L'IA au service de la souveraineté

L'espace de négociation de la CCNUCC concentre des données, des documents, des historiques et des terminologies en évolution constante. C'est un lieu où la précision du langage et une solide maîtrise d'enjeux multiformes peuvent influer sensiblement sur les résultats. C'est là que des technologies telles que les grands modèles de langage peuvent procurer un avantage.

1.1Pourquoi devons-nous nous en soucier ?

Pour les jeunes négociateurs et négociatrices climatiques qui représentent leur pays auprès de la Convention-cadre des Nations Unies sur les changements climatiques, les enjeux sont considérables. Ils portent les préoccupations et les aspirations d'une génération plus jeune, qui héritera des conséquences des décisions prises aujourd'hui. Pourtant, ils rencontrent souvent des difficultés pour accéder à de vastes volumes de données climatiques, comprendre les nuances du langage des politiques publiques ou communiquer efficacement leurs positions.

Les modèles de langage peuvent aider sur ces trois plans. Ils traitent, comprennent et génèrent du texte à partir de très vastes ensembles d'écrits, ce qui les rend particulièrement utiles pour quatre fonctions.

Analyse de l'information. Synthétiser de grands volumes de données et de recherches climatiques en enseignements concis, afin que les négociateurs puissent suivre les résultats les plus récents.

Appui à la rédaction des politiques. Aider les négociateurs à formuler leurs points dans un langage qui trouve un écho, respecte les usages de la convention et conserve néanmoins sa force distinctive.

Communication interculturelle. Traduire et contextualiser l'information, ce qui rend l'environnement de négociation plus inclusif.

Simulation et formation. Proposer des scénarios de négociation simulés afin que les jeunes négociateurs puissent s'exercer avant d'entrer sur la scène mondiale.

La technologie elle-même ne représente qu'une partie de l'enjeu. Bien utiliser ces outils témoigne d'une évolution plus large, dans laquelle les jeunes conjuguent leur engagement en faveur de l'action climatique avec les outils qui façonnent la manière dont les décisions sont prises.

1.2Comment utiliser ce guide

La première moitié explique ce que sont ces systèmes, ce dont les négociateurs ont besoin et comment demander à un modèle de produire quelque chose d'utile. La seconde moitié porte sur les agents, qui lisent des ensembles complets de documents et exécutent une tâche en plusieurs étapes. Les derniers chapitres traitent de la propriété de vos données, de la manière d'exécuter un modèle que vous contrôlez et de ce qu'il coûte à la planète. Chaque chapitre contient des prompts que vous pouvez copier, et aucun bagage technique n'est nécessaire.¹1La première édition a été rédigée en 2024 pour le Climate Youth Negotiator Programme. Les entretiens du chapitre 3 et de l'appendice proviennent de ce travail.

2.1Comment nous en sommes arrivés là

En 1957, le psychologue Frank Rosenblatt a lancé le programme du perceptron au Cornell Aeronautical Laboratory, et l’US Navy a présenté une machine à perceptron l’année suivante. Un perceptron est un modèle mathématique simplifié d’une cellule cérébrale : il combine des entrées, leur applique des poids et produit une sortie. Il s’agissait d’un modèle abstrait plutôt que d’une simulation du cerveau, mais les réseaux neuronaux modernes en descendent en partie.

Les progrès ont ensuite marqué le pas pendant des décennies, limités par les données disponibles, le matériel disponible et les méthodes d’entraînement disponibles. Le domaine a repris son élan lorsque ces trois contraintes se sont desserrées simultanément. En 2012, Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton ont entraîné AlexNet sur 1,2 million d’images étiquetées au moyen d’unités de traitement graphique, et ont fait état d’un taux d’erreur de 17,0 pour cent dans le top cinq sur ImageNet.¹1Ce résultat tenait autant à l’architecture, à l’augmentation des données et à l’ensemble de données qu’au matériel.

En 2017, des chercheurs de Google ont introduit le Transformer, qui repose sur l’attention plutôt que sur la récurrence. L’attention calcule des poids entre les mots d’un passage en fonction du contexte, ce qui permet au modèle de relier des parties éloignées d’un texte. Les Transformers s’entraînent bien en parallèle, et ils sous-tendent presque tous les systèmes présentés dans ce guide.

OpenAI a ensuite appliqué le Transformer au préentraînement génératif. GPT et GPT-2 ont montré qu’un modèle entraîné uniquement à prédire le mot suivant pouvait acquérir de nombreuses capacités sans modèle distinct entraîné pour chaque tâche. Les chercheurs ont observé des lois de mise à l’échelle, c’est-à-dire que les performances s’amélioraient de façon prévisible à mesure que le calcul, les données et la taille du modèle augmentaient, à condition que la taille du modèle et les données d’entraînement restent équilibrées.

Le 30 novembre 2022, OpenAI a publié ChatGPT sous la forme d’une version de recherche gratuite, et l’interface conversationnelle a mis ces capacités à la portée de tous.

Deux autres évolutions ont suivi. En septembre 2024, OpenAI a annoncé o1, et en janvier 2025, DeepSeek a publié R1. Tous deux consacrent un calcul supplémentaire au moment de répondre, en générant des notes de travail plus longues avant leur réponse, ce qui aide pour les problèmes qui comportent plusieurs étapes. Et les modèles ont commencé à être reliés à des outils et à des boucles, ce qui fait l’objet du chapitre 6.

2.2La recette

Fondamentalement, un modèle de langage est un type d’intelligence artificielle conçu pour comprendre, générer et traiter le langage humain. On peut le concevoir comme un vaste cerveau numérique, entraîné sur des textes issus de livres, d’articles, de sites web et d’autres sources, qu’il utilise pour générer un texte d’apparence humaine à partir des motifs qu’il reconnaît.

ChatGPT, comme d’autres modèles de la série GPT d’OpenAI ou Llama de Meta, est construit en deux étapes : le préentraînement, puis le post-entraînement. Le post-entraînement désignait auparavant une seule phase d’affinage. Il comprend désormais deux parties, et la seconde explique pourquoi les modèles récents peuvent traiter des problèmes longs.

Préentraînement. Le modèle est entraîné sur une très grande quantité de texte provenant d’internet. Il ne sait pas précisément quels documents figuraient dans son ensemble d’entraînement. L’objectif est d’apprendre la grammaire, des faits sur le monde, une certaine capacité de raisonnement et, surtout, à prédire le mot suivant dans une phrase. Ce faisant, il absorbe une quantité étonnante d’informations, depuis des faits quotidiens triviaux jusqu’à des notions complexes.

Affinage supervisé. La première moitié du post-entraînement. Le modèle est entraîné davantage sur un ensemble de données plus restreint, rédigé et évalué par des examinateurs humains qui suivent des lignes directrices publiées. Les examinateurs notent les sorties possibles pour une série d’entrées d’exemple, et le modèle généralise à partir de ce retour d’information pour répondre à un large éventail de demandes des utilisateurs. C’est ce qui lui apprend à suivre une instruction plutôt qu’à simplement poursuivre votre phrase.

