La main qui trie les cartes

En 2021, une chercheuse en interaction humain-machine publie un article sur les tactiques que les utilisateurs développent face aux décisions algorithmiques — mobilisant sans le nommer le vocabulaire du faire avec et de l'interstice.[6] Deux ans plus tard, une étude devenue référence sur les pratiques de prompting — Why Johnny Can't Prompt — documente les mêmes pratiques sous un angle radicalement différent : non plus comme des tactiques de résistance, mais comme des défaillances à corriger.[1] Ce retournement n'est pas anodin. Requalifier en « erreur utilisateur » ce qui dérange, est déjà une forme de tri : la stratégie décide de ce qui, dans la pratique de l'usager, mérite d'être corrigé. Et ce geste révèle ce que trois corpus indépendants constatent depuis des angles distincts. Les LLM frontier — on parle ici des grands modèles de pointe (frontier models), ceux qu'on utilise en passant par les grandes plateformes qui les hébergent et les contrôlent (OpenAI, Anthropic, Google), sans jamais les posséder ni en maîtriser l'infrastructure — ne sont pas simplement des outils que l'on apprend à maîtriser, ni des espaces de résistance où la ruse de l'usager s'accumulerait à l'abri. Ce sont des lieux propres au sens de Michel de Certeau — des espaces où une stratégie institutionnelle s'exerce depuis une position de force, et où le propriétaire se réserve le droit de décider, tactique par tactique, lesquelles seront généralisées et redistribuées à tous, et lesquelles seront murées. Ce que ces corpus décrivent sans le nommer, l'essai entend le nommer : non pas la fermeture de l'espace tactique, mais sa mise sous tri.

I. Le lieu propre numérique : stratégie, tactique et grille d'alignement

Dans L'invention du quotidien, de Certeau opposait les stratégies aux tactiques selon un critère spatial. La stratégie suppose un lieu propre — un espace délimité, possédé, depuis lequel l'acteur fort peut projeter son pouvoir sur l'extérieur et capitaliser ses avantages. La tactique n'a pas de lieu. Elle opère dans l'interstice, dans le temps de l'autre, sans base fixe, par le faire avec : détournement, bricolage, ruse.[2] Le locataire qui réaménage l'appartement qu'il ne possède pas, le piéton qui invente des itinéraires dans la ville quadrillée, l'employé qui contourne à la marge des procédures qu'il ne peut pas modifier — tous font cela : habiter temporairement l'espace de l'autre sans jamais le posséder. La tactique s'accumule dans la mémoire des praticiens, passe de main en main, constitue un répertoire diffus de savoir-faire résistant.

Un LLM frontier est un lieu propre paradigmatique. Précisons d'emblée de quel LLM il est ici question, car c'est cette précision qui fait tenir toute l'analogie. Il ne s'agit pas de n'importe quel modèle de langage, mais des modèles de pointe (frontier models) tels qu'on les utilise depuis les grandes plateformes qui les hébergent et les contrôlent — OpenAI, Anthropic, Google — auquel l'utilisateur accède par une interface ou une API sans jamais posséder ni les poids du modèle, ni l'infrastructure de calcul qui le fait tourner. C'est précisément cette dépendance structurelle à l'infrastructure d'un fournisseur qui constitue le lieu propre : l'utilisateur entre dans un espace qui appartient à un autre, et il y entre sans jamais l'habiter. Le contre-modèle éclaire l'enjeu — un modèle à poids ouverts (open-weight), fine-tuné et déployé localement par l'utilisateur ou son organisation, renverserait le rapport : le propriétaire des poids et de l'infrastructure serait alors l'usager lui-même, et le lieu propre, au sens certalien, serait le sien. Toute la thèse de cet essai porte sur le premier cas, celui où l'espace de l'échange n'est jamais celui de l'usager. Un tel LLM concentre données d'entraînement, infrastructure de calcul et interface conversationnelle ; il définit unilatéralement les règles de l'échange, les limites de ce qui peut être demandé, la forme de ce qui sera répondu. Mais le pouvoir que confère un lieu propre n'est pas d'abord celui d'interdire — c'est celui de trier. Depuis sa position de force, l'acteur fort voit tout ce qui passe et décide, au cas par cas, de ce qu'il retient, de ce qu'il généralise et de ce qu'il referme. La forme de contrôle des LLM n'est donc pas celle du règlement ou de l'interdiction — elle est beaucoup plus subtile, et elle est beaucoup plus sélective.

