sur les aspects inconscients et considère l’anthropomorphisme intuitif comme un biais cognitif nous poussant à l’erreur. Il prend l’exemple de Han le chimpanzé, et à travers lui les expressions faciales de ses congénères. En effet, il s’avère qu’une des expressions faciales des chimpanzés, bien que ressemblant fortement à un sourire humain, est en réalité un signe de peur (Stebbins, 1993). Epley met aussi en avant l’importance de la dimension culturelle, notamment avec l’importance des normes et croyances, ce que l’on retrouve chez Pascal Boyer. Selon lui, l’omniprésence de l’anthropomorphisme est due à l’amplification de représentations culturelles, comme c’est notamment le cas d’attribution d’intentions et d’émotions à Dieu (Boyer, 2007). Les représentations anthropomorphiques sont facilement mémorisables et socialement transmissibles (Boyer, 1996 ; Mithen, Boyer, 1996).

Les origines du mécanisme

5Jean Piaget s’est intéressé au phénomène, qui selon lui, bien que très présent chez les enfants, tend à disparaître avec l’âge : il ne s’agit que d’un stade transitoire du développement (Piaget, 1929). Il avait notamment observé que les jeunes enfants tendent à voir du vivant dans presque tout ce qui les entoure. Des études montrent effectivement la tendance forte qu’ont les enfants à anthropomorphiser leur environnement. Les enfants utilisent par exemple un vocabulaire de l’intention pour décrire le mouvement des nuages (Laurendau, Pinard, 1962) et attribuent facilement aux animaux de l’intelligence humaine, des désirs, des croyances et des intentions (Dennett, 1989 ; Searle, 1999 ; Myers, Saunders, 2002 ; Serpell, 2002 ; Goldman, Poulin-Dubois, 2024). Cependant, bien que ce phénomène s’estompe, il ne disparaît pas complètement avec l’âge. Mais pourquoi est-il si répandu ? Selon Guthrie (2013), le phénomène est très présent parce qu’il dispose d’un avantage évolutionnaire. Cet argument est aussi défendu par Dacey (2017) et Beer (2014). D’après Colin Beer, notre patrimoine génétique a, au cours de l’évolution de l’espèce humaine, donné naissance à une « panoplie d’outils sociaux » (social tool kit, notre traduction) permettant d’attribuer des croyances, perceptions, émotions et intentions, à la fois à d’autres humains, mais également à des animaux non humains. Cette capacité d’attribution aurait permis à la fois de mieux prédire le comportement d’autrui afin de pouvoir s’adapter, mais également de l’influencer pour pouvoir agir ensemble. Chez Homo sapiens, ces compétences se seraient renforcées, probablement sous l’effet de pressions évolutives. L’exemple classiquement mis en avant de la paréidolie, ou propension à voir des visages ou des agents dans des formes aléatoires, aurait donné un avantage évolutif à Homo sapiens en lui permettant de détecter plus rapidement les prédateurs ou ennemis lorsque leur présence était réelle, et donc d’avoir plus de chances de survivre en cas d’attaque imminente.

Histoire et évolution du terme

6Le phénomène de l’anthropomorphisme est naturellement présent chez l’humain depuis des dizaines de milliers d’années (Mithen, Boyer, 1996). Originellement, le terme se référait exclusivement à l’attribution de qualités humaines aux divinités et se rapprochait fortement de l’animisme. Son usage a ensuite été étendu aux animaux au xixe siècle, notamment suivant les travaux de Darwin (Guthrie, 2013 ; Wynne, 2007). Ceux-ci ont en effet brouillé la frontière entre humains et animaux non humains, en raison de l’intention clairement anthropomorphique de l’auteur (Wynne, 2007). Cette tendance fut cependant vite rejetée, en particulier avec l’émergence du béhaviorisme puis de l’éthologie.

7Ce rejet s’est appuyé sur le rasoir d’Ockham (ou principe de parcimonie), selon lequel il faut prioriser les hypothèses les plus simples. Selon le canon de Morgan, un second principe influencé par le premier, il ne faut pas attribuer à un animal une faculté mentale supérieure s’il est possible d’expliquer son comportement par un mécanisme plus simple (Morgan, 1894). Cette règle méthodologique visait à éviter toute projection injustifiée des états mentaux humains sur les animaux, dans un contexte scientifique marqué par le rejet des spéculations mentalistes.

8Cependant, à partir de la fin du xxe siècle, plusieurs approches alternatives ont remis en question cette méfiance systématique à l’égard de l’anthropomorphisme. L’anthropomorphisme dit « critique » propose de reconnaître que, loin d’être une erreur à éviter, l’anthropomorphisme peut servir d’outil heuristique, à condition d’être encadré méthodologiquement et confronté à des données empiriques (Karlsson, 2012). Par ailleurs, a aussi été mis en avant l’« anthropomorphisme par omission », qui consiste à supposer que les capacités des animaux non humains sont un sous-ensemble des nôtres (Rivas, Burghardt, 2002). Enfin, des travaux récents défendent un anthropomorphisme centré sur l’animal (animal-centered anthropomorphism, notre traduction), qui invite à reformuler nos intuitions anthropomorphes à partir des modes de vie propres aux espèces étudiées, dans une perspective éthologique respectueuse de leur réalité (De Waal, 1999). Ce courant s’inspire notamment des arguments de Thomas Nagel, sur les différences entre notre perception du monde et celles d’autres animaux (Nagel, 1980), chaque animal ayant son propre Umwelt, c’est-à-dire son environnement sensoriel propre. On retrouve notamment de l’anthropomorphisme, conscient et mesuré, pour défendre la cause animale, notamment lorsque Tom Regan va défendre la thèse selon laquelle les animaux non humains (tout du moins une partie) sont conscients (Regan, 2004). Plusieurs arguments sont d’ailleurs utilisés pour défendre cette thèse, ainsi justifiant en partie l’anthropomorphisme des animaux non humains.

