Depuis plus d’un siècle, deux systèmes d’écriture anciens ont résisté à tous les outils que les linguistes ont pu mobiliser. Le linéaire A, l’écriture de la civilisation minoenne de l’âge du bronze sur l’île grecque de Crète, reste totalement indéchiffré. L’étrusque, parlé en Italie avant l’essor de Rome, n’est que partiellement compris. Tous deux suscitent désormais un vif intérêt de la part de l’intelligence artificielle. Les résultats obtenus jusqu’à présent révèlent quelque chose d’important : non pas ce que l’IA peut faire, mais la frontière précise entre la reconnaissance de formes et le sens.
L’hypothèse vient en premier, la machine en second
Un cas récent illustre clairement cette dynamique. En juin 2026, un ingénieur en IA autodidacte et linguiste amateur a proposé une percée potentielle sur le linéaire A. Le point de départ était une simple intuition humaine : l’idée qu’un mot inconnu dans une inscription de prière pouvait provenir d’une racine sémitique signifiant « habiter » ou « résider ». À partir de cette hypothèse, des scripts de programmation conçus par IA ont été utilisés pour tester le schéma sonore proposé sur un corpus collecté de caractères du linéaire A. Le résultat a consisté en l’attribution de valeurs à 40 signes et en un lexique compilé de 408 mots, suggérant, selon l’interprétation du chercheur, que le linéaire A appartient à la famille des langues sémitiques, qui comprend l’hébreu et l’araméen.
C’est précisément là que la plupart des reportages sur l’IA et les langues anciennes se trompent. L’IA n’a pas généré l’idée. Elle en a testé une. Cette distinction a une importance capitale. Ce que la technologie a apporté, c’est de la vitesse : la vérification croisée d’une hypothèse humaine avec des milliers de caractères en une fraction du temps qu’exigerait un examen manuel. Cette division du travail, où l’intuition humaine guide la vérification par la machine, est le modèle qu’il est utile de comprendre ici, et non l’affirmation spécifique, qui reste en cours d’évaluation.
Où se situe la limite, et pourquoi elle est réelle
L’IA apporte de véritables atouts pour ce type de problème. Le test de formes à grande échelle en fait partie. Un modèle peut parcourir des archives entières à la recherche de séquences répétées qu’un œil humain manquerait, et il peut restaurer des inscriptions endommagées ou fragmentaires en prédisant les caractères manquants probables. Il existe également une technique appelée transfert interlingue, dans laquelle un modèle entraîné sur une langue connue peut parfois déduire des structures dans une langue inconnue étroitement apparentée. L’analogie est intuitive : connaître l’espagnol rend le portugais partiellement lisible. Les chercheurs ont appliqué cette approche avec succès à l’ougaritique, une langue sémitique disparue parlée à la fin de l’âge du bronze, approximativement entre 1300 et 1190 avant J.-C., dans l’ancienne cité côtière d’Ougarit, dans l’actuelle Syrie. Comme la famille linguistique de l’ougaritique était déjà connue, le point d’ancrage existait.
Le linéaire A et l’étrusque sont plus difficiles précisément parce que ce point d’ancrage est absent ou incomplet. La recherche de concordances statistiques ne peut pas fabriquer du sens à partir de rien. Elle a besoin d’un point de référence, d’une famille linguistique connue ou d’un texte bilingue, pour distinguer les motifs significatifs du simple hasard. L’ensemble du corpus survivant du linéaire A compte environ 7 500 caractères, soit un volume assez court pour tenir sur un seul écran. Avec si peu de données, presque n’importe quelle hypothèse peut trouver des correspondances éparses pour l’étayer. Il ne s’agit pas d’une limite des modèles d’IA actuels. C’est un problème structurel qu’aucun accroissement de la puissance de calcul ne peut résoudre.
Un modèle pourrait théoriquement devenir suffisamment fluent en linéaire A pour reconnaître des schémas récurrents et des unités structurelles, allant même jusqu’à simuler une forme limitée d’interaction selon ses propres critères statistiques. Mais la fluidité et le sens ne sont pas la même chose. Le modèle peut apprendre quels signes succèdent à quels autres et quels mots se regroupent, sans jamais savoir ce qu’ils désignent réellement. Transmettre une traduction à un être humain exige quelque chose auquel le modèle n’a pas accès.
Pourquoi cela en dit plus long sur le rôle de l’IA
Le problème du déchiffrage offre une perspective utile pour réfléchir à la place réelle de l’IA dans le travail de connaissance. La technologie accélère les processus. Elle compense des années de recoupements manuels en quelques minutes. Elle permet à un plus grand nombre de personnes de s’attaquer à des problèmes que les ressources institutionnelles maintenaient auparavant hors de portée. Ce sont là de véritables contributions.
Cependant, l’accélération ne se confond pas avec la résolution. Les deux ingrédients que le déchiffrage a toujours exigés demeurent inchangés : un véritable point d’ancrage comparatif et un examen humain rigoureux capable de distinguer une authentique avancée d’une coïncidence séduisante. L’IA ne fournit ni l’un ni l’autre. Elle opère entre les deux, effectuant le travail de volume que les humains ne peuvent accomplir à grande échelle, tandis que ces derniers conservent le jugement sur la signification réelle des schémas.
Vérifier toute affirmation assistée par l’IA concernant une langue non déchiffrée s’avère également structurellement difficile, sans solution de facilité évidente. Normalement, une proposition de traduction serait confrontée à des locuteurs natifs, à d’autres textes ou au consensus d’experts établi au fil de décennies. Rien de tout cela n’existe pour le linéaire A ou l’étrusque. Le seul contrôle disponible réside dans l’examen critique d’experts indépendants et l’évaluation par les pairs. C’est pourquoi « l’IA a trouvé un schéma » et « l’IA a trouvé le sens correct » constituent des affirmations très différentes, et pourquoi il est facile de brouiller l’écart entre les deux dans une couverture médiatique qui privilégie l’annonce au détriment de l’épistémologie.
En bref
L’IA constitue un véritable accélérateur pour l’étude des langues non déchiffrées. Elle peut tester des hypothèses à grande échelle, repérer des schémas dans de vastes corpus et rendre ces problèmes accessibles à un plus grand nombre de chercheurs. Ce qu’elle ne peut pas faire, c’est fournir l’ancrage requis pour le déchiffrage : un parent linguistique connu, un texte bilingue ou un cadre comparatif vérifié. Le linéaire A et l’étrusque restent irrésolus non pas parce que les outils ont été insuffisants, mais parce que le point de référence fondamental n’existe pas encore. En attendant qu’il apparaisse, le rôle de l’IA dans ce domaine est celui d’un assistant de recherche extrêmement rapide qui travaille sur un problème nécessitant toujours un être humain pour formuler la bonne question.
D’après un reportage de Ars Technica.