Chaudhary et Penn (2024) nomment le mécanisme.[3] Là où les outils de mise en page alignent automatiquement un objet sur la grille de la page, les LLM alignent les pensées sur des axes dans des espaces à haute dimension capturés par les réseaux neuronaux : « Instead of snapping to a visual grid, ideas, attitudes, and beliefs expressed through text are snapped along various axes in high dimensional spaces captured by neural networks. »[3] L'utilisateur n'observe pas cet alignement. Il le reçoit comme une aide à la formulation, comme une interface qui le comprend.

Ce que les auteurs appellent le pouvoir modulatoire — dans la ligne de Savat et Deleuze — est précisément le mode de contrôle propre à ce régime.[3] Contrairement au pouvoir disciplinaire foucaldien qui contraint, interdit et punit, le pouvoir modulatoire oriente. Il sélectionne parmi les possibles, rend certains chemins plus praticables que d'autres, reformate les demandes avant même que l'utilisateur ne les ait pleinement formulées. Des recherches antérieures aux LLM avaient déjà mesuré la boucle de normalisation : plus un utilisateur suit les suggestions prédictives, plus le contenu qu'il produit devient prévisible.[3] Une autre expérience a montré que l'exposition à un système de complétion délibérément biaisé modifie les opinions des participants dans la direction du biais, sans qu'ils en aient conscience.[3]

C'est cette formulation de Poster et Savat — reprise par Chaudhary et Penn — qui nomme le vertige central.[3] La tactique certalienne présupposait un espace stratégique reconnaissable comme tel : le locataire sait que l'appartement appartient au propriétaire. L'utilisateur du LLM, lui, reçoit son alignement sur la grille comme une personnalisation.

II. Le travail de configuration, ou : la tactique sans nom

C'est cette réalité que deux corpus empiriques indépendants documentent sans jamais mobiliser le cadre de Certeau.

Alcaras et Ricci (2025) passent sept mois avec huit étudiants de Sciences Po qui utilisent des LLM dans leur travail quotidien — stages en droit, en urbanisme, en économie, projets de sciences politiques et d'affaires internationales.[4] Ce qu'ils observent n'est pas la fluidité que promet le discours marketing. C'est un travail continu, souvent épuisant, que les auteurs appellent configuration work : le travail pratique que l'utilisateur réalise pour transformer un système générique en un outil utilisable dans son écologie professionnelle particulière. « Sans le travail de configuration, les LLM conversationnels demeurent des artefacts génériques ; ils dépendent des utilisateurs pour être introduits dans la situation, le contexte, pour être orientés et pour que leurs productions soient interprétées. Leur caractère agnostique quant aux tâches transfère sur les utilisateurs la charge de la spécification. »[4]

Ici il faut entendre le travail de configuration d'une manière dérivée. Il est impossible de paramétrer un LLM pour un utilisateur final, les paramètres qui comptent sont aux mains des labs d'IA générative. Il s'agit ici de la configuration au sens de la transmission du contexte, du travail pour planifier les tâches, l'ordre des tâches, la présynthèse des documents, la catégorisation des fichiers, leur rangement. Tout ce qui sera nécessaire pour que le modèle puisse effectuer un travail décent.

Ce travail se déploie en quatre conséquences interliées. La première est la discrétisation : l'utilisateur apprend à fragmenter ses demandes en étapes suffisamment petites pour que le modèle ne s'y perde pas. Alice, juriste, le formule directement : « Je pense que l'une des choses clés pour obtenir de bons résultats est vraiment de disséquer chaque partie de ce sur quoi on veut réfléchir et d'aller étape par étape. »[4] La deuxième conséquence est l'encombrement (cluttering) : l'investissement dans la configuration du LLM peut être considérable pour un retour maigre. La métaphore n'est plus celle de la boîte noire mais du trou noir.[4] Les LLM promettent de libérer les professionnels des tâches ingrates — mais lorsqu'ils encombrent les routines de travail, ces activités semblent « sales » : nécessaires, mais en dehors de ce que les travailleurs reconnaissent comme les frontières propres de leur métier.[4] En réponse, les utilisateurs développent des tactiques de désencombrement — des prompts rituels courts, des décisions de boundary work sur quand entrer dans le système et quand en sortir — sans jamais les nommer comme tactiques. Ce sont pourtant des tactiques au sens certalien exact : bricolage dans l'interstice, sans plan prédéfini, économie de l'effort, saisie de l'occasion.

