Santé, mobilité, usages numériques : les progrès de l’intelligence artificielle rendent beaucoup plus puissantes nos capacités de rapprochement entre des informations dispersées. Une évolution encore peu visible, qui oblige à réexaminer ce que nous appelons « anonyme » et les conditions de confiance qui permettent aux données de circuler.
Prenons un dossier médical. Retirons le nom du patient, son adresse, son numéro de dossier et les éléments permettant de l’identifier directement. Que reste-t-il ? Beaucoup de choses. Un âge, une pathologie parfois rare, une succession de consultations, des traitements, une chronologie, quelques événements personnels. Pour un médecin ou un chercheur, ces informations font précisément l’intérêt du dossier. Pour un système capable de les rapprocher de milliers d’autres traces, elles peuvent aussi devenir des indices.
Des chercheurs de Cornell Tech et de Weill Cornell Medicine ont récemment tenté l’expérience sur de véritables notes cliniques. Après avoir utilisé trois systèmes de désidentification différents pour retirer les informations personnelles, ils ont construit un dispositif chargé de faire exactement l’inverse : essayer de retrouver le patient.
Le meilleur des trois systèmes de protection testés, ClinicalBERT, masquait les informations personnelles qu’il identifiait. Malgré cela, leur dispositif est encore parvenu à réidentifier correctement le patient correspondant dans 9 % des notes cliniques étudiées.
Le problème n’était donc pas simplement qu’un nom avait été oublié quelque part. Le système travaillait aussi avec ce qui restait.
Cette expérience médicale rejoint un travail beaucoup plus vaste présenté cet été à USENIX Security 2026. Simon Lermen, Daniel Paleka, Joshua Swanson, Michael Aerni, Nicholas Carlini et Florian Tramèr, chercheurs notamment à l’ETH Zurich et chez Anthropic, ont voulu mesurer la capacité des grands modèles de langage à retrouver des personnes à partir de contenus pseudonymisés disponibles sur Internet.
Le principe est assez facile à comprendre. Imaginons quelqu’un qui écrit depuis plusieurs années sous pseudonyme. Il ne donne jamais explicitement son identité. Mais au fil de centaines de messages, il parle de son métier, d’une région dans laquelle il a vécu, d’une école, de ses centres d’intérêt, de films qu’il apprécie, d’un changement professionnel ou d’un événement personnel.
Aucun de ces éléments ne permet nécessairement de savoir qui il est. Leur combinaison peut être beaucoup plus révélatrice. Les chercheurs demandent donc aux modèles d’extraire les informations susceptibles de caractériser une personne, de rechercher des profils compatibles, puis de raisonner sur les candidats pour déterminer lesquels correspondent le mieux.
Ils testent cette méthode en rapprochant notamment des profils Hacker News et LinkedIn, des utilisateurs de différentes communautés Reddit ou encore deux périodes éloignées de l’historique d’un même utilisateur.
Les performances varient selon les expériences et la taille de la population dans laquelle le système doit chercher. Le papier rapporte jusqu’à 68 % de rappel à 90 % de précision dans certaines configurations. Sur leur expérience à grande échelle, avec environ 89 000 candidats, les auteurs obtiennent encore 55 % de rappel à ce même niveau de précision.
Ces chiffres ne signifient pas que 68 % des internautes pseudonymes pourraient aujourd’hui être identifiés. Ils ne signifient évidemment pas davantage que 68 % des dossiers médicaux anonymisés, des données administratives ou des consommations électriques seraient réidentifiables.
Les auteurs eux-mêmes exposent les limites de leurs expériences. Leur résultat important est ailleurs : des opérations de rapprochement qui pouvaient nécessiter des heures de recherche humaine deviennent en partie automatisables.
La donnée n’a pas changé. La puissance de celui qui la regarde, si. Nous étions aussi protégés par la difficulté. Cette idée mérite que l’on s’y arrête. Nous avons tendance à penser la confidentialité comme une propriété de l’information : une donnée serait publique, confidentielle, pseudonymisée ou anonyme.
