hacker /akœʁ/

  1. (Informatique) Personne qui explore de manière approfondie le fonctionnement de systèmes informatiques ou numériques, en cherchant à comprendre, détourner ou étendre leurs usages, avec une forte composante d’ingénierie et d’expérimentation.
  2. (Par extension, courant) Individu qui applique une démarche d’exploration, de bidouillage et d’optimisation à des systèmes complexes non informatiques (organisations, processus, règles), en identifiant des failles, des effets de bord ou des usages non prévus, afin d’atteindre un objectif précis avec des moyens limités.
  3. (Sens restreint, sécurité informatique) Personne qui s’introduit dans des systèmes informatiques en exploitant des vulnérabilités techniques ou organisationnelles, qu’il s’agisse d’activités légales (tests d’intrusion, audit) ou illégales (intrusions non autorisées, vol de données).
  4. (Culturel) Membre ou sympathisant de la culture du logiciel libre, du Do It Yourself (DIY) ou des hackerspaces, valorisant le partage de connaissances, la transparence des systèmes et la modification créative des outils techniques.

sociétal /sɔsjetal/

  1. (Adjectif) Qui concerne l’organisation et le fonctionnement global de la société, en particulier les normes, valeurs, comportements collectifs, structures institutionnelles et rapports de pouvoir affectant la vie des individus et des groupes.
  2. (Par opposition à « social », restreint aux relations interpersonnelles ou aux conditions matérielles) Qualifie des enjeux situés à l’échelle macro (institutions, systèmes politiques, médias, économie numérique, infrastructures), comme les transformations liées au numérique, à la gouvernance ou aux politiques publiques.
  3. (Analyse des politiques publiques) Se dit des effets d’une décision, d’une réforme ou d’une innovation qui modifient de manière durable les cadres collectifs (droits, accès aux ressources, mécanismes de décision), au‑delà des impacts immédiats sur des individus isolés.

Du citoyen au hacker sociétal

À l’ère des modèles de langage (LLM, Large Language Models), le citoyen n’est plus limité par l’accès aux experts, mais par sa capacité à formuler des questions et à structurer des analyses. Le « hacker sociétal » désigne un citoyen qui utilise ces outils pour auditer les politiques publiques comme un système, en appliquant une démarche de rétro‑ingénierie méthodique plutôt qu’un simple usage conversationnel.

Dans ce cadre, une plateforme comme CiviKa incarne une forme de souveraineté numérique citoyenne : elle documente les protocoles de travail avec l’IA et conserve des analyses stabilisées, réutilisables comme briques pour de futures investigations. L’enjeu n’est pas de remplacer les institutions, mais de permettre au citoyen d’interroger les choix politiques sous des angles multiples, avec des coûts de transaction fortement réduits.

Désintermédiation de la chaîne de l’expertise

Traditionnellement, la chaîne de l’expertise politique passe par plusieurs intermédiaires : médias généralistes, partis, associations, bureaux d’études, administration, avant que le citoyen n’accède aux décisions et à quelques synthèses vulgarisées. Chacun de ces maillons filtre, reformule ou simplifie les informations, ce qui est nécessaire pour la lisibilité, mais peut aussi introduire des angles morts ou des biais.

Les IA génératives permettent au citoyen de court‑circuiter une partie de cette chaîne en accédant directement aux rapports officiels, aux données statistiques brutes et aux textes législatifs, tout en obtenant une première couche de décomposition analytique. Cette désintermédiation offre plus de contrôle sur le cadrage des questions : le citoyen choisit lui‑même les hypothèses à tester, les scénarios à comparer et le niveau de granularité pertinent.

Tableau structurel « avant / après IA »

Pour formaliser cette évolution, on peut comparer la chaîne de traitement de l’information politique dans un modèle classique et dans un modèle citoyen+IA.

Étape Modèle classique (sans IA) Modèle citoyen+IA
Formulation des questions Médias, partis, experts définissent les enjeux et les narratifs centraux. Le citoyen définit ses propres questions, assisté par un LLM.
Sélection des sources Rédactions, think‑tanks, administrations filtrent les documents. Le citoyen demande les textes officiels et données brutes.
Synthèse et cadrage Editorialisation médiatique et politique. Synthèses IA multiples, puis validation humaine.
Mémoire et réutilisation Articles, dossiers thématiques ponctuels. Threads analytiques structurés, réutilisables comme modules.

