Introduction
Saisir les données en contexte
p. 13-32
Texte intégral
1« Ces algorithmes qui nous gouvernent », telle est la couverture du Courrier international, publié le 24 septembre 2015. Quatre ans plus tard, c’est au tour du quotidien Le Monde de donner la parole à Hugues Bersini, directeur de l’Institut de recherches interdisciplinaires et de développements en intelligence artificielle de l’Université libre de Bruxelles et chercheur en informatique : « Il est grand temps de reprendre la main sur les algorithmes qui nous gouvernent ». La question du supposé pouvoir des données et de son corollaire, celui des algorithmes, est récurrente dans les médias depuis bientôt dix ans. Mais peut-on réellement attribuer à une séquence de commandes que sont les algorithmes, un pouvoir ou une influence sur les prises de décision ? Ces dossiers dans la presse restent très souvent dans une vision de surface, avec des propos trop généralistes qui rendent la portée critique peu satisfaisante. Le parti pris de notre ouvrage est justement de nourrir cette approche critique et de densifier le poids social et politique des données à l’appui de recherches empiriques poussées.
2Ce regard de politiste n’est pas celui que l’on trouve actuellement dans les rayons de librairie au sujet du pouvoir des données. Plusieurs ouvrages grand public, écrit par des journalistes, sont devenus des best-sellers – il faut croire que les fantasmes autour des big data font vendre ! On peut penser à celui de Christopher Steiner, journaliste et ingénieur américain, publié en 2012 et intitulé Automate this. How Algorithms Came to Rule our World1. Il illustre son propos avec la société Music Xray qui s’appuie sur des algorithmes pour décider de commercialiser ou non telle ou telle création musicale. L’algorithme a ainsi appris à reconnaître les rythmes et séquences à succès et écarte les propositions qui n’y ressemblent pas, d’où la critique d’une certaine standardisation des créations musicales. En France, la même année, Cédric Biagini publie un essai très critique envers les effets néfastes des technologies numériques, au sous-titre explicite : Comment Internet et les nouvelles technologies ont colonisé nos vies2. Un an plus tard, est publié Réseaux sociaux & Cie. Le commerce des données personnelles, chez Actes Sud qui dénonce une marchandisation des données personnelles et appelle les acteurs politiques à prendre « des mesures urgentes » pour protéger cette « mine d’or »3. En 2019, c’est au tour de Cédric Sauviat et Marie David, ingénieurs diplômés de l’École polytechnique et militants dans des associations européennes sur les conséquences négatives des outils de big data, d’appeler le citoyen à une prise de conscience de cette « nouvelle barbarie »4 que serait, selon eux, l’intelligence artificielle. Dans cette même tonalité militante et s’adressant au grand public, au Québec, Pierre Henrichon, président fondateur d’Attac-Québec, a publié un ouvrage en 2020, intitulé Big data : faut-il avoir peur de son nombre. Il y dénonce le pouvoir de l’économie numérique qui « carbure aux algorithmes et aux mégadonnées » : « ces logiques numériques capitalistiques [qui] participent à l’amenuisement, voire à la suppression de l’espace politique »5. Ces ouvrages très critiques envers le développement de l’intelligence artificielle ou des outils numériques dont le fonctionnement repose sur l’usage et l’exploitation des données massives sont souvent rédigés par des journalistes, d’anciens ingénieurs en informatique ou des militants du logiciel libre ou de la protection des données personnelles.
3Un autre profil d’auteurs de ces essais destinés au grand public est à noter : les juristes. On peut citer par exemple les essais publiés chez l’Harmattan de Thierry Charles, docteur en droit : Fahrenheit 4.0 en 2016 et Ainsi parlait le big data en 2018. Dans ce dernier ouvrage, il soutient la thèse de « l’algorithmisation du monde » et se demande si le big data ne serait pas « une arme de destruction massive »6 pour nos sociétés. D’autres juristes s’intéressent plus particulièrement à leur domaine de compétence, c’est-à-dire la protection des données, les droits d’auteur ou encore le rôle de l’État dans ces mécanismes de régulation. C’est le cas par exemple de l’ouvrage d’Olivier Iteanu, avocat et vice-président de Cloud Confidence, qui s’interroge sur la mise à mal du droit européen et français concernant le digital par les fameuses GAFAM (Google, Apple, Facebook, Amazon, Microsoft)7. Adrien Basdevant et Jean-Pierre Mignard, tous deux avocats au Barreau de Paris, cherchent dans leur ouvrage L’empire des données, à expliciter pourquoi tant de données sont récoltées chaque année et de manière exponentielle et proposent alors des « clefs pour protéger l’individu et la collectivité des avancées technologiques »8.
4Enfin, une autre catégorie d’ouvrages que l’on trouve facilement en librairie peut être mentionnée ici : les manuels sur les big data, souvent rédigés par des professionnels du secteur. C’est le cas par exemple de Data Power qui a pour sous-titre Comprenez et exploitez la valeur de la donnée, rédigé par des experts en exploitation de la data (des data-scientist9, statisticiens, entrepreneurs dans l’univers du conseil au start up10). Cet ouvrage se dit être un « guide de mise en œuvre pour faire les premiers pas » et « utiliser la data dans votre business »11. Il est explicitement destiné aux entrepreneurs et aux dirigeants de collectivités12. C’est le cas aussi de l’ouvrage Enjeux et usages du big data qui s’adresse « aux dirigeants d’entreprises, aux managers opérationnels et aux professionnels des systèmes d’information » afin d’aider les entreprises à pénétrer dans « l’ère de l’information à grande échelle »13.
5Voici donc le paysage offert par les rayons de librairie concernant le thème des données massives et du pouvoir des algorithmes : des ouvrages très critiques rédigés par des journalistes ; des jurisprudences et des kits citoyens pour favoriser la protection des données personnelles rédigées par des juristes et enfin des manuels proposés par des experts des big data visant à guider les professionnels dans la collecte et l’usage des données.
6Les ouvrages académiques reposant sur un travail empirique sur ce thème en France sont beaucoup moins mis en avant médiatiquement, mais il en existe pourtant plusieurs qui sont très éclairants pour saisir les enjeux des big data dans des domaines de spécialité, tels que la ville intelligente ou smart city14, le digital labour15, l’économie numérique16, la géopolitique des données17. Nous pouvons aussi mentionner quelques ouvrages plus généralistes visant à définir la notion de big data et ses contours18, ainsi que sur les enjeux politiques des algorithmes19 qui réalisent un état des lieux de la littérature et des travaux de recherche, notamment américains. Les numéros de revue académiques consacrés aux données massives en sciences sociales, que ce soit concernant les renouveaux et questionnements éthiques de la méthode scientifique ou au sujet des effets des big data sur certaines activités et comportements sociaux, sont de plus en plus nombreux20, mais restent dans un entre-soi académique.
