Guerre cognitive et influence numérique : mesurer les effets, pas seulement les flux
L’influence numérique occupe désormais une place centrale dans le champ cyber. Elle apparaît dans les doctrines de lutte informatique d’influence, dans les politiques publiques contre les manipulations de l’information, dans les travaux sur les plateformes, dans les débats sur l’intelligence artificielle générative et dans les réflexions sur la résilience démocratique. Cette centralité n’est pas artificielle : les opérations contemporaines ne séparent plus clairement l’attaque technique, la manœuvre informationnelle et la désorganisation sociale.
Ce constat nous amène à nous poser la problématique suivante : quelles sont les limites des outils de veille informationnelle lorsqu’il s’agit de mesurer l’efficacité réelle d’une opération d’influence ? Autrement dit, comment passer de la description des flux à la mesure des effets ? L’hypothèse défendue ici est simple : l’influence numérique ne peut être évaluée sérieusement qu’à partir d’un déplacement comportemental rapporté à un scénario contrefactuel. Les récits, les réseaux, les biais cognitifs, les relais sociaux et les métriques de plateforme constituent des variables utiles, mais intermédiaires. Ils ne deviennent décisifs que lorsqu’ils permettent d’estimer ce qui change effectivement par rapport à ce qui se serait probablement produit sans intervention.
Qu’est-ce que la guerre cognitive ?
La guerre cognitive consiste à exploiter les biais cognitifs d’individus (caractéristiques, limites et fragilités) en s’appuyant sur des stratégies d’influences, de persuasion et de désinformation pour façonner une prise de décision sur le long terme. En ce sens, l’influence numérique occupe une place centrale dans la guerre cogntive. Puis, dans le champ cyber, elle apparaît dans les doctrines de lutte informatique d’influence, dans les politiques publiques contre les manipulations de l’information, dans les travaux sur les plateformes, dans les débats sur l’intelligence artificielle générative et dans les réflexions sur la résilience démocratique.
Désinformation, manipulation de l’information, influence numérique : de quoi parle-t-on ?
Les manipulations informationnelles ne relèvent pas d’une addition de fausses propositions, mais comme des structures narratives répétées, stabilisées et cumulatives. L’approche est intellectuellement solide, puisqu’elle prolonge des travaux anciens sur le cadrage, la narrativité et les structures discursives. Dans le débat français récent, cette orientation est explicitement formulée à travers l’idée de lire la désinformation comme un « récit sériel », c’est-à-dire comme une construction discursive qui progresse par épisodes, personnages, conflits récurrents et schémas interprétatifs continus. Cette approche corrige la naïveté qui consisterait à traiter chaque contenu faux ou manipulatoire comme un objet isolé. Une opération d’influence fonctionne rarement par un seul message. Elle fonctionne par répétition, par familiarisation, par stabilisation d’un monde interprétatif. Dans le champ cyber, cette intuition est utile : après une fuite de données, une attaque par rançongiciel, une compromission institutionnelle ou une opération de sabotage numérique, le récit qui accompagne l’événement peut produire un cadrage durable. Il peut transformer une vulnérabilité technique en preuve d’incompétence politique, une attaque opportuniste en humiliation stratégique, ou une perturbation locale en signe d’effondrement systémique. L’analyse narrative aide donc à comprendre comment une séquence cyber devient une séquence informationnelle.
Pourquoi la veille informationnelle ne suffit plus : la confusion entre visibilité et effet
Les systèmes d’analyse de l’influence reposent majoritairement sur des variables accessibles parce qu’observables, mais insuffisantes pour établir un impact comportemental. La formulation actuelle du problème ne fait donc pas apparaître une nouveauté radicale. Elle confirme plutôt un diagnostic ancien, étant celui d’un champ qui sait de mieux en mieux décrire les signaux, mais il peine encore à estimer les effets. Cette distinction est décisive pour le cyber, car les décisions y sont prises sous contrainte de temps, avec des données partielles et des risques d’amplification. Répondre trop vite à une manœuvre hostile peut neutraliser un récit, cela peut aussi lui donner une visibilité qu’il n’aurait jamais obtenue seul. Puis, se taire peut-être stratégique mais cela peut aussi laisser un récit se stabiliser. La question ne peut donc pas être : « le récit circule-t-il ? ». Elle doit être : « quelle action produit le meilleur effet comportemental net, par rapport à l’absence d’action et aux autres options disponibles ? »
De la description des flux à la mesure des effets
Dans une perspective rigoureuse, l’effet d’influence doit être compris comme un déplacement comportemental par rapport à une situation sans intervention. C’est précisément le cœur du modèle défendu ici : les variables observables (production, visibilité, circulation, engagement, coordination, récurrence narrative) décrivent l’environnement informationnel, mais ne mesurent pas en elles-mêmes l’influence. L’objet de mesure doit être le déplacement comportemental contrefactuel, c’est-à-dire la différence entre ce qu’une population fait sous intervention et ce qu’elle aurait probablement fait sans intervention.