Ce tableau ne postule pas que le modèle citoyen+IA est « meilleur », mais qu’il redistribue le contrôle sur la formulation des problèmes et la sélection des sources. Le rôle des médias et des experts se reconfigure en appui critique, plutôt qu’en seul canal de compréhension des politiques publiques.

Rétro‑ingénierie des rapports de la Confédération

Le cœur de la démarche du hacker sociétal consiste à traiter les rapports officiels (rapports du Conseil fédéral, messages au Parlement, études d’offices fédéraux, statistiques) comme du code source à auditer. Au lieu de se limiter aux communiqués ou aux résumés, il utilise l’IA pour cartographier la structure interne d’un document : objectifs, hypothèses, variables, scénarios, incertitudes.

Concrètement, la méthodologie suit plusieurs étapes :

  1. Ingestion et segmentation : le citoyen fournit à l’IA le texte complet d’un rapport ou d’un chapitre, et demande une segmentation en blocs fonctionnels (cadre légal, hypothèses économiques, scénarios démographiques, mesures envisagées).
  2. Extraction des hypothèses : pour chaque bloc, l’IA liste les hypothèses explicites (par exemple des paramètres de croissance, de comportement, de participation) et les hypothèses implicites (absence d’alternatives mentionnées, choix de seuils, etc.).
  3. Identification des variables clés : le citoyen demande quels paramètres ont le plus d’impact sur les résultats du rapport (par exemple le taux de croissance, la structure démographique, la productivité), afin de concentrer son audit.
  4. Génération de contre‑scénarios : l’IA propose des scénarios alternatifs plausibles (scénario pessimiste, optimiste, conservateur, ou spécifique à un canton), que le citoyen peut ensuite confronter aux résultats publiés.

Cette rétro‑ingénierie ne remplace pas la lecture humaine : elle sert à réduire le coût d’entrée, à signaler les zones sensibles et à offrir une vue comparative sur les hypothèses gouvernementales par rapport à d’autres configurations possibles. Le hacker sociétal s’intéresse particulièrement aux zones où le rapport reste silencieux ou où les hypothèses sont fragiles, car ce sont les angles où le débat démocratique peut gagner en précision.

Protocole de prompt du hacker sociétal

Pour que l’usage de l’IA reste méthodique, il est utile de formaliser un protocole de prompt stable, plutôt que de poser des questions ad hoc. Un protocole typique se décompose en plusieurs boucles, chacune ayant une fonction précise dans l’analyse.

Boucle 1 : cadrage du problème

Le citoyen commence par décrire le sujet avec un maximum de neutralité : objet (par exemple une réforme sociale ou une mesure fiscale), horizon temporel, niveau institutionnel (Confédération, canton, commune), et jeux d’acteurs impliqués. Il précise également les sources à privilégier (rapports officiels, données de l’Office fédéral de la statistique, textes constitutionnels et légaux) pour éviter que l’IA ne s’appuie trop sur des commentaires secondaires.

Le prompt vise à obtenir une cartographie : définition des objectifs déclarés, des contraintes juridiques explicites, des marges de manœuvre financières, et des principaux points de controverse. Cela crée une base commune pour les boucles suivantes, indépendamment des positions politiques.

Boucle 2 : décomposition en hypothèses et scénarios

Une fois le cadre posé, le citoyen demande à l’IA de décomposer le sujet en hypothèses testables et en scénarios. Par exemple, pour une réforme sociale, il s’agit de séparer les hypothèses démographiques (vieillissement, natalité), économiques (croissance, productivité, chômage) et comportementales (participation au marché du travail, recours aux prestations).

Le prompt cible l’identification des paramètres qui peuvent varier, des scénarios utilisés officiellement, et des scénarios alternatifs qui seraient cohérents mais non retenus. L’objectif est de transformer un discours politique en un ensemble de modules que l’on peut combiner, substituer ou stress‑tester.