7L’ambition de cet ouvrage collectif est de proposer un regard de politiste sur les big data. Le parti pris est clair : développer une sociologie politique des données. Cet ouvrage vient nourrir la littérature à travers l’apport d’enquêtes empiriques poussées et inédites qui s’appuient notamment sur des travaux de thèse et d’ANR (Agence nationale de la recherche). Il permet alors de rendre compte des travaux actuels de chercheurs en sciences sociales sur ce couple : données massives et gouvernance. Le format du collectif est un atout pour analyser des domaines variés tels que la recherche scientifique, les politiques publiques, la gestion des collectivités territoriales, la propagande électorale, l’information en ligne ou encore la régulation de la circulation routière. La diversité des cas d’étude permet de saisir comment les données massives participent aux modes de gouvernance, qu’ils soient étatiques, marchands ou scientifiques. Au-delà d’un état des lieux, le fil conducteur de cet ouvrage est bien de proposer d’ancrer l’étude du numérique, et notamment des données, dans une démarche critique et méthodologique spécifique, celle de la science politique et plus généralement des sciences humaines et sociales. Il s’agit alors de déconstruire les prénotions et fantasmes – forts nombreux dans le domaine des big data – à l’appui d’enquêtes empiriques au plus près des acteurs de terrain, que ce soit ceux qui créent, vendent, utilisent, laissent ou protègent les données. Les contributions cherchent toutes à saisir les données en contexte, c’est-à-dire à rendre compte de l’épaisseur sociale des données. L’objectif transversal des différentes contributions est d’inscrire socialement et politiquement la donnée dans l’ensemble des réseaux qui l’ont fait naître et se développer, puis dans les relations qu’elle va organiser et reconfigurer. Dans cet ouvrage, l’enquête par entretiens et observations est privilégiée afin de porter le regard sur les acteurs : ceux qui conçoivent, créent, vendent, promeuvent, utilisent et détournent les algorithmes. Derrière les algorithmes en effet, il y a bien des humains qui inscrivent une intention de départ, des objectifs dans leur conception. Il y a aussi des acteurs qui vendent ces algorithmes (qui ne sont souvent pas les mêmes que ceux qui les produisent) et cherchent à convaincre de leur efficacité et de leur valeur ajoutée. Il y a les acteurs qui les utilisent et enfin, au bout de cette chaîne, ceux qui cherchent à légiférer sur ces algorithmes ou à travailler à la protection de nos données personnelles. On le voit bien, tout un nouveau marché de la donnée s’est mis en place ces dernières années, allant de la conception des algorithmes à la protection des données personnelles.
8Cet ouvrage vise ainsi à interroger le poids et l’usage des données dans les manières de gouverner. La donnée, en ligne ou hors ligne, devient une ressource clef de la gouvernance et représente à ce titre un enjeu politique fort. Le travail sur les données a toujours existé, mais ce qui change c’est leur massification – retranscrite par le terme big data –, rendue possible par le numérique. La donnée ne serait plus uniquement utilisée pour quantifier la société et l’observer, comme cela était le cas avec les statistiques ou les sondages, mais aussi pour la conduire.
9Avant d’entrer dans le cœur des enquêtes empiriques, nous avons souhaité définir certaines prénotions, car le vocabulaire des big data s’apparente à une nébuleuse qu’il convient de circonscrire. Pour déconstruire certains fantasmes, il s’agit aussi de revenir sur les présupposés qui ont marqué la littérature depuis le début des années 1990 afin de s’en démarquer. Dans cette introduction, sera aussi présentée l’articulation entre les chapitres de cet ouvrage afin d’en saisir le fil conducteur : proposer une sociologie politique des données et des algorithmes, en les analysant en contexte, comme des objets sociaux, entremêlés dans des pratiques et retranscrivant des visions du monde.
Déconstruire les mythes autour du « pouvoir » des données
10Avant de s’enrichir des analyses empiriques des différentes contributions de cet ouvrage, il s’agit de laisser de côté certaines prénotions ou fantasmes qui entourent le numérique, telle que l’hypothèse de la neutralité des données. Comme l’avaient déjà montré Pierre Lascoumes et Patrick Le Galès dans le cas des instruments de l’action publique, les algorithmes ne sont pas des dispositifs neutres. Ils produisent des effets spécifiques indépendants des objectifs poursuivis et retranscrivent une certaine vision de la société portée par leur concepteur, mais aussi par le comportement des internautes eux-mêmes, puisqu’ils se nourrissent de ces nouvelles données pour évoluer et adapter leur logique interne. L’algorithme apprend des données et évolue en fonction de celles-ci, avec la technologie d’apprentissage du machine learning21. Il ne s’agit pas non plus de se concentrer uniquement sur l’objet, mais bien d’étudier ses pratiques en contexte22. C’est l’apport de cet ouvrage, qui explore différents domaines d’activité pour saisir comment l’algorithme est mis en place par ses concepteurs et utilisé par des acteurs, pris dans des écosystèmes professionnels variés et des manières de faire habituelles qui résistent au changement de la supposée gouvernementabilité algorithmique. Cette approche permet de défétichiser l’algorithme et d’éclairer autrement son fonctionnement au regard des croyances qui l’entourent, de ses usages au concret et des luttes de pouvoir extérieures à l’outil lui-même mais qui ont des effets sur ses applications. La force des sciences sociales est bel et bien leur portée critique, au sens où l’analyse empirique permet de déconstruire des savoirs immédiats, des prénotions et des fantasmes.
Et du côté des big data, les mythes et croyances, renforcés par ceux qui les vendent, sont nombreux.
Un besoin de définitions de prénotions
11Une des règles de la méthode sociologique est de savoir se détacher des catégories que les enquêtés mobilisent pour les déconstruire. Il peut être alors étonnant, dans cet ouvrage, de trouver la reprise (volontaire) d’une profusion de termes, utilisés par les enquêtés eux-mêmes, dans le corps du texte (bien qu’entre guillemets ou en italique). L’emploi de ces termes donne à voir l’imprégnation des milieux étudiés avec celui de la communication numérique et des technologies. Des expressions telles que big data, open data, fast data, appartiennent au vocabulaire quotidien des professionnels des agences qui travaillent à la collecte, gestion et analyse des données. Les acteurs politiques et les journalistes se sont approprié ce vocable et le mettent en avant pour accroître le sentiment de nouveauté et de modernisation induite par l’usage de ces outils. Bien souvent d’origine anglophone, ces termes soulignent l’influence nord-américaine de la gouvernance par les données massives.
