Pour le PDG d’AWS, l’IA transformera l’entreprise sans tout révolutionner

L’intelligence artificielle peut profondément modifier le fonctionnement des entreprises sans exiger qu’elles démolissent leurs outils et leurs organisations existants. C’est le message défendu par Matt Garman, PDG d’Amazon Web Services, la division de cloud computing d’Amazon. À ses yeux, la promesse ne réside pas dans une rupture instantanée, mais dans une série d’améliorations concrètes, intégrées aux tâches et aux logiciels déjà utilisés.

Cette approche tranche avec les annonces les plus spectaculaires qui entourent l’IA générative. Produire un premier texte, résumer un document ou écrire quelques lignes de code est aujourd’hui accessible à de nombreux salariés. Transformer durablement une activité est plus difficile : il faut identifier les tâches où l’outil est réellement utile, vérifier ses résultats, protéger les données et accompagner les équipes. C’est sur ce terrain, moins spectaculaire mais décisif, que se jouera l’effet économique de l’IA.

Une transformation progressive plutôt qu’une refonte complète

Pour Matt Garman, l’IA ne doit pas être pensée comme une technologie qui obligerait chaque entreprise à engager une « révolution » totale. Elle peut d’abord s’insérer dans les processus quotidiens : recherche d’informations dans une documentation interne, rédaction d’une première version de compte rendu, aide au service client, analyse de données, traduction ou assistance au développement logiciel.

L’idée est simple : une organisation n’obtient pas automatiquement de gains parce qu’elle achète un outil d’IA. Elle doit déterminer quelles opérations sont répétitives, longues ou difficiles à traiter avec les logiciels traditionnels. L’IA générative peut alors fournir un brouillon, une réponse ou une suggestion. Le salarié conserve, selon les usages, un rôle de contrôle, de validation et de décision.

Cette distinction est importante. L’automatisation traditionnelle suit généralement des règles précises : si telle condition est remplie, le système déclenche telle action. Un modèle génératif, lui, produit une réponse vraisemblable à partir des données sur lesquelles il a été entraîné et de la consigne reçue. Il est donc particulièrement adapté au langage, au code et à la synthèse de contenus, mais ses réponses doivent être vérifiées lorsqu’elles servent à informer un client, produire une analyse ou guider une décision importante.

Pourquoi l’IA générative intéresse autant les entreprises

L’IA générative désigne les systèmes capables de créer de nouveaux contenus à partir d’une instruction : texte, code informatique, image, son ou résumé. Dans le monde du travail, elle est notamment utilisée comme un assistant. Elle peut accélérer la préparation d’un document, expliquer un programme, proposer une structure de présentation ou aider à retrouver une information dans une base documentaire.

Pour les équipes techniques, l’assistance au code est l’un des cas d’usage les plus visibles. Un outil peut générer un squelette de programme, suggérer des corrections ou rédiger une documentation initiale. Cela ne dispense pas de tester le code produit, de détecter les failles de sécurité ni de s’assurer qu’il respecte les besoins du projet. Mais cela peut libérer du temps pour la conception, les tests et les tâches nécessitant une expertise approfondie.

Dans les fonctions administratives et commerciales, les bénéfices recherchés sont différents : réduire le temps consacré aux tâches de rédaction, synthétiser de longs échanges, préparer une réponse standard ou classer des demandes. Le mot important reste toutefois « préparer ». Une réponse générée n’est pas nécessairement exacte, appropriée ou conforme à la politique de l’entreprise.

AWS entend précisément fournir l’infrastructure et les services permettant aux entreprises de construire ou de déployer ce type d’applications. Le cloud permet de louer à la demande des capacités de stockage et de calcul plutôt que d’installer soi-même tous les serveurs nécessaires. Avec l’IA, cet argument prend une dimension nouvelle : entraîner et faire fonctionner des modèles avancés demande des ressources informatiques considérables, rarement disponibles en interne pour la plupart des organisations.

Jusqu’à 99 milliards d’euros évoqués pour l’économie française

Une étude récente d’AWS avance que l’adoption de l’IA pourrait injecter jusqu’à 99 milliards d’euros dans l’économie française. Ce chiffre illustre l’ampleur des attentes attachées à ces outils : l’enjeu ne se limiterait pas au secteur technologique, mais concernerait aussi le commerce, les services, l’industrie, la finance ou encore la santé.

Il convient néanmoins de lire une telle estimation pour ce qu’elle est : une projection de potentiel, et non un montant déjà acquis. Les retombées dépendront de la vitesse d’adoption, de l’accès aux compétences, de la capacité des entreprises à revoir certains processus et des investissements engagés. Une technologie peut être disponible sans être immédiatement utile à toutes les organisations ni à toutes les fonctions.

Le décalage entre expérimentation et déploiement à grande échelle constitue l’un des principaux enjeux. Tester un assistant conversationnel sur quelques tâches est relativement simple. L’intégrer à un système qui traite des données clients, des contrats, des informations financières ou des dossiers sensibles implique des exigences plus élevées : accès bien définis, journalisation, sécurité, conformité et mécanismes permettant de corriger les erreurs.

La productivité ne se décrète pas avec un outil

L’intérêt économique de l’IA est souvent résumé au mot « productivité ». Dans les faits, ce gain peut prendre plusieurs formes : terminer plus vite une tâche, améliorer sa qualité, répondre à davantage de demandes ou permettre à un salarié de se concentrer sur une mission plus complexe. Ces effets ne sont pas interchangeables et ne se mesurent pas tous de la même manière.

Une entreprise qui déploie un outil génératif doit donc commencer par des objectifs concrets. Veut-elle réduire le délai de réponse à ses clients ? Accélérer la recherche d’information ? Aider ses développeurs ? Faciliter la rédaction de documents internes ? Sans indicateur clair, elle risque de multiplier les expérimentations sans savoir si elles apportent une valeur durable.

