Tout le monde investit dans l'IA. Mais presque personne ne peut dire ce que cela lui a rapporté. L'écart entre les promesses de l'IA et ses résultats concrets au sein d'une organisation porte un nom dans un nouvel article de Daniel Glinz : le « AI value gap ». L'article a remporté le Best Paper Award lors de la IEEE Swiss Conference on Data Science and AI de 2026, et sa thèse centrale est d'une précision dérangeante. Pendant une décennie, on a chargé les ingénieurs de combler cet écart. Mais ce n'était pas à eux de le faire. Il s'agit d'un déficit de confiance déguisé en problème technique.
Synthèse
Un prix n'est qu'un faible indicateur de la capacité d'une idée à survivre au contact de la pratique, et l'article en dit autant de son propre cadre, qu'il qualifie de point de départ plutôt que de verdict. Ce que cette récompense signale est plus précis et plus utile : une salle remplie de professionnels a immédiatement reconnu le problème. Pendant des années, le « value gap » a été considéré comme une lacune technique, en partant du principe que de meilleurs modèles et des pipelines plus propres finiraient par le combler. L'argument de l'article est que la plus grande partie de cet écart n'a jamais été d'ordre technique. Les systèmes n'échouent pas parce qu'ils sont inefficaces ; ils échouent parce que personne n'est prêt à s'appuyer sur eux.
Il y a une résonance historique qui mérite d'être mentionnée d'emblée. Les technologies à usage général ont toujours nécessité de lourds investissements initiaux en infrastructure pour des gains de productivité qui n'apparaissent que plus tard, et l'analyse économique suggère que la contribution à court terme de l'IA reste largement infrastructurelle, les gains durables accusant un retard de plusieurs années sur l'adoption. Une partie du « value gap » est donc simplement une question de temps, et cette partie se résorbera d'elle-même. Le déficit de confiance est la partie qui ne se résorbera pas. Ce qui suit est la description qu'en fait l'article : les sept mécanismes qui creusent l'écart, l'architecture à quatre couches et l'iceberg sous-jacent, trois paradoxes non résolus et les cinq principes de conception qui en découlent. Il se termine là où le travail commence : par ce qu'une organisation peut concrètement faire dès le lundi matin.
Un vote qui n'avait rien à voir avec la technologie
La Suisse a un jour soumis un système d'identité électronique à une votation nationale. Sur le plan technique, il y avait peu à redire. L'architecture était solide, la protection de la vie privée avait été intégrée dès la conception plutôt que d'être ajoutée après coup, et selon toute norme d'ingénierie raisonnable, le système fonctionnait. Les électeurs l'ont pourtant rejeté.
Ce dont on ne pouvait les convaincre n'était pas de savoir si le système était sûr aujourd'hui, mais s'il le serait encore dans quinze ans, sous un autre gouvernement, avec d'autres partenaires commerciaux, et sous des pressions que personne n'avait encore imaginées. La question n'a jamais été « est-ce que ça fonctionne ? ». C'était « qui contrôlera cela plus tard, et qu'est-ce qui les empêchera de le modifier ? ».
L'article donne un nom à ce réflexe : la méfiance anticipée. C'est l'illustration la plus claire possible de l'argument central, car il n'y avait aucun défaut à corriger. Aucun rapport de bogue, aucun audit échoué, aucun incident à documenter. L'ingénierie était irréprochable. La confiance n'était pas là, et aucune ingénierie supplémentaire n'aurait pu l'instaurer. C'est tout l'objet de l'article : non pas les systèmes qui sont inefficaces, mais les systèmes dont personne n'est prêt à dépendre.
