Le battage autour de l’IA s’intensifie, mais dans les coulisses, beaucoup de professionnels du numérique tempèrent l’enthousiasme. À l’approche des trois ans de ChatGPT, la conversation se fissure: d’un côté, des promesses spectaculaires; de l’autre, des voix techniques qui appellent à la prudence, à la mesure et à des usages réellement utiles.
Ce que promettent les dirigeants
Les grands acteurs de la tech annoncent des investissements colossaux dans d’immenses centres de données, et jurent qu’une ère de prospérité inédite s’ouvrira avec des systèmes superintelligents. L’imaginaire dominant? Des agents capables d’automatiser des chaînes de tâches entières, de libérer du temps pour les salariés et d’accélérer la productivité à un niveau jamais vu.
Ces scénarios s’accompagnent d’une vision très centralisée: quelques plateformes géantes concentreraient l’infrastructure, les outils et l’accès aux modèles — un pari coûteux censé être remboursé par des gains d’efficacité massifs plus tard.
Ce que disent les gens du terrain
Sur le terrain, la chanson est différente. De nombreux ingénieurs, chercheurs et product managers estiment que les modèles de langage et outils actuels ont une utilité réelle, mais que la surenchère marketing brouille la recherche de valeur. Selon l’entrepreneur et auteur Anil Dash, une majorité de professionnels techniques partage cette intuition: l’IA est utile, mais survendue et imposée trop vite, au détriment d’une évaluation calme des risques et des bénéfices.
Beaucoup réclament une approche plus sobre: prioriser des cas d’usage ciblés, respecter des engagements de durabilité environnementale, et éviter une dépendance totale à quelques géants. Ils redoutent aussi que les critiques raisonnables soient perçues comme de l’hostilité, alors qu’il s’agit souvent de faire place à des usages pragmatiques.
Un climat de travail sous pression
La période est tendue. Alors que les entreprises doublent la mise sur l’IA, des milliers d’employés ont été licenciés, et certains dirigeants menacent de sanctionner ceux qui n’adhèrent pas sans réserve aux nouvelles feuilles de route. Cette dynamique nourrit un conformisme anxiogène: beaucoup craignent qu’exprimer des doutes, même constructifs, freine leur carrière.
Derrière les slogans, les équipes demandent un cadre de déploiement clair: des objectifs mesurables, des critères de qualité, des garde-fous éthiques et sociaux, et une transparence sur les coûts réels.
Les promesses des “agents” face à la réalité
Même des figures reconnues comme Andrej Karpathy, cofondateur d’OpenAI, appellent à la modération. Selon lui, les agents IA censés réaliser des suites d’actions de manière autonome sont encore loin du compte: ils manquent d’intelligence pratique, de multimodalité suffisante et de véritables capacités d’interaction stable avec les outils informatiques.
Deux limites se détachent:
- la mémoire et la cohérence à long terme, encore fragiles pour des workflows complexes;
- l’autonomie réelle, qui requiert une compréhension fine du contexte et des objectifs.
Karpathy parie sur une collaboration homme–machine: des développeurs épaulés par des systèmes qui accélèrent et fiabilisent le travail, plutôt qu’une substitution totale. Pour surmonter les obstacles techniques, il anticipe un horizon de plusieurs années, voire près d’une décennie.
Le risque de bulle et la question du ROI
L’afflux d’argent dans l’IA, y compris des investissements croisés entre acteurs, alimente l’idée d’une bulle: beaucoup de capital circulerait plus vite que la valeur créée. Pendant ce temps, le secteur brûle du cash à un rythme élevé. Le retour sur investissement reste, pour l’instant, largement hypothétique dans de nombreux cas d’usage génériques.
Le danger? Que la réalité opérationnelle rattrape trop lentement les promesses, fragilisant des plans d’affaires construits sur des anticipations optimistes. D’où l’importance de piloter l’IA par des indicateurs concrets: réduction de coûts observée, qualité, sécurité, satisfaction utilisateur, et impact environnemental.
À retenir
- L’IA est prometteuse, mais sa maturation demande du temps.
- Les gains viennent d’usages ciblés, bien cadrés et mesurés.
- La collaboration entre humains et systèmes reste la voie la plus réaliste à court et moyen terme.
- La durabilité et la décentralisation sont des enjeux clés pour éviter une dépendance excessive et maîtriser les coûts et l’empreinte.
Comment avancer de manière responsable
- Démarrer par des pilotes à petite échelle et mesurer le ROI réel.
- Évaluer l’empreinte carbone des entraînements et inférences, et privilégier des modèles optimisés.
- Documenter les limites des modèles et instaurer des contrôles humains.
- Diversifier les fournisseurs et garder la portabilité des données et des workflows.
FAQ
Quels critères aident à juger si un cas d’usage IA est mûr ?
- Des données propres et suffisantes, un processus bien défini, un risque accepté, des métriques de succès claires (coût, qualité, délai), et une boucle de retour d’expérience pour corriger les dérives.
Comment réduire l’empreinte environnementale d’un projet IA ?
- Choisir des modèles plus petits quand c’est possible, mutualiser l’inférence, utiliser des centres de données à énergie bas-carbone, et mettre en place un suivi de la consommation énergétique par fonctionnalité.
Quelles compétences renforcer chez les équipes ?
- Maîtrise des données (qualité, gouvernance), compréhension des limites des modèles, design de prompts et d’évaluations, intégration sécurisée dans les systèmes, et capacités de pilotage produit.
Comment éviter une dépendance excessive à quelques fournisseurs ?
- Privilégier des standards ouverts, prévoir la portabilité des modèles et des données, utiliser des architectures modulaires et négocier des clauses de sortie dans les contrats.
Quels indicateurs suivre pour un ROI crédible ?
- Coût par transaction avant/après, taux d’erreur, temps de cycle, NPS ou satisfaction, incidents de sécurité, et impact carbone par requête ou par lot traité.
