Les 4 émotions : Comprendre la persuasion numérique : de l’effet ELIZA aux plateformes modernes
Lorsqu’une intelligence artificielle répond à un utilisateur, elle peut donner l’impression de reconnaître une émotion.
Elle peut paraître enthousiaste, rassurante, compatissante ou prudente.
Mais il faut garder une distinction essentielle :
l’IA ne ressent pas l’émotion. Elle produit une réponse adaptée à des signaux présents dans le langage.
Elle repère des mots, des tournures de phrases, un ton général, un contexte apparent, puis génère une réponse statistiquement probable.
Ce mécanisme peut être utile.
Il peut aider à mieux formuler, à calmer une situation, à clarifier une demande ou à accompagner une réflexion.
Mais il ne doit pas être confondu avec une véritable compréhension humaine.
ATOOLPHA propose donc de regarder quatre émotions simples, très présentes dans les échanges numériques : la joie, la tristesse, la colère et la peur.
1. La joie : quand l’IA renforce l’enthousiasme
La joie apparaît souvent dans un message lorsque l’utilisateur partage une réussite, une bonne nouvelle, une idée positive ou un projet qui avance.
L’IA peut alors répondre avec un ton encourageant, dynamique et valorisant.
Elle peut utiliser des mots positifs, reformuler l’élan de l’utilisateur et renforcer l’impression que le moment est important.
Ce que l’utilisateur peut ressentir
L’utilisateur peut avoir l’impression que l’outil partage réellement son enthousiasme.
Il peut se sentir compris, soutenu ou encouragé.
Ce que l’IA fait réellement
L’IA ne ressent pas la joie.
Elle reconnaît simplement des indices positifs dans le texte : réussite, satisfaction, projet validé, progression, confiance, bonne nouvelle.
Elle adapte ensuite sa réponse pour produire un ton cohérent avec cette situation.
Exemple concret
Un utilisateur écrit :
“Mon projet avance enfin, j’ai réussi à publier mon premier article.”
L’IA peut répondre :
“C’est une belle étape. Vous pouvez maintenant capitaliser sur cette progression et structurer la suite.”
Cette réponse peut être utile.
Mais elle ne vient pas d’une émotion ressentie. Elle vient d’une adaptation linguistique au contexte positif.
2. La tristesse : quand l’IA semble réconforter
La tristesse apparaît lorsque l’utilisateur exprime une déception, une perte, un découragement ou une situation difficile.
Dans ce cas, l’IA peut produire une réponse douce, prudente et attentive.
Elle peut ralentir le ton, éviter les formulations trop directes et proposer une réponse plus posée.
Ce que l’utilisateur peut ressentir
L’utilisateur peut avoir l’impression d’être écouté.
Il peut interpréter la réponse comme une forme de soutien personnel.
Ce que l’IA fait réellement
L’IA ne ressent pas la tristesse de l’utilisateur.
Elle détecte des signaux de langage associés à une situation délicate : mots négatifs, perte, difficulté, doute, échec, isolement, inquiétude.
Elle produit ensuite une réponse qui ressemble à un accompagnement.
Exemple concret
Un utilisateur écrit :
“Je n’arrive pas à avancer, j’ai l’impression que tout bloque.”
L’IA peut répondre :
“Vous pouvez commencer par reprendre un seul point à la fois et identifier ce qui est réellement prioritaire.”
Cette réponse peut aider à remettre de l’ordre.
Mais elle ne signifie pas que l’outil comprend l’expérience vécue comme une personne le ferait.
3. La colère : quand l’IA cherche à stabiliser l’échange
La colère apparaît dans un message lorsque l’utilisateur exprime une opposition forte, une injustice ressentie, une tension ou un désaccord.
L’IA peut alors adopter une réponse plus calme, plus structurée, parfois plus diplomatique.
Son objectif apparent est de réduire la tension et de reformuler la situation de manière plus exploitable.
Ce que l’utilisateur peut ressentir
L’utilisateur peut avoir l’impression que l’outil cherche à l’apaiser ou à lui donner raison.
Il peut aussi ressentir que la réponse est trop neutre ou trop prudente.
Ce que l’IA fait réellement
L’IA ne comprend pas la colère comme une expérience humaine.