La formation est tout aussi essentielle. Savoir écrire une consigne détaillée peut améliorer la qualité d’une réponse, mais l’enjeu dépasse le simple « prompt ». Les salariés doivent connaître les limites de l’outil, repérer les formulations trompeuses, ne pas lui transmettre sans précaution des données confidentielles et savoir quand demander l’avis d’un expert humain.

Les entreprises doivent également éviter une erreur fréquente : confondre fluidité et fiabilité. Un assistant peut répondre avec assurance à une question mal comprise ou produire un texte convaincant contenant une inexactitude. Dans les domaines soumis à des contraintes élevées, comme le droit, la santé, les finances ou les ressources humaines, la vérification humaine n’est donc pas une option secondaire.

L’énergie, l’autre face de la course à l’IA

Matt Garman souligne aussi un défi moins visible pour les utilisateurs : les besoins énergétiques de l’IA. Les modèles génératifs reposent sur des centres de données qui regroupent de nombreux serveurs. Leur entraînement, puis leur utilisation à grande échelle, exigent de la puissance de calcul et donc de l’électricité.

Cette question concerne particulièrement les grands fournisseurs de cloud comme AWS. Ils doivent répondre à une demande croissante de capacités informatiques tout en cherchant à améliorer l’efficacité de leurs infrastructures. Les progrès ne passent pas seulement par les modèles eux-mêmes : ils reposent aussi sur les puces, les serveurs, le refroidissement des centres de données, l’emplacement des infrastructures et l’approvisionnement électrique.

Pour les entreprises clientes, l’impact énergétique n’est pas toujours directement visible, car le calcul est effectué à distance dans le cloud. Il existe pourtant. Un usage responsable consiste notamment à choisir un modèle et une puissance de calcul proportionnés au besoin, plutôt que de mobiliser systématiquement les solutions les plus lourdes pour des tâches simples.

AWS et Amazon veulent capter la demande d’applications intelligentes

Amazon Web Services est l’activité d’Amazon dédiée aux services informatiques à distance. Elle met à disposition des entreprises des capacités de calcul, de stockage, des bases de données et des outils logiciels. Dans la course actuelle à l’IA, cette infrastructure est devenue un atout stratégique : les entreprises veulent accéder à des modèles et à des ressources de calcul sans construire elles-mêmes de vastes centres de données.

Le dirigeant d’Amazon, Andy Jassy, a lui aussi évoqué le développement d’applications d’IA sur la plateforme du groupe. L’objectif est de permettre aux organisations de créer des interfaces capables de dialoguer avec leurs utilisateurs ou leurs équipes, tout en connectant ces assistants à des données et à des logiciels métiers.

Cette orientation accompagne l’amélioration récente des performances financières d’AWS, dans un contexte d’intérêt croissant pour l’IA. Il serait toutefois réducteur d’attribuer les résultats de la filiale à la seule IA générative. AWS vend un ensemble beaucoup plus large de services cloud, utilisés depuis longtemps par les entreprises pour faire fonctionner des sites web, stocker des données ou développer des applications.

La concurrence est intense. Les grands acteurs du cloud cherchent tous à devenir la porte d’entrée des projets d’IA des entreprises. Pour AWS, l’enjeu est donc double : proposer des outils accessibles aux équipes non spécialisées et répondre aux exigences des grandes organisations en matière de sécurité, de fiabilité et de contrôle des données.

L’innovation doit aussi s’accompagner de règles

L’essor de l’IA relance les débats sur la régulation. En Californie, le gouverneur Gavin Newsom a opposé son veto, le 29 septembre 2024, au projet de loi SB 1047. Le texte visait à imposer des obligations de sécurité aux développeurs des modèles d’IA les plus puissants. Son abandon a suscité des réactions contrastées, entre ceux qui jugeaient le projet nécessaire et ceux qui craignaient qu’il ne freine l’innovation.

Ce débat illustre une tension qui dépasse les États-Unis. Les entreprises veulent déployer rapidement de nouveaux outils, tandis que les pouvoirs publics cherchent à prévenir des risques liés à la sécurité, aux biais, à la protection des données, aux usages frauduleux ou à la concentration du pouvoir technologique.

Une régulation efficace ne consiste pas seulement à interdire ou à autoriser. Elle doit aider à clarifier les responsabilités : qui répond d’une décision automatisée ? Quelles données peuvent être utilisées ? Comment évaluer un outil avant son déploiement ? Comment signaler et corriger un incident ? Ces questions intéressent directement les dirigeants d’entreprise, car elles conditionnent la confiance des clients, des salariés et des partenaires.

Ce qu’il faut surveiller pour mesurer la transformation annoncée

L’IA peut devenir un facteur de transformation significatif sans provoquer une rupture immédiate dans toutes les entreprises. La position de Matt Garman met l’accent sur cette réalité : les effets les plus durables pourraient venir d’améliorations successives dans les outils de travail, plutôt que d’un basculement total et instantané.

Plusieurs signaux permettront de juger si cette promesse se concrétise. Il faudra observer la capacité des organisations à passer des démonstrations aux usages réellement déployés, la qualité de la formation offerte aux salariés, la robustesse des garde-fous et l’évolution de la consommation énergétique associée aux nouveaux besoins de calcul.

Pour AWS comme pour ses concurrents, la réussite ne dépendra pas uniquement de la puissance des modèles proposés. Elle reposera aussi sur leur capacité à rendre l’IA utile, maîtrisable et économiquement justifiable pour des entreprises aux besoins très différents. C’est à cette condition que le potentiel évoqué, y compris les 99 milliards d’euros estimés pour l’économie française, pourra dépasser le stade des projections.