IA, art et bullshit : jusqu’où peut-on parler d’« artistes IA » ?

l’IA entre dans l’atelier

Qu’est‑ce qu’une œuvre d’art aujourd’hui ?

Pendant longtemps, on a eu tendance à définir l’art par la maîtrise d’un geste rare : peindre, sculpter, composer, c’était savoir faire ce que peu de personnes pouvaient faire.

Mais dès le XVIIIᵉ siècle, le philosophe Immanuel (souvent francisé en Emmanuel) Kant montre que l’essence de l’art ne réside pas seulement dans la technique, mais dans le génie : une capacité à produire des formes originales qui ne peuvent être dérivées de règles préalables.

Le génie, explique‑t‑il, “donne la règle à l’art” : ce n’est pas quelqu’un qui applique des règles, mais celui dont les œuvres deviennent elles‑mêmes des exemples à partir desquels on abstrait ensuite des règles générales.

Autrement dit, l’art n’est pas simplement ce qui est difficile à faire, mais ce qui inaugure quelque chose, ce qui ouvre une voie que d’autres pourront suivre sans en épuiser la source.

Avec l’art moderne, cette intuition se radicalise : lorsqu’un Marcel Duchamp expose un urinoir comme œuvre, il montre que l’acte artistique peut être un geste de pensée et de désignation plutôt qu’un travail manuel sophistiqué.

L’artiste n’est plus seulement celui qui exécute avec ses mains, mais celui qui décide, cadre et interprète le réel à travers une forme, invente des problèmes et des réponses que personne n’avait vus auparavant.

Dans cette perspective, l’IA ne disqualifie pas d’emblée la possibilité de l’art : si l’essentiel est l’intention, la vision et le geste de sens, alors un médium algorithmique peut, en principe, être intégré au champ artistique, à condition que l’humain qui l’emploie ne se contente pas de laisser la machine “parler” à sa place.

Solitude, collectif et fabrication des œuvres

L’art peut être solitaire : un écrivain face à sa page, un peintre dans son atelier, un musicien travaillant nuit après nuit sur une composition.

Mais il est aussi, très souvent, une affaire de collectif : l’histoire de l’art regorge d’ateliers, de studios et de maisons de couture où l’œuvre se fabrique à plusieurs mains autour d’une vision commune.

À la Renaissance, des maîtres comme Raphaël dirigeaient de vastes ateliers : les assistants préparaient les supports, peignaient les drapés, les architectures, parfois des personnages, à partir des dessins et de la composition décidés par le maître.

Les sources montrent que certaines parties de tableaux sont probablement entièrement dues à des élèves, formés à reproduire si fidèlement le style du maître que l’ensemble semble sorti d’une seule main.

La haute couture parisienne actualise cette structure : les maisons légalement reconnues doivent maintenir des ateliers de petites mains qui matérialisent les silhouettes imaginées par la direction artistique, parfois au prix de centaines d’heures sur une seule pièce.

Chez Chanel ou Dior, des dizaines de couturières, brodeuses, plisseurs travaillent à partir de croquis, de toiles et d’indications précises, mais c’est le nom de la maison qui signe l’œuvre finale, parce qu’on reconnaît une vision globale plus que chaque point de couture.

Le cinéma renforce encore cette logique : art profondément collectif, il réunit scénaristes, acteurs, techniciens, … et producteurs autour d’une œuvre qui portera pourtant le nom d’un réalisateur, à qui l’on attribue la responsabilité du sens et de la forme d’ensemble.

Les sociologues de l’art parlent ainsi de “mondes de l’art”, soulignant que la création résulte de réseaux de coopération autant que de l’inspiration d’un individu.

Dans ce cadre, l’IA peut être pensée comme un nouveau type de collaborateur ou d’atelier virtuel : elle propose des variantes, des esquisses, des états intermédiaires que le créateur peut accepter, refuser, détourner.

Le risque n’est pas qu’elle rende l’art collectif – il l’est souvent déjà –, mais qu’elle rende possible une délégation sans intention, où l’artiste n’oriente plus le processus et se contente d’avaliser ce que le modèle produit.

Ce que l’IA change dans le régime des images

Bullshit artistique : quand la forme se vide de sens

Pour penser le “bullshit artistique”, la distinction proposée par Harry Frankfurt entre mensonge et bullshit est éclairante.

