L'avertissement de Shirky qui résonne encore en 2025

Il y a vingt ans, un analyste visionnaire a publié un texte court mais dévastateur sur le projet de Web Sémantique. Sa thèse ? Les fondations mêmes de ce projet étaient bancales. Pas à cause de la technique, mais à cause d'une erreur de compréhension sur ce qu'est vraiment la connaissance humaine.

Son raisonnement partait du syllogisme classique — celui qu'Aristote nous a légué :

• Tous les humains sont mortels
• Les Grecs sont humains
• Donc les Grecs sont mortels

Impeccable sur le papier. Complètement inutile dans la vraie vie.

L'exemple qui tue

Shirky prenait son propre cas. Il savait deux choses :

• « Clay Shirky est le créateur de shirky.com »
• « Le créateur de shirky.com habite à Brooklyn »

Logique : il habite Brooklyn.

Sauf qu'en combinant avec « Les gens de Brooklyn ont un accent », on arrivait à conclure — à tort — que Shirky prononce « shirky.com » comme « shoiky.com ».

Le problème n'était pas le raisonnement. C'était de croire que le monde réel se range gentiment dans des assertions vraies et universelles, prêtes à être recombinées.

Ce qui s'est réellement passé

Le Web Sémantique tel qu'envisagé n'a jamais vu le jour. RDF, OWL et le reste de la pile sémantique sont devenus des outils d'intégration pour universités et grandes entreprises. Pas le framework universel de raisonnement machine promis par Tim Berners-Lee.

Mais voilà pourquoi ce texte mérite d'être relu aujourd'hui : la tension identifiée par Shirky n'a pas disparu. Elle s'est simplement déplacée.

Le retour du même débat

Nous vivions actuellement une nouvelle vague d'optimisme sur le raisonnement machine, cette fois portée par les LLMs et les réseaux de neurones plutôt que par la logique symbolique. Les promesses restent familières : des systèmes d'IA qui analysent des montagnes de données, trouvent des insights, font des connexions invisibles aux humains.

Certains éléments ont changé. Les LLMs modernes ne s'appuient pas sur la déduction syllogistique. Ils fonctionnent par reconnaissance statistique de patterns à grande échelle, avec des résultats impressionnants qui donnent l'illusion de la compréhension.

Pourtant le défi fondamental demeure : comment gérer une connaissance partielle, contextuelle, ou simplement fausse ?

Quand un LLM affirme avec assurance quelque chose de plausible mais inexact, il ne fait pas une erreur logique. Il reflète le fait que les textes générés par humains contiennent des contradictions, des présupposés culturels, des informations obsolètes, de la pure fiction — le tout mélangé. La « connaissance » n'est pas proprement organisée. Elle ne l'a jamais été.

Le compromis pragmatique

Les héritiers pratiques du Web Sémantique ne sont pas sémantiques du tout — ils sont probabilistes. Le Knowledge Graph de Google, qui alimente une grande partie de ses fonctionnalités de recherche, ne raisonne pas sur des assertions formelles. C'est une immense base de données d'entités et de relations, construite et maintenue par machine learning, curation humaine, et mise à jour constante. Il fonctionne précisément parce qu'il ne cherche pas la pureté logique.

Cette approche pragmatique, messy, constamment validée contre la réalité, s'est révélée bien plus précieuse que le Web Sémantique théoriquement pur ne l'aura jamais été.

Ce que Shirky avait vu juste

L'insight central tient toujours : le raisonnement déductif, qu'il soit implémenté via logique formelle ou réseaux de neurones qui l'imitent, trébuche sur l'écart entre comment la connaissance est réellement représentée et comment elle est réellement vraie.

Sherlock Holmes nous disait que l'esprit brillant élimine l'impossible et arrive à une vérité inévitable. Mais la vraie « connaissance » ne fonctionne pas comme ça. Elle est partielle. Contextuelle. Chargée de présupposés tacites qui ne tiennent pas d'un domaine à l'autre.

Les systèmes d'IA qui ont réellement transformé des industries — moteurs de recommandation, traduction, complétion de code — n'ont pas réussi en maîtrisant le raisonnement syllogistique. Ils ont réussi en trouvant des patterns utiles dans des données messy, en acceptant l'incertitude, en se trompant parfois sans imploser.

La leçon pour celles et ceux qui construisent aujourd'hui

Si tu travailles avec l'IA aujourd'hui, ce texte de Shirky reste une lecture essentielle — non pas parce qu'il a prédit l'avenir, mais parce qu'il a diagnostiqué un défi fondamental qui persiste quel que soit le technologiques à la mode.

La vraie question n'est pas « les machines peuvent-elles raisonner ». Elles le peuvent, de certaines manières. La vraie question est : « est-ce que la connaissance avec laquelle tu travailles est organisée pour supporter le type de raisonnement que tu essaies de faire » ?

La plupart du temps, non. Et ce n'est pas un bug à corriger — c'est une caractéristique de comment la connaissance fonctionne réellement.

L'échec du Web Sémantique n'était pas un échec d'ambition. C'était un échec à comprendre que la connaissance humaine est fondamentalement différente de ce que la logique formelle exige.

Les outils qui ont réussi depuis ont été ceux qui ont accepté cette réalité et ont travaillé avec, pas contre.

Le vrai héritage de ce texte de 2003 n'est pas une prédiction sur RDF ou OWL. C'est un rappel que l'intelligence — dans les machines comme chez les humains — ne fonctionne pas comme nos intuitions nous le disent.