01
Les savoirs vivants dans l’Internet 3.0
Formación Integral 3.0 relie le patrimoine vivant du Totonacapan à la recherche sur l’apprentissage, l’intelligence artificielle et la gouvernance de l’Internet. Son point de départ est une capacité humaine concrète : savoir faire quelque chose, reconnaître quand cela fonctionne, corriger et transmettre cette pratique à une autre personne.
L’Internet 3.0 transforme la circulation des connaissances. Les assistants et agents d’IA recherchent des informations, les traduisent, les résument et les transforment en instructions. Notre travail maintient dans ce parcours les personnes à l’origine des savoirs : leur nom, leur contexte, leur jugement et leurs décisions sur l’utilisation de ce qu’elles enseignent.
La question centrale est directe : qu’est-ce qui doit accompagner un savoir pour qu’il reste lié aux personnes et aux communautés qui le font vivre ? Formación Integral 3.0 en fait un programme de recherche reliant l’Institut Totonacapan et Tegrity.AI au sein de The Integral Management Society.
02
Une trajectoire qui change le sens de l’apprentissage
1.0 · Apprendre auprès du maître
La bijouterie, l’orfèvrerie, l’horlogerie et d’autres métiers de Papantla se transmettent par l’observation, la pratique et la correction. La Bola de Oro ouvre une porte sur cette histoire : l’atelier réunit outils, matériaux, mémoire et relations de confiance. Nous employons Formación Integral 1.0 pour désigner cette logique d’apprentissage entre maîtres et apprentis.
2.0 · Du monde vers la région
Entre 2005 et 2014, Formación Integral a développé dans le Totonacapan une expérience d’apprentissage numérique fondée sur des cyber-écoles, des enseignants et des opérateurs locaux. Le partage des ordinateurs et de la connexion répondait à une partie du problème ; l’accompagnement aidait chacun à trouver les contenus, à utiliser les outils et à transformer l’accès en apprentissage utile.
La préparation des enseignants et des facilitateurs était fondamentale. Ils conservaient leur rôle de référence et pouvaient guider les élèves et les familles. Le catalogue historique réunissait plus de soixante-dix lignes de cours, ainsi que des ressources pour les enseignants, les centres éducatifs et les bibliothèques numériques. Cette expérience a établi un principe de travail : organiser la technologie autour des relations qui rendent l’apprentissage possible.
3.0 · De la communauté vers le monde
La nouvelle étape inverse le parcours. Un maître partage une pratique ; une personne plus jeune l’apprend ; un système d’IA apprend à ses côtés ; la communauté examine la représentation qui peut circuler. Le patrimoine devient ainsi une source de connaissances pour le développement technologique et pour de nouvelles générations de praticiens.
03
Trois principes de conception
Un contexte portable et une mémoire maîtrisée localement
Les sources, instructions, décisions et progrès de l’apprentissage doivent pouvoir être conservés dans des fichiers et registres contrôlés par les personnes et les communautés. L’architecture associe mémoire persistante, processus explicites et modèles remplaçables. Le parcours d’apprentissage peut ainsi se poursuivre lorsque les outils, les fournisseurs ou les conditions de connexion changent.
Une confiance distribuée
L’introduction de l’IA commence auprès des maîtres, enseignants, aînés et facilitateurs qui connaissent le lieu. Ils se préparent à interpréter les réponses, à les confronter à la pratique et à expliquer quelles informations le système utilise. La confiance repose sur des personnes identifiables, des responsabilités claires et des moyens de corriger le travail.
Une compétence démontrée
L’apprentissage s’organise autour de défis concrets. La personne exécute, observe, décide, adapte et explique. Ses résultats et ceux de l’IA sont évalués séparément. Les éléments observés comprennent ce que chaque participant sait faire, les corrections dont il a besoin et ce qu’il parvient à transférer dans une nouvelle situation.
04
Un maître et deux apprentis
L’exercice central réunit un maître, un apprenti humain et une IA agissant comme second apprenti. Le maître démontre une pratique dans son environnement. L’apprenti essaie de l’exécuter, pose des questions et reçoit des corrections. L’IA organise ce qu’elle observe et présente son interprétation. Les erreurs et les questions révèlent des détails qu’une première explication peut laisser implicites.
Choisir → convenir → démontrer → pratiquer → vérifier → transmettre. Chaque étape laisse une décision et des éléments observables : qui enseigne, ce qui est enregistré, ce qui a été appris et quelle représentation peut être diffusée.