Le malaise, en chiffres
Les résultats des enquêtes devraient donner à réfléchir à n'importe quelle équipe produit. Dans des études menées aux États-Unis, au Royaume-Uni et en Allemagne, environ un consommateur sur cinq déclare faire confiance aux entreprises qui utilisent l'IA. Un sur cinq. Et lorsque les institutions financières suisses ont été interrogées sur ce qui les empêche réellement de déployer l'IA au-delà du stade du prototype, elles n'ont pas évoqué la maturité technique ou un faible business case. Elles ont pointé du doigt la qualité des données, la protection de la vie privée et la conformité réglementaire. La résistance organisationnelle n'a pratiquement pas été mentionnée. Les gens sont prêts ; la gouvernance ne l'est pas encore.
Sept mécanismes, pas un seul
Avant de construire quoi que ce soit, l'article décompose le « value gap ». Il identifie sept mécanismes structurels distincts, et il est important de les nommer séparément, car la plupart des organisations sont concernées par deux ou trois d'entre eux, et non par les sept, et la solution dépend desquels.
| Mécanisme | Ce qui pose réellement problème |
|---|---|
| Inadéquation entre la gouvernance et l'IA | Des cadres de risque et de conformité conçus pour des systèmes déterministes sont appliqués à des systèmes probabilistes aux comportements émergents. |
| Écart entre la recherche et la pratique | Les métriques de Fairness et les méthodes d'explicabilité qui fonctionnent à merveille dans un article s'avèrent difficiles à opérationnaliser à l'échelle de l'entreprise. |
| Écart entre les principes et l'action | Les engagements en matière d'IA éthique restent de l'ordre de l'aspiration car personne ne les a traduits en contrôles techniques applicables. |
| Écart entre l'investissement et le retour sur investissement (ROI) | La capacité évolue plus vite que la capacité de l'organisation à l'absorber et à la gouverner. |
| Écart entre la conformité et la confiance | Être entièrement conforme ne suffit pas, en soi, à inspirer confiance. |
| Le paradoxe de la qualité | Le résultat de l'IA égale la qualité humaine mais est tout de même jugé inauthentique. |
| Le problème de la saturation | Le volume considérable de contenu généré par l'IA dégrade la confiance dans tout le contenu numérique, y compris les parties légitimes. |
Le dernier d'entre eux est un problème d'action collective, et aucune organisation ne peut le résoudre seule. Cette limite réapparaît vers la fin, lorsque l'article aborde la question de l'infrastructure partagée.
Quatre couches, et l'iceberg sous-jacent
Le cadre est construit à partir d'une analyse interdisciplinaire de 56 sources couvrant la psychologie organisationnelle, les systèmes d'information, l'économie, la gouvernance et l'éthique de l'IA, l'interaction homme-machine, la science de la complexité et le droit, avec comme fil conducteur la dynamique de la confiance. La méthode est un hybride de la recherche en sciences de la conception (Design Science Research) et d'une revue de la littérature basée sur la théorie ancrée (grounded-theory), codée par des phases ouvertes, axiales et sélectives. Il en résulte une architecture de quatre couches, dix construits et 127 indices de confiance individuels.
- 01
L'agentivité, la couche humaine
Comment les gens interprètent l'intention, la compétence et la responsabilité. Nous jugeons les machines avec des modèles mentaux conçus pour juger les gens, et la confiance diminue lorsque ces signaux sont faibles, quelle que soit la performance réelle du système.
- 02
Ingénierie, où la confiance devient mesurable
Garantie d'identité, provenance, intégrité cryptographique, tests contradictoires, défaillance contrôlée. Les modes de défaillance modernes (hallucination, dérive, injection de prompt) nécessitent une évaluation continue, et non un certificat ponctuel.
- 03
Gouvernance, la couche organisationnelle
Une gouvernance adaptative qui évolue avec le risque, une résilience qui absorbe les perturbations sans s'effondrer, et des preuves en temps réel que les systèmes se comportent comme prévu. La supervision périodique des processus stables n'est pas adaptée à l'IA.
- 04
Institutionnel, la couche macro
Droit, réglementation, organismes de normalisation, certification, infrastructure publique. Cette couche existe pour que la confiance ne repose pas uniquement sur la bonne volonté des entreprises privées.
