🔵⚪🔴 Dans les laboratoires, les jeunes passent à l'action
Depuis décembre 2025, Youth AI Lab est entré dans sa phase de déploiement auprès des jeunes engagés dans chaque laboratoire. Dix-sept séances ont été organisées à La Rochelle, Naples, Barcelone et Anvers.
Selon les lieux, les ateliers ne suivent pas le même calendrier et s'adaptent aux publics comme aux formats retenus. Les activités varient elles aussi : observation de systèmes d'IA, jeux, programmation de robots, tests d'outils et création de prototypes.
Malgré ces différences, les laboratoires poursuivent un même objectif : aider les jeunes à comprendre comment fonctionne l'IA générative à partir d'activités concrètes et en suivant une approche rigoureuse et scientifique.
À La Rochelle, comprendre les limites de l'IA pour créer des chatbots fiables
Le laboratoire Youth AI Lab “Le retour des Pacman's” porté par le Centre social et culturel Vent des Îles et par le Laboratoire d’Aix-périmentation de bidouille a réuni, depuis décembre 2025, 18 jeunes âgés de douze à quinze ans pendant sept séances, dont une semaine intensive, pour un total de 38,5 heures.
Le cycle s'est construit autour d'une question simple : peut-on faire confiance à ce que répond une IA ? Les premiers jeux ont montré qu'un modèle pouvait accepter une information fausse et poursuivre sa réponse comme si elle était correcte. Les jeunes ont ainsi compris qu'une réponse bien formulée n'est pas forcément une information vérifiée.
Pour comprendre d'où vient ce décalage, le groupe s'est ensuite intéressé à l'apprentissage des machines. L'activité sur l'apprentissage par renforcement ne cherchait pas à reproduire le fonctionnement d'une IA générative. Elle montrait un principe plus général : le comportement d'un système dépend de la manière dont il est entraîné et des indications qu'il reçoit. En cherchant un parcours puis en programmant des robots, les jeunes ont vu qu'une machine n'évalue pas seule ce qui est vrai ou pertinent. Elle agit dans le cadre qui lui a été donné.
La séquence Stupid Invention a permis de revenir à l'IA générative avec ce nouveau repère. Cette fois, les jeunes ne devaient plus seulement repérer une réponse trompeuse. Le groupe a demandé à l'IA de rendre crédibles des produits volontairement absurdes. Le résultat a montré que la crédibilité dépend aussi des consignes données au modèle et de la manière dont les textes et les images sont présentés.
La semaine intensive de juillet a alors inversé le problème. Après avoir vu comment une IA pouvait rendre une invention crédible, le groupe devait construire des outils dont les réponses seraient mieux encadrées. Pour Feurisson, consacré à la prévention des incendies, et Superbot, consacré au harcèlement scolaire, les jeunes ont défini les publics, sélectionné des sources, rédigé des réponses de référence et prévu des règles pour les situations sensibles. La fiabilité est ainsi devenue un choix de conception concret.
Le parcours suit donc un même fil. Les jeunes ont d'abord appris à douter d'une réponse convaincante, puis à relier le comportement d'un système à son entraînement et aux consignes reçues. Le groupe a ensuite utilisé cette compréhension pour produire un contenu trompeur, avant de chercher comment mieux encadrer les réponses d'un chatbot.
Ateliers, prototypes et productions réalisés par le groupe de La Rochelle.
À Naples, comprendre les données pour faire agir le robot Otto
Le laboratoire Youth AI Lab FARO, animé par Perlatecnica en partenariat avec le lycée technique ITIS Alessandro Volta, a accompagné des jeunes de seize à dix-sept ans pendant quatre ateliers de 2,5 heures entre février et mai 2026.
À Naples, le travail a commencé par le repérage des systèmes d'IA présents dans l'environnement quotidien, que les jeunes ont distingués des dispositifs fondés sur des règles fixes. Cette observation leur a donné un point de départ concret pour réfléchir à ce que l'IA pouvait apporter à des problèmes locaux.
Pour comprendre ce que ces systèmes peuvent apporter et ce qui les limite, le groupe a ensuite étudié les erreurs de raisonnement des modèles de langage. L'introduction du robot Otto a rendu ces questions plus concrètes. Les jeunes ont comparé une exécution du modèle sur le robot et dans le cloud, en tenant compte de la confidentialité, de la vitesse, de la batterie et du coût. Ils ont ainsi vu qu'un système d'IA dépend aussi de choix techniques qui ont des conséquences sur son usage.
