Dilemmes éthiques de l'IA avec des exemples concrets

Bien que l’intelligence artificielle transforme le fonctionnement des entreprises, des inquiétudes subsistent quant à son influence possible sur nos vies. Il s’agit à la fois d’un problème académique et sociétal et d’un risque de réputation pour les entreprises ; aucune entreprise ne souhaite être fragilisée par des scandales liés aux données ou à l’éthique de l’IA qui nuiraient à sa réputation.

Explorez les enjeux éthiques liés à l’utilisation de l’IA, les exemples de mauvais usage et les principes clés pour atténuer ces problèmes.

Biais algorithmique

Les algorithmes et les données d’entraînement peuvent contenir des biais, comme les humains, puisque ces derniers les génèrent également. Ces biais empêchent les systèmes d’IA de prendre des décisions équitables. Nous rencontrons des biais dans les systèmes d’IA pour deux raisons :

1. Les développeurs peuvent programmer des systèmes d’IA biaisés sans même s’en rendre compte
2. Les données historiques utilisées pour entraîner les algorithmes d’IA peuvent ne pas être suffisantes pour représenter fidèlement l’ensemble de la population.

Exemple concret :

Les grands modèles de langage (LLMs) sont de plus en plus utilisés sur les lieux de travail pour améliorer l’efficacité et l’équité, mais ils peuvent aussi reproduire ou amplifier les biais sociaux. L’étude Silicon Ceiling examine l’impact des LLMs sur le recrutement en auditant les biais de race et de genre dans d’OpenAI GPT-3.5, en s’appuyant sur les méthodes traditionnelles d’audit de CV.

Les chercheurs mènent deux études en utilisant des noms associés à différentes origines ethniques et genres : l’évaluation de CV et la génération de CV. Dans l’étude 1, GPT note des CV avec des noms variés dans plusieurs professions et critères d’évaluation, révélant des biais stéréotypés. Dans l’étude 2, GPT génère des CV fictifs, montrant des différences systématiques : les CV des femmes reflètent moins d’expérience, tandis que les CV asiatiques et hispaniques incluent des marqueurs d’immigration.

Ces résultats s’ajoutent aux preuves de biais dans les LLMs, en particulier dans les contextes de recrutement.¹

Pour construire une IA éthique et responsable, il est nécessaire d’éliminer les biais dans les systèmes d’IA. Pourtant, 47 % des organisations testent les biais dans les données, les modèles et l’utilisation humaine des algorithmes.²

Bien qu’il soit presque impossible d’éliminer tous les biais dans les systèmes d’IA, étant donné les nombreux biais humains existants et la découverte continue de nouveaux, les minimiser peut être un objectif pour les entreprises. 

Objets autonomes

Les objets autonomes (AuT) sont des dispositifs et des machines qui effectuent des tâches spécifiques sans intervention humaine. Ces machines comprennent les voitures autonomes, les drones et la robotique. Étant donné que l’éthique des robots est un vaste sujet, nous concentrons sur les problèmes contraires à l’éthique découlant de l’utilisation des véhicules autonomes et des drones.

Voitures autonomes

Malgré la valeur croissante des véhicules autonomes, ils posent divers risques pour les lignes directrices en matière d’éthique de l’IA. La responsabilité et l’imputabilité des véhicules autonomes restent un sujet de débat.

Exemple concret :

Par exemple, en 2018, une voiture autonome Uber a heurté un piéton qui est décédé plus tard à l’hôpital.³ L’accident a été enregistré comme le premier décès impliquant une voiture autonome.

Après l’enquête menée par le département de police de l’Arizona et le National Transportation Safety Board (NTSB) des États-Unis, les procureurs ont décidé que l’entreprise n’était pas pénalement responsable de la mort du piéton. En effet, la conductrice de sécurité était distraite par son téléphone portable et les rapports de police qualifient l’accident de « totalement évitable ».

Armes létales autonomes (LAWs)

Les LAWs (armes létales autonomes) sont des armes propulsées par l’IA qui peuvent identifier et engager des cibles par elles-mêmes selon des règles programmées. De tels systèmes existent depuis des décennies, en particulier dans des applications défensives comme les mines, la défense antimissile, les systèmes de sentinelle et les munitions rôdeuses.

