Combler le fossé avec l’IA

Comment les modèles de langage effondrent la distance entre l’intention et le résultat

Yassine Boumiza

Essai

Résumé. Toute entreprise humaine — une exploitation agricole, un laboratoire de recherche, un ministère des Finances, une salle de classe, une startup — vit au creux d’une arithmétique silencieuse : la distance entre ce qu’une personne se propose de faire et ce dont elle est réellement équipée pour le faire. Cette distance, c’est le fossé. Elle se paie en heures de recherche dont personne ne dispose, en savoirs tacites enfouis dans l’esprit de spécialistes trop occupés pour les consigner, en coûts de coordination qui croissent plus vite que les équipes, en prototypes qui n’atteignent jamais la quatrième itération parce que la troisième a épuisé le budget. Pendant l’essentiel de l’histoire industrielle, la seule manière de réduire le fossé était d’embaucher quelqu’un qui l’avait déjà franchi. Les grands modèles de langage modifient ce rapport. Ils ne font pas disparaître le fossé — le territoire reste à parcourir — mais ils abaissent radicalement le coût de la marche. Cet article soutient que la conséquence économique et civique déterminante de l’IA de pointe n’est pas la substitution du travail humain, mais l’effondrement des frictions qui ont historiquement rendu la compétence coûteuse et l’action coordonnée rare.

I. La forme du fossé

Demandez à n’importe quel opérateur — un fondateur, un clinicien, un secrétaire d’État — pourquoi les choses avancent si lentement, et une variante de la même réponse reviendra. L’information existe, quelque part. L’expertise existe, ailleurs. Les personnes existent, dans un troisième lieu. Le budget et l’échéance existent sous des toits entièrement séparés. La plupart de ce qui tue les projets n’est pas la mauvaise idée ; c’est le coût de transport — déplacer les bons faits, vers les bonnes personnes, au bon moment, sous une forme susceptible de guider l’action.

Ce coût de transport porte un nom en économie : le coût de transaction. Ronald Coase, dans son article de 1937 The Nature of the Firm, soutenait que les entreprises existent parce que le recours au mécanisme des prix lui-même est coûteux — recherche, négociation, mesure, mise en application — et qu’une hiérarchie interne peut parfois assurer la même coordination plus économiquement. L’extension logique est inconfortable : si l’on pouvait abaisser suffisamment ces coûts de coordination, une large part de l’échafaudage que les institutions modernes portent dans leurs bilans — les réunions, les notes internes, les rapports d’avancement, les groupes de travail permanents — deviendrait facultative. Une large part de ce que l’on appelle travail du savoir n’est, au fond, qu’une traduction entre services, professions et vocabulaires.

Depuis trois décennies, le rapport CHAOS du Standish Group, abondamment cité, documente un schéma obstiné dans le logiciel d’entreprise : environ deux projets sur trois sont livrés en retard et au-dessus du budget, ou abandonnés purement et simplement. Le développement biomédical est plus rude encore ; les données de l’industrie pharmaceutique situent le taux d’attrition en phase clinique aux alentours de quatre-vingt-dix pour cent, et davantage si l’on inclut le pré-clinique. L’inventaire de Bent Flyvbjerg portant sur des milliers de grands projets industriels établit que près de neuf sur dix dépassent leur budget initial, souvent dans des proportions considérables. Aucun de ces échecs n’est, à la racine, un échec technique. Ce sont des échecs de circulation de l’information, de jugement, d’itération et de coordination — le tissu conjonctif, pas l’ossature.

Voilà le fossé.

II. Ce que les modèles de pointe effondrent réellement

Il est tentant de décrire les grands modèles de langage par ce qu’ils produisent — essais, code, images, résumés. Ce cadre manque le point économique. L’angle plus utile est celui de ce qu’ils compressent.

Ils compressent l’accès au savoir. Un vétérinaire rural n’a plus besoin d’un abonnement à trois revues et d’un contact universitaire pour savoir ce qu’une lésion inhabituelle sur une chèvre peut indiquer. La réponse, calibrée et nuancée, peut se trouver dans sa main en moins d’une minute. Le savoir était un stock détenu par des institutions ; il devient un flux, interrogeable en langage naturel.