Frankfurt explique que le menteur sait qu’il dit quelque chose de faux et reste défini par son rapport, même conflictuel, à la vérité ; le bullshitter, lui, est indifférent à la vérité, il se soucie seulement de produire un effet, d’obtenir une impression ou une adhésion.

Transposée à l’art, cette distinction désigne des formes qui ne cherchent pas à exprimer une nécessité intérieure ou une vision singulière, mais simplement à produire un “look” conforme aux attentes du marché, de l’algorithme ou du public.

L’IA rend ce type de production extrêmement facile : on peut générer en quelques secondes des images très léchées dans des styles standardisés : fantasy, cyberpunk, “Ghibli‑like”, etc. ; uniquement pour alimenter un flux ou récolter des likes.

On obtient alors des œuvres techniquement impressionnantes mais conceptuellement indifférentes : des formes qui ne sont pas nécessairement fausses, mais dont l’auteur n’a pas de rapport exigeant à ce qu’elles montrent ; ce qui compte, c’est qu’elles “marchent”.

C’est là que l’IA peut devenir un puissant amplificateur de bullshit artistique : elle réduit le coût d’entrée pour produire des formes, tout en donnant à ces formes l’apparence de l’originalité et de la virtuosité.

Mais ce risque existait déjà : publicité, communication politique, certains formats médiatiques reposent depuis longtemps sur des images et des récits produits pour l’effet plus que pour la vérité ou la nécessité.

L’IA ne crée pas le bullshit, elle ouvre grand le robinet ; la question est de savoir si nous voulons l’utiliser pour intensifier ce régime, ou pour le saturer, le détourner, le rendre visible, ce qui s’apprête déjà à une démarche artistique possible.

Empreinte énergétique et hydrique de l’art algorithmique

L’IA donne l’impression d’une pure virtualité : des images qui n’existent que sur écran, des textes qui circulent en ligne, des modèles invisibles dans le cloud.

En réalité, chaque requête, chaque génération repose sur des serveurs, des data centers et des réseaux dont l’empreinte énergétique et l’empreinte hydrique deviennent très significatives à l’échelle mondiale.

Sur le plan électrique, plusieurs analyses indiquent que les data centers pourraient consommer 3 à 4% de l’électricité mondiale d’ici 2030, en grande partie pour alimenter les infrastructures de stockage et de calcul nécessaires aux services numériques et à l’IA.

L’entraînement de grands modèles de langage de type GPT mobilise des milliers de GPU pendant des semaines, avec un coût énergétique qui se traduit en dizaines à centaines de tonnes de CO₂ selon le mix électrique utilisé.

Sur le plan hydrique, des travaux menés par Shaolei Ren et ses collègues ont montré qu’un entraînement complet de ce type de modèle peut entraîner l’évaporation de centaines de milliers de litres d’eau douce dans les systèmes de refroidissement évaporatif des data centers, soit l’ordre de grandeur de la fabrication de centaines de voitures.

La même équipe estime qu’un usage courant d’un chatbot de type GPT peut, en fonction du lieu et de la technologie de refroidissement, consommer l’équivalent de plusieurs centaines de millilitres d’eau potable pour quelques dizaines de questions‑réponses.

À cela s’ajoute l’empreinte indirecte : eau utilisée pour produire l’électricité, pour fabriquer les puces, les serveurs, les bâtiments et les réseaux nécessaires à cette créativité algorithmique.

Dans un contexte où certaines analyses anticipent un déficit global de 56% en eau douce disponible à l’horizon 2030 si rien n’est fait, l’IA devient ainsi un acteur discret mais réel de la crise hydrique.

Les installations artistiques basées sur des projections géantes, du calcul en temps réel et des expériences immersives alimentées par l’IA amplifient encore cette empreinte : elles mobilisent de la puissance, du refroidissement, des infrastructures de montage et de transport.

La question écologique de l’art numérique n’est donc pas secondaire : elle concerne la façon dont nous inscrivons nos œuvres dans une économie de ressources limitées, et la responsabilité que nous acceptons – ou non – comme créateurs.

Pistes de désaliénation et d’écologie de l’IA créative

Face à cette empreinte, l’enjeu n’est pas seulement de culpabiliser l’usage de l’IA, mais de penser des formes de désaliénation : réduire la dépendance aux grandes plateformes, réancrer la création dans des infrastructures que l’on comprend, et expérimenter des formes de sobriété numérique.