Boucle 3 : test de cohérence interne

Dans cette boucle, l’IA joue le rôle d’outil de contrôle logique : le citoyen lui demande de chercher les contradictions internes, les hypothèses incompatibles ou les effets secondaires non discutés. Par exemple, si une mesure suppose une augmentation de la participation au travail tout en prévoyant une baisse de certaines incitations, l’IA peut signaler la tension.

Le prompt insiste sur les coûts de second ordre : conséquences indirectes sur d’autres politiques publiques, interactions avec le fédéralisme, réactions plausibles des acteurs concernés. Le hacker sociétal utilise ces sorties pour formuler des questions plus ciblées à l’administration ou aux responsables politiques.

Boucle 4 : consolidation en document humainement relisible

Enfin, le citoyen demande à l’IA de synthétiser les éléments obtenus dans un format lisible : quelques sections claires, données clés, hypothèses principales, scénarios contrastés, points de tension. Ce document est ensuite relu, corrigé et complété humainement, avant une éventuelle publication.

La consolidation n’est pas une simple mise en forme : le citoyen peut demander à l’IA de marquer les phrases qui reposent sur des hypothèses fragiles ou des incertitudes importantes, pour éviter que la synthèse ne soit perçue comme une vérité stable. L’article ou la note publiée explicite ainsi les limites de l’analyse, ce qui contribue à la transparence.

Pièges probabilistes et cognitifs du prompt

Les IA génératives reposent sur des modèles probabilistes : elles choisissent les suites de mots les plus vraisemblables, compte tenu de leur entraînement, sans disposer d’un accès direct à la vérité des propositions. Cela implique un risque structurel : elles peuvent produire des raisonnements cohérents, détaillés, mais factuellement erronés ou incomplets.

Un premier piège est le biais de confirmation automatisé : si le citoyen formule des prompts orientés (« montre que telle mesure est insoutenable », « explique pourquoi telle politique est injuste »), l’IA cherchera surtout des éléments allant dans ce sens. Le modèle peut bien signaler des contre‑arguments, mais la structure du prompt l’ancre dans un cadrage partisan, et l’utilisateur retient principalement ce qui confirme son intuition initiale.

Un deuxième piège est l’ancrage sémantique : la façon de nommer un problème (par exemple « charge pour les finances publiques » vs « investissement social ») influence les types d’arguments et de comparaisons que l’IA va mobiliser. Cet ancrage est d’autant plus fort que les modèles ont été entraînés sur des corpus où certaines formulations dominent, ce qui peut reproduire des biais historiques ou culturels.

Enfin, le citoyen doit se méfier de la illusion de complétude : une réponse longue et structurée donne le sentiment que tous les aspects ont été couverts, alors que des dimensions centrales peuvent manquer (par exemple des effets cantonaux spécifiques ou des contraintes institutionnelles). Le hacker sociétal apprend à voir les sorties de l’IA comme des hypothèses exploratoires, non comme des conclusions.

Nécessité du prompting contradictoire

Pour limiter ces biais, la méthodologie du hacker sociétal repose sur le prompting contradictoire : travailler systématiquement avec plusieurs cadrages et points de vue, même lorsqu’on a une intuition forte sur le sujet. Cela signifie demander à l’IA d’explorer successivement des angles différents, puis de produire une synthèse qui explicite les divergences.

Une première technique consiste à définir des rôles analytiques dans les prompts : par exemple, successivement « économiste soucieux de la soutenabilité à long terme », « juriste spécialisé dans le droit constitutionnel suisse », « représentant des bénéficiaires », « fonctionnaire d’un canton périphérique ». Pour chaque rôle, l’IA fournit une analyse sous contraintes spécifiques (respect des principes constitutionnels, attention aux inégalités territoriales, etc.), que le citoyen peut comparer.

Une seconde technique est le prompt miroir : demander d’abord une analyse sous un cadrage (par exemple les effets budgétaires d’une réforme), puis une analyse opposée (les coûts de renoncement à la réforme), et enfin une troisième qui met les deux en tension. Le citoyen demande explicitement à l’IA de lister les points où les deux cadrages aboutissent à des conclusions contradictoires, ce qui aide à localiser les désaccords sur les hypothèses plutôt que sur les valeurs.

