Saussure vs Peirce : deux modèles du signe pour l'IA

Le mot “signe” paraît simple — une forme qui renvoie à autre chose — mais en sémiotique il ouvre deux traditions qui pensent la relation au monde de façon radicalement différente. Choisir l’une ou l’autre n’est pas anodin lorsqu’on veut construire des systèmes capables de traiter du sens : cela gouverne ce qu’on décide d’annoter, ce qu’on accepte comme preuve, et finalement ce que l’IA pourra faire ou manquera de comprendre.

Deux modèles du signe : l’essentiel

La tradition saussurienne voit le signe comme une paire : signifiant (la forme, acoustique ou graphique) et signifié (le concept associé). L’accent est mis sur la structure du système linguistique — langue — et sur les oppositions qui produisent du sens. La parole, usage instancié, reste secondaire. La logique interne est synchronique et structuraliste : comprendre une unité revient à situer ses différences dans la chaîne des signes.

Peirce propose un schéma triadique. Le signe (ou representamen) renvoie à un objet, mais ce lien n’est pas suffisant : il appelle un interprétant, une nouvelle représentation ou effet cognitif chez un interprète. Peirce distingue encore les types de relations : icône (ressemblance), indice (relation de contiguïté matérielle) et symbole (convention). Cette approche met la médiation, l’interprétation et la dialectique du processus sémiotique au centre.

Ces différences semblent formelles mais elles ont des implications concrètes. Le saussurisme privilégie des descriptions fermes et comparables — utiles pour classer — alors que le peircianisme invite à modéliser un processus dynamique, souvent contextuel et ouvert.

Quand ces cadres rencontrent l’IA

Les méthodes d’apprentissage automatique s’appuient sur des orientations épistémologiques, parfois sans le formuler. Un annotateur qui marque des étiquettes de sentiment sur des phrases travaille souvent dans un paradigme saussurien : on découpe, on catégorise, on aligne formes et significations. Ce modèle facilite la construction d’ensembles d’entraînement et la mesure de performances selon des mesures standardisées.

Adopter une lecture peircienne, en revanche, transforme la pratique. Plutôt que d’assigner un label fixe, on s’intéresse au contexte, aux indices matériels (intonation, pointage visuel, cooccurrence multimodale) et à l’effet produit sur un interprète. Pour l’IA, cela exige des représentations capables d’encoder des relations entre objets, des traces indexicales (par exemple la proximité spatiale entre deux éléments dans une image) et des inférences pragmatiques. Les architectures binaires d’appariement forme->étiquette montrent leurs limites face à l’indexicalité, l’ironie, ou à des signes dont le sens change selon la situation.

Conséquence immédiate : la nature des données. Sous une coupole saussurienne, on privilégiera des corpus textuels, des dictionnaires annotés, des paires phrase/label. Sous une coupole peircienne, on cherchera des corpus multimodaux, des métadonnées contextuelles, des annotations de relations (qui pointe quoi, quelle est la situation physique) et des trajectoires interprétatives (comment la lecture évolue selon l’historique conversationnel). Ce dernier exige davantage d’efforts d’annotation et un investissement méthodologique pour formaliser l’interprétant.

Autre conséquence : l’évaluation. Les métriques classiques mesurent la classification et la précision; elles sont adaptées à des modèles saussuriens. Elles deviennent insuffisantes quand le but est de reproduire des inférences contextuelles et des effets interprétatifs variables. On a alors besoin d’épreuves qui testent la capacité à utiliser indices et contextes, ou à produire réponses différenciées selon la situation.

Enfin, la question du symbol grounding — comment un signe symbolique acquiert une référence réelle — se pose différemment. Une approche saussurienne peut externaliser le grounding à une ontologie ou à des ontologies partagées ; une approche peircienne mettra en lumière le rôle des expériences sensori-motrices et des indices concrets dans l’émergence du sens, ce qui oriente vers des systèmes ancrés (robotique, dispositifs multimodaux) plutôt que purement textuels.

