TikTok, X et Meta accusés de bloquer l'accès aux données des chercheurs
Des universitaires européens affirment que TikTok, X et Meta ne fournissent pas les données de plateforme qu'ils sont légalement tenus de partager. Selon les chercheurs, cet écart entrave considérablement les études indépendantes sur les effets des réseaux sociaux sur l'opinion publique, la santé mentale et la propagation de la désinformation. Les entreprises elles-mêmes ne sont pas directement citées dans ce qui a été rapporté ici ; les affirmations sont attribuées aux chercheurs et à une plainte connexe.
L'obligation en question découle de règles de l'Union européenne imposant aux grandes plateformes de fournir un accès aux données aux chercheurs. Ce type de règles vise à permettre aux universitaires et aux organisations de la société civile d'examiner de manière indépendante le comportement des plateformes — la façon dont les algorithmes mettent en avant certains contenus, par exemple, ou la vitesse à laquelle la désinformation se propage.
Selon les chercheurs, il existe un large écart entre l'accès accordé sur le papier par les règles et ce qui est réellement fourni en pratique. Les demandes de données seraient retardées, les données fournies seraient incomplètes ou livrées dans des formats inutilisables, ou les conditions d'accès seraient suffisamment restrictives pour rendre la recherche pratiquement impossible. Ces affirmations n'ont pas été vérifiées de manière indépendante dans le cadre de cet article.
Il convient de souligner qu'aucune violation des règles par une entreprise n'est présentée ici comme un fait établi. Des termes comme « accusé », « affirment » et « selon les chercheurs » sont employés délibérément, car ce qui est connu repose sur des déclarations de chercheurs et sur la plainte ou le rapport sous-jacent ; les entreprises ne sont citées avec aucune réponse dans ce qui a été rapporté ici.
Ce débat n'est pas nouveau : la transparence des plateformes et l'accès des chercheurs occupent depuis longtemps une place centrale dans les discussions sur l'effet des réseaux sociaux sur la société. Les chercheurs font valoir qu'en l'absence d'un examen extérieur indépendant, les déclarations que les plateformes fondent sur leurs propres données internes restent invérifiables.
Les trois entreprises ne sont pas dans une position identique dans ce différend ; chacune a un produit et une base d'utilisateurs différents. Mais selon les chercheurs, le problème d'accès aux données est observé chez les trois, sous des formes similaires ou différentes. Aucun langage chargé n'est employé envers l'une ou l'autre des trois entreprises dans cet article ; un cadrage neutre est maintenu tout au long du texte.
Un manque d'accès aux données peut avoir des conséquences concrètes : les chercheurs peuvent avoir du mal à produire des conclusions fondées sur des preuves concernant des questions telles que la contribution des recommandations algorithmiques à la polarisation, la vitesse de propagation de la désinformation, ou les effets sur les jeunes utilisateurs. Cela affecte à son tour directement ce que le public et les régulateurs peuvent réellement savoir de l'impact réel des plateformes.
Le caractère applicable du cadre réglementaire fait également partie de ce débat. Des règles peuvent exister sur le papier, mais la manière dont elles sont appliquées, et dont les allégations de violation sont instruites, détermine l'efficacité réelle de la réglementation. Cela ne concerne pas uniquement ces trois entreprises ; il s'agit d'un cas test plus large pour la régulation des plateformes en général.
À l'avenir, il faudra suivre la manière dont la plainte ou le rapport sous-jacent sera traité et la réponse qu'apporteront les régulateurs. La façon dont les entreprises réagiront à ces accusations sera également un facteur important dans la manière dont le public évaluera l'affaire.
Pris ensemble, ce différend soulève une question plus large sur la capacité des règles de transparence des données à combler l'écart entre l'intention et l'application — non pas comme un dénouement, mais comme un élément d'un débat toujours en cours.
À lire ensuite
Hausse de prix du Pixel 11 : un dirigeant de Google la confirme presque
Shakil Barkat, vice-président Appareils et Services chez Google, a pratiquement confirmé lors d'un entretien avec 9to5Google que le prochain téléphone Pixel de l'entreprise coûterait plus cher que le Pixel 10. Barkat a déclaré que Google avait « protégé les consommateurs des fluctuations d'approvisionnement aussi longtemps que possible », mais que « l'économie a fondamentalement changé ». Apple, Nintendo, Microsoft et Roku ont tous récemment relevé leurs prix pour des raisons similaires.
Le PDG de Hugging Face réclame une transparence radicale après le piratage
Le PDG de Hugging Face, Clément Delangue, a appelé les entreprises d'IA à une « transparence radicale » à la suite d'un incident de sécurité touchant OpenAI, qu'il a qualifié lui-même de « première cyberattaque menée par un agent autonome ». Delangue a décrit l'événement comme « sans précédent » et a estimé qu'il « mérite une réponse sans précédent ». Ces qualifications proviennent de sa propre déclaration publique, et non d'un compte rendu officiel d'OpenAI.
Efficacité par jeton : pourquoi elle compte plus que la puissance brute
Les nouveaux modèles d'IA rivalisent de moins en moins sur des sauts de capacité spectaculaires et de plus en plus sur leur capacité à accomplir la même tâche avec moins de « jetons » et à moindre coût. Le dernier modèle phare d'une entreprise illustre ce basculement, égalant la production de ses concurrents à un prix inférieur plutôt qu'en dominant chaque test. Cet article explique ce qu'est l'efficacité par jeton et pourquoi le secteur s'y intéresse désormais.
Pourquoi les modèles d'IA chinois comme Kimi inquiètent Wall Street
Le lancement du modèle Kimi par Moonshot AI a déclenché un accès d'inquiétude familier en Silicon Valley et à Wall Street, rappelant de précédents lancements chinois ayant fait pression sur les prix américains. Ce schéma en dit moins sur un modèle précis que sur la mesure dans laquelle les valorisations de l'IA reposent encore sur un pouvoir de fixation des prix durable. Cet article explique pourquoi les modèles chinois, moins chers et compétitifs, continuent d'inquiéter les marchés américains.
L'IA AlphaFold aide à repenser des protéines d'édition génique plus sûres
Des chercheurs utilisent AlphaFold, le système d'intelligence artificielle de Google DeepMind qui prédit la structure tridimensionnelle des protéines, pour identifier quelles parties des protéines d'édition génique provoquent des erreurs hors cible. Les travaux visent à repenser les protéines associées à CRISPR afin qu'elles coupent l'ADN avec plus de précision, réduisant les erreurs susceptibles de toucher des gènes non visés. La recherche en est encore au stade de l'ingénierie des protéines, pas d'un traitement clinique.