Introduction
Au cours des trois dernières années, les bibliothèques du monde entier ont exploré ou déployé l’IA dans leur catalogage, la recherche et l’assistance aux usagers. Son adoption est large, mais sa mise en œuvre varie considérablement. Pour comprendre où l’IA trouve sa place, il est utile de comprendre ce qui l’a précédée.
L’automatisation des bibliothèques n’a pas commencé avec le machine learning. Elle trouve ses origines dans les cartes perforées, les lecteurs de codes-barres et les systèmes de sécurité électromagnétiques.
Les technologies ont évolué au fil des décennies, mais la mission des bibliothèques, elle, est restée la même.
Cet article retrace cette évolution, depuis le projet MARC et les premiers systèmes de prêt automatisé, jusqu’à l’IA générative et à l’analyse opérationnelle des données. Il s’appuie sur des données de déploiement à l’échelle mondiale pour mesurer le niveau d’adoption actuel et analyse la manière dont l’intelligence artificielle transforme l’expérience des usagers et les métiers des professionnels des bibliothèques.
S’appuyant sur des recherches publiées et sur des données d’enquête mondiale recueillies auprès de plus de 2 000 bibliothécaires dans 109 pays, ainsi que sur l’expérience de déploiement dans des bibliothèques publiques, universitaires et spécialisées, cet article examine les enjeux liés à l’introduction de l’intelligence artificielle dans l’environnement des bibliothèques.
Dans cet article, le terme « IA » désigne de manière générale l’apprentissage automatique (machine learning) et les systèmes génératifs. Lorsque cela est pertinent, des distinctions sont établies entre l’automatisation basée sur des règles, la modélisation statistique et l’IA générative.
Fondements historiques
La technologie des bibliothèques a évolué selon deux voies parallèles qui ont progressivement convergé : les systèmes logiciels qui organisent et récupèrent les informations, et les systèmes matériels qui gèrent la circulation, la sécurité et l’accès physique. Comprendre ces deux trajectoires permet de mieux cerner ce que représente aujourd’hui l’intelligence artificielle.
Automatisation logicielle
L’automatisation des données en bibliothèque remonte au début des années 1960, lorsque les universités ont commencé à expérimenter l’utilisation d’ordinateurs centraux (mainframes), de cartes perforées et de bandes magnétiques pour standardiser les notices de catalogue.
Le projet pilote MARC, lancé par la Library of Congress en 1966, a marqué un tournant décisif. Les données bibliographiques sont alors devenues lisibles par machine et échangeables entre institutions.
En 1971, OCLC a mis en place le catalogage coopératif, permettant de réduire le travail descriptif redondant entre bibliothèques (NISO, 2012 ; Rosenheck, 1997).
Au cours des années 1970 et 1980, les systèmes intégrés de gestion de bibliothèque (SIGB) ont structuré et automatisé des fonctions clés telles que le prêt, les acquisitions et la gestion du catalogue (Breeding, 2009).
Dans les années 1990, l’apparition des OPAC web (catalogues publics accessibles en ligne) a permis l’accès à distance aux catalogues (Borgman, 1996).
Les années 2000 ont vu l’essor des collections numériques et l’intégration des progrès du traitement automatique du langage naturel dans les systèmes de recherche d’information (Manning et al., 2008).
À partir des années 2010, les outils de découverte (discovery layers) ont intégré par défaut des fonctionnalités telles que le classement par pertinence et la recherche fédérée (Breeding, 2015).
Il est important de distinguer la recherche algorithmique de l’IA générative. Pendant des décennies, le classement par pertinence et les systèmes de recherche basés sur le traitement automatique du langage naturel (NLP) ont amélioré l’accès à l’information. Toutefois, ils ne produisaient pas de nouvelles réponses ni de contenus : ils optimisaient simplement la manière dont les documents et notices existants étaient retrouvés.