C'est avec l'iceberg que le framework fait ses preuves. Les signaux qu'une organisation choisit de montrer au monde en sont la partie visible : certifications, rapports de transparence, avis de confidentialité. Sous la ligne de flottaison se trouvent les structures qu'aucune équipe marketing ne peut atteindre, la prédisposition à la confiance, la confiance institutionnelle, les croyances antérieures, le résidu accumulé de chaque déception numérique passée. Une campagne de communication ne peut pas surmonter ce qui se trouve sous la ligne de flottaison, et c'est précisément pourquoi considérer la confiance comme un exercice de communication est un échec si prévisible.
Trois paradoxes insolubles
La section la plus intéressante est celle qui refuse d'offrir des réponses toutes faites. Trois tensions sont, selon l'article, des caractéristiques structurelles de l'interaction homme-IA. On les gère. On ne les résout pas.
L'effet d'auteur
Étiquetez un contenu identique comme « généré par l'IA » plutôt que « créé par un humain » et les gens le jugeront moins digne de confiance, moins persuasif et moins engageant sur le plan émotionnel. La qualité ne change pas ; le jugement, si. La paternité humaine est porteuse d'une charge symbolique, d'un savoir-faire, d'une attention, d'une responsabilité morale, tandis que la paternité machine est perçue comme une réduction des coûts ou de l'indifférence.
La version réelle s'est déroulée en public. La campagne de fin d'année de Coca-Cola, pilotée par l'IA, a été qualifiée de sans âme et visuellement incohérente malgré un budget important, et a suscité des appels au boycott. La séquence d'Apple pour Apple TV+ montrait le processus artisanal derrière l'animation d'un logo et a été largement saluée. Des ambitions similaires, des accueils opposés, et la différence résidait dans la perception du public quant à l'auteur de la création. Notez le piège que cela tend : divulguer l'implication de l'IA est un acte de transparence, mais ici, la transparence peut réduire la confiance au lieu de la renforcer, surtout lorsque la confiance est déjà faible. Il s'agit d'un véritable dilemme, pas d'un échec de communication.
Le paradoxe de l'intimité
Le paradoxe classique de la vie privée est l'écart entre ce que les gens disent sur la protection de la vie privée et ce qu'ils font réellement. L'IA générative l'élargit. Les systèmes conversationnels sont patients, réactifs, sans jugement, toujours disponibles, et ils créent ce que Sherry Turkle appelle une illusion de dialogue, qui abaisse la barrière à la divulgation. Ainsi, les gens confient à ces systèmes des choses qu'ils ne mettraient jamais dans un formulaire, et ces mêmes personnes, interrogées directement, disent ne pas faire confiance aux entreprises qui les exploitent. L'interface donne l'impression d'une pièce privée ; c'est un pipeline qui traite les entrées à grande échelle. L'écart entre le sentiment de sécurité et l'exposition réelle est susceptible de se creuser à mesure que les outils d'IA gratuits évoluent vers des modèles financés par la publicité, où la conversation elle-même devient une donnée comportementale.
Le paradoxe de l'agentivité
Nous voulons être déchargés de la charge cognitive, mais nous en voulons au système lorsque ce qui nous est retiré est quelque chose que nous considérons comme nôtre : notre jugement, nos écrits, notre identité professionnelle. L'observation d'Helga Nowotny est que l'IA nous permet de voir plus loin, mais si nous commençons à croire que l'avenir prédit est le seul possible, nous fermons discrètement la porte aux alternatives. Les caractéristiques qui rendent l'IA attrayante sont les mêmes que celles qui la rendent menaçante. Ce n'est pas un défaut de conception. C'est la conception même.
