Une IA a épluché 400 ans d'archives et retrouvé une météorite oubliée et des rhinocéros perdus

Le post de Jesse Waites, « I pointed AI at 400 years of archives », a recueilli 95 points et 47 commentaires sur Hacker News. L'auteur écrit avoir fait passer quatre siècles de documents dans une IA, et y avoir trouvé une météorite oubliée, des rhinocéros perdus et plusieurs autres histoires. L'annonce ne dit pas quelles archives il a utilisées, quel modèle il a employé ni combien l'opération a coûté. Voici ce qui est revendiqué, comment ce type de projet est généralement construit et où se situent ses points faibles.

Ce que l'on sait de l'annonce

La promesse est simple : un vaste corpus de vieux documents que personne n'a lu en entier, et un modèle capable de le lire en un temps raisonnable. Quatre siècles de matériaux, cela représente des manuscrits, des imprimés, de la correspondance, des catalogues, peut-être des journaux. Ces collections sont en général mal indexées. Un humain n'y retrouve que ce qu'il cherche par mot-clé, et tout le reste dort intact.

Les trouvailles mises en avant dans le titre ressemblent précisément au résultat d'une lecture sans requête préalable. Une météorite décrite un jour, puis oubliée. Des rhinocéros dont la trace s'est perdue dans les registres. Si l'auteur n'a pas exagéré, le modèle a joué le rôle d'un lecteur qui n'a pas besoin de connaître la question à l'avance.

Comment ces projets sont généralement construits

Ces projets suivent le plus souvent plusieurs étapes. Il s'agit d'un schéma général, pas de la description d'un post précis.

• Reconnaissance : les scans sont convertis en texte par OCR ou par reconnaissance d'écriture manuscrite. C'est ici que la qualité se dégrade le plus, face aux anciennes typographies et aux écritures difficiles.
• Annotation : un LLM repère dans chaque document les personnes, lieux, objets, dates et événements.
• Recoupement : des enregistrements de décennies différentes sont reliés entre eux, et font émerger des histoires qu'aucun document ne montre isolément.
• Vérification : un humain confronte les résultats à la source primaire.

Cette dernière étape détermine si l'on tient une vraie trouvaille ou une belle invention. Les modèles ont tendance à compléter le contexte, surtout quand le texte est mal reconnu. Une « météorite oubliée » n'a de valeur que si le lien vers la page d'archive permet de voir une vraie mention.

Où sont les pièges

Le premier : les erreurs de reconnaissance. Si le « rhinocéros » de l'original était en fait un autre mot, et que l'OCR ou le modèle l'a ajusté à une histoire spectaculaire, la trouvaille disparaît. Le deuxième : la sélection. Le post parle de ce qui a été trouvé. Combien de faux positifs ont dû être écartés ? Le titre n'en dit rien. Le troisième : « oublié » ne veut pas dire « inconnu ». Les historiens des collections locales ont pu connaître cette météorite depuis le début, sans que l'information n'atteigne le grand public.

À en juger par leur nombre, les commentaires sur Hacker News tournent probablement autour des mêmes questions : comment cela a été vérifié, combien cela a coûté, et ce qui est réellement nouveau parmi les trouvailles. La source ne cite pas ces commentaires : il s'agit d'une supposition, pas d'un résumé.

Paramètres clés

• Horizon du matériau : environ 400 ans.
• Trouvailles revendiquées : une météorite oubliée, des rhinocéros perdus, « et d'autres ».
• Réaction de la communauté : 95 points, 47 commentaires sur Hacker News.
• Inconnu d'après l'annonce : le modèle, le volume du corpus, le coût, la part de faux positifs.

Que faire de tout cela

Si vous possédez des archives, qu'il s'agisse de correspondance d'entreprise, de dix ans de documentation technique ou d'une bibliothèque numérisée, le schéma de ce post fonctionne comme une recette : faire d'abord lire l'ensemble par un modèle sans question préalable, puis sélectionner les anomalies et les vérifier à la main. Chaque trouvaille doit renvoyer à une page ou à un fichier précis. Sans ce rattachement, le résultat ne peut être ni exploité ni défendu.

Calculez séparément le coût de la reconnaissance et celui de l'annotation : sur de mauvais scans, la première est souvent plus chère que la seconde. Avant de citer ce post comme preuve des capacités de l'IA, lisez l'original et cherchez-y la méthodologie et les exemples de vérification. L'annonce sur Hacker News ne contient pas ces détails.