Les plateformes plus récentes comprennent des véhicules terrestres et maritimes dotés de capacités autonomes, principalement pour la reconnaissance, mais parfois avec des fonctions offensives.

Exemple concret :

Dans le conflit entre l’Ukraine et la Russie, les armes autonomes sont principalement utilisées via des drones compatibles avec l’IA et des munitions rôdeuses plutôt que des systèmes totalement indépendants.

La Russie utilise des munitions rôdeuses, qui peuvent rechercher et frapper de manière autonome des cibles militaires prédéfinies avec un contrôle humain minimal une fois lancées. L’Ukraine utilise principalement des drones semi-autonomes, dans lesquels les humains autorisent les attaques tandis que l’IA assiste la navigation, le suivi des cibles et l’engagement rapide.

Ces systèmes augmentent la vitesse et la précision sur le champ de bataille, mais réduisent la supervision humaine significative, créant des défis juridiques et éthiques au regard du droit international humanitaire, en particulier concernant les principes de distinction, de proportionnalité et de responsabilité.⁴

Exemple concret :

Depuis 2018, les Nations Unies s’opposent systématiquement aux systèmes d’armes létales autonomes (LAWS). Le Secrétaire général António Guterres les a qualifiés de politiquement et moralement inacceptables, et a appelé à leur interdiction.

En 2023, il a réitéré la nécessité d’un instrument international juridiquement contraignant pour interdire les armes entièrement autonomes et réglementer les autres, invoquant de graves risques humanitaires, juridiques et liés aux droits de l’homme. Les experts des Nations Unies en droits de l’homme ont fait écho à ces préoccupations et soutenu une interdiction mondiale.⁵

Chômage et inégalités de revenus dus à l’automatisation

L’automatisation pilotée par l’IA devrait profondément remodeler les marchés du travail, contribuant à des pressions de chômage à court terme et à un creusement des inégalités de revenus si elle n’est pas maîtrisée.

Selon l’analyse d’AIMultiple, les projections actuelles suggèrent que 15-25 % des emplois connaîtront une perturbation significative d’ici 2027, avec un déplacement net d’emplois de 5-10 % après la création de nouveaux postes.

Dans le même temps, l’IA complète le travail humain dans des domaines tels que la prise de décision, le raisonnement et la créativité, déplaçant la demande vers des compétences à plus forte valeur ajoutée. Avec plus de 40 % des travailleurs ayant besoin d’une reconversion substantielle d’ici 2030, un accès inégal à la reconversion risque d’aggraver les inégalités de revenus entre ceux qui peuvent s’adapter aux rôles rendus possibles par l’IA et ceux qui ne le peuvent pas.

Mauvais usages de l’IA

Différends de gouvernance de l’IA sur les armes autonomes

Les tensions récentes entre les entreprises d’IA et les gouvernements illustrent la difficulté de fixer des limites à l’utilisation militaire de l’IA. Début 2026, l’entreprise d’IA Anthropic a refusé de signer un contrat avec le département de la Défense des États-Unis qui aurait autorisé le gouvernement à un « accès sans restriction » à ses modèles pour « toutes les finalités légales ».

Le PDG d’Anthropic, Dario Amodei, a déclaré que l’entreprise participerait si deux garanties étaient incluses : interdire la surveillance de masse sur le territoire national et empêcher le développement d’armes entièrement autonomes sans supervision humaine.⁶

Ce désaccord met en évidence des préoccupations plus larges concernant le rôle des systèmes d’IA avancés dans la guerre. Bien que les grands modèles de langage ne soient pas des armes en soi, ils peuvent être intégrés dans des systèmes militaires pour analyser le renseignement, générer des listes de cibles potentielles, hiérarchiser les menaces et recommander des actions militaires.

Les armes entièrement autonomes représentent l’étape la plus controversée de cette progression. Une fois activés, ces systèmes peuvent rechercher, sélectionner et attaquer des cibles de manière indépendante à l’aide de capteurs tels que des caméras et des radars, ainsi que d’algorithmes d’IA.

