Billet de blog initialement publié en anglais par Brad Smith, Vice-président du conseil d’administration et Président de Microsoft.
L’Europe compte plus de 200 langues ainsi qu’un riche héritage culturel qui s’étend sur plusieurs milliers d’années, entretenu par des millions de biens culturels, autant de témoins de l’histoire de ses habitants. Ces langues ne sont pas seulement porteuses de patrimoine et d’histoire : elles soutiennent à la fois la culture et le commerce en permettant aux individus de communiquer, de créer et d’échanger des biens et services.
Pourtant, à mesure que le monde se numérise, une grande partie de la diversité linguistique et culturelle de l’Europe risque d’être laissée pour compte.
La majorité du contenu en ligne – ce qui constitue la principale source de données d’entraînement pour les grands modèles de langage (LLM) d’aujourd’hui – est en anglais. Une grande partie de ce contenu est le reflet d’une vision américaine. La Commission européenne a d’ailleurs alerté sur le fait que l’ambition du continent de numériser son vaste corpus culturel reste encore aujourd’hui « nettement hors de portée ». Comme le soulignent les dirigeants européens, sans une action urgente, ce déséquilibre devient non seulement un problème culturel, mais aussi un problème commercial. L’IA qui ne comprend pas les langues, l’histoire et les valeurs de l’Europe ne peut pas servir pleinement ses citoyens, ses entreprises ou son futur.
C’est pourquoi aujourd’hui, à Paris, nous renforçons notre engagement en faveur de l’avenir numérique de l’Europe avec deux nouvelles initiatives visant à rendre plus ouvertes et accessibles les spécificités européennes, à savoir ses langues et sa culture. Cette annonce s’inscrit dans nos engagements numériques pour l’Europe, que nous avons présentés un peu plus tôt cette année, et qui visent à développer l’infrastructure cloud et IA, renforcer la résilience numérique et la protection des données, augmenter la cybersécurité et soutenir la souveraineté numérique de l’Europe et plus largement son économie.
Tout d’abord, afin de soutenir le développement de davantage de LLM multilingues en Europe et pour l’Europe, nous déployons des collaborateurs issus de deux de nos centres d’innovation à Strasbourg, en France, ville qui a longtemps été un carrefour culturel et qui accueille aujourd’hui certaines des institutions européennes parmi les plus importantes. Ces centres contribueront à élargir la disponibilité de données multilingues pour le développement de l’IA, en tirant parti de Microsoft Azure, de notre expertise technique et de partenariats à travers l’Europe afin de promouvoir une représentation linguistique plus inclusive dans les modèles d’IA. Dans le cadre de cette initiative, nous lançons également un appel à propositions afin de contribuer à élargir l’offre de contenu numérique dans 10 langues européennes.
Deuxièmement, afin de garantir que la richesse culturelle de l’Europe soit représentée et accessible dans le monde numérique, nous étendons l’initiative Culture IA de Microsoft, qui contribue à préserver les langues, les monuments et les objets culturels par le biais de répliques numériques et de partage de données. Depuis 2019, Microsoft a contribué à la préservation numérique d’un large patrimoine comprenant notamment le site d’Olympie en Grèce, le Mont Saint-Michel en France, la basilique Saint-Pierre de Rome et le 80e anniversaire du débarquement allié en Normandie, en Provence et la Libération de Paris. Aujourd’hui, nous annonçons que dès cet automne, Microsoft commencera à travailler avec le ministère de la Culture en France et la société française Iconem pour créer une réplique numérique de Notre-Dame, le chef-d’œuvre gothique de Paris récemment restauré, vieux de 862 ans.