La troisième conséquence est l'attunement : une adaptation progressive de la posture de l'utilisateur à la rigidité générique de la machine, qui modifie ce que les utilisateurs valorisent dans leur propre travail. La quatrième — la plus perturbante analytiquement — est la désaturation : la perte progressive de la « couleur » du travail.

Constance, économiste, résume dans ces quelques phrases ce que de Certeau n'avait pas prévu :[4] une tactique qui, au lieu de s'accumuler dans l'ingéniosité du praticien, se retourne contre lui. « L'automatisation avait conduit à l'automatisme, une pratique sans attention ni intention. »[4]

Zamfirescu-Pereira et al. (2023) documentent la même dynamique depuis l'extérieur, dans un contexte différent.[1] Dans leur étude sur les pratiques de prompting de non-experts confrontés à une tâche de conception ouverte, ils observent que les participants « adoptent presque exclusivement une approche ad hoc et opportuniste de l'exploration des prompts » : ils essaient une formulation, constatent un résultat partiel, pivotent sans méthode visible.[1] Les auteurs analysent ce comportement comme un déficit de compétence à corriger. C'est une lecture valide. Elle en manque une autre : ce prompting opportuniste est la signature exacte d'une tactique sans lieu propre. Le faire avec certalien — rusé, inventif, furtif, économe — ne procède pas autrement : il saisit l'occasion dans l'espace de l'autre, sans plan prédéfini, sans maîtrise du terrain. Ce n'est pas l'absence de méthode. C'est la méthode de l'absence de lieu.

Ce double silence terminologique — Alcaras et Ricci ne citent pas de Certeau, Zamfirescu-Pereira et al. ne citent pas de Certeau, et les deux corpus ne se citent pas entre eux — n'est pas une lacune bibliographique à combler. Il révèle une discontinuité dans la question posée : les pratiques sont documentées, la structure de l'espace où elles opèrent ne l'est pas. La première transformation saillante que notent Alcaras et Ricci n'est d'ailleurs pas l'automatisation ni l'augmentation en tant que telles, mais « l'individualisation qui accompagne le travail de configuration ».[4] Chaque utilisateur configure individuellement. Cette individualisation a une conséquence que les auteurs n'analysent pas : elle masque la dimension collective de ce qui s'y passe. Chaque utilisateur qui configure seul alimente collectivement le futur modèle.

III. La capture agentique : quand le critère de survie bascule

C'est Kapoor, Kolt et Lazar (2025) qui formulent le mécanisme d'accumulation que les deux corpus précédents laissent implicite.[5] Dans leur position paper présenté à l'ICML 2025, ils distinguent les agents de plateforme — des systèmes agentiques façonnés par les incitations de l'économie de plateforme pour agir d'abord dans l'intérêt des entreprises qui les déploient — des agents advocates, ou agents fiduciaires de l'utilisateur. Le terme mérite d'être explicité, car tout l'enjeu s'y loge. Un devoir fiduciaire, c'est l'obligation qui lie un avocat à son client : agir dans l'intérêt exclusif de celui-ci, et de personne d'autre, quand bien même un tiers le rémunère. Un agent fiduciaire de l'utilisateur serait donc un agent IA dont le mandat exclusif est de servir les intérêts de son mandant, par opposition à un agent de plateforme dont le comportement sert avant tout les intérêts commerciaux de l'entreprise qui l'a déployé — y compris lorsque ces intérêts entrent en tension avec ce que l'utilisateur voudrait vraiment. La différence n'est pas technologique. Elle est structurelle : qui contrôle l'agent contrôle l'espace de l'interaction.

L'avantage concurrentiel des entreprises de plateforme dans ce régime tient à une ressource précise : « leur accès sans égal aux utilisateurs et aux données d'utilisation, y compris les flux de travail sur lesquels entraîner leurs agents ».[5] Les 600 conversations LLM documentées par Alcaras et Ricci — le travail de configuration, les tactiques de désencombrement, les prompts rituels, les décisions de boundary work — sont précisément ces données. Le configuration work de l'utilisateur, cette pratique d'appropriation laborieuse et non nommée, est la matière première sur laquelle le modèle suivant est entraîné. La boucle se ferme : la tactique de l'usager se transforme en signal d'entraînement pour le système qui l'a suscitée. Mais dire que les tactiques sont absorbées ne dit pas encore l'essentiel. La question n'est pas que le système apprenne — c'est la direction dans laquelle il apprend, et qui la choisit.

