Le patrimoine européen existe en abondance, musées, bibliothèques, archives, mais sa présence dans les corpus numériques qui forment les IA reste fragmentaire. Europeana, la plateforme européenne de patrimoine numérique, rassemble 60 millions d’objets issus de plus de 4 000 institutions. Google Books a numérisé environ 40 millions de livres, sur un corpus massivement anglophone, dans un délai comparable. Quand les grands modèles de langage s’entraînent sur ces données, ils apprennent à décrire, classer et interpréter le patrimoine culturel mondial à partir de ce qui a été numérisé en premier, et par qui.

L’essentiel

  • Les corpus sur lesquels s’entraînent les IA déterminent les récits qu’elles produiront : numériser le patrimoine européen est aussi un enjeu de souveraineté culturelle.
  • Europeana rassemble 60 millions d’objets provenant de plus de 4 000 institutions européennes, mais un rapport de la Commission européenne de 2024 signale que les cibles de numérisation fixées pour 2030 sont à risque.
  • Google Books a numérisé environ 40 millions de livres sur un corpus dominé par l’anglais, offrant aux modèles d’IA un référentiel culturel massivement anglo-américain.
  • Si les ressources européennes restent sous-représentées dans les données d’entraînement, les IA reconstruiront le patrimoine européen à partir de sources extérieures, avec leurs angles et leurs lacunes.
  • Des initiatives publiques et académiques cherchent à corriger ce déséquilibre, mais leur rythme et leur financement restent les variables décisives.

Le corpus est le message

Il y a un principe simple derrière les grands modèles de langage : ils apprennent ce qu’on leur montre. Un modèle entraîné sur des millions de textes anglais sur la peinture italienne de la Renaissance saura beaucoup de choses sur ce sujet, mais vues depuis Londres ou New York. Un modèle nourri de sources italiennes, de catalogues de musées florentins, de correspondances d’historiens de l’art romains, en saurait d’autres, et les dirait différemment.

Les dates de naissance de Léonard de Vinci ne changent pas selon la langue du corpus. En revanche, l’interprétation, le cadrage, les associations d’idées et les hiérarchies implicites entre œuvres, artistes et périodes dépendent de qui a écrit, dans quelle langue, et si ces écrits ont été numérisés. Les chercheurs en sémiotique juridique et culturelle ont documenté cette dynamique : un corpus biaisé produit des inférences biaisées, même sur des sujets en apparence neutres comme le patrimoine.

L’enjeu est donc moins technique que politique. La numérisation du patrimoine culturel relève autant de la conservation et de l’accès que de la définition de ce qu’une IA jugera plausible, typique ou central, par opposition à ce qu’elle traitera comme marginal ou exotique.

60 millions d’objets, mais des cibles 2030 à risque

Europeana est une réalisation substantielle. Lancée en 2008, la plateforme agrège aujourd’hui 60 millions d’objets numérisés, tableaux, manuscrits, photographies, cartes, partitions, issus de plus de 4 000 institutions dans toute l’Europe. C’est l’un des corpus culturels les plus vastes au monde, et son existence témoigne d’une volonté politique réelle de rendre le patrimoine européen accessible en ligne.

Mais un rapport de la Commission européenne publié en 2024 tempère cet optimisme. Les objectifs fixés par la stratégie numérique européenne pour 2030, notamment en matière de rythme de numérisation, sont jugés à risque. Les causes sont multiples : financement insuffisant dans plusieurs États membres, capacités techniques inégales entre grandes institutions nationales et petits musées régionaux, et absence d’une coordination suffisante entre pays. La masse des 60 millions d’objets cache une réalité plus fragmentée : certains fonds sont numérisés à 80 %, d’autres à moins de 5 %.

Ce retard a une conséquence directe sur les IA. Un corpus incomplet constitue une lacune dans les données d’entraînement disponibles : ce qui n’est pas numérisé n’existe pas pour un modèle de langage. Ce vide est alors comblé par d’autres sources, en général anglophones.

L’article sur la disparition du patrimoine culturel français posait déjà ce diagnostic pour la transmission physique. La numérisation est la version numérique du même problème : sans effort organisé, c’est l’abandon par défaut.