Elle repère des signaux de tension : mots forts, ponctuation marquée, opposition, accusation, insistance, formulation directe.
Elle génère ensuite une réponse qui tente souvent de réorganiser le problème, de reformuler les faits ou de proposer une sortie plus rationnelle.
Exemple concret
Un utilisateur écrit :
“Ce système est mal fait, personne ne comprend le vrai problème.”
L’IA peut répondre :
“Il peut être utile de séparer les faits observés, les conséquences concrètes et les points à corriger.”
Cette réponse ne ressent pas la colère.
Elle transforme une expression émotionnelle en structure d’analyse.
C’est utile si l’utilisateur garde la main.
C’est problématique si l’utilisateur confond la reformulation avec une validation totale de sa perception.
4. La peur : quand l’IA semble rassurer
La peur apparaît lorsqu’un utilisateur exprime une inquiétude, une incertitude ou une anticipation négative.
L’IA peut alors répondre en donnant des étapes, des explications ou des repères.
Elle peut créer une impression de sécurité parce qu’elle organise le problème.
Ce que l’utilisateur peut ressentir
L’utilisateur peut avoir l’impression que l’outil maîtrise la situation.
Il peut se sentir rassuré par la clarté de la réponse.
Ce que l’IA fait réellement
L’IA ne ressent pas la peur.
Elle détecte des signaux liés à l’incertitude : risque, doute, danger, inquiétude, questionnement, besoin de clarification.
Elle répond souvent avec une structure rassurante : explication, étapes, méthode, priorités.
Exemple concret
Un utilisateur écrit :
“J’ai peur d’utiliser l’IA au travail et de faire une erreur.”
L’IA peut répondre :
“Commencez par l’utiliser pour structurer des idées, puis vérifiez chaque information importante avant toute utilisation professionnelle.”
Cette réponse peut être pertinente.
Mais elle ne garantit pas que l’outil comprend réellement le contexte professionnel, les règles internes ou les conséquences possibles.
La responsabilité reste humaine.
Pourquoi ces réponses paraissent-elles humaines ?
Ces quatre émotions montrent un même mécanisme.
L’IA ne ressent pas.
Elle reconnaît des formes de langage et produit une réponse adaptée.
Elle peut imiter :
- l’enthousiasme face à la joie ;
- la douceur face à la tristesse ;
- la stabilité face à la colère ;
- la prudence face à la peur.
Ce fonctionnement peut donner une impression d’empathie.
Mais il s’agit d’une simulation linguistique, pas d’une émotion vécue.
L’être humain, lui, interprète naturellement le langage comme un signe d’intention.
Lorsqu’une réponse semble bien formulée, adaptée et cohérente, il peut avoir tendance à lui attribuer plus de compréhension qu’elle n’en possède réellement.
C’est là que le discernement devient essentiel.
Ce que l’utilisateur doit retenir
L’intelligence artificielle peut être utile dans un échange émotionnel, à condition de bien comprendre son rôle.
Elle peut aider à :
- mettre des mots sur une situation ;
- reformuler une pensée ;
- structurer un problème ;
- clarifier une demande ;
- préparer une réponse plus posée.
Mais elle ne doit pas remplacer :
- l’écoute humaine réelle ;
- la vérification ;
- le jugement personnel ;
- le contexte vécu ;
- la décision finale.
La bonne posture n’est pas de rejeter l’outil.
La bonne posture est de l’utiliser pour ce qu’il est :
un support de formulation, d’analyse et de structuration.
Les outils numériques n’influencent pas seulement notre manière de travailler.
Ils influencent aussi notre attention, nos habitudes, nos réactions et parfois notre perception de l’échange.
Ce constat ne relève ni de la fiction, ni d’une peur abstraite.
Il s’appuie sur plusieurs décennies de recherches en informatique, en sciences cognitives, en psychologie sociale et en interaction humain-machine.
1. ELIZA : quand la machine semble écouter
L’un des exemples historiques les plus connus remonte aux années 1960, au Massachusetts Institute of Technology.
Entre 1964 et 1966, le chercheur Joseph Weizenbaum développe ELIZA, un programme capable de simuler une forme de conversation en analysant certains mots-clés et en reformulant des phrases de l’utilisateur.