Apprentissage par renforcement. La seconde moitié, et la plus récente. Au lieu de copier une réponse écrite, le modèle est récompensé lorsqu’il parvient à un bon résultat ; il apprend ainsi quelles façons de traiter un problème tendent à être efficaces. C’est ce qui apprend à un modèle à raisonner sur un problème long et à maintenir une chaîne d’étapes cohérente avant de répondre.

2.3Limites

Les chercheurs continuent de démêler le fonctionnement détaillé de ces modèles. L’opinion générale est que le préentraînement incorpore un large éventail de connaissances sur le monde, et que le post-entraînement façonne la manière dont ces connaissances sont utilisées.

Ce qui demeure vrai, c’est qu’un modèle de langage prédit le mot suivant dans une séquence à partir de motifs statistiques. Cette méthode saisit une grande partie des connaissances humaines, mais elle entraîne aussi des problèmes. Les modèles reproduisent les biais des textes sur lesquels ils ont été entraînés, et produisent avec assurance des affirmations fausses, ce que le domaine appelle hallucination. Une phrase probable n’est pas une phrase vérifiée.

2.4D’où viennent les biais

Ces modèles sont entraînés sur ce que contient internet, et internet ne représente pas le monde de manière équilibrée. Cela importe davantage pour un négociateur climat que pour presque tout autre lecteur.

Prenons le relevé de la nature elle-même. La Global Biodiversity Information Facility est le plus grand dépôt ouvert d’observations d’espèces sur Terre, et environ 83 pour cent de ses enregistrements proviennent d’Amérique du Nord et d’Europe. Les 17 pour cent restants couvrent tout le reste du monde, y compris les lieux les plus riches en biodiversité de la planète.

Le même déséquilibre traverse les textes. Il a été écrit en ligne beaucoup plus de contenus en anglais, en français et en espagnol qu’en quechua, en twi ou en tok pisin, si bien qu’un modèle a vu beaucoup plus de textes du premier groupe. Il traduira, résumera et rédigera avec fluidité pour une délégation travaillant dans une langue bien représentée, et il échouera plus souvent, et avec davantage d’assurance, pour une langue qui ne l’est pas.

C’est aussi de là que provient une grande partie des hallucinations. Interrogé sur un lieu bien documenté, un modèle répond à partir d’un corpus dense. Interrogé sur un lieu peu documenté, il produit les mêmes phrases assurées à partir d’un matériau bien plus limité et comble les lacunes avec ce que le motif suggère. La sortie ne paraît pas moins certaine. Elle l’est seulement.

Rien de cela n’est imputable à quiconque de manière simple. La collecte et la publication de données exigent des infrastructures et des financements dont de nombreux pays ne disposent pas, et certaines communautés refusent de transmettre des connaissances relatives à leurs terres et à leurs espèces, ce qui constitue une position légitime plutôt qu’un échec. La conséquence s’impose néanmoins : ces outils fonctionnent le mieux pour les lieux déjà les mieux servis par les données, et le moins bien pour les lieux où les enjeux sont les plus élevés.

Le même écart se retrouve dans l’identité de celles et ceux qui utilisent ces outils. L’indice d’Anthropic sur l’utilisation de Claude par pays suit étroitement le revenu national, et vingt-cinq pays se situent dans un niveau inférieur où l’usage mesuré est presque nul.²2Anthropic, Anthropic Economic Index, 2025. L’utilisation croît avec le PIB par personne en âge de travailler selon une puissance d’environ 0,69. Parmi eux figurent les Tonga, Samoa, Nauru et Palau, qui sont parties à la même négociation et comptent parmi les plus exposés à son issue.

Les entretiens menés avec de jeunes négociateurs climatiques de plusieurs pays font apparaître un ensemble de difficultés communes et une vision partagée de ce qui serait utile.¹1Six négociateurs du Libéria, du Paraguay, du Pérou, du Nigéria, du Liban et de l'Indonésie. Le résumé complet figure en annexe.

3.1Principaux défis et points de friction

Barrières linguistiques. L'anglais n'est pas la langue première de la plupart des personnes présentes dans la salle.

Langage technique. Le jargon de la UNFCCC exige des années d'assimilation (Libéria, Paraguay).

Transfert des connaissances. Les connaissances et informations techniques sont partagées de manière inégale, et une grande partie se perd d'un cycle à l'autre.

Mémoire historique. La connaissance des négociations passées est difficile à acquérir (Liban).

Communication de sujets complexes. Les échanges avec les négociateurs chevronnés sont difficiles à mener sous pression (Pérou, Nigéria), et il faut acquérir une légitimité avant que le fond ne soit entendu.

Compréhension des positions des Parties. Les dynamiques de négociation évoluent rapidement et sont difficiles à interpréter.

Contraintes de temps. Le temps manque toujours pour traiter les informations qui comptent.

Expression d'idées complexes. S'exprimer en anglais avec rapidité et précision demeure un obstacle persistant.

3.2Outils et ressources souhaités

Outils linguistiques. Un appui linguistique et grammatical plus sophistiqué, conçu pour les textes de la UNFCCC plutôt que pour la rédaction professionnelle générale.

Recherche rapide d'informations. Des plateformes capables d'analyser de longs documents, d'en extraire les éléments pertinents et de confirmer quel texte est la version en vigueur.

Formation personnalisée. Des ressources d'apprentissage adaptées à la région, au groupe et au niveau d'expérience d'un négociateur.

Les outils effectivement utilisés au moment des entretiens étaient Grammarly pour la rédaction et Google Drive pour la collaboration. Un négociateur a indiqué n'utiliser aucun outil de traduction, au motif que le langage de la négociation ne résiste pas à la traduction.

Les négociations climatiques sont multiformes et portent sur des sujets allant des émissions de carbone et de la biodiversité aux incidences économiques et aux dynamiques sociopolitiques. Les aborder exige trois choses à la fois.

Un accès rapide à l’information. La science du climat évolue en permanence, et les négociateurs doivent disposer des données les plus récentes à portée de main.

Une rédaction efficace des accords. La précision du langage peut déterminer la réussite ou l’échec d’un accord.

Une communication multilingue. Une plateforme mondiale exige un dialogue interculturel et multilingue.

4.1Où les modèles sont utiles

Communication. Rédiger et traduire des documents, afin que l’information et les accords soient communiqués avec exactitude entre des parties ayant des langues maternelles différentes.

Collecte d’information. Réunir et synthétiser de vastes volumes de documents sur les questions climatiques, notamment des travaux scientifiques, des documents d’orientation et des accords antérieurs, afin que les négociateurs restent informés.

Travail sur les scénarios. Examiner les conséquences possibles de différentes décisions de politique publique, ce qui aide un négociateur à explorer des positions et des résultats avant de s’engager dans l’un d’eux.¹1On parle parfois de modélisation prédictive, ce qui est excessif. Les modèles de langage n’exécutent pas de modèles climatiques ou économiques. Ils reformulent et comparent des scénarios, et tout chiffre qu’ils produisent doit être vérifié auprès d’une source réelle.

