Les citoyens acceptent-ils les décisions algorithmiques des pouvoirs publics ? Ce que montrent les enquêtes et les expériences

Les gouvernements recourent de plus en plus aux algorithmes pour évaluer les risques, trier les demandes et décider des droits auxquels les personnes peuvent prétendre, mais la légitimité de ces décisions dépend de leur acceptation par les personnes concernées. Cette étude examine deux ensembles de travaux portant sur cette question : les expériences comportementales sur l’« aversion aux algorithmes » et l’« appréciation des algorithmes », ainsi que les expériences par enquête et les expériences conjointes sur la prise de décision algorithmique dans le secteur public, en les complétant par de grandes enquêtes d’opinion menées aux États-Unis et au Royaume-Uni. Les données disponibles ne permettent pas d’affirmer simplement que les gens rejettent les algorithmes. Les personnes font souvent confiance aux conseils algorithmiques, parfois davantage qu’aux conseils humains, surtout pour les tâches considérées comme mécaniques et lorsqu’elles ne sont pas elles-mêmes expertes. Mais le soutien chute nettement lorsque l’algorithme décide au lieu de conseiller, lorsque la décision porte sur des situations personnelles, telles que l’aide sociale ou la justice, et lorsqu’il n’existe aucun recours à un humain. Dans l’ensemble des études, les caractéristiques qui renforcent le plus régulièrement l’acceptation sont la possibilité de faire appel, une implication humaine réelle, des explications des décisions individuelles, une exactitude démontrée et la confiance dans l’organisation qui déploie le système. Au Royaume-Uni, la préoccupation concernant les décisions de l’IA sur l’admissibilité aux prestations sociales est passée de 44% à 59% entre 2022 et 2024, et la proportion de personnes déclarant que des procédures d’appel les mettraient davantage à l’aise est passée de 59% à 65%.

Principaux résultats

• L’aversion et l’appréciation existent toutes deux ; le contexte est déterminant. Après avoir vu des algorithmes commettre des erreurs, les personnes les abandonnent plus rapidement que les humains (Dietvorst, Simmons and Massey), tandis que les non-spécialistes suivent souvent davantage les conseils algorithmiques que les conseils humains (Logg, Minson and Moore). Les experts et les personnes qui évaluent leurs propres estimations manifestent moins d’appréciation.
• Les algorithmes sont davantage acceptés lorsqu’ils conseillent que lorsqu’ils décident. Dans une expérience préenregistrée sur l’élaboration des politiques de l’UE (n=572), l’IA comme unique décideur était jugée illégitime, tandis que la prise de décision hybride humain-IA n’était pas évaluée différemment du statu quo quant à la légitimité du processus et des résultats (Starke and Lünich).
• Les décisions personnelles et morales suscitent le plus de résistance. Pour les tâches exigeant des « compétences humaines », les décisions algorithmiques étaient jugées moins équitables et moins dignes de confiance (Lee). Aux États-Unis, 56% des personnes interrogées jugeaient inacceptables les scores algorithmiques de risque criminel utilisés pour la libération conditionnelle, et 67-68% rejetaient l’analyse automatisée des entretiens vidéo et l’évaluation du crédit personnel (Pew, 2018).
• Les recours et l’implication humaine comptent le plus. Dans des expériences conjointes menées au Royaume-Uni sur les visas et les permis de stationnement, l’exactitude, un système de recours, la transparence, un coût inférieur, l’absence de partage des données et l’absence d’intervention d’entreprises privées ont tous accru l’acceptation et l’équité perçue (Horváth and colleagues). Dans le classement établi par le public britannique lui-même, les lois et la réglementation (72%) ainsi que les procédures d’appel (65%) arrivent en tête des mesures qui renforceraient sa confiance à l’égard de l’IA (Ada Lovelace Institute and Alan Turing Institute, 2024/25).
• Les explications sont utiles, mais l’accès au code ne l’est pas. Expliquer les raisons d’une décision renforce davantage la confiance que le fait de rendre l’algorithme accessible, et cet effet varie selon le contexte (Grimmelikhuijsen).
• L’identité de l’organisme qui déploie le système compte autant que le système lui-même. En Allemagne, l’acceptation des algorithmes de police prédictive et de prédiction du cancer dépendait davantage de la confiance dans l’organisation qui les déploie et de l’importance du problème que de la performance mesurée de l’algorithme (Wenzelburger and colleagues).
• Les préoccupations augmentent. Aux États-Unis, la proportion des personnes davantage préoccupées qu’enthousiasmées par l’IA est passée de 38% en décembre 2022 à 52% en août 2023 ; en 2024, 62% des adultes américains avaient peu ou pas confiance dans la capacité du gouvernement à réglementer efficacement l’IA (Pew).

