Le buzz fait partie de la technologie

Il existe un réflexe respectable chez les professionnels : se couper du bruit des réseaux sociaux, lire les benchmarks et juger sur pièces, avec ses propres tests. Quand un nouveau modèle de langage sort, ignorer les posts LinkedIn et préférer Arxiv, le site de prépublication d’articles scientifiques. Quand une entreprise ou un commentateur annonce une « révolution », attendre les chiffres. C’est une hygiène intellectuelle nécessaire.

Le réflexe de l’utilisateur lucide

Le raisonnement tient en une phrase : la hype déforme, les papiers de recherche informent. Les modèles ont des capacités mesurables. Les benchmarks, même imparfaits, restent plus fiables que l’enthousiasme d’un influenceur. Et l’histoire récente donne raison au sceptique : les promesses de l’IA générative de 2022 ont tenu à moitié, les projections sur l’AGI se contredisent d’un trimestre à l’autre, et une étude de 2025 documentant les cycles de hype technologiques (Can’t stop the hype, ICS / Taylor & Francis, 2025 ↗) montre que les phases d’effervescence précèdent systématiquement des phases de désillusion.

Ce réflexe a une vertu supplémentaire : il préserve du temps. Suivre chaque annonce est épuisant et peu rentable. Concentrer l’attention sur les résultats reproductibles permet d’agir plutôt que de commenter.

Un défenseur honnête de cette position peut aller plus loin : le buzz n’est pas neutre, il est souvent instrumentalisé, de la même manière que les LLM eux-mêmes flattent leur utilisateur plutôt que de le contredire. Les entreprises ont intérêt à entretenir la hype pour attirer des financements, recruter, et différencier des produits techniquement proches. Bareis et Katzenbach (2022) ↗ documentent précisément comment le discours sur l’IA fonctionne comme outil de légitimation stratégique (« Talking AI into Being »), indépendamment des capacités réelles des systèmes. Le buzz est suspect par construction.

Mais l’argument le plus fort de cette position n’est pas pragmatique, il est ontologique. Il tient en une thèse de séparation : un système technique a une consistance propre, mesurable, indépendante des discours qui le portent. Trois piliers la soutiennent.

1. La causalité matérielle. Un LLM est un objet computationnel : des poids dans un fichier, une architecture, un coût en calcul. Ce qui détermine sa sortie sur un prompt donné, ce sont ces poids et cette architecture, pas ce qu’on raconte à son sujet sur LinkedIn. Le discours peut entourer l’objet, il ne le pénètre pas. Test décisif : si l’humanité disparaissait mais que les GPU continuaient à tourner, le modèle produirait exactement les mêmes tokens. Ce qui survit à la disparition du discours est l’objet ; ce qui ne survit pas lui est, par définition, extérieur.

2. La falsifiabilité asymétrique. Un benchmark peut être faux et on peut le démontrer (mauvais protocole, contamination du training set, biais de sélection). Une représentation sociale, elle, n’est ni vraie ni fausse au même sens : elle est. Cette asymétrie fonde une hiérarchie épistémique classique (comme chez Popper, par exemple) : ce qui se laisse réfuter par expérience est candidat à la connaissance ; ce qui ne se laisse pas réfuter est, au mieux, objet de sociologie. L’utilisateur avancé qui privilégie les articles, type Arxiv, ne fait pas du positivisme naïf, il hiérarchise les régimes de preuve (s’il a de la patience).

3. L’autonomie des trajectoires techniques. Des objets se sont imposés contre leur image publique (le GPS militaire devenu infrastructure civile, le nucléaire civil dans plusieurs pays) et d’autres se sont effondrés malgré une hype maximale (la blockchain grand public, le métavers de Meta). Si le buzz co-constituait l’objet, ces cas seraient impossibles. La trajectoire d’une technologie est sur-déterminée par des facteurs matériels (coût, performance, infrastructure complémentaire) que la doxa peut ralentir ou accélérer, jamais créer ni détruire ex nihilo.