Sur le plan technique, plusieurs pistes émergent :

• Modèles plus petits et ouverts : des recherches sur les small language models et les modèles open source montrent qu’on peut obtenir de bonnes performances pour beaucoup de tâches créatives avec des modèles plus compacts, moins gourmands en énergie et en ressources qu’un modèle géant.

• Edge AI et modèles internes : déplacer une partie de l’inférence vers des appareils locaux (ordinateurs personnels, serveurs d’atelier, micro‑data centers) peut réduire les coûts de transport de données et permettre un contrôle plus fin du mix énergétique, à condition de ne pas simplement reproduire à petite échelle les inefficiences du cloud.

• On‑premise et modèles d’atelier : des analyses récentes montrent que, pour certaines organisations, le déploiement de grands modèles de langage sur infrastructure interne peut devenir économiquement compétitif, tout en offrant des marges de manœuvre pour optimiser l’efficacité énergétique, la localisation des calculs et la politique de refroidissement.

Sur le plan hydrique, la recherche explore des solutions de circularité de l’eau : réutilisation des eaux de refroidissement, systèmes fermés, choix de sites où l’eau est moins rare, et, plus radicalement, utilisation de la chaleur fatale des data centers pour alimenter des technologies de purification d’eau ou de capture de carbone.

Une étude récente suggère qu’en exploitant cette chaleur pour la purification thermique d’eau salée ou saumâtre, certains data centers pourraient devenir “water‑positive”, produisant plus d’eau potable qu’ils n’en consomment, tout en contribuant à des dispositifs de capture de CO₂.

Pour un artiste IA, ces options ne sont pas des détails techniques : choisir de travailler avec des modèles locaux plus sobres, des infrastructures alimentées en énergies renouvelables, des plateformes engagées dans la circularité de l’eau, c’est une manière de réinscrire son geste dans une éthique de la création.

Désaliéner la création, ici, c’est se libérer à la fois du monopole culturel des géants du numérique et de l’ignorance matérielle : savoir d’où viennent l’énergie et l’eau qui soutiennent nos œuvres, et décider ce que nous acceptons de consommer pour une image ou un texte de plus.

Droit d’auteur, justice et légitimité des artistes IA

Sur le plan juridique, les modèles génératifs s’appuient souvent sur des corpus d’œuvres collectées en ligne sans que les auteurs aient été explicitement consultés ni rémunérés, ce qui pose un problème majeur de justice.

En Europe, le cadre du text and data mining autorise l’analyse automatisée de contenus protégés, à condition que les titulaires de droits n’aient pas explicitement réservé leurs droits, ouvrant la possibilité d’utiliser de vastes catalogues créatifs pour l’entraînement des modèles.

Conscient des risques, le Parlement européen a récemment appelé à des règles plus strictes : création d’un registre européen listant les œuvres protégées utilisées pour l’entraînement, obligation de transparence sur les datasets et les sites scrappés, droit explicite pour les artistes d’opter pour l’exclusion, et mise en place de mécanismes de rémunération proportionnels lorsque leurs œuvres contribuent à la performance d’un modèle.

Les rapporteurs soulignent que l’absence de transparence et de compensation pourrait être assimilée à une atteinte au droit d’auteur et à des pratiques de concurrence déloyale.

Au‑delà de la légalité, la question est celle de la reconnaissance : peut‑on parler d’“artistes IA” si leur pratique dépend entièrement de modèles entraînés sur des œuvres d’autres artistes qui n’ont ni voix ni part dans le processus ?

Une approche plus juste consisterait à concevoir des modèles d’entraînement sous licence, des corpus co‑curés, des systèmes de partage de revenus, ou des collaborations explicites entre artistes dont les œuvres servent de base et créateurs qui s’en servent comme médium – une sorte d’atelier élargi à l’échelle du numérique.

Pour un artiste IA qui veut se penser comme tel, la responsabilité inclut donc le choix des outils : préférer des modèles transparents, des datasets éthiques, des plateformes qui travaillent à la redistribution, c’est refuser de baser sa pratique sur une extraction silencieuse du travail créatif d’autrui.

Vers une définition exigeante de l’« artiste IA »

Après ce détour par Kant, Benjamin, Frankfurt, l’écologie et le droit, la question initiale peut être reformulée : non pas “l’IA est‑elle artistique ?”, mais “dans quelles conditions un humain qui travaille avec l’IA peut‑il justement revendiquer le titre d’artiste ?”.