Cinq principes et ce qu'ils exigent
De cette architecture, l'article tire cinq principes de conception, chacun étant associé à une interaction spécifique entre les couches.
| Principe | Ce qu'il exige | Priorité |
|---|---|---|
| Architecture en couches | Un alignement cohérent sur les quatre couches, et non l'excellence dans une seule. Une capacité minimale viable partout avant toute optimisation. | Fondamentale |
| Confiance prospective | Contrainte crédible : limites architecturales, suppression exécutoire, restrictions d'utilisation qui survivent aux acquisitions et aux cycles politiques, intégrées plutôt que promises. | Critique |
| Friction productive | Des pauses délibérées, des confirmations, un raisonnement visible et des points de contrôle humains là où une réponse fluide mais erronée coûterait le plus cher. | Élevée |
| Gestion des paradoxes | Concevoir en gardant les trois paradoxes à l'esprit. Minimiser la collecte précisément parce que l'IA est très douée pour susciter la divulgation ; maintenir un dialogue continu avec les parties prenantes. | Continue |
| Intégration à l'écosystème | S'appuyer sur des fondations communes (identifiants décentralisés, attestations vérifiables, provenance C2PA, la pile Trust over IP) avant qu'elles ne se transforment en exigences. | Stratégique |
Deux d'entre eux ont le plus de poids. La confiance prospective est le principe qui était réellement en jeu lors du vote sur l'e-ID : les utilisateurs jugent un système non seulement sur ce qu'il fait maintenant, mais aussi sur ce qu'il pourrait devenir sous une autre direction. La réponse n'est pas une promesse d'intention mais une contrainte crédible, une limite architecturale ou une garantie de suppression exécutoire qui reste valable lorsque l'intention change, et de telles contraintes sont bien plus crédibles lorsqu'elles sont intégrées dès la conception plutôt qu'ajoutées après coup. La friction productive va à l'encontre de l'instinct du secteur qui consiste à traiter chaque pause comme un défaut. Lorsqu'un système produit un résultat fluide et assuré sans aucun signal de sa propre incertitude, puis s'avère erroné, les gens se sentent trahis plutôt qu'avertis. L'article qualifie l'interface sans friction de fluidité imméritée qui dissimule l'hallucination. Dans les domaines de la santé, de la justice pénale et des services financiers, une friction délibérée est ce qui rend la confiance calibrée plutôt qu'aveugle.
De la réputation à la preuve
En filigrane de tout cela se dessine un débat plus discret sur la nature actuelle de la confiance. La confiance numérique traditionnelle reposait sur des signaux implicites : la reconnaissance de la marque, la domination de la plateforme, le sentiment général qu'une grande entreprise ne vous escroquera probablement pas. Dans un monde d'identités synthétiques, de contenus générés et de deepfakes convaincants, ces signaux perdent de leur poids. Le rapport 2025 d'Entrust sur la fraude à l'identité a enregistré une tentative de deepfake environ toutes les cinq minutes en 2024, les deepfakes représentant environ 40 % de toutes les fraudes biométriques et les cartes d'identité nationales étant le document le plus ciblé. L'attaque s'est déplacée vers les fondations.
Ce qui remplace la confiance implicite, c'est une garantie explicite et vérifiable par machine : l'identité auto-souveraine qui place les informations d'identification entre les mains de la personne grâce à des identifiants décentralisés ; les informations d'identification vérifiables qui peuvent être contrôlées sans faire appel à l'émetteur ; la provenance du contenu liée cryptographiquement au moment de sa création ; des cadres de délégation qui permettent à une personne d'accorder à un agent d'IA une autorité limitée, révocable et vérifiable ; la preuve de la personne (proof-of-personhood) qui établit que quelqu'un est humain sans révéler son identité. On passe de la confiance en tant que réputation à la confiance en tant que propriété du système, de quelque chose que l'on revendique à quelque chose que l'on peut démontrer.
