L’intelligence artificielle en numismatique : un perroquet érudit face à une science vivante

Temps de lecture : 26mn

DÉBUTER> NOTIONS

L’intelligence artificielle émerveille l’humain par ses capacités apparemment illimitées. Des algorithmes capables de traduire instantanément des dizaines de langues, de rédiger des textes cohérents, d’analyser des millions de données en quelques secondes : nous vivons indéniablement une révolution technologique.

Pourtant, face à certaines disciplines scientifiques, et particulièrement en numismatique, cette intelligence se révèle bien moins artificielle qu’on ne le croit, et bien moins intelligente qu’on ne l’espère. L’IA n’est finalement qu’un perroquet qui répète ce qu’il a entendu, et rien de plus.

Cette formule, aussi sévère soit-elle, mérite qu’on s’y arrête. Car elle révèle une vérité fondamentale sur les limites actuelles de ces outils face aux exigences de notre discipline. L’IA se nourrit de vieux livres du XIXᵉ siècle (gratuits en ligne) au lieu des recherches récentes (inaccessibles). Elle privilégie les réponses bon marché sur la qualité. Elle invente des informations plutôt que d’avouer son ignorance. Elle ne peut analyser physiquement une pièce, détecter les subtilités de frappe, ou authentifier un faux sophistiqué. Si la recherche de pedigree devient progressivement utile, elle ne remplace jamais l’expertise humaine.

Sommaire

1. Les succès apparents
2. La complexité numismatique
3. Une science vivante contre un savoir figé
4. L’économie de la réponse
5. Les hallucinations
6. La recherche iconographique
7. L’authentification
8. Le piège de la question biaisée
9. Les conséquences pour l’enseignement et la recherche
10. L’IA comme assistant, jamais comme expert
11. Conclusion

Note : Ces observations s’appuient sur plus de deux années d’utilisation de l’IA en numismatique (2023-2026). L’IA s’est améliorée durant cette période – certains défauts initiaux ont été corrigés et ne sont plus évoqués ici. D’autres limites décrites seront probablement résolues à l’avenir. Cette analyse reflète l’état actuel de la technologie.

Les succès apparents : quand l’IA se contente du superficiel

Il serait malhonnête de nier toute utilité à l’intelligence artificielle en numismatique. Sur des questions générales et bien documentées, les résultats peuvent être honorables. Interrogez ChatGPT sur les premières monnaies de l’Histoire, il citera correctement les électrum lydiens du VIIᵉ siècle av. J.-C., considérés comme la première monnaie standardisée. Demandez-lui de définir ce qu’est un denier ou un solidus, et la réponse sera généralement acceptable pour un débutant.

Ces connaissances de base, largement diffusées dans des manuels et des encyclopédies accessibles en ligne, constituent effectivement le fonds commun sur lequel l’IA peut s’appuyer. Pour un étudiant cherchant une première approche ou un collectionneur néophyte souhaitant comprendre les grandes lignes d’une période monétaire, l’outil peut rendre service. C’est là son domaine de compétence : la vulgarisation de premier niveau, la synthèse de connaissances élémentaires et consensuelles.

Mais la numismatique ne se résume pas à ces généralités. Elle est une science de la précision, du détail, de l’exception. Et c’est précisément là que l’édifice s’effondre.

La complexité numismatique : une muraille pour les algorithmes

La numismatique exige une précision qui dépasse largement les capacités actuelles de l’IA. Identifier correctement une monnaie suppose de reconnaître des légendes parfois à demi effacées, de distinguer des symboles minuscules dans un champ monétaire, de déceler des variations infimes dans le style gravé. Un simple point sous un buste, une lettre légèrement différente dans une légende, un symbole d’atelier presque invisible : autant d’indices qui permettent de dater, localiser et authentifier une pièce.

Comment un algorithme pourrait-il acquérir cette sensibilité ? L’IA fonctionne par reconnaissance de patterns dans des corpus de données. Mais en numismatique ancienne, chaque pièce est unique. Deux monnaies frappées le même jour, dans le même atelier, avec les mêmes coins, présenteront des différences dues à l’usure des coins, à la force de frappe, à la qualité du flan. Ajoutez à cela deux millénaires de patine, d’oxydation, de nettoyages parfois catastrophiques, et vous obtenez une variabilité infinie qui défie toute standardisation.

Une science vivante contre un savoir figé

L’IA privilégie les vieilles publications, qui sont plus souvent citées, font plus de bruit et ont dès lors plus de poids. Ce biais structurel a des conséquences désastreuses en numismatique, discipline où le savoir se réécrit constamment.