Les critiques avertissent que retirer les humains de la boucle de décision soulève d’importantes préoccupations éthiques et juridiques, notamment en matière de responsabilité et de conformité au droit international humanitaire.

Pratiques de surveillance limitant la vie privée

« Big Brother vous regarde. » Cette célèbre phrase du roman dystopique de George Orwell, 1984, relevait autrefois de la science-fiction. Aujourd’hui, cependant, elle ressemble de plus en plus à la réalité, les gouvernements déployant l’IA pour la surveillance de masse. En particulier, l’utilisation de la technologie de reconnaissance faciale dans les systèmes de surveillance a soulevé de sérieuses préoccupations concernant le droit à la vie privée

Selon l’indice IA Global Surveillance (AIGS), 176 pays utilisent des systèmes de surveillance par IA, et les démocraties libérales sont de grandes utilisatrices de la surveillance par IA.⁷

La même étude montre que 51 % des démocraties avancées déploient des systèmes de surveillance par IA, contre 37 % des États autocratiques fermés. Toutefois, cela est probablement dû à l’écart de richesse entre ces deux groupes de pays.

D’un point de vue éthique, la question importante est de savoir si les gouvernements abusent de la technologie ou l’utilisent légalement.

Exemples concrets :

Certains géants de la technologie expriment également des préoccupations éthiques concernant la surveillance assistée par IA. Par exemple, le président de Microsoft, Brad Smith, a publié un article de blog appelant à une réglementation gouvernementale de la reconnaissance faciale.⁸

De plus, IBM a cessé de proposer la technologie pour la surveillance de masse en raison de son potentiel d’abus, comme le profilage racial, qui viole les droits humains fondamentaux.⁹

Manipulation du jugement humain

Les analyses pilotées par l’IA peuvent fournir des informations exploitables sur le comportement humain, mais abuser de ces analyses pour manipuler les décisions humaines est contraire à l’éthique.

Exemple concret :

Cambridge Analytica a vendu les données d’électeurs américains collectées sur Facebook à des campagnes politiques et a fourni assistance et analyses aux campagnes présidentielles de 2016 de Ted Cruz et Donald Trump.

Les informations sur la violation de données ont été révélées en 2018, et la Federal Trade Commission a infligé à Facebook une amende de 5 milliards de dollars pour ses violations de la vie privée.¹⁰

Prolifération des deepfakes

Les deepfakes sont des images ou vidéos générées synthétiquement dans lesquelles une personne dans une image ou une vidéo est remplacée par la ressemblance de quelqu’un d’autre. 

Créer un faux récit à l’aide de deepfakes peut nuire à la confiance du public dans les médias (qui est à son plus bas niveau historique).¹¹Cette méfiance est dangereuse pour les sociétés, étant donné que les médias de masse restent la première option des gouvernements pour informer la population d’événements d’urgence tels qu’une pandémie mondiale ou un tremblement de terre majeur causant des dégâts et des victimes à grande échelle.

Exemple concret :

La Commission européenne a ouvert une enquête sur la plateforme X d’Elon Musk suite à des allégations selon lesquelles son outil d’IA, Grok, a été utilisé pour générer des images deepfake sexualisées de personnes réelles, à la suite d’une action similaire du régulateur britannique Ofcom.

Si X est reconnue coupable d’avoir enfreint la loi sur les services numériques de l’UE, elle pourrait se voir infliger des amendes allant jusqu’à 6 % de son chiffre d’affaires annuel mondial, et les régulateurs pourraient imposer des mesures provisoires si les garanties ne sont pas renforcées.

Les responsables de l’UE et les militants ont condamné les deepfakes comme étant nuisibles et dégradants, en particulier pour les femmes et les enfants, s’interrogeant sur la question de savoir si X a correctement évalué et atténué les risques liés aux outils d’IA puissants.¹²

Intelligence artificielle générale (AGI) / Singularité

La perspective de l’intelligence artificielle générale (AGI) ou de la singularité soulève des préoccupations éthiques quant à la valeur de la vie humaine à mesure que les machines surpassent l’intelligence humaine. Dans le même temps, le chemin vers l’AGI reste incertain, sans consensus scientifique sur le fait qu’elle découlera de la mise à l’échelle des architectures existantes telles que les transformers ou du développement d’approches fondamentalement nouvelles, ni sur la manière dont l’AGI devrait être validée en fin de compte.