Question de recherche et périmètre

L’étude pose la question suivante : dans quelles conditions les personnes acceptent-elles les décisions prises ou étayées par des algorithmes au sein des pouvoirs publics, et qu’est-ce qui renforce la légitimité de ces décisions ? L’« acceptation » comprend les préférences entre décideurs humains et algorithmiques, les jugements d’équité et de confiance, ainsi que la légitimité perçue. La revue couvre les expériences comportementales (portant principalement sur des tâches de prévision), les expériences par enquête et les dispositifs de choix conjoint portant sur des situations du secteur public, ainsi que de grandes enquêtes représentatives. Elle se concentre sur les États-Unis et l’Europe, d’où provient presque toute la documentation ; une revue systématique de 2022 a conclu que les travaux sur les perceptions de l’équité proviennent « presque exclusivement de contextes démocratiques occidentaux ».

Contexte

Deux cas d’échec structurent le débat en Europe et en Australie. Aux Pays-Bas, un dispositif d’évaluation des risques et de détection de la fraude dans les prestations de garde d’enfants a considéré à tort des milliers de familles comme des fraudeuses et a conduit à la démission du cabinet en janvier 2021. En Australie, le dispositif automatisé « Robodebt » a imposé des dettes illégales à des bénéficiaires de l’aide sociale, comme l’a conclu une commission royale en 2023. Ces deux cas sont documentés ailleurs dans cet atlas. Au Royaume-Uni, l’algorithme utilisé en 2020 pour modérer les notes de fin de scolarité pendant la pandémie a été abandonné après des protestations publiques. Ces cas présentent des caractéristiques communes : des décisions à forts enjeux concernant des individus, des voies de contestation limitées et des systèmes dont la logique n’a pas été expliquée aux personnes concernées.

Le débat universitaire a deux racines. Depuis les travaux de Paul Meehl, dans les années 1950, les psychologues ont montré que de simples règles statistiques permettent souvent de faire de meilleures prévisions que le jugement des experts, mais que les individus résistent à leur utilisation, phénomène plus tard désigné sous le nom d’« aversion aux algorithmes ». Les chercheurs en administration publique et en légitimité posent une autre question : non pas si les individus utilisent une prévision, mais si une décision prise par un algorithme ou avec son concours est légitime. Cette seconde question s’appuie sur la théorie de la justice procédurale, selon laquelle les individus acceptent des résultats défavorables lorsqu’ils estiment que la procédure est équitable, transparente et respectueuse.

Méthode et sources

Il s’agit d’une revue narrative des données probantes les plus solides disponibles, sélectionnées en fonction de la qualité de la méthodologie et de leur pertinence pour l’action publique. Elle s’appuie sur deux revues systématiques consacrées à l’aversion aux algorithmes (Burton, Stein et Jensen : 61 articles ; Mahmud et ses collègues : 80 études) et une autre portant sur les perceptions d’équité (Starke, Baleis, Keller et Marcinkowski : 58 études) ; des expériences individuelles fondées sur des scénarios du secteur public en Europe et aux États-Unis ; des enquêtes du Pew Research Center (2018, 2023, 2024) ; et les deux vagues de l’enquête de l’Ada Lovelace Institute et de l’Alan Turing Institute auprès du public britannique et du Royaume-Uni (travaux de terrain en novembre 2022 et en octobre-novembre 2024). L’enquête de l’OCDE sur les déterminants de la confiance dans les institutions publiques (près de 60 000 réponses dans 30 pays, fin 2023) apporte un éclairage contextuel sur la confiance générale dans les pouvoirs publics. Les tailles des échantillons et les dates sont indiquées dans le texte afin que les lecteurs puissent en apprécier la portée.

Résultats

Aversion et appréciation

Dietvorst, Simmons et Massey ont forgé l’expression « aversion aux algorithmes » dans le cadre de cinq études où les participants devaient choisir si leur rémunération dépendrait des prévisions d’un humain ou d’un modèle statistique. Les participants qui avaient observé les performances de l’algorithme lui accordaient moins confiance et étaient moins susceptibles de le choisir plutôt qu’un prévisionniste humain moins performant, « même parmi ceux qui avaient vu l’algorithme surpasser l’humain ». Le mécanisme relève d’une indulgence asymétrique : après avoir observé la même erreur, les individus perdent plus rapidement confiance dans les algorithmes que dans les humains.