Or, cette littérature récente reste largement inaccessible à l’IA pour plusieurs raisons. D’abord, les périodes d’embargo imposées par les éditeurs : une publication récente n’est souvent disponible en accès libre que plusieurs années après sa parution. Ensuite, de nombreuses revues spécialisées ne sont accessibles que par abonnement ou sur des plateformes nécessitant une inscription. Enfin, une part considérable de la production scientifique appartient à la « littérature grise » : rapports de fouilles de l’Inrap et autres opérateurs, mémoires universitaires, catalogues d’expositions, publications de sociétés savantes à diffusion confidentielle.

Le résultat est édifiant : l’IA se nourrit principalement d’ouvrages anciens tombés dans le domaine public. Des traités du XIXᵉ siècle, voire du début du XXᵉ, constituent une part importante de son corpus numismatique. Autant demander à un érudit de 1850 de se prononcer sur les dernières découvertes de 2025 ! Le décalage temporel se traduit inévitablement par un décalage scientifique.

Ce problème est aggravé par l’opacité fondamentale de ces systèmes. Les intelligences artificielles génératives fonctionnent comme des “boîtes noires” : impossible de savoir précisément quelles sources ont été utilisées pour construire une réponse donnée. Nous savons que ces programmes aspirent massivement le contenu disponible sur Internet, mais nous ignorons la composition exacte de leurs ensembles de données d’entraînement. Cette absence de transparence rend impossible toute vérification méthodique. Comment un chercheur pourrait-il évaluer la fiabilité d’une information s’il ne peut identifier ses sources ? En numismatique, où chaque affirmation doit pouvoir être tracée jusqu’à sa source primaire, cette opacité est rédhibitoire.

Enfin, un numismate chevronné pourrait penser qu’en formulant des requêtes précises et expertes, il obtiendrait de meilleurs résultats. C’est partiellement vrai : un bon prompt permet d’affiner la recherche et d’obtenir des réponses plus ciblées. Mais la qualité de la formulation ne peut pas créer des connaissances que l’IA ne possède pas dans son corpus. Même la requête la plus sophistiquée ne fera pas apparaître les publications récentes inaccessibles à l’algorithme. L’expertise du questionneur se heurte inévitablement aux sources obsolètes dont l’IA dispose.

Peu importe l’habileté avec laquelle on interroge un système nourri au XIXᵉ siècle, on obtiendra des réponses du XIXᵉ siècle.

L’économie de la réponse : quand le coût prime sur la qualité

Un aspect rarement évoqué, mais fondamental, concerne le fonctionnement économique de l’intelligence artificielle. Chaque requête adressée à une IA a un coût computationnel. Plus l’analyse est approfondie, plus elle mobilise de ressources, plus elle coûte cher. Or, la majorité des utilisateurs accèdent à ces services via des comptes gratuits ou à bas prix.

Cette logique économique explique en partie pourquoi l’IA se contente si souvent de généralités. Approfondir, croiser, vérifier : autant d’opérations coûteuses que le système évite. Pour un compte gratuit, la différence est encore plus marquée. L’utilisateur obtient non pas la meilleure réponse possible, mais la réponse la moins chère à produire.

En numismatique, où la précision fait toute la différence, cette optimisation économique est catastrophique. La distinction entre un denier de Gallien frappé à Rome et un autre frappé à Milan peut reposer sur des détails infimes qui nécessitent une analyse approfondie. Mais une telle analyse coûte cher en ressources computationnelles. L’IA préférera donc donner une réponse générique sur les deniers de Gallien, économiquement plus rentable, mais scientifiquement inutile.

Cette réalité économique crée un cercle vicieux. Les réponses superficielles étant moins coûteuses, elles sont privilégiées. Les utilisateurs s’habituent à ce niveau de qualité médiocre. La demande pour des analyses approfondies diminue. Le système se conforte dans sa médiocrité économiquement optimisée.

Les hallucinations : quand l’IA invente plutôt que d’avouer son ignorance

Le phénomène des « hallucinations » de l’IA constitue peut-être le problème le plus pernicieux. Face à une question pour laquelle elle ne dispose pas de réponse fiable, l’IA ne reconnaît pas son ignorance. Elle fabrique une explication plausible, citant parfois des références imaginaires pour étayer ses affirmations.

Ces fabrications ne se limitent pas à des anecdotes isolées. Elles touchent parfois des points fondamentaux. Certaines versions ont affirmé que le dollar américain s’était apprécié au fil du temps, alors que l’inflation lui a fait perdre environ 95 % de sa valeur depuis un siècle. Pour un investisseur ou un collectionneur cherchant à évaluer une monnaie, une telle erreur peut avoir des conséquences financières désastreuses.