Causalité matérielle, falsifiabilité asymétrique, autonomie des trajectoires : trois dimensions qui tiennent ensemble. Un ingénieur sérieux n’a pas besoin de plus pour défendre le geste « articles scientifiques et tests d’abord, buzz jamais ».

Sauf que…

Une technologie ne devient événement qu’en passant par l’opinion publique

Un LLM a des poids dans un fichier et il a une image-standard (la représentation reçue qui sert de grille de lecture avant tout examen, développée plus bas) ; les benchmarks mesurent l’un, l’opinion collective l’autre ; les deux comptent pour comprendre l’adoption. La hype existe, elle a des effets mesurables sur les financements, les attentes, les usages, il suffit de l’analyser comme on étudie n’importe quel autre paramètre exogène. Les capacités du modèle d’un côté, la perception collective de l’autre, deux variables indépendantes qu’on étudie séparément avant de regarder leurs interactions.

Cette position est inattaquable. Elle est aussi le terrain le plus confortable du professionnel sceptique : elle lui permet de reconnaître l’existence du buzz sans rien céder sur la primauté de l’analyse technique, idéalement sur ses propres benchmarks.

Testons-la sur un cas. GPT-2 et GPT-3 existaient avant ChatGPT, avec des capacités déjà documentées dans des papers OpenAI. Aucun n’a déclenché une bascule comparable. ChatGPT, en novembre 2022, n’apportait pas de capacité fondamentalement nouvelle sur les benchmarks publics : il apportait une interface conversationnelle gratuite et un passage médiatique massif. Or les poids n’ont pas changé entre la version de GPT-3.5 utilisée en API par cinquante mille développeurs et la même version offerte en chat à cent millions de personnes. La position raisonnable doit pouvoir dire ici : les capacités sont les mêmes, seule la perception a changé. Mais que devient l’objet « ChatGPT, phénomène social, infrastructure mentale, déclencheur de bascule budgétaire » dans cette description ? Il n’existe pas dans le premier cas, il existe dans le second. Et ce qui le fait exister, c’est précisément ce que la position raisonnable traitait comme variable indépendante.

C’est ici que cette position d’équilibre confortable craque. Tant que la « perception » décrit un objet déjà constitué (biais utilisateur, orientation des financements, distorsion d’attente), la séparation tient : le buzz l’éclaire, il ne le compose pas. Mais quand on demande qu’est-ce qui devient un objet technologique adopté ?, cette image s’effondre : la perception n’éclaire plus l’objet de l’extérieur, elle entre dans ce qui le compose comme objet adopté. Les deux colonnes du tableau ne sont plus indépendantes ; elles se nouent au point où la technologie devient événement.

Maniglier pose ce point précisément. Dans la première séance de son séminaire SPHPS ↗ (2022), il observe que le structuralisme n’a pas existé que dans les laboratoires : il est devenu un événement intellectuel en passant par le champ de l’opinion publique, et que rater cette dimension du buzz revient à rater l’événement lui-même. La thèse n’est pas que le buzz rend la théorie vraie. C’est que sans passage par l’opinion, il n’y a pas d’événement, seulement un travail de laboratoire parmi d’autres. Transposée à l’IA, elle ne dit pas qu’il n’y a pas d’objet technique hors des représentations (les poids existent quand personne ne parle). Elle dit qu’il n’y a pas d’objet technique adopté hors du couplage entre artefact et représentations. L’objet computationnel existe matériellement ; la technologie comme entité opérante dans le monde n’existe pas sans son passage médiatique.

Cette formulation est plus exigeante que la position d’équilibre confortable du §1, plus modeste que le constructionnisme radical. La causalité matérielle reste vraie pour expliquer la sortie d’un prompt donné, et insuffisante pour expliquer ce qu’un million d’utilisateurs viennent demander à ce modèle. La falsifiabilité asymétrique reste vraie pour hiérarchiser les régimes de preuve, et muette sur l’adoption (non falsifiable au sens de Popper, mais réelle). L’autonomie des trajectoires est précisément ce que les contre-exemples illustrent à rebours : la blockchain grand public et le métavers de Meta ne se sont pas effondrés malgré la hype, ils se sont effondrés parce que la hype n’a pas trouvé d’ancrage matériel suffisant. Ce sont les couplages capacités × représentations qui font les trajectoires, jamais l’une ou l’autre seule.