Logg, Minson et Moore ont constaté le contraire dans six expériences : les non-spécialistes suivaient davantage les conseils lorsqu’ils pensaient qu’ils provenaient d’un algorithme plutôt que d’une personne, dans des tâches allant de l’estimation de poids à la prévision de la popularité de chansons. Cette appréciation diminuait lorsque les individus devaient choisir entre l’estimation d’un algorithme et la leur, ainsi que chez les professionnels expérimentés, qui se fiaient moins aux conseils algorithmiques que les non-spécialistes, au détriment de leur exactitude.

Deux revues systématiques permettent de concilier ces résultats. Burton, Stein et Jensen, qui ont passé en revue 61 articles évalués par les pairs publiés entre 1950 et 2018, ont regroupé les causes de l’aversion sous les catégories suivantes : attentes et expertise, autonomie décisionnelle, incitations, compatibilité cognitive et rationalités divergentes. Mahmud, Islam, Ahmed et Smolander, qui ont passé en revue 80 études empiriques, ont classé les facteurs d’influence en quatre catégories : l’algorithme, l’individu, la tâche et les facteurs de niveau supérieur ; ils ont également relevé que les facteurs liés à la tâche et ceux de niveau supérieur (sociaux et institutionnels) sont insuffisamment étudiés. La leçon commune est que l’aversion est conditionnelle : elle dépend de la personne qui évalue, de la tâche et du maintien ou non d’une certaine maîtrise par les personnes concernées.

Les données d’enquête vont dans le même sens. Araujo, Helberger, Kruikemeier et de Vreese, dans une expérience d’enquête fondée sur des scénarios et menée auprès d’un échantillon national de 958 répondants, portant sur des décisions dans les domaines des médias, de la santé publique et de la justice, ont constaté que les répondants étaient largement préoccupés par les risques de la prise de décision automatisée et partagés quant à son équité et à son utilité à l’échelle de la société ; toutefois, face à des décisions précises, ils évaluaient souvent l’IA à égalité avec les experts humains, voire plus favorablement.

Pour les politiques publiques, Kennedy, Waggoner et Ward ont mené des expériences sur la prévision d’événements politiques et de la récidive criminelle. « Contrairement aux travaux antérieurs sur l’aversion aux algorithmes », ils ont constaté une confiance élevée dans les algorithmes par rapport à d’autres sources de conseil, même lorsque les informations sur l’algorithme étaient minimes. Une expérience conjointe a montré que l’aversion au risque, la taille des données d’entraînement, la présence d’un humain dans la boucle et la réputation du développeur influençaient les préférences.

Qui décide : la légitimité des décisions hybrides et entièrement automatisées

Starke et Lünich ont comparé trois configurations d’élaboration des politiques de l’UE dans le cadre d’une expérience en ligne préenregistrée (n=572) : les responsables politiques seuls, l’IA seule et les responsables politiques travaillant avec l’IA. La configuration existante a été jugée la plus participative et la plus accessible (légitimité des intrants). En ce qui concerne le processus (légitimité des procédures) et les résultats (légitimité des extrants), aucune différence n’a été observée entre le statu quo et la configuration hybride ; en revanche, les répondants ont estimé que l’IA, en tant que seule décideuse, était illégitime. Ce constat est important pour la conception des institutions : les personnes font une nette distinction entre l’IA comme outil au service de responsables comptables de leurs actes et l’IA comme substitut à ces responsables.

Ingrams, Kaufmann et Jacobs sont parvenus à un résultat similaire dans une expérience d’enquête sur le contrôle fiscal : une décision dirigée par l’IA était perçue comme moins bureaucratique qu’une décision humaine, mais aussi comme moins digne de confiance. L’efficacité et la confiance peuvent évoluer en sens opposés.