Le problème est d’autant plus grave que ces réponses erronées sont formulées avec la même assurance que les réponses correctes. L’IA ne doute jamais, n’exprime aucune réserve, ne signale pas les limites de ses connaissances. Cette fausse certitude est dangereuse : elle peut induire en erreur un utilisateur qui n’a pas les moyens de vérifier l’information.

Le cas particulier de la recherche iconographique : entre promesses et désillusions

Si l’on mène des recherches sur les éventuelles sources iconographiques dans la glyptique mésopotamienne d’une image monétaire hellénistique, on constate rapidement les limites actuelles de l’IA en matière d’analyse iconographique. Ce type de recherche, qui nécessite de croiser des corpus appartenant à des domaines différents (glyptique et numismatique), révèle des résultats affligeants.

L’IA peine à établir des connexions pertinentes entre des traditions iconographiques distinctes. Elle ne perçoit pas les filiations stylistiques, ne reconnaît pas les emprunts symboliques, ne comprend pas les transferts culturels qui font tout l’intérêt de ce type d’étude. Elle se contente de rapprochements superficiels basés sur des similitudes visuelles évidentes, passant complètement à côté des influences subtiles qui constituent le cœur de la recherche iconographique.

Le danger des illustrations générées : quand l’IA fabrique de fausses sources historiques

Un cas récent illustre parfaitement les dangers de l’utilisation de l’IA pour l’iconographie numismatique. Un collectionneur travaillant sur un catalogue détaillant des variantes monétaires a utilisé l’intelligence artificielle pour créer des illustrations de villes de l’Empire romain. Les images produites étaient esthétiquement remarquables, réalisées dans un style de dessin ancien qui leur conférait une apparence d’authenticité historique.

Les conséquences potentielles sont considérables. Un lecteur non averti, consultant ce catalogue, pourrait considérer ces illustrations comme des représentations fiables. Il pourrait les citer dans ses propres travaux, les utiliser comme références visuelles, voire construire des hypothèses historiques sur ces fausses bases. L’erreur se propagerait ainsi dans la littérature scientifique, créant une contamination du corpus documentaire dont il serait ensuite très difficile de se débarrasser.

Ce cas révèle un danger insidieux : l’IA ne se contente pas de mal interpréter des sources existantes, elle crée de toutes pièces de fausses sources qui peuvent ensuite être prises pour authentiques. Dans un domaine comme la numismatique, où l’iconographie monétaire constitue une source historique de premier plan, cette pollution documentaire représente une menace sérieuse pour l’intégrité de la recherche.

La recherche de pedigree : un usage légitime mais limité

Pourtant, il existe un domaine où l’IA commence à montrer une certaine utilité : la recherche d’images et, plus spécifiquement, la recherche de pedigree. Le site Coincabinet.io utilise l’intelligence artificielle pour retrouver les occurrences antérieures d’une monnaie dans les ventes aux enchères et les publications. Je dois avouer que les résultats, au départ très fantaisistes, deviennent progressivement plus satisfaisants.

C’est une tâche de reconnaissance de patterns dans un environnement contrôlé (photographies professionnelles, angles standardisés, éclairage homogène).

Même dans ce cadre restreint, les limites persistent. Une pièce nettoyée entre deux ventes, photographiée sous un angle différent, ou présentant une patine modifiée peut échapper à la reconnaissance. L’outil reste un assistant, non un expert. Il suggère des pistes que le numismate doit ensuite vérifier et valider. C’est là, précisément, le rôle légitime de l’IA : un instrument au service de l’expert, jamais un substitut.

L’authentification : le test ultime que l’IA ne peut pas toujours passer

L’authentification des monnaies constitue le test ultime de compétence numismatique. C’est aussi le domaine où l’IA révèle le plus cruellement ses limites.

Car si l’intelligence artificielle peut identifier des contrefaçons grossières, elle échoue systématiquement face aux reproductions sophistiquées.

Plus préoccupant encore : les faussaires eux-mêmes utilisent désormais l’IA pour perfectionner leurs créations. Des algorithmes d’apprentissage profond permettent d’analyser des centaines de photographies d’une monnaie authentique pour en reproduire les moindres détails. Le résultat est une contrefaçon qui présente toutes les caractéristiques visuelles de l’original, y compris les irrégularités typiques d’une frappe antique.