Le prompting contradictoire ne garantit pas l’absence de biais, mais il force une exploration de l’espace des possibles au‑delà d’un seul narratif dominant. Il transforme l’IA en générateur de controverses internes contrôlées, plutôt qu’en simple machine à confirmations.

Boucle de rétroaction citoyen – IA – publication

La méthodologie du hacker sociétal ne s’arrête pas à la production d’une analyse : elle s’inscrit dans une boucle de rétroaction continue. Les notes publiées, qu’il s’agisse de threads thématiques ou d’articles méthodologiques, deviennent à leur tour des objets de prompt : le citoyen peut demander à l’IA de les critiquer, de les mettre à jour avec de nouvelles données, ou de les adapter à un contexte cantonal ou communal.

Un cycle typique est le suivant : une première note est produite avec l’aide d’un LLM, puis relue et ajustée humainement, et publiée. Lorsqu’un nouvel élément apparaît (modification législative, nouveau rapport, données mises à jour), le citoyen demande à l’IA de ré‑intégrer ces éléments, de recalculer les impacts, et de signaler les parties de la note qui deviennent obsolètes ou doivent être nuancées.

Ce cycle fait du site un espace de mémoire structurée : les analyses s’accumulent, mais chacune peut être auditée à nouveau, et les hypothèses peuvent être versionnées. Le hacker sociétal ne cherche pas à produire une « vérité finale », mais à maintenir un graphe d’hypothèses et de scénarios, où les lecteurs peuvent voir comment une politique publique évolue dans le temps.

Vers une industrialisation citoyenne de l’analyse politique

En combinant désintermédiation, rétro‑ingénierie des rapports, protocole de prompt, gestion des biais et prompting contradictoire, le citoyen construit une véritable « chaîne de production » d’analyses politiques. L’IA sert de moteur de calcul et de suggestion, mais chaque étape critique (choix des questions, validation des sources, arbitrage entre scénarios) reste sous contrôle humain.

Cette industrialisation ne suppose pas des compétences techniques avancées : elle repose surtout sur une discipline méthodologique et une attention aux garde‑fous cognitifs. Le hacker sociétal est moins un spécialiste qu’un orchestrateur : il coordonne des boucles homme‑machine pour transformer des corpus complexes en structures intelligibles, tout en acceptant que ces structures restent provisoires et discutables.

En rendant cette méthodologie explicite et publique, un site comme CiviKa permet à d’autres citoyens de la répliquer et de l’adapter à leurs propres enjeux (logement, fiscalité, climat, mobilité, etc.). L’objectif n’est pas de produire un consensus, mais de donner les moyens techniques et cognitifs pour que les désaccords portent sur des hypothèses clairement identifiées, plutôt que sur des impressions ou des slogans.

Exemples d’approches itératives

Un premier type d’exemple est la construction progressive d’un thread sur une réforme fédérale sensible (par exemple une modification d’un régime social ou fiscal), en partant d’un brouillon très brut produit par l’IA. La première version sert uniquement à cartographier les blocs : cadre légal, arguments avancés par le Conseil fédéral, scénarios de coûts, critiques récurrentes, sans chercher à être publiable.

Dans une deuxième passe, le citoyen resserre le prompt sur un sous‑problème (par exemple la soutenabilité financière à vingt ans), en demandant une décomposition plus fine des hypothèses et des scénarios, tout en explicitant les zones d’incertitude. La troisième passe consiste à intégrer des éléments contextuels suisses (fédéralisme, dispositifs de démocratie directe, effets entre cantons) et à demander à l’IA de signaler les points qui doivent impérativement être vérifiés dans les sources primaires.

Une quatrième passe est consacrée au style et à la structure : le citoyen demande à l’IA de réorganiser le contenu pour respecter la charte CiviKa (ton neutre, coûts de second ordre, absence de militantisme), puis relit manuellement et supprime les formulations trop interprétatives. Ce cycle illustre comment le hacker sociétal utilise l’IA comme générateur de brouillons et de restructurations, tout en gardant le contrôle sur les arbitrages finaux.

