Quand on fait défiler LinkedIn ou qu'on lit la presse tech aujourd'hui, on pourrait croire que l'utopie de l'IA est déjà une réalité. Chaque jour, un nouvel outil d'IA ou la « version x » d'un outil existant est promené sur la place du village numérique : il décuplerait notre productivité, nous débarrasserait des corvées et, au passage, nous pondrait un poème à la manière de Goethe.
La réalité est moins glamour : nous sommes coincés dans une gigantesque boucle infinie de Proof of Concept. Beaucoup de systèmes sont encore techniquement immatures, beaucoup de produits ont pris le mauvais virage dès la conception, et nous sommes tous devenus, presque toujours sans qu'on nous demande notre avis, les participants d'un bêta-test mondial.
Comment en est-on arrivé là ?
L'héritage de la « Social IT » : Move fast, break things (and let the user fix it)
Pour comprendre pourquoi les outils d'IA actuels paraissent si souvent immatures, il faut regarder qui les construit. Les géants de la tech et les startups de la Silicon Valley sont désormais culturellement enracinés dans le paradigme de la « Social IT » des quinze dernières années : l'ère du Web 2.0, des applis mobiles et des réseaux sociaux.
Le mantra dominant de cette époque : « Ship it and see what happens ». On balance sur le marché un logiciel inachevé, on lui donne un nom ronflant comme « Copilot » ou « Opus », on y ajoute un peu de gamification et on utilise des millions de consommateurs comme contrôle qualité bénévole. Si une appli de filtres photo plante, l'utilisateur passe simplement à autre chose. Personne n'est blessé, aucune chaîne d'approvisionnement ne s'effondre.
Aujourd'hui, même des éditeurs de logiciels « professionnels » comme Microsoft appliquent exactement la même logique grand public à l'intelligence artificielle, une technologie qui transforme les fondations de notre future infrastructure industrielle et économique. Les outils d'IA sont actuellement développés et jetés sur le marché comme la prochaine appli de rencontre.
La collision frontale : « The Great IT Divide »
Cette approche « Social IT » désinvolte percute de plein fouet la dure réalité du monde de l'entreprise. Comme je l'ai décrit en détail dans mon article
Le grand IT-Divide : pourquoi l'adoption de l'IA échoue en entrepriseL'innovation IT est passée des outils métiers aux technologies sociales, donnant naissance à deux mondes IT distincts : la Business-IT (conformité, efficacité) et la Social-IT (interaction sociale). Comprendre cette fracture est essentiel pour l'adoption en entreprise et explique pourquoi les organisations peinent à intégrer l'IA.DocIsInDaHouse
, nous observons sans cesse ce fossé fondamental :
D'un côté, il y a l'informatique d'entreprise traditionnelle. Elle est déterministe. Elle exige 100 % de sécurité, de conformité, de prévisibilité et des métriques de ROI solides. Un ERP n'a pas le droit d'être « créatif ». De l'autre côté, il y a le nouveau monde de l'IA : probabiliste (fondé sur des probabilités), expérimental, et qui hallucine volontiers des faits quand il ne connaît pas la réponse.
Et pourtant, on essaie de vendre au service conformité un chatbot probabiliste qui invente des chiffres de temps en temps comme nouvelle colonne vertébrale de la comptabilité. Spoiler : ça ne marche pas.
La fuite dans le piège du PoC
Parce que ces deux mondes ne s'emboîtent pas et que, dans bien des cas, l'IA ne remplit pas encore les exigences strictes de « Production Readiness » du secteur entreprise (scalabilité, protection des données, fiabilité sous charge, etc.), l'industrie tech se réfugie dans les « Proof of Concepts » (PoCs).
Un PoC est par définition un espace protégé. Il montre que quelque chose est possible en principe : dans des conditions contrôlées, avec des données triées sur le volet, sans charge réelle, sans dégâts réels. Le problème commence quand les PoCs deviennent un état permanent.
