← Tous les articles

L'IA partout, c'est l'IA nulle part

Sur cette page

Je suis lessivé. Navigateurs IA, fonctions Copilot partout, prises de notes par IA, IA dans mon terminal, IA dans ma recherche. C’est épuisant. Et le pire, c’est que la plupart du temps, ça n’aide pas.

La mode actuelle, qui consiste à saupoudrer de l’IA dans chaque produit, n’aidera personne. Le problème, ce n’est pas que l’IA est mauvaise. C’est que coller des « Copilots » sur tout, avec des nouveaux schémas d’interface compliqués, rend les outils plus durs à comprendre et à utiliser, pas plus faciles. Et sans connaissance solide des outils qu’on utilise, on se retrouve avec plein de gens qui s’agitent dans tous les sens sans comprendre ni utiliser correctement ce qu’ils ont sous les yeux.

La compétence compte toujours

Microsoft vient de lancer le « vibe working » avec le mode Agent d’Excel1. La fonction génère des feuilles de calcul et des modèles financiers complets à partir d’instructions en langage naturel, des calculateurs de prêt aux comptes de résultat. D’après les propres benchmarks de Microsoft, elle atteint 57,2 % de précision sur la suite de tests SpreadsheetBench1.

Pense à ce que ça veut dire. Des modèles financiers faux presque une fois sur deux. Si tu n’as pas les connaissances Excel pour auditer ce qui sort, tu ne verras pas les erreurs.

Ce n’est pas théorique. L’affaire de la « baleine de Londres » chez JPMorgan Chase, en 2012, venait d’un modèle de risque construit sur des feuilles Excel, avec des données copiées-collées à la main2. Une erreur de calcul (une division par la somme au lieu de la moyenne) faisait apparaître les positions deux fois moins risquées qu’elles ne l’étaient. Résultat : 6,2 Md$ de pertes et 920 M$ d’amendes3.

Ou prends l’article d’économie de Reinhart et Rogoff, qui a nourri les politiques d’austérité de plusieurs pays après la crise financière de 20084. Une simple erreur de formule Excel, qui excluait cinq pays du calcul, a transformé leur conclusion : d’une croissance moyenne du PIB de 2,2 %, on est passé à un recul de -0,1 %5. Cette erreur a servi de justification à des mesures d’austérité qui ont fait grimper le chômage au-dessus de 10 % dans la zone euro6.

Le schéma est clair : quand l’IA aide les gens à créer ce qu’ils ne comprennent pas, les résultats peuvent être catastrophiques. Ça vaut autant pour la programmation. Les développeurs qui acceptent du code généré sans comprendre ce qu’il fait, comment il gère les cas limites ou quelles sont ses performances, construiront des systèmes qui marchent en démo et plantent en production.

Quand l’IA marche vraiment

L’IA peut être extrêmement utile. Les réussites ont des points communs.

Les meilleurs exemples viennent de l’imagerie médicale, où l’IA trie les patients en repérant les examens susceptibles de contenir des résultats critiques. Une étude montre un système de détection d’hémorragie intracrânienne sur des scanners cérébraux qui a signalé 94 cas de routine sur 347 comme des urgences, dont 60 vrais positifs, et qui a fait passer le délai de compte rendu de 8,5 heures à 19 minutes7.

Ces systèmes marchent parce que le problème est précis. Il ne s’agit pas de « rendre Excel meilleur », mais de « réduire le temps que les radiologues passent sur la première lecture d’un scanner ». L’humain reste dans la boucle : le radiologue pose le diagnostic, l’IA aide à prioriser. Le succès se mesure. Ça s’intègre au flux de travail existant. Et surtout, ce sont des spécialistes de l’imagerie médicale qui ont construit ces systèmes, avec une vraie connaissance du domaine.

C’est de l’ingénierie sérieuse appliquée à l’IA. Tu trouves un goulot d’étranglement précis où la reconnaissance de motifs aide vraiment, tu construis un système qui s’insère dans les flux existants, tu gardes des humains dans la boucle et tu rends l’impact mesurable.

