Le nez de l’actualité développé par l’IA ?

L’IA s’améliore pour rédiger des articles de presse, mais ne progresse pas beaucoup pour identifier les articles de presse.

Opinion Il y a cinq ans, lorsque j’ai dernièrement examiné la capacité de l’IA à trouver une histoire d’actualité chaude, le paysage a considérablement changé, avec des niveaux accrus d’automatisation basée sur l’IA accompagnés des inévitables douleurs de croissance et controverses.

Récemment, un rapport du WSJ sur un contributeur prolifique de Fortune aidé par l’IA a présenté le journaliste du futur comme émancipé des tâches telles que la translittération des communiqués de presse, lui laissant la possibilité d’écrire des articles de fond et de faire des recherches que seules les grandes publications ont généralement le budget pour financer.

Mais ce dont on parle beaucoup moins souvent, c’est de la capacité de l’IA à reconnaître une histoire d’actualité.

Atténuation du bruit

Dans l’article de 2021, j’ai concentré mon attention sur les rédacteurs qui couvrent les recherches, puisque c’est là que je passe la majeure partie de mon temps; et peut-être que le plus grand effet que la nouvelle révolution de l’IA a eu sur cela est qu’elle a créé une tempête de neige de soumissions de rapports de recherche alimentées par l’IA, augmentant ainsi le rapport signal/bruit à un niveau tel que même la couverture complète des domaines liés à l’IA sur Arxiv est maintenant au-delà des capacités d’une seule personne.

C’est sûrement là que l’IA excelle – en itérant à travers d’immenses tranches de données que les humains ne peuvent résoudre, pour trouver des « anomalies » (que nous aborderons plus tard) en quelques secondes, ce qui prendrait des jours aux humains, s’ils pouvaient le faire du tout.

Pourquoi, alors, l’IA est-elle toujours si mauvaise pour identifier une histoire d’actualité chaude parmi les milliers, voire les dizaines de milliers, de prétendants quotidiens?

IA à reculons

Cette prolifération massive de contenu généré par l’IA se produit bien au-delà du secteur académique que j’ai discuté précédemment. Fin dernière année, il a été estimé que la moitié de tous les nouveaux écrits sur le web est maintenant « écrite par l’IA », avec une accélération encore plus grande de cette tendance présumée être en route. Par conséquent, le bruit est assourdissant partout, et pas seulement dans le monde académique.

Bien qu’il y ait eu quelques progrès dans l’identification algorithmique d’une « histoire chaude » au cours des dernières années, ces systèmes tendent à se concentrer sur des flux de données stratifiés et organisés de manière prévisible, ce qui signifie qu’ils ne peuvent fonctionner que dans un contexte plutôt fragile.

À cet égard, le chercheur postdoctoral de Stanford et ancien journaliste du New York Times Alexander Spangher a fait plusieurs incursions dans la définition de la « nouvelleurabilité » en termes applicables aux processus d’apprentissage automatique et à l’analyse statistique; et a produit des preuves de génération automatisée de leads dans des corpus tels que les dépôts de cour, les projets de loi d’État et les réunions du conseil municipal, ainsi que des documents publics généraux – le type de sortie basée sur un schéma que le scribe alimenté par l’IA de Fortune peut transformer en 6-7 pièces d’actualité par jour:

La « chaleur » des distributions de mots tirées de corpus de documents publics. Dans ce cas, on peut voir que « autoriser » a un score élevé, peut-être parce qu’il représente la décision, le changement et la nouveauté. Source

Cependant, le problème avec les approches telles que l’offre de 2023 menée par Spangher Tracking the Newsworthiness of Public Documents, est qu’elles se concentrent sur les tendances observées dans les données. En d’autres termes, elles observent les choses qui ont fait de bonnes nouvelles auparavant, et vont ensuite rechercher plus de la même chose.

Dans le monde réel, les sources inattendues se révèlent presque toujours être un « coup de chance »; et pour leur obscurité, personne n’aurait pu prédire leur soudaine importance. Ensuite, ayant été fructueux une fois, et malgré des tentatives occasionnelles pour capitaliser sur la gloire ou la notoriété éphémère, ils ne produiront généralement jamais rien d’utile à nouveau.

