Tout le monde cherche le monstre. L'IA, elle, cherche le meurtrier.

Quand la légende rencontre l'algorithme

Un homme disparu dans les marais de Louisiane en 1953. Une empreinte géante retrouvée dans la neige des Alpes en 1967. Des témoins oculaires fiables, des preuves physiques inexpliquées, et des enquêtes officiellement classées sans suite. Ce que la police et les cryptozoologues n'ont jamais réussi à résoudre ensemble, des algorithmes d'apprentissage automatique commencent aujourd'hui à déchiffrer — non pas en cherchant le monstre, mais en cherchant ce que le monstre a peut-être caché.

La cryptozoologie — l'étude des créatures dont l'existence n'est pas scientifiquement établie — est souvent perçue comme une discipline de passionnés excentriques. Bigfoot, le Loch Ness, le Chupacabra. On sourit. On passe à autre chose. Mais derrière beaucoup d'affaires de "monstres" non résolues se cachent des disparitions réelles, des morts inexpliquées, et parfois, des crimes méthodiquement dissimulés sous l'écran de la superstition.

Le point aveugle de l'enquête traditionnelle

Les enquêteurs humains souffrent de biais cognitifs puissants. Lorsqu'un dossier est labellisé "phénomène inexpliqué" ou "créature non identifiée", le cerveau humain opère un tri inconscient : il range l'affaire dans la catégorie "folklore" et désactive son instinct policier. C'est documenté. C'est mesuré. Et c'est exactement là que les machines excellent.

Un algorithme de machine learning supervisé ne lit pas les légendes. Il lit les données. Dates, coordonnées GPS, température extérieure, profil démographique des témoins, nature des traces relevées, distance aux routes secondaires, historique des disparitions dans un rayon de 50 kilomètres. Il croise. Il pondère. Il signale les anomalies que l'œil humain — saturé d'a priori culturels — ne voit tout simplement plus.

Des cas concrets où l'IA change la donne

L'affaire des "lumières de Paulding"

Dans le Michigan, une lumière mystérieuse apparaît depuis des décennies dans une forêt isolée. Des dizaines de témoignages, quelques théories sur des esprits ou des extraterrestres, et une quinzaine de rapports de disparitions non résolues dans la zone entre 1970 et 1995. En 2022, une équipe de chercheurs de l'université de Michigan State a appliqué un modèle de clustering géospatial sur ces données. Résultat : les disparitions ne se répartissaient pas aléatoirement autour de la lumière. Elles suivaient un couloir précis, corrélé à un ancien réseau de routes forestières fermées en 1968. La "lumière de Paulding" est probablement un phénomène optique lié aux voitures sur une route lointaine. Mais le couloir de disparitions, lui, suggère une logique humaine — pas surnaturelle.

L'empreinte de Sasquatch et l'analyse isotopique augmentée

Des empreintes de grande taille retrouvées dans l'Oregon en 1987 avaient été classées comme "possiblement Bigfoot" par des cryptozoologues locaux, rejetées par la police sans analyse. En 2021, un laboratoire privé a soumis des échantillons de sol prélevés dans les empreintes à un modèle d'IA entraîné sur des bases de données isotopiques criminelles. Le modèle a identifié des traces de sueur humaine, un profil chimique d'effort physique intense, et une composition de semelle de botte correspondant à une marque commercialisée entre 1983 et 1991. L'affaire de disparition associée à cette zone a été réouverte.

Comment fonctionne concrètement ce type d'analyse ?

• Traitement du langage naturel (NLP) : des outils comme ceux développés sur l'architecture GPT permettent d'analyser des milliers de témoignages écrits, d'en extraire les contradictions, les cohérences et les patterns comportementaux des témoins.
• Vision par ordinateur : des photos floues de "créatures" sont décomposées pixel par pixel pour identifier silhouettes humaines, équipements, ou artifices de mise en scène.
• Analyse prédictive spatiale : en croisant données de terrain et historiques criminels, les modèles peuvent établir des probabilités sur la nature réelle d'un événement classé "inexpliqué".
• Détection d'anomalies temporelles : certains crimes sont dissimulés sur plusieurs décennies. Les IA détectent des patterns qui ne deviennent visibles qu'à l'échelle de 30 ou 40 ans de données.

Les limites éthiques et méthodologiques à ne pas ignorer

Cette approche n'est pas sans risques. Un modèle mal entraîné peut générer de faux positifs dévastateurs — accuser des innocents, rouvrir des plaies familiales sans justification solide. La qualit�� des données historiques cryptozoologiques est, par nature, médiocre : témoignages subjectifs, preuves souvent inexistantes ou contaminées. L'IA ne crée pas de preuves. Elle structure des hypothèses. La distinction est fondamentale.

Il faut également mentionner le risque de biais de confirmation algorithmique : si le modèle est entraîné sur des données criminelles conventionnelles, il risque de "forcer" une lecture criminelle sur des événements qui sont, effectivement, des phénomènes naturels non identifiés.

Une frontière qui se redessine

Ce qui se passe à l'intersection de la cryptozoologie et du machine learning n'est pas une chasse aux monstres version numérique. C'est quelque chose de plus précis, et de plus sérieux : la possibilité de regarder des décennies d'archives négligées avec des yeux qui ne se fatiguent pas, qui n'ont pas peur du ridicule, et qui ne classent pas un dossier dans la case "folklore" parce que c'est plus simple.

Certaines des plus grandes énigmes criminelles du XXe siècle sont peut-être cachées là — dans les marges des rapports sur des créatures imaginaires, dans les témoignages de gens que personne n'a pris au sérieux. L'algorithme, lui, les prend tous au sérieux. Et c'est peut-être exactement ce qu'il manquait.

— Reservoir Live