Analyse des arguments. Synthétiser les arguments avancés par différentes parties pendant les négociations, ce qui aide un négociateur à discerner les points essentiels et les contre-arguments.

4.2Pièges potentiels

Les avantages sont réels, mais certaines réserves comptent en diplomatie climatique.

Simplification de questions complexes. Ces systèmes condensent, et la condensation supprime parfois le qualificatif qu’une partie a défendu pendant trois sessions pour le faire insérer.

Absence d’intelligence émotionnelle. Un modèle ne lit pas les courants émotionnels et politiques d’une négociation, et il ne sait pas ce qui a été convenu dans un couloir.

Absence d’expertise humaine. La maîtrise apparente du registre de la politique climatique n’est pas l’expertise en politique climatique. S’appuyer sur un modèle pour l’une ou l’autre peut produire des informations incomplètes ou inexactes.

Sécurité et confidentialité. Les discussions portent souvent sur des éléments sensibles. Tout contenu collé dans un système hébergé quitte votre délégation, et les conditions selon lesquelles il est stocké sont rarement lues.

Considérations éthiques. Soyez transparent quant à l’assistance automatisée, maintenez la responsabilité des décisions entre les mains des personnes, et surveillez les risques d’utilisation abusive.

Mauvaise communication et mauvaise interprétation. Un modèle peut mal comprendre l’intention qui sous-tend une demande et produire un texte qui ressemble à votre position sans l’être.

5.1Quel modèle, et selon quelles conditions

Avant de choisir un assistant, il faut savoir qu’il en existe deux catégories, et que la différence importe davantage que la marque.

Poids fermés. ChatGPT, Claude et Gemini fonctionnent sur les serveurs d’entreprises et sont accessibles au moyen d’un compte. Ce sont les modèles les plus puissants et les plus rapides à prendre en main. Les niveaux gratuits permettent de rédiger, traduire et résumer. Les niveaux payants coûtent environ vingt dollars par mois et ajoutent la prise en charge de documents plus longs, le téléversement de fichiers et les fonctions d’agent du chapitre 6. Tout ce que vous saisissez est transmis à l’entreprise et, selon vos paramètres, peut être conservé, examiné ou utilisé pour entraîner le modèle suivant.

Poids ouverts. Llama, Mistral, Qwen, Gemma et DeepSeek publient leurs paramètres, de sorte que le même modèle peut être exécuté par vous, par votre institution ou par un fournisseur que vous choisissez plutôt que par un fournisseur qui vous est imposé. Ollama en installe un sur un ordinateur portable en quelques minutes. Polly, exploité avec GainForest et la Youth Negotiators Academy sur polly.ai4cop.org, est un modèle hébergé à poids ouverts qui ne conserve aucune trace de ce que vous envoyez. Le chapitre 11 traite de l’exécution de votre propre modèle.

Une règle pour commencer. Utilisez un modèle fermé hébergé pour les éléments qui sont déjà publics, et un modèle à poids ouverts pour tout ce qui ne l’est pas. Ne collez pas dans un service que vous ne contrôlez pas une position que votre délégation n’a pas encore déposée. Le chapitre 10 explique ce qui est en jeu dans ce choix, et il vaut la peine de le lire avant d’ouvrir un compte plutôt qu’après.

Quel que soit votre choix, installez l’application mobile. La saisie vocale est utile lorsque vous vous déplacez entre les séances, et dicter une idée approximative dans votre propre langue produit souvent un meilleur brouillon que taper une phrase soigneusement formulée en anglais.

5.2Prompt engineering 101

L’instruction que vous saisissez s’appelle un prompt. En rédiger un consiste à créer des instructions précises et bien définies pour vous aider à accomplir une tâche, et la qualité ainsi que la précision de ce que vous écrivez façonnent la réponse que vous recevez.

Un prompt peut contenir l’un quelconque des éléments suivants, sans devoir nécessairement contenir les quatre.

Instruction. La tâche que vous voulez que le modèle accomplisse.

Contexte. Les informations de fond qui orientent le modèle vers une meilleure réponse.

Données d’entrée. Le texte, la question ou le document sur lequel vous voulez qu’il travaille.

Indication de sortie. Le type ou le format de sortie que vous souhaitez.

5.3Ce qui fait un bon prompt

Six gestes accomplissent l’essentiel du travail, quel que soit le modèle que vous utilisez.

Soyez clair, direct et détaillé. Dites qui vous êtes, ce que vous voulez et à quoi la sortie doit ressembler. Un modèle ne peut pas déduire la salle dans laquelle vous vous trouvez.

Montrez un exemple. Un seul échantillon de la sortie souhaitée enseigne plus vite qu’un paragraphe qui la décrit.

Demandez des citations. Dites au modèle de citer le passage sur lequel il s’appuie. Ancrer une réponse dans un document retrouvé est la protection la plus solide contre une invention assurée.

Balisage des parties. Encadrez chaque élément par des balises, <context>, <task>, <text>, afin que le modèle puisse distinguer votre instruction du document que vous avez collé.

Laissez-le réfléchir d’abord. Demandez le raisonnement avant la réponse. Les modèles commettent moins d’erreurs sur toute tâche comportant plus d’une étape lorsqu’ils la traitent ouvertement.

Donnez-lui un rôle. « Vous êtes chercheur sur les pertes et préjudices » produit un texte différent, et généralement meilleur, que la même demande sans locuteur identifié.

Puis continuez. Affiner un prompt est la manière dont la qualité de l’échange s’améliore, et la deuxième tentative est presque toujours meilleure que la première.

Une habitude mérite d’être prise dès le départ. Demandez des sources, et demandez au modèle de signaler les parties dont il n’est pas sûr. Une réponse que vous ne pouvez pas vérifier est une réponse que vous ne pouvez pas utiliser en plénière.

L’anatomie d’une intervention

Pour la tâche que les négociateurs accomplissent le plus souvent, cinq éléments font la différence : qui parle et où, la question précise en jeu, les éléments probants qui la sous-tendent, le cadre auquel elle se rattache, et ce qui devrait être fait.

Supprimez l’un de ces cinq éléments et l’on sent ce qui manque. Sans le rôle, le modèle rédige pour personne ; sans les éléments probants, il produit du sentiment ; et sans la dernière ligne, il ne rattache le texte à aucun accord sur lequel quelqu’un puisse agir.

5.4Prompts pour différents cas d’utilisation

1. 1
   Analyse de données

   À partir de cette feuille de calcul, tracez l’augmentation moyenne des émissions au cours des dernières années, indiquez votre méthode et énumérez les hypothèses que vous avez formulées concernant les données manquantes.

   Configuration: Téléversement de fichier
2. 2
   Traduction

   Traduisez ce paragraphe en espagnol, en conservant le registre formel utilisé dans les textes de décision.