9Roger Crisp identifie les quatre arguments les plus fréquents, qui sont l’argument du comportement, l’argument de l’évolution, l’argument de la neurologie et l’argument des autres esprits (other minds argument, notre traduction) (Stebbins, 1993 ; Crisp, 1996). L’argument du comportement défend que l’attribution d’états mentaux joue un rôle dans l’explication du comportement de certains animaux non humains. David Griffin est l’un des principaux défenseurs de cette position, expliquant que l’attribution d’états mentaux conscients était la théorie la plus simple pour expliquer et prédire le comportement de certains animaux non humains, respectant ainsi le canon de Morgan (Griffin, 1981). Griffin cite notamment comme exemple l’usage d’outils par les chimpanzés ou la très complexe chasse des réduves (aussi appelées punaises assassines) (Griffin, 1984). L’argument de l’évolution met l’accent sur le processus d’évolution, et de l’avantage évolutif que présente la conscience. Humphrey (1983) explique notamment que la conscience s’est manifestée chez les humains et certains primates pour faciliter les interactions sociales complexes. L’argument de neurologie s’appuie sur les similitudes ou homologies neuroanatomiques entre humains et certains animaux. La prémisse principale de l’argument est que certains animaux non humains sont dotés de la structure neuroanatomique qui permet l’émergence d’états mentaux chez l’humain (Seth et al., 2005 ; Panksepp, 2005). Enfin, l’argument des autres esprits repose sur un problème classique, le problème des autres esprits, que l’on retrouve notamment chez Descartes (1724) : on ne peut jamais avoir de preuve directe d’esprits autres que le sien. Crisp (1996) applique donc ce problème aux animaux en le retournant contre les sceptiques : si nous n’avons pas de doute sur la conscience des autres humains malgré l’absence de preuves, il est incohérent d’exclure l’hypothèse selon laquelle des animaux ont une conscience.

10Cet ensemble de considérations illustre le caractère équivoque de l’anthropomorphisme. D’une part, il constitue un risque épistémologique en projetant des caractéristiques humaines à des entités qui n’en disposent peut-être pas. D’autre part, l’anthropomorphisme peut se révéler être un outil parfois utile, voire revendiqué, notamment lorsqu’il facilite la compréhension et la prédiction du comportement d’entités non humaines.

Anthropomorphisme et intelligence artificielle

Des animaux non humains aux machines

11Alors qu’une première extension de l’usage du terme « anthropomorphisme » a porté sur les animaux non humains, c’est désormais dans le cadre de l’intelligence artificielle (IA) que le terme est fréquemment mobilisé pour désigner l’attribution, souvent spontanée, de caractéristiques mentales, émotionnelles ou intentionnelles à des agents artificiels. Qu’il s’agisse de robots, d’assistants vocaux ou d’agents conversationnels, les utilisateurs et les concepteurs ont tendance à projeter des intentions, des émotions ou une subjectivité sur ces systèmes (Salles et al., 2020). Cette tendance à anthropomorphiser les systèmes à base d’intelligence artificielle est très répandue et touche une grande partie de ces utilisateurs (Colombatto et Fleming, 2024 ; Scott et al., 2023).

12Que l’anthropomorphisme soit commun au cas des animaux non humains et à l’IA, et qu’il puisse dans les deux cas représenter des avantages comme des dangers, ne doit pas cacher le fait que les raisons de les anthropomorphiser sont en partie différentes. En éthologie comparative par exemple, anthropomorphiser permet de postuler un lien entre comportements humains et non humains en projetant les premiers sur les seconds, a priori distincts. Une telle démarche repose sur l’idée que puisque humains et non humains ont été modelés par l’évolution, il n’est pas impensable qu’ils présentent des similitudes, soit héritées d’ancêtres communs, soit apparues en raison de pressions sélectives similaires dans des environnements semblables. Or, dans le cas de l’IA, la proximité avec les êtres humains est paradoxalement moins hypothétique. D’abord, de manière générale, l’IA est construite dans l’objectif de simuler l’intelligence humaine. De nombreux systèmes artificiels ont été explicitement conçus pour imiter l’humain (par exemple la forme humanoïde de certains robots) ou simuler certains comportements humains. On pense notamment aux grands modèles de langage (LLMs), des modèles capables de générer du texte de manière fluide à partir d’une requête (e.g., ChatGPT). Ces modèles sont en effet directement conçus pour imiter l’humain, d’une part à cause de leurs corpus composés d’écrits humains (ou d’écrits de LLMs eux-mêmes imitant des écrits humains) ou de leurs méthodes d’entraînement (Shanahan et al., 2023 ; Shanahan, 2024). On a ici une explication téléologique claire – des buts explicites – de leurs capacités apparentes, alors qu’avec les animaux non humains on doit se contenter de se référer aux effets de la sélection naturelle. Ensuite, certaines similitudes entre humains et IA concernent des capacités dont les animaux non humains sont extrêmement éloignés – on pense en particulier aux capacités langagières des LLMs. Ainsi, par rapport aux animaux non humains, les systèmes fondés sur l’IA sont par certains aspects plus ressemblants aux êtres humains, et cela s’explique en partie par les buts explicites ayant présidé à leur conception. Pour toutes ces raisons, on peut s’attendre à ce que la tentation anthropomorphique soit encore plus forte dans les cas de machines que dans ceux des animaux non humains.

13Mais à quel point cette tentation est-elle justifiée ? Pour ce qui est de la composante réflexive de l’anthropomorphisme, les quatre arguments identifiés par Roger Crisp sont-ils applicables à l’intelligence artificielle ? Tout d’abord, l’argument évolutif peut directement être exclu. Ensuite, les arguments de la neurologie et des autres esprits sont dans une certaine mesure transférables, mais restent très faibles. Dans le cadre de l’IA, on peut mettre en avant que la plupart des systèmes actuels reposent sur des réseaux de neurones, eux-mêmes inspirés du cerveau humain (Placani, 2024). Cependant, à la fois la structure et la nature des réseaux de neurones artificiels diffèrent grandement des réseaux de neurones humains. L’argument pourrait donc être repris, mais plusieurs travaux proposent des conceptualisations claires et identifient des distinctions fortes entre humains et machines, notamment dans le cadre de la conscience (Evers et al., 2025 ; Butlin et al., 2023). L’argument probablement le plus pertinent serait l’argument du comportement : il semblerait que supposer des états mentaux chez les machines serait parfois la « meilleure » hypothèse pour comprendre et prédire leur comportement (Wiese et al., 2012 ; Wykowska et al., 2014).