Exemples de vérification et filtrage des sources

Un second type d’exemple concerne la gestion des sources, notamment lorsque l’IA propose des références hétérogènes (rapports fédéraux, études académiques, tribunes de presse, documents de lobbying). Le citoyen commence par demander à l’IA de distinguer clairement les types de sources et de classer chaque référence proposée : document officiel, corpus scientifique, prise de position politique, article de vulgarisation.

Ensuite, il formule un prompt de filtrage : ne conserver que les documents émanant de la Confédération, des offices fédéraux ou des institutions de recherche suisses reconnues, et produire une liste synthétique avec pour chaque élément sa fonction (rapport de base, étude de scénarios, audit indépendant, etc.). Cette étape réduit le risque de se fonder sur des contenus secondaires qui mélangent argumentation politique et analyse factuelle.

Enfin, le hacker sociétal demande explicitement à l’IA de vérifier sa propre sortie : pour chaque affirmation structurante (par exemple un chiffre clé, une contrainte juridique, une définition de la souveraineté numérique), l’IA doit indiquer quelle source officielle la sous‑tend et signaler les éléments pour lesquels elle ne dispose que de commentaires ou de synthèses. Le citoyen peut alors décider de ne garder dans le fil publié que les passages adossés à des sources primaires identifiées, en reléguant les autres dans un espace d’hypothèses ou de questions ouvertes.

Contraintes spécifiques du contexte suisse

Le système politique suisse repose sur une combinaison de démocratie représentative et de démocratie directe, avec des instruments comme l’initiative populaire et le référendum facultatif ou obligatoire, qui permettent au peuple de se prononcer régulièrement sur des objets complexes. Pour le hacker sociétal, cela signifie que les analyses doivent être alignées sur des cycles de votation fréquents, avec une attention aux conséquences différenciées selon les niveaux (Confédération, cantons, communes).

Le fédéralisme implique que de nombreuses politiques publiques se déclinent de manière hétérogène selon les cantons (compétences, finances, priorités), ce qui oblige à intégrer systématiquement des scénarios territorialisés dans les prompts. Une méthodologie neutre doit donc prévoir des versions cantonales ou régionales des analyses, et expliciter les hypothèses de convergence ou de divergence entre niveaux institutionnels.

Le multilinguisme ajoute une contrainte technique : les textes officiels existent dans plusieurs langues, et les LLM ne maîtrisent pas toujours de manière homogène les nuances juridiques entre versions linguistiques. Le hacker sociétal doit contrôler quelles versions sont utilisées par l’IA, et, lorsque c’est pertinent, demander des comparaisons explicites entre formulations pour détecter d’éventuelles ambiguïtés ou différences de cadrage.

Enfin, les débats suisses sur la souveraineté numérique et les futurs modèles de langage « locaux » soulignent que la dépendance à des infrastructures étrangères pose des questions de confiance, de protection des données et de biais culturels. La méthodologie proposée intègre ces enjeux en privilégiant des corpus de référence suisses, en documentant les limites des outils utilisés, et en encourageant, lorsque possible, l’usage de solutions alignées avec les lignes directrices fédérales sur l’intelligence artificielle.

Conclusion : repères pour le hacker sociétal

Ce texte a proposé une méthodologie pour qu’un citoyen devienne un « hacker sociétal » : désintermédiation de l’expertise grâce aux IA génératives, rétro‑ingénierie des rapports officiels, protocoles de prompt structurés et industrialisation de l’analyse sous forme de threads réutilisables. Les sections sur les biais probabilistes, le prompting contradictoire et les contraintes propres au système suisse (fédéralisme, démocratie directe, multilinguisme, souveraineté numérique) fournissent les garde‑fous nécessaires pour que cette puissance de calcul reste au service d’une lecture rigoureuse des politiques publiques.

L’ensemble forme une boîte à outils : boucles itératives pour affiner les contenus, méthodologies explicites de vérification des sources, et scénarios territorialisés pour respecter la diversité institutionnelle du pays. Il appartient ensuite à chaque lecteur de décider jusqu’où il veut pousser cette démarche – de la simple consultation assistée par IA à la construction systématique de fils d’analyse – en gardant en tête que l’objectif n’est pas de remplacer le débat démocratique, mais de le rendre plus intelligible et transparent.

Le hacker sociétal pirate les outils démocratiques pour une meilleure compréhension globale du système

Sources