Ce type de soutien à l’Europe et à sa diversité n’est pas nouveau chez Microsoft. Ces initiatives-là, en faveur des langues et du patrimoine culturel, s’appuient sur plus de 40 ans d’expérience au service des pays et des cultures à travers l’Europe et dans le monde entier. Très tôt, nous avons compris que pour permettre à chaque individu sur la planète de réaliser ses ambitions, les technologies que nous proposons doivent être disponibles dans toutes les langues parlées dans le monde. C’est pourquoi Windows prend aujourd’hui en charge plus de 90 langues, dont toutes les langues officielles européennes et d’autres langues régionales telles que le basque, le catalan, le galicien, le luxembourgeois, le valencien et bien d’autres encore. Microsoft 365 bénéficie également d’une large couverture, avec une prise en charge via les applications Office de plus de 30 langues européennes, dont toutes les langues officielles de l’Union européenne.
L’urgence de combler le fossé linguistique
L’Union européenne compte 24 langues officielles, auxquelles s’ajoutent des dizaines d’autres langues reconnues au niveau national ou régional. Pourtant, bon nombre de ces langues, même celles qui font partie des 24 langues officielles, comme le danois, le finnois, le suédois et le grec, représentent collectivement moins de 0,6 % du contenu disponible sur Internet. D’autres, comme le maltais, l’irlandais, l’estonien, le letton et le slovène, sont à peine visibles en ligne. Alors que l’anglais n’est la langue maternelle que de seulement 5 % de la population mondiale, les textes en anglais représentent près des deux tiers du contenu en ligne et dominent les données utilisées pour l’entraînement des modèles d’IA.
Cette sous-représentation numérique a des conséquences réelles, car les LLM s’appuient fortement sur le contenu d’Internet pour leur entrainement. Lorsqu’une langue est insuffisamment représentée en ligne, elle risque d’être exclue des futurs services d’IA. Si les modèles généralistes de grande taille peuvent traiter plusieurs langues, ils peuvent néanmoins passer à côté des nuances linguistiques, du contexte culturel et de compréhension du contexte régional nécessaires à des applications véritablement inclusives. Les LLM entraînés sur des données limitées sont moins précis, présentent davantage d’hallucinations et d’erreurs, rencontrent des difficultés avec le vocabulaire et révèlent davantage de biais. [1]
À titre d’exemple, Llama 3.1, un modèle open source très populaire, affiche un écart de performance de plus de 15 points entre les réponses en anglais et en grec, et un écart de plus de 25 points entre l’anglais et le letton. Cela signifie que si ce modèle était un élève de lycée, il serait premier de sa classe en anglais, mais dans la moyenne en grec et dernier en letton. Cette disparité entre les langues est observée dans tous les principaux tests de performance des LLM. [2]
Dans de nombreux cas, les langues qui reposent sur un riche patrimoine culturel, telles que le breton, l’occitan et le romanche, classées comme menacées par l’UNESCO, ne sont généralement pas prises en charge par les systèmes d’IA courants actuels.
Le pouvoir économique de la langue
Ce développement inégal des modèles de langage a des conséquences économiques réelles. Lorsque les systèmes d’IA ne peuvent pas comprendre ou répondre dans la langue d’une région, ils limitent l’accès aux services et aux opportunités, ce qui nuit à la fois aux entreprises locales et à la croissance économique en général.
La diffusion à grande échelle de l’IA – son adoption et son utilisation dans tous les secteurs économiques – sera l’un des principaux moteurs de l’innovation et de la croissance de la productivité au cours de la prochaine décennie. À l’instar de l’électricité et d’autres technologies d’intérêt général dans le passé, l’IA représente la prochaine étape de l’industrialisation.
Pour les communautés dont les langues sont sous-représentées en ligne, les avantages de l’IA risquent de rester hors de portée. Imaginez un dirigeant d’une PME maltaise qui ne parlerait que le maltais. À l’heure actuelle, les outils d’IA avancés destinés à des tâches telles que l’analyse de marché ou la génération de contenu ne fonctionnent probablement pas en maltais, ce qui limite la manière dont cet entrepreneur peut tirer parti de l’IA. Ou pensez à un étudiant polonais vivant dans une ville près de Varsovie qui ne trouve aucune ressource pédagogique pour se former à l’IA dans sa langue, ce qui peut avoir un impact sur ses opportunités d’apprentissage. Et même lorsqu’une plateforme d’IA prend en charge une langue, l’expérience peut s’avérer médiocre.