12Le terme de big data est ainsi entré dans le langage courant et est souvent préféré, même par le grand public, que sa traduction par « données massives » ou la recommandation du Journal officiel de « méga-données ». Le terme est souvent attribué à l’économiste américain Francis Diebold qui l’a mis en avant dans l’intitulé de son article publié en 2003 : « “Big data” dynamic dactor models for macroeconomic measurement and forecasting »23. Il est possible aussi de voir apparaître ce terme dans le corps du texte de l’article d’un collectif d’auteurs américains dès 1999 afin de désigner la quantité massive de données circulant en ligne24. Il n’existe pourtant pas encore de définition consensuelle employée par tous les chercheurs en sciences sociales du terme big data. De manière générale, on peut considérer que les big data correspondent à une masse de données qui ne peut plus être gérée par des capacités humaines ou informatiques basiques et doit faire appel à des outils sophistiqués pour son traitement. Dans beaucoup d’articles, la définition des « 3V »25 est citée : Volume, Variété et Vélocité. Le premier « V » fait référence à la masse de données ; le second considère que les données sont hétérogènes et multiples dans leurs formats (valeurs chiffrées ou codées, images, écrits, vidéos, etc.) et le dernier « V » indique que la captation est continue et immédiate comme dans l’enregistrement automatique des logs d’activité d’un service en ligne. Mais cette définition est fortement contestée : c’est le cas d’ailleurs de Pierre Delors dans les premières pages du « Que sais-je ? » consacré au big data qui parle de « slogan des 3V » et d’un « manque de définition sérieuse »26. Certains auteurs ont cherché à préciser cette définition en lui ajoutant un quatrième « V », celui de « Véracité », voire un cinquième, celui de « Valeur » et d’autres caractéristiques, telles que le caractère relationnel des données27. Dans sa revue de littérature américaine sur les big data, Hamid Ekbia identifie plusieurs volets de définition : d’abord sur le volume des données, puis sur les processus impliqués, autrement dit, la capacité à analyser les données centrées sur les perspectives (process-oriented perspective) ou sur les avantages que représentent les big data par rapport aux capacités humaines et enfin sur les effets sociaux28. Les définitions les plus récentes relient données et algorithmes car la « valeur » des données dépend des objectifs de traitement et d’analyse. Le big data est alors « un concept qui reste à définir en fonction de sa finalité »29.
13La masse des données disponibles s’accroît très rapidement depuis le début des années 2000. Déjà en 1976, le stockage des données sur format numérique était devenu plus opérationnel et rentable que sur support papier30. Le début des années 1990 marque l’augmentation du rythme et du volume du flux de données qui ne peut plus être répertorié manuellement par l’humain. En 2011, la commission fédérale des big data de l’association Tech America note que cette année-là « 1,8 zettaoctet d’informations ont été créés » et selon leur estimation « ce montant devrait doubler tous les ans »31. McKinsey parle alors de « torrent grandissant de données » pour illustrer ce flux massif et exponentiel. En 2013, l’International Data Corporation (IDC) comptabilise une masse d’informations stockées dans ce qu’elle nomme « l’univers numérique » d’environ 4,4 zettaoctets32. Pour mieux se rendre compte de cette masse de données, Dominique Cardon donne une échelle par seconde de la création de données numériques en 2019 : « chaque seconde, 29 000 gigaoctets sont publiés dans le monde, soit 2,5 exaoctets par jour. Exa, c’est 10 puissance 18, un milliard de milliards, soit un trillion »33. À cette allure, il est clair que la capacité de stockage des données est plus bornée que le taux de croissance de celles-ci34. C’est en 2007 que la création de données a dépassé la capacité de stockage mondial. Les données sont générées par les internautes eux-mêmes qui laissent des traces en lignes, les entreprises, mais aussi les gouvernements. Avec tous ces gigaoctets, zettaoctets, yottaoctets, il y a de quoi s’y perdre. En somme, il faut retenir que les masses de données créées sont gigantesques et augmentent d’année en année, si bien que la capacité humaine pour les suivre n’est pas suffisante et que l’homme fait appel à des séquences de codes pour les traiter.
14Cette masse de données fait alors appel à son corollaire : l’algorithme – « initialement utilisé par les mathématiciens pour décrire une série de calculs, le terme s’est généralisé pour désigner les tâches automatisées de la programmation informatique »35. Les algorithmes se saisissent des données dites « brutes » pour les analyser, les coupler et fournir des résultats. Ce sont eux qui vont permettre de classer l’information, de personnaliser les contenus, de faire des recommandations d’achats aux internautes, etc. Le terme d’algorithme est désormais connu du grand public et certains d’entre eux sont mis en avant dans les médias, comme ceux des moteurs de recherche36 (PageRank pour Google, doté en 2019 d’une technologie d’intelligence artificielle, nommée BERT, capable de mieux comprendre « l’intention derrière une requête »). Ils visent à classer l’information en fonction du mot clef entré ou des réseaux sociaux qui sélectionnent, pour Facebook par exemple (son algorithme est ici appelé Newsfeed), le contenu affiché dans le « fil d’actualité » de l’usager en fonction de la probabilité qu’il y réagisse.
15La définition de l’algorithme ne peut se passer désormais de celle du machine learning, traduit par « apprentissage automatique » ou par « machine à prédire » afin d’insister sur « la place croissante prise par les décisions algorithmiques engageant des prédictions »37. En effet, la plupart des algorithmes sont aujourd’hui dotés d’intelligence artificielle et arrivent à évoluer sans l’intervention humaine ; si bien que les programmateurs ne savent même plus comment fonctionne leur propre création. Le procédé va ainsi évoluer par entraînement, en s’exerçant sur des modèles à partir des données fournies. Il existe plusieurs méthodes d’apprentissage38 et celle qui rencontre actuellement le plus grand succès est nommée deep learning ou « apprentissage profond ». En repérant des régularités dans ces données, ces dispositifs prétendent pouvoir prédire des comportements et sont fortement utilisés dans des actions préventives. Ces « super-algorithmes » pourraient alors prévenir les zones les plus à risques de criminalité à partir des statistiques issues des dépôts de plainte dans les commissariats39. La prédiction permet ainsi de réduire l’incertitude et d’agir en amont de l’événement dans des domaines variés tels que la police, l’assurance, la gestion des entreprises, la surveillance, la justice, l’attribution de crédits et certaines politiques publiques ; si bien que ses enjeux font l’objet de récents rapports gouvernementaux40.
Un renouveau du « cyber-optimisme » : mettre en place des algorithmes pour une gouvernance plus « neutre » et « objective » ?
16On laisse des traces partout et on en a l’habitude. Avant la démocratisation d’Internet, la récolte de données se faisait de manière plus artisanale, via des questionnaires papier, des formulaires administratifs à compléter, etc. Les nombres ont toujours eu une place importante dans la manière de gouverner : que ce soit pour mesurer la popularité d’une mesure ou d’un gouvernant ou pour faire des choix politiques. Le recours aux statisticiens a ainsi permis de légitimer certaines politiques publiques ou de les évaluer par la suite. Avec la montée en puissance des politiques néolibérales dans les années 1980, les indicateurs statistiques ont encore pris davantage de place dans les prises de décisions41. De nombreuses activités se voient désormais fixer des objectifs chiffrés à atteindre et se trouvent alors classées et évaluées en fonction de ces indicateurs : c’est le cas avec le palmarès des écoles, des hôpitaux, etc. Ces systèmes de notation seraient un moyen de juger de l’efficacité de telle ou telle administration ou entreprise42. On assiste à « la gestionnarisation de la politique »43 ou pour le dire autrement, à la technicisation croissante de l’acte de gouverner. La prolifération d’instruments et de dispositifs techniques visent à « conduire les conduites »44 des gouvernés, encadrer les pratiques et les évaluer.
