Une langue autochtone disparaît toutes les deux semaines et l’IA commence à les sauver

Quelque part entre aujourd’hui et dans quelques semaines, une langue humaine mourra. Pas une langue mineure ou marginale — une langue entière, avec sa grammaire, ses métaphores, ses façons de découper le temps et l’espace, ses façons de nommer les plantes, les vents, les relations entre les hommes. Selon l’UNESCO, 40 % des 7 000 langues recensées dans le monde sont aujourd’hui menacées d’extinction. Selon les données les plus récentes (ELCat, Nature 2022), une langue disparaît en moyenne tous les 1 à 3 mois — le chiffre « toutes les deux semaines » souvent repris par l’UNESCO est aujourd’hui contesté par les recherches scientifiques les plus récentes. Au rythme actuel, la moitié des langues vivantes auront disparu d’ici la fin du siècle.

Ce chiffre aurait pu rester une statistique de rapport institutionnel. Il est en train de devenir le point de départ d’un pari technologique inattendu. Les mêmes modèles d’intelligence artificielle qui ont longtemps été analysés comme des forces d’homogénéisation culturelle — aspirant les contenus en anglais, dominant les usages numériques, marginalisant encore davantage les langues peu dotées — commencent à être retournés contre cette tendance. Depuis 2024, des modèles de langue légers permettent d’entraîner des outils utiles sur des corpus minuscules, rendant la revitalisation linguistique techniquement accessible pour des langues à quelques milliers de locuteurs. La question n’est plus seulement technique. Elle est politique : qui contrôle ces corpus, qui décide de ce qu’on en fait, et à qui appartient une langue quand le peuple qui la parle n’a pas d’État pour la protéger ?

L’essentiel

  • Selon les données récentes (ELCat, Nature 2022), une langue disparaît tous les 1 à 3 mois ; 40 % des 7 000 langues mondiales sont menacées selon l’UNESCO.
  • Les petits modèles de langue (SLM) peuvent désormais être entraînés sur des corpus de quelques milliers de mots, rendant les outils de documentation et de revitalisation accessibles là où les grands modèles échouaient.
  • Des projets concrets sont actifs : le maori en Nouvelle-Zélande, les langues tribales amérindiennes aux États-Unis, le gallois au Royaume-Uni, le quechua en Amérique du Sud.
  • Le verrou principal n’est plus technique : il est politique et juridique. La question de la propriété des données linguistiques menace de bloquer ou de dévoyer les projets les plus prometteurs.
  • L’horizon 2026-2030 est décisif : les communautés qui n’engagent pas dès maintenant la documentation numérique de leurs langues auront des corpus trop maigres pour que les outils futurs soient efficaces.

Pourquoi une langue morte n’est pas qu’une perte culturelle

Il existe une tentation de traiter la disparition des langues comme une perte symbolique, émouvante mais abstraite. Cette tentation est une erreur d’analyse.

Une langue encode une façon de connaître le monde. Les recherches en ethnobiologie l’ont documenté de manière répétée : les langues autochtones contiennent des taxonomies botaniques, des savoirs écologiques, des classifications météorologiques qui n’ont pas d’équivalent dans les grandes langues mondiales. Quand une langue s’éteint, ces connaissances disparaissent souvent avec elle — non pas parce qu’elles ne pourraient pas être traduites, mais parce que personne n’a eu le temps, les moyens ou le mandat de les transcrire. Une étude publiée dans PNAS en juin 2021 montre ainsi que 75 % des 12 495 savoirs médicinaux sur les plantes étudiés dans trois régions (Amérique du Nord, Amazonie nord-ouest et Nouvelle-Guinée) sont linguistiquement uniques, c’est-à-dire connus d’une seule langue — autant de savoirs qui disparaîtraient avec elle sans laisser d’équivalent documenté.

Il y a aussi une dimension politique directe. Les langues sont des vecteurs de droits. Les revendications territoriales des peuples autochtones, leurs traditions juridiques, leurs récits de peuplement — tout cela passe par la langue. En Amérique latine, plusieurs procès autour de droits fonciers ont buttés sur l’absence de documents en langue autochtone, ce qui affaiblissait la portée des témoignages oraux. Une langue vivante est une ressource juridique. Une langue morte, une archive inutilisable.

Enfin, il y a la démographie du problème. La plupart des langues menacées ont moins de 1 000 locuteurs courants. Beaucoup n’ont plus que quelques dizaines de locuteurs âgés. L’essentiel du savoir linguistique est contenu dans des cerveaux humains qui ne seront plus là dans dix ou vingt ans. La fenêtre de documentation est réelle, mesurable, et elle se ferme.