Les limites des trois approches dominantes : analyse narrative (« récit sériel »), ingénierie cognitive (design lab), résilience cognitive du récepteur
Trois approches occupent aujourd’hui une place disproportionnée dans le débat : l’analyse narrative, l’ingénierie cognitive des dispositifs, et la résilience cognitive du récepteur. Ces trois approches sont utiles ; aucune ne doit être rejetée en bloc. Leur faiblesse n’est pas d’être fausse, mais de se situer en amont ou à côté de l’objet qu’il faut mesurer. Elles décrivent des structures, conçoivent des interventions ou renforcent des capacités individuelles, mais elles ne permettent pas encore, à elles seules, d’estimer l’effet comportemental d’une intervention d’influence dans un environnement cyber.
Les recommandations
Premièrement, définir le comportement cible avant de mesurer.
Une opération d’influence ne devrait pas être évaluée à partir d’un indicateur générique de visibilité. Elle doit d’abord être rapportée à un comportement cible : cliquer, relayer, s’abstenir, appliquer une consigne de sécurité, quitter une plateforme, rejoindre un canal, faire confiance à une source, exercer une pression sur une institution ou modifier une pratique professionnelle. Sans comportement cible, les métriques décrivent seulement un bruit informationnel.
Deuxièmement, séparer les indicateurs d’activité, de réception et d’impact.
Les tableaux de bord doivent distinguer trois niveaux. Les indicateurs d’activité décrivent ce qui circule : volumes, comptes, hashtags, temporalité, coordination. Les indicateurs de réception décrivent ce qui est traité : attention, crédibilité, mémorisation, adhésion déclarée. Les indicateurs d’impact décrivent ce qui change : décision, action, non-action, retrait, mobilisation, coopération ou pratique de sécurité. Confondre ces niveaux conduit à surestimer l’efficacité des campagnes visibles.
Troisièmement, subordonner les récits, le design et la résilience à l’évaluation de l’effet.
L’analyse narrative, l’ingénierie cognitive et la résilience du récepteur doivent rester dans la chaîne d’évaluation, mais à leur juste place. Le récit renseigne les cadres de sens. Le design produit des options d’intervention. La résilience cognitive renforce une capacité de jugement. Aucun de ces éléments ne prouve seul une influence. Ils doivent être reliés à un effet comportemental observé ou estimé.
Quatrièmement, construire une ligne de base contrefactuelle.
Toute évaluation doit comporter une estimation de ce qui se serait probablement produit sans intervention. Cette ligne de base peut être imparfaite, mais elle doit être explicite : tendance naturelle de la conversation, cycle médiatique attendu, publics exposés, relais habituels, niveau préalable de confiance, trajectoire probable du récit adverse. Une réponse ne doit être considérée comme efficace que si elle fait mieux que cette trajectoire de référence.
Cinquièmement, comparer plusieurs options, y compris le silence.
L’évaluation ne doit pas seulement répondre à la question : faut-il agir ? Elle doit comparer plusieurs options : réponse publique, réponse discrète, relais tiers, inoculation préalable, correction technique, action auprès des plateformes, changement de canal ou non-réponse. Dans certaines situations, le silence contrôlé peut produire un meilleur effet net qu’un démenti visible, notamment lorsque le risque d’amplification est supérieur au gain attendu.
Sixièmement, intégrer les risques d’amplification, de backlash et de saturation.
Le score d’efficacité doit intégrer les effets négatifs possibles de l’intervention : donner de la visibilité à un récit marginal, renforcer une défiance préexistante, fournir des éléments de relance à l’adversaire, fatiguer le public ou affaiblir la crédibilité de la source. Une action informationnelle doit donc être évaluée en effet net, non en activité visible.
Septièmement, prioriser les segments proches d’un seuil d’action.
Les efforts doivent porter sur les publics capables de changer de comportement, et non seulement sur les publics les plus exposés. Une campagne peut toucher beaucoup d’individus déjà convaincus sans produire d’effet. À l’inverse, un segment réduit mais proche d’un seuil, salariés tentés de contourner une procédure, usagers hésitant à quitter un service, journalistes cherchant un cadrage, décideurs soumis à une pression , peut être décisif.
Huitièmement, organiser l’évaluation autour de cinq niveaux.
La doctrine de mesure doit articuler cinq niveaux : le contexte de crise, l’environnement informationnel, la population, l’intervention et le comportement. Cette architecture impose de préciser ce qui est observé, ce qui est inféré, ce qui est décidé et ce qui est finalement modifié. Elle permet aussi de justifier une réponse proportionnée et de conserver la trace des hypothèses utilisées.
Neuvièmement, valider progressivement les modèles par retour d’expérience.
Les modèles d’évaluation doivent être testés sur des cas rétrospectifs, puis dans des exercices prospectifs. Il faut comparer les recommandations produites avant décision avec les trajectoires observées après coup : réduction de l’amplification, meilleure identification des publics à risque, précision des hypothèses, capacité à recommander une non-réponse. L’objectif n’est pas la prédiction parfaite, mais la réduction de l’erreur décisionnelle.
