Au MIT, 55 projets veulent mesurer l’impact concret de l’IA générative

L’intelligence artificielle générative est souvent commentée à travers les assistants conversationnels, les générateurs d’images ou les gains de productivité promis aux entreprises. Au Massachusetts Institute of Technology, le MIT, une nouvelle initiative veut déplacer le regard vers une question plus difficile : quels usages de ces systèmes peuvent réellement répondre à des besoins collectifs, et comment les étudier avec méthode ?

Lancé en février 2025, le MIT Generative AI Impact Consortium, ou MGAIC, rassemble des chercheurs de disciplines très différentes autour de cette ambition. Les premières propositions soutenues vont d’outils d’aide à l’apprentissage de la lecture pour les enfants à des agents musicaux collaboratifs, en passant par l’analyse des politiques climatiques des villes. Cette diversité est au cœur du projet : l’IA générative n’est pas envisagée comme un sujet réservé à l’informatique, mais comme un objet de recherche transversal.

Le premier appel du consortium a suscité 180 propositions, déposées par près de 250 membres du corps professoral provenant de toutes les écoles du MIT. Parmi elles, 55 ont obtenu des subventions de démarrage. Le 13 mai 2025, plus de 30 porteurs de projets ont présenté leurs idées à la communauté de l’Institut.

Un consortium pour passer des promesses aux usages étudiés

Le MGAIC est une initiative présidentielle dirigée par le bureau de l’innovation et de la stratégie du MIT. Sa mission est d’explorer des applications innovantes de l’IA générative, en donnant aux équipes de recherche les moyens d’étudier des cas d’usage considérés comme ayant un fort impact potentiel.

L’expression « IA générative » désigne ici une famille de systèmes capables de produire ou de transformer des contenus, notamment du texte, des images, du son ou du code, à partir de grandes quantités de données d’entraînement. Ces outils peuvent aussi servir d’interfaces conversationnelles ou d’agents capables d’accomplir certaines étapes d’une tâche. Mais une démonstration impressionnante ne suffit pas à établir une utilité sociale. Dans l’éducation, par exemple, il faut se demander si un outil aide effectivement les élèves, pour lesquels il fonctionne, dans quelles conditions il peut être utilisé et quels risques il introduit.

C’est précisément le type de distance critique que cherche à installer le consortium. Les projets présentés ne sont pas des produits commercialisés ni des résultats déjà démontrés. Ce sont des programmes de recherche qui doivent encore préciser leurs méthodes, tester leurs hypothèses et mesurer leurs effets. Les subventions initiales doivent permettre de poser ces fondations.

Cette démarche s’inscrit dans le prolongement de la Semaine de l’IA générative organisée par le MIT, qui avait elle aussi invité les chercheurs à rédiger des documents consacrés aux impacts possibles de ces technologies. L’appel du MGAIC a ensuite offert un cadre de financement pour transformer certaines de ces réflexions en travaux concrets.

180 propositions, 55 subventions : que révèle la sélection ?

La participation au premier appel donne une indication de l’ampleur de l’intérêt suscité par l’IA générative au MIT. Près de 250 enseignants-chercheurs ont contribué aux 180 dossiers reçus. Les propositions venaient de l’ensemble des écoles de l’Institut, ce qui montre que les questions soulevées par ces modèles traversent aussi bien les sciences, l’ingénierie et la gestion que les domaines de la création ou de l’environnement.

Le processus a abouti à deux voies de soutien. D’une part, le MGAIC a attribué ses premières subventions de démarrage à 55 propositions. D’autre part, plusieurs autres projets ont été retenus pour un financement par des entreprises membres du consortium. Cette combinaison cherche à faire émerger des idées issues des laboratoires tout en associant des partenaires industriels à leur développement.

Les chiffres témoignent d’une forte mobilisation, mais ils ne permettent pas encore de comparer la portée future des projets. Certains pourront conduire à des outils expérimentaux, d’autres à des méthodes d’évaluation, à des jeux de données ou à des cadres d’analyse. Dans un consortium consacré à l’impact, cette dernière catégorie est aussi importante que la création d’un nouveau système : évaluer une politique, une pratique pédagogique ou une interaction humain-machine suppose souvent de définir d’abord ce que l’on cherche à mesurer.

Des tuteurs d’IA pour réduire les écarts en lecture

L’un des projets présentés vient du McGovern Institute for Brain Research. Ola Ozernov-Palchik y propose de faire évoluer les tuteurs fondés sur l’IA pour les élèves allant de la maternelle à la 7e année. L’objectif annoncé est de réduire les disparités en matière de maîtrise de la lecture et de l’écrit.

L’idée de tuteurs numériques personnalisés n’est pas nouvelle. Leur promesse est d’adapter les exercices, les explications ou le rythme de travail à l’élève. L’IA générative peut, en théorie, rendre ces interactions plus flexibles, par exemple en reformulant une consigne ou en proposant un dialogue autour d’un texte. Mais l’apprentissage de la lecture est un domaine particulièrement exigeant : il implique des compétences progressives, l’attention, la compréhension, le langage oral et l’accompagnement humain.

Le projet ne prétend donc pas qu’un modèle de langage puisse remplacer l’enseignant. Son intérêt réside dans l’étude de la manière dont un tuteur d’IA peut soutenir des enfants à une étape déterminante de leur scolarité, tout en ciblant les inégalités d’accès à un accompagnement adapté. Les enjeux sont également éthiques et pratiques : la qualité des réponses du système, la protection des données des mineurs, les biais éventuels et la place laissée aux professionnels de l’éducation devront être examinés avec attention.