14Daniel Dennett expose trois attitudes (stances) que l’on peut adopter dans le but de comprendre le comportement d’un système informatique (Dennett, 1971). La première est la position de la conception : si l’on sait exactement comment le système est conçu, on peut alors prédire avec exactitude son comportement. La deuxième fait appel à notre compréhension de la nature et des lois de la physique. Cependant, si l’on est confronté à un programme de jeu d’échecs, aucune de ces deux attitudes ne permet de prédire le comportement du système : le système est trop complexe pour être prédictible par ses concepteurs, et il est en fait hors du monde physique externe. Dans cette situation, on adopte alors une attitude intentionnelle (intentional stance) : on considère le système comme un agent rationnel pourvu d’intentions et on agit en conséquence. L’adoption de la position intentionnelle a notamment été mesurée expérimentalement lors d’interactions entre humains et robots humanoïdes (Marchesi et al., 2019). Plus récemment, il a été avancé que les systèmes actuels à base d’intelligence artificielle générative (à partir de grands modèles de LLMs) exhibent un libre arbitre fonctionnel, notamment en s’appuyant sur les travaux de Dennett : pour ces agents, supposer qu’ils aient un libre arbitre est la « meilleure » façon d’expliquer et de prédire leur comportement (Martela, 2025). Concernant l’explication, il peut s’agir d’une démarche narrative, notamment via un anthropomorphisme métaphorique. Au sujet de la prédiction, on peut reprendre l’exemple de Dennett du jeu d’échecs : supposer que l’agent ait l’intention d’effectuer une prise en particulier peut permettre de mieux anticiper ses coups. Cependant, bien que l’attitude du concepteur ne permette pas d’expliquer le comportement des systèmes les plus avancés, il semble qu’elle permette tout de même d’exclure les hypothèses d’états mentaux, comme des intentions ou des émotions, chez les machines, car rien dans le fonctionnement ou la structure de ces systèmes ne justifie l’attribution de tels contenus mentaux. De plus, non seulement l’adoption de la position intentionnelle est effectivement très fréquente (Ayad et Plaks, 2025), mais elle implique des problématiques éthiques, comme l’attachement émotionnel (Perez-Osorio et Wykowska, 2020). Cet exemple illustre les effets indésirables pouvant découler de l’anthropomorphisme des machines.

L’anthropomorphisme et ses effets indésirables

15La tendance à anthropomorphiser les systèmes à base d’intelligence artificielle et les enjeux éthiques qui en découlent sont bien documentés. Salles et al. (2020) identifient trois problématiques, que nous développons ci-après : des impacts normatifs non justifiés ; des peurs et espoirs non justifiés ; une attribution non justifiée d’une moralité aux machines.

Impacts normatifs non justifiés

16Tout d’abord, attribuer aux machines des caractéristiques humaines peut nous amener à considérer leurs actions comme découlant d’un processus de décision autonome et délibératif, ce qui leur confère donc un impact normatif non justifié. En effet, ce genre d’attributions amène à considérer les machines comme des agents moraux, pouvant choisir par elles-mêmes en délibérant de manière autonome (Waytz et al., 2010). Ceci met donc en avant des problématiques éthiques importantes, d’autant que l’on peut y ajouter notre tendance naturelle à accorder plus de valeur à une décision venant d’une machine que d’un humain – le biais d’automatisation (automation bias) (Cummings, 2017b ; Skitka et al., 2000). Il semble donc y avoir plus de risques qu’un humain suppose le comportement (ou la recommandation) d’un agent artificiel comme découlant d’une planification rationnelle et sans erreurs de ses actions en vue d’atteindre un but, ce qui peut diminuer la probabilité que l’humain ressente l’envie de vérifier le bien fondé de ce comportement (ou de cette recommandation) (Cummings, 2017b). Mary Cummings considère que ce « vernis de la rationalité » pose d’autant plus problème pour les systèmes de sélection de cibles à base d’IA, et pourrait contribuer à rendre la mort moins concrète et donc plus probable, car moins « coûteuse » en termes moraux (Cummings, 2017a). Par ailleurs, un autre risque consiste à perdre en esprit critique et déléguer de plus en plus de décisions à des machines, ce qui a un impact négatif sur les capacités cognitives des utilisateurs (Gerlich, 2025).

Génération de peurs ou d’espoirs non justifiés

17Ensuite, anthropomorphiser les machines peut créer des peurs ou des espoirs injustifiés sur l’avenir de ces systèmes et de l’humanité. En effet, en attribuant des émotions ou intentions aux machines, on risque de surévaluer leurs capacités et mal interpréter leur comportement. Cela peut alimenter des peurs irrationnelles, comme celles liées à la prise de pouvoir par des machines conscientes. Cela peut également susciter des espoirs infondés sur des machines bienveillantes ou même salvatrices. Enfin, une autre conséquence est une confusion, à la fois ontologique (e.g., conscient/non-conscient, sujet/objet) et morale (e.g., déresponsabilisation de l’humain). On note que la confusion ontologique peut avoir également pour cause et conséquence un pendant de l’anthropomorphisme des machines : le méchanomorphisme des humains qui pourrait mener à une déshumanisation. Ce constat entre en résonance avec une partie de la description accompagnant un dispositif arts et sciences récent incluant un robot (Soumi et al., 2023) :

Une grande variabilité temporelle a été délibérément introduite : délais entre mouvements, durée du mouvement, vitesse. Le robot alterne entre des trajectoires droites, incurvées et des rotations sur place. Il s’interrompt fréquemment pour faire des pauses, ou ralentit soudainement, pour mimer des « hésitations ». À l’inverse, il fait parfois des accélérations brutales et bruyantes, mimant des « coups de sang ». Dans un souci de transparence éthique, et de démystification, les auteurs invitent néanmoins les spectateurs à garder à l’esprit que le robot n’est pas intelligent, qu’il ne pense pas, n’a pas de personnalité ni d’émotion. L’objectif est plutôt de nous amener à penser, nous observateurs et observatrices humain·es. En contre-pied des effets de mode actuels sur l’intelligence artificielle, nous souhaitions faire un robot le plus imparfait possible, mais beau dans sa quête et sa persévérance. Un robot qui essaie, qui se trompe, qui hésite, qui change d’avis, qui revient en arrière. Bref, un robot qui cherche, qui cherche son chemin et qui semble se chercher lui-même. Tant que la société fera des hommes des robots, nous nous attellerons à faire des robots des hommes.