Ils compressent la traduction sémantique. Une urbaniste municipale peut décrire un problème dans le vocabulaire de son métier et recevoir en retour un cahier des charges qu’un ingénieur pourra exécuter, une note juridique qu’un avocat pourra réviser, ou un écart budgétaire qu’un auditeur pourra valider. La couche de traduction qui exigeait jadis un analyste fonctionnel au milieu devient progressivement gratuite, et disponible à trois heures du matin.

Ils compressent la coordination. Les modèles de pointe peuvent tenir tout un problème en contexte — exigences, contraintes, préférences des parties prenantes, tentatives antérieures — et le faire avancer de manière incrémentale. Le premier prototype n’est plus le plus cher ; le centième l’est. Cela inverse l’économie de l’itération, et l’itération est l’endroit où se fait l’essentiel du vrai travail.

En première approximation, un LLM de pointe est une baisse universelle du coût de s’informer, de se faire comprendre et de se coordonner. Tout domaine historiquement contraint par l’un de ces trois goulots va se repriser.

III. La récolte

L’argument abstrait devient plus crédible lorsqu’on le voit se poser dans des domaines précis. Ce qui suit n’est pas de la prospective ; chacun de ces cas se produit déjà, inégalement, dans des poches disséminées sur plusieurs continents.

Le petit producteur agricole. Les services publics d’appui technique — l’infrastructure qui plaçait autrefois un agronome dans chaque département — se sont effrités depuis une génération dans la plupart du monde. Un agriculteur qui aperçoit une marbrure étrange sur une feuille de tomate a historiquement eu trois options : deviner, appeler un voisin, ou perdre la récolte. Aujourd’hui, une photographie téléversée vers un modèle multimodal renvoie non seulement un diagnostic probable — mildiou, gale bactérienne, virus de la feuille jaune en cuillère de la tomate — mais aussi une liste hiérarchisée de traitements culturellement et économiquement appropriés, la posologie, le délai avant récolte et la probabilité de réinfection compte tenu du climat régional. L’agriculteur n’avait pas besoin de savoir que Phytophthora infestans existait. Il avait besoin d’un remède qui tienne avant jeudi. Le fossé entre son problème et la littérature mondiale de phytopathologie se mesurait jadis en années d’études qu’il n’avait pas les moyens de payer. Il se mesure désormais en secondes.

L’artiste. Une mésinterprétation fréquente des modèles génératifs consiste à y voir une menace pour le travail créatif parce qu’ils le produisent. Les artistes actifs que je connais racontent une autre histoire. La matière première du travail créatif n’est pas la première idée ; c’est la dixième, la cinquantième, la variante qui émerge après épuisement de ses réflexes. L’IA leur est utile non parce qu’elle est créative — elle ne l’est pas, au sens fort — mais parce qu’elle est patiente. Elle produira la quatre-vingt-dix-neuvième permutation d’une composition, d’une palette, d’une progression d’accords, d’une strophe, sans fatigue, et rendra à l’artiste un espace de recherche plus vaste que ce qu’un esprit seul peut contenir. Le résultat n’est pas de l’art automatisé. C’est un artisan doté d’un meilleur atelier, et de la branche de l’arbre qu’il n’aurait jamais atteinte seul.

Le chercheur. Qu’il s’agisse d’une molécule, d’un matériau ou d’une architecture d’apprentissage automatique, le goulot de la recherche n’a jamais été la première hypothèse ; c’est la quatrième et la quarantième, chacune exigeant de concevoir une expérience, de régler les paramètres, d’exécuter l’essai, de lire le résultat et de décider ce qu’il faut changer. Un agent piloté par un LLM auquel on a spécifié un objectif précis — un rendement au-dessus d’un seuil, une toxicité en deçà d’un autre, une courbe de perte qui s’aplatit — peut piloter un simulateur ou un robot de paillasse à travers cette boucle sans que le chercheur principal soit présent à chaque étape. L’humain conserve la prérogative qui compte vraiment : ce qui fait un bon résultat. L’agent absorbe la corvée entre les hypothèses. C’est pourquoi certaines étapes du pipeline de découverte — identification de la cible, criblage de candidats, inférence de structure protéique — se sont mises à se comprimer d’années en mois, même si l’horloge réglementaire de bout en bout reste longue.