17Aux statistiques, vient s’ajouter désormais la puissance des calculs algorithmiques qui non seulement évaluent, mais se disent aussi prédictifs. Ils classent, répertorient les informations, aident à la décision politique, travaillent ainsi à la « mise en données » et prédisent les comportements des individus et leurs préférences, plus ou moins précisément, en fonction des données dont ils disposent. Les algorithmes font parler ces « données brutes » et leur confèrent du sens pour les décideurs. Mais dans le même temps, les algorithmes ne peuvent fonctionner de manière efficace sans des données fines et de qualité. Sans cela, les biais algorithmiques sont nombreux et peuvent conduire à des contresens et à des erreurs d’évaluation45. Ainsi, avant même le pouvoir des algorithmes, il y a celui des données. Or, nous l’avons vu, les données sont de plus en plus importantes (des milliards de gigaoctets circulent) et qualifiées.
18Comme toute nouvelle technologie de communication – la radio et la télévision par le passé – Internet a suscité beaucoup d’espoirs et de fantasmes sur les bienfaits que cela pouvait apporter dans le renouvellement des formes de gouvernance et de participation politique : « La radio, la télévision, la vidéo communautaire, les radios libres et les formes balbutiantes de l’Internet (BBS, Listservs, Usenet) ont toutes suscité des espoirs d’une appropriation citoyenne intense permettant l’avènement d’une démocratie forte »46. Cette production d’imaginaires associés aux innovations techniques permet leur diffusion auprès des premiers utilisateurs et contribue à l’incorporation du numérique dans des projets. Autrement dit, « l’imaginaire est un élément constitutif du processus d’innovation »47.
19Mais cet enthousiasme est rapidement retombé avec la thèse d’une reproduction des inégalités vécues hors ligne, en ligne. En effet, l’accumulation d’analyses empiriques produites dès le début des années 1990 aux États-Unis48 et au milieu des années 2000 en France a contrebalancé cette utopie et a largement contribué à déconstruire les imaginaires d’Internet. L’ouvrage de Michael Margolis et David Resnick, au titre significatif, Politics as Usual. The Cyberspace « Revolution »49 a offert, en l’an 2000, une visibilité internationale à cette vision critique. Le clan des « cyber-pessimistes » est alors définitivement formé avec la publication des travaux d’Evgeny Morozov : The Net Desilusion50. Pourtant peu fondée empiriquement, sa thèse du slacktivism51 a suscité de nombreux débats. Pour cet auteur, les pratiques politiques en ligne n’auraient aucune influence sur les décisions politiques et permettraient seulement de laisser penser aux internautes-militants qu’ils contribuent au jeu politique. Il affirme aussi que la montée en puissance des données vient entraver les fondements du politique : si la technologie fournit automatiquement des réponses aux problèmes sociétaux, à quoi sert le champ politique et nos gouvernements ?52
20De nouveau, la possibilité de traiter un volume croissant de données a suscité un nouvel élan « cyber-optimiste », notamment en matière d’efficience économique, avec par exemple un meilleur rendement grâce à la gestion prédictive et l’efficacité du microciblage pour accroître les achats des consommateurs. Le caractère « révolutionnaire »53 des big data a été souligné par de nombreux travaux au début des années 2010, que ce soit pour les sciences sociales54, le monde professionnel55, l’économie56, etc. Avec cette nouvelle « culture algorithmique », il serait possible de prendre des décisions supposées plus neutres ou plus objectives. C’est en tout cas ce que souhaitent mettre en avant ceux qui vendent ces outils. Les pratiques de gouvernement dites « algorithmiques » cherchent ainsi à se légitimer par la mise en avant de l’objectivité. Autrement dit, il serait possible, à partir de données « brutes », d’évacuer la subjectivité propre aux décisions humaines et de faire ainsi des choix qui seraient pensés comme plus « justes ». Dans le domaine des sciences sociales, les chercheurs ont aussi vu arriver ces mégadonnées comme une richesse pour capter et archiver des données empiriques, mais l’usage et la boulimie de conservation de données en ligne, sans avoir vraiment de problématique définie en amont ou sans lien avec les théories sociales57, a rapidement questionné cet apport des big data à la recherche empirique58.
21Dès 2015, c’est à nouveau Evgeny Morozov qui défend la thèse du « cyber-pessimiste » en considérant l’affaiblissement de l’État social au profit de « modèles plus légers, plus rapides, plus cybernétiques » et du « capitalisme financiarisé »59 par la montée en puissance des outils numériques et notamment de l’usage des données massives pour mettre en nombre et soi-disant objectiver les décisions. On l’a vu, les ouvrages grand public publiés récemment soutiennent aussi cette thèse en cherchant, pour la plupart d’entre eux, à alerter les citoyens sur les dangers de la marchandisation des données dans le maintien de leur vie privée ou du danger de déléguer certaines décisions ou opérations à des processus automatisés sans en comprendre le fonctionnement. Antoinette Rouvroy et Thomas Berns affirment que nous serions désormais dans une « nouvelle gouvernementalité algorithmique »60 : l’humain laisse la place aux nombres et aux statistiques, manipulé par des algorithmes qu’il ne comprend et ne maîtrise pas. Le juriste américain Frank Pascale parle alors de la « boîte noire » des algorithmes61. Il est en effet difficile de saisir comment fonctionne un algorithme et comment celui-ci classe, répertorie, filtre les données, d’autant plus qu’il apprend (machine learning) et modifie son modèle au fur et à mesure de son activité. Cette boîte noire est ainsi peu accessible au grand public du fait de la complexité technique. Il y a une demande de plus de transparence, de rendre public un algorithme. Mais que faire du code quand nous ne sommes pas informaticiens ? Les algorithmes sont aujourd’hui des formules mathématiques d’une grande complexité qui font appel à des milliers de variables et utilisent des modèles d’intelligence artificielle générative qui viennent alors reformuler le fonctionnement. Les difficultés techniques sont donc très fortes et la transparence est loin d’être acquise, d’autant plus que s’ajoutent des barrières légales, telles que le secret commercial. Plusieurs travaux récents alertent donc sur la montée en puissance d’une société « dirigée par les données »62 qui reconfigurerait « nos manières de vivre, de travailler, de penser »63, voire d’être gouvernés avec le spectre d’une nouvelle forme de « gouvernementalité »64 du social et le questionnement éthique autour d’une possible surveillance numérique par les données.