Signe des temps

Par conséquent, puisque la surveillance de ce type de source d’actualité « une fois pour toutes » va généralement ajouter plus de bruit à la tempête générale, l’IA ne pourrait-elle pas identifier les signifiants d’une source qui deviendra un jour fructueuse? Si l’on pouvait découvrir quel type de source pourrait éventuellement produire des actualités, on pourrait se concentrer sur ses caractéristiques plutôt que sur son contexte ou ses méthodes.

En suivant cette logique, on pourrait déduire des révélations d’Edward Snowden dans les années 2010 que quiconque ayant récemment quitté l’emploi de la CIA (ou une organisation similaire) serait digne d’être suivi en tant que source potentielle d’une future exclusivité.

Cependant, il n’y a pas de flux RSS ou d’API susceptibles de pouvoir automatiser ce type de surveillance continue, car LinkedIn et de nombreuses autres sources de données ouvertes retournent en arrière face aux scrappeurs Web rapaces et délinquants de l’IA. Même s’il y en avait, la fréquence serait un problème, car on ne peut pas interroger une API ou un site toutes les cinq secondes; outre le coût des ressources, les réponses d’interdiction d’IP des plates-formes rendraient cette activité non viable.

De plus, il y a clairement une « dimension humaine » à ces divulgations qui est difficile à automatiser.

La collecte d’actualités avec une touche personnelle: capture d’une sortie de disque du film d’Alan J. Pakula de 1976 « Tous les hommes du président », mettant en scène l’informateur sortant de l’ombre. Source

Aussi, dans le monde réel, il est extrêmement difficile d’identifier les caractéristiques définissantes d’une future source d’actualité. Ce n’est probablement pas « les personnes qui ont récemment quitté la CIA », et ce n’est certainement pas défini par un protocole: les plates-formes telles que X ou GitHub produisent trop de signal en elles-mêmes, et même en se concentrant sur des termes de recherche ou des catégories de publication, cela ne fait pas grande différence – seulement si vous êtes impliqué dans le problème et engagé dans la communauté (ou le dépôt, etc.) êtes-vous vraiment susceptible de reconnaître l’importance d’un développement.

Même un terme tel que « alerte de sécurité » ne peut pas contextualiser la véritable gravité ou la nouvelleurabilité d’un incident, puisque des références de ce type sont jetées quotidiennement, par milliers, dans ces communautés – et n’ont aucune valeur d’actualité générale; et même si l’on restreint ce type de surveillance à la langue anglaise seule, les variations potentielles d’idiome, ainsi que l’utilisation de langage oblique, rendraient très difficile l’interprétation d’un message « dans la nature » en une véritable alerte d’actualité.

Le chemin étroit

Les systèmes actuels de détection de nouvelleurabilité alimentés par l’IA dépendent de structures de données formalisées (telles que la sortie JSON d’une API), ou de structures de données informelles que les algorithmes développés par l’IA ont une chance de parser en un schéma structuré (telles que les communiqués de presse d’une organisation particulière):

Un flux RSS/XML analysé, révélant la hiérarchie rigide des conteneurs de données. Source

Il est clair que les approches de ce type sont bien adaptées pour la sortie programmatique, telle que le travail fastidieux que le journaliste de Fortune mentionné déclare que l’IA l’a libéré, y compris la météo, les actions, les scores de sport, ainsi que les communiqués de presse de routine des organisations gouvernementales municipales et autres.

Alors que il est possible d’attacher des déclencheurs d’alerte humaine à des flux statistiques tels que la météo (tempêtes soudaines), les actions (chutes soudaines) et les sports (victoires ou défaites inattendues, avec un peu de travail préparatoire), à nouveau, l’attention humaine serait toujours nécessaire même pour les sorties gouvernementales stratifiées, afin de jauger la nouvelleurabilité.