L’introduction des systèmes d’IA générative après 2022 marque un changement qualitatif majeur. Des systèmes tels que GPT-4 ont démontré leur capacité à synthétiser, résumer et générer du texte à grande échelle, en produisant des réponses qui interprètent et contextualisent l’information, plutôt que de simplement la retrouver.
Automatisation matérielle
Tandis que l’automatisation des logiciels évoluait en arrière-plan, une transformation parallèle a progressivement modifié l’expérience physique de la bibliothèque.
En 1970, la Saint Paul Public Library a mis en place le premier système de sécurité électromagnétique Tattle-Tape, développé par 3M. Au début des années 1990, cette technologie protégeait déjà les collections de bibliothèques dans plus de 40 pays (Breeding, 2015 ; Bibliotheca, 2001).
En 1972, la Kentish Town Library a adopté l’un des premiers systèmes d’identification par code-barres, ce qui a permis d’accélérer les opérations de prêt et de réduire les erreurs manuelles (Tedd, 2007).
En 1992, 3M a lancé le système de prêt automatisé en libre-service Model 5210, institutionnalisant le libre-service en bibliothèque avant même que les automates ne deviennent courants dans le commerce de détail.
La tendance était claire : les bibliothèques ont souvent été précurseures dans l’adoption de l’automatisation des opérations, généralement pour faire face aux contraintes de personnel et à l’augmentation de la demande.
Le paysage mondial actuel
Le rapport The Pulse of the Library 2025, basé sur les réponses de plus de 2 000 bibliothécaires issus de 109 pays, offre l’une des analyses les plus complètes de l’adoption de l’intelligence artificielle dans le secteur des bibliothèques (Clarivate, 2025).
67 % des bibliothèques déclarent explorer ou mettre en œuvre des solutions d’IA. 33 % indiquent avoir déjà engagé une mise en œuvre active.
Les contraintes budgétaires restent le principal obstacle, cité par 62 % des répondants. Plus de la moitié reconnaissent également que l’adoption de l’IA nécessitera un important effort de montée en compétences.
Les écarts régionaux sont significatifs : l’Asie et l’Europe affichent un niveau de maturité plus élevé dans la mise en œuvre de l’IA que les États-Unis.
Source: Clarivate. (2025). Pulse of the Library 2025.
Le point de vue de l'usager
Pour les usagers, l’IA entre dans la bibliothèque principalement par le biais des systèmes de découverte, de la continuité des services et de l’accessibilité.
Découverte et recommandation
Les catalogues traditionnels exigent une recherche précise : les usagers doivent généralement savoir ce qu’ils cherchent.
Les systèmes enrichis par l’IA — intégrant notamment des technologies avancées de traitement automatique du langage naturel (NLP) et, plus récemment, des modèles génératifs — sont capables d’interpréter l’intention sémantique des requêtes et de faire apparaître des ressources pertinentes, même en l’absence de correspondances exactes avec les mots-clés.
Des outils tels que Primo Research Assistant et Alma AI Metadata Assistant utilisent des modèles de langage et d’autres techniques d’intelligence artificielle pour enrichir les notices et améliorer le classement par pertinence.
Certains reposent principalement sur l’apprentissage automatique et des mécanismes d’automatisation fondés sur le traitement du langage naturel (NLP) ; les versions plus récentes intègrent des modèles génératifs capables de produire des résumés, des métadonnées suggérées ou des explications contextuelles.
Le résultat concret est une recherche plus fluide et une découverte de l’information plus large et contextualisée.
Toutes les expériences de recommandation ne reposent pas sur l’IA générative. Bien avant l’arrivée de ces systèmes, les bibliothèques s’appuyaient déjà sur des métadonnées structurées, des vocabulaires contrôlés et une sélection éditoriale pour alimenter des dispositifs de recommandation qui influençaient déjà les documents proposés aux usagers au moment de l’emprunt.