Saisir le système algorithmique comme un objet social dans sa conception et ses pratiques
22Nous l’avons vu, l’hypothèse d’une plus grande objectivité par le recours à des données, travaillées par des algorithmes censés être neutres, n’est pas tenable. Les données et leur corollaire, l’algorithme, naissent dans des organisations qui ont leur routines internes et sont pris dans des écosystèmes professionnels variés. La première partie de cet ouvrage vise ainsi à saisir la production des données au sein des organisations et à les replacer dans leur environnement professionnel. Cette analyse contextualisée donne à voir ce que l’organisation et les acteurs qui y travaillent font aux données. Tour à tour dans cette partie, les auteurs mettent en exergue les négociations et luttes de pouvoir au sein des organisations qui les portent. Ainsi, Baptiste Kotras a enquêté auprès de ceux qui essaient de promouvoir en interne, au sein d’une entreprise, les algorithmes prédictifs pour cibler le consommateur et concevoir de nouvelles stratégies marchandes. Ces professionnels sont réunis dans des services de marketing de données et autres Data Labs. Il montre que les professionnels sont contraints de s’adapter aux indicateurs déjà existants pour profiler le consommateur dans des jeux de concurrences internes et souligne ainsi la pluralité des modes de gouvernement du consommateur numérique, et la façon dont les dispositifs variés du marketing de données maintiennent, voire renforcent la séparation entre la gestion des clients actuels et celle des clients potentiels de l’entreprise. La contribution de Baptiste Kotras permet ainsi d’éclairer le lecteur sur ce que sont ces fameux Data Labs qui fleurissent de plus en plus dans les grandes entreprises françaises et internationales. Selon l’auteur, ce sont au moins autant un dispositif de changement organisationnel que de connaissance du consommateur : « le gouvernement des conduites numériques s’ancre ainsi profondément dans des enjeux professionnels et organisationnels trop souvent mis de côté lorsqu’il s’agit de décrire les dispositifs algorithmiques »65. L’approche de Baptiste Kotras permet de proposer un regard processuel puisque son enquête porte sur les professionnels du « Data Lab » d’une grande entreprise française et internationale, créé en 2015. En l’espace de cinq ans, ces nouveaux experts des données ont réussi à se faire une place dans l’entreprise, mais l’unification des savoirs reste encore complexe et laisse entrevoir des tensions à la fois matérielles et épistémiques. Clément Mabi s’intéresse, lui, à d’autres acteurs des données qui cherchent aussi à promouvoir cette nouvelle gouvernementabilité algorithmique, cette fois-ci non pas au sein d’une entreprise, mais au cœur des services de l’État. Son enquête a ainsi porté sur un programme de transformation numérique de l’action publique, nommé « les Entrepreneurs d’intérêt général », qui vise à accueillir des professionnels du numérique (data science, développement, design) pendant dix mois dans l’administration. Leur présence est censée permettre de diffuser de nouvelles méthodes de travail et une culture numérique partagée au sein des services, notamment autour de l’usage des données (open data, open source, montée en compétences sur des sujets techniques). L’enquête proposée contribue à mettre à distance les discours et les croyances autour d’une transformation numérique de l’action publique basée sur une stratégie de l’équipement pour insister sur l’importance d’un changement de culture. Les éléments empiriques montrent combien ce changement est difficile à mettre en place et contribue à diffuser de nouveaux référentiels de valeurs dans l’administration. Faire croire en la puissance et l’efficacité des outils de big data est au cœur des stratégies des acteurs des données. On retrouve cette dynamique dans la contribution de Baptiste Kotras sur les professionnels du Data Lab qui cherchent à convaincre leurs collègues de l’intérêt des algorithmes prédictifs pour une meilleure connaissance et ciblage du consommateur. Ces deux premiers chapitres soulignent que ce sont généralement les acteurs eux-mêmes qui parlent d’innovations, de changements, de nouveautés et d’efficacité. Ils s’appuient sur des fantasmes autour des big data et les alimentent. Le chercheur se doit ainsi d’examiner la dimension rhétorique – voire injonctive – de ces croyances, sans pour autant prendre comme présupposé que le champ sémantique du « nouveau » n’existe pas. Dans cette perspective, il est nécessaire d’« historiciser »66 les études sur le numérique. Autrement dit, il s’agit de penser le changement dans la durée. C’est ce que propose la contribution d’Anne Bellon qui porte le regard sur les professionnels qui ont pour mission de protéger nos données au sein de la Commission nationale de l’informatique et des libertés (CNIL), mise en place en 1978. Elle analyse comment cette activité a évolué depuis la fin des années 1970 et quelles sont les trajectoires de ses membres, actuels ou anciens, aussi bien du Collège que des agents de l’institution, des services techniques à la direction. La protection administrative des données est alors pensée, dans ce chapitre, comme un processus complexe durant lequel collaborent et souvent s’opposent des acteurs variés, contraints d’articuler des expertises et des intérêts distincts. La protection administrative des données reflète donc les rapports de forces qui structurent ce processus social, mais aussi leurs transformations, notamment du fait des évolutions économiques et législatives récentes qui seront étudiées dans la dernière partie de cet ouvrage.
23La deuxième partie de l’ouvrage se focalise davantage sur les enjeux politiques de la gouvernance par les données, que ce soit en campagne électorale pour cibler les électeurs indécis (avec la contribution de André Mondoux et Marc Ménard) et le consommateur (avec l’étude de Thomas Jammet), mais aussi pour « mieux gérer » une ville (avec le chapitre d’Antoine Courmont) ou encore définir les « bonnes » pratiques de partage des données en sciences sociales (Ouassim Hamzaoui et
Guillaume Marrel). Cet ouvrage permet ainsi de comprendre ce que l’on peut faire de ces données et quelles sont les influences possibles sur les modes de gouvernance et les prises de décisions. Le fil conducteur de cette partie est que derrière les algorithmes, il y a bien des visions du monde. Il s’agit alors de penser l’algorithme comme un objet social, produit par des acteurs et issu de commandes privées et désormais aussi publiques, qui retranscrivent des objectifs et sont inscrites ensuite dans des pratiques.
24Les algorithmes sont souvent développés avec des objectifs de rationalisation, d’efficacité, d’opérationnalité, voire de prédiction. Ils font écho à des dimensions marketing du « toujours plus ». Dans cette partie, les contributions des auteurs donnent à voir cette vision marketing qui est induite dans le recours aux algorithmes. Ainsi, Thomas Jammet, dans son analyse des formats d’affichage publicitaire ciblé sur Facebook et Twitter – qualifié de social display – montre bien une forme de rationalisation et de personnalisation à l’extrême de la relation client via la collecte de données sur les internautes. Ces derniers sont ainsi ciblés comme des prospects en fonction de leurs comportements et traces de navigation afin de générer des ventes à court terme. Au-delà du discours fantasmé sur les communautés de fans ou les groupes d’intérêt Facebook, ce qui se joue dans cette classification de la plateforme par préférence est bien un enjeu économique de vente et de ciblage : l’internaute n’est alors plus qu’une « cible marchande ». L’usage d’algorithmes est ici pris dans des pratiques marketing classiques qui se réduisent au prochain clic du client. La contribution d’André Maudoux et de Marc Ménard montre bien que le champ politique peut être pensé par les professionnels du big data électoral comme la sphère commerciale, au sens où sont appliqués les mêmes techniques de ciblage pour l’électeur que celles mises en place et décrites par Thomas Jammet pour le consommateur. Même s’il existe des intentions de départ, les algorithmes sont ensuite pris dans des faisceaux de pratiques. Antoine Courmont étudie ainsi l’usage de l’application Waze qui fonctionne avec un l’algorithme de calcul d’itinéraires pour guider l’automobiliste. En privilégiant le chemin le plus rapide, l’algorithme de calcul d’itinéraire perçoit le réseau routier sous l’angle de la vitesse de circulation et non des spécificités locales du territoire, ce qui engendre certaines tensions politiques. Toutefois, en ouvrant la boîte noire de cet algorithme, Antoine Courmont montre comment celui-ci évolue, dans la pratique, avec l’apport des utilisateurs eux-mêmes qui produisent des données, ce qui permet à l’application de s’adapter en temps réels aux territoires. Les usagers eux-mêmes rendent donc plus « intelligent » l’algorithme standardisé de Waze en lui fournissant plus de données. Ce cas d’étude montre bien la co-fabrication de l’algorithme par l’intégration de nouvelles données par les usagers eux-mêmes, permettant de modifier le résultat du calcul. Comme le dit Dominique Cardon afin de souligner le lien entre l’essor des algorithmes personnalisés et un désir social d’individualisation, « nous sommes dans la machine ». Le succès de ces calculs et de cette maximisation de la personnalisation est pensé dans une certaine vison de la société individualiste où les citoyens ne veulent plus être pris dans la masse et calculés selon des moyennes, mais bien en exprimant leurs singularités via ce système algorithmique. Au-delà des algorithmes, c’est aussi l’encadrement de ces derniers et la culture dite « algorithmique » qui viendrait modifier nos visions du monde et les perceptions de ce qui devrait être des « bonnes » pratiques. La contribution de Ouassim Hamzaoui et Guillaume Marrel montre que dans le cadre de la recherche scientifique, le Règlement général sur la protection des données personnelles (RGPD) est aussi venu modifier les pratiques et les manières de concevoir l’enquête et le rapport aux données – reconfiguration accentuée par l’incitation à l’ouverture des résultats et des corpus de données de recherche d’autre part (appelé, open science). Ces auteurs parlent d’une dynamique de « datafication » des sciences humaines et sociales, au regard de la place centrale désormais donnée au travail et aux activités de mise en forme juridique et technique des données traitées dans la chaîne de production scientifique.
