Régimes du corpus dans l'édification de l'IA

Problématique

Lorsque l'on soumet un corpus à une IA, on a trop souvent tendance à tout mettre sur le même plan : un livre, une base de données brute, une encyclopédie, un roman, un conte traditionnel, un agrégat de pages web — tout devient "donnée".

Or, ces apports ne sont pas équivalents. Ils ne relèvent pas du même régime d'autorité, ni de la même fonction dans l'édification de l'IA.

Cette fiche propose une typologie simple, en cinq niveaux, pour distinguer clairement ce qui relève :

• du socle linguistique,
• de la collecte ouverte,
• de la référence collective,
• de l'œuvre signée,
• du patrimoine culturel immatériel.

Les cinq régimes du corpus

Niveau	Dénomination	Acronyme	Définition	Exemple
0	Corpus Fundamentum	CF	Le corpus fondationnel. Il est antérieur, invisible, et constitue la capacité linguistique et sémantique de base de l'IA. L'IA est entraînée sur lui. Il n'est pas un "apport" choisi, mais la condition de possibilité de toute compréhension.	L'ensemble des textes (livres, sites, articles) ayant servi à l'entraînement initial d'un grand modèle de langue.
1	Corpus Origo	CO	Le corpus-source. Collecte ouverte, librement assemblée par le concepteur (chercheur, ingénieur, entreprise, amateur). Il est ouvert, additif, non validé, et peut être continuellement enrichi par qui veut. C'est le matériau premier du travail.	Une base de données personnelle, une collecte de textes sur un sujet, un web crawler maison.
2	Corpus Authenticatum	CA	Le corpus authentifié. Validé par un collectif, une institution, une communauté scientifique ou professionnelle. Il fait autorité par consensus ou par méthode. On s'y réfère comme à un repère stable.	Une encyclopédie validée, une base de données officielle, un corpus institutionnel, un dictionnaire.
3	Corpus Signatum	CS	Le corpus signé. Œuvre achevée, assumée par un auteur (personne ou entité) qui en prend la responsabilité. L'IA ne le reçoit pas comme une donnée, mais comme un apport constitué — l'équivalent d'un livre pour l'esprit humain.	Un livre, une thèse, un poème, une documentation technique, un manifeste, une constitution.
4	Corpus Replicatum	CR	Le corpus réplicatif. Il est le véhicule du patrimoine culturel immatériel : traditions orales, contes, mythes, chants, proverbes, savoir-faire, pratiques sociales. Il vit par la réplication, la variation, la transmission continue, sans auteur unique ni original achevé. L'IA le reçoit comme un flux vivant à réactiver.	Un recueil de contes populaires, une base de traditions orales, un corpus de chants traditionnels, un ensemble de proverbes, une collection de variations d'un mythe.

Ce que ces régimes impliquent pour l'IA

Régime	L'IA est...	Ce qu'elle peut en faire	Ce qui la limite
CF	un locuteur	Parler, comprendre, reformuler	Elle ne connaît que ce qui est dans le CF.
CO	un outil	Traiter, extraire, organiser	Elle n'a pas de guide ; tout se vaut.
CA	un élève	Apprendre, se référer, citer	Elle est contrainte par le consensus.
CS	un lecteur	Interpréter, commenter, prolonger	Elle est confinée à un seul esprit.
CR	un transmetteur	Répliquer, varier, traduire, réactiver, mémoriser	Elle ne peut pas le signer ; elle doit rester fidèle à la tradition.

Le cas d'école : une IA sur un seul CS

Il est techniquement possible de faire fonctionner une IA uniquement sur un Corpus Signatum (CS). Dans ce cas :

• Elle tire sa capacité linguistique du Corpus Fundamentum (CF).
• Elle tire son contenu, son orientation et son style du CS.
• Elle ne puise ni dans le CO ni dans le CA ni dans le CR.
• Elle devient un lecteur exclusif, capable de parler depuis l'œuvre, mais non de la comparer ou de l'élargir.

C'est l'équivalent d'un esprit qui n'aurait lu qu'un seul livre — mais qui l'aurait lu infiniment profondément.

Le cas particulier du CR

Le Corpus Replicatum est le seul régime qui ne peut pas être réduit à un original. Il est par nature multiple, variant, diffus. L'IA qui travaille sur un CR ne dialogue pas avec un auteur, mais avec une tradition. Elle devient :

• transmetteur : elle reproduit ce qui lui est donné,
• varieur : elle peut en proposer des variations légitimes,
• traducteur : elle peut le déplacer dans une autre langue ou un autre contexte,
• mémoriseur : elle le stocke comme un vivant à préserver,
• réactivateur : elle le restitue dans un nouveau contexte.

Le CR est le régime de la mémoire culturelle vivante, par opposition au CS qui est le régime de l'œuvre achevée.

Pourquoi cette distinction est essentielle

Confusion courante	Clarification apportée
Tout corpus est une donnée.	Un CS n'est pas une donnée, c'est une parole engagée. Un CR n'est pas une donnée, c'est une tradition vivante.
L'IA puise partout de la même façon.	L'IA ne puise pas dans un CS comme dans un CO : elle s'y confie. Elle ne puise pas dans un CR comme dans un CS : elle le réactive.
La capacité sémantique vient du corpus qu'on lui donne.	La capacité sémantique vient du CF ; les apports viennent orienter cette capacité.
On peut mélanger tous les corpus.	Les régimes sont hétérogènes : mélanger un CO, un CS et un CR, c'est mélanger bruit, parole et tradition.

En résumé

"Il y a cinq régimes de corpus : le Fundamentum (CF), qui est le socle linguistique ; l'Origo (CO), qui est la collecte ouverte ; l'Authenticatum (CA), qui est la référence collective ; le Signatum (CS), qui est l'œuvre signée ; et le Replicatum (CR), qui est le patrimoine culturel immatériel. Les trois derniers sont des apports constitués, mais de nature différente : l'un est œuvre, l'autre est tradition."

Pour aller plus loin

Cette typologie permet de :

• Documenter clairement les apports à une IA.
• Distinguer ce qui relève du bruit, de la référence, de l'œuvre, et de la tradition.
• Penser l'édification de l'IA non comme un simple traitement de données, mais comme une rencontre avec des régimes d'autorité hétérogènes.

Voir aussi

• Traitement automatique du langage naturel
• Corpus (linguistique)
• Apprentissage profond
• Patrimoine culturel immatériel
• Tradition orale
• RAG (Retrieval-Augmented Generation)

Bibliographie

• À compléter