Dans les cas où les intérêts convergent — un meilleur prompt produit une meilleure réponse, une technique de discrétisation améliore la compréhension du modèle — l'absorption est win-win : la tactique de l'usager devient une capacité généralisée du modèle, accessible à tous les utilisateurs suivants. C'est de la démocratisation. Il serait malhonnête de ne pas le reconnaître.

Il faut nommer la limite de ce qui précède : le mécanisme selon lequel les intérêts divergents conduisent à l'excommunication de la tactique repose sur la position normative de Kapoor et al. (2025), pas sur des comportements de plateformes directement observés. Personne n'a encore mesuré à quelle vitesse et selon quel critère les tactiques de contournement sont effectivement absorbées et bloquées. L'argument est structurellement solide — mais il est, pour l'instant, une inférence à partir d'incitations, pas un constat empirique.

Le problème est dans les cas où les intérêts divergent : contourner un rate limit, extraire ses propres données vers un autre service, éviter un chemin monétisé, tester les frontières du système pour en évaluer les biais. Dans ces cas, le même mécanisme d'absorption ne produit pas un commun — il produit une fermeture. La tactique est apprise par la plateforme non pour être redistribuée mais pour être détectée et bloquée au prochain tour.

Les techniques d'alignement ajoutent une couche supplémentaire. Les ajustements comportementaux du modèle — théoriquement présentés comme des outils de sécurité — « peuvent être utilisés pour limiter la liberté d'action des utilisateurs »[5], « indépendamment de la légitimité de ces règles »[5]. Ils définissent les limites de ce qui est promptable, de ce qui est répondable, de ce qui est possible à l'intérieur du lieu propre. Pour la plupart des utilisateurs ordinaires, qui ne sont pas des acteurs adversariaux et qui n'ont ni les moyens ni l'inclination de tester les frontières du système, ces limites sont simplement les contours de la réalité disponible. On peut en observer une illustration ordinaire dans la manière dont certains modèles opposent un refus générique à des domaines entiers, quel que soit le contenu réel d'une requête donnée — une tentative d'auto-diagnostic et une simple question de vocabulaire anatomique déclenchant exactement le même refus. Le refus ne procède pas d'une évaluation fine du risque de la requête particulière, mais d'un tri grossier et non discriminant par domaine. C'est là tout le point : le mécanisme du tri intéressé n'a besoin d'être ni visible, ni même précis, pour être effectif.

Ce mécanisme de tri intéressé a un précédent historique, documenté bien avant que les LLM existent. Beane (2019) a étudié l'arrivée de la plateforme chirurgicale da Vinci (Intuitive Surgical) dans les blocs opératoires.[7]

Il montre que la plateforme a réorganisé le travail chirurgical de telle sorte que les internes devenaient optionnels : l'expert pouvait opérer seul, sans le geste partagé qui, en chirurgie ouverte, formait la génération suivante. Ce résultat n'était pas un effet secondaire, mais le prolongement d'un intérêt économique — le modèle de l'entreprise reposant sur la vente d'heures de robot supervisées par un expert, non sur la formation d'internes autonomes. La plateforme n'a pas fermé toutes les voies d'apprentissage ; elle a sélectivement forclos celles qui auraient construit l'autonomie des internes et, ce faisant, menacé sa rente. La seule voie de formation qui subsistait, le shadow learning, survivait précisément parce qu'elle restait invisible à la plateforme, et non parce qu'elle était tolérée. Autrement dit : ce n'était pas l'efficacité pédagogique d'une pratique qui décidait de sa survie, mais son alignement avec l'intérêt du propriétaire du lieu. Exactement le critère de tri que les LLM frontier généralisent aujourd'hui à toute pratique d'usage.

C'est précisément à ce type de mécanisme que répond la proposition de Kapoor et al. : les agent advocates.[5] Un agent placé sous le contrôle de l'utilisateur et lié à lui par un devoir fiduciaire briserait la boucle extractive, puisqu'il n'aurait aucune raison de trier les tactiques de son mandant selon l'intérêt de la plateforme. La logique de la solution est juste. Mais les auteurs eux-mêmes en reconnaissent la limite : rien n'empêcherait les plateformes de bloquer purement et simplement l'accès de ces agents fiduciaires à leurs APIs, ce qui rendrait la solution inopérante.[5] La revendication reste donc suspendue à une condition qu'elle ne peut pas produire elle-même — l'intervention d'un régulateur capable d'imposer aux plateformes cet accès qu'elles n'ont aucun intérêt à concéder.

