Selon Morgan Stanley, l’IA générative pourrait suivre la courbe de Facebook

L’intelligence artificielle générative est passée, en peu de temps, du statut de technologie de laboratoire à celui d’outil déjà présent dans les moteurs de recherche, les logiciels de bureautique, les services clients et les applications de création. Pour Morgan Stanley, cette diffusion pourrait emprunter une trajectoire comparable à celle de Facebook : une adoption très rapide, soutenue par des produits faciles à prendre en main et par l’effet d’entraînement des usages sociaux et professionnels.

La comparaison mérite toutefois d’être précisée. Facebook est un réseau social, fondé sur les relations entre utilisateurs et la circulation de contenus. L’IA générative désigne une famille de technologies capables de produire du texte, des images, du code, du son ou des synthèses à partir d’une instruction. Ce ne sont donc pas les mêmes produits, ni les mêmes mécanismes économiques. Ce que l’analyse de Morgan Stanley rapproche, c’est avant tout le rythme potentiel de diffusion auprès du grand public et des organisations.

Une courbe d’adoption, qu’est-ce que cela signifie ?

Lorsqu’un analyste évoque une « courbe d’adoption », il ne prédit pas seulement le nombre de personnes qui essaieront un outil. Il s’intéresse à la vitesse à laquelle une innovation quitte le cercle des premiers curieux pour devenir un réflexe courant. Dans le cas de Facebook, la croissance a été portée par une proposition simple à comprendre, l’arrivée progressive de proches sur la même plateforme et une intégration de plus en plus forte aux habitudes quotidiennes. Le réseau social a ainsi atteint des millions d’utilisateurs en quelques années.

L’IA générative pourrait bénéficier de leviers similaires. Un assistant conversationnel ne demande pas de formation technique particulière pour une première utilisation : il suffit d’écrire une question ou une consigne dans un langage courant. De même, les fonctions de génération de texte ou d’images sont progressivement intégrées à des logiciels que des millions de personnes connaissent déjà.

Cette grille de lecture ne signifie pas que tous les citoyens utiliseront directement un chatbot ou un générateur d’images. L’adoption peut aussi être indirecte. Une personne peut bénéficier de l’IA générative lorsqu’un site de commerce améliore son service client, lorsqu’un logiciel propose un brouillon de courrier ou lorsqu’un moteur de recherche fournit une synthèse.

Pourquoi l’IA générative peut se diffuser rapidement

Le premier facteur est l’accessibilité. Les modèles génératifs reposent sur une interface particulièrement intuitive : la conversation. Là où certains logiciels nécessitent de maîtriser des menus, des formules ou des commandes, l’utilisateur peut demander « résume ce texte », « propose un plan », « explique ce concept simplement » ou « rédige une première version ». La qualité du résultat dépend de la formulation et du contexte fourni, mais la barrière d’entrée est faible.

Le deuxième facteur est la diversité des usages. Facebook répondait principalement à des besoins de communication et de partage. L’IA générative, elle, peut intervenir dans des tâches très différentes. Un étudiant peut s’en servir pour reformuler une explication, un salarié pour préparer une note, un développeur pour obtenir une suggestion de code, un commerçant pour imaginer une fiche produit ou un conseiller pour préparer une réponse plus personnalisée. Cette polyvalence accroît son potentiel de diffusion, à condition que les résultats soient utiles dans des situations réelles.

Le troisième moteur est la concurrence entre les grands groupes technologiques. Microsoft et Google, entre autres, investissent fortement dans ces technologies pour ne pas se laisser distancer. Cette compétition favorise la multiplication de produits, de fonctionnalités et d’intégrations dans les outils déjà installés dans les entreprises comme chez les particuliers. Elle peut aussi accélérer l’amélioration des performances, car chaque acteur cherche à rendre son assistant plus pertinent, plus rapide et plus pratique.

Enfin, l’intérêt des entreprises peut créer un effet de levier important. Lorsqu’une organisation déploie un outil d’assistance auprès de ses équipes, elle familiarise un grand nombre de salariés avec de nouveaux usages. Ces pratiques professionnelles peuvent ensuite se prolonger dans la vie quotidienne, comme cela s’est produit avec d’autres outils numériques.

Les entreprises cherchent des gains concrets, pas seulement un effet de mode

L’enthousiasme pour l’IA générative s’explique par des promesses de productivité et de personnalisation. Les cas d’usage les plus souvent mis en avant concernent la création de contenus, l’automatisation du service client et l’optimisation de processus commerciaux. Dans la finance, par exemple, des conseillers commencent à utiliser des assistants virtuels pour adapter davantage les services proposés à leurs clients.

Il faut cependant distinguer l’assistance de l’autonomie. Un outil peut aider à préparer un premier brouillon, classer des informations ou suggérer une réponse. Cela ne dispense pas un professionnel de vérifier le résultat, de protéger les informations confidentielles et de conserver la responsabilité finale de la décision. Dans un domaine où l’exactitude est essentielle, une réponse fluide n’est pas forcément une réponse juste.

Pour passer de l’expérimentation à un usage durable, les entreprises doivent répondre à plusieurs questions très concrètes : quelles tâches confier à l’outil, quelles données peuvent être saisies, qui contrôle la qualité des résultats et comment former les équipes ? L’adoption ne repose donc pas uniquement sur la puissance des modèles. Elle dépend aussi de règles internes claires et d’une transformation des méthodes de travail.