25Enfin, la dernière partie de cet ouvrage propose de faire un état des lieux de la législation actuelle sur la protection des données personnelles (dans le dernier chapitre rédigé par Laurianne Enjolras), de s’interroger sur la notion de consentement (avec la contribution de Julien Rossi et Florian Hémont) et sur les enjeux éthiques des algorithmes dans le secteur de la surveillance en portant le regard sur les enjeux politiques du chiffrement des communications électroniques (avec l’analyse de Lucien Castex). La controverse autour de l’usage des traces qu’on laisse sur Internet qui constituent des données personnelles a été mise en lumière notamment avec l’affaire Cambridge Analytica, du nom de la société qui est accusée d’avoir utilisé des données de plus de 80 millions d’utilisateurs de Facebook à des fins politiques lors de campagnes électorales – données recueillies sans aucun consentement. La contribution d’Anaïs Theviot note bien le changement de discours des prestataires en microciblage électoral français après cette affaire. Auparavant, ils érigeaient le travail de big data électoral effectué aux États-Unis comme un modèle à suivre. Suite à cette affaire, cette référence américaine est mise à distance et les prestataires préfèrent mettre en avant leur conformité avec les règles européennes de protection des données personnelles afin de se défaire d’une certaine méfiance et image négative qui entoure l’usage de données personnelles à des fins politiques. Ils cherchent à la fois à convaincre le politique en notant que cela peut faire la différence dans les urnes en faisant gagner un à deux points. Et dans le même temps, ils tentent de construire une image positive autour de leur métier, en insistant sur leur intérêt à la protection des données, mais aussi en indiquant que leurs prestations en big data électoral seraient un moyen de lutter contre l’abstention croissante. Ces travailleurs de la donnée se décrivent alors comme des « bienfaiteurs » de la démocratie.
26Les plateformes numériques (Facebook, Twitter, YouTube, Instagram, Snapchat, etc.) apparaissent désormais comme des espaces centraux de productions et de captation de données personnelles. Encore inexistants il y a une quinzaine d’années67, ces sites et applications mobiles connaissent aujourd’hui une audience considérable à l’échelle de la planète et concentrent une part toujours plus grande du trafic internet mondial68. Facebook revendique ainsi plus de 2,7 milliards d’utilisateurs uniques mensuels à travers le monde en 2020, dont 400 millions en Europe, et 35 millions en France69, soit environ 66 % de la population internaute de ce pays et un peu plus d’un Français sur deux. Cette plateforme ne fait pas exception : YouTube (racheté par Google en 2005) compte plus de 2 milliards d’utilisateurs dans le monde, Instagram (racheté par Facebook en 2012) plus d’un milliard, TikTok près de 800 millions, etc. Et sur ces plateformes, nous « likons », commentons, laissons des informations personnelles qui sont enregistrées et utilisées par les algorithmes, voire revendues. La question de la protection des données personnelles est devenue un enjeu fort et est travaillée par de nombreux juristes. Ella a fait l’objet de nouvelles dispositions, notamment avec la promulgation au sein de l’Union européenne du RGPD du 27 avril 2016 via l’article 9 (« Traitement portant sur des catégories particulières de données à caractère personnel ») qui se donne pour objectifs ambitieux de renforcer les droits des citoyens européens par une meilleure maîtrise de leurs données à caractère personnel tout en responsabilisant les entreprises et organismes traitant ce type de données. Dans le dernier chapitre de cet ouvrage, Laurianne Enjolras propose d’effectuer un bilan au terme de deux années d’application du RGPD : elle souligne qu’à certains égards, le RGPD apparaît d’ores et déjà dépassé. Des propositions émergent sur une évolution de la protection des données personnelles, notamment sous l’angle du respect de la vie privée. La contribution de Julien Rossi et Florian Hémont souligne bien aussi les limites de ce nouveau règlement européen en analysant la notion de « consentement », imposé par son article qui la conçoit comme « manifestation de volonté, libre, spécifique, éclairée et univoque ». Julien Rossi et Florian Hémont parlent, eux, d’un « consentement résigné ». La contribution de Lucien Castex souligne bien les tensions entre la volonté d’un chiffrement fort et celle d’accéder à des données chiffrées, comme l’illustrent les affaires opposant Apple et le FBI quant à l’accès au contenu de téléphones protégés ou encore un arrêt du 16 avril 2019 de la Cour d’appel de Paris posant que le code de déverrouillage d’un téléphone portable n’est pas une convention secrète de déchiffrement.
27Toutes ces contributions sont animées par l’envie de proposer des pistes pour construire une sociologie politique du numérique, qui se veut critique pour dépasser les fantasmes et travaillée empiriquement, en allant notamment à la rencontre des acteurs et non des seuls dispositifs. Je tiens à remercier vivement les auteurs et les autrices, en espérant que ce travail collectif nourrisse les réflexions sur les enjeux de la gouvernance des données, soit fécond en termes de méthodologies et d’approches sociologiques afin de toujours saisir en contexte les données, participe à une meilleure compréhension de cette « nouvelle gouvernementabilité algorithmique » et ouvre des pistes sur les défis à venir.
Notes de bas de page
1 Christopher Steiner, Automate this. How Algorithms Came to Rule Rule our World, New York, Portfolio/Penguin, 2012.
2 Cédric Biagini, L’emprise numérique. Comment Internet et les nouvelles technologies ont colonisé nos vies, Paris, L’Échappée, 2012.
