IA : entre promesses de guérisons et réalité des outils de divertissement

L’intelligence artificielle est devenue le terrain de récits contradictoires. Ses promoteurs évoquent des systèmes capables d’accélérer la découverte de traitements, de résoudre des problèmes scientifiques majeurs et, à terme, de rivaliser avec l’intelligence humaine. Dans le même temps, une grande partie des nouveautés accessibles au public prend la forme de chats, d’images et de vidéos créés instantanément. Entre l’espoir d’une médecine transformée et la multiplication de contenus éphémères, il est nécessaire de distinguer une ambition de long terme, un produit commercial et une avancée réellement démontrée.

Le débat ne porte donc pas seulement sur la puissance des modèles. Il concerne aussi la finalité des investissements, la qualité des preuves fournies par les entreprises et la place que les utilisateurs souhaitent laisser aux systèmes automatisés dans leur vie quotidienne. L’enjeu n’est pas d’applaudir ou de rejeter l’IA en bloc, mais d’évaluer chaque promesse à l’aune de ses résultats, de ses risques et de son utilité.

L’AGI, une ambition puissante mais encore difficile à définir

Au centre du discours de nombreux dirigeants figure l’intelligence artificielle générale, souvent désignée par le sigle anglais AGI. L’idée est celle d’une IA pouvant accomplir, dans de très nombreux domaines, des tâches intellectuelles au niveau d’un être humain, avec une capacité d’adaptation qui ne se limiterait pas à un usage précis.

Cette perspective explique les annonces les plus ambitieuses, parfois présentées comme une rupture susceptible de transformer la recherche, les soins ou la prise de décision. Elle nourrit aussi les scénarios les plus anxiogènes, dans lesquels une intelligence très avancée deviendrait incontrôlable ou concentrerait un pouvoir considérable entre les mains de quelques organisations.

Or, l’AGI n’est pas un produit clairement identifiable ni une norme technique partagée. Il n’existe pas de test unique qui permettrait de déclarer qu’un système l’a atteinte. Les modèles actuels peuvent produire un texte fluide, écrire du code, résumer des documents ou analyser certaines images. Ces capacités impressionnent, mais elles ne démontrent pas à elles seules une compréhension générale du monde, ni une fiabilité constante dans toutes les situations.

Parler d’AGI peut ainsi désigner un objectif de recherche légitime, mais aussi une promesse difficile à vérifier. Pour le public, la bonne question n’est pas seulement « quand arrivera-t-elle ? », mais « quelles capacités précises sont aujourd’hui prouvées, dans quelles conditions et avec quelles limites ? ».

GPT-5 illustre les limites de la course à l’échelle

La sortie de GPT-5 par OpenAI a été présentée comme une étape technique majeure. Elle a pourtant aussi illustré le décalage qui peut apparaître entre les attentes suscitées autour d’un nouveau modèle et l’expérience réelle de ses utilisateurs. Les performances observées ont été jugées moins spectaculaires que ne le laissait attendre la montée en puissance du discours autour de l’IA.

Ce constat ne signifie pas qu’aucun progrès n’a été réalisé. Il rappelle plutôt qu’un modèle plus grand, entraîné avec davantage de données et de puissance de calcul, ne produit pas automatiquement un saut évident pour tous les usages. Les améliorations peuvent être réelles mais plus discrètes : une réponse plus utile dans certains cas, moins d’erreurs sur une famille de tâches, une meilleure capacité à suivre une instruction. Elles ne se traduisent pas nécessairement par une intelligence qui paraît soudain générale ou infaillible.

Les systèmes génératifs restent par ailleurs vulnérables à un problème structurel : ils peuvent formuler avec assurance une information erronée. Leur fonctionnement vise à produire la suite la plus plausible d’un texte ou d’une séquence, pas à garantir qu’une affirmation est vraie. La qualité d’une démonstration dépend donc du contexte, des données accessibles au modèle, des contrôles appliqués et de la possibilité de vérifier son résultat.

Des promesses qui servent aussi à financer l’infrastructure

Le développement de modèles avancés coûte cher. Il requiert des centres de données, des processeurs spécialisés, de l’électricité, des équipes de recherche et de longues phases d’entraînement. Cette réalité économique aide à comprendre l’ampleur des annonces : convaincre de la possibilité d’une révolution technologique permet aussi de convaincre des investisseurs et des partenaires de financer les infrastructures nécessaires.

Sam Altman a ainsi évoqué la mobilisation de sommes pouvant atteindre des milliers de milliards de dollars pour poursuivre des recherches et construire les capacités de calcul jugées indispensables. De tels montants placent l’IA dans une logique industrielle qui dépasse largement la sortie d’une simple application grand public.

Cette course au financement ne rend pas les projets illégitimes. La recherche fondamentale, les systèmes de calcul et les modèles de pointe demandent effectivement des moyens considérables. Mais elle appelle une vigilance particulière : plus les sommes engagées sont élevées, plus la tentation est grande de présenter comme imminente une avancée encore incertaine, ou de privilégier un service susceptible d’attirer rapidement un vaste public.

Les investisseurs cherchent des perspectives de revenus. Les entreprises ont besoin d’usages capables de justifier leurs dépenses. C’est pourquoi les applications de création, de communication ou de divertissement peuvent progresser bien plus vite que les promesses médicales ou scientifiques. Elles sont généralement plus faciles à diffuser, même si leur intérêt collectif paraît moins évident.