Les dilemmes pratiques, comme celui de savoir si les voitures autonomes doivent donner la priorité à la sécurité des passagers ou des piétons, mettent en lumière des questions morales non résolues qui doivent être traitées avant que ces technologies ne soient largement déployées. Plus largement, l’émergence de systèmes superintelligents remet en question la domination humaine et soulève des questions fondamentales sur les droits, les responsabilités et les cadres moraux des êtres artificiels.

Nous avons analysé plus de 8 500 prédictions provenant de scientifiques, d’entrepreneurs et de la communauté élargie et avons constaté que la plupart des experts considèrent l’AGI comme inévitable. S’appuyant sur cette conviction, des enquêtes récentes menées auprès de chercheurs en IA estiment son arrivée autour de 2040, un changement notable par rapport aux prévisions antérieures proches de 2060, tandis que les entrepreneurs sont encore plus optimistes, projetant des échéances proches de 2030.

Éthique des robots

L’éthique des robots, ou roboéthique, traite de la manière dont les humains conçoivent, utilisent et traitent les robots. Les débats sur ce sujet existent depuis les années 1940, s’interrogeant principalement sur la question de savoir si les robots devraient avoir des droits comparables à ceux des humains et des animaux.

L’auteur Isaac Asimov est le premier à parler de lois pour les robots dans sa nouvelle intitulée « Runaround ». Il a introduit les Trois Lois de la Robotique :¹³

1. Un robot ne peut pas blesser un être humain ni, par son inaction, permettre qu’un être humain soit blessé.
2. Un robot doit obéir aux ordres donnés par les êtres humains, sauf si ces ordres entrent en conflit avec la Première Loi.
3. Un robot doit protéger son existence tant que cette protection n’entre pas en conflit avec la Première ou la Deuxième Loi.

Comment faire face à ces dilemmes ?

Ce sont des questions difficiles, et des solutions innovantes et controversées comme le revenu universel de base pourraient être nécessaires pour y répondre. Il existe de nombreuses initiatives et organisations visant à minimiser l’impact négatif potentiel de l’IA.

Par exemple, l’Institut pour l’éthique de l’intelligence artificielle (IEAI) de l’Université technique de Munich mène des recherches en IA dans divers domaines tels que la mobilité, l’emploi, la santé et la durabilité.¹⁴

Voici quelques recommandations pour atténuer les controverses entourant les usages adverses de l’IA :

Examiner les politiques et bonnes pratiques de l’UNESCO

Politique de gouvernance des données

Cette politique souligne l’importance de cadres détaillés pour la collecte, l’utilisation et la gouvernance des données afin de garantir la vie privée des individus et d’atténuer les risques. Elle encourage la création de jeux de données de qualité pour l’entraînement de l’IA, l’adoption de jeux de données ouverts et fiables, et la mise en œuvre de stratégies efficaces de protection des données.

Par exemple, établir des jeux de données standardisés pour l’IA en santé garantit l’exactitude et réduit les biais.

Gouvernance éthique de l’IA

Les mécanismes de gouvernance doivent être inclusifs, multidisciplinaires et multilatéraux, intégrant diverses parties prenantes telles que les communautés touchées, les décideurs politiques et les experts en IA. Cette approche s’étend à l’application de la responsabilité et à la fourniture de réparations pour les préjudices.

Par exemple, garantir un recrutement équitable des systèmes d’IA nécessite des audits continus pour lutter contre les biais.

Politique d’éducation et de recherche

Elle promeut la littératie en IA et la sensibilisation éthique en intégrant l’éducation à l’IA et aux données dans les programmes scolaires. Elle donne également la priorité à la participation des groupes marginalisés et fait progresser la recherche éthique en IA.