3 Franck Leroy, Réseaux sociaux & Cie. Le commerce des données personnelles, Paris, Actes Sud (Questions de société), 2013, p. 110.
4 Cédric Sauvait et Marie David, Intelligence artificielle. La nouvelle barbarie, Paris, Éditions du rocher, 2019.
5 Pierre Hernichon, Big data : faut-il avoir peur de son nombre ? Cybernétique, dataveillance et néolibéralisme : des armes contre la société, Paris, Écosociété, 2020.
6 Thierry Charles, Ainsi parlait le big data, Paris, L’Harmattan, 2018, p. 197.
7 Olivier Iteanu, Quand le digital défie l’État de droit, Paris, Eyrolles, 2016.
8 Adrien Basdevant et Jean-Pierre Mignard, L’empire des données. Essai sur la société, les algorithmes et la loi, Paris, Don Quicotte, 2018.
9 Ce terme peut se traduire par : expert en mégadonnées.
10 Ce terme peut se traduire par : jeune entreprise dans le domaine de la technologie.
11 Cyril de Sousa Cardoso, Emmanuelle Galou, Aurore Kervella et Patrick Kwok, Data Power. Comprenez et exploitez la valeur de la donnée, Paris, Eyrolles, 2020.
12 À noter, l’ouvrage de Jacques Priol qui s’adresse aux « élus locaux et à leurs services soucieux d’optimiser les politiques publiques » et « à tous les acteurs du territoire : associations, entreprises confrontées à l’open data » : Le big data des territoires. Les nouvelles stratégies de la donnée au service de l’intérêt général, Nantes, FYP Éditions, 2017.
13 Christophe Brasseur, Enjeux et usages du big data, Paris, Lavoisier, 2016.
14 Voir à ce sujet l’ouvrage d’Antoine Courmont et Patrick Le Galès, Gouverner la ville numérique, Paris, PUF, 2019.
15 La signification littérale, travail numérique, pourrait induire en erreur. Ce terme ne désigne pas les personnes employées dans le secteur du numérique, ni des travailleurs des usines qui produisent les dispositifs qui servent à l’industrie du numérique. Le digital labor dans sa définition développée sera « une contribution à faible intensité et à faible expertise mise à profit via des algorithmes et des fouilles de données » (Dominique Cardon et Antonio Casilli, Qu’est-ce que le Digital Labor ?, Paris, INA Éditions, 2015, p. 21). Il s’agit des activités numériques quotidiennes des usagers des plateformes sociales, d’objets connectés ou d’applications mobiles. Voir aussi Jérôme Denis, Le travail invisible des données. Éléments pour une sociologie des infrastructures scripturales, Paris, Presses des Mines, 2018.
16 Christophe Alcantara, Francine Charest et Serge Agostinelli éd., Big data et visibilité en ligne. Un enjeu pluridisciplinaire de l’économie numérique, Paris, Presses des Mines, 2018.
17 Amaël Cattaruzza, Géopolitique des données numériques. Pouvoir et conflits à l’heure du big data, Paris, Le Cavalier Bleu, 2019.
18 Pierre Delort, Le big data, Paris, PUF (Que sais-je ?), 2015.
19 Dominique Cardon, À quoi rêvent les algorithmes. Nos vies à l’heure des big data, Paris, Seuil (La République des idées), 2015.
20 Gilles Bastin et Paola Tubaro, « Le moment big data des sciences sociales », Revue française de sociologie, no 3, 2018, p. 375-394 ; Bilel Benbouzid et Dominique Cardon, « Machines à prédire », Réseaux, no 5, 2018, p. 9-33 ; Séverine Arsène et Clément Mabi, « L’action publique au prisme de la gouvernementalité numérique », Réseaux, vol. 225, no 1, 2021, p. 9-22.
21 Il s’agit d’un apprentissage automatique par la machine. Autrement dit, c’est une forme d’intelligence artificielle qui consiste à laisser des algorithmes découvrir des motifs récurrents dans les ensembles de données, et à évoluer par eux-mêmes en fonction de cela.
22 Angèle Christin, « Algorithms in practice. Comparing web journalism and criminal justice », Big Data & Society, no 2, 2017. En ligne: [https://journals.sagepub.com/doi/full/10.1177/2053951717718855] ; Nick Seaver, « Algorithms as culture: some tactics for the ethnography of algorithmic systems », Big Data & Society, vol. 4, no 2, 2017. En ligne : [https://journals.sagepub.com/doi/full/10.1177/2053951717738104].
23 Francis Diebold, « “Big data” dynamic factor models for macroeconomic measurement and forecasting: a discussion of the papers by Lucrezia Reichlin and by Mark W.
Watson », Advances in Economics and Econometrics. Theory and Applications, M. Dewatripont, L. P. Hansen et S. J. Turnovsky éd., Cambridge, Cambridge University Press, 2003, p. 115-122.
24 Steeve Bryson, David Kenwright, Michael Cox, David Ellsworth et Robert Haimes, « Visually exploring gigabyte data sets in real time », ACM, no 8, 1999, p. 82-90.
25 Doug Laney, « 3-D Data management: controlling data volume, velocity and variety », Meta Group Research Note, 6 février 2001. En ligne: [https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf].
26 P. Delort, Le big data, ouvr. cité, p. 5.
27 Rob Kitchin, The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences, Londres, Sage, 2014.
28 Hamid Ekbia et al., « Big data, bigger dilemmas: a critical review », Journal of Association for Information Science and Technology, no 8, 2015, p. 1523-1545.
29 Serge Agostinelli, « La compréhension intuitive des données : de Hal à Watson », Big data et visbilité en ligne, C. Alcantra, F. Charest et S. Agostinelli éd., Paris, Presses des Mines, 2018, p. 18.
30 Robert J. T. Morris et Brian J. Truskowski, « The evolution of storage systems », IBM Systems Journal, no 2, 2003, p. 205-217.
31 Tech America, Demystifying Big Data: A Practical Guide to Transforming the Business of Government, Report, TechAmerica Foundation’s Federal Big Data Commission, 2012, p. 11.
32 1 zettaoctet = 1,180596162 x 1021 octets.
33 Dominique Cardon, Culture numérique, Paris, Les Presses de Sciences Po, 2019, p. 354.
34 James Manyka, Michael Chui, Brad Brown, Jacques Bughin, Richard Dobbs, Charles Roxburgh et Angela Hung Byers, Big Data: The Next Frontier for Innovation, Competition, and Productivity, 2011. En ligne : [https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation#].
35 Dominique Cardon, « Dans l’esprit du PageRank. Une enquête sur l’algorithme de Google », Réseaux, no 177, 2013, p. 63-95.
36 « Google modifie l’algorithme de son moteur de recherche en français », Le Monde, 9 décembre 2019.
37 B. Benbouzid et D. Cardon, « Machines à prédire », art. cité.
38 Pedro Domingos, The Master Algorithm. How the Question for The Ultimate Machine Will Remake our World, Londres, Basic Books, 2015.
39 Bilel Benbouzid, « Quand prédire, c’est gérer. La police prédictive aux États-Unis », Réseaux, no 5, 2018, p. 221-256.
