L’IA a construit les outils. Le plus difficile est de les rendre rentables au travail.

La question après la démonstration

La question la plus importante en intelligence artificielle n’est peut-être plus de savoir si les systèmes sont impressionnants. Il s’agit plutôt de savoir s’ils peuvent produire une valeur économique fiable une fois sortis de la démonstration, du benchmark de code et du deck d’investisseurs. C’est l’argument qui traverse une nouvelle analyse de MIT Technology Review, qui présente le moment actuel de l’IA comme une fantaisie familière en trois étapes : construire la technologie, supposer que le profit suivra, et laisser le milieu difficile sans explication.

Le texte source s’appuie sur une blague bien connue de South Park : « Phase 1 : collecter les slips. Phase 2 : ? Phase 3 : profit. » Dans cette reformulation, l’IA a déjà accompli la première phase en produisant des systèmes puissants, et le secteur promet bruyamment la troisième sous la forme de transformation et de gains économiques. La partie non résolue est la phase 2 : le travail complexe qui consiste à transformer la capacité en valeur routinière au travail.

Ce cadrage fonctionne parce qu’il capture la contradiction au cœur du boom actuel de l’IA. Les modèles peuvent écrire, résumer, classer, générer du code et gérer un ensemble croissant de tâches fondées sur le langage. Pourtant, une capacité impressionnante dans un benchmark ou un pilote ne devient pas automatiquement de la productivité, une expansion des marges ou un retour sur investissement durable au sein d’une organisation réelle.

L’article suggère que même les meilleurs systèmes d’IA, en dehors du code, peinent encore à être économiquement viables dans l’entreprise. Cette distinction est importante. Le codage s’est imposé comme l’un des premiers relais commerciaux les plus solides pour l’IA générative, parce que les résultats sont numériques, les flux de travail sont itératifs et les utilisateurs savent souvent très bien évaluer les résultats. Beaucoup d’autres domaines sont moins indulgents. Les erreurs coûtent plus cher, la supervision est plus lente, les tâches sont moins structurées et l’intégration aux processus existants est plus difficile.

L’analyse cite deux études récentes comme exemples de cet écart. L’une, d’Anthropic, prévoyait quels types d’emplois pourraient être les plus touchés par les grands modèles de langage, en mettant en avant des fonctions comme les managers, les architectes et les professionnels des médias, tout en suggérant un impact moindre pour les jardiniers, les ouvriers du bâtiment et les travailleurs de l’hôtellerie. Mais l’article insiste sur le fait que de telles prédictions restent essentiellement des suppositions sur l’adéquation aux tâches, et non une preuve de performance réelle au travail.

C’est une distinction essentielle. Un modèle peut sembler capable d’aider à une tâche en théorie tout en échouant devant les obstacles pratiques qui déterminent si un employeur le déploiera largement. Parmi ces obstacles figurent la fiabilité, la conformité, le coût de supervision, la confiance des utilisateurs, la refonte des flux de travail et la simple question de savoir si l’utilisation du système est plus rapide ou moins chère que le maintien des méthodes actuelles.

Le même problème plane sur nombre des plus grandes promesses de l’IA. Les dirigeants et les chercheurs peuvent décrire la technologie comme économiquement transformatrice, et ils pourraient avoir raison. Mais une transformation ne compte que lorsque les organisations parviennent à capturer cette valeur de manière répétée en production. Cela signifie que la vraie compétition ne porte peut-être pas sur celui qui possède le modèle le plus avancé. Elle pourrait porter sur celui qui saura définir, opérationnaliser et faire passer à l’échelle la couche intermédiaire manquante entre la sortie du modèle et le résultat économique.

Cette couche peut inclure la refonte des processus, la réglementation, des mécanismes de supervision, des interfaces logicielles, des modèles de tarification, la formation et une meilleure compréhension des situations où l’IA amplifie réellement le travail humain au lieu de le compliquer. Le texte de MIT Technology Review note que différents camps projettent déjà des réponses différentes dans cet espace intermédiaire. Les militants associés à Pause AI considèrent la réglementation comme essentielle. Les promoteurs passent souvent vite sur l’incertitude, parce qu’ils se concentrent davantage sur la destination que sur l’itinéraire.

En réalité, l’itinéraire est l’histoire. Chaque grande vague technologique en entreprise a dépendu de systèmes complémentaires autour de l’outil lui-même. Le tableur comptait, mais les processus d’affaires qui l’ont absorbé aussi. L’internet comptait, mais les paiements, la logistique, les standards et les habitudes des utilisateurs aussi. L’IA suivra probablement le même schéma. Le modèle n’est qu’une partie de la chaîne de valeur.

C’est pourquoi le marché actuel est plein de tension. Les entreprises ont déjà beaucoup dépensé en modèles, en calcul, en intégrations et en pilotes. Elles subissent une forte pression pour montrer que ces dépenses produisent plus que de la nouveauté. Si le cas économique ne reste solide que dans un segment étroit d’applications, alors le chemin entre le battage médiatique et une rentabilité large sera plus lent et plus sélectif que ne le laissent entendre beaucoup de prévisions.

L’étape manquante n’est donc pas un simple détail d’implémentation. C’est le problème commercial central de l’ère de l’IA. Tant que les entreprises ne pourront pas expliquer, preuves à l’appui, comment elles passent d’une possibilité technique à des gains reproductibles au travail, le secteur continuera d’osciller entre avancées réelles et attentes gonflées. L’IA a atteint le point où son défi le plus difficile n’est plus de construire davantage de capacités. C’est de faire en sorte que ces capacités comptent.

Cet article s’appuie sur une enquête de MIT Technology Review. Lire l’article original.