Il y a quelques jours, j'ai lu un article universitaire qui m'a immédiatement rappelé mon ancien projet AbShaper ( https://www.linkedin.com/pulse/o-efeito-abshaper-verdade-inconveniente-sobre-projetos-deivid-bitti-wyzuf ). Des chercheurs d'universités renommées ont découvert ce que nous, en première ligne des projets d'IA, soupçonnions déjà : il existe un obstacle invisible qui pousse les géants de la tech à construire littéralement des centrales nucléaires pour tenter de le franchir.
Les mathématiques brutales de la réalité
L'étude a révélé des chiffres à faire pâlir d'envie n'importe quel directeur financier : pour améliorer les performances d'un LLM de seulement 10 %, il faudrait multiplier la puissance de calcul par 10 milliards . Oui, vous avez bien lu. Pas par 10 ni par 100. C'est 10 000 000 000.
C'est comme si quelqu'un vous disait : « Écoutez, pour obtenir 10 % d'abdos en plus avec l'AbShaper, il vous faudra faire non pas 100, mais 10 milliards de répétitions. » À ce stade, même l'acheteur le plus optimiste jetterait l'éponge.
Le parallèle avec notre réalité commerciale
Chez Flexa Cloud , après avoir mené à bien des centaines de projets, je constate que ce schéma se répète d'une manière moins spectaculaire, mais tout aussi révélatrice :
- Projet A:Le client a investi 500 200 R$ en espérant un retour sur investissement de 15 %. Résultat réel ? XNUMX % (toujours positif, mais loin des attentes).
- Projet B:Nous avons augmenté la taille du jeu de données de 100 Go à 1 To. Amélioration de la précision ? De 82 % à 84 %.
- Projet C:Nous avons triplé la puissance de calcul. Réduction du temps de réponse ? 20 %.
La leçon à retenir ? Plus n'est pas toujours mieux . Parfois, c'est juste plus cher.
Le syndrome « GPT-4.5 va tout résoudre »
Récemment, un client est venu me voir et m'a dit : « David, quand GPT-5 sortira, nos problèmes seront terminés, n'est-ce pas ? » J'ai dû avoir la même conversation difficile que j'avais eue avec moi à 16 ans à propos d'AbShaper.
Le GPT-4.5 coûte 30 fois plus cher à utiliser que le GPT-4. Les améliorations ? Marginales pour les tâches quantitatives. C'est comme acheter un appareil de musculation abdominale AbShaper Pro Max Titanium Edition à 3 000 R$ alors que le vrai problème, c'est qu'on n'a pas envie de faire des abdos.
Les vérités auxquelles nous devons faire face
1. Le problème des corrélations erronées
L'article a révélé quelque chose de fascinant : plus l'ensemble de données est volumineux, plus il génère de « données statistiques erronées ». C'est comme faire 10.000 XNUMX abdominaux de manière incorrecte : on n'obtient pas de tablettes de chocolat, on a mal au dos.
Lors d'un projet récent, nous avons découvert que notre modèle avait « appris » que les ventes augmentaient lorsqu'il pleuvait. Pourquoi ? Parce que, par hasard, dans les données d'entraînement, les jours de pluie coïncidaient avec les ventes. Corrélation ? Oui. Causalité ? Zéro.
2. La loi des rendements décroissants est implacable
- Doublement des données = amélioration de 7 à 9 %
- Double traitement = 5 % d'amélioration
- Double investissement = la moitié du retour sur investissement attendu
3. L'énergie n'est pas infinie
Les géants de la technologie rouvrent littéralement les centrales nucléaires. Pendant ce temps, nos cerveaux fonctionnent avec 20 watts, soit moins qu'une ampoule LED. Il y a quelque chose de fondamentalement faux dans cette équation.
Ce qui fonctionne vraiment (Spoiler : ce n'est pas de la magie)
Après tous ces projets, j'ai identifié ce qui fait vraiment bouger les choses :
1. Spécificité plutôt que généralité
Au lieu de chercher à créer un « modèle qui résout tout », nous avons créé un « modèle qui résout VOTRE problème spécifique ». Un client a réduit son temps de service de 40 % grâce à un modèle formé uniquement sur SES tickets, et non sur l'ensemble des connaissances disponibles sur Internet.
2. Intelligence hybride
Le meilleur projet que nous avons livré combinait :
- IA pour le dépistage initial (précision de 90 %)
- Humains pour les cas complexes (10% des cas)
- Boucle de rétroaction continue
Résultat ? 99.5 % de précision finale avec 70 % de coût en moins.
3. Qualité des données > Quantité des données
Un jeu de données propre de 1 Go surpasse un jeu de données désordonné de 1 To. À chaque fois. Sans exception.
La conversation difficile avec le client
Aujourd'hui, lorsqu'un client arrive enthousiasmé par les « possibilités infinies de l'IA », je fais une présentation que j'appelle le « Moment de Réalité » :
Diapositive 1 : « Oui, l’IA est transformatrice » Diapositive 2 : « Non, elle ne fera pas de miracles » Diapositive 3 : « Voici le vrai travail à accomplir » Diapositive 4 : « Voici des résultats réalistes » Diapositive 5 : « Toujours intéressé(e) ? »
Étonnamment, les clients qui restent après cette conversation sont ceux qui obtiennent les meilleurs résultats.
La voie durable
L’avenir ne réside pas dans des modèles toujours plus grands, mais dans :
- Compréhension approfondie du problème Avant de choisir l'outil, comprenez les processus de cartographie du travail, pas les technologies
- Solutions Sob Medida Un petit modèle bien instrumenté > modèle géant générique Concentrez-vous sur votre cas d'utilisation spécifique
- Des attentes réalistes Un retour sur investissement de 10 à 20 % la première année, c'est EXCELLENT Amélioration continue > révolution instantanée
- Investissement intelligent Investissez dans la qualité des données, plutôt que dans leur quantité. Investissez dans des personnes qui comprennent l'entreprise ET la technologie.
Conclusion : l'AbShaper est toujours là
Mon AbShaper trône toujours dans le grenier de ma mère, me rappelant chaque jour qu'il n'y a rien de gratuit. Des chercheurs ont confirmé mathématiquement ce que l'expérience nous a déjà appris : grimper sans fin n'est pas la solution.
La véritable intelligence, artificielle ou non, consiste à reconnaître ses limites et à travailler plus intelligemment à leur encontre. Nous n'avons pas besoin de centrales nucléaires. Nous avons besoin de clarté sur les problèmes que nous souhaitons résoudre et d'une volonté de travailler dur.
Comment envisagez-vous vos projets d'IA différemment ? Recherchez-vous le meilleur modèle ou élaborez-vous la solution idéale pour votre problème spécifique ?
Rejoignez certains de nos clients, tels que Voith Group , FEBRABAN , Dengo Chocolates , Grupo ADCOS , GE HealthCare et bien d'autres, et inscrivez-vous à un programme d'immersion en IA pour cadres afin de découvrir comment nous transformons réellement les idées en projets avec des retours sur investissement concrets et mesurables.
L'étude de cas Febraban qui a été lancée lors de FEBRABAN TECH.
Lien vers l'article : https://arxiv.org/pdf/2507.19703