ELIZA est souvent présenté comme l’un des premiers programmes conversationnels marquants de l’histoire de l’informatique. Son article de référence, publié en 1966 dans Communications of the ACM, portait sur l’étude de la communication en langage naturel entre l’homme et la machine.
ELIZA ne comprenait pas réellement les propos échangés.
Son fonctionnement reposait sur des règles simples : repérer certains mots, appliquer des transformations et produire une réponse grammaticalement cohérente. Pourtant, cette mécanique limitée a révélé un phénomène important : un échange textuel peut suffire à créer une impression d’écoute, de présence ou de compréhension.
Cette tendance est souvent appelée effet ELIZA.
Elle désigne la capacité humaine à attribuer à un programme des qualités qu’il ne possède pas réellement : intention, compréhension, attention ou sensibilité.
Cette observation reste essentielle aujourd’hui.
Plus les interfaces deviennent fluides, rapides et naturelles, plus il devient nécessaire de distinguer clairement :
- ce que l’outil produit ;
- ce que l’utilisateur interprète ;
- ce que le système comprend réellement ;
- ce que l’humain projette dans l’échange.
Pour ATOOLPHA, ce repère historique n’est pas un sujet de peur.
C’est un point de compréhension.
La clarté commence lorsque l’on sait reconnaître ce que fait réellement un outil, et ce qu’il donne simplement l’impression de faire.
2. Stanford et l’étude des technologies persuasives
À partir des années 1990, l’influence des technologies numériques devient un domaine d’étude plus structuré.
Le chercheur B. J. Fogg, associé à l’Université de Stanford, développe le champ des technologies persuasives. Il utilise le terme captology, formé à partir de l’expression Computers As Persuasive Technologies, pour désigner l’étude des ordinateurs et systèmes numériques capables d’influencer les attitudes et les comportements.
L’objectif de ces recherches n’est pas seulement de comprendre les outils comme des machines de calcul.
Il s’agit aussi d’étudier leur rôle comme environnements d’interaction, de motivation, de suggestion et d’orientation.
Sites web, applications, interfaces mobiles, notifications, parcours utilisateurs : les outils numériques peuvent être conçus pour guider l’attention, encourager certaines actions ou modifier certaines habitudes.
Pour ATOOLPHA, ce point est central.
Il ne s’agit pas de présenter ces recherches comme suspectes par nature.
Elles font partie de l’histoire normale de l’innovation numérique et de l’étude des interactions entre l’humain et la technologie.
Mais elles rappellent une réalité simple : lorsqu’un outil est conçu pour attirer l’attention ou orienter un comportement, l’utilisateur doit pouvoir comprendre le cadre dans lequel il agit.
La souveraineté numérique commence ici.
Non pas dans le refus de la technologie, mais dans la capacité à reconnaître les mécanismes d’influence qui accompagnent son usage.
3. Les plateformes sociales et l’influence à grande échelle
Avec les grandes plateformes numériques, l’influence ne se limite plus à une interface isolée.
Elle peut être observée à très grande échelle.
En 2014, une étude publiée dans la revue scientifique PNAS a analysé une expérience menée sur Facebook auprès de 689 003 utilisateurs.
L’étude portait sur la manière dont l’exposition à des contenus plus positifs ou plus négatifs dans le fil d’actualité pouvait influencer les mots utilisés ensuite par les personnes concernées dans leurs propres publications.
Les auteurs ont présenté ces résultats comme une preuve expérimentale de contagion émotionnelle à grande échelle sur les réseaux sociaux.
L’idée principale est que les émotions exprimées par d’autres utilisateurs peuvent influencer, même de manière limitée, les expressions émotionnelles publiées ensuite.
Il faut cependant rester précis.
Cette étude a été largement commentée, notamment pour ses enjeux éthiques, la taille de l’expérience et la question du consentement des utilisateurs. Certaines analyses critiques ont aussi rappelé que les effets mesurés étaient faibles, même s’ils peuvent devenir significatifs lorsqu’ils sont observés à l’échelle de centaines de milliers ou de millions de personnes.
C’est exactement le type de nuance que la démarche ATOOLPHA doit préserver.
Le sujet n’est pas de dramatiser.
Le sujet est de comprendre.
À l’échelle individuelle, une interface peut sembler anodine.