Les gouvernements et les institutions européens ont reconnu l’importance de remédier à cette situation. Pour stimuler la compétitivité économique à l’ère de l’IA, l’Europe doit briser les barrières linguistiques et encourager la diffusion de l’IA sur tout le continent. Selon la Commission européenne, seules 13,5 % des entreprises de l’UE utilisent l’IA. Le plan d’action pour le continent de l’IA de l’Union européenne estime que la suppression des barrières linguistiques au sein du marché unique pourrait stimuler les échanges intra-européens à hauteur de 360 milliards d’euros.
Nouvelles mesures pour combler les fossés linguistiques
Pour aider à combler ce fossé linguistique, Microsoft va s’associer à des partenaires européens afin d’accroître la disponibilité des données multilingues. En partenariat avec le Laboratoire ICube de l’Université de Strasbourg, dédié aux sciences de l’ingénieur, à l’informatique et à l’imagerie, nous soutiendrons l’entrainement de l’IA en déployant à Strasbourg, en France, une équipe issue du Microsoft Open Innovation Center (MOIC) et de notre AI for Good Lab. Cette équipe sera soutenue par un réseau interne Microsoft composé de plus de 70 ingénieurs, data scientists et experts en politiques publiques à travers le monde. La collaboration entre le MOIC, le Microsoft AI for Good Lab et l’Université de Strasbourg permettra également de financer deux chercheurs post-doctorats et de fournir jusqu’à un million de dollars de crédits Azure.
L’équipe commencera par exploiter les propres données multilingues de Microsoft, en les mettant à la disposition du public européen, y compris les développeurs open source, ainsi que des référentiels pertinents de données multilingues. Il s’agit, par exemple, de données textuelles multilingues provenant de GitHub et d’ensembles de données vocales. Le MOIC et GitHub s’associeront à Hugging Face, une plateforme collaborative reconnue pour le développement de modèles d’IA, afin d’héberger et de rendre ces données largement accessibles. Cette démarche s’inscrit dans notre collaboration existante avec Hugging Face qui vise à rendre disponible une large gamme de modèles ouverts dans la collection de modèles Hugging Face pour un déploiement en un clic dans le catalogue de modèles Azure. Cela inclut la sortie la semaine dernière des dernières contributions à l’IA multilingue, le modèle SmoILM3, un modèle multilingue hautement efficace avec 3 milliards de paramètres prenant en charge 6 langues : anglais, français, espagnol, allemand, italien et portugais.
Le MOIC s’associera également à Common Crawl, l’un des plus grands référentiels gratuits et ouverts de données collectées sur le web. Le MOIC financera les travaux de Common Crawl, en faisant appel à des locuteurs natifs, afin d’annoter et d’alimenter le référentiel public Common Crawl avec des données en langues européennes.
En outre, le MOIC et l’AI for Good Lab lanceront un appel à propositions afin d’aider à élargir l’offre de contenu numérique pour 10 langues européennes en mettant à disposition leurs collections de textes de manière responsable et éthique, selon leurs propres conditions, pour le développement et des expériences en IA multilingue. Les demandes de subventions pourront être déposées sur le site Internet de l’AI for Good Lab ici à partir du 1er septembre 2025. Pour sélectionner les bénéficiaires, le MOIC et l’AI for Good Lab se concentreront sur les possibilités de débloquer des données dans des langues relativement peu représentées dans les contenus en ligne, telles que l’estonien, l’alsacien, le slovaque, le grec et le maltais. Les subventions permettront de bénéficier de crédits Azure ainsi que d’une assistance technique et d’ingénierie.