Le travail sur les biais de genre a prolongé cette réflexion. En testant les réponses d'un modèle de langage puis une classification fondée sur la taille et le poids, les jeunes ont constaté que les catégories choisies orientent les résultats et peuvent réduire une réalité complexe. Cette question est devenue centrale lorsque le groupe a appliqué l'IA à la ville durable.
Otto a alors été équipé de capteurs pour mesurer le dioxyde de carbone, les particules fines et le bruit. Les jeunes ont utilisé un modèle entraîné sur des données simulées et analysé ses erreurs pour comprendre, par exemple, pourquoi un parc bruyant pouvait être confondu avec un chantier. Le modèle n'était plus présenté comme une solution automatique, mais comme un outil dont il fallait vérifier les décisions.
Au fil des séances, le regard du groupe a changé. Il ne s'agissait plus seulement de repérer l'IA dans la ville, mais de comprendre les choix techniques et les catégories qui orientent ses résultats, puis de les appliquer à un problème local avec Otto.
Expérimentations menées avec le robot Otto dans le laboratoire FARO à Naples.
À Barcelone, comprendre les erreurs d'un modèle pour construire un prototype utile
Le laboratoire Youth AI Lab Gorgs IA Studio, porté par l'Universitat Autònoma de Barcelona et accueilli à la Faculté d'Ingénierie, a organisé quatre séances de trois heures sur une semaine. Trois mentors ont accompagné les jeunes pendant ce parcours intensif.
À Barcelone, les quatre séances formaient une progression très resserrée. Les jeunes ont commencé par comparer une programmation fondée sur des règles avec un apprentissage à partir d'exemples. En entraînant un modèle capable de reconnaître des formes, ils ont constaté que ses résultats dépendaient directement des images utilisées.
Le groupe a ensuite cherché à provoquer des erreurs en modifiant l'éclairage, l'angle et l'arrière-plan. Ce travail a permis de comprendre qu'un modèle peut réussir dans les conditions prévues et échouer dès que la situation change. Les biais techniques et sociaux ont ainsi été abordés à partir des limites observées pendant les tests.
Ces constats ont servi de point de départ aux projets. Chaque groupe a choisi un problème lié à un Objectif de Développement Durable, puis précisé le besoin à l'aide d'une carte d'empathie. La solution devait être utile, réalisable et compatible avec ce que le modèle pouvait réellement apprendre. Les jeunes ont ensuite associé le modèle à un robot pour construire un premier prototype.
La dernière étape a consisté à faire tester ce prototype par les autres groupes. Les cas attendus, les cas limites et les situations inattendues ont été consignés avant la présentation finale. Les erreurs ne marquaient donc pas la fin du projet. Elles servaient à préciser ce qui devait être amélioré.
En quatre jours, les groupes ont relié le fonctionnement d'un modèle à un usage précis. Ils ont appris à vérifier ses limites et à tenir compte de ces résultats dans la conception de leur prototype.
Entraînement, test et amélioration des prototypes développés à Barcelone.
Ă€ Anvers, passer de la reconnaissance Ă un objet choisi par le groupe
Le laboratoire Youth AI Lab porté par Digitale Wolven a organisé en août deux ateliers de test distincts avec cinq jeunes, pour un total de quatre heures. Chacun a permis d'essayer un matériel robotique différent, afin de repérer celui qui intéresse le plus le public visé avant le lancement du cycle régulier à l'automne.
Les deux ateliers ont porté sur un même principe, la reconnaissance, avec un matériel différent. Dans le premier, les jeunes ont travaillé avec des images captées par la caméra d'un Mbot. Dans le second, ils ont entraîné un micro:bit avec CreateAI à reconnaître leurs propres mouvements.
Le rapprochement des deux ateliers fait apparaître ce qui ne change pas : il faut fournir des exemples, entraîner le système, tester ce qu'il reconnaît et réutiliser le résultat dans un programme. La boîte de jeu interactive réalisée pendant le second atelier a constitué une première application de cette chaîne.
Ces deux ateliers ne forment pas encore un cycle complet, mais ils ont validé une base technique et une manière de travailler.
Les parcours en images
Pour découvrir ces parcours dans une version plus visuelle, les premières cartes postales en direct de nos laboratoires sont en ligne. Elles montrent ce que les jeunes ont réalisé pendant le premier semestre de déploiement Youth AI Lab et comment chaque groupe a fait évoluer son projet.
Quatre premières cartes postales sont déjà disponibles :