« Jam_bots », quand humains et IA improvisent ensemble

Au MIT Media Lab, les professeurs Anna Huang et Joe Paradiso ont présenté le projet « jam_bots ». Il vise à enrichir la collaboration entre humains et IA dans des improvisations musicales réalisées en temps réel.

L’improvisation pose un défi différent de celui de la simple génération d’une chanson. Dans une séance de jeu collectif, les musiciens écoutent, réagissent, proposent des motifs, changent de rythme et s’ajustent continuellement aux autres participants. Un agent d’IA réellement collaboratif devrait donc répondre à ce qui se passe au moment même où cela se produit, sans imposer mécaniquement un résultat prédéfini.

Ce projet ouvre des pistes pour penser l’IA comme partenaire créatif plutôt que comme machine qui livre un contenu fini. Il soulève aussi des questions importantes sur l’auteur, l’interprétation et le contrôle artistique. Dans une collaboration réussie, l’humain doit pouvoir conserver la capacité de guider la séance, d’accepter ou de rejeter les propositions de la machine et de faire de l’outil un prolongement de son intention musicale, non un substitut.

Les recherches sur la musique assistée par IA peuvent également avoir une portée au-delà de la scène ou du studio. Elles invitent à étudier plus largement les formes de coordination en temps réel entre une personne et un système génératif. Les leçons tirées de ces interactions pourraient éclairer d’autres environnements où la réactivité, l’écoute et la confiance comptent autant que la production d’un résultat.

GENIUS veut mieux évaluer les politiques climatiques des villes

L’IA générative n’est pas uniquement mobilisée pour créer du texte ou des œuvres. Le projet GENIUS, présenté par Norhan Bayomi, postdoctorante à l’Initiative des solutions environnementales du MIT, s’intéresse à la durabilité urbaine. Son point de départ est un manque : l’absence d’une approche standardisée pour évaluer les politiques climatiques mises en œuvre par les villes.

Les collectivités locales adoptent des mesures sur les transports, l’énergie, les bâtiments, les déchets ou l’aménagement. Or comparer ces politiques, comprendre ce qu’elles couvrent et apprécier leur cohérence nécessite de traiter une grande variété de documents, de règles et d’indicateurs. GENIUS entend répondre à cette lacune d’évaluation en s’appuyant sur l’intelligence générative.

Le potentiel d’un tel travail tient moins à l’automatisation d’une décision qu’à la capacité de structurer et d’examiner un volume important d’informations. Pour être utile, un système d’évaluation devra cependant rendre ses critères intelligibles. Une politique climatique ne peut pas se résumer à un score produit par une boîte noire : les élus, les agents publics et les citoyens doivent pouvoir comprendre ce qui est pris en compte, quelles données manquent et quelles limites entourent l’analyse.

L’exemple de GENIUS illustre bien l’orientation du consortium. L’ambition n’est pas seulement de demander à une IA de rédiger un résumé d’une politique publique. Elle est d’étudier si l’outil peut contribuer à une méthode plus rigoureuse pour analyser les choix des villes face au changement climatique.

Une gouvernance qui associe écoles et partenaires industriels

La création du MGAIC repose sur une collaboration entre différents pôles du MIT. Anantha P. Chandrakasan, doyen de l’École de génie, figure parmi les responsables du consortium. Lors du lancement, il a remercié les membres fondateurs pour leur soutien. Les entreprises membres doivent contribuer au financement et à l’appui stratégique de certains projets, tandis que les chercheurs du MIT portent les travaux scientifiques.

Cette organisation reflète une réalité de l’IA générative : les avancées demandent des compétences et des ressources qui dépassent souvent un seul laboratoire. Elles mobilisent des spécialistes des modèles, des données, des sciences cognitives, du droit, de la gestion, des politiques publiques ou du design. Un consortium peut aider ces communautés à travailler ensemble, à condition que les objectifs de recherche et les modalités de partenariat soient clairement définis.

Georgia Perakis, doyenne par intérim de la Sloan School of Management, a souligné la volonté de la communauté du MIT de prendre les devants dans ce domaine. Elle a déclaré : « Nous sommes à l’avant-garde d’un moment historique ». La formule traduit l’ambition de l’Institut, mais elle souligne aussi sa responsabilité : lorsque des outils se diffusent rapidement dans l’économie et la société, les travaux académiques ont un rôle à jouer pour distinguer les usages solides des effets d’annonce.

Ce qu’il faudra surveiller dans les prochains travaux

Le lancement du MGAIC et ses 55 premières subventions constituent un début, non un bilan. Les projets devront maintenant démontrer ce que l’IA générative apporte dans leurs domaines respectifs, avec des indicateurs adaptés. Pour les tuteurs de lecture, l’enjeu sera notamment d’observer leur effet sur les apprentissages et les inégalités. Pour « jam_bots », il s’agira de comprendre la qualité réelle de la collaboration créative. Pour GENIUS, la question sera la fiabilité et l’utilité d’une évaluation standardisée des politiques urbaines.

Il faudra également suivre la façon dont les équipes traiteront les risques propres à ces outils. Les modèles génératifs peuvent produire des informations erronées avec assurance, reproduire des biais présents dans leurs données ou poser des questions de confidentialité lorsque des informations sensibles sont utilisées. Ces limites ne condamnent pas la recherche, mais elles imposent des tests, des garde-fous et une transparence proportionnés aux domaines concernés.

Le principal intérêt du consortium est peut-être de placer ces exigences au même niveau que la performance technique. En réunissant des projets sur l’éducation, les arts et le climat, le MIT fait le pari que l’impact de l’IA générative ne se mesurera pas seulement au nombre de contenus produits ou à la rapidité des systèmes. Il se mesurera à leur capacité à être utiles dans des situations concrètes, compréhensibles par leurs utilisateurs et évaluées de façon responsable.