Si l’augmentation du volume de données multilingues est essentielle, de meilleurs outils technologiques et un savoir-faire accru sont également nécessaires. Ainsi, de nombreuses langues utilisent des scripts (systèmes d’écriture) qui posent actuellement des défis aux modèles initialement conçus pour l’alphabet latin. Les caractères cyrilliques, l’alphabet grec et l’écriture cursive arabe ont chacun des propriétés différentes. Les « tokenizers » standards divisent souvent ces scripts de manière sous-optimale. Cela peut nuire à la capacité d’un modèle à apprendre le contexte à long terme ou l’orthographe correcte dans ces langues. De nouvelles avancées techniques permettant à un modèle de traiter n’importe quel script de manière uniforme peuvent être utiles. De meilleurs mécanismes pour créer des données synthétiques et pour mieux traiter et organiser ces données peuvent également être utiles, en particulier lorsqu’ils gèrent efficacement les questions de confidentialité et de données sensibles.
L’Open Innovation Center de Microsoft (MOIC) et l’AI for Good Lab travailleront à faciliter le développement et le partage des connaissances, des outils et des capacités nécessaires pour répondre à ces enjeux et donner plus de moyens aux développeurs européens. L’AI for Good Lab publiera un plan d’action détaillant comment créer des ensembles de données linguistiques de haute qualité et former les LLM locaux afin de tirer davantage parti des données existantes. Ces deux groupes soutiendront également les recherches pertinentes, organiseront des réunions, co-investiront dans des projets de partage de données et veilleront à ce que les connaissances, les outils et les capacités soient disponibles là où ils sont le plus nécessaires. Ces équipes continueront également à soutenir des initiatives telles que celles du Barcelona Supercomputing Center, du Basque Center for Language Technology et de l’Université de Saint-Jacques-de-Compostelle visant à publier sur Azure AI Foundry des modèles d’IA entraînés en espagnol, catalan, basque et galicien. Celles-ci permettent aux développeurs de créer des systèmes d’IA fonctionnant dans les langues officielles espagnoles, favorisant ainsi l’innovation et l’inclusivité.
Enfin, afin de faire progresser la recherche responsable en matière d’IA et de contribuer à réduire le fossé des langues, Microsoft pose les bases de deux nouvelles collaborations universitaires en Europe, à l’université de Strasbourg et à l’IE University School of Science & Technology en Espagne. L’AI for Good Lab de Microsoft et le MOIC s’associeront à l’université de Strasbourg pour octroyer des crédits Azure afin de soutenir la recherche conjointe en matière d’IA. À l’IE University School of Science & Technology, l’AI for Good Lab de Microsoft proposera des crédits Azure pour soutenir la recherche conjointe ciblant les langues à faibles ressources, y compris le soutien à des projets de fin d’études visant à accélérer le développement de nouvelles solutions axées sur les langues et l’IA.
De nouvelles mesures pour aider à préserver le patrimoine culturel européen sous forme numérique
Depuis 2019, l’initiative Culture IA de Microsoft se concentre sur l’utilisation de l’intelligence artificielle à travers le monde pour aider à préserver les langues, les lieux, les histoires et les objets qui définissent l’histoire de l’humanité. Grâce à l’AI for Good Lab et à des partenariats avec des organisations à but non lucratif, des universités, des gouvernements et des institutions culturelles, cette initiative soutient des projets qui numérisent et protègent le patrimoine culturel, des langues en voie de disparition aux monuments emblématiques, notamment en France, à Rome et en Grèce. Qu’il s’agisse de créer des répliques numériques de sites historiques ou de rendre les collections des musées plus accessibles, l’objectif est de garantir que l’identité et la diversité culturelles soient non seulement préservées, mais aussi plus inclusives et plus facilement accessibles à l’ère numérique.
Nous dévoilons aujourd’hui notre prochain projet : la construction d’une réplique numérique en partenariat avec le ministère de la Culture et la société française Iconem. Ce projet permettra de créer un jumeau numérique de Notre-Dame de Paris, un monument architectural et culturel emblématique façonné au fil des siècles. La construction de Notre-Dame a débuté en 1163 et s’est poursuivie pendant près de 200 ans, donnant naissance à un chef-d’œuvre gothique de 128 mètres de long, surmonté de deux tours de 69 mètres qui s’élèvent au-dessus de la Seine. Après un incendie dévastateur en 2019, Notre-Dame a rouvert ses portes au public à la fin de l’année 2024. Le projet utilisera la technologie et les méthodes que nous avons développées avec Iconem pour créer l’année dernière un jumeau numérique de la basilique Saint-Pierre, à partir de plus de 400 000 photos et d’algorithmes d’IA avancés, en collaboration avec le Vatican.
