Article publié le 6 juillet 2026
Temps de lecture : 4 minutes
À l’heure où l’intelligence artificielle (IA) générative redéfinit l’accès aux savoirs, les grandes institutions culturelles doivent assumer un rôle nouveau en faveur d’une IA de confiance, souveraine et culturellement diverse.
Les grands modèles de langage (LLM) et les systèmes de génération augmentée par récupération (RAG) reposent sur la disponibilité d’immenses volumes de données. Or, depuis plus de trente ans, la Bibliothèque nationale de France (BnF) s’est engagée dans la numérisation massive de ses collections et a constitué un réservoir unique de données culturelles et patrimoniales. Aujourd’hui, plus de 11 millions de documents libres de droits sont diffusés dans sa bibliothèque numérique Gallica, représentant plus de 500 milliards de mots océrisés et des millions d’images. Ces données documentaires sont enrichies de métadonnées structurées et sourcées.
Ce patrimoine numérique constitue une ressource unique pour les technologies linguistiques en français, à l’heure où les LLM restent largement dominés par des corpus anglophones. En y donnant accès, la BnF donne la capacité aux acteurs scientifiques et industriels de développer des modèles ou outils d’IA prenant en compte la langue et la culture française. Ainsi, dans le cadre de l’appel à projets France 2030 « Communs numériques pour l’IA générative », les données libres de droits de la BnF ont contribué à l’entraînement d’un LLM open source par Mistral AI, permettant, entre autres usages, d’améliorer la qualité de l’OCR.
Conscients de l’intérêt stratégique des données libres de droits diffusées par la BnF, les acteurs de l’IA générative pratiquent aujourd’hui un moissonnage intensif de Gallica, avec des dizaines de millions de requêtes mensuelles. Ces usages soulèvent des questions inédites : comment maintenir la qualité du service aux publics humains lorsque les robots consomment une part croissante des infrastructures ? Comment garantir une rémunération équitable des institutions culturelles dans la production de ces données ? Et comment préserver l’équilibre entre ouverture des données et encadrement juridique des usages ? Comment préserver l’accès direct et l’intégrité des sources dans un contexte de désinformation et de médiation déshumanisée ? Pour répondre à cet enjeu, la stratégie de la BnF consiste à organiser, grâce à ses services Data IA, un accès maîtrisé aux données patrimoniales libres de droits qu’elle produit et diffuse, en contractualisant avec les entreprises souhaitant accéder à des données massives ou à des corpus spécialisés pour l’entraînement de modèles ou des usages de RAG. Mais aussi à continuer à faciliter la recherche académique, notamment au sein de son DataLab.
Mais la stratégie IA de la BnF ne se réduit pas à la fourniture de données. Elle développe également de nombreux projets pour améliorer la découvrabilité de ses collections, comme le projet Gallica Images qui permettra d’indexer automatiquement des millions d’images issues de ses documents numérisés, créer de nouveaux outils pour la recherche scientifique sur les collections ou encore accélérer la production de ses propres données.
En définitive, les données constituent le patrimoine des institutions culturelles, au même titre que leurs collections physiques. En les produisant, en les conservant et en les diffusant, comme elles l’ont fait dans le monde physique pendant des siècles, les bibliothèques nationales participent de cette disruption cognitive et sociétale qu’est l’IA tout en restant fidèles à leurs missions de soutien à la production et à la démocratisation des savoirs.
Isabelle Nyffenegger