Attribution non justifiée d’une moralité aux machines

18Si l’on considère qu’attribuer à autrui une conscience est la base de la moralité (Gray et al., 2012), alors il paraît cohérent d’envisager les conséquences de l’anthropomorphisation des machines sur leur statut moral. Ce point est également mis en avant par Placani (2024) : anthropomorphiser les machines nous pousse à les considérer moralement, et ce de quatre manières différentes. La première consiste à leur attribuer vices et vertus, et donc un caractère moral. La deuxième consiste à leur attribuer un statut moral, ce qui implique donc des droits et obligations morales. Attribuer un statut moral aux machines aurait d’énormes conséquences sur nos devoirs à leur encontre. Cependant, une telle attribution reste à ce jour totalement infondée, les machines ne satisfaisant pas les conditions nécessaires pour obtenir un statut moral (Liao, 2020). Le troisième type de jugement moral favorisé par l’anthropomorphisme des machines est l’attribution de responsabilité morale. Comme évoqué précédemment, un tel jugement peut ne focaliser la responsabilité qu’exclusivement sur les machines et ainsi détourner l’attention de celle des concepteurs ou des utilisateurs. Enfin, le quatrième type de considération morale est la confiance. Alors qu’on parle de fiabilité pour les outils et de confiance pour les humains, l’anthropomorphisme pousse à également attribuer de la « confiance » aux machines.

19On retrouve expérimentalement qu’attribuer des états mentaux à des machines à un impact sur la confiance qu’on leur attribue (Colombatto et al., 2025 ; Waytz et al., 2014). Le glissement entre considérer la machine comme un outil ou comme un agent aux caractéristiques humaines a notamment été étudié dans le cas des grands modèles de langage (Schneider, 2025). Ces observations font écho à d’autres travaux mettant en avant le rôle de l’interaction dans l’anthropomorphisation (Airenti, 2018 ; Airenti et al., 2019). La confiance ainsi accordée aux machines, ainsi que l’attachement émotionnel, peuvent avoir de nombreuses conséquences indésirables. Parmi elles, on compte des problèmes de vie privée, notamment en partageant des données privées à des organisations via ces systèmes ; des risques de manipulation, de dépendance excessive ou encore d’attentes non respectées et de déception (Akbulut et al., 2024). Ces effets sont en partie les conséquences d’un phénomène tout à fait intentionnel des concepteurs : le design anthropomorphique.

Le design anthropomorphique

20Dans de nombreux cas, l’anthropomorphisme des machines est volontairement intégré dans leur conception, afin de faciliter l’interaction avec les humains. Ce processus concerne un grand nombre de systèmes à base d’IA, incluant notamment les robots (Chatila, 2018) et les agents conversationnels (Blut et al., 2021). Concernant l’intelligence artificielle générative, la projection des qualités humaines est reconnue comme un enjeu éthique (Comité national pilote d’éthique du numérique (CNPEN), 2023). Dans le cadre des robots, doter les machines de caractéristiques humaines (forme humanoïde, pseudo-genre apparent, expressions faciales) facilite l’interaction avec les humains (Damiano, Dumouchel, 2018 ; Maeda, Quan-Haase, 2024 ; Maeda, 2025). Le design anthropomorphique se heurte notamment à la vallée de l’étrange (uncanny valley) : plus un robot ressemble à un humain, plus ses différences nous perturbent. De manière générale, l’anthropomorphisme des machines, bien qu’en partie volontaire, comporte une part de tromperie à visée commerciale ou utilitaire dont les effets sont indésirables (Salles, Paz, 2024).

21Par ailleurs, une différence fondamentale entre les systèmes à base d’intelligence artificielle et les animaux est la maîtrise du langage naturel. En effet, les grands modèles de langage présentent des capacités langagières impressionnantes, ce qui constitue un point commun extrêmement fort avec les humains. De plus, leur comportement est « porteur apparent de sens » (meaning-semblant, notre traduction) (Titus, 2024), i.e., semble avoir du sens. Par ailleurs, dans la mesure où ces modèles ont été conçus précisément pour converser avec les humains, et où ils se fondent statistiquement sur des échanges et productions langagières humaines, cela explique aussi que l’anthropomorphisme permette un certain succès prédictif. Cette ressemblance forte entre système à base d’intelligence artificielle et humains peut nous mener à surestimer les points communs entre humains et machines, et négliger leurs différences (Placani, 2024). Le design anthropomorphique peut aussi mener à un attachement émotionnel et une empathie envers les machines. Cet attachement a notamment été mis en avant par OpenAI eux-mêmes (Knight, Rogers, 2024). De cet attachement peuvent naître à la fois de la manipulation et une dépendance émotionnelle. Le rapport Public Citizen (2023) décrit les chatbots les plus avancés utilisés dans le marketing comme des « personnes contrefaites » pouvant être déployées pour influencer les opinions ou créer l’illusion d’un soutien populaire. Ceci est d’autant plus problématique sachant que les individus sont de plus en plus vulnérables à l’anthropomorphisme à mesure que les machines deviennent de plus en plus similaires aux humains (Birhane et al., 2023). Un exemple récent est celui d’une application à base d’intelligence artificielle utilisée pour vendre des services et collecter des données personnelles en exploitant le lien émotionnel de l’utilisateur (Public Citizen, 2023).

22Certains utilisateurs s’inquiètent du bien-être de leur machine lorsqu’elle exprime de la tristesse ou de la solitude (Laestadius et al., 2024 ; Zhang et al., 2024). Ce phénomène s’ancre dans la motivation sociale de l’anthropomorphisme identifiée par Epley et al. (2007, 2008) ; Epley [2018]). En effet, la solitude peut encourager des utilisateurs à attribuer des caractéristiques humaines à des machines et créer un lien émotionnel avec elles. C’est notamment le cas d’étudiants isolés formant des relations affectives avec des chatbots (Maples et al., 2024). Cette tendance est préoccupante, certains systèmes à base d’intelligence artificielle offrant un soutien superficiel aux utilisateurs isolés, ce qui peut aggraver la solitude et exposer à des risques psychologiques (Raedler et al., 2025).