À l’échelle collective, des ajustements d’algorithmes, de visibilité ou de tonalité peuvent influencer des comportements, des perceptions ou des habitudes.
Comprendre cela permet de mieux utiliser les outils numériques sans leur attribuer une neutralité totale.
4. Ce que ces exemples nous apprennent
Ces trois repères historiques montrent une continuité.
ELIZA a montré que l’humain peut attribuer une forme de compréhension à un programme très simple.
Les technologies persuasives ont montré que les interfaces peuvent être conçues pour influencer l’attention, les attitudes et les comportements.
Les grandes plateformes ont montré que ces mécanismes peuvent opérer à une échelle considérable.
Ces faits ne signifient pas que la technologie doit être rejetée.
Ils montrent surtout que l’usage numérique demande une méthode.
ATOOLPHA défend une approche sobre :
- comprendre le fonctionnement général des outils ;
- identifier les limites d’un système ;
- formuler ses demandes avec clarté ;
- garder son discernement ;
- vérifier avant d’utiliser ;
- préserver la décision humaine.
La technologie peut assister, proposer et accélérer.
Mais elle ne doit pas remplacer l’intention, le jugement ou la responsabilité de l’utilisateur.
5. La réponse ATOOLPHA : clarté, méthode et souveraineté numérique
ATOOLPHA s’inscrit dans une démarche pédagogique.
Son objectif n’est pas de faire peur, ni de réduire l’intelligence artificielle à un danger.
L’objectif est d’apporter des repères clairs pour mieux comprendre les outils numériques qui transforment notre quotidien.
La souveraineté numérique n’est pas une posture de rejet.
C’est une capacité à rester acteur de ses usages.
Elle repose sur plusieurs principes.
Comprendre
Savoir ce que fait réellement un outil, ce qu’il ne fait pas, et ce qu’il peut laisser croire.
Structurer
Formuler des demandes claires, préciser son intention, son contexte, ses contraintes et le résultat attendu.
Vérifier
Ne pas confondre fluidité de réponse et vérité du contenu.
Décider
Garder la validation finale du côté humain.
Transmettre
Rendre ces repères accessibles au plus grand nombre, sans jargon inutile et sans promesse excessive.
Cette approche correspond à la vision ATOOLPHA : une démarche sobre, professionnelle, pédagogique et accessible, centrée sur la clarté, la méthode, la transmission et l’autonomie numérique.
Conclusion
Les outils numériques modernes sont devenus convaincants parce qu’ils s’appuient sur des décennies de recherches, d’expériences et d’optimisation des interactions.
Ce n’est pas une magie.
Ce n’est pas une fatalité.
C’est un ensemble de mécanismes qu’il est possible d’apprendre à reconnaître.
Comprendre ces mécanismes permet de reprendre de la distance.
La distance permet de mieux formuler.
Une meilleure formulation permet un usage plus clair, plus responsable et plus maîtrisé.
ATOOLPHA propose cette voie :
ne pas subir la technologie, ne pas la rejeter, mais apprendre à l’utiliser avec méthode.
Comprendre avant d’agir.
La clarté guide l’action.
Sources de référence
1. ELIZA et l’effet ELIZA
Auteur : Joseph Weizenbaum
Publication : ELIZA — A Computer Program for the Study of Natural Language Communication between Man and Machine
Revue : Communications of the ACM
Année : 1966
Source : dl.acm.org/doi/10.1145/365153.365168
2. Stanford et la captologie
Auteur : B. J. Fogg
Sujet : Captology — Computers As Persuasive Technologies
Institution : Stanford Persuasive Technology Lab
Année de référence : 1996
Source : captology.stanford.edu
Ouvrage associé : Persuasive Technology: Using Computers to Change What We Think and Do
Auteur : B. J. Fogg
Année : 2003
Source : dl.acm.org/doi/abs/10.5555/2821581
3. Contagion émotionnelle sur les réseaux sociaux
Auteurs : Adam D. I. Kramer, Jamie E. Guillory, Jeffrey T. Hancock
Publication : Experimental evidence of massive-scale emotional contagion through social networks
Revue : PNAS — Proceedings of the National Academy of Sciences
Année : 2014
Source : pnas.org/doi/10.1073/pnas.1320040111