Par exemple, les écoles pourraient enseigner les bases de l’IA parallèlement au codage et à la pensée critique, préparant les générations futures à appréhender les impacts sociétaux de l’IA.

Santé et bien-être social

Cette politique encourage le déploiement de l’IA pour améliorer les soins de santé, faire face aux risques sanitaires mondiaux et faire progresser la santé mentale. Elle souligne la nécessité d’applications d’IA médicalement prouvées, sûres et efficaces.

Égalité des genres dans l’IA

L’égalité des genres vise à réduire les disparités entre les genres dans l’IA en soutenant les femmes dans les domaines STEM et en évitant les biais dans les systèmes d’IA.

Par exemple, allouer des fonds pour encadrer les femmes dans la recherche en IA et lutter contre les biais de genre dans les algorithmes de recrutement.

Durabilité environnementale

Cette politique se concentre sur l’évaluation et l’atténuation de l’impact environnemental de l’IA, comme son empreinte carbone et sa consommation de ressources. Encourager l’utilisation de l’IA dans la prédiction et l’atténuation du changement climatique est recommandé.

Par exemple, l’IA peut être utilisée pour surveiller la déforestation et optimiser les réseaux d’énergies renouvelables.

Méthodologie d’évaluation de l’état de préparation (RAM)

Cette technique aide les États à évaluer leur capacité à mettre en œuvre des politiques d’IA éthiques en évaluant les cadres juridiques, les infrastructures et la disponibilité des ressources.

Par exemple, RAM peut identifier les lacunes dans la réglementation et l’infrastructure de l’IA, guidant les nations vers une adoption éthique de l’IA.

Évaluation de l’impact éthique (EIA)

Cette méthode évalue les impacts sociaux, environnementaux et économiques potentiels des projets d’IA. En collaborant avec les communautés touchées, l’EIA garantit l’allocation des ressources pour prévenir les préjudices.

Par exemple, une EIA pourrait identifier les risques de biais dans un système de police prédictive et recommander des mesures d’atténuation.

Observatoire mondial de l’éthique de l’IA

Il s’agit d’une plateforme numérique qui propose des analyses des défis éthiques de l’IA et surveille la mise en œuvre mondiale des recommandations de l’UNESCO.

Par exemple, l’observatoire pourrait fournir des rapports sur les impacts sociétaux de l’IA dans différents pays.

Formation à l’éthique de l’IA et sensibilisation du public

Cette approche encourage une éducation accessible et un engagement civique pour améliorer la compréhension du public de l’éthique de l’IA.

Par exemple, des campagnes visant à informer les utilisateurs des risques pour la vie privée sur les plateformes de médias sociaux alimentées par l’IA peuvent créer des citoyens numériques avertis.

Figure 1 : Domaines politiques de l’UNESCO pour une IA éthique¹⁵

Bonnes pratiques recommandées par l’UNESCO

1. Gouvernance inclusive et multipartite :
   • Impliquer diverses parties prenantes, y compris les communautés marginalisées, dans la création des politiques et la gouvernance de l’IA.
   • Utiliser des équipes multidisciplinaires pour garantir des décisions équilibrées et équitables.
   • Exemple : Organiser des consultations publiques lors du déploiement de systèmes d’IA de surveillance.
2. Transparence et explicabilité :
   • Développer des systèmes d’IA avec des processus de prise de décision interprétables.
   • Trouver un équilibre entre transparence et préoccupations de sécurité et de confidentialité.
   • Exemple : Fournir aux utilisateurs des explications en langage simple sur la manière dont un modèle d’IA prend des décisions.
3. Évaluations de durabilité :
   • Évaluer régulièrement l’impact environnemental des systèmes d’IA, notamment la consommation d’énergie et l’empreinte carbone.
   • Exemple : Réduire la consommation d’énergie lors de l’entraînement de grands modèles d’apprentissage automatique.
4. Programmes de littératie en IA :
   • Éduquer le public et les décideurs politiques aux implications éthiques de l’IA.
   • Intégrer l’éthique de l’IA dans les programmes éducatifs à tous les niveaux.
   • Exemple : Ateliers sur les risques pour la vie privée dans les médias sociaux alimentés par l’IA.
5. Audits continus et mécanismes de responsabilité :
   • Établir des audits réguliers des systèmes d’IA pour détecter et traiter les biais, les inexactitudes ou les manquements éthiques.
   • Garantir l’existence d’un processus clair de réparation en cas de préjudice causé par l’IA.
   • Exemple : Examens périodiques des outils de recrutement par IA pour prévenir les biais de genre.