En 2023, Bibliotheca et NoveList ont établi un partenariat exclusif afin d’intégrer des recommandations de lecture expertes directement dans les systèmes de libre-service de Bibliotheca, reliant ainsi le moment de l’emprunt à des suggestions personnalisées issues de la base éditoriale de NoveList.
Un usager utilise l’automate de prêt en libre-service Bibliotheca selfCheck 3000 à la bibliothèque publique de Cincinnati.
Chatbots et continuité de service
Les chatbots prennent en charge de nombreuses tâches courantes, comme les questions fréquentes, les renouvellements de prêts, les réservations et l’orientation des usagers, de manière fiable (Aharony & Ben-Baruch, 2019 ; Lund & Wang, 2023).
Leur principal avantage réside dans leur disponibilité : le service peut être assuré 24 heures sur 24, indépendamment des horaires de présence du personnel.
Ce qui les distingue d’une simple FAQ numérique, c’est l’étendue de leurs usages. Une revue systématique menée par Crompton et Burke (2023) a identifié cinq grandes catégories d’applications des chatbots dans les bibliothèques universitaires, allant du retour automatisé et de la prédiction des comportements des usagers jusqu’au tutorat intelligent adapté au profil de chaque étudiant.
Ensemble, ces applications dessinent une couche de service capable d’accompagner les usagers, depuis leur premier contact avec un sujet jusqu’à l’aboutissement d’un projet de recherche.
Une précaution importante doit toutefois être soulignée. Les chatbots à usage général présentent des taux d’erreurs factuelles documentés lorsqu’ils sont utilisés pour des tâches liées aux références bibliographiques.
Les bibliothèques qui développent des chatbots entraînés sur leurs propres collections et leurs règles de fonctionnement obtiennent généralement des résultats plus fiables.
Dans les services de référence, une réponse erronée donnée avec assurance peut être pire que l’absence de réponse.
L’accessibilité comme infrastructure fondamentale
Certains outils d’accessibilité intègrent désormais l’intelligence artificielle, comme la traduction en temps réel ou les systèmes de synthèse et de reconnaissance vocale adaptatifs.
D’autres — notamment les équipements réglables ou les modes à contraste élevé — reposent sur des solutions d’accessibilité éprouvées, plutôt que sur l’intelligence artificielle.
La synthèse vocale, les interfaces adaptatives, la traduction en temps réel et les équipements ajustables s’inscrivent désormais dans le respect des exigences légales prévues par l’European Accessibility Act et par les normes WCAG 2.1 niveau AA, offrant aux institutions à la fois un cadre de conformité et un cadre opérationnel.
La dimension logicielle ne raconte pas toute l’histoire. Les points de service physiques jouent eux aussi un rôle direct dans l’accès aux services.
Les automates modernes de libre-service intègrent désormais des hauteurs réglables pour les utilisateurs en fauteuil roulant, des modes d’affichage à contraste élevé, une synthèse vocale intégrée et des interfaces multilingues couvrant plusieurs dizaines de langues.
Les portiques de sécurité sont également conçus avec des passages larges, afin que l’infrastructure destinée à protéger les collections ne limite pas l’accès aux usagers.
Des données empiriques montrent des améliorations mesurables de l’autonomie pour les usagers ayant des déficiences visuelles ou motrices lorsque ces outils sont mis en place (Chauhan, 2024).
Pour des populations historiquement sous-représentées parmi les usagers des bibliothèques, la question ne se limite pas à la conformité réglementaire : cet angle tend à minimiser l’ampleur des enjeux réels.
Maîtrise de l’information
Lorsqu’un système peut produire en quelques secondes une réponse apparemment crédible, la capacité à évaluer cette réponse devient plus importante que celle de la trouver.
En 1989, l’American Library Association a défini la maîtrise de l’information comme la capacité à reconnaître un besoin d’information et à savoir la rechercher, l’évaluer et l’utiliser efficacement.