La blockchain grand public et le métavers de Meta ne se sont pas effondrés malgré la hype, ils se sont effondrés parce que la hype n’a pas trouvé d’ancrage matériel suffisant.

Le terrain raisonnable du §1 reste donc tenable comme description partielle de l’artefact. Il cesse d’être tenable comme description complète de la technologie au point d’adoption. Le praticien qui n’analyse que les poids analyse un sous-objet réel mais partiel. Ce n’est pas un constructionnisme déguisé, c’est une distinction philosophique précise : exister comme artefact et exister comme technologie opérante dans le monde ne sont pas la même question, et les deux régimes de preuve qui y répondent ne se substituent pas l’un à l’autre. Reprenons ChatGPT : exister comme artefact, ce sont les poids de GPT-3.5, identiques dans l’API et dans le chat. Exister comme technologie opérante dans le monde, c’est ce qui n’existait pas avant novembre 2022 et qui s’est mis à réorganiser des budgets, des peurs et des priorités produit chez des concurrents qui n’avaient rien changé à leurs propres modèles.

L’image-standard comme grille nécessaire

Maniglier nomme « image standard » la représentation reçue d’un objet qui fonctionne comme gabarit de référence (une grille de lecture obligée qui filtre ce qu’on voit avant tout examen). Appliquée à l’IA, l’image-standard se retrouve dans l’opinion commune : « ça hallucine », « perroquet stochastique » (Bender et al., 2021 ↗), « ça ne comprend rien », ou « AGI imminente ». Ce sont des structures de perception qui organisent ce qu’on est prêt à voir.

L’image-standard a des effets concrets et mesurables. Elle oriente les usages : un utilisateur qui a intériorisé « ça hallucine systématiquement » utilisera le modèle différemment d’un utilisateur qui a intériorisé « c’est un assistant de raisonnement ». Elle oriente la régulation : l’AI Act européen s’est construit sur une image-standard du risque IA qui n’est pas du tout la même que celle qui circule dans les startups californiennes.

Un travail de 2026 sur la polysémie stratégique dans le discours IA (Strategic Polysemy in AI Discourse, arXiv 2604.21043 ↗) documente précisément ce mécanisme : les mêmes termes (« intelligence », « compréhension », « autonomie ») portent des significations radicalement différentes selon les acteurs qui les mobilisent, et ces ambiguïtés ne sont pas des erreurs de communication, elles sont fonctionnelles. L’image-standard n’est pas un consensus mou : c’est un terrain de lutte sémantique où se jouent des arbitrages réels.

Le paradoxe : les professionnels avertis qui ignorent le buzz parce qu’il est « inexact » subissent l’image-standard sans l’avoir analysée. Ils pensent opérer sur la technologie nue ; ils opèrent sur la technologie telle qu’elle a été socialement construite. Refuser d’analyser le buzz ne les en préserve pas, cela les prive simplement de la carte.

Une parenthèse sur la Gartner Hype Cycle

Une confusion utile à dissiper. Quand on parle de buzz technologique, beaucoup de consultants ou de professionnels pensent immédiatement à la Gartner Hype Cycle ↗ : pic des attentes exagérées, vallée de la désillusion, pente d’illumination, plateau de productivité. C’est un outil puissant. J’en parle chaque année à mes étudiants, tant il offre une cartographie temporelle simple et opérante.

Mais la Hype Cycle ne mesure pas le buzz, elle situe une technologie dans son cycle d’attentes. Elle suppose le buzz comme variable d’environnement et trace sa décrue. Ce que je décris ici est en amont de cet outil : non pas où une technologie en est dans son cycle, mais comment le buzz entre dans la composition de ce qu’elle devient une fois adoptée. Les deux ne se contredisent pas, ils opèrent à des échelles différentes. La Hype Cycle vous dit où vous êtes ; l’image-standard vous dit ce que vous êtes en train de regarder.