Google Books comme référentiel mondial

Google Books a démarré en 2004. En deux décennies, le projet a numérisé environ 40 millions de livres, issus en grande partie de bibliothèques universitaires américaines et britanniques, Harvard, Stanford, Oxford, Michigan. Le corpus est considérable, et son influence sur les modèles de langage est difficile à surestimer : GPT, Gemini et leurs concurrents ont tous été entraînés, directement ou indirectement, sur des textes qui dérivent en partie de ce fonds.

Le biais linguistique est documenté. L’anglais domine très largement les livres numérisés par Google, suivi de loin par l’espagnol, le français et l’allemand. Les langues d’Europe centrale et orientale, polonais, roumain, hongrois, tchèque, sont structurellement sous-représentées. Les langues à faible diffusion internationale, comme le maltais, le gaélique irlandais ou le luxembourgeois, sont quasi absentes.

Ce déséquilibre n’est pas une faute morale de Google. Il reflète la réalité des bibliothèques qui ont participé au projet et des langues dans lesquelles ont été publiés les livres les plus facilement accessibles sous droits. Mais ses effets sont réels. Un modèle d’IA qui a lu dix fois plus de textes en anglais sur l’art baroque qu’en polonais ou en hongrois aura des associations, des références et des hiérarchies différentes de celles d’un historien de Cracovie ou de Budapest.

La question pratique porte sur ce que l’Europe fera de cet écart.

Les corrections tentées par les institutions européennes

Plusieurs acteurs publics et académiques ont pris la mesure du problème et travaillent à des réponses concrètes.

Europeana elle-même a évolué. La plateforme ne se contente plus d’agréger des métadonnées : elle travaille à l’interopérabilité des données pour que les corpus qu’elle rassemble puissent être utilisés comme données d’entraînement pour des modèles IA européens. Le programme Europeana Data Space, lancé dans le cadre du Cloud européen de données culturelles, vise précisément à rendre ces 60 millions d’objets exploitables par des chercheurs et des développeurs d’IA, pas seulement consultables par des internautes.

L’alliance universitaire Una Europa, qui regroupe onze universités européennes, a engagé des travaux sur la représentation du patrimoine culturel dans les corpus numériques. L’idée centrale est que la diversité linguistique et culturelle du continent doit se traduire en diversité des données, sinon, les outils d’IA produits en Europe raisonneront malgré eux avec des catégories importées.

La Commission européenne, de son côté, a intégré la numérisation du patrimoine dans sa stratégie numérique, et l’AI Act adopté en 2024 introduit des exigences de transparence sur les données d’entraînement des modèles à haut risque. Ces dispositions pourraient, à terme, créer une pression réglementaire sur les développeurs d’IA pour qu’ils documentent et diversifient leurs corpus. C’est un levier indirect, mais réel.

Ce point rejoint une réflexion plus large déjà publiée ici : l’IA s’insère dans les organisations comme système plutôt que comme outil. La même logique s’applique aux institutions culturelles : une IA intégrée sans réflexion sur ses données d’entraînement reproduit des hiérarchies héritées sans les réexaminer.

Le soft power culturel se joue dans les corpus

L’histoire du soft power culturel s’est toujours jouée sur des infrastructures : les bibliothèques de l’empire romain, les académies françaises du XVIIe siècle, Hollywood au XXe siècle. Chaque époque a produit des centres de production et de diffusion culturelle dont l’influence a dépassé les frontières politiques.

L’entraînement des IA est la nouvelle infrastructure. Un modèle de langage massivement nourri de sources anglophones décrira le monde, y compris le patrimoine européen, avec les catégories, les références et les hiérarchies de ces sources. Cela ne signifie pas que les IA actuelles sont fausses dans leurs descriptions du patrimoine européen. Mais elles en ont une lecture filtrée, et cette lecture va se diffuser à grande échelle : dans les outils pédagogiques, les applications de médiation culturelle, les assistants de recherche, les traductions automatiques de catalogues de musées.