Les recommandations publiées en 2025 par l’ACRL élargissent cette définition pour y inclure la compréhension des algorithmes et l’esprit critique face aux systèmes génératifs.
Haider et Sundin (2019) expliquent que la recherche d’information a évolué : elle n’est plus seulement assurée par des outils qui répondent à des requêtes, mais par des « moteurs de suggestion » capables d’anticiper les besoins avant même qu’une requête ne soit formulée.
Les systèmes de découverte des bibliothèques évoluent dans la même direction. Aider les usagers à comprendre et à évaluer cette évolution devient désormais une composante essentielle de la maîtrise de l’information.
Le point de vue professionnel
Pour les bibliothécaires, l’IA représente à la fois des gains d’efficacité, des enjeux de gouvernance et une évolution des rôles professionnels.
| Cas d’usage | Ce que cela couvre | Principaux moteurs | Principaux obstacles |
|---|---|---|---|
| Automatisation | Flux de travail administratifs routiniers ; stockage et récupération automatisés | Efficacité opérationnelle | Coût élevé des infrastructures ; complexité d’intégration |
| Découverte | Recherche améliorée par l’IA et le machine learning ; systèmes de recommandation | Élargissement de l’accès à grande échelle | Questions éthiques liées au consentement ; difficulté à transformer les projets pilotes en services |
| Chatbots | Questions de référence ; renouvellements ; orientation dans les services | Disponibilité 24/7 ; cohérence des réponses | Résistance du personnel ; préoccupations liées à la confidentialité |
| Soutien à la recherche | Soutien aux flux de données de recherche ; présélection automatisée de la littérature ; curation ; gestion des licences | Volume et rapidité de la publication scientifique ; croissance de la data science dans les institutions | Droit d’auteur ; accès équitable ; rôle des bibliothèques pas toujours reconnu |
| Culture de l’IA | Formation du personnel et des usagers à l’évaluation et à l’éthique de l’IA | Risques sociétaux liés à l’IA ; mandat éthique | Rôle de la bibliothèque pas toujours soutenu institutionnellement |
| Analytique | Analyse d’usage ; planification des services ; prévision de la demande | Conception de services fondée sur les données | Compétences techniques ; contraintes liées au RGPD et à la confidentialité |
| Opérations technologiques | Gestion des appareils ; surveillance de l’état des systèmes ; rapports assistés par IA | Visibilité opérationnelle entre les succursales et les points de service — par exemple via libraryConnect LINK | Complexité d’intégration ; contraintes de personnel |
Adapté de Cox et Mazumdar (2024) et Kautonen et Gasparini (2024).
Métadonnées et catalogage automatisés
Le catalogage a historiquement été l’une des activités les plus exigeantes en temps et en ressources dans les bibliothèques. Aujourd’hui, des outils fondés sur l’intelligence artificielle et l’apprentissage automatique permettent de générer des métadonnées enrichies et d’identifier des relations entre les documents, en une fraction du temps autrefois nécessaire.
Les gains d’efficacité sont bien réels, mais ils s’accompagnent d’un certain scepticisme professionnel. Les données d’enquête de Clarivate (2025) indiquent que les professionnels du catalogage expriment le niveau de préoccupation le plus élevé face à l’adoption de l’IA parmi l’ensemble des métiers des bibliothèques, 35 % d’entre eux faisant état d’une perception négative.
Les outils évoluent plus rapidement que la confiance que la profession leur accorde.
Développement prédictif des collections
Les systèmes d’apprentissage automatique analysent les données de prêt, la demande non satisfaite et les tendances d’usage afin d’éclairer les décisions d’acquisition et de désherbage.
Ces systèmes reposent sur la modélisation statistique et l’analyse prédictive, plutôt que sur l’IA générative. Le jugement professionnel demeure au cœur du processus, mais les sources d’information ont considérablement évolué.