Tout comme le projet de l’année dernière a permis de préserver pour le Vatican chaque détail de la basilique Saint-Pierre, ce nouveau projet créera une réplique numérique qui conservera de manière permanente sous forme numérique chaque détail de Notre-Dame, garantissant ainsi que sa structure, son histoire et son symbolisme soient protégés et accessibles pour les générations futures. En combinant l’imagerie avancée et l’IA, nous créerons et ferons don à l’État français d’un jumeau numérique qui pourra être utilisé par les spécialistes de la préservation et exposé dans le futur musée Notre-Dame de Paris.
Outre le projet Notre-Dame, nous annonçons également aujourd’hui un partenariat avec la Bibliothèque nationale de France – en collaboration avec Iconem – en vue de numériser près de 1 500 décors issus de spectacles présentés à l’Opéra national de Paris entre 1800 et 1914. Les décors numérisés seront accessibles dans le cadre d’expériences interactives et éducatives, d’expositions et sous forme de base de données disponible sur la plateforme Gallica de la Bibliothèque nationale de France, dédiée aux projets culturels et de recherche basés sur l’IA.
Enfin, nous nous lançons également dans un nouveau projet avec le Musée des Arts Décoratifs afin de rendre accessibles au public les descriptions numériques détaillées d’environ 1,5 million d’objets datant du Moyen Âge à nos jours. Cette initiative permettra aux chercheurs en histoire, en histoire de l’art et en conservation d’accéder à ces nouvelles informations pour les étudier et les utiliser dans leurs propres recherches basées sur l’IA.
Perspectives d’avenir : adopter une approche fondée sur des principes
Nous posons aujourd’hui ces nouveaux jalons avec humilité et respect, conscients que la préservation de la diversité linguistique et culturelle de l’Europe est une tâche qui incombe aux Européens et qui doit être menée par eux. L’Union européenne a d’ailleurs déjà lancé une initiative multiétatique visant à mettre en commun les données linguistiques de l’UE et à numériser tous les types de patrimoine culturel. Notre rôle est de contribuer à ces efforts et à d’autres initiatives similaires, et de les soutenir. Aucune des mesures annoncées aujourd’hui ne permettra à Microsoft de créer des données ou des technologies propriétaires ou exclusives.
En fin de compte, le meilleur moyen de permettre à davantage d’individus en Europe de réaliser leurs ambitions est de leur fournir les compétences en IA qui leur permettront de réussir dans ces domaines. Comme l’a récemment conclu la Commission européenne, le déficit de compétences numériques dans le secteur culturel freine les efforts de numérisation du patrimoine culturel en Europe. Afin de contribuer à combler ce déficit, le MOIC et l’AI for Good Lab partageront leurs connaissances et leur expérience dans ce domaine crucial.
La technologie doit refléter la richesse de l’humanité, et non l’appauvrir. En prenant dès maintenant des mesures intentionnelles, nous pouvons contribuer à faire en sorte que l’IA n’efface pas la diversité linguistique et culturelle, mais la renforce.
C’est l’un des défis déterminants de l’ère de l’IA en matière d’équité. Et si nous travaillons ensemble, avec détermination et urgence, nous pouvons combler ce fossé et construire un avenir numérique qui honore toutes les langues, toutes les cultures et toutes les communautés à travers l’Europe.
[1] P. Rohera, C. Ginimav, G. Sawant et R. Joshi, « Better To Ask in English? Evaluating Factual Accuracy of Multilingual LLMs in English and Low-Resource Languages », 28 avril 2025, arXiv : arXiv:2504.20022. doi: 10.48550/arXiv.2504.20022.
[2] K. Thellmann et al., « Towards Multilingual LLM Evaluation for European Languages », 17 octobre 2024, arXiv : arXiv:2410.08928. doi : 10.48550/arXiv.2410.08928.