L’argument pour l’IA partout

Pour être juste, il y a des arguments en faveur d’un déploiement généralisé. Des enquêtes récentes montrent que les salariés qui utilisent l’IA générative économisent 5,4 % de leurs heures de travail7. Des projections économiques estiment que l’IA augmentera le PIB de 1,5 % d’ici 20358. Des études ont trouvé que les outils d’IA améliorent la performance de 66 % en moyenne, avec les plus gros gains pour les utilisateurs les moins qualifiés9.

Les bénéfices théoriques comprennent les effets de réseau (plus d’utilisateurs, de meilleurs modèles), la démocratisation des compétences (aider les travailleurs moins qualifiés) et la découverte par l’expérimentation (impossible de savoir ce qui marche sans essayer).

Mais viser un pourcentage de « productivité » pris au hasard n’a aucun sens. Tu ne peux pas décréter ton organisation « AI native » ou « AI first » et t’attendre à des résultats concrets. L’IA ne peut pas connaître les rouages de ton entreprise, qui repose entièrement sur des comportements humains, de la communication, des relations, des réseaux et de l’intuition.

Une recherche plus complète, portant sur un large éventail de salariés et de tâches, a trouvé que malgré des investissements lourds, les chatbots d’IA avaient un impact modeste et ne faisaient gagner que 2,8 % des heures de travail10. Plus grave, les deux tiers de ce temps gagné étaient réaffectés à des activités sans valeur ajoutée10. Les gains de productivité se traduisaient rarement par de meilleurs salaires.

Il faut comprendre en profondeur comment tes équipes travaillent vraiment avant de te lancer dans l’IA. Pas de grands traits sur la « productivité », mais des flux de travail précis où tu peux viser une amélioration, vérifier qu’elle tient, puis recommencer. Si ça marche, tu passes au prochain fruit à portée de main. Ça, c’est de l’ingénierie. Le reste, c’est du théâtre.

L’argument de la « démocratisation » a un côté plus sombre. Oui, des gains de productivité pour les travailleurs moins qualifiés, ça paraît séduisant. Mais est-ce qu’ils apprennent quelque chose ? Probablement pas. Ils ne se forgent pas une compréhension profonde des comportements humains, de la communication, des relations, des réseaux et de l’intuition dans lesquels évoluent ton entreprise et tes clients. Quand tu réduis l’écart entre qualifiés et non qualifiés en supprimant le besoin de compétences de base, tu n’aides pas les gens à développer une expertise. Tu crées une dépendance à des systèmes qui hallucinent et se trompent. Microsoft a reçu tellement de plaintes sur l’intrusion de Copilot qu’ils ont dû ajouter un bouton pour le désactiver11. Les utilisateurs sentent bien quand l’« aide » les empêche de bien travailler.

Ce qui doit vraiment arriver

Le plus drôle, c’est que ces systèmes ciblés existent depuis des années. La détection de défauts sur les chaînes de production utilise la vision par ordinateur et le machine learning depuis bien avant le cycle de hype actuel12. Les systèmes antifraude de cartes bancaires utilisent des algorithmes de machine learning pour repérer les transactions suspectes en temps réel depuis des décennies13. Ce ne sont pas de nouvelles applications. Ce sont des systèmes éprouvés qui marchent parce qu’ils résolvent des problèmes précis et bien définis.

L’information et les API ne sont pas assez bien ordonnées pour servir à quelque chose, sauf si on les construit en pensant à de vrais usages humains. L’IA ne peut pas remplacer une mauvaise architecture de l’information. Elle peut renforcer la prise de décision et l’influencer, mais l’humain doit rester là : décider comment les systèmes doivent fonctionner, comprendre les avantages et les faiblesses face à la concurrence, savoir quand les résultats sont faux.

Les entreprises qui réussiront avec l’IA ne sont pas celles qui la jettent sur tout. Ce sont celles qui comprennent en profondeur un secteur précis et identifient un goulot d’étranglement clé, qui construisent des solutions ciblées pour ce problème précis, qui intègrent l’IA là où l’ambiguïté n’est pas un cauchemar, qui gardent les systèmes lisibles (on voit ce que fait l’IA et on peut intervenir quand il le faut) et qui rendent la contribution de l’IA mesurable et améliorable.

L’IA peut très bien combler un vide là où la reconnaissance de motifs ou la gestion de l’ambiguïté apporte de la valeur. Mais il ne s’agit pas de fourrer des chatbots ou de nouveaux flux compliqués dans la gorge des utilisateurs. Il s’agit de compléter des processus existants quand ça a du sens.