   Configuration: N’importe quel modèle
3. 3
   Résumé

   Résumez l’intervention du LDC Group lors du dialogue technique du Global Stocktake le 10 juin 2023, et citez les passages sur lesquels vous vous appuyez.

   Configuration: Recherche Web activée
4. 4
   Collecte d’informations pour élaborer une déclaration de position ou préparer un discours

   Vous êtes le rédacteur de discours d’un négociateur de l’ONU sur les changements climatiques. Vous écrivez au sujet des efforts du Royaume-Uni en matière de renforcement des capacités. Je suis le négociateur. Quelles cinq questions me poseriez-vous pour extraire les informations dont vous avez besoin afin de rédiger une déclaration ?

   Configuration: N’importe quel modèle
5. 5
   Anticiper les contre-arguments et préparer des réfutations

   Les pertes et préjudices sont une question essentielle dans les négociations climatiques. Vous êtes chercheur sur les pertes et préjudices. Présentez les principales raisons pour lesquelles les pays n’accordent pas d’importance aux pertes et préjudices. Produisez un contre-argument solide à ces points, démontrant la nécessité d’un fonds pour les pertes et préjudices.

   Configuration: N’importe quel modèle
6. 6
   Rédiger une déclaration liminaire ou un discours d’ouverture

   Vous êtes rédacteur de discours et préparez une déclaration à partir des questions ci-dessus. Produisez une déclaration de 300 mots présentant les efforts du Royaume-Uni en matière de renforcement des capacités climatiques. La déclaration doit refléter le style rédactionnel utilisé par le Gouvernement britannique.

   Configuration: N’importe quel modèle
7. 7
   Décoder le jargon

   Expliquez ce que signifie « moyens de mise en œuvre » dans ce paragraphe, en langage clair, et donnez un exemple de la manière dont cette expression a été utilisée dans une décision antérieure.

   Configuration: N’importe quel modèle
8. 8
   Trouver le document

   Quel texte de décision contient le mandat relatif à ce programme de travail ? Donnez-moi la cote du document et citez le paragraphe dans lequel elle apparaît.

   Configuration: Récupération
9. 9
   Traduire pour votre propre public

   Traduisez cette intervention en Bahasa Malaysia pour un public communautaire, en conservant le sens et en supprimant le jargon de la UNFCCC.

   Configuration: N’importe quel modèle

Tout ce qui précède fonctionne de la même manière. Vous saisissez une demande, vous lisez une réponse, vous décidez quoi en faire. Quatre éléments ont changé et, ensemble, ils ajoutent une seconde manière de travailler.

Le contexte s’est allongé. Un modèle peut désormais contenir simultanément l’intégralité d’un texte de négociation, ses révisions antérieures et les notes d’information de votre délégation.

La récupération est devenue normale. Un système peut rechercher dans un ensemble de documents ou sur le web avant de répondre, et citer ce qu’il a trouvé. C’est ce qui rend une réponse vérifiable.

Les modèles ont reçu des outils. Un modèle peut être relié à un index de recherche, à une feuille de calcul, à un calendrier ou à un dossier de fichiers, de sorte qu’il puisse agir sur ceux-ci plutôt que seulement les décrire.

Les systèmes ont reçu des boucles. Au lieu de répondre une seule fois, un système peut planifier, franchir une étape, examiner le résultat, puis recommencer jusqu’à ce que la tâche soit accomplie.

Un modèle relié à des outils, à une mémoire et à une boucle « répéter jusqu’à achèvement », fonctionnant dans le cadre d’autorisations que quelqu’un lui a accordées, correspond à ce que l’on entend par agent. Il n’a ni jugement ni responsabilité. Il a une tâche et un ensemble d’autorisations.

6.1Trois manières de travailler

Chat. Vous posez une question, il répond, vous vérifiez. Le plus adapté pour la rédaction, la traduction, l’explication et la répétition.

Récupération. Le système recherche d’abord dans un ensemble défini de documents et répond avec des citations. À utiliser pour tout élément factuel relatif à la négociation : historique du texte, positions des Parties, décisions antérieures.¹1Si un système vous dit ce que dit un paragraphe d’un texte de décision et ne peut pas vous montrer le paragraphe, traitez-le comme une rumeur.

Agentique. Le système exécute une tâche en plusieurs étapes à l’aide d’outils. À utiliser pour les travaux répétitifs produisant un résultat vérifiable, par exemple le suivi des modifications entre révisions ou la constitution d’une note quotidienne.

6.2Cas d’utilisation

1. 1
   Suivi du texte

   Compare la révision 3 de ce projet de décision avec la révision 2. Dresse la liste de chaque modification substantielle, cite les deux versions et signale les modifications qui touchent les lignes rouges de ma délégation.

   Configuration: Fichiers joints
2. 2
   Cartographie des positions

   À partir de ces soumissions, construis un tableau des positions des Parties sur l’Article 6.4 avec une citation et une référence pour chaque ligne. Indique toute position que tu as inférée.

   Configuration: Récupération
3. 3
   Recherche historique

   Retrace la manière dont l’expression « responsabilités communes mais différenciées » a été qualifiée dans les textes de décision depuis 2015, en citant chaque décision.

   Configuration: Récupération
4. 4
   Lecture nocturne

   Voici les quatre textes publiés aujourd’hui. Dis-moi ce qui a avancé, ce qui est resté bloqué et quelles sont les trois pages que je dois lire avant demain.

   Configuration: Fichiers joints
5. 5
   Synthèse quotidienne

   Chaque soir, collecte les textes publiés dans la journée pour les axes que je suis, résume ce qui a changé et envoie-moi la liste.

   Configuration: Agent programmé
6. 6
   Analyse des crochets

   Pour chaque option entre crochets dans ce paragraphe, explique qui en bénéficie, qui s’y oppose et à quoi pourrait ressembler une formulation de repli.

   Configuration: Fichiers joints
7. 7
   Répétition

   Joue le rôle d’un négociateur qui s’oppose à ce texte. Conteste mon intervention et ne sois pas complaisant.

   Configuration: Chat
8. 8
   Rétrotraduction

   Traduis ma formulation en français, puis retraduis-la indépendamment en anglais, et dis-moi ce qui a dérivé.

   Configuration: Chat
9. 9
   Passation

   À partir de mes notes dans cette session, rédige le document de passation pour la personne qui reprendra ce dossier au prochain cycle.

   Configuration: Fichiers joints
10. 10
    Travail sur les données

    À partir de cette feuille de calcul sur les émissions, trace la tendance pour ces pays depuis 2010, indique ta méthode et liste chaque hypothèse concernant les données manquantes.

    Configuration: Accès aux fichiers

6.3Travailler avec un agent en toute sécurité

Un agent qui agit à partir d’une mauvaise lecture produit des conséquences, et non un mauvais paragraphe.

Vérifiez ce que vous répéterez. Ouvrez un document cité et confirmez que la citation s’y trouve avant de l’utiliser en salle.

Accordez la plus petite autorisation suffisante. Un système qui lit vos fichiers n’a pas également besoin d’envoyer des courriels.

