Ces dernières années, le intelligence artificielle générative (Gen AI) L'IA a été la cible d'attentes et de promesses exagérées d'une révolution industrielle transformatrice. Depuis le lancement de ChatGPT, l'idée que l'IA engendrerait des changements majeurs, notamment la perte de 300 millions d'emplois, a été largement relayée. Cependant, 18 mois après le pic de ce battage médiatique, la réalité s'est avérée différente.
Le cycle de battage médiatique autour de l'IA
Comme beaucoup de nouvelles technologies, l'IA générative a suivi un cycle bien connu, appelé le cycle de battage médiatique de Gartner. Ce modèle décrit un processus récurrent où le succès initial d'une technologie engendre des attentes publiques démesurées, finalement déçues. Après le « pic des attentes démesurées », vient le « creux de la désillusion », suivi d'une « pente d'illumination » et, enfin, d'un « plateau de productivité ».
Un rapport Gartner publié en juin 2024 indique que la plupart des technologies d'IA générative atteignent encore, ou presque, le sommet des attentes exagérées. Leur adoption concrète est moins réussie : 80 % des projets d'IA échouent, selon une étude de RAND, soit un taux plus de deux fois supérieur à celui des projets hors IA.
Les limites actuelles de l'IA générative
Les défis auxquels l'IA générative est confrontée sont nombreux, allant des investissements importants requis dans les données et l'infrastructure d'IA à la rareté des talents qualifiés. Cependant, la nature inhabituelle des limites de l'IA générative pose un défi crucial.
Par exemple, les systèmes d'IA générative sont capables de résoudre des tests universitaires complexes, mais échouent sur des tâches simples, comme le démontre l'échec de McDonald's à automatiser les commandes au drive. Cette divergence crée une fausse confiance chez les utilisateurs, qui finissent par utiliser les modèles dans des situations inappropriées.
L'expérience de projets réussis montre qu'il est difficile d'obtenir qu'un modèle génératif suive les instructions avec précision. Khanmigo, le système de tutorat de Khan Academy, en est un exemple : il révèle les bonnes réponses même lorsqu'on lui demande de ne pas le faire.
Pourquoi le battage médiatique n’est-il pas encore terminé ?
Malgré les défis, la technologie de l'IA générative progresse rapidement, principalement grâce à l'échelle et à la taille croissantes des modèles. Les recherches montrent que le nombre de paramètres, la quantité de données et la puissance de calcul utilisée pour l'entraînement contribuent tous à la performance du modèle, tandis que l'architecture du réseau neuronal a un impact minimal.
Les grands modèles de langage présentent également des capacités émergentes inattendues, telles que le raisonnement par analogie et la reproduction d'illusions d'optique, qui apparaissent lorsque les modèles atteignent une taille critique. Les causes de ces avancées sont controversées, mais il existe un consensus sur le fait que les modèles deviennent plus sophistiqués.
Les entreprises d'IA continuent de travailler sur des modèles plus ambitieux et plus coûteux, tandis que des entreprises comme Microsoft et Apple misent sur le retour sur investissement. On estime que l'IA générative devra générer 600 milliards de dollars de chiffre d'affaires annuel pour justifier les investissements actuels, et pourrait atteindre 1 000 milliards de dollars dans les années à venir.
Qu'est-ce que je veux continuer ?
Alors que l'engouement pour l'IA s'estompe et que nous entrons dans une période de désillusion, nous observons des stratégies d'adoption plus réalistes. Les entreprises utilisent l'IA pour soutenir les humains, plutôt que pour les remplacer. Une enquête récente a montré que les entreprises américaines utilisent l'IA principalement pour améliorer leur efficacité (49 %), réduire leurs coûts de main-d'œuvre (47 %) et améliorer la qualité de leurs produits (58 %).
Nous avons également constaté une augmentation des modèles d'IA générative plus petits et moins coûteux, entraînés sur des données spécifiques et déployés localement afin de réduire les coûts et d'optimiser l'efficacité. OpenAI, par exemple, a lancé le modèle GPT-4o Mini pour réduire les coûts et améliorer les performances.
Par ailleurs, l'accent est de plus en plus mis sur la maîtrise de l'IA et la formation des professionnels concernant son fonctionnement, ses capacités et ses limites, ainsi que les bonnes pratiques pour une utilisation éthique de l'IA. Nous devrons apprendre et réapprendre à utiliser différentes technologies d'IA dans les années à venir.
En fin de compte, la révolution de l'IA sera probablement davantage une évolution, se développant progressivement et modifiant et transformant progressivement les activités humaines. Ce qui est sans doute bien mieux que de les remplacer.