40 Cédric Villani, « Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne », Rapport de la mission confiée par le Premier ministre, Paris, La Documentation française, 2018.
41 Alain Desrosières, La politiques des grands nombres. Histoire de la raison statistique, Paris, La Découverte, 2000.
42 Pierre Lascoumes et Patrick Le Galès éd., Gouverner par les instruments, Paris, Les Presses de Sciences Po, 2004.
43 P. Bezes, « Rationalisation salariale dans l’administration française : un instrument indiscret », Gouverner par les instruments, ouvr. cité, p. 71-122.
44 Michel Foucault, « Le sujet et le pouvoir », Dits et écrits, t.2, Paris, Gallimard (Quarto), 1982, p. 1041-1062.
45 Dominique Cardon, « Le pouvoir des algorithmes », Pouvoirs, no 1, 2018, p. 63-73.
46 Laurence Monnoyer-Smith, « La participation en ligne, révélateur d’une évolution des pratiques politiques ? », Participations, no 1, 2011, p. 157.
47 Alexandre Coutant, « La révolution ne sera pas numérisée », Les essentiels d’Hermès, Internet et politique, CNRS Éditions, 2012, p. 18.
48 Les travaux de Dieter Fuchs et Max Kaase montrent que la démocratie électronique ne va pas produire de miracle : elle est de nature à exclure les citoyens les moins actifs et exposer les citoyens les plus actifs à de nombreuses déceptions en multipliant les possibilités de conflits. Dieter Fuchs et Max Kaase, « Electronic democracy », Communication présentée au 17 e Congrès mondial de l’Association internationale de science politique, Québec, 1-6 Août 2000 ; cité par Thierry Vedel, « L’idée de démocratie électronique, visions, questions », Le désenchantement démocratique, Pascal Perrineau éd., Éditions de l’Aube, 2003, p. 243-266.
49 David Resnick et Michael Margolis, Politics as usual. The Cyberspace « Revolution », Londres, Sage, 2000.
50 Evgeny Morozov, The Net Delusion: The Dark Side of Internet Freedom, New York, Public Affairs, 2011.
51 On pourrait traduire cette formule par « militantisme mou » ou « activisme faible ».
52 Evgeny Morozov, Pour tout résoudre, cliquez ici ! L’aberration du solutionnisme technologique, Nantes, FYP Éditions, 2014.
53 Elvin Wyly, « The new quantitative revolution », Dialogues in Human Geography, no 1, p. 26-38.
54 Gary King, « Ensuring the data rich future of the social sciences », Science, no 11, p. 719-721.
55 Viktor Mayer-Schönberger et Kenneth Cukier, Big Data. A Revolution that Will Transform how We Live, Work and Think, New York, Houghton Mifflin, 2013.
56 Liran Einav et Jonathan Levin, « Economics in the age of big data », Science, no 6210. En ligne: [https://science.sciencemag.org/content/346/6210/1243089].
57 Chris Anderson, « The end of theory: the data deluge makes the scientific method obsolete », Wired, no 7, 2008. En ligne: [https://www.wired.com/2008/06/pb-theory/].
58 Hal Varian, « Big data: new tricks for econometrics », The Journal of Economic Perspectives, no 2, 2014, p. 3-27 ; Dominique Boullier, « Les sciences sociales face aux traces du big data. Société, opinion ou vibrations ? », Revue française de science politique, no 5, 2015, p. 805-828 ; Julien Boyadjian, « Les conditions de scientificité des big data en science politique », Revue française de science politique, no 5, 2017, p. 919-929.
59 Evgeny Morozov, Le mirage numérique Pour une politique du big data, P. Hass trad., Paris, Les Prairies ordinaires, 2015.
60 Antoinette Rouvroy et Thomas Berns, « Gouvernementalité algorithmique et perspectives d’émancipation », Réseaux, no 177, 2013, p. 163-196.
61 Frank Pasquale, The Black Box Society. The Secret Algorithms that Control Money and Information, Cambridge, Harvard University Press, 2015.
62 Alex Pentland, « Reinventing society in the wake of big data », Edge, 2012. En ligne : [https://www.edge.org/conversation/alex_sandy_pentland-reinventing-society-in-the-wake-of-big-data].
63 V. Mayer-Schönberger et K. Cukier, Big Data. A Revolution, ouvr. cité.
64 A. Rouvroy et T. Berns, « Gouvernementalité algorithmique… », art. cité.
65 Baptiste Kotras, « Ancrages et frictions. La difficile unification du gouvernement numérique des consommateurs », chapitre 1 de cet ouvrage.
66 Anaïs Theviot, « Historiciser et sociologiser les études sur le numérique », Interfaces numériques, no 1, 2015, p. 473-490.
67 Facebook est créé en 2004 (mais s’ouvre au grand public en 2007), YouTube en 2004 et Twitter en 2006.
68 Nikos Smyrnaios, Les GAFAM contre l’Internet, une économie politique du numérique, Paris, INA Éditions, 2017.
69 Voir en ligne : [https://www.blogdumoderateur.com/chiffres-facebook/].
Auteur
Maîtresse de conférences en science politique rattachée au laboratoire ARENES (UMR 6051) et à l’université catholique de l’Ouest. Elle s’intéresse au militantisme partisan en ligne et est l’autrice de Faire campagne sur Internet, paru aux Presses universitaires du Septentrion en 2018. Anaïs Theviot est responsable d’un projet MUTADATA, financé par l’Agence nationale de la recherche. Il porte sur les reconfigurations des campagnes électorales en France et aux États-Unis, au prisme des big data. Est d’ailleurs paru en 2019 aux Éditions du Bord de l’eau, Big data électoral. Dis-moi qui tu es, je te dirai pour qui voter ?.
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Libertés et libéralismes
Formation et circulation des concepts
Jean-Pierre Potier, Jean-Louis Fournel et Jacques Guilhaumou
2012
Pétrole et corruption
Le dossier Mi.Fo.Biali dans les relations italo-libyennes (1969-1979)
Marion Morellato
2014
Montchrestien et Cantillon
Le commerce et l'émergence d'une pensée économique
Alain Guery (dir.)
2011
Faire participer les habitants ?
Citoyenneté et pouvoir d'agir dans les quartiers populaires
Marion Carrel
2013
Entre conflit et concertation
Gérer les déchets en France, en Italie et au Mexique
Luigi Bobbio, Patrice Melé et Vicente Ugalde (dir.)
2016
La politique au quotidien
L’agenda et l’emploi du temps d’une femme politique
Laurent Godmer et Guillaume Marrel
2016
La République et ses autres
Politiques de l’altérité dans la France des années 2000
Sarah Mazouz
2017
Le territoire de l’expulsion
La rétention administrative des étrangers et l’État de droit en France
Nicolas Fischer
2017
Le savant, le langage et le pouvoir
Lecture du Livre du plaisir partagé en amitié (Kitāb al-imtāʿ wa-l-muʾānasa) d’Abū Ḥayyān al-Tawḥīdī
Pierre-Louis Reymond
2018
Gouverner la vie privée
L’encadrement inégalitaire des séparations conjugales en France et au Québec
Émilie Biland
2019