Retour sur le boom de l’IA : une brève histoire

L’essor actuel de l’intelligence artificielle n’a pas commencé avec un chatbot viral fin 2022. Tout a débuté avec un article de recherche publié par des ingénieurs de Google en 2017, intitulé « Attention Is All You Need ». Ce document a introduit l’architecture Transformer, qui a transformé la manière dont les machines traitent le langage humain. Avant cela, les ordinateurs peinaient à maintenir le contexte d’une longue phrase. Ils oubliaient souvent le début d’un paragraphe une fois arrivés à la fin. Le Transformer a corrigé cela en permettant au modèle de pondérer l’importance de différents mots simultanément. Ce changement technique est la raison principale pour laquelle les outils modernes semblent cohérents plutôt que robotiques. Nous vivons actuellement les conséquences à grande échelle de cette décision de s’éloigner du traitement séquentiel. Cette histoire ne concerne pas seulement un meilleur code. Il s’agit d’un changement fondamental dans notre façon d’interagir avec l’information à l’échelle mondiale. Le passage de la recherche de réponses à leur génération a modifié les attentes de base de chaque utilisateur d’Internet aujourd’hui.

Prédiction statistique plutôt que logique

Pour comprendre l’état actuel de la technologie, il faut abandonner l’idée que ces systèmes pensent. Ils ne le font pas. Ce sont des moteurs statistiques massifs qui prédisent le prochain élément d’une séquence. Lorsque vous tapez un prompt, le système consulte ses données d’entraînement pour déterminer quel mot a le plus de chances de suivre votre entrée. C’est un départ par rapport à la programmation basée sur la logique du passé. Dans les décennies précédentes, les logiciels suivaient des règles strictes de type « si-alors ». Si un utilisateur cliquait sur un bouton, le logiciel effectuait une action spécifique. Aujourd’hui, le résultat est probabiliste. Cela signifie qu’une même entrée peut donner des résultats différents selon les réglages du modèle. Ce changement a créé un nouveau type de logiciel flexible, mais aussi sujet à des erreurs qu’une calculatrice traditionnelle ne ferait jamais.

L’échelle de cet entraînement est ce qui donne aux résultats une impression d’intelligence. Les entreprises ont scrappé la quasi-totalité de l’Internet public pour alimenter ces modèles. Cela inclut des livres, des articles, des dépôts de code et des posts de forums. En analysant des milliards de paramètres, les modèles apprennent la structure de la pensée humaine sans jamais comprendre le sens des mots. Ce manque de compréhension explique pourquoi un modèle peut rédiger un mémoire juridique parfait mais échouer devant un simple problème de mathématiques. Il ne calcule pas. Il imite les schémas de personnes ayant déjà fait des mathématiques. Comprendre cette distinction est vital pour quiconque utilise ces outils dans un cadre professionnel. Cela explique pourquoi les systèmes sont si confiants, même lorsqu’ils ont complètement tort.

La course mondiale aux armements pour le silicium

L’impact de ce changement technologique dépasse largement le cadre du logiciel. Il a déclenché une course géopolitique massive pour le matériel. Plus précisément, le monde dépend désormais des unités de traitement graphique (GPU) haut de gamme. Ces puces étaient initialement conçues pour les jeux vidéo, mais leur capacité à effectuer de nombreux petits calculs simultanément les rend parfaites pour l’IA. Une seule entreprise, NVIDIA, joue désormais un rôle central dans l’économie mondiale car elle produit les puces nécessaires à l’entraînement de ces modèles. Les nations traitent désormais ces puces comme du pétrole ou de l’or. Ce sont des actifs stratégiques qui détermineront quels pays mèneront la prochaine décennie de croissance économique.