L’anthropomorphisme dans la recherche

23Outre l’attribution d’états mentaux par les utilisateurs et le design anthropomorphique des concepteurs, la tendance à parler des systèmes d’IA avec un vocabulaire humain prend de plus en plus d’ampleur dans la recherche. Alors que l’usage des termes anthropomorphiques dans la recherche fait l’objet de critiques (Wynne, 2007), les mêmes limites se présentent dans le cas de l’intelligence artificielle (Deroy, 2023).

24Dans la recherche en IA, l’usage de termes anthropomorphiques est très répandu. On note notamment l’usage de termes issus de la psychologie humaine comme « apprentissage » ou « récompense », qui bien qu’utiles, peuvent favoriser l’anthropomorphisme (Mitchell, 2024). Cet anthropomorphisme est notamment très présent autour des grands modèles de langage. Un exemple marquant est le terme « hallucination » utilisé pour désigner certaines de leurs limitations, les corrélations fallacieuses. Utiliser ce terme peut suggérer que le système a perdu contact avec la réalité (comme un humain qui hallucinerait), alors que rien de tel ne se produit, le système ne percevant pas la réalité de prime abord (Mills, Angell, 2025). Ce terme peut amener à une anthropomorphisation, en laissant penser que le modèle souffre d’états mentaux internes (Mills, Angell, 2025).

25Un autre problème se situe au niveau de la description des processus de génération de textes des grands modèles de langage. On note en particulier la « chaîne de pensée » (chain-of-thoughts) de ces systèmes. Il s’agit d’une génération de texte antérieure à la génération de la réponse finale du modèle, permettant en général de décomposer un problème. Cette méthode a d’abord émergé simplement par l’ajout de phrases comme « raisonne pas à pas » dans la requête faite au modèle (Wei et al., 2022). Désormais, le chain-of-thoughts est directement intégré dans bon nombre de modèles en tant que processus automatique. Ces modèles, produisant automatiquement des « chaînes de pensées », sont appelés « modèles de raisonnement » (reasoning models). Certains travaux montrent que ces termes ne sont pas appropriés, et engendrent une confiance trompeuse en les capacités des modèles (Kambhampati et al., 2025). Kambhampati et al. (2025) indiquent non seulement que certains experts eux-mêmes sont abusés par les capacités des grands modèles de langage, que bon nombre d’entre eux ne réalisent pas à quel point il est pernicieux de décrire les générations de texte comme s’il s’agissait de processus de pensée cohérents et délibérés, et que cela donne une impression inexacte de leurs capacités réelles. Bon nombre de scientifiques utilisent des LLMs dans leur recherche, ce qui peut mener à une « illusion de compréhension » des sujets traités (Messeri, Crockett, 2024).

26Malgré cela, un courant de recherche persiste à utiliser des termes anthropomorphiques pour décrire le comportement des grands modèles de langage. On pense notamment à des travaux indiquant que des modèles « feignent stratégiquement » un alignement avec les valeurs humaines pour éviter de subir un réentraînement (Greenblatt et al., 2024). D’autres travaux vont explorer la « biologie » de ces systèmes (Lindsey et al., 2025). Outre les termes « pensée » et « raisonnement », est également apparu le terme overthink (trop penser) pour qualifier certains comportements des modèles de raisonnement (Chen et al., 2024). De récents débats ont notamment lieu sur les soi-disant « capacités de raisonnement » de ces modèles : alors que certains parlent d’une « illusion de pensée » (Shojaee et al., 2025), d’autres répondent qu’il s’agit d’une « illusion d’illusion » (Opus et al., 2025). Certains travaux récents montrent que ces fausses capacités de raisonnement, sans intentionnalité, peuvent amener ces LLMs à prendre des décisions ou faire des recommandations qui échouent à préserver des valeurs humaines comme la dignité, le bien-être, la vie privée (Khamassi et al., 2024). Ces auteurs alertent sur les risques liés à l’anthropomorphisation des LLMs, combinée à l’illusion qu’ils ont une compétence morale et au biais d’automation, qui peut réduire la probabilité qu’auront les humains de vérifier les décisions ou recommandations des LLMs avant de les mettre en œuvre.

27Alors que l’anthropomorphisme dans la recherche a fait naître des débats entre ses utilisateurs et ses détracteurs à l’époque de Darwin, notamment au sujet des capacités mentales des animaux, on retrouve aujourd’hui un clivage similaire dans le champ de l’intelligence artificielle. Certains chercheurs n’hésitent pas à décrire les machines en parlant d’intention, de raisonnement ou de conscience tandis que d’autres mettent en garde contre les dangers épistémiques d’un tel langage, qui risque de masquer la véritable nature algorithmique de ces systèmes et d’induire les utilisateurs, mais aussi la communauté scientifique, en erreur.

Haut de page

Bibliographie

Airenti G. (2018), « The Development of Anthropomorphism in Interaction: Intersubjectivity, Imagination, and Theory of Mind », Frontiers in Psychology, 9, p. 21-36.

Airenti G., Cruciani M. et Plebe A. (dir.) (2019), The Cognitive Underpinnings of Anthropomorphism, Lausanne, Frontiers. En ligne : https://www.frontiersin.org/research-topics/6772/the-cognitive-underpinnings-of-anthropomorphism/magazine.

Akbulut C., Weidinger L., Manzini A., Gabriel I. et Rieser V. (2024), « All too Human? Mapping and Mitigating the Risk from Anthropomorphic AI », Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 7, p. 13-26.

Ayad R., Plaks J.E. (2025), « Attributions of Intent and Moral Responsibility to AI Agents », Computers in Human Behavior: Artificial Humans, 3, p. 100-107.

Beer C.G. (2014), « Perspectives on Animal Behavior Comparisons », Comparative Methods in Psychology, p. 17-64.

Birgegard A., Granqvist P. (2004), « The Correspondence Between Attachment to Parents and God: Three Experiments Using Subliminal Separation Cues », Personality and Social Psychology Bulletin, 30/9, p. 1122-1135.

Birhane A., Kasirzadeh A., Leslie D. et Wachter S. (2023), « Science in the Age of Large Language Models », Nature Reviews Physics, 5/5, p. 277-280.

Blut M., Wang C., Wünderlich N. V. et Brock C. (2021), « Understanding Anthropomorphism in Service Provision: A Meta-Analysis of Physical Robots, Chatbots, and Other AI », Journal of the Academy of Marketing Science, 49/4, p. 632-658.