Les décisions concernant les collections, autrefois fondées principalement sur l’expérience des professionnels et sur des rapports d’usage limités, s’appuient désormais sur l’analyse de données à grande échelle et sur la modélisation des tendances, à partir de jeux de données beaucoup plus étendus.
Intelligence opérationnelle
Les grands réseaux de bibliothèques gèrent des centaines de points de service et d’équipements répartis sur plusieurs sites.
Le suivi des performances et la production de rapports ont longtemps mobilisé beaucoup de temps pour le personnel, tout en offrant une visibilité limitée à l’échelle de l’ensemble des sites.
Les interfaces de requête en langage naturel — souvent assistées par l’IA — intégrées aux plateformes d’analyse permettent désormais au personnel d’interroger les données opérationnelles en langage courant et de générer des tableaux de bord sans soutien technique.
Des outils tels que libraryConnect LINK mettent en évidence les tendances d’utilisation et les indicateurs de performance comparatifs directement à partir des données des systèmes en temps réel, offrant aux responsables une vision plus claire des opérations, sans alourdir la charge de reporting.
Avec libraryConnect LINK, les bibliothécaires posent leurs questions en langage courant et obtiennent immédiatement des tableaux de bord visuels sur l’usage et la performance des services.
Évolution des rôles
L’automatisation et l’intelligence artificielle prennent de plus en plus en charge les tâches routinières, tout en renforçant la demande pour des activités stratégiques, éthiques et relationnelles (Cox, 2023 ; ACRL, 2025).
Les questions fréquentes, les renouvellements simples et la génération de métadonnées sont de plus en plus automatisés.
À l’inverse, la sélection et la mise en valeur des contenus, la médiation éthique et la formation à la culture numérique et informationnelle deviennent des dimensions centrales du métier.
Cette transition n’est toutefois pas uniforme. Une étude menée auprès de bibliothécaires universitaires dans quatre pays arabes montre que le style de leadership prédit l’adoption de l’IA de manière plus fiable que la formation technique (Shal, Ghamrawi & Naccache, 2024).
Le leadership transformationnel, caractérisé par une vision stratégique, l’ouverture à l’innovation et la motivation des équipes, influence de manière significative la façon dont le personnel perçoit l’utilité et la facilité d’utilisation des outils d’IA.
À l’inverse, le leadership transactionnel n’a montré aucun effet mesurable. Le modèle expliquait plus de 94 % de la variance dans la réceptivité du personnel. L’implication est structurelle.
Les institutions qui souhaitent réussir la mise en œuvre de l’IA doivent investir non seulement dans la formation technique, mais aussi dans le développement des capacités de leadership. Les outils peuvent être introduits rapidement. La préparation culturelle, en revanche, se construit plus lentement.
Le rôle ne disparaît pas. Il évolue. L’ampleur et l’efficacité de cette évolution dépendent largement du leadership institutionnel.
La culture de l’IA comme compétence professionnelle
Le rapport The Pulse of the Library 2025 confirme cette tendance. Parmi les bibliothèques où la culture de l’IA fait partie de la formation ou du parcours d’intégration du personnel, 28 % se situent déjà à un niveau de mise en œuvre modéré ou actif, contre seulement 8 % dans les institutions où l’IA fait l’objet de peu ou pas d’attention au niveau institutionnel.
La relation entre le développement structuré des compétences et l’adoption de l’IA semble se vérifier quel que soit le type d’établissement. Les ACRL AI Competencies for Academic Library Workers, approuvées en octobre 2025, formalisent cette évolution au niveau professionnel.
Ce cadre définit quatre domaines de compétence : l’éthique, les connaissances, l’évaluation et l’application. La culture de l’IA y est présentée non pas comme une compétence technique supplémentaire, mais comme une nouvelle manière pour les professionnels de l’information d’interagir avec les systèmes de connaissance.
Les recherches de Kautonen et Gasparini (2024) mettent en évidence un écart structurel récurrent. De nombreuses bibliothèques confient les compétences liées à l’IA à une seule unité opérationnelle ou élaborent des politiques sans les intégrer pleinement dans les pratiques quotidiennes.
