Au début de l’année 2023, le monde de l’art a été secoué par ce qui ressemblait à une découverte générationnelle. La La Madone Tondo de de Brécyun petit tableau de dévotion depuis longtemps admiré mais classé avec prudence, fut soudain proclamée chef-d’œuvre perdu de Raphaël. Le fondement de cette spectaculaire réattribution reposait sur l’intelligence artificielle. Des chercheurs de l’Université de Bradford annoncèrent que leur système d’IA avait identifié une similarité de 95 % entre le visage de la Madone et celui de la Madone Sixtine de Raphaël, conservée à la Gemäldegalerie Alte Meister. Les gros titres suivirent aussitôt. La certitude, semblait-il, était arrivée par algorithme.

Chez Art Recognition, cette annonce a immédiatement suscité des interrogations — non pas sur Raphaël, ni sur la qualité du tableau, mais sur la méthodologie. Nous avons donc mené une analyse indépendante de la La Madone Tondo de de Brécy à l’aide de notre propre système d’IA. Notre résultat allait dans la direction opposée. Notre modèle a classé le tableau comme non autographe de Raphaël, avec une probabilité de 85 %. Loin de clore le débat, l’IA l’avait au contraire largement rouvert.

La raison de cette divergence tient à des principes de fonctionnement fondamentalement différents. Le système de Bradford reposait sur la reconnaissance faciale. Ce type d’IA est entraîné à identifier des similitudes entre des visages malgré les variations d’angle, d’éclairage, d’âge ou de qualité d’image. C’est la technologie utilisée pour déverrouiller des smartphones ou organiser des photothèques. De manière cruciale, elle n’est pas conçue pour l’authentification des œuvres d’art.

When applied to the La Madone Tondo de de Brécy et the Sistine MadonnaAppliqué à la Madone Tondo de de Brécy et à la Madone Sixtine, le système de Bradford a fait exactement ce pour quoi il avait été conçu, il a identifié une forte ressemblance entre les deux visages. Cela n’a rien de surprenant. Les artistes de la Renaissance travaillaient couramment à partir d’idéaux de beauté partagés, en particulier pour la représentation de la Vierge. La similitude des types de visage est une caractéristique de l’époque, non une preuve d’attribution. Le passage de "ces visages se ressemblent" à "ce tableau est indubitablement de Raphaël" n’est pas étayé par la logique même de l’outil utilisé.

De facto wurde das KI-Ergebnis überinterpretiert. Eine Gesichtähnlichkeit wurde in eine Zuschreibungsbehauptung verwandelt, und diese Behauptung wurde von den Medien verstärkt, ohne ein klares Verständnis dessen, was die Technologie legitim leisten kann – und was nicht. Das Resultat war eine fesselnde Geschichte, aber keine wissenschaftlich fundierte.

L’approche d’Art Recognition opère à un autre niveau. Plutôt que d’isoler les visages, nos modèles analysent un ensemble de caractéristiques artistiques: le travail du pinceau, le comportement chromatique, la structure compositionnelle, la disposition des objets et les relations spatiales. Les jeux de données d’entraînement sont constitués par des équipes d’historiens de l’art et de spécialistes de l’IA et comprennent non seulement l’ensemble des œuvres authentifiées d’un artiste, mais aussi un large éventail d’exemples négatifs: faux, imitations et œuvres stylistiquement proches. Cela permet au système d’apprendre non seulement ce que fait un artiste, mais aussi ce que font les autres lorsqu’ils tentent de l’imiter.

En réponse aux critiques portant sur leur méthodologie initiale, l’équipe de Bradford a développé ultérieurement un second modèle d’IA, plus proche des principes utilisés par Art Recognition. Ce système a de nouveau produit un résultat « authentique ». Mais une autre différence déterminante est alors apparue. Le modèle de Bradford avait été entraîné sur seulement quarante-neuf images. Le jeu de données Raphaël d’Art Recognition en comptait plus de cent. Plus important encore, les exemples négatifs de Bradford n’incluaient pas d’imitations de compositions de Madone, tandis que notre ensemble de données intégrait délibérément de fausses Madones ainsi que des imitations d’autres motifs associés à Raphaël, tels que des allégories et des scènes religieuses.

Cette distinction est essentielle. Les systèmes d’IA ne peuvent apprendre qu’à partir de ce qu’on leur montre. Les lacunes dans les données d’entraînement se répercute directement sur leur compréhension. Lorsqu’une IA n’a jamais été confrontée à des imitations convaincantes d’un motif donné, elle ne dispose pas du cadre comparatif nécessaire pour les évaluer de manière critique. Les conclusions qui en résultent peuvent sembler assurées, mais cette assurance repose sur un savoir incomplet.

À la lumière de la controverse, Art Recognition a fait un choix délibéré. Nous avons rendu public l’intégralité de notre jeu de données d’entraînement consacré à Raphaël, incluant images et documentation, afin que d’autres puissent l’examiner, le critiquer et s’en inspirer. La transparence n’est pas un geste de communication. Elle est une condition préalable à la crédibilité lorsque l’IA est employée dans un domaine aussi déterminant que l’authentification des œuvres d’art. Le jeu de données est librement accessible içi..

Le débat autour de La Madone Tondo de de Brécy illustre une vérité centrale concernant l’IA dans le monde de l’art. La technologie elle-même n’est ni un sauveur ni un saboteur.La solidité de ses conclusions dépend directement de la rigueur de sa conception, de la qualité de ses données et du soin apporté à l’interprétation des résultats. À mesure que l’influence de l’IA s’accroît, le besoin de responsabilité, d’examen par les pairs et de clarté méthodologique s’intensifie. Sans cela, les algorithmes risquent de devenir des oracles. La solidité de ses conclusions dépend directement de la rigueur de sa conception, de la qualité de ses données et du soin apporté à l’interprétation des résultats.

< Zurück