Régimes du corpus dans l'édification de l'IA

Problématique

Lorsque l'on soumet un corpus à une IA, on a trop souvent tendance à tout mettre sur le même plan : un livre, une base de données brute, une encyclopédie, un roman, un conte traditionnel, un agrégat de pages web — tout devient "donnée".

Or, ces apports ne sont pas équivalents. Ils ne relèvent pas du même régime d'autorité, ni de la même fonction dans l'édification de l'IA.

Cette fiche propose une typologie simple, en cinq niveaux, pour distinguer clairement ce qui relève :

• du socle linguistique,
• de la collecte ouverte,
• de la référence collective,
• de l'œuvre signée,
• du patrimoine culturel immatériel répliqué.

Les cinq régimes du corpus

Niveau	Dénomination	Acronyme	Définition	Exemple
0	Corpus Fundamentum	CF	Le corpus fondationnel. Il est antérieur, invisible, et constitue la capacité linguistique et sémantique de base de l'IA. L'IA est entraînée sur lui. Il n'est pas un "apport" choisi, mais la condition de possibilité de toute compréhension.	L'ensemble des textes (livres, sites, articles) ayant servi à l'entraînement initial d'un grand modèle de langue.
1	Corpus Origo	CO	Le corpus-source. Collecte ouverte, librement assemblée par le concepteur (chercheur, ingénieur, entreprise, amateur). Il est ouvert, additif, non validé, et peut être continuellement enrichi par qui veut. C'est le matériau premier du travail.	Une base de données personnelle, une collecte de textes sur un sujet, un web crawler maison.
2	Corpus Authenticatum	CA	Le corpus authentifié. Validé par un collectif, une institution, une communauté scientifique ou professionnelle. Il fait autorité par consensus ou par méthode. On s'y réfère comme à un repère stable.	Une encyclopédie validée, une base de données officielle, un corpus institutionnel, un dictionnaire.
3	Corpus Signatum	CS	Le corpus signé. Œuvre achevée, assumée par un auteur (personne ou entité) qui en prend la responsabilité. L'IA ne le reçoit pas comme une donnée, mais comme un apport constitué — l'équivalent d'un livre pour l'esprit humain.	Un livre, une thèse, un poème, une documentation technique, un manifeste, une constitution.
4	Corpus Replicatum	CR	Le corpus réplicatif. Il est l'ensemble des répliques — transcriptions, enregistrements, traductions, adaptations, variations — qui procèdent d'une source (individuelle ou collective) qui n'est pas elle-même un corpus. Cette source peut être un griot, un maître, une communauté, une performance unique, un événement. Le CR est le régime de la réplication, non de l'origine.	Un recueil de contes populaires transcrits, une base d'enregistrements de chants traditionnels, un corpus de traductions d'une épopée orale, un ensemble de versions d'un mythe.

Ce que ces régimes impliquent pour l'IA

Régime	L'IA est...	Ce qu'elle peut en faire	Ce qui la limite
CF	un locuteur	Parler, comprendre, reformuler	Elle ne connaît que ce qui est dans le CF.
CO	un outil	Traiter, extraire, organiser	Elle n'a pas de guide ; tout se vaut.
CA	un élève	Apprendre, se référer, citer	Elle est contrainte par le consensus.
CS	un lecteur	Interpréter, commenter, prolonger	Elle est confinée à un seul esprit.
CR	un transmetteur	Répliquer, comparer, synthétiser, traduire, varier, restituer	Elle ne dialogue pas avec la source, mais avec ses répliques.

Le cas d'école : une IA sur un seul CS

Il est techniquement possible de faire fonctionner une IA uniquement sur un Corpus Signatum (CS). Dans ce cas :

• Elle tire sa capacité linguistique du Corpus Fundamentum (CF).
• Elle tire son contenu, son orientation et son style du CS.
• Elle ne puise ni dans le CO ni dans le CA ni dans le CR.
• Elle devient un lecteur exclusif, capable de parler depuis l'œuvre, mais non de la comparer ou de l'élargir.

C'est l'équivalent d'un esprit qui n'aurait lu qu'un seul livre — mais qui l'aurait lu infiniment profondément.

Le cas particulier du CR

Le Corpus Replicatum est le seul régime qui ne se réfère pas à un original textuel. Il procède d'une source — vivante, événementielle, collective ou individuelle — qui n'est pas un corpus. L'IA qui travaille sur un CR ne dialogue pas avec un auteur, mais avec des répliques de cette source. Elle devient :

• transmetteur : elle reproduit ce qui lui est donné,
• comparateur : elle peut confronter différentes répliques entre elles,
• synthétiseur : elle peut en extraire des invariants,
• traducteur : elle peut le déplacer dans une autre langue,
• varieur : elle peut proposer des variations légitimes,
• restaurateur : elle peut reconstituer une version perdue.

Le CR est le régime de la mémoire culturelle vivante — non pas l'œuvre achevée (CS), mais le flux des répliques qui perpétuent une source.

Pourquoi cette distinction est essentielle

Confusion courante	Clarification apportée
Tout corpus est une donnée.	Un CS n'est pas une donnée, c'est une parole engagée. Un CR n'est pas une donnée, c'est un ensemble de répliques d'une source vivante.
L'IA puise partout de la même façon.	L'IA ne puise pas dans un CS comme dans un CO : elle s'y confie. Elle ne puise pas dans un CR comme dans un CS : elle le réactive et le compare.
La capacité sémantique vient du corpus qu'on lui donne.	La capacité sémantique vient du CF ; les apports viennent orienter cette capacité.
On peut mélanger tous les corpus.	Les régimes sont hétérogènes : mélanger un CO, un CS et un CR, c'est mélanger bruit, parole et tradition.

En résumé

"Il y a cinq régimes de corpus : le Fundamentum (CF), qui est le socle linguistique ; l'Origo (CO), qui est la collecte ouverte ; l'Authenticatum (CA), qui est la référence collective ; le Signatum (CS), qui est l'œuvre signée ; et le Replicatum (CR), qui est l'ensemble des répliques procédant d'une source vivante. Les trois derniers sont des apports constitués, mais de nature différente : l'un est œuvre, l'autre est tradition répliquée."

Pour aller plus loin

Cette typologie permet de :

• Documenter clairement les apports à une IA.
• Distinguer ce qui relève du bruit, de la référence, de l'œuvre, et de la tradition répliquée.
• Penser l'édification de l'IA non comme un simple traitement de données, mais comme une rencontre avec des régimes d'autorité hétérogènes.

Voir aussi

• Traitement automatique du langage naturel
• Corpus (linguistique)
• Apprentissage profond
• Patrimoine culturel immatériel
• Tradition orale
• RAG (Retrieval-Augmented Generation)

Bibliographie

• À compléter