Nous avons aujourd'hui des milliers de ces prototypes impressionnants, mais quasiment aucun outil robuste auquel on confierait les yeux fermés ses propres comptes annuels.
Le court-circuit conceptuel : l'IA n'est (le plus souvent) pas un produit
Pour que ces PoCs soient tout simplement commercialisables, la branche masque souvent un défaut de conception : l'IA est vendue comme un produit autonome, alors que dans de nombreux scénarios, elle relève plutôt d'une capacité d'infrastructure, une fonctionnalité qui a sa place dans les systèmes existants.
Au lieu d'accepter que l'IA devrait en réalité être une « fonctionnalité » profondément intégrée en arrière-plan de nos outils existants (dans le client mail, dans le système d'exploitation, dans le CRM), des légions de startups tentent de construire des « produits » autonomes. Elles posent une jolie interface web (un wrapper) par-dessus l'API de ChatGPT et nous demandent de quitter nos workflows habituels, d'ouvrir 50 nouveaux onglets et de copier-coller nos données d'entreprise dans leurs solutions bancales.
Ce n'est pas de la disruption, c'est de l'occupationnel.
Félicitations, vous êtes le cobaye !
Et c'est précisément là que la boucle se referme. Parce que les produits sont encore immatures pour un vrai usage en entreprise et qu'ils sont lancés à tort comme des produits grand public (« Social IT »), il ne reste aux géants de la tech qu'une issue : faire de nous des cobayes.
Comme les product managers eux-mêmes ne savent souvent pas exactement où se trouve le vrai Product-Market-Fit, ils balancent tout simplement leurs produits par-dessus la clôture et regardent ce que nous en faisons.
Ce que nous vivons aujourd'hui, c'est une gigantesque externalisation du développement produit :
- Nous entraînons : nous payons des abonnements pour nourrir leurs modèles avec nos données.
- Nous évaluons : chaque pouce levé ou baissé, c'est du RLHF (Reinforcement Learning from Human Feedback) gratuit pour l'entraînement de leur IA.
- Nous compensons : nous apprenons le « prompt engineering » pour pallier les faiblesses de modèles immatures. Nous écrivons des choses comme « Tu es un expert, respire profondément et réfléchis étape par étape », comme si nous faisions la thérapie d'un stagiaire débordé.
Le comble : ce privilège, nous le payons en plus.
La date de péremption de nos « compétences IA » actuelles
Mauvaise nouvelle pour tous ceux qui se profilent en ce moment comme « chuchoteurs de prompts » : cette compétence a la date de péremption du lait frais. Et au bout du compte, elle est tout aussi probabiliste que le LLM qu'on nourrit avec.
Dans la bulle actuelle, on oublie volontiers que nous ne sommes qu'au tout début d'un cycle d'innovation technologique : nous en sommes en quelque sorte à la phase MS-DOS de l'intelligence artificielle. Les cycles de développement sont actuellement si courts et si volatils que les fondations sur lesquelles nous voulons bâtir aujourd'hui bougent presque chaque semaine.
Il suffit de regarder l'exemple d'OpenClaw pour comprendre à quel point ce marché peut être imprévisible et disruptif. Pendant que des légions de product managers grassement payés chez Microsoft, Google ou OpenAI se démènent pour comprendre ce qu'on peut bien faire des capacités brutes des LLM, la vraie disruption se produit à la marge. Un développeur isolé bricole, pour ainsi dire sur ses week-ends, un Proof of Concept innovant, et soudain, tout est chamboulé.
OpenClaw a montré de manière spectaculaire comment une idée simple peut renverser du jour au lendemain la façon dont l'IA opère en tant qu'agent et interagit avec les systèmes. Les géants de la tech manient certes des milliards, mais ils sont souvent tout simplement trop peu créatifs ou trop enfermés dans leurs habitudes pour imaginer de vrais nouveaux concepts d'interaction. Nous connaîtrons très probablement encore quelques surprises de ce genre dans les années à venir. Le prochain OpenClaw attend peut-être déjà dans un quelconque dépôt GitHub de rendre totalement obsolètes, dès demain, les workflows IA que nous avons péniblement appris aujourd'hui.