La partie qui mérite qu'on s'y attarde
L'article est franc quant à ses limites, et cette franchise explique en partie pourquoi il est perçu comme crédible plutôt que promotionnel. Les constructions et les indices ont été élaborés par un seul codeur, de sorte que la fiabilité inter-juges n'a pas été formellement évaluée. Le cadre est conceptuel et attend toujours une validation empirique indépendante. La confiance varie également selon les cultures, étant nettement plus élevée en Chine que dans les pays occidentaux, de sorte qu'une architecture unique pourrait ne pas être transposable telle quelle. Rien de tout cela ne remet en cause l'affirmation centrale.
La confiance a été traitée comme une fonction de communication, une question abordée avec le bon message après la livraison du produit. L'article soutient qu'il s'agit d'une propriété du système, intégrée ou absente, et il donne aux organisations une base d'action : un moyen d'évaluer la maturité sur quatre niveaux, de déterminer lequel des sept mécanismes leur nuit réellement, et d'établir des priorités à partir de là. La voie à suivre n'est pas de développer l'IA plus rapidement, mais de le faire de manière responsable. Une phrase moins excitante pour une présentation au conseil d'administration, mais considérablement plus utile.
“La confiance a été traitée comme un message que l'on envoie après la livraison du produit. C'est une propriété que l'on intègre, ou elle est absente. On ne peut pas contourner par la communication ce qui se trouve sous la ligne de flottaison.”
L'architecture de la confiance numérique
Lire l'article
L'article complet, « The Architecture of Digital Trust: A Multi-Level Framework for Bridging the AI Value Gap », est publié dans les actes de la 2026 IEEE Swiss Conference on Data Science and AI et est disponible sur IEEE Xplore. Le lire ou le télécharger ici. Le cadre et ses indices de confiance sont maintenus sur iceberg.digital.
La présentation
Le cadre a été présenté lors d'une conférence à la SDS 2026, partant du vote suisse sur l'e-ID pour aborder le déficit de valeur et les trois paradoxes, jusqu'à la méthode de la théorie ancrée, l'iceberg et les quatre niveaux. Le jeu de diapositives complet est disponible au téléchargement. Télécharger les diapositives de la présentation (PDF).
La position de validant.ai
Nous construisons l'instrument que l'article décrit. Si la confiance est une propriété du système qui doit être mesurée plutôt qu'affirmée, alors quelqu'un doit effectuer cette mesure, indépendamment du fournisseur dont le système est testé. C'est toute la raison d'être de validant.ai. L'article est la théorie ; la plateforme est l'endroit où une organisation la voit appliquée à ses propres systèmes.
| Ce que l'article soutient | Niveau de l'architecture | La réponse de validant.ai | Statut |
|---|---|---|---|
| La confiance est une propriété du système, intégrée ou absente, pas un message ajouté après la livraison | L'architecture dans son ensemble | Évaluation indépendante et continue de la confiance numérique via le signal de confiance iceberg.digital | Bêta fermée, T3 2026 |
| Seule une mesure externe permet de distinguer la sécurité du marketing de la sécurité | Ingénierie, le modèle | Fairness et explicabilité de l'IA : Pulse, Navigator et la bibliothèque open-source vfairness | Bêta fermée, T3 2026 |
| L'autorité qui réside dans un contrat de service peut être révoquée par quelqu'un d'autre | Agentivité, la personne | Identité auto-souveraine : identifiants vérifiables et mandats d'agent signés | Prévu |
Le fil conducteur est l'indépendance. validant.ai n'exécute pas vos modèles, ne détient pas votre identité et ne vous vend pas le système qu'il évalue. Nous sommes plus proches d'une agence de notation que d'un fournisseur qui noterait son propre travail, et nous fournissons les mêmes preuves à chaque partie prenante afin que chacune puisse décider sur la base de ses propres mesures plutôt que sur la parole de quiconque.
