Les trois modèles établis
Human in the loop
Le système attend l’approbation d’une personne. Rien ne part sans elle. Les travaux académiques récents qualifient cette position de constitutive : la contribution humaine est nécessaire au résultat lui-même.
Human on the loop
Le système agit, une personne surveille et peut intervenir. Les mêmes travaux qualifient cette position de corrective : elle est extérieure à la chaîne causale primaire, et s’exerce de façon synchrone, asynchrone ou anticipatoire.
Human in command
Une personne détient l’autorité ultime sur le système, y compris celle de ne pas l’utiliser. L’article 14 de l’AI Act pose la supervision dans ces termes, avec la conscience du biais d’automatisation et le pouvoir d’interrompre.
Ce que les trois ont en commun
Ils sont locaux. Chacun décrit un point de contrôle à la fois, à l’intérieur d’une décision. Ce n’est pas une faiblesse : c’est ce pour quoi ils ont été construits, et ils le font bien.
La question qu’aucun ne pose
Un dirigeant ne demande pas qui valide cette sortie. Il demande où sont les humains dans tout ce que nous faisons tourner, et combien l’ensemble coûte. Cette question porte sur la carte, pas sur la boucle.
Vous pouvez tenir un point de contrôle conforme sur chaque workflow et ne toujours pas savoir ce que votre usage de l’IA vous coûte. La boucle se répond localement. La carte ne se répond pas du tout sans quelqu’un dont la position est extérieure aux chaînes.
Le champ énonce lui-même la confusion
Ce n’est pas notre affirmation. La littérature sur la supervision humaine constate que le discours interdisciplinaire souffre d’un désalignement sémantique, et que « human in the loop » recouvre des situations aussi différentes qu’une personne qui étiquette des données d’entraînement et un responsable qui peut infirmer une recommandation — des configurations dont l’influence causale diffère et qui appellent une différenciation terminologique.
Les travaux sur la vérification de conformité aux exigences de supervision énoncent la même tension par l’autre bout : il faut arbitrer entre des approches par liste de contrôle, simples mais potentiellement inefficaces, et un test empirique coûteux et dépendant du contexte. Le besoin est nommé. Il n’est pas rempli.
Ce que Human in the Map désigne, et ce qu’il ne revendique pas
Il ne revendique pas une taxonomie. Ce travail existe, il est récent, et il est fait par des chercheurs mieux armés pour cet exercice. Il ne remplace ni n’améliore les trois modèles établis.
Il nomme l’opération qui applique ces catégories à une organisation réelle, sur un périmètre convenu, à une date donnée. Pas une découverte : l’identification d’un sujet. Une découverte se conteste, une mise en famille se vérifie.
Ce qui précédait
Un cadre antérieur, la couche de préconformité, décrivait la même préoccupation par le versant réglementaire. Il n’est pas supprimé ici. Il a donné son cadre à la recherche publiée, et le retirer laisserait ces travaux sans contexte. Il a été mis de côté parce qu’il répondait à la question de savoir où une organisation se situe devant le règlement, là où la question qui compte porte sur qui fait quoi une fois que la machine a pris une part du travail.
Sources
- Baum & Laux — Constitutive vs. Corrective: A Causal Taxonomy of Human Runtime Involvement in AI Systems (2026)
- Langer, Lazar & Baum — On the Complexities of Testing for Compliance with Human Oversight Requirements in AI Regulation (2025)
- Article 14 — Human oversight, EU AI Act
- Designing meaningful human oversight in AI — AI and Ethics (2026)
Chaque source est citée pour ce qu’elle énonce, non pour ce qu’elle appuierait.