Bien que des termes tels que « mort », « maladie inattendue », « fuite » et « accident » puissent tous aider à affiner les événements newsworthies, ils ne s’attaquent qu’aux eventualités « routinières », et ne peuvent pas non plus tenir compte du langage alternatif (ou des langues).

Le retour des écrivains élite?

Ces dernières années, le journalisme de données est devenu un plan montant dans la couverture de l’actualité, avec des départements éditoriaux qui ne sont plus limités aux accords de « scoop » avec des rapports et des documents blancs spéciaux des grands éditeurs; ils peuvent désormais analyser les chiffres eux-mêmes.

Cependant, ce n’est pas un repas gratuit; à mesure que la valeur évidente de l’analyse des données publiques avec l’IA de cette manière a augmenté, une réponse de blocage de l’IA/une demande anticipée a suivi – ou même anticipé – la demande, poussant les grands acteurs de l’IA dans des tactiques furtives.

L’ajout de friction de la nouvelle rétention restitue probablement une certaine quantité de pouvoir des « journalistes citoyens » aux médias traditionnels – ou du moins, aux organisations de presse bien financées qui ont la bande passante pour absorber le travail manuel supplémentaire requis pour la collecte, l’affinement et l’évaluation des données, à une époque où les éditeurs et les domaines restreignent de plus en plus l’accès occasionnel.

Ainsi, d’une certaine manière, peut-être dans l’esprit du temps, la manifestation pratique de l’IA dans le journalisme, en termes de la façon dont les grands acteurs et les marchés ont répondu à l’innovation et à l’adoption basées sur l’IA, pourrait en fait nous ramener en arrière dans le temps: dé-démocratiser les moyens de production d’actualités, et ajouter des obstacles à des systèmes d’évaluation de la nouvelleurabilité basés sur les données et dotés de sens.

Instincts communs

Ces contraintes nous ramènent clairement à « l’instinct » comme composant inévitable dans l’évaluation de la nouvelleurabilité d’une histoire.

Naturellement, c’est rassurant pour ceux qui sont engagés professionnellement dans cet aspect; mais la complaisance serait une erreur, puisque cet instinct peut, dans une certaine mesure, être distillé et opérationnalisé de manière très générale qui ne dépend pas de l’étude des obsessions ou des hobbies d’une personne ou d’une organisation en particulier: dans une étude de 2022, des chercheurs de l’Université Northwestern ont utilisé des évaluations de crowdsourcing d’histoires potentiellement newsworthies pour former un modèle prédictif, spécifiquement concerné par la nouvelleurabilité des recherches scientifiques publiées sur Arxiv:

Questions de sondage posées aux participants pour obtenir des données d’entraînement pour un modèle d’IA de « prédiction de nouvelleurabilité ». Source

Le système classe les candidats de manière assez bonne, avec environ 80 % de ses premiers choix également jugés newsworthies par les experts. Cependant, l’accord avec les experts s’est avéré modéré, avec des résultats manquant des facteurs tels que le cadrage ou l’adaptation au public.

Le système est basé sur les principes énoncés dans le document de 2020 Computational News Discovery: Towards Design Considerations for Editorial Orientation Algorithms in Journalism. Comme la plupart des projets similaires, ce travail s’attaque au journalisme scientifique plutôt qu’à la collecte d’actualités abstraites – peut-être parce que la littérature scientifique tend vers une sortie templatisée qui pourrait potentiellement être analysée en points de données formables et interprétables.

Eh bien, comme je l’ai observé en 2021, ce serait le cas, sauf que les scientifiques de la recherche abusent fréquemment des conventions de soumission de rapports de recherche pour cacher ou minimiser des résultats peu impressionnants, ou même des échecs directs.

