Fiance de l'IA au foot : 5 risques cachés

Le modèle ne ment pas — mais qui l’interprète ?

J’ai construit un réseau bayésien pour prédire les résultats du Premier League avec 12 ans de données. Le modèle ne ment pas : il est entraîné sur des stats fiables — possession, xG, zones de tirs, transitions défensives. Mais quand un dirigeant demande : « Will Dumont gagner ? » — la question n’est pas sur la probabilité. C’est sur le désir.

Quand le code devient culture

Les algorithmes n’ont pas d’intention. Mais les humains si. À Croydon, ma mère — infirmière nigériane — m’a appris que des statistiques sans empathie ne sont que du bruit. Mon père — ingénieur écossais — m’a dit que la précision sans éthique est de l’arrogance. Quand on optimise pour « l’exactitude », on oublie souvent ceux qui sont exclus : les jeunes des communautés minoritaires dont les données n’ont jamais été intégrées.

Le risque caché : colonialisme algorithmique

Le signal le plus dangereux n’est pas le surajustement — c’est l’invisibilité. On traite « Dumont » comme un proxy du « succès », puis on s’étonne que ses stats ne s’additionnent pas. Pourquoi ? Parce que le modèle a été entraîné par des gens qui ne l’ont jamais vu.

Les données ne parlent pas — mais ceux qui les utilisent oui

On confond corrélation et causalité parce qu’on échange motif et pouvoir. Une probabilité de victoire à 78 % ne veut rien dire si le joueur derrière n’a jamais eu sa chance.

La modélisation éthique est un travail humain

La vraie insight n’est pas dans le code — elle est dans le contexte. Posez-vous la question : faites-vous confiance à un algorithme… ou à la personne qui l’a codé ?