L’expérience de Lee sur les décisions managériales a montré pourquoi le type de tâche compte. Pour les tâches « mécaniques », comme la planification des horaires, les décisions algorithmiques et humaines étaient jugées tout aussi équitables et dignes de confiance. Pour les tâches exigeant des « compétences humaines », comme le recrutement et l’évaluation, les décisions algorithmiques étaient jugées moins équitables et moins dignes de confiance et suscitaient davantage d’émotions négatives, attribuées au manque d’intuition perçu de l’algorithme et à « l’expérience déshumanisante d’être évalué par des machines ». Binns et ses collègues ont constaté que le sens de la justice des participants à l’égard des décisions algorithmiques mobilisait les mêmes dimensions que pour les décisions humaines, avec des préoccupations concernant l’arbitraire, la généralisation et la dignité, résumées par la formule qui donne son titre à leur article : « Cela revient à réduire un être humain à un pourcentage. »

Tout le monde ne préfère pas un être humain. Dans une expérience par enquête menée aux États-Unis, Miller et Keiser ont constaté que les répondants noirs évaluaient la prise de décision automatisée plus favorablement que les policiers en matière d’équité et de préférence lorsqu’on leur indiquait que le service de police ne pratiquait pas la représentation passive ; les répondants blancs ne présentaient pas cette tendance. Lorsque les décideurs humains suscitent la méfiance, l’automatisation peut sembler constituer une amélioration.

Ce qui accroît l’acceptation

Horváth, James, Banducci et Beduschi ont mené au Royaume-Uni une expérience conjointe préenregistrée portant sur le traitement par l’IA des demandes de visa d’immigration et de permis de stationnement. Une participation humaine accrue tendait à augmenter l’acceptation, même si elle influait moins sur l’équité perçue ; lorsque les cas de stationnement impliquaient une marge de manœuvre humaine substantielle, les répondants préféraient une intervention humaine plus limitée. La participation humaine compensait peu les attributs défavorables de l’IA. À l’inverse, « une grande précision, la présence d’un système d’appel, une transparence accrue, une réduction des coûts, l’absence de partage des données et l’absence de participation d’entreprises privées » renforçaient à la fois l’acceptation et l’équité procédurale perçue.

Grimmelikhuijsen a testé deux aspects de la transparence — l’accessibilité (la possibilité de voir l’algorithme) et l’explicabilité (le fait d’être informé des raisons d’une décision) — dans le contexte d’une demande de visa refusée et d’un soupçon de fraude aux prestations sociales. L’explicabilité avait un effet plus marqué sur la confiance que l’accessibilité ; la transparence influait sur la confiance envers le décideur humain autant que sur celle envers l’algorithme ; et les effets n’étaient pas robustes dans les deux contextes. La transparence « en tant qu’accessibilité » était insuffisante.

Wenzelburger, König, Felfeli et Achtziger ont interrogé 2,661 répondants issus d’un panel en ligne allemand représentatif sur la police prédictive et la prédiction du cancer de la peau. L’acceptation était « fortement façonnée » par l’importance personnelle du problème et par la confiance envers les organisations déployant l’algorithme ; la performance objective de l’algorithme importait beaucoup moins.

Ce que dit le public : grandes enquêtes

États-Unis. L’enquête menée par Pew en 2018 auprès de 4,594 adultes a révélé que 58% estimaient que les programmes informatiques refléteraient toujours certains biais humains. La majorité jugeait inacceptables trois des quatre scénarios : un score automatisé de finances personnelles (68% inacceptable), l’analyse automatisée d’entretiens d’embauche vidéo (67%) et l’évaluation automatisée du risque criminel pour les décisions de libération conditionnelle (56% inacceptable, 42% acceptable) ; 41% jugeaient acceptable le tri automatisé des CV. L’enquête menée par Pew en août 2023 auprès de 11,201 adultes a révélé que 52% se disaient davantage préoccupés qu’enthousiastes à propos de l’IA dans la vie quotidienne, contre 38% en décembre 2022. En août 2024, 51% des 5,410 adultes se disaient davantage préoccupés qu’enthousiastes, 62% n’avaient pas beaucoup confiance, ou aucune confiance, dans la capacité du gouvernement à réglementer efficacement l’IA, et 55% souhaitaient davantage de contrôle sur la manière dont l’IA est utilisée dans leur vie.

Royaume-Uni. L’enquête de l’Ada Lovelace Institute et de l’Alan Turing Institute est la source la plus détaillée sur les usages dans le secteur public.