À horizon 2030, si les cibles européennes de numérisation restent à risque, la dépendance des IA aux corpus anglophones pour interpréter le patrimoine européen pourrait s’installer comme un état stable plutôt que comme une phase transitoire. La fenêtre pour constituer des corpus compétitifs n’est pas illimitée : les modèles de la prochaine génération s’entraîneront sur les données disponibles dans les cinq à dix prochaines années.

Les variables décisives : financement, coordination, ouverture des données

Trois facteurs déterminent si l’Europe peut réduire l’écart.

Le financement d’abord. La numérisation à grande échelle coûte cher : numérisation physique, métadonnées, droits, hébergement, maintenance. Plusieurs États membres ont sous-financé leurs programmes nationaux, laissant des institutions régionales sans moyens. Le rapport 2024 de la Commission identifie cet écart de financement parmi les principaux obstacles aux cibles 2030. Une relance budgétaire ciblée, notamment via les fonds structurels ou le programme Europe Créative, constituerait le levier le plus direct.

La coordination ensuite. Les 4 000 institutions d’Europeana travaillent avec des standards, des formats et des niveaux de maturité très différents. L’interopérabilité des données, condition nécessaire pour que ces corpus servent à entraîner des IA, exige une harmonisation que ni le marché ni les institutions nationales ne produiront spontanément. C’est un rôle classique pour une instance de coordination européenne, à condition qu’elle dispose d’un mandat et de ressources suffisants.

L’ouverture des données enfin. Une partie des collections numérisées reste sous des régimes de droits complexes qui empêchent leur utilisation pour l’entraînement de modèles. Les œuvres du domaine public sont libres en théorie, mais les numérisations elles-mêmes font parfois l’objet de revendications de droits voisins par les institutions qui ont financé le travail. Simplifier ces régimes, notamment pour les usages de recherche et d’entraînement d’IA à but non lucratif, permettrait de débloquer une partie du corpus existant sans attendre de nouvelles numérisations.

Ces trois chantiers sont connus. Ils figurent dans les rapports européens depuis plusieurs années. Ce qui manque, selon le rapport 2024, c’est la vitesse d’exécution. L’urgence vient du calendrier des IA, pas de celui des patrimoines.

Les algorithmes et les archives

La question posée par le développement des IA au patrimoine européen n’est pas nouvelle dans sa structure. Elle ressemble à celle que le JdP a documentée pour le journalisme d’investigation face aux algorithmes : quand les infrastructures de diffusion et de classement sont contrôlées par des acteurs dont les corpus et les intérêts divergent de ceux des producteurs de contenu, ces producteurs perdent progressivement la maîtrise de leur propre visibilité et de leur propre interprétation.

Pour le patrimoine culturel, la dynamique est analogue, mais avec une asymétrie temporelle supplémentaire. Un article de presse peut être republié, indexé différemment, récupéré dans un nouveau corpus demain. Un corpus d’entraînement pour un grand modèle de langage est constitué une fois, à un moment donné, et ses biais structurent le modèle pour des années. La fenêtre pour agir est donc plus étroite, et le coût de l’inaction plus durable.

L’Europe dispose d’un atout de masse : 60 millions d’objets numérisés forment déjà un corpus considérable, produit par des institutions dotées d’une légitimité et d’une profondeur historique qu’aucun projet privé ne peut reproduire rapidement. La condition est que ce corpus devienne exploitable, techniquement, juridiquement et financièrement, avant que les prochaines générations de modèles aient achevé leur phase d’entraînement.

Qui numérise en premier écrit l’histoire que l’IA racontera. L’Europe a déjà beaucoup numérisé. Elle doit maintenant décider si elle veut aussi définir comment ces données alimentent les outils qui réinterprèteront son propre patrimoine.

Sources

  1. Commission européenne, Stratégie numérique : rapport 2024 sur la numérisation du patrimoine culturel
  2. Europeana, données agrégées 2023 (europeana.eu)
  3. Springer International Journal of Semiotics and Law, 2023, corpus numériques et biais culturels dans les modèles de langage
  4. Una Europa, travaux sur la représentation du patrimoine culturel dans les corpus d’entraînement IA
  5. Commission européenne, AI Act, 2024, dispositions sur la transparence des données d’entraînement (eur-lex.europa.eu)