Reste alors une question concrète : comment l’image-standard se fabrique-t-elle ? Elle se constitue par un circuit court qui mobilise cinq acteurs en quelques semaines.

1. Les éditeurs (plateformes de prépublication comme arXiv, revues, blogs d’entreprise) mettent la recherche à disposition avant même sa validation par les pairs. C’est ce canal, plus que les chercheurs eux-mêmes, qui rend le contenu accessible aux analystes en quelques heures.

2. Les chercheurs publient une étude, souvent assortie d’un fil X et d’un billet de blog signé.

3. Les analystes (cabinets, consultants, influenceurs spécialisés) reformulent en métaphores opérationnelles pour décideurs, ce qui suppose de gommer les réserves méthodologiques. L’algorithme YouTube, qui favorise fortement la nouveauté, concourt lui aussi à réduire ce délai.

4. Les journalistes tech reprennent ces métaphores et les enrichissent, les chargent d’un récit (rupture, menace, opportunité) et leur donnent une scène.

5. Les utilisateurs finaux, enfin, les rejouent sur LinkedIn et X, où elles deviennent doxa par sédimentation. À ce stade, plus personne ne se souvient du paper d’origine ; tout le monde se souvient de la formule.

Le cycle prend entre quatre et six semaines (et de plus en plus souvent moins que cela) pour qu’une nouveauté technique devienne « LA » technologie dans le discours partagé du moment. ChatGPT en novembre-décembre 2022 a couvert ce trajet en moins de trente jours. Et ces cinq acteurs ne sont pas tous lus de la même manière : les journalistes installent les images sensorielles (la machine qui « comprend », qui « se trompe », qui « ment »), les analystes installent les images économiques (l’« assistant », le « copilote », le « collègue augmenté »), les chercheurs installent les images techniques (le « stochastic parrot », le « modèle de langue »). Aucune n’est neutre ; chacune cadre un domaine d’usage et exclut les autres.

Notons également que les cabinets de conseil représentent un bataillon important des créateurs ou relayeurs de buzz. La peur est un puissant levier de décision et celle de rater la prochaine révolution technologique qui pourrait emporter votre organisation ou l’emmener vers un nouvel Eldorado sont une catégorie de FOMO (Fear of Missing out). Il y a un enjeu majeur pour les cabinets à se positionner entre les organisations et les technologies, telles des pythies interprétant les présages de la dernière technologie à la mode. J’ai bien conscience de caricaturer la réalité, mais c’est pour rappeler que la question « qui parle » est parfois plus importante que « de quoi parle-t-on ? » si vous voulez déconstruire les motivations profondes de vos interlocuteurs.

Cas en cours d’écriture, OpenClaw. À l’heure où cet article paraît, l’outil est devenu en six semaines un nom propre du paysage des agents IA (record GitHub, recrutement de son créateur par OpenAI, contre-narratif Anthropic « just killed OpenClaw ») (c’est devenu d’ailleurs un sport de commentateur d’annoncer la « mort » de telle ou telle technologie, ce qui ne fait qu’alimenter le buzz). L’image-standard active autour d’OpenClaw n’est pas le résultat d’une analyse de son code ; elle est le résultat de la séquence créateur → influenceurs → utilisateurs, saturant pour quelques jours l’espace médiatique des influenceurs IA. C’est cette image qui structure les attentes, les peurs, les arbitrages de gouvernance, avant que la majorité des décideurs n’ait ouvert le dépôt GitHub. La question n’est pas « est-ce qu’OpenClaw tient ses promesses ? » mais « quelle image-standard d’OpenClaw circule, par quels canaux, à quelle vitesse ? ». Sans réponse à cette question, le décideur arbitre à l’aveugle.

Ni naïveté ni mépris

La thèse n’est pas que le buzz a raison ou tort. Elle n’est pas non plus que tous les discours se valent. « Stochastic parrot » (perroquet stochastique) est une image-standard qui contient une critique réelle et documentée des biais dans les corpus d’entraînement : la réfuter en bloc parce qu’elle circule dans l’espace médiatique serait aussi peu rigoureux que de l’accepter sans l’avoir lue. Une étude de 2025 sur les dynamiques de hype (Deep Hype in AGI Research, arXiv 2508.19749 ↗) distingue justement les formes de hype instrumentalisée des formes de hype qui signalent une anticipation légitime de rupture.