Médecine, climat : pourquoi les promesses exigent des preuves solides

L’IA peut être utile en santé. Elle peut aider à trier de grandes quantités de données, repérer des signaux dans des images médicales, assister des professionnels dans certaines tâches ou accélérer des étapes de recherche. Dans le domaine des maladies graves, ces pistes alimentent des attentes compréhensibles.

Mais entre une démonstration technique et une guérison, la distance est considérable. Un outil peut obtenir de bons résultats dans un environnement de test sans fonctionner aussi bien dans un hôpital, auprès de patients différents, avec des équipements variés ou face à des données incomplètes. Il faut évaluer ses erreurs, comparer ses résultats aux pratiques existantes et vérifier qu’il améliore effectivement la prise en charge sans créer de nouveaux risques.

Le même raisonnement vaut pour les applications liées à l’énergie ou au climat. Une IA peut aider à modéliser, à optimiser ou à analyser, mais elle ne remplace ni les infrastructures, ni les décisions politiques, ni l’expertise humaine. Présenter ces domaines comme de simples problèmes qu’un modèle résoudrait seul entretient une illusion de solution automatique.

La question pertinente n’est donc pas de savoir si l’IA peut contribuer à la médecine ou à la lutte contre le changement climatique. Elle le peut dans certains cas. Il s’agit de demander quelle tâche est améliorée, pour qui, avec quel niveau de preuve, et qui reste responsable en cas d’erreur.

Pourquoi la vidéo générée concentre les critiques

À l’autre extrémité du spectre, des outils de génération vidéo comme Sora rendent possible la création rapide de séquences à partir d’une description. Ils répondent à un désir immédiat : visualiser une idée, fabriquer un clip court, personnaliser un contenu ou publier plus souvent. Leur attrait tient notamment à cette impression de facilité, l’utilisateur pouvant passer d’une consigne écrite à une image animée sans maîtriser les techniques habituelles de tournage ou de montage.

Cette démocratisation peut ouvrir des possibilités créatives. Elle pose aussi une question de priorité. Alors que l’IA est parfois présentée comme un instrument de découvertes scientifiques majeures, les produits les plus visibles peuvent surtout alimenter une économie de l’attention déjà saturée. Leur succès ne prouve pas qu’ils sont inutiles, mais il souligne le décalage entre les grandes promesses et les usages effectivement mis sur le marché.

La personnalisation renforce encore cette dynamique. Une vidéo qui intègre une idée, un personnage fictif ou un élément choisi par l’utilisateur peut donner le sentiment d’une création intime. Pourtant, cette proximité est en partie produite par un système qui automatise les choix de mise en scène. La frontière entre expression personnelle, assistance créative et fabrication industrielle de contenus devient moins nette.

Cette abondance comporte plusieurs risques : fatigue face à un flux permanent, difficulté à identifier l’origine d’une vidéo, banalisation de contenus conçus pour capter l’attention plutôt que pour informer. Elle interroge aussi la place accordée au travail des créateurs et à l’effort nécessaire pour construire une œuvre singulière.

Évaluer une IA sans se laisser guider par le seul effet de nouveauté

Face à une annonce spectaculaire, quelques réflexes permettent de conserver une lecture critique. D’abord, il faut isoler la tâche annoncée. Dire qu’une IA « aide la médecine » ou « comprend le monde » est trop vague. Le lecteur doit pouvoir identifier une fonction précise : classer des images, préparer un brouillon, détecter un signal, générer une vidéo ou assister une recherche documentaire.

Ensuite, il faut chercher les conditions de réussite. Un résultat est-il vérifié par un professionnel ? L’outil explique-t-il ses limites ? Que se passe-t-il lorsqu’il ne sait pas répondre ? Les exemples les plus impressionnants ne suffisent pas à mesurer la robustesse d’un système dans des situations ordinaires ou sensibles.

Enfin, il convient de regarder les effets collectifs. Un outil peut être pratique pour un individu tout en aggravant la désinformation, en renforçant une dépendance aux plateformes ou en rendant plus difficile la rémunération des créateurs. L’innovation n’est pas neutre parce qu’elle est technique : elle organise aussi des habitudes, des marchés et des rapports de pouvoir.

Ce qu’il faut surveiller dans la prochaine étape de l’IA

Le débat sur l’IA ne se résoudra pas par l’opposition entre fascination et désillusion. Les systèmes actuels offrent déjà des capacités utiles, mais leurs performances ne justifient pas toutes les projections sur une intelligence omnipotente. Les promesses de guérisons, d’optimisation scientifique ou d’AGI doivent être examinées avec un niveau d’exigence proportionné à leurs conséquences.

Il faudra notamment surveiller la transparence sur les performances réelles des modèles, la façon dont les entreprises présentent leurs limites, les règles appliquées aux usages sensibles et l’orientation des investissements. La question décisive est celle de la finalité : l’IA sera-t-elle prioritairement développée pour produire toujours plus de contenus et d’engagement, ou pour apporter des améliorations démontrables dans la santé, la science et les services utiles ?

Une réponse responsable suppose de ne pas confondre une démonstration séduisante avec une transformation accomplie. C’est en demandant des preuves, des garde-fous et une utilité clairement établie que le public peut participer à orienter cette technologie vers des bénéfices réels.