Leur étude menée auprès de professionnels des bibliothèques en Scandinavie montre que les approches globales — combinant formation de base, expérimentation pratique et échanges entre départements — obtiennent systématiquement de meilleurs résultats que les modèles de formation cloisonnés.
Dans un cas étudié, des ateliers destinés au personnel ont conduit directement à la création d’un cours sur l’IA à destination des usagers de la bibliothèque.
L’accès aux outils est rarement ce qui freine les bibliothèques. Ce qui limite plus souvent l’adoption de l’IA, c’est l’absence de structures institutionnelles — du temps, une marge d’initiative et un soutien entre services — permettant au personnel d’expérimenter, d’apprendre de ses erreurs et de développer un véritable jugement sur le moment et la manière d’utiliser ces systèmes.
À mesure que l’IA automatise les tâches courantes, les bibliothécaires se concentrent sur la stratégie, l’éthique et la culture numérique et informationnelle.
Et maintenant ?
La prochaine phase de l’IA dans les bibliothèques s’organise autour de trois rôles distincts : les bibliothèques comme acteurs de formation, aidant les usagers à comprendre et à utiliser l’IA de manière critique ; comme plateformes de personnalisation, capables d’anticiper les besoins des usagers ; et comme partenaires actifs dans le processus de recherche.
Chacun de ces rôles marque une évolution significative dans la manière dont les bibliothèques définissent leur valeur.
Les bibliothèques comme acteurs de la formation à l’IA.
S’il est un rôle émergent qui distingue la bibliothèque de tout autre point d’accès à l’information, c’est sa capacité à apprendre aux usagers à interagir avec l’IA de manière critique.
Les plateformes commerciales ont intérêt à ce que les utilisateurs fassent confiance sans remettre en question. Les bibliothèques, au contraire, ont historiquement pour mission d’encourager l’esprit critique.
Guides pour utiliser l’IA générative de manière responsable, ateliers pour détecter la désinformation produite par l’IA, formations pour évaluer des sources synthétiques : telles sont les nouvelles formes de maîtrise de l’information que les bibliothèques développent aujourd’hui.
L’Université de Leeds, par exemple, a lancé une initiative globale de transformation numérique alignée sur sa vision Knowledge for All 2030, dans laquelle la culture numérique et la culture de l’IA constituent une priorité stratégique centrale.
La personnalisation à grande échelle
L’idée d’une bibliothèque capable d’anticiper ce qu’un usager pourrait souhaiter lire ensuite, d’adapter la présentation de l’information aux styles d’apprentissage individuels et de mettre en avant des ressources avant même que l’usager ne sache qu’il doit les chercher est désormais techniquement à portée de main.
La tension est simple. Une personnalisation poussée nécessite des données approfondies. Or, les données détaillées sur les habitudes de lecture sont précisément celles que les bibliothèques ont historiquement refusé de collecter.
La manière dont les institutions parviendront à équilibrer personnalisation et protection de la vie privée sera l’une des questions déterminantes de la prochaine décennie.
L’IA comme partenaire de recherche.
Dans les bibliothèques universitaires et de recherche, l’IA s’intègre progressivement au processus scientifique lui-même.
Les revues de littérature automatisées, l’identification des lacunes de la recherche, l’analyse des tendances à partir de vastes ensembles de publications et les suggestions méthodologiques fondées sur des schémas observés dans les travaux antérieurs font désormais de plus en plus partie de la manière dont les chercheurs travaillent.
Dans ce contexte, le rôle du bibliothécaire universitaire évolue vers un partenariat méthodologique : il ne s’agit plus seulement de savoir où se trouve l’information, mais aussi de comprendre comment les algorithmes influencent ce que les chercheurs trouvent, les questions qu’ils envisagent de poser et les perspectives qui sont mises en avant — ou, au contraire, ignorées.