Cette dépendance a créé un fossé entre ceux qui peuvent s’offrir une puissance de calcul massive et ceux qui ne le peuvent pas. Entraîner un modèle de premier plan coûte désormais des centaines de millions de dollars en électricité et en matériel. Cette barrière à l’entrée élevée signifie que quelques grandes entreprises aux États-Unis et en Chine détiennent la majorité du pouvoir. Cette centralisation de l’influence est une préoccupation majeure pour les régulateurs du monde entier. Elle affecte tout, du stockage des données au coût pour une startup d’accéder à des outils de base. La gravité économique de l’industrie s’est déplacée vers les propriétaires de data centers. C’est un changement significatif par rapport à l’ère du début d’Internet, où une petite équipe pouvait construire un produit de classe mondiale avec un budget limité. En 2026, le coût d’entrée est plus élevé que jamais.

Quand l’abstrait devient le travail de l’après-midi

Pour la plupart des gens, l’histoire de cette technologie est moins importante que son utilité quotidienne. Prenons l’exemple d’une responsable marketing nommée Sarah. Il y a quelques années, sa journée impliquait des heures de recherche manuelle et de rédaction. Elle cherchait des tendances, lisait des dizaines d’articles, puis les synthétisait dans un rapport. Aujourd’hui, son workflow est différent. Elle utilise un modèle pour résumer les principales tendances et rédiger un plan initial. Elle n’est plus une rédactrice. Elle est une éditrice de contenu généré par la machine. Ce changement se produit dans chaque industrie impliquant un clavier. Ce n’est pas seulement une question de vitesse. Il s’agit de la suppression de la page blanche. La machine fournit le premier jet, et l’humain fournit la direction.

Ce changement a des enjeux pratiques pour la sécurité de l’emploi et le développement des compétences. Si un analyste junior peut désormais faire le travail de trois personnes grâce à ces outils, qu’advient-il du marché de l’emploi débutant ? Nous assistons à une transition vers un modèle de « super-utilisateur » où une personne gère plusieurs agents IA pour accomplir des tâches complexes. C’est visible dans l’ingénierie logicielle, où des outils comme GitHub Copilot suggèrent des blocs entiers de code. Le développeur passe moins de temps à taper et plus de temps à auditer. Cette nouvelle réalité exige un ensemble de compétences différent. Vous n’avez plus besoin de mémoriser chaque règle de syntaxe. Vous devez savoir poser les bonnes questions et repérer une erreur subtile dans une mer de texte parfait. La journée d’un professionnel en 2026 est désormais un cycle constant de prompting et de vérification. Voici comment cela se traduit en pratique :

• Les développeurs logiciels utilisent des modèles pour écrire des tests unitaires répétitifs et du code boilerplate.
• Les assistants juridiques les utilisent pour scanner des milliers de pages de documents pour des mots-clés spécifiques.
• Les chercheurs en médecine les utilisent pour prédire comment différentes structures protéiques pourraient interagir.
• Les équipes de service client les utilisent pour gérer les demandes courantes sans intervention humaine.

Les coûts cachés de la « boîte noire »

Alors que nous comptons de plus en plus sur ces systèmes, nous devons poser des questions difficiles sur leurs coûts cachés. Le premier est l’impact environnemental. Une seule requête vers un grand modèle de langage nécessite beaucoup plus d’électricité qu’une recherche Google standard. Multiplié par des millions d’utilisateurs, l’empreinte carbone devient substantielle. Il y a aussi la question de la consommation d’eau. Les data centers nécessitent des quantités massives d’eau pour refroidir les serveurs qui font tourner ces modèles. Sommes-nous prêts à sacrifier la sécurité de l’eau locale pour une rédaction d’e-mails plus rapide ? C’est une question que de nombreuses communautés proches des data centers commencent à poser. Nous devons également examiner les données elles-mêmes. La plupart des modèles ont été entraînés sur du matériel protégé par le droit d’auteur sans le consentement des créateurs. Cela a conduit à une vague de poursuites de la part d’artistes et d’écrivains qui soutiennent que leur travail a été volé pour construire un produit qui pourrait éventuellement les remplacer.