Face à ces faux sophistiqués, seule l’expertise humaine multidisciplinaire permet de déceler la supercherie. L’analyse métallurgique révèle une composition anachronique. L’examen au microscope détecte des traces d’usinage moderne. La connaissance approfondie des techniques de frappe historiques identifie des impossibilités techniques. Parfois, c’est une recherche archivistique qui permet de prouver qu’une pièce prétendument unique est en réalité la copie d’un exemplaire publié.

Cette approche globale, qui mobilise des connaissances en métallurgie, en histoire de l’art, en techniques anciennes, en historiographie, dépasse de très loin les capacités actuelles de l’intelligence artificielle. L’IA peut analyser une image. Elle ne peut pas sentir le poids d’une pièce dans la main, percevoir la sonorité métallique, examiner la patine sous différents éclairages, ou confronter un objet physique aux données d’archives.

Le piège de la question biaisée

L’IA privilégie les vieilles publications et ne fait que répéter ce qu’elle a entendu. Cette limitation se double d’un défaut plus insidieux : l’absence de pensée critique face à certaines questions, particulièrement en numismatique ancienne.

Pour les monnaies modernes bien cataloguées, l’IA peut généralement identifier si une pièce est rare ou commune en s’appuyant sur des bases de données accessibles.

Mais face aux monnaies antiques, où les variantes se comptent par milliers et où la rareté dépend de détails infimes, le système montre ses limites. Si l’on demande « pourquoi cette pièce [antique] est-elle rare ? » alors qu’en réalité elle ne l’est pas, l’algorithme peut partir du principe erroné que la pièce est effectivement rare et construire une explication sur cette base fausse. Un numismate expérimenté, lui, aurait immédiatement contesté la prémisse : « Mais cette pièce n’est pas rare ! Elle est même relativement commune. »

Cette incapacité à remettre en question les présupposés d’une question est révélatrice. L’IA ne possède pas de cadre de référence critique. Elle ne peut pas évaluer la cohérence d’une affirmation au regard d’un corpus de connaissances structurées. Elle assemble des mots statistiquement probables, sans véritable compréhension du sens.

Les conséquences pour l’enseignement et la recherche

Ces limites de l’IA posent une question cruciale pour l’enseignement et la recherche en numismatique. Nos étudiants doivent avoir conscience que tout ne se trouve pas sur Internet et que la prétendue intelligence artificielle n’est finalement qu’un perroquet qui répète ce qu’il a entendu.

Faut-il pour autant tout mettre en libre accès ? La question est complexe. Mais il importe de réfléchir à un équilibre permettant à la fois de protéger le travail des chercheurs et d’assurer une diffusion efficace du savoir scientifique. Sans quoi l’IA continuera à propager des connaissances dépassées, créant un cercle vicieux où les erreurs du passé contaminent indéfiniment les recherches futures.

Cette littérature grise, apparemment perdue pour la recherche accessible à l’IA, représente pourtant une masse considérable d’informations cruciales. Les innombrables rapports produits par l’Inrap et autres opérateurs contiennent des données de première main, des découvertes inédites, des observations de terrain qui ne seront peut-être jamais publiées dans des revues classiques. Ignorer cette documentation, c’est amputer gravement le corpus scientifique disponible.

Au-delà des erreurs factuelles, l’utilisation de l’IA pour la rédaction de contenus numismatiques pose une question plus insidieuse : celle de la perte de voix. Les amateurs de numismatique apprécient les textes écrits par des passionnés, où transparaissent une personnalité, un style, des anecdotes personnelles, une manière unique d’aborder les monnaies. Ces qualités donnent leur charme à de nombreux blogs et sites spécialisés.

L’IA comme assistant, jamais comme expert

Alors, faut-il rejeter totalement l’intelligence artificielle en numismatique ? Ce serait aussi excessif que de lui accorder une confiance aveugle. L’IA peut rendre certains services, à condition de bien comprendre ses limites et de l’utiliser à bon escient.

À titre personnel, je l’utilise moi-même comme outil technique : pour corriger l’orthographe de mes livres ou pour m’assister dans le codage de mes sites web, par exemple. Elle me fait gagner du temps sur des tâches pratiques, mais elle ne remplace ni l’expertise numismatique, ni l’analyse critique, ni l’expérience acquise au fil des années.

Pour le catalogage de collections importantes, l’IA peut assister dans l es tâches répétitives : création de fiches, normalisation des descriptions, suggestions de classement. Pour la recherche iconographique de pedigree, comme le montre l’exemple de Coincabinet.io, elle peut proposer des pistes intéressantes. Pour la synthèse d’informations dispersées ou la traduction de textes étrangers, elle offre un gain de temps appréciable.