En 2024/25, 63% ont déclaré ne pas être à l’aise avec l’idée que l’IA prenne des décisions qui affectent leur vie ; 62% ont déclaré qu’une explication devrait toujours accompagner une décision de l’IA (dont 37% souhaitent que des humains prennent et expliquent les décisions) ; 71% des répondants noirs et britanniques noirs étaient préoccupés par l’utilisation de l’IA pour évaluer l’admissibilité aux prestations sociales, contre 59% à l’échelle nationale ; et 50% estimaient que leur point de vue n’était pas pris en compte dans les décisions concernant l’IA qui affectent leur vie. En 2022/23, un organisme de réglementation indépendant était le choix le plus populaire (41%) pour veiller à ce que l’IA soit utilisée en toute sécurité ; en 2024/25, alors que les répondants pouvaient choisir jusqu’à trois options, il a été choisi par 58% d’entre eux.

Le contraste entre la reconnaissance faciale dans le cadre du maintien de l’ordre (jugée bénéfique par 91%) et l’évaluation de l’admissibilité aux prestations sociales (47%) est instructif. Les répondants semblent accepter l’IA lorsqu’elle est perçue comme visant autrui ou comme un outil à la disposition des fonctionnaires, et s’y opposer lorsqu’elle décide de leurs propres droits.

Ce que les données ne montrent pas

• Le comportement après des décisions réelles. La plupart des études s’appuient sur des scénarios hypothétiques. Il existe peu de données sur la manière dont les personnes ayant effectivement reçu une décision automatisée, telle qu’un refus de prestation, jugent sa légitimité, s’y conforment ou font appel.
• Les effets à long terme. Les enquêtes montrent une inquiétude croissante depuis 2022, mais ne permettent pas de distinguer les réactions à l’IA dans l’administration publique des réactions à l’IA générative en général ou à l’actualité.
• Les effets causaux des garanties dans la pratique. Les expériences conjointes montrent que les possibilités d’appel et les explications augmentent l’acceptation déclarée ; la question de savoir si leur mise en place dans un service réel accroît la confiance n’a pas été testée au moyen d’expériences de terrain.
• La généralisation à l’échelle mondiale. Les données disponibles proviennent presque exclusivement des États-Unis et de l’Europe occidentale.
• La qualité de l’acceptation. Les gens peuvent accepter des systèmes qu’ils ne devraient pas accepter, comme le suggèrent la littérature sur l’appréciation et les chiffres sur la reconnaissance faciale. Une forte acceptation ne prouve pas qu’un système est équitable.

Implications pour la conception institutionnelle

1. Maintenir un décideur humain pour les décisions individuelles ayant des conséquences importantes et présenter l’algorithme comme un outil consultatif. Les données sur la légitimité des dispositifs hybrides et sur les tâches mobilisant des « compétences humaines » étayent ce choix davantage que toute autre option de conception.
2. Faire du recours auprès d’un humain un droit, et non une faveur. C’est la caractéristique le plus constamment associée à l’acceptation et c’est aussi la principale garantie contre les erreurs.
3. Expliquer les décisions, pas seulement les systèmes. Les registres algorithmiques, tels que les registres de transparence du Royaume-Uni, facilitent la supervision, mais les explications individuelles comptent davantage pour la confiance.
4. Éviter le partage de données avec le secteur privé et le manque de transparence quant au rôle des fournisseurs dans les usages publics à forts enjeux, ou les justifier ouvertement.
5. Investir dans la fiabilité des institutions. L’acceptation dépend de la confiance dans l’organisme qui déploie le système ; un organisme auquel on ne fait pas confiance ne sera pas sauvé par un meilleur modèle.
6. Ne pas confondre acceptation et légitimité. Les systèmes doivent être évalués selon leur exactitude et leur équité, indépendamment de leur popularité.

Questions ouvertes

• Les droits d’appel renforcent-ils la confiance lorsque les gens savent que peu de recours aboutissent ?
• Comment les gens jugent-ils les décisions dans lesquelles l’IA et un fonctionnaire humain sont en désaccord, et qui devrait l’emporter ?
• La montée des inquiétudes depuis 2022 reflète-t-elle l’expérience de l’IA dans les services publics, ou une anxiété plus générale à l’égard de l’IA générative ?
• En quoi les attitudes diffèrent-elles en dehors des démocraties occidentales, où la confiance dans les fonctionnaires humains peut être plus faible ?
• Des processus participatifs, tels que des assemblées citoyennes sur les systèmes algorithmiques, peuvent-ils renforcer la légitimité auprès des personnes qui n’y participent pas ?