Quand l'industrie sera enfin prête à sortir de la phase PoC et à intégrer l'IA comme fonctionnalité « Production Ready » dans nos systèmes d'exploitation, beaucoup des outils wrappers d'aujourd'hui seront tout simplement balayés. L'IA de demain comprendra notre contexte automatiquement, sans formules magiques d'incantation de prompts.
Et tout ce que nous acquérons péniblement aujourd'hui en tant que cobayes, nous pourrons alors tranquillement le jeter par-dessus bord. J'en parle d'expérience : je me suis donné très tôt la peine d'évaluer ces outils et d'apprendre leurs particularités, pour constater six mois plus tard qu'après des mises à jour silencieuses, ils fonctionnaient soudain de façon complètement différente. Sans même parler de l'« enshittification » rampante de nombreux produits (devenue, hélas, une trajectoire très typique de la « Social IT »).
Conclusion : sortir du labo, s'attaquer aux fondations
Alors, que faire en attendant ?
D'abord : couper ce FOMO (Fear Of Missing Out) permanent. Nous ne ratons aucune révolution en ne nous abonnant pas à chaque gadget en bêta.
Plutôt que de nous épuiser comme testeurs bénévoles dans le cirque de la Silicon Valley et de forcer des PoCs à moitié finis dans notre « IT métier », nous devrions observer tout ce vacarme du hype avec plus de sérénité.
Si nous voulons intégrer l'IA durablement et intelligemment, nous devons concentrer notre attention sur les trois véritables innovations fondamentales que ces outils apportent réellement :
- Dompter le chaos : nous disposons enfin d'un outil pour extraire et structurer des informations fiables à partir de quantités gigantesques de données non structurées. Nous pouvons transformer du texte en données exploitables.
- Passer le volume à l'échelle (génération de contenu) : les LLM sont de formidables machines de synthèse. La capacité à générer en quelques secondes, à partir de consignes et de données, de nouveaux textes, images, concepts, résumés ou briques de code réduit drastiquement le coût et l'effort de création de contenu.
- Le langage naturel comme interface : plus besoin d'apprendre des menus logiciels complexes ou des syntaxes de programmation. La machine comprend notre langue. Cela rend la technologie radicalement plus accessible et plus simple à utiliser : la machine s'adapte enfin à l'humain, et non l'inverse.
Mais pour pouvoir vraiment exploiter ces trois superpouvoirs au quotidien en entreprise, nous devons faire nos devoirs maintenant : regardez comment vous travaillez réellement et réfléchissez à la manière dont vous pourriez mieux faire grâce à ces innovations. L'interface en langage naturel la plus intelligente ne sert à rien si elle se heurte à des processus dysfonctionnels. Et un mauvais contenu reste un mauvais contenu, même joliment maquillé. Si vous « optimisez » un processus mauvais et inefficace avec l'IA, vous obtenez au final tout simplement un processus mauvais et inefficace, qui tourne juste plus vite. Donc, au lieu de tester 20 outils : choisir 2 ou 3 workflows, améliorer la qualité des données, définir une gouvernance, bâtir une stratégie d'intégration (RAG/agents/automatisation de workflows) qu'on pourra ensuite mettre en production de façon itérative. Autrement dit : créer ses propres POCs, plutôt que de se laisser balader par ceux de l'industrie tech.
Vérifiez vos fondations, côté processus comme côté numérique. Vous serez alors vraiment prêts quand l'IA, d'ici quelques années, aura laissé derrière elle sa gênante puberté « Social IT » et arrivera sur le marché comme un outil sérieux et mature.
-> Vous pouvez bien sûr laisser le labo d'expérimentation aux autres : abonnez-vous à ce blog et/ou recommandez-le. Les lecteurs réguliers auront de toute façon remarqué que cet article n'est rien d'autre qu'une synthèse de nombreuses approches de l'IA que j'ai déjà publiées ici. 😉