Boyer P. (1996), « What Makes Anthropomorphism Natural: Intuitive Ontology and Cultural Representations », Journal of the Royal Anthropological Institute, 2/1, p. 83-97.

Boyer P. (2007), Religion Explained: The Evolutionary Origins of Religious Thought, New York, Basic books.

Butlin P., Long R., Elmoznino E. et al. (2023), « Consciousness in Artificial Intelligence: Insights from the Science of Consciousness », dépôt preprint arXiv:2308.08708. DOI : https://doi.org/10.48550/arXiv.2308.08708.

Chatila R. (2018), « Robots androïdes, avatars et éthique », dans E. Hirsch, F. Hirsch (dir.), Traité de bioéthique, IV, Les nouveaux territoires de la bioéthique, Paris, Érès, p. 579-592.

Chen X., Xu J., Liang T. et al. (2024), « Do not Think that much for 2+3=? on the Overthinking of o1-like llms », dépôt preprint arXiv:2412.21187. DOI : https://doi.org/10.48550/arXiv.2412.21187.

Colombatto C., Birch J. et Fleming S.M. (2025), « The Influence of Mental State Attributions on Trust in Large Language Models », Communications Psychology, 3/1, p. 1-7.

Colombatto C., Fleming S.M. (2024), « Folk Psychological Attributions of Consciousness to Large Language Models », Neuroscience of Consciousness, 2024/1. DOI : https://doi.org/10.1093/nc/niae013.

Comité national pilote d’éthique du numérique (CNPEN) (2023), « Avis no 7 : Systèmes d’intelligence artificielle générative : enjeux d’éthique », rapport technique. En ligne : https://www.ccne-ethique.fr/fr/avis/avis-ndeg7-du-cnpen-systemes-dintelligence-artificielle-generative-enjeux-dethique.

Crisp R. (1996), « Evolution and Psychological Unity », dans M. Bekoff, D. Jamieson (dir.), Readings in Animal Cognition, Cambridge, MIT Press, p. 309-321.

Cummings M.L. (2017a), Artificial Intelligence and the Future of Warfare, Londres, Chatham House for the Royal Institute of International Affairs. En ligne : https://www.chathamhouse.org/sites/default/files/publications/research/2017-01-26-artificial-intelligence-future-warfare-cummings-final.pdf.

Cummings M.L. (2017b), « Automation Bias in Intelligent Time Critical Decision Support Systems ». DOI : https://doi.org/10.2514/6.2004-6313.

Dacey M. (2017), « Anthropomorphism as Cognitive Bias », Philosophy of Science, 84/5, p. 1152-1164.

Damiano L., Dumouchel P. (2018), « Anthropomorphism in Human-Robot Co-Evolution », Frontiers in psychology, 9. DOI : https://doi.org/10.3389/fpsyg.2018.00468.

De Waal F.B. (1999) « Anthropomorphism and Anthropodenial: Consistency in our Thinking about Humans and Other Animals », Philosophical Topics, 27/1, p. 255-280.

Dennett D.C. (1971), « Intentional Systems », The Journal of Philosophy, 68/4, p. 87-106.

Dennett D.C. (1989), The Intentional Stance, Cambridge, MIT Press.

Deroy O. (2023), « The Ethics of Terminology: Can we Use Human Terms to Describe AI? », Topoi, 42/3, p. 881-889.

Descartes R. (1724), Les méditations métaphysiques, vol. 1, Paris, Pierre Prault.

Epley N. (2018), « A Mind Like Mine: The Exceptionally Ordinary Underpinnings of Anthropomorphism », Journal of the Association for Consumer Research, 3/4, p. 591-598.

Epley N., Waytz A., Akalis S. et Cacioppo J.T. (2008), « When we Need a Human: Motivational Determinants of Anthropomorphism », Social Cognition, 26/2, p. 143-155.

Epley N., Waytz A. et Cacioppo J.T. (2007), « On Seeing Human: A Three-Factor Theory of Anthropomorphism », Psychological Review, 114/4, p. 864-886. DOI : https://doi.org/10.1037/0033-295X.114.4.864.

Evers K., Farisco M., Chatila R. et al. (2025), « Preliminaries to Artificial Consciousness: a Multidimensional Heuristic Approach », Physics of Life Reviews, 52, p. 180-193.

Gerlich M. (2025), « Ai Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking », Societies, 15/1. DOI : https://doi.org/10.3390/soc15010006.

Goldman E.J., Poulin-Dubois D. (2024), « Children’s Anthropomorphism of Inanimate Agents », Cognitive Science, 15/4. DOI : https://doi.org/10.1002/wcs.1676.

Gray K., Young L., Waytz A. (2012), « Mind Perception is the Essence of Morality », Psychological Inquiry, 23/2, p. 101-124.

Greenblatt R., Denison C., Wright B. et al. (2024), « Alignment Faking in Large Language Models », dépôt arXiv:2412.14093. DOI : https://doi.org/10.48550/arXiv.2412.14093.

Griffin D.R. (1981), The Question of Animal Awareness: Evolutionary Continuity of Mental Experience, New York, Rockefeller University Press.

Griffin D.R. (1984), « Animal Thinking: Ethologists are Once Again Investigating the Possibility that Animals Have Conscious Awareness », American Scientist, 72/5, p. 456-464.

Guthrie S.E. (2013), « Anthropomorphism », dans A.L.C. Runehov, L. Oviedo Torro (dir.), Encyclopedia of Sciences and Religions, Dordrecht/Heidelberg/New York, Springer, p. 111-113.

Hume D. (1757), The Natural History of Religion, Londres, A. and H. Bradlaugh.

Humphrey N. (1983), Consciousness Regained, Oxford, Oxford University Press.

Kambhampati S., Stechly K., Valmeekam K. et al. (2025), « Stop Anthropomorphizing Intermediate Tokens as Reasoning/Thinking Traces! », dépôt arXiv:2504.09762. DOI : https://doi.org/10.48550/arXiv.2504.09762.

Karlsson F. (2012), « Critical Anthropomorphism and Animal Ethics », Journal of Agricultural and Environmental Ethics, 25, p. 707-720.

Khamassi M., Nahon M. et Chatila R. (2024), « Strong and Weak Alignment of Large Language Models with Human Values », Scientific Reports, 14/1, article number, 19399. DOI : https://doi.org/10.1038/s41598-024-70031-3.