Un “artiste IA” au sens fort serait :

• quelqu’un qui assume une intention claire, une nécessité intérieure, et utilise l’IA comme médium pour l’exprimer plutôt que comme machine à produire des effets ;
• quelqu’un qui prend au sérieux les contraintes matérielles – énergie et eau – et choisit ses outils, ses modèles, ses infrastructures en connaissance de cause, en expérimentant des formes de frugalité et de circularité ;
• quelqu’un qui respecte les créateurs dont le travail nourrit les modèles, en privilégiant des solutions transparentes, sous licence, ou en construisant ses propres corpus dans un esprit d’atelier partagé plutôt que d’extraction ;
• quelqu’un qui résiste au bullshit : qui refuse de se contenter d’images ou de textes “qui marchent”, mais cherche à faire de l’IA un milieu de critique, de jeu, de détournement, capable de mettre à nu nos habitudes visuelles et narratives.

Dans ces conditions, l’IA peut bien agir comme un exhausteur de créativité : elle élargit le champ des possibles, permet des combinaisons et des explorations rapides, tout en obligeant l’artiste à se confronter à ce qui, en lui, ne peut être automatisé – vision, courage, responsabilité.

Mais là où l’intention se dissout, où l’on renonce à toute exigence, elle devient une machine à produire du bullshit artistique, qui occupe l’espace symbolique avec des formes brillantes mais vides, en consommant une énergie et une eau dont nous aurons besoin pour tout le reste.

L’IA ne tue pas l’art ; elle le met à l’épreuve.

Et c’est peut‑être là, paradoxalement, que commence le travail des artistes IA : non pas dans la célébration naïve de la machine, mais dans l’exploration lucide de ce qu’elle nous révèle sur nous‑mêmes.

FAQ – IA, art et artistes IA

Sources et pistes de lecture

• Immanuel Kant, Critique de la faculté de juger, §§ 46‑49 : génie, originalité, définition de l’art par la production de règles plutôt que par la simple application de techniques.

• Walter Benjamin, L’œuvre d’art à l’époque de sa reproductibilité technique : notion d’aura, transformation du statut des œuvres avec la photographie et le cinéma, politisation de l’art.

• Harry G. Frankfurt, On Bullshit : distinction entre mensonge et bullshit, définition du bullshit comme indifférence à la vérité, réflexion sur sa prolifération dans les sociétés contemporaines.

• Travaux sur ateliers et délégation dans l’art : études sur les ateliers de Raphaël et la spécialisation des assistants, analyses de la dimension collective dans la création artistique, reportages sur les petites mains de la haute couture (Chanel, Dior) et la structure coopérative des “mondes de l’art”.

• Analyses de l’empreinte énergétique et carbone de l’IA générative : études sur la consommation électrique des data centers et l’impact climatique de l’entraînement et de l’inférence de grands modèles de langage et d’images.

• Études sur le “water footprint” de l’IA : travaux de l’équipe de Shaolei Ren sur la consommation et l’évaporation d’eau liées au refroidissement des data centers pour l’entraînement et l’usage de modèles de type GPT ; analyses sur les volumes d’eau utilisés par les data centers et les enjeux de circularité.

• Pistes de solutions écologiques et frugales : rapports sur les data centers “water‑positive” et “carbon‑negative” via l’utilisation de la chaleur fatale pour la purification d’eau et la capture de carbone, guides pratiques pour une IA générative durable, réflexion sur le rightsizing des modèles.

• Recherches sur edge AI et modèles plus petits : surveys sur le green edge AI, études sur l’efficacité énergétique de petits modèles de langage sur des dispositifs en périphérie et sur les gains possibles d’une inférence locale.

• Débats européens sur l’IA et le droit d’auteur : rapport du Parlement européen appelant à des registres transparents des œuvres utilisées pour l’entraînement des modèles, au droit d’opt‑out et à des mécanismes de rémunération pour les créateurs.

Explorons votre projet créatif avec l’IA

La digitalisation et l’IA bousculent le métier de graphiste, mais elles peuvent aussi devenir un véritable tremplin créatif : découvrez comment ROMAN3D analyse ces enjeux et accompagne les agences de graphisme face à la révolution numérique