Sources

1. Dietvorst, B. J., Simmons, J. P. et Massey, C. (2015). Aversion aux algorithmes : les individus évitent à tort les algorithmes après les avoir vus se tromper. Journal of Experimental Psychology: General 144(1), 114-126.
2. Logg, J. M., Minson, J. A. et Moore, D. A. (2019). Appréciation des algorithmes : les individus préfèrent le jugement algorithmique au jugement humain. Organizational Behavior and Human Decision Processes 151, 90-103.
3. Burton, J. W., Stein, M.-K. et Jensen, T. B. (2020). Revue systématique de l’aversion aux algorithmes dans la prise de décision augmentée. Journal of Behavioral Decision Making 33(2), 220-239.
4. Mahmud, H., Islam, A. K. M. N., Ahmed, S. I. et Smolander, K. (2022). Qu’est-ce qui influence la prise de décision algorithmique ? Une revue systématique de la littérature sur l’aversion aux algorithmes. Technological Forecasting and Social Change 175, 121390.
5. Starke, C., Baleis, J., Keller, B. et Marcinkowski, F. (2022). Perceptions de l’équité dans la prise de décision algorithmique : revue systématique de la littérature empirique. Big Data & Society 9(2).
6. Starke, C. et Lünich, M. (2020). L’intelligence artificielle au service de la prise de décision politique dans l’Union européenne : effets sur la perception par les citoyens de la légitimité des processus d’entrée, de traitement et de sortie. Data & Policy 2, e16.
7. Kennedy, R. P., Waggoner, P. D. et Ward, M. M. (2022). Confiance dans les algorithmes des politiques publiques. The Journal of Politics 84(2), 1132-1148.
8. Lee, M. K. (2018). Comprendre la perception des décisions algorithmiques : équité, confiance et émotions face à la gestion algorithmique. Big Data & Society 5(1).
9. Binns, R., Van Kleek, M., Veale, M., Lyngs, U., Zhao, J. et Shadbolt, N. (2018). « Cela revient à réduire un être humain à un pourcentage » : perceptions de la justice dans les décisions algorithmiques. Dans Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems.
10. Miller, S. M. et Keiser, L. R. (2021). Bureaucratie représentative et attitudes à l’égard de la prise de décision automatisée. Journal of Public Administration Research and Theory 31(1), 150-165.
11. Ingrams, A., Kaufmann, W. et Jacobs, D. (2022). Faisons-nous confiance à l’IA ? Perceptions des citoyens à l’égard de l’IA dans la prise de décision gouvernementale. Policy & Internet 14(2), 390-409.
12. Grimmelikhuijsen, S. (2023). Expliquer pourquoi l’ordinateur répond non : la transparence algorithmique influe sur la fiabilité perçue de la prise de décision automatisée. Public Administration Review 83(2), 241-262.
13. Horváth, L., James, O., Banducci, S. et Beduschi, A. (2023). Acceptation de l’intelligence artificielle dans les services publics par les citoyens : résultats d’une expérience conjointe sur le traitement des demandes de permis. Government Information Quarterly 40(4), 101876.
14. Wenzelburger, G., König, P. D., Felfeli, J. et Achtziger, A. (2024). Les algorithmes dans le secteur public. Pourquoi le contexte est important. Public Administration 102(1), 40-60.
15. Araujo, T., Helberger, N., Kruikemeier, S. et de Vreese, C. H. (2020). Faisons-nous confiance à l’IA ? Perceptions de la prise de décision automatisée par l’intelligence artificielle. AI & Society 35(3), 611-623.
16. Pew Research Center (2018). Opinions du public sur les algorithmes informatiques, 16 novembre 2018.
17. Pew Research Center (2023). Préoccupation croissante du public quant au rôle de l’intelligence artificielle dans la vie quotidienne, 28 août 2023.
18. Pew Research Center (2025). Comment le public américain et les experts en IA perçoivent l’intelligence artificielle, 3 avril 2025.
19. Ada Lovelace Institute et The Alan Turing Institute (2023). Que pensent les gens de l’IA ? (résultats de l’enquête 2022/23).
20. Ada Lovelace Institute et The Alan Turing Institute (2025). Que pensent les gens de l’IA ? (résultats de l’enquête 2024/25).
21. OCDE (2024). Enquête de l’OCDE sur les facteurs déterminants de la confiance dans les institutions publiques – résultats 2024. Éditions OCDE.