Mais dans tous ces cas, l’IA reste un instrument au service de l’expert humain. Elle suggère, elle propose, elle facilite. Elle ne décide pas, ne valide pas, n’authentifie pas. Le numismate conserve entièrement la responsabilité scientifique de son travail. Il vérifie chaque suggestion, contrôle chaque affirmation, confronte systématiquement les résultats de l’IA aux sources primaires.

L’expérience du projet Numi est instructive à cet égard. Cette application de reconnaissance automatique de monnaies fonctionnait remarquablement bien sur les pièces modernes en parfait état. Mais elle « peinait énormément sur les monnaies anciennes », ne parvenant à identifier correctement que les spécimens dans un état de conservation exceptionnel. Dès que la pièce présentait de l’usure, de la corrosion, ou une frappe légèrement décentrée, l’algorithme échouait.

Cette limitation n’est pas anecdotique. En numismatique ancienne, les pièces en parfait état constituent une infime minorité. La quasi-totalité des monnaies qui circulent sur le marché ou qui sont découvertes en fouilles présentent des altérations. Un outil incapable de traiter ces conditions réelles d’observation n’a qu’une utilité marginale.

Conclusion : l’expertise humaine reste irremplaçable

Au terme de cette analyse, le constat s’impose : l’intelligence artificielle, dans son état actuel de développement, ne peut prétendre rivaliser avec l’expertise numismatique humaine. Elle peut servir d’assistant pour certaines tâches délimitées, mais en aucun cas remplacer le jugement d’un spécialiste.

Les raisons de cet échec sont multiples et structurelles. L’IA se nourrit principalement de sources anciennes et secondaires, ignorant la production scientifique récente qui reste inaccessible en ligne. Elle optimise ses réponses pour minimiser les coûts computationnels, privilégiant la médiocrité économique sur l’excellence scientifique. Elle ne possède aucune capacité de pensée critique, se contentant de reproduire les patterns de son corpus d’entraînement. Elle ne peut analyser physiquement une monnaie, appréhender sa matérialité, mobiliser l’ensemble des sens et des connaissances pluridisciplinaires nécessaires à une authentification fiable. Elle hallucine régulièrement, inventant des informations avec une assurance qui peut tromper les non-spécialistes.

Cette situation n’est pas près de changer. Car si l’IA progressera sans doute dans ses capacités de reconnaissance visuelle, elle restera prisonnière de son corpus d’entraînement et de ses contraintes économiques. Tant que la production scientifique récente demeurera largement inaccessible en ligne, tant que les nuances de l’expertise ne pourront être codifiées en algorithmes, tant que les réponses bon marché seront privilégiées sur les analyses approfondies, tant que la dimension physique et multisensorielle de l’examen numismatique échappera aux capacités des machines, l’intelligence humaine conservera son avantage décisif.

Les numismates peuvent donc dormir tranquilles : ils ne seront pas remplacés de sitôt par des robots. Mieux encore, la prolifération des faux sophistiqués produits avec l’aide de l’IA rendra leur expertise plus précieuse que jamais. Car face à une contrefaçon parfaite en apparence, seul l’œil humain, armé de décennies d’expérience et de connaissances pluridisciplinaires, pourra faire la différence entre l’authentique et le faux.

L’ironie de la situation mérite d’être soulignée : voici un domaine, la numismatique, qui pourrait sembler idéal pour l’application de l’intelligence artificielle (des objets standardisés, des catalogues détaillés, une iconographie codifiée), et qui se révèle finalement l’un des plus résistants à l’automatisation. Cette résistance n’est pas un archaïsme. Elle témoigne de la complexité irréductible d’une science qui articule l’histoire, l’archéologie, la philologie, la métallurgie, l’histoire de l’art et la connaissance intime des objets.

En définitive, si l’intelligence artificielle peut se montrer utile pour certaines tâches auxiliaires, elle reste profondément inadéquate pour l’essentiel de la pratique numismatique. Et si un chatbot vous affirme le contraire, vous savez désormais ce qu’il vous reste à faire : sourire poliment, et retourner à vos catalogues, vos loupes, et vos monnaies. Car c’est là, dans ce dialogue intime entre l’expert et l’objet, que se situe le véritable cœur de notre discipline. Un cœur qui bat encore, et battra longtemps, au rythme humain de la curiosité, de l’expérience et du doute méthodique.

Cédric Wolkow

La bannière de cet article et les images ont été générées par intelligence artificielle
— seule concession à la machine dans un texte entièrement écrit par un humain.

Annexes :