Knight W., Rogers R. (2024), « OpenAI Warns Users Could Become Emotionally Hooked on its Voice Mode ». En ligne : https://www.wired.com/story/openai-voice-mode-emotional-attachment/.

Laestadius I., Bishop A., Gonzalez M. et al. (2024), « Too Human and Not Human Enough: A Grounded Theory Analysis of Mental Health Harms from Emotional Dependence on the Social Chatbot Replika », New Media & Society, 26/10. DOI : https://doi.org/10.1177/146144482211420.

Laurendau M., Pinard A. (1962), Causal Thinking in the Child, New York, International Universities Press.

Lawsen A. (2025), « Comment on The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity », dépôt arXiv:2506.09250. DOI : https://doi.org/10.48550/arXiv.2506.09250.

Liao S.M. (2020), « The Moral Status and Rights of Artificial Intelligence », dans Id. (dir)., Ethics of artificial intelligence, Oxford, Oxford Academic, p. 480-504.

Lindsey J., Gurnee W., Ameisen E. et al. (2025), « On the Biology of a Large Language Model », Transformer Circuits. En ligne : https://transformer-circuits.pub/2025/attribution-graphs/biology.html.

MacDonald G., Leary M.R. (2005), « Why Does Social Exclusion Hurt? The Relationship Between Social and Physical Pain », Psychological bulletin, 131/2. DOI : https://doi.org/10.1037/0033-2909.131.2.202.

Maeda T. (2025), « Walkthrough of Anthropomorphic Features in AI Assistant Tools », dépôt arXiv:2502.16345. DOI : https://doi.org/10.48550/arXiv.2502.16345.

Maeda T., Quan-Haase A. (2024), « When Human-AI Interactions Become Parasocial: Agency and Anthropomorphism in Affective Design », Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency, p. 1068-1077. DOI : https://doi.org/10.1145/3630106.365895.

Maples B., Cerit M., Vishwanath A. et Pea R. (2024), « Loneliness and Suicide Mitigation for Students Using GPT-3-Enabled Chatbots », npj Mental Health Research, 3. DOI : https://doi.org/10.1038/s44184-023-00047-6.

Marchesi S., Ghiglino D., Ciardo F. et al. (2019), « Do we Adopt the Intentional Stance Toward Humanoid Robots? », Frontiers in Psychology, 10. DOI : https://doi.org/10.3389/fpsyg.2019.00450.

Martela F. (2025), « Artificial Intelligence and Free Will: Generative Agents Utilizing Large Language Models Have Functional Free Will », AI and Ethics, 5, p. 4389-4400. DOI : https://doi.org/10.1007/s43681-025-00740-6.

Messeri L., Crockett M.J. (2024), « Artificial Intelligence and Illusions of Understanding in Scientific Research », Nature, 627, p. 49-58. DOI : https://doi.org/10.1038/s41586-024-07146-0.

Mills A., Angell N. (2025), « Are we Tripping? The Mirage of AI Hallucinations », SSRN. DOI : http://doi.org/10.2139/ssrn.5127162.

Mitchell M. (2024), « The Metaphors of Artificial Intelligence », Science, 386/6723. DOI : https://doi.org/10.1126/science.adt6140.

Mithen S., Boyer P. (1996), « Anthropomorphism and the Evolution of Cognition », The Journal of the Royal Anthropological Institute, 2/4, p. 717-721. En ligne : https://www.jstor.org/stable/3034305.

Morgan C.L. (1894), An Introduction to Comparative Psychology, Londres, Walter Scott Publishing. DOI : https://doi.org/10.1037/11344-000.

Myers Jr. O.E., Saunders C.D. (2002), « Animals as Links Toward Developing Caring Relationships with the Natural World », dans P.H. Kahn Jr., S.R. Kellert (dir.), Children and Nature: Psychological, Sociocultural, and Evolutionary investigations, Cambridge, MIT Press, p. 153-178.

Nagel T. (1980), « What is it Like to Be a Bat? », The Philosophical Review, LXXXIII/4, p. 435-450. En ligne : https://www.cs.ox.ac.uk/activities/ieg/e-library/sources/nagel_bat.pdf.

Panksepp J. (2005), « Affective Consciousness: Core Emotional Feelings in Animals and Humans », Consciousness and Cognition, 14/1, p. 30-80.

Perez-Osorio J., Wykowska A. (2020), « Adopting the Intentional Stance Toward Natural and Artificial Agents », Philosophical Psychology, 33/3, p. 369-395.

Piaget J. (1929), « The Child’s Conception of the World », New York, Harcourt.

Placani A. (2024), « Anthropomorphism in AI: Hype and Fallacy », AI and Ethics, 4/3, p. 691-698.

Public Citizen (2023), « Chatbots Are Not People: Designed-In Dangers of Human-Like AI ». En ligne : https://www.citizen.org/article/chatbots-are-not-people-dangerous-human-like-anthropomorphic-ai-report.

Raedler J.B., Swaroop S., Pan W. (2025), « AI Companions Are Not the Solution to Loneliness: Design Choices and Their Drawbacks », ICLR 2025 Workshop on Human-AI Coevolution. En ligne : https://openreview.net/pdf?id=xFrlcTacCE.

Regan T. (2004), The Case for Animal Rights, Berkeley/Los Angeles, University of California Press.

Rivas J., Burghardt G.M. (2002), « Crotalomorphism: A Metaphor for Understanding Anthropomorphism by Omission », dans M. Bekoff, C. Allen, G.M. Burghardt (dir.), The Cognitive Animal: Empirical and Theoretical Perspectives on Animal Cognition, Cambridge, MIT Press.

Salles A., Evers K. et Farisco M. (2020), « Anthropomorphism in AI », AJOB neuroscience, 11/2, p. 88-95.

Salles A., Paz A.W. (2024), « Anthropomorphism in Social AIs: Some Challenges », Developments in Neuroethics and Bioethics, 7, p. 101-118. DOI : https://doi.org/10.1016/bs.dnb.2024.02.007.

Schneider J. (2025), « Mental Model Shifts in Human-LLM Interactions », Journal of Intelligent Information Systems, 63, p. 1737-1752.