Des bibliothèques comme la New York Public Library intègrent désormais la culture de l’IA dans leurs ateliers et leurs initiatives de formation numérique.
Conclusion
L’intelligence artificielle n’est pas arrivée dans les bibliothèques comme une rupture extérieure. Elle s’inscrit dans une trajectoire de plusieurs décennies d’automatisation progressive, chaque étape élargissant les capacités des systèmes tout en soulevant de nouvelles questions sur le rôle que les institutions doivent jouer.
Ce qui distingue la phase actuelle est l’ampleur et la capacité d’interprétation des systèmes. L’IA et les systèmes algorithmiques avancés influencent désormais la manière dont l’information est découverte, consultée et évaluée.
Pour les usagers, cela se traduit souvent par des services plus rapides et plus accessibles. Pour les professionnels, cela signifie moins de temps consacré aux tâches répétitives et davantage de temps dédié aux activités nécessitant analyse et jugement.
À mesure que les systèmes d’IA gagnent en capacité, le besoin de supervision humaine et d’expertise contextuelle augmente lui aussi.
Les bibliothèques qui ont commencé par identifier un problème précis à résoudre — réduire le temps consacré au catalogage, étendre les horaires de service ou améliorer la découverte des ressources — progressent de manière plus réfléchie que celles qui sont parties de la technologie elle-même.
Avec plus de 100 pays déjà engagés à différents stades de l’adoption de l’IA, le secteur ne débat plus de la nécessité de s’y engager.
L’enjeu consiste désormais à développer les capacités institutionnelles nécessaires pour le faire de manière efficace.
Références clés
Le domaine a progressivement élaboré un ensemble de documents de référence essentiels que tout professionnel des bibliothèques travaillant avec l’IA devrait connaître.
Les documents suivants sont classés par domaine.
Éthique et positionnement institutionnel
ACRL — AI Competencies for Academic Library Workers (2025)
Un cadre de compétences définissant ce que les professionnels des bibliothèques doivent connaître à propos de l’IA, de l’usage de base à l’évaluation critique et au plaidoyer.
Approuvé par le Conseil d’administration de l’ACRL en octobre 2025.
ARL — Principes directeurs pour l’intelligence artificielle (2024)
Principes d’orientation destinés aux bibliothèques de recherche aux États-Unis. Le document aborde la gouvernance, l’équité algorithmique et le rôle du bibliothécaire en tant que médiateur responsable.
IFLA — Déclaration sur les bibliothèques et l’intelligence artificielle (2020)
Document éthique fondamental pour les bibliothèques qui s’engagent dans l’usage de l’IA. Il définit des principes liés à la liberté intellectuelle, la protection de la vie privée, l’équité et la transparence. Il constitue un point de départ essentiel pour l’élaboration de toute politique interne.
Découverte, recherche et intelligence opérationnelle
Bibliotheca — libraryConnect LINK (fonctionnalités basées sur l’IA) Une intelligence opérationnelle fondée sur l’IA, intégrée à LINK. Le personnel peut poser des questions en langage naturel sur les données d’utilisation et les équipements, et obtenir des tableaux de bord visuels ainsi que des rapports comparatifs, afin de soutenir la planification fondée sur les données et le pilotage des systèmes.
EBSCO — AI Insights: Library Research Platforms
Résultats issus du programme pilote d’IA d’EBSCO, comprenant des données sur la recherche en langage naturel, les résumés générés pour chaque document et l’amélioration de l’efficacité de la recherche.
Ex Libris — Primo Research Assistant
Un assistant d’IA générative intégré à Primo.
Un exemple concret de la manière dont l’IA peut être intégrée aux outils de découverte déjà utilisés dans les bibliothèques universitaires.
NISO ODI — IA générative et découverte à l’échelle du web (2025)
Ce document analyse les tensions et les attentes que l’IA générative suscite dans les systèmes de découverte.