La position défendable n’est pas « ignorer le buzz » ni « suivre le buzz ». C’est de lire le buzz comme un objet : cartographier l’image-standard active, identifier quelle doxa structure actuellement la perception, et situer le paper ou le benchmark à l’intérieur de ce champ, pas au-dessus de lui. Un benchmark de performance sur la compréhension du langage naturel ne se lit pas de la même façon si l’image-standard dominante est « ça ne comprend rien » ou si elle est « AGI imminente » : les deux cadrent différemment ce que le résultat prouve ou réfute.

Le geste est symétrique. On lit les études avec la rigueur du chercheur, on lit le buzz avec la rigueur de l’observateur appliqué. Refuser le second nom de la rigueur sous prétexte qu’il ne ressemble pas au premier, c’est confondre une méthode avec son objet. Le buzz est un des signaux à prendre en compte dans sa veille, au même titre que le shadow AI trahit ce que la DSI ne dit pas : dans les deux cas, ce que les acteurs font et disent en dehors des canaux officiels informe autant que les chiffres officiels. S’il persiste, il est annonciateur de tendance.

Ce que ça change selon où vous vous situez

Pour un décideur : vous n’arbitrez jamais sur la technologie nue. Vous arbitrez sur la technologie telle qu’elle est représentée dans votre organisation, chez vos concurrents, dans la presse que lit votre conseil d’administration, les cabinets de conseil que vous consultez. L’image-standard n’est pas un bruit à filtrer avant de décider, c’est une contrainte de décision. La connaître explicitement vous donne un levier ; l’ignorer vous laisse sous son emprise sans pouvoir la challenger.

Pour un utilisateur avec un profil technique : la publication d’un article scientifique ne suffit pas à anticiper l’adoption. Un modèle techniquement supérieur peut être adopté lentement si l’image-standard dominante est défavorable. Un modèle techniquement médiocre peut s’imposer si la hype l’a précédé et structuré les attentes. Ce n’est pas une injustice du marché, c’est la structure normale d’une technologie qui devient événement. La trajectoire d’adoption est co-déterminée par les capacités réelles et par les représentations qui circulent. Les deux méritent d’être analysés.

Ce que j’en retiens

Le réflexe de couper le bruit et de lire les articles et les sources primaires est sain, et il rejoint ce que je détaillais dans par où commencer pour comprendre les IA, pas seulement les utiliser : se former sérieusement suppose déjà de dépasser le seul flux LinkedIn. Mais cela devient un angle mort si vous pensez que c’est suffisant. Une technologie ne vit pas seulement dans les benchmarks, elle vit aussi dans les images qui circulent, dans les mots que les acteurs mobilisent stratégiquement, dans les gabarits de perception qui précèdent tout examen.

Lire les études sans analyser le buzz, c’est diagnostiquer un patient sur ses analyses sanguines sans jamais lui demander où il a mal. Les analyses sont vraies, indispensables, et insuffisantes. Le médecin compétent croise les deux : le laboratoire dit ce que le corps produit, le patient dit ce qui se passe quand il fonctionne dans le monde. L’image-standard est cet examen clinique du discours, sans lequel les benchmarks restent une biologie hors-sol.

D’où une règle qui tient sur un post-it. Avant tout arbitrage sur une technologie en cours d’adoption, deux questions : que disent les benchmarks, et quelle image-standard circule autour ? Si vous ne pouvez pas répondre à la seconde avec autant de précision qu’à la première, vous n’arbitrez pas, vous suivez.

Analyser une technologie sans analyser son buzz, c’est de la demi-rigueur.

Pour prolonger

• 88 % des entreprises utilisent l’IA. 94 % n’en tirent pas de valeur — cet écart entre adoption et valeur mesurée est aussi affaire d’image-standard, pas seulement de ROI.
• L’IA accélère le code, et ralentit les développeurs. — le même écart entre discours et mesure traverse la productivité individuelle des développeurs.