Le travail du bois de chijol offre un défi particulièrement fécond. Un praticien expérimenté reconnaît le fil du bois, l’état de l’outil, la pression, l’angle et le moment où il faut modifier le geste. L’apprentissage exige de relier matériau, outil, geste et résultat. La correction d’un essai manqué peut révéler une part essentielle du métier.
La même logique intéresse la bijouterie et l’horlogerie : reconnaître l’usure, choisir un outil, évaluer une réparation et expliquer pourquoi une pièce demande un traitement particulier. La recherche produit un ensemble d’éléments qu’un autre praticien peut examiner et utiliser, avec le jugement du maître comme référence.
Qui fait quoi dans l’exercice
Le modèle de Formación Integral 3.0 distingue trois tâches et réunit les éléments recueillis pour les examiner.
Maître de métier
Montre une pratique et explique ses corrections.
Apprenti humain
Essaie de réaliser la pratique, pose des questions et ajuste son travail.
IA comme seconde apprentie
Organise les éléments dont l’usage est autorisé et présente son interprétation.
Examen des éléments recueillis
Comparer ce que la personne a pu faire et ce que l’IA a pu expliquer. Évaluer chaque résultat séparément.
05
Rose Luckin : rendre visible la capacité humaine
Le 2 septembre 2026, la professeure Rose Luckin a lu la note de discussion et a transmis un commentaire écrit dont elle a autorisé l’utilisation. Elle a souligné l’inversion du parcours — du monde vers la région, puis de la région vers le monde — et a proposé de préciser comment démontrer l’accroissement des capacités d’une personne.
« Formación Integral 3.0 aborde un sujet qu’une grande partie du débat actuel sur l’IA dans l’éducation évite : la différence entre une réponse fluide et la compétence humaine. L’IA peut produire des résultats soignés alors que la personne qui l’utilise apprend très peu. Le projet pilote proposé est intéressant parce qu’il fait de l’apprentissage humain ce qui doit être démontré et prépare les éducateurs et praticiens de confiance avant une adoption plus large. La question de recherche que j’encouragerais l’équipe à préciser est la manière de montrer que les capacités d’un praticien ont augmenté : ce qu’il peut faire, juger et adapter sans l’aide de l’IA, et s’il peut expliquer pourquoi. L’apprentissage parallèle du praticien et de l’agent d’IA soulève aussi une question utile d’évaluation : ce qu’un système d’IA ne parvient pas à saisir lorsque des savoirs tacites et culturellement situés sont en jeu ; les communautés sont bien placées pour en juger. »
Rose Luckin · Commentaire pour Formación Integral 3.0, 2 septembre 2026. Traduction de l’original anglais.
Ses observations se traduisent par trois axes : une démonstration indépendante de l’apprenti, une réflexion sur les acquis et les erreurs de l’IA, et une définition claire de la personne qui conserve le contexte portable et de la manière de le retirer. Ces axes orientent l’évaluation et la participation des dépositaires du savoir.
06
Europeana : quatre questions qui développent la méthode
Le 3 septembre, Lorena Aldana, d’Europeana Foundation, a transmis des observations après avoir consulté des spécialistes de la formation et de la gouvernance des données. Ses questions portaient sur les hallucinations, la pertinence des sujets, le rythme d’apprentissage, l’évaluation des métiers d’art et la gouvernance des données. Le 16 septembre, nous y avons répondu par quatre notes développées.
Sources, erreurs et récupération
La première note distingue les sources originales des interprétations produites. Elle propose de conserver les registres, de reconstituer le parcours d’une tâche, de comparer les résultats et de reprendre une étape avec un autre modèle. L’évaluation examine la fidélité à la source, les omissions, les informations ajoutées, le contexte conservé et la capacité de récupération. La mémoire du projet reste disponible pour revenir sur une interprétation et la corriger.
Le jugement du métier
La question de savoir comment une IA pourrait juger le travail du bois conduit à décrire une architecture de la pratique : matériaux, outils, séquence, conditions environnementales, tolérances, signes de qualité et exceptions. Le maître et d’autres praticiens compétents définissent les critères d’examen du résultat. L’IA aide à observer, documenter, comparer et retrouver les informations.
Le défi du chijol
La troisième note étudie l’apprentissage à partir de l’écart entre l’exécution experte et l’essai de l’apprenti. Les changements de prise, le choix du matériau, les questions inattendues et les corrections permettent d’identifier les informations nécessaires à la transmission. L’épreuve de transfert consiste à ce qu’une autre personne compétente utilise le savoir conservé pour réaliser une partie délimitée du travail.
Données, attribution et valeur future
La quatrième note traite séparément la gouvernance des données, l’autorité sur les savoirs, la provenance et la valeur de leur réutilisation future. Elle développe des décisions distinctes pour enseigner, enregistrer, traiter par IA, représenter, publier et réutiliser. La conception comprend des états d’enregistrement visibles, le fonctionnement local, des matériaux réservés, des règles d’attribution et l’examen des bénéfices susceptibles d’apparaître avec le temps.
07
Un dialogue entre territoires
Xanath et le Totonacapan
Le cas envisagé à Xanath réunit culture de la vanille, soin de l’habitat, sélection des matériaux et gestion quotidienne du milieu. Il permet d’étudier la transmission d’un savoir associant observation écologique, expérience et décisions pratiques avec des ressources limitées. Avec la bijouterie et les autres métiers identifiés par le travail du Recensement, il ancre les défis de recherche dans des pratiques et des lieux concrets.
Jokkolabs Banjul · Gambie
Le 8 septembre, Poncelet Ileleji a confirmé son accord avec les propositions et l’inclusion de Jokkolabs Banjul dans le cadrage. Le 9 septembre, il a apporté la perspective de son travail avec l’initiative nationale de gouvernance de l’Internet de Gambie, la Gambia NRI. Son intervention a situé la comparaison dans un écosystème d’apprentissage, de participation et de gouvernance reliant le travail local à l’IGF.
Cette contribution renforce une question pratique : comment adapter l’apprentissage avec l’IA aux ressources, aux réseaux de confiance et aux défis de chaque lieu. La correspondance s’est poursuivie en octobre, lorsque Poncelet a confirmé la réception de la mise à jour de la proposition.
United Diplomats of Africa · Sénégal
Amath Ndiaye a apporté quatre priorités pour l’adaptation africaine : les structures locales de confiance, l’oralité et les langues locales, le fonctionnement avec une faible connexion et les défis de la vie quotidienne. Il a proposé de développer l’approche avec les communautés et a identifié les maîtres, aînés, associations de femmes et de jeunes parmi les acteurs pertinents.
Pour concrétiser cette approche, il a présenté un cas d’étude à Diakhao, dans la région de Fatick, centré sur la transmission des savoirs sérères concernant les plantes et les pratiques traditionnelles de soin. Le cadrage propose une interaction orale en sérère-siin et en wolof, une interface en français et un appui local sur téléphones Android. La comparaison avec Xanath permet d’étudier une même architecture dans des domaines de connaissance, des langues et des conditions d’utilisation différents.
En septembre, Amath a examiné le matériel concernant UDA et Diakhao/Fatick et a exprimé son accord. En octobre, il a de nouveau proposé son aide pour poursuivre le travail. Ses contributions développent l’autorité des dépositaires, la mémoire locale et l’adaptation culturelle comme éléments centraux du programme.
Research ICT Africa
Liz Orembo et Kola Ijasan ont accueilli le concept avec intérêt et ont proposé d’examiner la note et d’en discuter. Cet échange a ouvert une voie pour confronter l’architecture aux questions de capacité d’agir, de justice, de savoir contextualisé et de gouvernance numérique en Afrique. La correspondance conserve la préparation de ce dialogue et la disposition des deux chercheurs à examiner l’approche.
Masakhane
Lydia Kila Taban a demandé de préciser ce qu’impliquerait la participation de Masakhane et a transmis la question à son équipe. Le dialogue a contribué à préciser la dimension linguistique : conserver le sens et le contexte en travaillant avec des langues locales, et faire participer leurs locuteurs à la conception et à l’évaluation.
GCSAYN et communautés de pratique
Divine Ntiokam a indiqué que l’équipe de GCSAYN avait examiné la proposition et a demandé une conversation pour l’approfondir. L’échange relie la recherche aux priorités de jeunesse, d’apprentissage et de pratiques communautaires. Etienne et Bev Wenger-Trayner ont, pour leur part, jugé intéressante la question de la contribution de l’IA à la continuité culturelle et ont expliqué que leurs travaux éditoriaux mobilisaient leur disponibilité.
08
IGF 2026 : proposition, orientation et évaluation
La conversation avec l’IGF a commencé dans le cadre des MAG Chair Office Hours. Jennifer Chung a souligné la valeur de l’apprentissage entre régions et a mis l’échange en relation avec Anja Gengo, point de contact du Secrétariat pour IG Labs. Le 1er septembre, Anja a souligné la valeur spécifique de la comparaison régionale et a proposé un espace de discussion lors du séminaire de l’appel.
Le 15 septembre, nous avons présenté Formación Integral 3.0 à IG Labs. La proposition porte le numéro 136, dans le domaine de la découverte d’information facilitée par l’IA et de l’écosystème du Web. Le texte réunit la trajectoire du Totonacapan, le dialogue africain et une question de gouvernance : conserver la garde des savoirs, les permissions, l’attribution et la capacité de correction lorsque les connaissances circulent dans les systèmes d’IA.
Le 30 octobre, le Secrétariat a communiqué les évaluations de trois évaluateurs dans un processus portant sur 133 propositions. Formación Integral 3.0 n’a pas été retenue parmi les trois propositions sélectionnées pour le programme présentiel d’IG Labs 2026. L’évaluation a laissé trois contributions concrètes pour poursuivre la recherche.
Évaluateur 1 · Préciser le problème et la mise en œuvre
Il a demandé de mieux définir le problème, de préciser la mise en œuvre technique et de différencier l’approche des initiatives antérieures. Cette observation concentre le travail sur une question délimitée et sur une spécification pouvant être mise à l’épreuve.
Évaluateur 2 · Une question que le laboratoire peut examiner
Il a souligné la question de ce qui doit accompagner les savoirs communautaires pour qu’ils restent liés à leurs dépositaires. Il l’a décrite comme une question difficile que le laboratoire peut examiner concrètement.
Évaluateur 3 · Permissions, provenance et autorité collective
Il a identifié comme points forts la granularité des permissions et la capacité communautaire de corriger, retirer ou refuser une représentation. Il a demandé de développer la forme technique et l’interopérabilité du registre portable, sa relation avec les standards de provenance, d’identité et d’utilisation des contenus, ainsi que l’autorité permettant de décider pour des savoirs collectifs, intergénérationnels ou partiellement publics.
Le Secrétariat a encouragé la poursuite du développement des idées et du dialogue avec la communauté de l’IGF. L’évaluation centre l’étape suivante sur le registre portable et la démonstration de compétence humaine.
09
Le registre qui accompagne les savoirs
L’objet de conception est une fiche portable reliant cinq dimensions : source et garde des savoirs ; usages autorisés ; attribution et transformations ; révision et retrait ; éléments attestant l’apprentissage.
La fiche identifie ce qui a été appris, sa provenance, les personnes pouvant réviser la représentation et les conditions accompagnant chaque utilisation. Elle conserve versions et corrections, distingue la source de l’interprétation de l’IA et permet de suivre le parcours entre outils. En parallèle, le registre d’apprentissage montre ce que l’apprenti sait faire et expliquer de façon autonome.
L’agenda de recherche relie ces éléments aux essais entre modèles et langues, au fonctionnement local, à l’autorité collective et à la continuité des métiers. L’Institut apporte le travail sur le patrimoine vivant et les communautés de pratique ; Tegrity.AI développe les questions d’architecture, de contexte, de provenance et de systèmes. Formación Integral 3.0 forme le pont entre les deux.
10
Documents et continuité
Cette page réunit le récit de Formación Integral, la note de discussion, les quatre réponses à Europeana et les échanges d’août à octobre 2026. Le commentaire de Rose Luckin est reproduit avec son autorisation. Les observations de l’IGF sont présentées par évaluateur, telles qu’elles ont été communiquées au projet.
- Propositions et processus d’évaluation d’IG Labs · IGF
- Recherche et transmission
- La Bola de Oro et ses archives de métiers
- Recensement des arts et métiers
- Recherche de Tegrity.AI
Pour apporter une pratique, une question de recherche ou une expérience comparable : contacter l’Institut.
11
AI & Ancestral Wisdom fait partie de Formación Integral 3.0 : il s’agit du développement méthodologique du même programme d’apprentissage, de transmission des savoirs et de recherche avec l’intelligence artificielle. Son contenu complet est réuni ici avec la trajectoire et les échanges qui façonnent le programme.
Cahiers des pratiques · Institut Totonacapan
AI & Ancestral Wisdom : de l’apprenti humain à l’apprenti artificiel
La démarche originale commence par l’apprentissage humain. Une communauté identifie une pratique qu’elle souhaite transmettre, convient de ce qui peut être observé et documenté et reconnaît les personnes capables d’évaluer l’apprentissage. L’intelligence artificielle intervient ensuite, comme objet de recherche au sein de cet environnement de savoir.
Pourquoi le Totonacapan fait partie de la recherche
Le Totonacapan offre un contexte particulièrement riche pour cette question. Ses métiers, langues, pratiques écologiques, techniques artisanales, mémoire orale et transmission entre maîtres et apprentis portent des savoirs qui ne sont pas entièrement représentés dans les manuels ou les grands corpus numériques. L’intérêt de la recherche n’est pas de transformer le territoire en source de données, mais de comprendre comment se reconnaît, s’exerce et se transmet un jugement qui dépend de personnes, de matériaux, de relations et de circonstances précises.
Le projet ne vise ni à remplacer les maîtres ou dépositaires de savoirs ni à extraire des connaissances à l’écart de leurs gardiens. La documentation et tout essai d’IA doivent partir du consentement, de l’attribution, du contexte culturel, du bénéfice pour les participants et de la possibilité de restreindre ou de retirer certains usages. La technologie est un instrument soumis à évaluation ; elle n’acquiert pas pour autant l’autorité de définir ou de représenter la pratique.
Deux ambiguïtés à distinguer
- Responsabilité et autorité : qui apporte un document, qui peut le corriger et qui est légitime pour décider d’une pratique ou d’un usage.
- Version : quel document fait référence, ce qui a changé et si deux descriptions sont contradictoires ou expriment des variantes légitimes.
Organiser ces aspects permet de poser une question plus exigeante : lorsque la documentation est claire, que reste-t-il impossible à transmettre par un document ? Le projet distingue la perte due au désordre documentaire de la difficulté liée au geste, au contexte, à la perception de la matière ou au jugement expert. Un savoir tacite ne devient pas automatiquement une erreur de documentation.
L’IA comme apprentie parallèle
Le dispositif propose d’observer ce qu’un système reconstruit à partir de procédures autorisées et de le comparer à l’apprentissage d’une personne. Il faut repérer les étapes omises, les erreurs de séquence, les conditions ignorées et les réponses apparemment cohérentes qui transforment la pratique. L’évaluation revient aux personnes capables de reconnaître ces différences dans le métier.
L’IA au service d’une nouvelle personne qui apprend
Une deuxième étape demande si la représentation acquise par le système peut aider à enseigner. Le critère serait ce qu’une autre personne peut comprendre et réaliser avec son soutien, sous contrôle humain. Répéter une explication convaincante et exercer une capacité sont des résultats différents à mesurer séparément.
Comparer sans effacer le contexte
La recherche propose de comparer des architectures d’IA dans des conditions documentaires contrôlées et sur des tâches convenues. Les variables comprennent la qualité des documents, la clarté des responsabilités, la gestion des versions et la quantité de contexte nécessaire. Les limites propres à chaque pratique doivent orienter l’expérience.
Il s’agit d’hypothèses et d’une méthode proposée, plutôt que de résultats déjà obtenus. Tout essai utilisant les matériaux d’une communauté exige un accord préalable sur la participation, l’accès, la révision, les usages de l’IA et la restitution. L’objectif est de comprendre ce qui aide la transmission et de reconnaître où la relation humaine reste indispensable.
Modèle proposé complet · 21 parties
Modèle proposé : du savoir vivant à l’évaluation de l’intelligence artificielle
AI & Ancestral Wisdom propose une méthode progressive et vérifiable pour étudier comment le savoir humain est préservé, formalisé, transmis et confronté aux systèmes contemporains d’intelligence artificielle. La démarche ne commence pas par l’IA. Elle commence par des communautés de pratique vivantes, l’apprentissage maître–apprenti, des procédures documentées, la traçabilité et une recherche sur les ambiguïtés qui apparaissent lorsque nous tentons de représenter une pratique au moyen d’informations.
1. La prémisse de recherche
Une part importante du savoir humain ne s’exprime pas entièrement dans des règles, des documents ou des jeux de données. Elle vit dans le geste, le moment opportun, la relation aux matériaux, le territoire, la mémoire partagée, le rituel et le jugement acquis par l’expérience. Michael Polanyi a attiré l’attention sur cette dimension du savoir tacite : nous savons souvent faire davantage que ce que nous pouvons expliquer explicitement. La recherche demande quelles parties d’une capacité peuvent être décrites, enseignées ou modélisées et lesquelles continuent de dépendre de la pratique et de communautés humaines vivantes.
2. Pourquoi il ne s’agit pas uniquement de numérisation culturelle
Numériser des documents, enregistrer des langues, décrire des métiers, organiser des savoirs experts ou établir des règles éthiques pour les données sont des tâches précieuses, mais distinctes. Cette proposition les relie par une même question : qu’arrive-t-il à une capacité lorsqu’elle passe d’une pratique vivante à une représentation formelle ? Le but n’est pas de transformer une culture en contenu numérique. Il est d’étudier ce qui se conserve, se transforme et se perd dans ce passage, et de reconnaître ces différences avec les personnes qui connaissent la pratique.
3. Le principe méthodologique
Avant d’introduire des systèmes d’IA, le travail identifie les pratiques, activités, procédures, données, transformations, responsabilités, versions, éléments de preuve, règles de décision, exceptions et critères de validation. Cette base permet de distinguer une instruction écrite de l’opération réellement exécutée, puis de ce qu’un expert résout par l’expérience sans pouvoir le réduire entièrement à une règle. La documentation n’est pas supposée refléter parfaitement la pratique : cette différence est également observée.
4. Première phase : recensement et priorités
La première étape consiste à identifier les capacités, techniques, métiers et personnes qui souhaitent participer à leur documentation. Le recensement cherche à reconnaître les pratiques existantes, celles qui dépendent de très peu de maîtres, les lieux où la relève générationnelle s’affaiblit, les matériaux ou espaces indispensables et les formes de transmission qui ont besoin de soutien. Son utilité dépasse une liste de noms : il offre une première carte des capacités vivantes et des conditions de leur continuité. Les priorités doivent être convenues avec les personnes qui pratiquent ces savoirs.
5. Deuxième phase : communautés de pratique
Le savoir ne réside pas exclusivement dans les individus. Il se maintient aussi dans les ateliers, les routines partagées, les outils, les matériaux, les apprentissages, les corrections, les relations de confiance et les critères collectifs de qualité. La recherche identifie les communautés existantes ou les conditions dans lesquelles elles pourraient être renforcées, sans leur imposer une structure étrangère. Comparer les variantes et partager les critères peut réduire la dépendance envers un seul maître, à condition de respecter la diversité légitime de chaque pratique et de maintenir l’autorité de ses dépositaires.
6. Troisième phase : observer la transmission maître–apprenti
La relation maître–apprenti constitue le principal terrain d’observation. L’attention porte sur ce qui est expliqué oralement, montré avec les mains, appris par corrections successives, dépend du temps ou du matériau et exige un jugement expert. On distingue également les changements acceptables des erreurs et les conditions dans lesquelles deux maîtres peuvent agir différemment sans qu’aucun se trompe. Le but est de rendre l’apprentissage observable sans réduire prématurément sa complexité à des données.
7. Quatrième phase : procédures et formalisation
Une fois la pratique réelle comprise, des procédures peuvent décrire les séquences d’activité, outils, matériaux, fonctions, responsables, versions, transformations, critères de qualité, exceptions, essais et relations entre documents. Les photographies et autres traces ne sont intégrées que dans les conditions autorisées. Formaliser ne signifie pas imposer une version unique : il s’agit de distinguer ce qui peut être normalisé, les variantes à conserver et les aspects qui continuent de dépendre des circonstances et du jugement humain.
8. Cinquième phase : traçabilité et possibilité d’audit
L’étape suivante consiste à vérifier si une description peut être reliée à ses sources et si une personne compétente peut examiner la manière dont elle a été obtenue. Le contrôle documentaire, la gestion des versions, les critères de qualité et l’audit des processus permettent de passer d’une observation à une trace vérifiable et partiellement transmissible. La question n’est pas de savoir si tout peut devenir une procédure, mais quelles parties sont cohérentes, quelles variations sont légitimes et quels aspects perdraient leur sens si l’on tentait de les stabiliser artificiellement.
9. Sixième phase : hypothèse sur l’entropie informationnelle
Le modèle propose, comme hypothèse à tester, que certaines ambiguïtés informationnelles pourraient aider à identifier les zones où subsiste un savoir non formalisé. Il accorde une attention particulière à l’ambiguïté de responsabilité ou d’autorité — qui apporte, conserve, valide ou peut décider d’une pratique — et à l’ambiguïté de version — quelle description est utilisée, comment elle a changé et pourquoi différentes variantes coexistent. Ces ambiguïtés ne démontrent pas à elles seules l’existence d’un savoir tacite : elles peuvent signaler aussi bien un défaut documentaire qu’une complexité réelle du contexte. Cette distinction fait précisément partie de la recherche.
10. Désordre corrigeable et savoir tacite structurel
Lorsque l’ambiguïté provient de documents incomplets, de responsabilités floues, d’une duplication accidentelle ou d’un défaut de gestion des versions, la réponse peut être documentaire et organisationnelle : clarifier les autorités, consolider les traces, établir les provenances et vérifier le respect des accords. En revanche, lorsque deux variantes répondent légitimement à des matériaux, saisons, territoires, maîtres, rituels ou circonstances différents, supprimer la différence peut détruire du savoir. Il faut la comprendre, documenter ses conditions et la valider sans imposer une simplification.
11. Quatre types d’ambiguïté à distinguer
Le modèle de travail distingue quatre situations. Le désordre documentaire apparaît lorsque l’auteur, la version ou le contrôle manque et peut être corrigé par de meilleures traces. La duplication opérationnelle survient lorsque deux services maintiennent des informations sans coordination et exige des responsabilités et des sources maîtresses claires. L’ambiguïté contextuelle apparaît lorsque plusieurs versions sont valides dans des conditions différentes et nécessite de décrire ces conditions. Enfin, le savoir tacite structurel apparaît lorsqu’une pratique dépend d’un jugement expert encore non formalisé ; il exige observation, confrontation et préservation du contexte. Classer ces cas évite de confondre toute différence avec une erreur ou, à l’inverse, d’invoquer le mystère pour justifier un défaut corrigeable.
12. Septième phase : l’IA comme apprentie
L’IA intervient uniquement après la construction d’une base humaine et documentaire suffisante. Son premier rôle est celui d’une apprentie parallèle à l’humain : elle reçoit les procédures, observations, images autorisées, variantes, règles, exceptions, langage contextuel et corrections enregistrées pendant la transmission. On compare ce qu’un apprenti humain comprend et réalise avec ce que le système semble comprendre à partir de ces matériaux. La cohérence d’une réponse textuelle n’est pas considérée comme une preuve de compréhension de la pratique.
13. Huitième phase : l’IA au service de l’enseignement
Le second rôle est plus exigeant. On examine si le système peut expliquer une pratique de manière à aider une autre personne à l’apprendre, par exemple un nouvel apprenti, un artisan d’un autre contexte ou un observateur technique. Mémoriser des informations ne suffit plus : il faut conserver les séquences, conditions, variantes et limites. L’évaluation distingue la production d’une explication convaincante de la contribution réelle à une capacité qu’une autre personne peut exercer sous une supervision appropriée.
14. Révision humaine de la transmission assistée par IA
Les explications produites par les systèmes d’IA doivent être examinées par des personnes compétentes et légitimes pour évaluer la pratique. La révision vérifie si la séquence de travail est conservée, le contexte respecté, les variantes légitimes reconnues, les exceptions signalées et les provenances et limites d’usage maintenues. Elle recherche aussi les omissions, les affirmations inventées et une fausse impression de cohérence. Un système peut écrire avec fluidité tout en altérant le sens technique, culturel ou symbolique de ce qu’il prétend enseigner.
15. Hypothèse expérimentale
L’hypothèse centrale propose que plus la complexité contextuelle et la densité d’ambiguïtés légitimes d’une pratique sont élevées, plus il pourrait être difficile pour un système d’IA de la représenter, de la stabiliser et de la transmettre fidèlement. Cette relation doit encore être définie et vérifiée empiriquement ; ce n’est pas un résultat démontré. Pour l’étudier, des profils peuvent prendre en compte le nombre de variantes, l’autorité sur les traces, la gestion des versions, la dépendance au contexte, le jugement expert, la transmission implicite, les différences territoriales, la portée rituelle ou symbolique et la résistance à une formalisation uniforme.
16. Recherche comparative
La méthode est conçue pour comparer des pratiques différentes sans leur imposer une mesure culturelle unique. On pourrait étudier les broderies du Totonacapan et d’autres régions, la joaillerie, la culture et la préparation de la vanille, le tissage, l’horlogerie, la restauration, les savoirs écologiques ou les techniques complexes d’atelier. Chaque cas nécessite son propre accord avec les dépositaires du savoir et ses critères d’évaluation. La comparaison cherche à comprendre les aspects qui peuvent être explicités et ceux qui exigent une expérience située, sans hiérarchiser les cultures selon leur facilité de numérisation.
17. Ce que le modèle pourrait révéler
Une pratique principalement procédurale peut être plus facile à enregistrer, réviser et transmettre. Une autre, très dépendante de circonstances changeantes, aura besoin de règles contextuelles et d’une validation humaine. D’autres capacités dépendent de la perception de la matière, du geste, du temps, de l’autorité communautaire ou du savoir rituel et pourraient résister à une formalisation plus poussée. Il s’agit de profils de travail, non d’une classification définitive des personnes ou des cultures. L’un des résultats les plus précieux pourrait être d’identifier précisément où les systèmes d’IA échouent et quelles conditions humaines ne peuvent pas être remplacées.
18. Contribution proposée à l’évaluation de l’IA
Une grande partie de l’évaluation actuelle de l’IA porte sur le langage, le raisonnement, la recherche, les mathématiques, la programmation ou l’exécution de tâches. La proposition envisage un type d’essai complémentaire : confronter les modèles à des savoirs tacites situés, à la transmission maître–apprenti, aux variations légitimes et aux situations dans lesquelles la documentation n’épuise pas le contexte. L’objectif est d’observer quelles architectures ou stratégies permettent de reconnaître leurs limites et de travailler avec l’ambiguïté sans produire d’explications faussement assurées ni réduire les différences culturelles à une moyenne indifférenciée.
19. Contribution proposée à la préservation
La même méthode peut aider à identifier les capacités menacées, renforcer les communautés de pratique, documenter les variantes, favoriser l’enseignement entre générations, organiser des archives traçables et améliorer l’attribution culturelle. Elle peut aussi préparer des informations utiles pour étudier, lorsque cela convient et avec consentement, des mécanismes de protection formelle. Préserver ne signifie pas simplement stocker un enregistrement ou une description : il faut maintenir les conditions qui permettent de continuer à pratiquer, corriger et transmettre une capacité.
20. État institutionnel et conditions de mise en œuvre
Ce texte décrit une proposition de méthodologie de recherche, non un programme expérimental achevé ni une reconnaissance accordée par une institution extérieure. Sa mise en pratique éventuelle exige des communautés volontaires, des accords clairs sur les droits et l’accès, des chercheurs et évaluateurs compétents, des ressources de terrain, une documentation et des critères de révision. The Integral Management Society et l’Institut apportent une expérience du travail avec les communautés de pratique, la documentation, la gestion des processus et les systèmes complexes, mais chaque cas devra préciser ses participants, son périmètre, ses autorisations et ses éléments de preuve avant d’être présenté comme une activité réalisée.
21. La question qui reste ouverte
AI & Ancestral Wisdom ne cherche pas à démontrer que l’intelligence artificielle peut remplacer la sagesse humaine. Il s’agit de déterminer, de manière pratique et vérifiable, quels savoirs peuvent être documentés, lesquels peuvent être partiellement enseignés, lesquels peuvent être modélisés et lesquels doivent rester liés aux personnes, communautés, matériaux et territoires. La question centrale n’est pas de savoir si une IA peut stocker un savoir ancestral. Elle est de savoir si elle peut l’apprendre, l’expliquer et soutenir sa transmission sans perdre la cohérence du contexte ni effacer ce qui rend une pratique légitime et vivante.
Axe conceptuel de travail
La technologie peut aider à organiser des archives. Comprendre un savoir exige aussi la participation des personnes qui le vivent.
AI & Ancestral Wisdom explore la documentation des savoirs vivants et la préparation de traces pour des usages éducatifs et de recherche, en conservant contexte et provenance. Il s’agit d’un axe de travail de l’Institut : cette page ne présente ni système déployé ni résultats d’un projet pilote.
Avant de numériser
La première étape consiste à convenir de ce que l’on souhaite préserver et dans quel but. L’enregistrement doit respecter la langue, l’interprétation des dépositaires du savoir et les conditions d’accès. Certains savoirs peuvent être décrits sans en diffuser le contenu ; d’autres nécessitent un accès réservé.
Quatre questions pour chaque trace
- Provenance : d’où vient-elle et qui apporte l’information ?
- Contexte : quelle langue, quelle pratique et quelle situation lui donnent sens ?
- Autorisation : quels usages ont été convenus et dans quelles limites ?
- Révision : qui peut corriger une traduction ou une interprétation ?
Le rôle de l’intelligence artificielle
Les outils numériques peuvent aider au classement, à la recherche et à la préparation de transcriptions. Ces aides nécessitent une révision humaine et une traçabilité. Une traduction automatique ne devient pas la voix authentique d’une communauté ; une inférence n’est pas un témoignage.
Accès et réutilisation
Publier une description ne confère pas le droit d’entraîner des modèles ni de reproduire l’ensemble des matériaux associés. Chaque utilisation nécessite un cadre approprié d’autorisation, d’attribution et de responsabilité. Le but est de renforcer la mémoire et la transmission en préservant la capacité de décision des personnes concernées.
Un lien avec la recherche d’IMSV
Le dialogue avec les axes technologiques d’IMSV aide à formuler les questions de documentation et d’intégrité. Il n’implique ni validation d’un outil ni accord avec des tiers.
Découvrir Tegrity.AI →