La confiance est évaluée, pas affirmée. Si votre organisation déploie l'IA et souhaite que sa posture de confiance soit mesurée par un tiers indépendant, sur les plans de la Fairness, de l'explicabilité et de la gouvernance, plutôt qu'affirmée par un fournisseur, notre bêta fermée ouvrira à un groupe restreint au T3 2026. Lisez l'article primé pour découvrir le cadre, puis laissez-nous l'appliquer à vos propres systèmes. Écrivez à hello@validant.ai avec pour objet « Closed Beta », ou demandez une démo. Les places sont limitées et attribuées en fonction de l'adéquation, et non de l'ordre d'arrivée.
En résumé
Tout le monde dépense dans l'IA et presque personne ne peut dire ce qu'il en a retiré, car la pièce manquante n'a jamais été l'ingénierie. C'était la confiance, et la confiance est une propriété que l'on intègre à un système sur quatre niveaux, pas un message que l'on y attache après coup. L'article primé nomme ce déficit ; validant.ai le mesure.
Sources et lectures complémentaires
- 01Glinz, D. (2026). The Architecture of Digital Trust: A Multi-Level Framework for Bridging the AI Value Gap. 2026 IEEE Swiss Conference on Data Science and AI (SDS), Zurich, pp. 60-67. Prix du meilleur article.
- 02Glinz, D. (2026). La confiance numérique est une orbite, pas un pilier. validant.ai Signal.
- 03Glinz, D. (2026). Bias is the Foundation. validant.ai Signal.
- 04Brynjolfsson, E. & McAfee, A. (2014). The Second Machine Age. Sur les technologies à usage général qui anticipent l'infrastructure et accusent un retard de productivité.
- 05Entrust (2025). Identity Fraud Report. Fréquence des deepfakes et part de la fraude biométrique.
- 06Union européenne. (2024). Règlement (UE) 2024/1689 (la loi sur l'IA). Journal officiel de l'Union européenne.
- 07Conseil de l'Europe. (2024). Convention-cadre sur l'intelligence artificielle et les droits de l'homme, la démocratie et l'État de droit (STCE n° 225).
- 08National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1.
- 09Turkle, S. (2011). Alone Together. Sur l'« illusion du dialogue ».
- 10Nowotny, H. (2021). In AI We Trust: Power, Illusion and Control of Predictive Algorithms.
- 11Coalition for Content Provenance and Authenticity (C2PA); Trust over IP Foundation. Normes ouvertes pour la provenance du contenu et la confiance décentralisée.
RechercheOuvrir pour lireQuand un modèle devient une munition
Un modèle d'IA de pointe a été désactivé dans le monde entier sur la base d'une simple lettre du gouvernement. Analyse de l'arrêt de juin 2026 à travers le prisme du problème des trois corps de la confiance numérique : comment le « kill switch » a cessé d'être une métaphore, pourquoi le laboratoire le plus gouvernable a été gouverné avec le moins de soin, et ce que la dépendance à un fournisseur et une juridiction uniques coûte désormais à un conseil d'administration.
Lire
RechercheOuvrir pour lireLa confiance numérique est une orbite, pas un pilier
La confiance n'est pas un pilier de plus à ajouter. C'est l'orbite que trois corps tracent ensemble : le modèle, la personne et l'organisation. Découvrez pourquoi le problème à trois corps est la métaphore la plus juste pour une IA digne de confiance, et comment savoir où vous vous situez sur cette orbite.
Lire
RechercheOuvrir pour lireLes agents agiront en notre nom. Qui se porte garant pour eux ?
Lorsque les agents commenceront à agir pour nous, la confiance se déplacera des résultats vers les acteurs. Une lecture de l'argumentaire de Michael Casey en faveur de la preuve de contrôle, mis en parallèle avec notre modèle des trois corps de la confiance numérique : comment la commodité attire discrètement l'autorité vers quelques plateformes mondiales, la réponse de validant.ai à ce problème, et l'ouverture d'une bêta fermée pour la validation scientifique au Q3 2026.
Lire