Notre protection repose pourtant aussi sur quelque chose de beaucoup plus banal : la difficulté de réunir les pièces d’un puzzle. Il était déjà possible de consacrer plusieurs soirées à parcourir les interventions d’un utilisateur sous pseudonyme, à reconstituer son parcours, son métier probable, ses centres d’intérêt, puis à rechercher une personne correspondant à ce portrait. Encore fallait-il avoir une bonne raison de le faire. Et beaucoup de temps.
Les chercheurs de l’ETH parlent de practical obscurity : une forme de protection liée non à l’impossibilité absolue d’accéder à une information, mais au coût et à l’effort nécessaires pour la retrouver. Les grands modèles réduisent cette friction. Ils peuvent lire énormément de matière, conserver des indices faibles, rechercher des correspondances et recommencer l’opération sur des milliers de profils.
C’est ce déplacement qui mérite notre attention. La santé permet d’en comprendre immédiatement l’enjeu. La recherche médicale a besoin de données. Elles permettent d’étudier des maladies, d’évaluer des traitements, de constituer des cohortes et, désormais, d’entraîner ou d’évaluer des systèmes d’intelligence artificielle.
Le Laboratoire de la République l’a récemment rappelé en présentant les données de santé comme un « socle invisible de l’innovation ». Leur qualité et leur accessibilité conditionnent une partie des progrès médicaux futurs. Mais cette circulation repose sur la confiance.
Un patient peut accepter que ses données contribuent à la recherche parce qu’un ensemble de garanties lui assure qu’elles ne seront pas utilisées pour l’exposer personnellement.
L’expérience menée à Weill Cornell ne démontre nullement que les données médicales correctement anonymisées seraient devenues facilement identifiables. Elle porte sur un protocole précis, un environnement déterminé et des systèmes particuliers de désidentification. Elle démontre en revanche l’intérêt d’une autre manière d’évaluer la protection.
Au lieu de vérifier uniquement si les éléments considérés comme identifiants ont correctement disparu, essayons effectivement de retrouver la personne. C’est une logique assez familière en cybersécurité : on éprouve une protection en tentant de la contourner. Appliquée à l’anonymisation, elle pourrait devenir de plus en plus utile.
Quatre lieux et quatre moments
La singularité de nos traces n’est d’ailleurs pas une découverte de l’intelligence artificielle. En 2013, bien avant les LLM actuels, une équipe de chercheurs avait étudié quinze mois de données de mobilité concernant 1,5 million de personnes. Le résultat était déjà saisissant : dans ce jeu de données, quatre points spatio-temporels — quatre lieux associés à quatre moments — suffisaient à distinguer 95 % des individus.
Nous sommes beaucoup plus prévisibles et, simultanément, beaucoup plus singuliers que nous l’imaginons. Notre domicile, notre lieu de travail, un déplacement régulier, une activité inhabituelle composent rapidement une signature. L’IA n’a pas créé cette singularité. Elle augmente notre capacité à l’exploiter. Et c’est probablement la raison pour laquelle le sujet dépasse rapidement la médecine ou les pseudonymes utilisés sur Internet.
Les transports, l’énergie, les télécommunications, les services financiers, les objets connectés ou les services publics produisent tous des traces. Cela ne signifie pas que ces traces permettraient systématiquement de nous identifier. Le risque dépend énormément de leur nature, de leur granularité, des protections appliquées et surtout des autres informations auxquelles celui qui cherche à effectuer un rapprochement peut accéder. C’est précisément ce dernier point qui évolue.
Ce que la machine peut déduire
Dans les organisations, nous avons appris à raisonner sur les accès.
Qui peut consulter un dossier ? Quel collaborateur possède quelle habilitation ? À quelles bases un système informatique peut-il accéder ? Pendant combien de temps les informations sont-elles conservées ? Ces questions restent essentielles. Mais l’arrivée d’agents capables d’interroger plusieurs sources en introduit une autre : que peut déduire un système de ce qu’il est parfaitement autorisé à consulter ?
Imaginons un agent d’intelligence artificielle travaillant dans une grande organisation. Il possède un accès légitime à plusieurs systèmes. Chacun respecte ses propres règles. Aucune des bases ne contient isolément une information particulièrement révélatrice.