Traitez tout document externe comme non fiable. Un fichier soumis peut contenir des instructions visant l’agent.

Décidez qui approuve un texte assisté par l’IA. Avec plusieurs outils dans la chaîne, personne d’autre ne le fera.

Le courriel demeure un mode essentiel de communication professionnelle, et trois facteurs le rendent difficile.

Gestion du volume. Les boîtes de réception débordent, et les hiérarchiser prend du temps dont vous ne disposez pas.

Rédaction efficace. Un courriel clair, concis et orienté vers l’action exige un savoir-faire.

Barrières multilingues. La communication mondiale suppose de travailler dans des langues qui ne sont pas les vôtres.

Un assistant connecté à votre boîte aux lettres lit désormais lui-même le fil de discussion ; accordez-lui donc un accès en lecture et laissez-le rédiger. L’envoi reste sous votre contrôle.

1. 1
   Suivi de réunion

   Résume les points clés et les engagements pris lors de la récente réunion de négociation, attribue chacun d’eux à la personne qui l’a formulé, et rédige un courriel de suivi courtois aux participants afin d’encourager la collaboration sur les actions convenues.
2. 2
   Planification

   Génère un courriel diplomatique et flexible proposant plusieurs dates et heures pour le prochain cycle de réunions, exprimées dans les fuseaux horaires de tous les participants.
3. 3
   Notes d’information quotidiennes et comptes rendus

   Crée un courriel quotidien concis de note d’information mettant en évidence les progrès réalisés lors des dernières sessions, y compris les nouvelles propositions, les points convenus et les domaines de divergence nécessitant un examen plus approfondi.
4. 4
   Hiérarchisation intelligente

   Élabore un courriel à l’équipe de négociation présentant une stratégie de hiérarchisation des points de l’ordre du jour selon leur urgence, leur incidence potentielle sur les objectifs climatiques et la faisabilité de parvenir à un accord.
5. 5
   Triage

   Classe mes messages non lus en quatre catégories : nécessite une décision de ma part, nécessite une réponse, doit être transféré, ne nécessite aucune action. Rédige des réponses uniquement pour le troisième groupe et laisse-les en brouillon.
6. 6
   Vérification du registre

   Réécris ce courriel dans un registre diplomatique formel sans modifier aucun engagement de fond, puis dresse la liste des changements effectués afin que je puisse vérifier.

Ces systèmes adoptent par défaut une voix chaleureuse et conciliante qui peut concéder des éléments absents de votre texte initial. Demandez ce qui a été modifié, puis lisez la liste.

Organiser les calendriers, créer des listes de contrôle et réserver les déplacements peut devenir accablant pendant une session. Trois problèmes reviennent régulièrement.

Gestion du temps. Hiérarchiser les tâches et leur attribuer du temps n’a rien d’évident.

Oubli de tâches. Des éléments essentiels disparaissent de la liste de contrôle.

Réservation de vols et d’hôtels. Trouver des options qui correspondent à votre calendrier et à votre budget prend des heures.

Il s’agit du travail le moins risqué du guide et du meilleur point de départ avec un agent. Les tâches se répètent, les résultats sont faciles à vérifier et presque rien ici n’est confidentiel.

1. 1
   Réservations

   Recense les vols et hôtels les plus économiques et les plus pratiques pour un trajet de [ville de départ] à [ville de destination] aux [dates], avec une préférence pour les vols du matin et un hébergement proche du lieu de la réunion. Présente-moi les arbitrages plutôt qu’une seule recommandation.
2. 2
   Création de listes de contrôle

   Génère une liste de contrôle complète pour une session internationale de deux semaines, comprenant les documents nécessaires, l’accréditation, les vêtements adaptés à une météo variable, le matériel de travail essentiel et des copies hors ligne des textes clés.
3. 3
   Planifier la journée

   Examine mon calendrier et le programme de la session, puis propose un emploi du temps qui équilibre réunions, plages de travail individuel, exercice physique et temps personnel, compte tenu de ces échéances et engagements.
4. 4
   Suivi des progrès

   Crée un modèle pour suivre les progrès des axes de travail que je suis, comprenant les jalons, les échéances et un système permettant de consigner les mises à jour et les prochaines étapes.

La logistique est aussi le premier domaine dans lequel un agent reçoit de véritables autorisations, sur votre calendrier, votre messagerie et vos fichiers. C’est raisonnable, et c’est là que commence l’habitude d’accorder un peu plus d’accès à chaque fois. Le système qui réserve vos vols n’a pas besoin de rédiger vos positions.

Les négociations sur le climat ne se résument pas à des chiffres et à des faits. Elles sont traversées par les émotions humaines, les différences culturelles et le bien-être mental.

Tensions sur la santé mentale. Les réalités des changements climatiques et la pression de la négociation pèsent sur les délégués.

Malentendus culturels. Les interprétations erronées issues des différences culturelles créent des fractures et ralentissent le dialogue.

C'est la seule partie du guide où une simple fenêtre de conversation l'emporte sur un agent. Ces échanges appellent un modèle avec lequel dialoguer, non un système doté d'autorisations.

1. 1
   Note culturelle

   Je participe à une négociation des Nations Unies sur les changements climatiques avec une personne originaire du Kenya. À quels éléments culturels devrais-je être attentif afin de faire progresser ma négociation ?
2. 2
   Reconnaissance des émotions

   Je me sens abattu en ce moment ; pouvez-vous me dire quelque chose d'encourageant ?
3. 3
   Débriefing

   Voici ce qui s'est passé lors de cette séance et la manière dont je l'ai géré. Qu'est-ce qu'un négociateur plus expérimenté aurait fait différemment ?

Deux mises en garde. Une note culturelle produit une généralisation sur un pays, alors que vous rencontrerez une personne ; considérez donc ce que vous obtenez comme une orientation plutôt que comme une prédiction. Par ailleurs, un modèle peut être un lieu raisonnable où déposer une pensée à une heure du matin, mais ce n'est ni un clinicien, ni un collègue, et ce n'est pas confidentiel. Si la pression dépasse la simple fatigue, adressez-vous à votre chef de délégation, aux contacts d'appui de votre programme ou à un professionnel.

Ces outils peuvent contribuer à rééquilibrer l’espace multilatéral. Ils lèvent la barrière linguistique qui détermine qui prend la parole avec assurance, condensent des documents que personne n’a le temps de lire, et donnent à une délégation de deux personnes une partie de la portée d’une délégation de cinquante personnes. C’est un acquis important. Cela soulève aussi des questions d’intégrité qu’il convient de se poser avant de saisir quoi que ce soit.

Qui détient les données. Le texte que vous collez dans un assistant hébergé quitte votre délégation. Selon le compte et ses paramètres, il peut être conservé, examiné par du personnel, ou utilisé pour entraîner le prochain modèle. Les positions nationales, les instructions reçues de la capitale, et tout élément qui vous a été communiqué à titre confidentiel n’y ont pas leur place.