Balancer de l’IA sur tout pour voir ce qui accroche, c’est une mauvaise idée. Ça donne des fonctionnalités bâclées qui ne servent à rien et, au bout du compte, de mauvaises expériences pour les utilisateurs. Pire, ça salit l’étiquette « IA » elle-même. Quand les utilisateurs tombent encore et encore sur des fonctions d’IA cassées, ils arrêtent de faire confiance à l’IA, même là où elle les aiderait vraiment.

Trouve un goulot d’étranglement précis et résous-le

Je ne cherche pas à tirer sur toutes les solutions d’IA. Certaines seront brillantes sur des choses très précises. Mais elles seront construites par des gens qui comprennent à fond un secteur et ont repéré un vrai goulot d’étranglement que l’IA peut résoudre.

Les systèmes d’IA actuels ne savent toujours pas intégrer les données cliniques ni comparer avec l’imagerie antérieure dans un contexte médical14. Ils fonctionnent en vase clos, incapables de s’intégrer sans friction à une prise en charge pluridisciplinaire14. Ils hallucinent, génèrent de mauvaises réponses et fournissent des informations trompeuses dans 3 % à 10 % des cas15. Ce ne sont pas des problèmes qu’on règle en déployant partout et en croisant les doigts.

La vraie chance de l’IA n’est pas dans l’omniprésence. Elle est dans la précision. Elle est dans la compréhension exacte de l’endroit où ces systèmes apportent de la valeur, et dans des implémentations adaptées à un problème, lisibles dans leur fonctionnement, intégrées aux flux existants, mesurées sur leur impact réel et conçues avec une supervision humaine.

Quand tu mets de l’IA partout, tu la rends moins précieuse là où elle pourrait vraiment aider. Tu apprends aux utilisateurs à se méfier de ses résultats, et tu crées un paysage où les implémentations utiles se noient sous l’AI-washing.

L’IA peut être transformatrice quand c’est bien fait. Mais « bien fait » veut dire des solutions ciblées, mesurées et intégrées, construites par des gens qui comprennent à la fois la technologie et le domaine. Pas des copilots vissés sur tous les produits, que ça ait du sens ou non.

Quand ces systèmes ciblés seront clairement définis et opérationnels, et seulement à ce moment-là, on verra peut-être une évolution vers l’omniprésence que tout le monde poursuit. Mais on n’y est pas. Loin de là.

References

Footnotes

  1. Microsoft 365 Blog. (2025, September 29). Vibe working: Introducing Agent Mode and Office Agent in Microsoft 365 Copilot. ↩ ↩2

  2. JPMorgan Chase & Co. (2013, January 16). Report of JPMorgan Chase & Co. Management Task Force Regarding 2012 CIO Losses. Yale Program on Financial Stability. ↩

  3. Wikipedia. (2025). 2012 JPMorgan Chase trading loss. ↩

  4. Wikipedia. (2025). Growth in a Time of Debt. ↩

  5. Bloomberg. (2013, April 18). FAQ: Reinhart, Rogoff, and the Excel Error That Changed History. ↩

  6. Clinical applications of artificial intelligence in radiology. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC10546456/ ↩

  7. St. Louis Fed. (2025, February 27). The Impact of Generative AI on Work Productivity. ↩ ↩2

  8. Penn Wharton Budget Model. (2025). The Projected Impact of Generative AI on Future Productivity Growth. ↩

  9. Nielsen Norman Group. (2024, January 30). AI Improves Employee Productivity by 66%. ↩

  10. Computerworld. (2025, June 2). AI chatbots deliver minimal productivity gains, study finds. ↩ ↩2

  11. Microsoft Q&A. (2025). How do I stop the annoying copilot thing popping up on Excel, Word, and everywhere else it’s not wanted? ↩

  12. IBM. (2025). How is AI being used in Manufacturing. ↩

  13. IBM. (2025). AI Fraud Detection in Banking. ↩

  14. ScienceDirect. (2024, October 20). AI in radiology: From promise to practice − A guide to effective integration. ↩ ↩2

  15. Shelf. (2024, November 13). How to Prevent Microsoft Copilot Hallucinations. ↩