Des usages possibles dans plusieurs secteurs

Les perspectives évoquées pour 2025 couvrent des domaines très variés :

• dans l’éducation, des outils d’explication, de préparation de supports et d’accompagnement personnalisé ;
• dans la santé, des fonctions d’aide et d’organisation qui doivent rester soumises à des contrôles particulièrement stricts ;
• dans le divertissement et la création, de nouveaux moyens de générer des idées, des textes et des images ;
• dans les services clients, des assistants capables de traiter les demandes les plus simples et de guider les utilisateurs ;
• dans la gestion d’entreprise, des outils de synthèse, de rédaction et d’aide à la décision.

Cette variété ne garantit pas le succès de chaque application. Un cas d’usage ne s’installe que s’il fait gagner du temps, améliore réellement le service rendu ou répond à un problème précis. Une technologie impressionnante en démonstration peut rester marginale si elle alourdit les procédures ou produit trop souvent des résultats inexacts.

La comparaison avec Facebook a aussi ses limites

Assimiler l’IA générative à un réseau social serait trompeur. Facebook reposait largement sur les interactions entre personnes : plus un utilisateur y retrouvait ses amis, plus le service avait de valeur pour lui. Les outils génératifs peuvent se diffuser sans réseau d’amis, mais leur efficacité dépend davantage de la qualité technique du modèle, de l’accès aux données pertinentes et de l’intégration dans un contexte de travail.

L’autre différence tient à la nature des risques. Les plateformes sociales ont suscité de fortes préoccupations en matière de vie privée et de circulation de contenus. L’IA générative soulève les mêmes questions, auxquelles s’ajoutent la possibilité de réponses erronées, la production de contenus trompeurs et l’utilisation d’informations personnelles dans des contextes inappropriés. Un utilisateur qui reçoit un texte convaincant peut oublier qu’un modèle ne raisonne pas comme un expert et qu’il peut produire une affirmation plausible mais fausse.

La confiance, condition d’une adoption à grande échelle

L’analyse de Morgan Stanley souligne que des inquiétudes persistent, notamment sur la confidentialité et la fiabilité. Elles ne sont pas secondaires. Dans un environnement professionnel, saisir des informations internes dans un outil mal configuré peut poser un problème de sécurité ou de secret des affaires. Dans la sphère personnelle, les utilisateurs peuvent se demander ce qu’il advient de leurs requêtes, de leurs documents ou de leurs données.

La fiabilité est tout aussi déterminante. Les systèmes génératifs sont conçus pour produire des réponses cohérentes avec leur entraînement et avec la demande reçue. Ils ne garantissent pas, par nature, que chaque affirmation est exacte ou à jour. Plus l’enjeu est élevé, plus la vérification humaine doit être importante. Cette précaution vaut pour les conseils administratifs, financiers, médicaux, juridiques ou pour toute information susceptible d’influencer une décision.

La désinformation constitue un troisième défi. La génération rapide de textes, d’images ou d’autres contenus peut faciliter des créations utiles, mais aussi compliquer l’identification de contenus trompeurs. L’acceptabilité sociale de ces outils dépendra donc de la transparence des services, de l’éducation aux usages numériques et de cadres de régulation adaptés.

Les jeunes générations peuvent accélérer le mouvement

Morgan Stanley estime que les jeunes générations sont susceptibles d’adopter ces outils plus activement. Habituées à voir apparaître de nouvelles applications et à intégrer des services numériques dans leurs échanges, leurs études ou leurs loisirs, elles peuvent contribuer à banaliser l’usage de l’IA générative.

Il serait néanmoins réducteur de faire de l’âge le seul critère. L’adoption dépend aussi de l’utilité perçue, du niveau de confiance, de l’accès à un équipement adapté et du contexte professionnel ou scolaire. Un outil de rédaction peut être immédiatement utile à certaines personnes et sans intérêt pour d’autres. À l’inverse, des utilisateurs peu attirés par la technologie peuvent adopter une fonction d’IA si elle est discrètement intégrée à un service qu’ils utilisent déjà.

L’enjeu est donc moins de savoir qui essaiera l’IA en premier que de comprendre dans quelles situations elle sera conservée. L’usage ponctuel, motivé par la curiosité, ne suffit pas à créer une adoption durable. Celle-ci suppose que les outils apportent une valeur récurrente, sans exiger une expertise excessive ni exposer l’utilisateur à des risques mal compris.

Ce qu’il faut surveiller d’ici 2025

À l’approche de 2025, plusieurs indicateurs permettront de juger si l’IA générative suit réellement une dynamique comparable à celle des grandes plateformes numériques. Le premier sera la multiplication des usages réguliers, au-delà de l’effet de nouveauté. Le deuxième sera la capacité des entreprises à transformer des expérimentations en outils réellement intégrés à leurs processus.

Il faudra aussi observer la manière dont les acteurs technologiques répondront aux préoccupations de confidentialité, de sécurité et de fiabilité. Des outils plus performants ne suffiront pas si les utilisateurs ne savent pas quelles données ils peuvent partager ni comment contrôler les résultats. Les réglementations auront, elles aussi, un rôle à jouer pour favoriser un développement qui protège les personnes sans empêcher l’innovation.

La prédiction de Morgan Stanley ne décrit donc pas une trajectoire automatique. Elle met en évidence un potentiel : celui d’une technologie capable d’entrer rapidement dans le quotidien parce qu’elle s’exprime dans le langage des utilisateurs et répond à de nombreux besoins. Sa vitesse de diffusion dépendra finalement d’un équilibre entre utilité concrète, confiance et encadrement responsable.