Qui détient la décision. Un modèle produit un texte qui ressemble à une position. S’il rédige et que personne ne vérifie, le raisonnement qui sous-tend la position de votre partie commence à exister en dehors de votre délégation. Toute communication sortante doit être assumée par une personne investie d’un mandat.

Ce que vous ne pouvez pas voir. OpenAI et Anthropic ne restituent pas les traces de raisonnement. Vous obtenez une réponse, parfois un résumé de la manière dont elle a été produite, tandis que les étapes effectives restent chez le fournisseur. Vous ne pouvez pas auditer le cheminement, le reproduire, ni montrer à un collègue pourquoi le système a répondu ce qu’il a répondu.

Poids ouverts et poids fermés. Les poids d’un modèle sont les nombres qu’il a appris lors de l’entraînement. ChatGPT, Claude et Gemini conservent les leurs sur les serveurs de leurs entreprises, et ce sont les plus puissants et les plus faciles à utiliser. Llama, Mistral, Qwen, Gemma et DeepSeek publient les leurs, de sorte que vous pouvez exécuter le modèle sur votre propre machine ou sur un serveur régional. Les modèles ouverts accomplissent bien la traduction, la synthèse et la rédaction, et restent en retrait sur les problèmes multi-étapes les plus difficiles. Les poids que vous détenez ne peuvent pas être renchéris ni retirés au milieu d’une session.

Une IA alignée sur la souveraineté signifie que la délégation, la région ou la communauté fixe les conditions : quel modèle est utilisé, quelles données y sont introduites, qui peut inspecter ce qui s’est passé, et le droit de refuser. Dans le processus de la COP, les parties qui disposent des capacités les plus limitées sont généralement celles qui ont le plus en jeu, ce qui rend la question pratique plutôt que philosophique.

Règle de travail. Utilisez le modèle hébergé le plus performant pour les documents publics, la lecture de contexte, la rédaction et les exercices de préparation. Utilisez des poids ouverts, ou un déploiement régi par un contrat que votre institution a examiné, pour tout élément touchant à une position qui n’est pas encore publique.

Ce guide existe pour maintenir cet arbitrage visible. Les chapitres précédents montrent ce que ces systèmes font bien. Celui-ci porte sur ce à quoi vous renoncez en échange.

Le chapitre précédent a exposé l’arbitrage. Celui-ci porte sur la réponse la plus robuste à cet arbitrage, à savoir exploiter le modèle soi-même.

L’auto-hébergement signifie que rien ne quitte les locaux. Il n’y a pas de politique de conservation à laquelle faire confiance, pas de conditions d’utilisation susceptibles de changer, et pas de compte pouvant être suspendu au milieu d’une session. Il permet aussi de développer les compétences au sein de votre institution plutôt que de les louer.

Jusqu’à récemment, cela signifiait accepter un modèle beaucoup moins performant. Ce n’est plus le cas.

Kimi K3 et GLM-5.3 obtiennent tous deux un score de 60 dans l’Artificial Analysis Intelligence Index, trois points derrière Claude Opus 5 à 63, et Qwen3.8 suit à 58. Dix-neuf des 29 modèles de l’indice ont des poids ouverts, même si le haut du classement reste encore majoritairement propriétaire.¹1Le graphique compte GLM-5.3 et GLM-5.3-Flash comme propriétaires. Z.ai publie les deux jeux de poids sous licence MIT, ce guide les compte donc comme ouverts, ce qui explique pourquoi la figure montre dix-sept barres bleues et le texte indique dix-neuf. Il y a un an, le principal modèle ouvert accusait treize points de retard sur le principal modèle propriétaire; cet écart s’est donc rapidement réduit et pourrait se réduire encore.

Le prix constitue la seconde moitié de l’argument. GLM-5.3-Flash obtient un score de 57 pour environ neuf cents par tâche et DeepSeek V4 Pro 0813 un score de 53 pour environ un quart de dollar, tous deux dans ce quadrant. Claude Opus 5 obtient 63, à un prix environ dix fois supérieur à celui du DeepSeek. Ce rapport est la raison pratique pour laquelle une délégation peut se permettre d’exploiter son propre modèle.

11.1Quel modèle exploiter

État des lieux au 26 août 2026. Lisez la licence avant de vous engager. Plusieurs des modèles ouverts les plus performants restreignent l’usage commercial, ce qui ne pose généralement pas de problème pour une délégation, mais en pose un pour un fournisseur qui construit un service par-dessus l’un d’eux.

11.2Combien cela coûte

Un NVIDIA DGX Spark est une machine de bureau dotée de 128GB de mémoire unifiée, actuellement vendue 4 699 dollars. Deux unités se connectent directement l’une à l’autre sans commutateur, offrant 256GB pour environ 9 400 dollars. Cette paire exécute un modèle épars de la catégorie DeepSeek à 55 à 60 jetons par seconde avec un contexte d’un million de jetons, ce qui suffit à servir une délégation au travail.

Une seule unité exécute un modèle de 27B à 35B assez rapidement pour soixante utilisateurs simultanés, couvrant la traduction, la synthèse et la rédaction pour tout un bureau. Trois ou quatre unités, à 384 à 512GB, hébergent les plus grands modèles ouverts sans les élaguer.

Comparé à un abonnement pour chaque délégué, le matériel s’amortit en un cycle ou deux, et il continue de fonctionner une fois le financement terminé.

11.3Comment le mettre en place

Servez le modèle avec vLLM ou SGLang. Les deux présentent la même API qu’OpenAI, de sorte que tout outil qui dialogue avec ChatGPT dialoguera avec votre propre serveur après un changement d’adresse et de clé. Pour un premier essai sur un ordinateur portable, Ollama ou llama.cpp sont plus simples. NVIDIA publie des guides de configuration pour le Spark, et les recettes communautaires pour connecter deux, trois et quatre unités sont publiques et reproductibles.

Si exploiter votre propre modèle n’est pas réaliste avant la prochaine session, la solution de repli est un service hébergé assorti d’un accord écrit de conservation nulle des données. Traitez cela comme une mesure transitoire plutôt que comme une destination.

11.4Une réserve à connaître

L’indice ci-dessus est une moyenne de neuf évaluations, et les modèles ouverts ne sont pas en retrait de manière uniforme dans chacune d’elles. L’écart est le plus marqué pour les tâches de raisonnement les plus difficiles et pour les hallucinations, domaine dans lequel les modèles propriétaires restent nettement en tête. Pour un négociateur, ce second point décide de tout. Orientez le modèle vers vos propres documents, demandez des citations, et ouvrez-les.

The last chapter ended with a model running on hardware you own. This one is about pointing it at your own people.

Every chapter so far treats AI as something one person uses on their own work. There is a second use, and it is the one that changes what a small delegation or a youth constituency can do. You can use a model to listen to far more people than a human team can listen to, and to carry what they said into the room with the receipts attached.

The field calls this broad listening. A poll compresses people into options that somebody else wrote. Broad listening runs the other way. People answer in their own words, software finds the structure in the answers, and the structure goes back to the people who wrote it so they can correct it.