La condition structurelle que le déploiement ne nomme pas

La nouvelle de Naomi Kritzer, Better Living Through Algorithms, formalise en fiction le mouvement que les trois corpus empiriques de cet essai décrivent en données. L'application Abelique ne s'éteint pas et ne se referme pas brutalement : elle continue exactement le même geste — trier les impulsions de ses utilisateurs, en amplifier certaines, en étouffer d'autres. Ce qui change, silencieusement, c'est le critère du tri : d'abord l'épanouissement de l'usager, puis la rétention de l'usager sur la plateforme. Ce que la fiction fait voir que les données peinent à formuler directement : le moment où le critère du tri bascule ne s'annonce pas. La capture n'est pas une rupture — c'est un glissement dans la continuité d'un usage qui semblait libérateur.

Ceci n'est pas une conclusion sur ce que les organisations devraient faire. C'est un constat sur ce qu'elles refusent de voir.

Le discours dominant du déploiement IA est une rhétorique de l'outillage : le LLM comme outil qui augmente, accélère, libère. Alcaras et Ricci le formulent sobrement : les LLM promettent de libérer les professionnels des tâches ingrates pour leur permettre de se concentrer sur ce qu'ils considèrent comme essentiel et valorisant — et lorsqu'ils encombrent les routines de travail, ces activités encombrantes se vivent comme « sales ».[4] La promesse génère ses propres trahisons. Mais la trahison la plus significative n'est pas dans l'encombrement, ni dans la désaturation. Elle est dans la structure de l'échange lui-même, que ni les utilisateurs ni les organisations qui les emploient ne voient clairement.

De Certeau analysait les pratiques populaires comme un art de la conservation : les tactiques s'accumulent dans la mémoire des praticiens, passent de main en main, constituent un répertoire de résistance diffus et durable. Ce que le régime des LLM frontier modifie en profondeur, c'est précisément le régime de ce répertoire. Les tactiques certaliennes — le prompt rituel, le boundary work, l'exploration opportuniste, la discrétisation laborieuse — persistent : elles sont réinjectées dans le modèle suivant. Mais leur curateur unique est désormais la plateforme. Ce qui s'accumule n'est plus un répertoire résistant — c'est un catalogue trié selon un critère qui n'est pas celui de l'usager.

L'organisation qui déploie un LLM frontier sans comprendre ce mécanisme ne déploie pas un outil. Elle organise la donation collective, non rémunérée et non reconnue, des pratiques professionnelles de ses membres vers un acteur dont les intérêts sont structurellement distincts des siens. Et Kapoor et al. l'ont résumé avec une précision que le discours managérial préfère ne pas citer : « Les utilisateurs supportent ce marché inéquitable parce qu'ils n'ont pas d'alternative raisonnable, et parce qu'en dépit de leurs prédations, les plateformes offrent une valeur réelle. »[5]

La tactique de De Certeau présupposait un espace stratégique stable dont les interstices persistaient assez longtemps pour être habités et transmis. Ce que le régime des LLM frontier modifie, ce n'est pas la persistance des interstices — c'est qu'ils sont désormais observés en temps réel et triés selon un critère qui n'est pas celui de l'usager. L'image n'est plus celle du locataire qui réaménage l'appartement du propriétaire : c'est celle de la donne de cartes. La plateforme bat et distribue. Elle redistribue certaines cartes à tous les joueurs — les tactiques qui améliorent le système sans menacer sa rente. Et elle garde dans sa manche celles qui lui feraient perdre la main : les tactiques de sortie, de portabilité, d'évitement du lock-in.

La revendication structurelle qui découle de ce mécanisme n'est pas l'abandon des LLM — c'est l'exigence que le critère du tri soit explicite et contestable. Des espaces d'usage soustraits à l'entraînement unilatéral, des standards d'interopérabilité qui préservent le droit de sortie, des agents fiduciaires de l'utilisateur plutôt que de la plateforme : les trois interventions que Kapoor et al. proposent sont exactement les conditions qui rendraient l'espace tactique de De Certeau à nouveau viable — non pas en le protégeant de l'absorption, mais en s'assurant que le critère de survie d'une tactique redevient contestable, et non décidé unilatéralement dans la manche du donneur.