Ce que les grands modèles ne pouvaient pas faire

Pendant longtemps, l’intelligence artificielle linguistique était structurellement inutile pour les langues menacées. Les grands modèles de langue — GPT, Llama, Mistral — sont entraînés sur des corpus massifs. Pour l’anglais, on parle de centaines de milliards de tokens. Pour le français ou l’allemand, de dizaines de milliards. Pour le maori, le guarani ou le navajo, les corpus numériques se comptent en millions de mots, parfois en centaines de milliers. C’est insuffisant pour entraîner un modèle général. Les tentatives d’inclure des langues à faibles ressources dans les grands modèles ont souvent produit des résultats médiocres — des hallucinations grammaticales, des confusions avec des langues voisines, des traductions calquées sur l’anglais au point d’être culturellement fausses.

Ce verrou s’est partiellement desserré entre 2023 et 2025. Une nouvelle génération de petits modèles de langue — appelés SLM, pour small language models — a démontré une capacité à produire des outils utiles sur des corpus beaucoup plus modestes. Le rapport Brookings de 2025 consacré à cette question documente plusieurs cas où des correcteurs orthographiques, des prédicteurs de texte et des outils de documentation ont été entraînés sur des corpus de quelques milliers de phrases seulement, avec des résultats suffisamment bons pour être utilisables par des locuteurs natifs. Ce n’est pas de la traduction automatique de qualité professionnelle. C’est une aide fonctionnelle à l’écriture, à l’enseignement et à la transcription orale — trois activités qui sont précisément celles des communautés qui tentent de transmettre une langue.

La distinction est importante. L’objectif n’est pas de créer un ChatGPT en navajo. C’est de fournir à une institutrice qui enseigne en navajo un correcteur orthographique qui fonctionne, à un transcripteur qui enregistre des anciens un outil qui l’aide à normaliser les graphies, à une communauté qui rédige ses premiers documents administratifs une aide à la cohérence grammaticale. Ces outils modestes ont un impact direct sur la transmission. Et ils sont, pour la première fois, à portée technique.

Les projets qui marchent déjà

La Nouvelle-Zélande est l’un des laboratoires les plus avancés. Le mouvement de revitalisation du maori — appelé kohanga reo, les “nids de la langue” — a commencé dans les années 1980, bien avant l’IA. Il a construit des écoles d’immersion, des médias en langue maorie, une présence institutionnelle renforcée. Ce socle a permis de constituer un corpus numérique suffisant pour que les outils d’IA linguistique commencent à être utiles. Te Hiku Media, une organisation maorie, a développé un moteur de reconnaissance vocale en maori — le premier du genre pour cette langue. Ce projet n’a pas été confié à Google ou à une université américaine. Il a été réalisé en interne, avec un contrôle communautaire strict sur les données collectées. C’est ce modèle — technologie + gouvernance autochtone — que les experts de Brookings citent comme référence.

Aux États-Unis, plusieurs tribus ont engagé des projets similaires, souvent en partenariat avec des universités. L’Université de Hawaii a travaillé sur le hawaiien, dont la situation était alarmante dans les années 1980 : en 1985, seulement 32 enfants de moins de 18 ans parlaient encore la langue, selon l’UH Foundation, même s’il restait entre 1 000 et 2 000 adultes locuteurs. Aujourd’hui, la langue compte plus de 20 000 locuteurs, suite à un programme d’immersion scolaire. L’IA est arrivée après la revitalisation sociale — elle amplifie un mouvement qui existait, elle ne le crée pas. En Amérique du Sud, des projets autour du quechua et du guarani ont démarré, avec des résultats variables : le quechua, parlé par plus de 8 millions de personnes, offre un corpus plus large ; le guarani, co-officiel au Paraguay avec l’espagnol, bénéficie d’un statut institutionnel rare pour une langue autochtone.

En Europe, le gallois est souvent cité comme exemple de ce que la volonté politique peut accomplir. Avec 900 000 locuteurs et un statut co-officiel au Pays de Galles, il dispose d’un corpus numérique significatif et de financements publics pour le développement d’outils linguistiques. Le Parlement gallois a mandaté le développement d’outils d’IA en gallois pour ses services administratifs. Ce cas illustre une vérité simple : quand une institution publique décide qu’une langue compte, les outils suivent.

Ces projets ont en commun une architecture particulière : une communauté porteuse, un corpus même modeste, un partenariat technique externe maîtrisé, et une gouvernance locale sur les données. Retirez l’un de ces éléments et le projet s’effondre ou se dévore. C’est précisément ce dernier point — la gouvernance — qui est aujourd’hui le principal champ de bataille.

La propriété des données, nouveau terrain colonial

Le corpus linguistique d’une langue autochtone est une ressource rare, non reproductible, et potentiellement précieuse. Cette réalité attire des acteurs dont les intérêts ne coïncident pas nécessairement avec ceux des communautés concernées.