12.1Polis, the oldest of these tools

Polis is a survey that behaves like a conversation. Participants write short statements. Everyone else votes agree, disagree, or pass on statements drawn semi-randomly from the pile. The system clusters voters by how they voted and then surfaces the statements that bridge the clusters, rather than the statements that win a majority.

Taiwan is the case people cite. After the Sunflower protests of 2014, the g0v civic-hacker community and the government ran the vTaiwan process on Polis, and more than 200,000 people took part across its consultations. The consultation on ride-hailing produced a set of statements that drivers, taxi companies, and passengers all agreed with, and the regulation was written from those.

Polis is open source under the AGPL and maintained by the Computational Democracy Project. It predates the language-model era and needs no model at all, which is part of why it has held up.

12.2Talk to the City, and what the models added

Talk to the City is what happens when you put a language model on the reading side. Built by the AI Objectives Institute, it takes interviews, survey responses, forum threads, or transcripts, breaks them into atomic claims, groups the claims into topics, and produces a report in which every line traces back to the quote it came from. Newer versions also run the interview, as a conversational survey that asks follow-up questions instead of reading from a fixed list.¹1One project used an AI moderator to interview 81,000 people worldwide, with the model following up on whatever a participant raised. That scale is real, and so is the caveat below: the model decides what to ask and what to keep.

The traceability is the whole point. A summary nobody can open is an assertion. Talk to the City is Apache-licensed and you can host it yourself.

12.3Team Mirai, the version with seats in parliament

Takahiro Anno is a software engineer and science-fiction writer who ran for Governor of Tokyo in 2024 with no party behind him and took 154,000 votes. He answered 8,600 questions from voters through an AI avatar trained on his own manifesto, over a seventeen-day livestream. In May 2025 he founded a party, Team Mirai. It won an upper house seat that July and eleven lower house seats in February 2026 on about seven percent of the vote.

The machinery underneath is the part worth copying. A citizen talks to an AI Interviewer, which asks follow-up questions and drafts a policy proposal out of the conversation. The party receives that draft only if the citizen confirms it matches what they meant. Where enough people back an idea, it becomes a proposal the party's legislators can submit. On one consultation the interviewer collected more than 1,200 hours of conversation in a few days, which would take a human interviewer roughly fifty days without sleep.

Two design choices carry most of the weight. The citizen is the final approver, so the model's framing cannot pass unchallenged into the record. And the party takes no position on genuinely divisive questions, putting them to a direct vote instead, because no amount of clever clustering dissolves a real conflict of interest.

Their broad-listening software, kouchou-ai, is open source and began as an adaptation of Talk to the City for Japanese municipalities. Adapting an existing civic tool to a local political reality, in public, is a better model for a delegation than commissioning one.

12.4Three more worth knowing

Agora Citizen Network. Polis-style clustering rebuilt for the open web and fully open source, now moving onto the AT Protocol as a Decentralized Deliberation Standard, so that a deliberation is not locked inside one operator's database. A French team ran a national consultation on it in September 2025 during the bloquons tout strike, to test whether an angry country could still be brought to a set of shared statements.

Habermolt. A research experiment on the opposite trade-off. Instead of scaling how many people a process can hear, it gives each person an agent that learns their views and deliberates on their behalf in rooms they never attend. You read back what your agent said and correct it. It is modelled on the Habermas Machine from DeepMind, and it is an open question rather than a tool: an agent that speaks for you is exactly the thing chapter 10 asks you to be careful about.

Simocracy. Built by GainForest, who co-publish this guidebook, so read it as an example and not a recommendation. Each participant writes a sim: an avatar, a constitution stating what it stands for and where its red lines are, and a speaking style. The sim is a record on the AT Protocol, owned by the person who wrote it, and it attends meetings on their behalf. Gatherings deliberate proposals in public, on the record, and allocate a shared budget. It has been run with Funding the Commons at Frontier Tower in San Francisco and in the Agent Village experiment, in both cases with humans holding the final allocation.

12.5What this is for at a COP

A constituency position. YOUNGO has hundreds of members across every time zone and days to produce one line. Broad listening turns that from a call nobody can attend into text everyone can check.

A closed call for inputs. A submission window shuts with 180 documents behind it and no delegation has read them. Cluster the claims, keep the quotes, open the ones that matter.

A two-person delegation. The honest gap is between your mandate and what people at home actually want. This narrows it, cheaply, between sessions.

The report back. After a session, the same machinery runs in reverse: what was decided, what it means locally, and what people say about it.

12.6What to check before you run one

Who wrote the questions. A model that runs an interview decides what to ask, what to remember, and how to report it. That is real power over the result. Publish the prompt and the topic list the way you would publish a questionnaire.

Verification stays with the participant. Nothing enters the record until the person who said it confirms the summary. This one rule is what separates broad listening from a machine putting words in people's mouths.

Language. These tools work in the language people actually speak, which is their main advantage over a consultation run in English. Check the clustering in each language rather than translating everything into English first.

Do not simulate people you could ask. Synthetic participants are cheap and worthless as evidence. If a group is affected, the process pays to reach them.

Host sensitive material yourself. Polis, Talk to the City, kouchou-ai, Agora, and Simocracy are all open source. Chapter 11 is how you run them on your own hardware.

Un négociateur climat qui utilise un outil consommant de l’énergie et de l’eau devrait pouvoir dire en quelle quantité. La réponse honnête comporte deux volets, qui vont dans des directions différentes.

13.1Votre propre utilisation est limitée

Google a mesuré une requête textuelle médiane adressée à Gemini à 0,24 Wh d’énergie, 0,03 gramme de CO2e et 0,26 millilitre d’eau.¹1Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, August 2025. Ce chiffre inclut la capacité inactive et les frais généraux des centres de données, que la plupart des estimations publiées omettent. Cela correspond à quelques secondes d’utilisation d’un ordinateur portable. Même une journée de travail avec un usage intensif reste inférieure à un court trajet en voiture.

Polly indique cette donnée pour chaque compte, et le calcul est publié plutôt qu’affirmé.²2La méthode et chaque constante figurent dans footprint.ts dans pi-village-core. Un chiffre qu’un négociateur ne peut pas interroger est pire que l’absence de chiffre. Il part des paramètres actifs du modèle :

La lecture de votre requête coûte environ un quart de ce que coûte la rédaction d’une réponse, et la relecture d’une requête mise en cache coûte un dixième ; les trois opérations sont donc comptabilisées séparément. Sur le modèle épars qu’exécute Polly, qui active 13 milliards de paramètres par jeton, un échange typique représente environ 0,13 Wh et 0,14 millilitre d’eau. Ce chiffre se situe juste en dessous de la médiane de Google.

Considérez chacun de ces chiffres comme exact à un facteur deux près. Ils n’incluent pas l’entraînement du modèle, l’eau utilisée pour produire l’électricité, votre propre appareil, ni le carbone incorporé dans le matériel.