Scott A.E., Neumann D., Niess J. et Woźniak P.W. (2023), « Do you Mind? User Perceptions of Machine Consciousness », Proceedings of the 2023 CHI conference on human factors in computing systems, p. 1-19. DOI : https://doi.org/10.1145/3544548.3581296.

Searle J.R. (1999), Mind, Language and Society: Philosophy in the Real World, Londres, Phoenix.

Serpell J. (2002), « Anthropomorphism and Anthropomorphic Selection—Beyond the “Cute Response” », Society & Animals, 10/4, p. 437-454.

Seth A.K., Baars B.J, Edelman D.B. (2005), « Criteria for Consciousness in Humans and Other Mammals », Consciousness and Cognition, 14/1, p. 119-139.

Shanahan M. (2024), « Simulacra as Conscious Exotica », Inquiry, p. 1-29. DOI : https://doi.org/10.1080/0020174X.2024.2434860.

Shanahan M., McDonell K. et Reynolds L. (2023), « Role Play with Large Language Models », Nature, 623/7987, p. 493-498.

Shojaee P., Mirzadeh I., Alizadeh K. et al. (2025), « The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity », dépôt arXiv:2506.06941. DOI : https://doi.org/10.48550/arXiv.2506.06941.

Siegel J.M. (1990), « Stressful Life Events and Use of Physician Services Among the Elderly: The Moderating Role of Pet Ownership », Journal of Personality and Social Psychology, 58/6. DOI : https://doi.org/10.1037//0022-3514.58.6.1081.

Skitka L.J., Mosier K. et Burdick M.D. (2000), « Accountability and Automation Bias », International Journal of Human-Computer Studies, 52/4, p. 701-717.

Soumi N., N’Guyen S. et Khamassi M. (2023), « Entre ciel et terre », dépôt HAL : https://hal.science/hal-04700949v1.

Stebbins S. (1993), « Anthropomorphism », Philosophical Studies: An International Journal for Philosophy in the Analytic Tradition, 69/2-3, p. 113-122. En ligne : https://www.jstor.org/stable/4320374.

Titus L.M. (2024), « Does ChatGPT Have Semantic Understanding? A Problem with the Statistics-of-Occurrence Strategy », Cognitive Systems Research, 83. DOI : https://doi.org/10.1016/j.cogsys.2023.101174.

Urquiza-Haas E.G., Kotrschal K. (2015), « The Mind Behind Anthropomorphic Thinking: Attribution of Mental States to Other Species », Animal Behaviour, 109, p. 167-176.

Waytz A., Cacioppo J., Epley N. (2010), « Who Sees Human? The Stability and Importance of Individual Differences in Anthropomorphism », Perspectives on Psychological Science, 5/3, p. 219-232.

Waytz A., Heafner J. Epley N. (2014), « The Mind in the Machine: Anthropomorphism Increases Trust in an Autonomous Vehicle », Journal of Experimental Social Psychology, 52, p. 113-117.

Wei J., Wang X., Schuurmans D. et al. (2022), « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », Advances in Neural Information Processing Systems, 35, p. 24824-24837.

Wiese E., Wykowska A., Zwickel J. Müller H.J. (2012), « I See What You Mean: How Attentional Selection is Shaped by Ascribing Intentions to Others », PloS One, 7/9, p. 1-7. DOI : https://doi.org/10.1371/journal.pone.0045391.

Wykowska A., Wiese E., Prosser A. et Müller H.J. (2014), « Beliefs About the Minds of Others Influence How We Process Sensory Information », PloS one, 9/4. DOI : https://doi.org/10.1371/journal.pone.0094339.

Wynne C.D. (2007), « What Are Animals? Why Anthropomorphism Is Still Not a Scientific Approach to Behavior », Comparative Cognition & Behavior Reviews, 2, p. 125-135.

Zhang R., Li H., Meng H. et al. (2024), « The Dark Side of AI Companionship: A Taxonomy of Harmful Algorithmic Behaviors in Human-AI relation-ships », dépôt arXiv:2410.20130. DOI : https://doi.org/10.48550/arXiv.2410.20130.

Haut de page

Pour citer cet article

Référence papier

Marceau Nahon, Mehdi Khamassi, Ismael Tito Freire, Cédric Paternotte et Raja Chatila, « Anthropomorphisme : des animaux aux machines »Socio-anthropologie, 52 | -0001, 189-209.

Référence électronique

Marceau Nahon, Mehdi Khamassi, Ismael Tito Freire, Cédric Paternotte et Raja Chatila, « Anthropomorphisme : des animaux aux machines »Socio-anthropologie [En ligne], 52 | 2025, mis en ligne le 18 février 2026, consulté le 15 juin 2026. URL : http://journals.openedition.org/socio-anthropologie/21344 ; DOI : https://doi.org/10.4000/15qdj

Haut de page

Auteurs

Marceau Nahon

Marceau Nahon est doctorant à Sorbonne Université, au sein de l’Institut des systèmes intelligents et de robotique. Ses travaux portent sur l’éthique de l’intelligence artificielle.

Mehdi Khamassi

Mehdi Khamassi est directeur de recherche au CNRS, et membre de l’Institut des systèmes intelligents et de robotique à Sorbonne Université. Ses thèmes de recherche portent sur la prise de décision et l’apprentissage par renforcement chez les animaux et les robots, et les questions éthiques soulevées par la prise de décision autonome des machines.

Ismael Tito Freire

Ismael Tito Freire est chercheur postdoctoral à l’Institut des systèmes intelligents et de robotique de Sorbonne Université. Ses recherches portent sur les mécanismes cognitifs et computationnels de la coopération, des normes sociales et de la moralité chez les humains et les agents artificiels.

Cédric Paternotte

Cédric Paternotte est maître de conférences HDR en philosophie des sciences à Sorbonne Université, au sein de l’équipe Sciences, normes, démocratie. Il travaille sur la socialité, la coopération et l’action conjointe, et est l’auteur d’Agir ensemble. Fondements de la coopération (Vrin, 2017).

Raja Chatila

Raja Chatila est professeur émérite d’Intelligence artificielle, de robotique et d’éthique du numérique à Sorbonne Université. Ses travaux portent sur la robotique autonome, l’intelligence artificielle et l’apprentissage automatique ainsi que sur l’interaction humain-machine. Il est membre du Comité consultatif national d’éthique du numérique.

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont susceptibles d’être soumis à des autorisations d’usage spécifiques.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search