Des universités ont collecté des données linguistiques auprès de communautés autochtones pendant des décennies, parfois avec consentement, souvent sans. Ces archives — enregistrements audio, transcriptions, dictionnaires — sont stockées dans des serveurs universitaires, soumises au droit du pays dans lequel l’université est installée, et inaccessibles aux communautés qui en sont la source. Quand un chercheur ou une entreprise veut aujourd’hui entraîner un modèle sur ces données, la communauté n’a généralement aucun droit de regard.

Le problème va plus loin. Plusieurs entreprises technologiques ont commencé à scraper des contenus en langues peu dotées — textes religieux, traductions de la Bible, documents administratifs — pour enrichir des modèles multilingues commerciaux. Ces opérations se font sans notification ni compensation aux locuteurs. Du point de vue du droit actuel, c’est légal. Du point de vue des communautés concernées, c’est une extraction. On retrouve ici, dans un registre numérique, un mécanisme bien documenté dans d’autres domaines : la captation d’une ressource produite par une communauté au profit d’acteurs externes qui en contrôlent la valorisation. La comparaison avec les ressources naturelles n’est pas superficielle — elle éclaire une dynamique structurelle que plusieurs juristes autochtones commencent à formaliser sous le terme de “colonialisme de données”.

La réponse émergente passe par des cadres juridiques nouveaux. Le concept de “souveraineté des données autochtones” — porté notamment par le réseau FNIGC au Canada et par des chercheurs associés aux principes CARE (Collective Authority, Responsibility, Ethics) — postule que les communautés doivent avoir un droit de contrôle sur la collecte, le stockage, l’utilisation et le partage des données qui les concernent, y compris leurs données linguistiques. Ces principes restent largement volontaires pour l’instant. Quelques accords spécifiques ont été signés — Te Hiku Media a notamment refusé de céder ses données à des entreprises commerciales et a construit ses propres modèles — mais le cadre légal général reste absent. C’est une lacune que l’accélération des usages commerciaux de l’IA rend chaque jour plus urgente à combler.

Ce que l’IA peut faire, et ce qu’elle ne peut pas

Il faut être précis sur ce que la technologie peut apporter ici, et sur ce qu’elle ne remplacera jamais.

Les outils d’IA peuvent documenter plus vite. Ils peuvent aider à transcrire des heures d’enregistrements oraux en texte normalisé, réduisant un travail qui prenait des années à quelques mois. Ils peuvent créer des correcteurs et des claviers adaptés, qui font une différence concrète pour des jeunes locuteurs qui écrivent sur leur téléphone. Ils peuvent générer des ressources pédagogiques — exercices, textes de lecture, questionnaires — dans des langues pour lesquelles aucune maison d’édition n’investira jamais. Ce sont des contributions réelles, mesurables, et relativement peu coûteuses à déployer dès lors que le corpus de base existe.

Ce que l’IA ne peut pas faire : décider qu’une langue mérite d’être sauvée. Cette décision appartient à la communauté, et elle n’est pas triviale. Plusieurs communautés ont délibérément choisi de ne pas documenter certains aspects de leur langue — des rituels, des termes sacrés, des connaissances réservées à certains membres. L’enthousiasme technologique, s’il n’est pas mis en tension avec ces choix, peut produire des violations que rien ne réparera. L’IA ne peut pas non plus substituer à la transmission vivante. Une langue ne survit pas dans un modèle de langue. Elle survit dans des familles qui l’utilisent, des écoles qui l’enseignent, des médias qui la font vivre. Les outils sont des amplificateurs d’un mouvement humain — ils ne déclenchent pas ce mouvement.

C’est pour cela que les projets qui réussissent combinent toujours deux logiques distinctes. D’un côté, une logique sociale et politique : des choix d’enseignement, des financements publics, des décisions institutionnelles. De l’autre, une logique technique : des outils qui rendent la transmission plus facile pour ceux qui ont décidé de la faire. Séparer ces deux logiques est la principale erreur des programmes qui échouent. L’outil sans le mouvement est une curiosité. Le mouvement sans outil peut suffire — mais moins bien qu’avec.

On retrouve ici un pattern familier dans d’autres domaines où technologie et politique se croisent : la technologie abaisse les coûts, élargit les possibles, mais ne détermine pas les choix. Le même débat traverse la production culturelle : ce qui distingue les industries culturelles qui survivent de celles qui s’éteignent, c’est rarement la technologie disponible — c’est la décision politique de les soutenir.

Qui décide, et avec quoi

Le nœud gordien reste la gouvernance. Trois modèles coexistent aujourd’hui, avec des logiques et des résultats différents.