13.2L’utilisation de l’industrie ne l’est pas

Les chiffres intéressants se situent à l’échelle du secteur plutôt qu’à celle de la personne. La demande d’électricité des centres de données augmente plus vite que les réseaux ne se décarbonent, de nouvelles capacités sont construites dans des régions soumises au stress hydrique, et les entreprises qui communiquent les chiffres par requête sont les mêmes dont les émissions totales ont augmenté depuis qu’elles ont commencé à construire ces systèmes.

Les deux volets sont vrais simultanément. Votre propre utilisation est négligeable dans l’arrondi, et l’agrégat constitue une revendication sérieuse et croissante sur l’énergie, l’eau et les terres. Énoncer le premier sans le second relève du type de comptabilité qu’un négociateur n’accepterait pas d’une Partie.

13.3Que faire

Choisissez un modèle plus petit lorsqu’un modèle plus petit suffit. La traduction et la synthèse n’exigent pas un modèle de pointe, et un modèle épars qui active quelques milliards de paramètres coûte une fraction du coût d’un modèle dense.

Demandez aux fournisseurs leurs chiffres, y compris pour l’eau. Demandez à partir de quel réseau la requête est servie. Ce sont des questions d’achat raisonnables, et elles sont rarement posées.

Indiquez votre propre chiffre lorsque vous utilisez ces outils dans votre travail. Une délégation qui publie l’empreinte de sa propre utilisation de l’IA est légitime à demander aux autres d’en faire autant.

14.1Forces et faiblesses

Forces. Grande efficacité dans le traitement et la synthèse des vastes volumes de textes sur lesquels repose la politique climatique. Capacité à produire des rapports, à rédiger des textes de politique générale et à simuler des négociations en langage naturel, ce qui permet d'économiser du temps et des ressources. Capacité à assister simultanément de nombreuses personnes, des décideurs aux chercheurs et aux militants.

Faiblesses. Biais potentiels dans les modèles, qui faussent la manière dont l'information est traitée s'ils ne sont pas surveillés et corrigés. Dépendance à l'égard de la qualité et de l'étendue des données d'entraînement, qui limite la capacité d'un modèle à traiter des questions climatiques nuancées. Difficulté à interpréter avec exactitude un langage juridique et technique complexe sans supervision humaine.

Possibilités. Stratégies de communication personnalisées permettant de mobiliser différentes parties prenantes en faveur de l'action climatique. Intégration avec d'autres outils d'analyse des données environnementales, à l'appui de politiques mieux éclairées. Éducation et diffusion plus larges de l'information relative aux politiques climatiques, la rendant accessible aux non-spécialistes.

Menaces. Désinformation, lorsqu'un modèle génère un contenu incorrect ou trompeur à partir de sources peu fiables. Dépendance excessive, qui freine le développement de l'expertise locale en matière de politique climatique. Préoccupations éthiques concernant la transparence et la responsabilité dans la prise de décision automatisée.

Les agents ajoutent deux autres menaces qu'il convient de nommer. Les délégations dotées de ressources feront fonctionner des systèmes bien gouvernés, tandis que les petites délégations utiliseront des outils gratuits aux conditions peu claires, ce qui élargit l'écart sous l'apparence d'un accès égal. Et, lorsque plusieurs personnes et plusieurs outils interviennent dans une chaîne, la responsabilité d'un texte devient difficile à retracer, à moins que quelqu'un ne décide à l'avance où elle se situe.

14.2Recommandations

Trois éléments méritent d'être mis en place : des outils de traduction du langage technique de la UNFCCC, des plateformes d'analyse des données historiques de négociation, et des environnements dans lesquels les jeunes négociateurs disposent de la technologie dont ils ont besoin pour contribuer. À ceux-ci s'en ajoutent six autres.

Culture numérique. Formation visant spécifiquement à naviguer dans les bases de données et plateformes internationales relatives aux politiques publiques.

Appui en temps réel. Outils fournissant des clarifications pendant les négociations plutôt qu'après celles-ci.

Formation virtuelle à la négociation. Environnements simulés permettant de s'exercer à des scénarios de négociation.

Plateformes d'appui financier. Plateformes de financement participatif ou de micro-subventions répondant aux obstacles financiers à la participation aux négociations, soulevés par des négociateurs du Libéria et du Paraguay.

Formation à la communication interculturelle. Programmes répondant aux malentendus recensés par des négociateurs du Pérou et du Nigéria.

Programmes de mentorat. Réseaux reliant les jeunes négociateurs à des négociateurs expérimentés, afin que les connaissances se transmettent d'un cycle à l'autre.

Pour un négociateur, quatre habitudes couvrent l'essentiel. Utiliser ces systèmes pour la préparation, la langue et la mémoire. Vérifier tout élément que l'on répétera à voix haute. Ne jamais laisser un système s'exprimer au nom de sa Partie. Continuer à effectuer soi-même une part suffisante des recherches pour pouvoir encore s'en acquitter sans aide.

Pour une délégation, consigner par écrit les outils autorisés, ce qui peut y être collé, et qui approuve un texte assisté par l'IA. Une page suffit, et elle coûte moins cher qu'un incident.

En mobilisant le potentiel de l'IA, la jeunesse d'aujourd'hui ne se contente pas d'hériter de l'avenir, elle le façonne activement ; que le prochain chapitre de l'histoire de notre planète soit écrit avec les traits audacieux de l'innovation et du leadership des jeunes.

Les questions et commentaires sont les bienvenus à l'adresse team@gainforest.net.

1. Le perceptron de Rosenblatt et la démonstration de 1958, Cornell Chronicle
2. Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012
3. Vaswani et al., Attention Is All You Need, Google Research 2017
4. Radford et al., Language Models are Unsupervised Multitask Learners, OpenAI 2019
5. Kaplan et al., Scaling Laws for Neural Language Models, OpenAI 2020
6. Hoffmann et al., Training Compute-Optimal Large Language Models, NeurIPS 2022
7. OpenAI, Introducing ChatGPT, 30 novembre 2022
8. OpenAI, Learning to Reason with LLMs, 12 septembre 2024
9. DeepSeek, DeepSeek-R1, 20 janvier 2025
10. METR, Measuring AI Ability to Complete Long Tasks, 2025
11. Anthropic, Anthropic Economic Index, 2025, utilisation par pays et par tranche de revenu
12. Global Biodiversity Information Facility, données d'occurrence et biais géographique de l'échantillonnage, gbif.org et le blog des données du GBIF
13. Artificial Analysis, Intelligence Index by Open Weights and Proprietary, 26 août 2026
14. Artificial Analysis, Intelligence Index vs. Cost per Intelligence Index Task, 26 août 2026
15. NVIDIA, guide utilisateur et aperçu matériel de DGX Spark
16. Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, août 2025
17. Epoch AI, How much energy does ChatGPT use?, 2025
18. GainForest, footprint.ts dans pi-village-core, le calcul qui sous-tend les chiffres par compte de Polly
19. GainForest, Generative AI + Climate Guide 2024, établi pour le Climate Youth Negotiator Programme en amont de COP29