Apprendre les cadres d’IA responsable

Voici quelques cadres d’IA responsable pour surmonter les dilemmes éthiques tels que les biais de l’IA :

Transparence

Les développeurs d’IA ont l’obligation éthique d’être transparents de manière structurée et accessible, car la technologie de l’IA peut enfreindre les lois et avoir un impact négatif sur l’expérience humaine. Pour rendre l’IA accessible et transparente, le partage des connaissances peut aider.

Par exemple, OpenAI a été fondée en 2015 en tant que laboratoire de recherche en IA à but non lucratif par Elon Musk, Sam Altman et d’autres, avec pour mission de développer une « intelligence numérique » au bénéfice de l’humanité.

Cependant, après sa restructuration en Public Benefit Corporation (PBC), OpenAI fonctionne désormais comme une entité à but lucratif régie par une fondation à but non lucratif.¹⁶

En accordant à Microsoft une licence exclusive sur ses modèles de pointe, OpenAI est passée d’un modèle de recherche transparent et ouvert à un modèle propriétaire, suscitant un débat important sur sa mission initiale.

Explicabilité

Les développeurs d’IA et les entreprises doivent expliquer comment leurs algorithmes parviennent à leurs prédictions afin de surmonter les problèmes éthiques liés aux prédictions inexactes. Diverses approches techniques peuvent expliquer comment ces algorithmes aboutissent à leurs conclusions et quels facteurs influencent leurs décisions.

Alignement

De nombreux pays, entreprises et universités construisent des systèmes d’IA et, dans la plupart des domaines, il n’existe pas de cadre juridique adapté aux développements récents de l’IA.

La modernisation des cadres juridiques aux niveaux national et supérieur (par exemple, l’ONU) clarifiera la voie vers un développement éthique de l’IA. Les entreprises pionnières devraient mener ces efforts pour créer de la clarté pour leur secteur.

Utiliser les cadres et outils d’éthique de l’IA

Les universitaires et les organisations se concentrent de plus en plus sur les cadres éthiques pour guider l’utilisation des technologies d’IA. Ces cadres traitent des implications morales de l’IA tout au long de son cycle de vie, notamment l’entraînement des systèmes d’IA, le développement de modèles d’IA et le déploiement de systèmes intelligents.

Voici une liste d’outils qui peuvent vous aider à appliquer les pratiques d’éthique de l’IA :

Outils de gouvernance de l’IA

Les outils de gouvernance de l’IA garantissent que les applications d’IA sont développées et déployées conformément aux principes éthiques. Ces outils aident les organisations à surveiller et à contrôler les programmes d’IA tout au long du cycle de vie de l’IA, à traiter les risques liés aux résultats contraires à l’éthique et à soutenir une IA digne de confiance.

En mettant en œuvre des pratiques complètes de gouvernance de l’IA, les entreprises peuvent mieux gérer les risques potentiels et atteindre la conformité en matière d’IA auprès des organismes de réglementation.

LLMOps

À mesure que les technologies d’IA deviennent plus sophistiquées, le besoin d’outils spécialisés pour superviser et déployer ces modèles s’est accru.

Dans ce contexte, les outils LLMOps, pratiques opérationnelles utilisées pour gérer les grands modèles de langage, jouent un rôle clé dans le soutien à une utilisation éthique des grands modèles de langage en aidant à garantir qu’ils ne perpétuent pas les inégalités existantes ni ne contribuent à des problèmes tels que les deepfakes.

MLOps

Les outils MLOps (Machine Learning Operations) impliquent l’intégration de modèles d’IA en production tout en garantissant l’alignement avec les normes éthiques.