L’agent peut pourtant rapprocher ces sources. Il ne récupère pas nécessairement une information interdite. Il peut en produire une nouvelle par inférence. Ce phénomène n’est évidemment pas propre à l’IA. Les statisticiens, les enquêteurs et les spécialistes des données savent depuis longtemps effectuer des rapprochements.
Ce qui change est l’échelle à laquelle des systèmes généralistes commencent à pouvoir le faire, le coût de l’opération et le nombre de personnes susceptibles d’utiliser ces capacités.
La protection des données doit donc progressivement intégrer non seulement ce qui est contenu dans une base, mais aussi ce qu’il devient possible d’en apprendre lorsqu’elle rencontre d’autres informations.
Ce que cela change pour le citoyen
C’est ici que le sujet rejoint directement certaines des interrogations qui ont traversé les dernières Universités d’été du Laboratoire de la République. La transformation numérique de nos sociétés repose sur une forme de contrat de confiance.
Nous acceptons que certaines informations circulent parce qu’elles permettent de soigner, de chercher, d’organiser les mobilités, d’améliorer les services publics ou de mieux comprendre la société. Cette circulation n’est possible durablement que si les citoyens conservent une compréhension raisonnable de ce qui est fait de leurs informations et peuvent avoir confiance dans les protections annoncées.
L’enjeu n’est donc certainement pas de refermer les données. Dans la santé, ce serait même particulièrement contre-productif. La recherche a besoin de données nombreuses et de qualité. Il en va de même pour une partie de la recherche publique, de la transition énergétique ou de l’amélioration des services collectifs.
La question consiste plutôt à préserver les conditions permettant cette circulation lorsque les capacités techniques évoluent. Elle concerne aussi le consentement. Nous pouvons accepter qu’une information soit utilisée dans un objectif donné. Mais si son rapprochement avec d’autres données permet de produire une connaissance nouvelle sur nous — que nous n’avons jamais explicitement communiquée — le périmètre de ce que nous pensions avoir autorisé devient moins évident.
La question existait avant les LLM. Ils lui donnent une nouvelle échelle.
L’Europe choisit précisément ce moment pour rouvrir le dossier
Le calendrier est intéressant. Le 8 juillet 2026, le Comité européen de la protection des données a publié de nouvelles lignes directrices consacrées à l’anonymisation. Elles sont actuellement soumises à consultation publique jusqu’au 30 octobre. Le droit européen fait depuis longtemps une distinction essentielle entre anonymisation et pseudonymisation.
Remplacer un nom par un numéro ne rend pas nécessairement une donnée anonyme. Une donnée pseudonymisée demeure une donnée personnelle au sens du RGPD. Pour parler réellement d’anonymisation, il faut notamment apprécier la possibilité d’identifier la personne en tenant compte des moyens raisonnablement susceptibles d’être utilisés.
Cette formulation prend aujourd’hui une importance particulière. Car les moyens raisonnablement disponibles changent. L’IA ne vient donc pas invalider le droit européen ni rendre inutiles des décennies de recherche sur l’anonymisation. Elle oblige plus simplement à actualiser le modèle de menace.
Ne jamais considérer l’anonymat comme acquis
Nous savons déjà raisonner ainsi dans un autre domaine. Un système informatique audité il y a cinq ans n’est pas considéré comme sûr pour l’éternité. Les capacités d’attaque progressent, de nouvelles vulnérabilités apparaissent et nous le testons à nouveau.
Certains jeux de données particulièrement sensibles méritent peut-être désormais la même discipline. Tester une anonymisation au moment de sa réalisation, bien sûr. Mais aussi pouvoir la réévaluer lorsque les moyens de rapprochement, de recherche et d’inférence progressent suffisamment pour modifier le risque. C’est finalement ce que racontent ces travaux. Ils ne démontrent pas la disparition de l’anonymat. Ils montrent que certaines des difficultés qui contribuaient à nous protéger peuvent diminuer très rapidement.
Dans une démocratie qui a besoin de données pour soigner, chercher, décider et améliorer ses services publics, la réponse ne peut être de renoncer à leur circulation. Elle consiste à préserver la confiance qui la rend possible. Et cela suppose probablement de ne jamais considérer une donnée comme anonyme par habitude.
Thierry Taboy est membre du conseil d’administration du think tank Impact AI.