Vers une IA digne de confiance pour le patrimoine culturel

Pourquoi des outils plus intelligents importent pour notre passé

Des temples en ruine aux parchemins fragiles, les spécialistes du patrimoine s’appuient aujourd’hui sur des outils numériques pour comprendre et protéger les traces de l’histoire humaine. L’intelligence artificielle (IA) peut trier d’énormes volumes d’images, de scans et d’archives bien plus vite qu’un humain, mais elle peut aussi mal lire ou déformer les récits portés par ces objets. Cet article examine comment rendre l’IA non seulement puissante, mais aussi équitable, transparente et digne de confiance quand elle sert à étudier et préserver le patrimoine culturel.

Nouveaux assistants pour de vieux trésors

Musées, archéologues et restaurateurs se tournent vers l’IA pour classer des photos, cartographier les dommages sur des bâtiments et reconstruire des détails perdus d’objets brisés. Des techniques initialement développées pour les voitures autonomes ou le commerce en ligne aident désormais à interpréter des mosaïques anciennes, des sculptures et des rues historiques. Pourtant, les données patrimoniales sont particulièrement désordonnées et inégales : certaines régions et époques sont richement documentées, tandis que d’autres n’apparaissent que de façon éparse. Si l’IA apprend principalement à partir de monuments célèbres et de collections occidentales, elle risque d’ignorer ou d’interpréter à tort le patrimoine de groupes minoritaires ou de lieux moins célébrés. L’article soutient que, parce que le patrimoine culturel façonne des identités et des mémoires, les erreurs ne sont pas que des problèmes techniques mais aussi des enjeux éthiques.

Où les algorithmes peuvent se tromper

Les auteurs cartographient les nombreuses façons dont des biais peuvent s’insinuer dans l’IA utilisée pour le patrimoine. Certains biais proviennent d’absences dans les données : par exemple, des mosaïques endommagées dont les tesselles manquantes perturbent les systèmes de reconnaissance de motifs, ou des archives historiques qui omettent des communautés entières. D’autres tiennent à qui est représenté : les jeux de données populaires ont tendance à montrer des pièces, icônes et bâtiments européens, laissant les objets non occidentaux sous‑représentés. Même lorsque le matériau existe, les étiquettes peuvent varier entre experts, et les photos publiées sur les réseaux sociaux de sites célèbres reflètent parfois des clichés touristiques plutôt que des perspectives locales. L’article regroupe ces problèmes en catégories comme les données manquantes, la sous‑représentation des minorités, les différences contextuelles entre régions et des visions dépassées figées dans d’anciens scans ou archives. Pour chaque type, il propose des contre‑mesures pratiques, de l’élargissement des collections pour inclure des récits minoritaires à la mise à jour régulière des modèles numériques au fur et à mesure que les sites évoluent.

Rendre compréhensibles les décisions des machines

La confiance, soutiennent les auteurs, dépend non seulement de meilleures données mais aussi d’explications plus claires. Beaucoup de systèmes d’IA modernes agissent comme des « boîtes noires » : ils étiquettent une arche comme gothique ou un mur comme endommagé sans montrer pourquoi. L’article propose une approche à plusieurs niveaux pour l’explicabilité. Un niveau examine la mécanique interne du modèle, un autre la façon dont l’histoire locale et le contexte influencent ses décisions, et d’autres se concentrent sur ce que le résultat signifie en pratique et sur le degré de confiance du système. Les explications peuvent être globales, décrivant le comportement du système dans l’ensemble, ou locales, portant sur une prédiction unique concernant un bâtiment ou un artefact spécifique. Pour juger si ces explications aident réellement, les auteurs définissent des métriques simples centrées sur l’humain, comme la satisfaction des utilisateurs, la curiosité, la confiance et l’impact sur la qualité des décisions.

Tester le cadre sur des données patrimoniales réelles

Pour voir comment leurs idées fonctionnent en pratique, les chercheurs revisitent un ancien système d’IA qui analyse des nuages de points 3D denses de bâtiments historiques. Ce système est très performant pour attribuer automatiquement chaque groupe de points à des éléments architecturaux comme des arcs, fenêtres ou colonnes, mais il n’a pas été conçu avec l’équité ou la transparence à l’esprit. Évalué avec les nouvelles métriques éthiques, les experts ont constaté qu’ils ne comprenaient que partiellement comment il parvenait à ses conclusions, et que le système expliquait peu les interprétations alternatives. Les auteurs proposent d’utiliser des modèles plus récents qui intègrent l’explication dans leur conception. Ces modèles comparent des parties d’un bâtiment à des formes « prototypes » apprises et mettent en évidence quels exemples ont guidé une étiquette donnée, afin que les spécialistes du patrimoine puissent voir et débattre le raisonnement au lieu d’accepter simplement une réponse opaque.

Construire des gardiens de la culture à l’épreuve du temps

En termes simples, cet article soutient que l’IA doit assister le jugement humain dans le travail patrimonial, et non le remplacer silencieusement. En recherchant systématiquement les biais et en exigeant que les systèmes expliquent leurs choix en langage et en visuels compréhensibles par les experts, le cadre proposé vise à maintenir l’IA alignée sur les valeurs d’inclusion, d’exactitude et de respect de la diversité culturelle. Les auteurs suggèrent que des conceptions similaires, attentives à l’éthique, pourraient aussi bénéficier à des domaines sensibles comme la santé, l’éducation et l’environnement. Pour le patrimoine culturel, le message est clair : seule une IA transparente, équitable et ouverte à la remise en question peut mériter la confiance pour aider à raconter les histoires de notre passé commun.

Citation: Paolanti, M., Frontoni, E. & Pierdicca, R. Towards trustworthy AI in cultural heritage. npj Herit. Sci. 14, 131 (2026). https://doi.org/10.1038/s40494-026-02403-z

Mots-clés: patrimoine culturel, IA fiable, biais algorithmiques, IA explicable, conservation du patrimoine