Un défi encore plus important est la grande difficulté que les systèmes d’IA ont à interpréter les figures et les tableaux dans les documents scientifiques, au point où cette poursuite est récemment devenue un fil actif dans la littérature:

À partir du document « SciFigDetect: un référentiel pour la détection de figures scientifiques générées par l’IA », montrant des figures scientifiques réelles, leurs invites de génération et leurs homologues synthétiques produits par Nano Banana et GPT dans trois catégories: illustration, vue d’ensemble et figures expérimentales. Source

Il est souvent le cas qu’un graphique ou un tableau contiendra des résultats qui le corps principal du document rapportera avec un biais sélectif, ou qu’il ignorera purement et simplement les conséquences négatives implicites dans les résultats du graphique/tableau. Par conséquent, ce blocage dans le journalisme scientifique alimenté par l’IA n’est pas mineur.

Plus significativement, le fait qu’un document soit dérivé, ou ne soit qu’une avance mineure (si tout) sur l’état de l’art, est souvent enterré dans une citation presque impenetrable (c’est-à-dire que vous devriez rechercher le terme, localiser une copie PDF lisible et comprendre l’étendue de l’art antérieur avant de comprendre le manque d’originalité ou de nouveauté dans le nouveau travail).

Seul à nouveau, naturellement

La méthode de crowdsourcing décrite ci-dessus suggère un certain accord entre le consensus commun sur les histoires d’actualité potentielles et l’évaluation professionnelle des mêmes. Mais sans contexte, seuls les traits les plus larges de la nouvelleurabilité peuvent apparemment être déterminés.

La force de l’IA réside dans sa capacité, selon la configuration, à isoler les anomalies – soit pour les écarter comme une exception à la courbe et sans signification dans un ensemble de données, soit (plus pertinent pour la collecte d’actualités) pour identifier des instances et des événements précieux et inhabituels:

Anomalies (en rouge) dans un graphique de dispersion. Source

Sur le principe que la foudre ne frappe jamais deux fois, presque toutes les histoires d’actualité à succès sont des anomalies. Dans les cas où elles proviennent d’un domaine actif et volatile, tel qu’une guerre en cours, ce domaine peut être scanné avec vigilance avec une grande probabilité d’histoires d’actualité émergentes – mais au coût d’une concurrence massive, car l’attention commune est susceptible d’être également concentrée sur le domaine.

De nombreuses pistes d’actualité scientifique sont, par définition, non au centre de la distribution du langage. Ce sont des combinaisons rares de méthodes, des résultats négatifs surprenants ou des réplications anormales. Si la compétence du modèle se dégrade de manière disproportionnée sur de tels regroupements à faible fréquence, alors la région où un « nez » éditorial doit être aiguisé devient la région où le modèle est le moins fiable.

Problèmes de confiance

Lors de la recherche de nouvelles histoires, les journalistes équilibrent plusieurs contraintes, y compris le temps, l’accès, la crédibilité, le public et les priorités organisationnelles), conduisant à des choix non évidents. Une revue de littérature de 2022 du Danemark a caractérisé les journalistes comme équilibrant plusieurs préoccupations, conscient qu les sources peuvent avoir des agendas ou être mal informées; et passant souvent les vérifications directes pour des signaux de confiance indirects lorsqu’ils travaillent sous pression.

Ces mêmes « problèmes de confiance » seraient un obstacle de développement dans tout système d’identification de nouvelleurabilité basé sur l’IA, puisque l’engagement avec une telle plate-forme nécessite que l’utilisateur fasse confiance au fait que les articles rejetés par l’algorithme ne sont effectivement pas dignes de l’attention de l’écrivain.

Des tests bêta étendus et une rééducation ou un affinement, avec une surveillance humaine ramassant les égarés et les traînards, pourraient éventuellement améliorer la fiabilité d’une telle approche; mais un changement dans la culture nationale ou mondiale – tel qu’un changement soudain dans le paysage politique, ou le déclenchement d’une guerre – pourrait inévitablement renverser toutes les priorités de base d’un tel système soigneusement calibré, laissant l’écrivain dépendant de l’IA rebâtir son « modèle de domaine interne » nécessaire presque à partir de zéro.

Publié pour la première fois le lundi 20 avril 2026.
Modifié le jeudi 23 avril 2026 14h13min25, pour substituer « Fortune » à « WSJ » dans « Le chemin étroit », paragraphe 2 (merci à Mark Riley de mathison.ai de l’avoir signalé).