Le premier est le modèle universitaire classique : une équipe de linguistes collecte, documente, publie, et dépose les données dans un archive public ou semi-public. Ce modèle a produit la majeure partie des ressources existantes pour les langues menacées. Il a aussi produit les conflits de propriété les plus aigus, parce que les données sont détenues par des institutions qui ne rendent pas compte aux communautés sources.

Le deuxième est le modèle communautaire souverain, illustré par Te Hiku Media en Nouvelle-Zélande ou par certaines initiatives tribales aux États-Unis : la communauté contrôle les données, choisit les partenaires techniques, et décide des usages. Ce modèle est le plus respectueux des droits. Il est aussi le plus lent et le plus coûteux, parce qu’il exige une capacité institutionnelle que beaucoup de petites communautés n’ont pas encore.

Le troisième est le modèle de plateforme : des entreprises comme Google (via son projet Woolaroo pour les langues menacées) ou Meta (via ses travaux sur les langues à faibles ressources dans NLLB, No Language Left Behind) investissent dans des outils multilingues qui incluent des langues menacées. Ces initiatives ont une portée réelle — le modèle NLLB de Meta couvrait 200 langues à sa sortie en juillet 2022, dont plusieurs dizaines en situation de vulnérabilité. Mais elles posent de façon aiguë la question du contrôle : les modèles sont propriétaires ou semi-ouverts, les données d’entraînement ne sont pas toujours traçables, et les communautés n’ont aucun mécanisme formel de gouvernance.

L’IA générative transforme en profondeur la façon dont nous travaillons et créons, y compris dans des domaines aussi inattendus que la préservation culturelle. Mais l’accélération technique crée aussi une pression sur les cadres de gouvernance, qui ont du mal à suivre le rythme des déploiements.

Le vrai enjeu des prochaines années est de construire un cadre qui permette aux trois modèles de coexister sans que le plus puissant n’absorbe ou ne neutralise les deux autres. Cela passe par des dispositions légales sur la propriété des données linguistiques autochtones — plusieurs États canadiens et australiens ont commencé à légiférer dans ce sens — et par des normes techniques qui permettent aux modèles de langue de fonctionner en mode fédéré, sans centralisation des corpus.

L’horizon est lisible. Dans dix ans, les outils techniques pour documenter et enseigner n’importe quelle langue à quelques milliers de locuteurs seront accessibles et peu coûteux. La vraie question est de savoir qui aura construit les corpus d’ici là, dans quelles conditions, et à qui ils appartiendront. Pour les communautés dont la langue compte moins de 500 locuteurs actifs aujourd’hui, cette fenêtre se ferme probablement dans les cinq à dix ans. Passé ce seuil, il ne restera plus grand-chose à documenter. Ce calendrier, plus que toute considération technique, devrait dicter le rythme des décisions politiques et juridiques à prendre maintenant.

Sources

  1. Brookings Institution — “Can small language models revitalize indigenous languages?” : https://www.brookings.edu/articles/can-small-language-models-revitalize-indigenous-languages/
  2. UNESCO — Atlas des langues en danger dans le monde : https://www.unesco.org/languages-atlas/
  3. Te Hiku Media — Projet de reconnaissance vocale en maori : Te Hiku Media, Wellington, Nouvelle-Zélande (te hiku.org.nz)
  4. Meta AI — “No Language Left Behind” (NLLB, 2022), rapport technique publié sur arxiv.org
  5. FNIGC (First Nations Information Governance Centre) — Principes de souveraineté des données autochtones OCAP, Ottawa
  6. Proceedings of the National Academy of Sciences (PNAS) — Cámara-Leret & Bascompte, étude sur les savoirs médicinaux liés aux langues autochtones (juin 2021) : https://www.pnas.org/doi/10.1073/pnas.2103683118
  7. Principes CARE pour la gouvernance des données autochtones — Global Indigenous Data Alliance
  8. UNESCO / ONU Info — langues autochtones menacées (40 %) : https://news.un.org/fr/story/2022/12/1130582
  9. Rosetta Project / ELCat — taux de disparition des langues : https://rosettaproject.org/blog/02013/mar/28/new-estimates-on-rate-of-language-loss/
  10. Te Hiku Media — premier ASR pour le te reo Māori : https://nz.linkedin.com/company/te-hiku-media
  11. University of Hawaiʻi Foundation — revitalisation du hawaiien : https://uhfoundation.org/saving-hawaiian-language
  12. Meta NLLB-200 — 200 langues, juillet 2022 : https://techafricanews.com/2022/07/08/meta-announces-the-launch-of-nllb-200-a-language-ai-model/
  13. Te Ara Encyclopedia NZ — kōhanga reo fondé en 1982 : https://teara.govt.nz/en/maori-education-matauranga/print