Kevin Roose, journaliste et auteur de Les Chroniques de l'AGI, affirme que le secteur de l'intelligence artificielle est passé de la simple spéculation sur l'intelligence artificielle générale (AGI) à une organisation de ses activités axée sur sa mise au point. Cette évolution a des implications même pour les entreprises éloignées des laboratoires de pointe : ces mêmes systèmes sont de plus en plus commercialisés comme des outils d'automatisation pratiques, tandis que leurs développeurs continuent de faire des paris coûteux et incertains sur un objectif bien plus ambitieux.
De l'ambition scientifique à la course à la commercialisation
Au cours d'une conversation sur Décodeur, Roose a décrit comment les laboratoires de pointe ont évolué à mesure que les grands modèles linguistiques commençaient à produire des résultats que de nombreux chercheurs considéraient auparavant comme invraisemblables. L’architecture « Transformer », publiée par des chercheurs de Google en 2017, est devenue le fondement des systèmes à la base de ChatGPT et de produits similaires. L’observation centrale de Roose est que la prédiction du token suivant a continué à se généraliser de manière étonnamment efficace, ce qui a encouragé les entreprises à croire qu’une mise à l’échelle supplémentaire pourrait produire des formes d’intelligence plus étendues.
Cette conviction côtoie désormais une réalité commerciale plus conventionnelle. OpenAI, Anthropic et Google ne sont pas seulement des organismes de recherche ; ils s’efforcent également de vendre des logiciels d’entreprise, d’attirer des clients et de financer les coûts considérables liés à l’infrastructure informatique et au personnel. Roose décrit les ventes aux entreprises comme un moyen de maintenir la “ dynamique ” tandis que les entreprises continuent de rechercher des modèles et des agents plus performants.
La tension est palpable. Une entreprise axée sur les marges à court terme pourrait donner la priorité à l’amélioration de l’efficacité de l’inférence, au service des clients existants et à la vente de fonctionnalités fiables. Une entreprise convaincue qu’une avancée majeure en matière de capacités est à portée de main pourrait, au contraire, orienter ses investissements vers l’apprentissage, la puissance de calcul et les systèmes de codage destinés à soutenir un travail autonome à plus long terme. L’article présente cela comme un compromis stratégique, et non comme une formule toute faite pour réussir.
Pourquoi la capacité n'élimine pas la fragilité
L'entretien met également en évidence une distinction persistante entre les démonstrations impressionnantes et une automatisation fiable. Roose se montre optimiste quant à la possibilité que les modèles linguistiques parviennent un jour à l'IA générale (AGI), mais la discussion reconnaît que les systèmes actuels peuvent encore échouer lorsque les tâches sont mal définies, que le retour d'information est ambigu ou que les logiciels environnants ne fournissent aucun moyen clair de détecter une erreur.
Cette limite est particulièrement pertinente pour les entreprises qui adoptent l'automatisation basée sur l'IA. Un modèle peut donner de bons résultats en matière de codage, d'analyse de documents ou d'autres tâches dont les résultats et les critères de vérification sont clairs. Il peut toutefois s'avérer beaucoup moins fiable lorsqu'il doit naviguer sur des sites web hétérogènes, interpréter des processus non documentés ou prendre des décisions sur la base de plusieurs systèmes sans contrôle humain.
Pour les fondateurs, les agences et les équipes opérationnelles, la leçon à retenir n’est pas de choisir entre l’enthousiasme et le rejet. Il s’agit plutôt de faire la distinction entre capacité de fiabilité. Une automatisation peut s'avérer véritablement utile tout en nécessitant néanmoins des points de contrôle, des autorisations, des journaux d'audit, des procédures de secours et une personne chargée de gérer les exceptions.
Ce que cela implique pour les entreprises
- Concevez en fonction de résultats vérifiables. On a davantage confiance dans les automatisations lorsque leur bon fonctionnement peut être vérifié à l'aide de données structurées, de tests, de validations ou d'un rapprochement avec une source de référence.
- Prévoyez un budget pour les opérations, et pas seulement pour l'accès aux modèles. Les frais liés aux API ou aux logiciels ne représentent qu'une partie du coût. Les équipes ont également besoin d'un suivi, d'une maintenance des flux de travail, de contrôles de sécurité et de temps pour gérer les pannes.
- Conservez une certaine souplesse stratégique. Le paysage concurrentiel peut certes favoriser un petit nombre de grands prestataires, mais cet entretien laisse en suspens des questions concernant la tarification, les modèles à poids ouvert, la demande en ressources informatiques et la réglementation. Évitez de baser vos processus critiques sur des hypothèses non vérifiées quant au fournisseur ou au modèle qui s'imposera.
L’argumentation générale de Roose est autant culturelle que technique : une communauté relativement restreinte de chercheurs, de dirigeants et d’investisseurs prend des décisions susceptibles d’avoir de vastes conséquences. Que l’IA générale (AGI) voie le jour ou non dans les délais avancés par ses défenseurs, les entreprises et les décideurs politiques doivent d’ores et déjà faire face à des systèmes de plus en plus performants. La réponse raisonnable n’est ni d’accepter toutes les prévisions du secteur, ni de rejeter d’emblée cette technologie, mais de comprendre dans quels domaines l’automatisation fonctionne, où elle échoue et qui en assume la responsabilité en cas d’échec.
Source : Lire l'article original. Cet article apporte une analyse générale et un contexte pratique au rapport source.
En savoir plus : Vous recherchez des solutions d'automatisation pratiques basées sur l'IA pour votre entreprise ? Rendez-vous sur le Boutique d'automatisation Implementi.ai.
