Les narvals et les licornes se cachent-ils pour mourir ?
Bibliographic record
Abstract
L’annonce de la vente de l’entreprise montréalaise Element AI à Service Now inc. à la fin de 2020 a été accueillie avec stupeur par la grande majorité des acteurs de l’écosystème québécois et canadien en intelligence artificielle. Comment avait-elle pu prétendre si rapidement au statut de narval – celui d’une entreprise canadienne ayant une capitalisation de plus d’un milliard de dollars –, être encensée par l’État, les médias et les milieux économiques pour être rachetée quelques années plus tard « pour une bouchée de pain » ? Dans cet article, le cas Element AI, c’est-à-dire autant son ascension que sa chute, est présenté comme étant idéal-typique d’une « cybernétisation du pouvoir » dans laquelle la régulation se veut facilitatrice, à distance et à même de percevoir contrôle et communication comme les deux pôles d’une unique boucle de rétroaction. Si l’émergence d’Element AI est marquée par sa recherche de « supercrédibitité », de partenariats tous azimuts et de justifications jusqu’à éthiques, sa débâcle, elle, est le signe d’un désordre et d’une désynchronisation qui n’est pas allée sans réprimandes et contredits, même de la part de l’État. Ce passage de la justification à la critique est riche d’enseignement même si, ou plutôt parce qu’il pointe en direction aujourd’hui de ce qui est un vide au sein de cet écosystème et la manière dont il peine à se projeter dans un avenir même proche.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.015 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".