Cette pratique met l’accent sur la supervision humaine des systèmes autonomes, en particulier dans des domaines critiques tels que les soins de santé et la justice pénale.

Gouvernance des données

La gouvernance des données est essentielle pour une utilisation éthique de l’IA, impliquant une gestion responsable des données qui entraîne les systèmes d’IA.

Une gouvernance efficace des données garantit la protection des données et prend en compte les implications sociales de l’utilisation des données, soutenant les considérations éthiques tout au long du cycle de vie de l’IA. Cela est particulièrement important alors que les grandes entreprises technologiques façonnent l’avenir des technologies d’IA.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Dilemmes éthiques de l'IA avec des exemples concrets}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/ai-ethics}},
  note   = {AIMultiple. Consulté le 11 Mars 2026}
}

Journal des modifications

12 mises à jour

1. 202611 Mar

   Ajouté les litiges de gouvernance de l'IA sur les armes autonomes à la section Misuses of AI.

2. 27 Jan

   Un exemple concret a été ajouté à la section Armes autonomes.

3. 23 Jan

   Suppression de la section « Préoccupations éthiques spécifiques à l'IA générative ».

4. 202515 Déc

   Suppression de la section « Qu'est-ce que l'éthique de l'IA ? » de l'introduction.

5. 13 Nov

   Toute la section « Fondements et définitions de l'éthique de l'IA » a été remplacée par un nouveau contenu.

6. 9 Sep

   Remplacement de la section « Dilemmes éthiques de l'IA avec des exemples concrets » par « Fondements et définitions de l'éthique de l'IA ».

7. 22 Mar

   Une figure a été ajoutée à la section « Considérer les politiques et les meilleures pratiques de l'UNESCO ».

8. 202426 Nov

   Un exemple concret a été ajouté à la section sur les biais algorithmiques.

9. 23 Août

   Ajout d'une définition de l'éthique de l'IA à la section « Qu'est-ce que l'éthique de l'IA ? ».

10. 20237 Sep

    Ajout de cadres d'éthique de l'IA à la section Alignement.

11. 22 Fév

    Ajout d'une section sur les préoccupations éthiques spécifiques à l'IA générative.

12. 202226 Déc

    La section « Algorithmes d'IA biaisés » a été enrichie d'une approche centrée sur les données pour le développement de l'IA.

Liens de référence

1.

https://arxiv.org/pdf/2405.04412

2.

How Responsible AI can improve business and preserve value | PwC

3.

Uber's self-driving operator charged over fatal crash

BBC News

4.

The Use of Autonomous Weapons in the Ukraine Conflict:Assessing Compliance with IHL Principles by Mahmood Khalid :: SSRN

5.

Lethal Autonomous Weapon Systems | United Nations Office for Disarmament Affairs

6.

Statement from Dario Amodei on our discussions with the Department of War \ Anthropic

7.

The Global Expansion of AI Surveillance | Carnegie Endowment for International Peace

8.

Facial recognition technology: The need for public regulation and corporate responsibility - Microsoft On the Issues

Microsoft

9.

IBM will no longer offer, develop, or research facial recognition technology | The Verge

The Verge

10.

FTC Imposes $5 Billion Penalty and Sweeping New Privacy Restrictions on Facebook | Federal Trade Commission

11.

News Media Credibility Rating Falls to a New Low

Morning Consult

12.

EU investigates Elon Musk's X over Grok AI sexual deepfakes

BBC News

13.

Three Laws of Robotics - Wikipedia

Contributors to Wikimedia projects

14.

AI Ethics - Institute for Ethics in Artificial Intelligence

15.

https://unesdoc.unesco.org/ark:/48223/pf0000385082.page=12

16.

Built to benefit everyone | OpenAI

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, couvrant les modèles d’IA, l’infrastructure d’IA, la gouvernance de l’IA et les applications d’IA d’entreprise. Ses recherches portent principalement sur l’utilisation de l’IA dans le marketing, la santé, les chaînes d’approvisionnement et le développement durable.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d’un master en psychologie sociale et d’une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire