Alors que l’intelligence artificielle générative s’immisce dans la production de l’information, une question cruciale se pose : une machine peut-elle distinguer une véritable innovation sociale d’une simple opération de communication ? Si l’IA excelle à traiter des masses de données, la méthode Reporters d’Espoirs rappelle que le journalisme d’impact repose sur un pilier que l’algorithme ne peut franchir seul : le discernement humain. Entre détection statistique et enquête de terrain, analyse du rôle des algorithmes dans la fabrique de l’information constructive. Un article méthode : IA vs journalisme de solutions .
L’IA comme radar : détecter les « déviances positives »
L’intelligence artificielle n’est pas l’ennemie du journalisme de solutions . En réalité, elle en est le premier éclaireur. Elle analyse les données pour identifier les « déviances positives ».
- Repérage d’anomalies : Les outils statistiques parcourent des bases de données massives.
- Efficacité : Ils repèrent une école ou un hôpital aux résultats supérieurs à la moyenne malgré un contexte difficile.
- Gain de temps : Ce processus est précieux pour les rédactions.
Des agrégateurs utilisent des opérateurs booléens pour filtrer les flux d’informations. Ainsi, ils aident les rédactions dans leur veille permanente. L’association Reporters d’Espoirs utilise d’ailleurs ce type d’algorithme, combiné à une expertise humaine, pour nourrir sa base de données ”LePlus”, véritable réservoir d’initiatives pour les médias.
Le mur de l’algorithme : l’impossibilité de valider la réponse
C’est ici que s’arrête la compétence de la machine. L’IA peut signaler un fait statistique inhabituel. Néanmoins, elle est incapable de confirmer la crédibilité d’une solution.
- Le « how-dunit » ou l’explication du processus : L’IA identifie le résultat chiffré, mais seul le travail d’enquête permet d’expliquer comment ce résultat a été obtenu.
- La détection du « socialwashing » : Distinguer une véritable réponse sociétale d’une opération de greenwashing nécessite une connaissance fine du contexte politique et historique que l’IA ne possède pas. Elle a tendance à favoriser les contenus viraux ou sensationnalistes, risquant de relayer un « récit miracle » sans recul critique.
- L’évaluation des limites : Une « vraie » solution doit impérativement exposer ses propres failles. L’IA, programmée pour être utile et consensuelle, peine à exercer cette distance critique indispensable à la crédibilité de l’info.
Le « 6e W » : l’exigence de l’enquête de terrain
Pour transformer une donnée en information de solution, le journaliste doit ajouter la question « And now ? » (Et maintenant ?) aux traditionnels 5W (qui, quoi, où, quand, pourquoi).
Cette étape exige un scepticisme nécessaire et un « travail à la maison » supplémentaire : vérifier les preuves via des essais contrôlés ou des données chiffrées solides. En interview, il est crucial de poser les questions qui fâchent sur la viabilité économique, le coût ou la pérennité de l’action. Un algorithme peut corréler des données, mais il ne peut pas confronter un porteur de projet sur la réalité de son infrastructure.
L’analogie de l’astronome
On peut comparer l’IA à un télescope automatique : il est capable de balayer le ciel pour pointer une lumière inhabituelle. Mais il faut toujours un astronome pour analyser le spectre de cette lumière, confirmer qu’il s’agit bien d’une étoile et non d’un satellite, et en expliquer la composition
IA vs journalisme de solutions : qui gagne le match ?
En résumé, l’IA agit comme un radar capable de signaler une anomalie statistique intéressante, mais elle ne possède pas le discernement éthique nécessaire pour qualifier cette anomalie de « solution » au sens journalistique.
Pour Reporters d’Espoirs, la technologie augmente le regard du journaliste, elle ne le remplace pas.