La NISO considère que le moment actuel représente une rupture comparable à l’arrivée des outils de découverte à l’échelle du web autour de 2010.
Implémentation
ALA — Élaborer des politiques sur l’IA générative : guide pour les bibliothèques publiques et universitaires
Un guide pratique pour élaborer des politiques relatives à l’usage de l’IA générative. Il aborde notamment le périmètre d’utilisation, la protection des données, la communication avec les usagers et les processus de révision et de suivi.
OCLC / University of Calgary — Mise en place d’un chatbot de référence basé sur l’IA (Hanging Together, 2024) L’un des retours d’expérience les plus détaillés disponibles sur la mise en œuvre d’un chatbot de référence dans une bibliothèque universitaire. Le document aborde les enseignements tirés du projet, les protocoles d’escalade vers le personnel et les méthodes permettant d’évaluer le succès du dispositif.
PCC (Library of Congress) — Groupe de travail sur l’IA et l’apprentissage automatique pour le catalogage et les métadonnées — Rapport final
Le rapport officiel sur l’intégration de l’intelligence artificielle et de l’apprentissage automatique dans les processus de catalogage et de gestion des métadonnées aux États-Unis.
Il propose une perspective institutionnelle et normative, notamment en matière de standards et de pratiques professionnelles.
Références
Aharony, N., & Ben-Baruch, G. (2019). Chatbots in academic libraries: An exploratory study [Les chatbots dans les bibliothèques universitaires : une étude exploratoire]. Journal of Academic Librarianship, 45(6), 102113.
Association des bibliothèques universitaires et de recherche (2025). Compétences en IA pour les professionnels des bibliothèques universitaires
Bibliotheca. (2001). The Tattler (Winter 2001).
Borgman, C. L. (1996). Why are online catalogs still hard to use? Journal of the American Society for Information Science.
Breeding, M. (2009). Next-generation library catalogs.
Breeding, M. (2015). Library services platforms.
Chauhan, S. P. S. (2024). Enhancing accessibility in special libraries.
Clarivate. (2025). Pulse of the Library 2025 report.
Cox, A. M. (2023). How libraries can respond to generative AI.
Cox, A. M., & Mazumdar, S. (2024). Defining artificial intelligence for librarians. Journal of Librarianship and Information Science, 56(2), 330–340.
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20(1).
Haider, J., & Sundin, O. (2019). Invisible search and online search engines: The ubiquity of search in everyday life. Routledge.
Kautonen, H., & Gasparini, A. A. (2024). B-Wheel: Building AI competences in academic libraries. Journal of Academic Librarianship, 50(3).
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT.
Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval.
National Information Standards Organization. (2012). 50 years of MARC.
Rosenheck, J. (1997). The development of the Online Computer Library Center.
Shal, T., Ghamrawi, N., & Naccache, H. (2024). Leadership styles and AI acceptance in academic libraries in higher education. The Journal of Academic Librarianship, 50(2), Article 102849.
Tedd, L. A. (2007). The use of barcodes in libraries.
Faites passer le mot
Vous aimerez peut-être aussi
Perspectives et tendances
RFID en bibliothèque : quelle fréquence choisir entre la HF et la UHF ?
La RFID transforme la gestion des bibliothèques, mais le choix entre HF et UHF dépend avant tout de votre bâtiment et de vos usages : les deux technologies offrent les mêmes fonctionnalités, à condition d’être adaptées à votre environnement.
open+ à Saint-Genis-Laval : plus d’horaires, plus de confiance, plus d’usagers
À Saint-Genis-Laval, la médiathèque B612 ouvre plus longtemps grâce à open+ de Bibliotheca. Un projet fondé sur l’autonomie et la confiance des usagers.
Nous serons au 54e congrès de l’ADBU – Stand n°15
ADBU Nantes (1–3 oct.) — Stand 15. Au programme : nouveaux automates prêt-retour, extension des horaires et services hors les murs.