Ensuite, il y a le problème de la boîte noire. Même les ingénieurs qui construisent ces modèles ne comprennent pas totalement pourquoi ils prennent certaines décisions. Ce manque de transparence est dangereux lorsque l’IA est utilisée pour des tâches sensibles comme le recrutement ou l’approbation de prêts. Si un modèle développe un biais contre un certain groupe, il peut être difficile de trouver et de corriger la cause profonde. Nous externalisons essentiellement des décisions sociétales importantes à un système qui ne peut pas expliquer son propre raisonnement. Comment tenir une machine responsable ? Comment garantir que les données utilisées pour entraîner ces systèmes ne renforcent pas de vieux préjugés ? Ce ne sont pas des problèmes théoriques. Ce sont des enjeux actifs que les derniers développements en IA tentent d’aborder avec des niveaux de succès variables.

Vous avez une histoire, un outil, une tendance ou une question sur l'IA que nous devrions couvrir ? Envoyez-nous votre idée d'article — nous serions ravis de l'entendre.

Latence et économie des jetons

Pour ceux qui cherchent à intégrer ces outils dans leurs workflows professionnels, les détails techniques comptent. La plupart des interactions avec ces modèles se font via une API (Application Programming Interface). C’est là que vous rencontrez le concept de jetons (tokens). Un jeton représente environ quatre caractères de texte. Les modèles ne lisent pas les mots. Ils lisent des jetons. C’est important car la plupart des fournisseurs facturent en fonction du nombre de jetons traités. Si vous construisez un outil qui analyse de longs documents, vos coûts peuvent grimper rapidement. Vous devez également gérer la fenêtre de contexte. C’est la quantité d’informations que le modèle peut « retenir » à un instant T. Les premiers modèles avaient de petites fenêtres, mais les versions plus récentes peuvent traiter des livres entiers en un seul prompt. Cependant, des fenêtres plus grandes entraînent souvent une latence plus élevée et une probabilité accrue que le modèle perde le fil des détails spécifiques au milieu du texte.

Un autre domaine critique est le processus de stockage local et la confidentialité. De nombreuses entreprises hésitent à envoyer des données sensibles vers un serveur tiers. Cela a conduit à l’essor de modèles locaux comme Llama 3 qui peuvent tourner sur du matériel interne. Faire tourner un modèle localement nécessite une VRAM importante sur votre GPU. Par exemple, un modèle de 70 milliards de paramètres nécessite généralement deux cartes haut de gamme pour fonctionner à une vitesse utilisable. C’est là qu’intervient la quantification. C’est une technique qui réduit la taille du modèle en diminuant la précision des nombres utilisés dans les calculs. Cela permet à un modèle puissant de tourner sur du matériel grand public avec une légère baisse de précision. Les développeurs doivent équilibrer ces facteurs :

• Les coûts d’API par rapport aux dépenses matérielles pour faire tourner les modèles localement.
• La vitesse d’un modèle plus petit par rapport à la capacité de raisonnement d’un plus grand.
• La sécurité de garder les données sur site par rapport à la commodité du cloud.
• Les limites de limitation de débit sur les API publiques pendant les heures de pointe.

La voie à suivre

L’histoire du boom de l’IA est l’histoire de la mise à l’échelle d’une seule bonne idée. En prenant l’architecture Transformer et en y injectant des quantités massives de données et de puissance de calcul, nous avons créé quelque chose qui ressemble à une nouvelle ère de l’informatique. Mais nous n’en sommes qu’aux premiers stades. La confusion que beaucoup ressentent aujourd’hui vient de l’écart entre ce que la technologie peut faire et ce que nous attendons d’elle. C’est un outil d’augmentation, pas un remplacement du jugement humain. Les personnes les plus performantes dans les années à venir seront celles qui comprendront la nature statistique de ces systèmes. Elles sauront quand faire confiance à la machine et quand vérifier son travail. Nous nous dirigeons vers un futur où la capacité à gérer l’IA sera aussi fondamentale que la capacité à utiliser un traitement de texte.

Note de l’éditeur : Nous avons créé ce site comme un centre multilingue d’actualités et de guides sur l’IA pour les personnes qui ne sont pas des experts en informatique, mais qui souhaitent tout de même comprendre l’intelligence artificielle, l’utiliser avec plus de confiance et suivre l’avenir qui est déjà en marche.