Conséquences pratiques et méthodologiques

La lecture sémiotique choisie a des retombées concrètes pour plusieurs étapes de conception.

• Choix des tâches et des jeux de données :

  • Saussure-oriented : classification, traduction, indexation lexicale. Jeux de données alignés, labels stables, ontologies taxonomiques.
  • Peirce-oriented : compréhension multimodale, désambiguïsation indexicale, dialogues contextuels. Jeux de données enrichis en métadonnées temporelles, spatiales et interactionnelles.

• Protocoles d’annotation :

  • Saussurien = instructions claires, catégories exclusives, forte inter-annotateur comparabilité.
  • Peircien = annotations hiérarchiques, possibilité d’annotations multiples pour une même unité (icône+indice+symbole), capture des interprétants ou des effets observés chez l’interprète.

• Architectures de modèles :

  • Saussure-friendly : représentations vectorielles stables (embeddings lexicaux), modèles discriminatifs pour classer.
  • Peirce-friendly : modèles qui intègrent mémoire contextuelle, graphes de relations, modules pour traiter signaux non linguistiques et pour inférer des effets pragmatiques.

• Évaluation et fiabilité :

  • Les mesures traditionnelles peuvent masquer des échecs sémiotiques : un modèle peut bien classer le “sens” moyen d’un signe tout en ratant des usages indexicaux critiques. Les évaluations doivent donc inclure des scénarios d’usage et des tests de robustesse contextuelle.

• Transparence et explication :

  • Sous l’angle saussurien, expliquer une décision revient souvent à pointer une caractéristique statistique ou une règle. Sous l’angle peircien, expliquer implique de rendre compte du chemin interprétatif : quels indices ont été pris en compte, quelle hypothèse d’objet a été retenue, quelle interprétation a été produite.

Au-delà de l’ingénierie, il existe des enjeux éthiques. Une IA foncièrement saussurienne risque d’essentialiser des catégories culturelles et de gommer l’ambiguïté productive des signes dans des contextes minoritaires. Une IA peircienne, mal conçue, peut amplifier des lectures contextuelles biaisées si les indices historiques dans les données reflètent des discriminations.

Pour les équipes interdisciplinaires, la divergence impose un travail lexical : vérifier ce que l’on entend par “signification”, “contexte” ou “référence” avant de poser des annotations ou des objectifs de modèle. Sans ce travail, les résultats techniques paraîtront corrects mais peu opérants pour des usages concrets.

Vers des compromis et des expérimentations pragmatiques

La polarité entre saussurien et peircien ne doit pas enfermer les projets. Plusieurs voies pratiques permettent d’hybrider :

• Décliner des modules : conserver des composants robustes de classification pour les tâches de base, et construire des modules contextuels qui activent des inférences peirciennes lorsque le signal indique une indexicalité ou une incertitude.
• Enrichir les annotations sans sacrifier la comparabilité : ajouter des métadonnées contextuelles et des balises d’incertitude, tout en gardant des labels principaux pour l’entraînement initial.
• Concevoir des évaluations multi-voies : combiner métriques standard avec tests narratifs et interactions humaines qui mesurent l’effet interprétatif.

Ces approches demandent du temps et des ressources, mais elles rémunèrent l’effort par une meilleure robustesse des systèmes face à la variabilité du sens. Elles rendent l’IA moins naïve face à la polysémie, à l’implicite et aux signes indexicaux — éléments fréquents dans la vie quotidienne.

La sémiotique offre des outils conceptuels pour questionner les fondations mêmes des modèles que nous bâtissons. Adopter consciemment un cadre — ou expliciter un compromis — change les priorités de conception : quelles informations collecter, comment les représenter, et comment juger qu’une machine « comprend » suffisamment. Plus que de trancher, il s’agit d’utiliser ces traditions pour dessiner des systèmes qui reconnaissent la part procédurale, relationnelle et contextuelle du sens. Cela ne garantit pas une compréhension humaine parfaite, mais cela permet de mieux cerner ce que nos modèles accomplissent réellement et où ils butent.