On dénombre environ 7 000 langues vivantes, et les linguistes estiment qu'une part importante d'entre elles pourrait disparaître d'ici la fin du siècle. Les modèles d'IA fonctionnent très bien dans quelques dizaines, correctement dans une centaine, et mal ou pas du tout dans toutes les autres. Cette asymétrie n'est pas neutre : elle va peser sur ce qui survit.
Nous avons montré dans notre article sur le coût du français que même une grande langue européenne subit un désavantage technique face à l'anglais. Que se passe-t-il pour une langue parlée par cinquante mille personnes ?
Pourquoi les modèles sont mauvais dans la plupart des langues
La raison est mécanique. Un modèle apprend sur ce qui est écrit et disponible. Or la production écrite numérisée est extraordinairement concentrée : une poignée de langues représente l'immense majorité du texte accessible en ligne.
Une langue majoritairement orale, ou dont l'écrit existe surtout sur papier dans des archives non numérisées, est presque absente des corpus. Le modèle ne peut pas apprendre ce qu'il n'a pas lu.
S'ajoute un problème technique que nous avons déjà décrit : le découpage en tokens est optimisé sur les langues dominantes. Une langue à morphologie riche ou à écriture peu représentée se retrouve fragmentée de manière absurde, ce qui dégrade à la fois le coût et la qualité.
Ce que l'IA apporte réellement
Le tableau n'est pas uniquement sombre, et certains usages sont prometteurs.
La transcription accélérée. Documenter une langue orale demandait des années de travail linguistique manuel. Des outils permettent aujourd'hui d'accélérer considérablement la transcription d'archives sonores, à condition qu'un premier corpus existe pour les adapter. Pour des langues dont les derniers locuteurs sont âgés, le facteur temps est décisif.
La traduction avec peu de données. Des techniques permettent de construire un système de traduction avec bien moins d'exemples qu'auparavant, en s'appuyant sur des langues apparentées. Ce n'est pas parfait, mais cela ouvre des possibilités là où il n'y avait rien.
Les outils pour les communautés. Correcteurs orthographiques, claviers adaptés, matériel pédagogique. Ce sont des outils banals dans une grande langue, et leur absence est un facteur d'abandon dans une petite. Les rendre accessibles change quelque chose de très concret pour la transmission.
Un point est régulièrement soulevé par les communautés concernées, et il mérite d'être entendu. Numériser une langue, c'est aussi la rendre exploitable par des acteurs extérieurs. Certaines communautés autochtones s'opposent à ce que leurs corpus alimentent des modèles commerciaux, pour des raisons qui touchent à la propriété culturelle et parfois au caractère sacré de certains contenus. La logique de la recherche de données propres rend ces corpus attractifs, précisément parce qu'ils sont rares et humains. Le consentement de ceux qui parlent la langue devrait être la première question, et il est souvent la dernière.
Ce qui menace
Le risque principal n'est pas que l'IA détruise des langues. C'est qu'elle renforce un mécanisme qui existait déjà.
Si les outils numériques les plus utiles ne fonctionnent bien que dans quelques langues, l'incitation à basculer vers ces langues augmente. Un parent qui constate que son enfant ne peut pas utiliser un assistant, un correcteur ou un traducteur dans sa langue maternelle en tire des conclusions pratiques.
C'est le même phénomène que celui observé avec l'informatique en général, mais amplifié : là où un clavier pouvait être adapté, la qualité d'un modèle ne se décrète pas. Elle dépend de données qui n'existent pas.
Il existe aussi un risque plus subtil : une traduction automatique médiocre mais massivement diffusée peut appauvrir une langue vivante, en imposant des tournures calquées sur la langue dominante. Une langue survit par l'usage, et un usage dégradé n'est pas neutre.
Ce qu'il faut retenir
Cette technologie place les langues minoritaires devant un choix qu'elles n'ont pas demandé : rester en dehors et devenir progressivement inutilisable dans la vie numérique, ou entrer dans le système et accepter une dépendance à des acteurs qui n'ont aucune obligation envers elles.
Quelques initiatives publiques et communautaires construisent des corpus ouverts, gérés par les locuteurs eux-mêmes, ce qui est probablement la seule voie satisfaisante. Elle rejoint l'argument de souveraineté que nous développions à propos des modèles ouverts : quand un outil devient une condition d'accès, dépendre entièrement de quelqu'un d'autre pour l'obtenir est un risque.
Une langue n'est pas seulement un moyen de communication. C'est une manière de découper le monde, avec des distinctions que d'autres langues ne font pas. Chaque disparition retire une façon de penser. À ce titre, la question de savoir quelles langues ces systèmes apprendront n'est pas une question technique, c'est une question de ce qu'on accepte de perdre.