Le gouvernement. Un ministère des Finances qui prépare un budget tente, dans le meilleur des cas, de raisonner sur des effets de second et troisième ordre sur chaque ligne — l’élasticité d’un droit, le multiplicateur d’un transfert, la conséquence sur l’emploi d’un tarif douanier. La manière classique de procéder consiste à embaucher une grande équipe de prévision et à accepter que de larges pans du budget soient raisonnés par analogie plutôt que par analyse. Un système d’IA bien instrumenté, nourri du plan et des données pertinentes, peut faire apparaître les angles morts : subventions dont les bénéficiaires ont silencieusement changé, prévisions de recettes dont la base sous-jacente s’est érodée, dépenses dont la valeur réelle a été rognée par l’inflation, transferts qui paraissent progressifs sur le papier et se révèlent régressifs à l’usage. Il ne remplace pas le jugement du ministre. Il relève le niveau des questions auxquelles le ministre doit répondre avant de signer.

L’étudiant. Depuis deux siècles, le goulot dominant de l’apprentissage est la rétroaction. Un étudiant peut lire huit heures, mais l’heure la plus efficace est celle où un tuteur lui dit ce qu’il a mal compris et pourquoi. Dans un article de 1984 consacré à ce qu’il appelle le « problème des deux sigmas », Benjamin Bloom rapportait que des élèves bénéficiant d’un tutorat individuel assorti de techniques de mastery learning surpassaient d’environ deux écarts-types les élèves des classes traditionnelles — un effet d’une ampleur presque sans précédent dans la recherche en éducation, que l’on n’a jamais su reproduire à grande échelle parce que l’économie du travail ne le permettait pas. Elle le permet aujourd’hui. Un étudiant qui prépare un examen peut générer toutes les variantes de toutes les questions probables, s’y essayer, être corrigé avec patience, et entrer dans l’épreuve réelle comme dans la onzième version plutôt que la première. Ce n’est pas de la triche. C’est ce que les familles aisées se payaient à titre privé depuis l’époque victorienne, généralisé.

L’accessibilité. Une part non négligeable de la population ne peut pas utiliser un clavier confortablement, ne peut pas voir un écran du tout, ou ne peut pas facilement déchiffrer la prose écrite. La génération antérieure de technologies d’assistance était coûteuse, étroite et peu indulgente — un lecteur d’écran qui s’étranglait sur un PDF mal balisé, un outil de dictée qui se trompait d’un mot sur six, un terminal qu’aucune personne sans diplôme d’informatique ne pouvait apprivoiser. Un modèle multimodal capable de voir, d’entendre, de lire et de parler avec une aisance proche de l’humain dissout la plupart de ces interfaces. L’ordinateur, pour la première fois de son histoire, rejoint l’utilisateur là où il est déjà, dans la langue et la modalité qu’il emploie déjà. C’est l’histoire discrète des droits civiques de la décennie.

La sécurité routière. Le Rapport de situation sur la sécurité routière dans le monde de l’Organisation mondiale de la Santé identifie les accidents de la circulation comme la première cause de décès chez les personnes âgées de cinq à vingt-neuf ans. La question opérationnelle de la conduite autonome a été cadrée depuis une décennie ainsi : une machine peut-elle conduire mieux qu’un humain ? La question plus utile est plus étroite et plus susceptible de recevoir une réponse : une machine, embarquée dans les voitures, camions, autobus et deux-roues, peut-elle anticiper le sous-ensemble de situations — l’enfant qui surgit entre deux voitures en stationnement, le camion dont les feux de stop sont en panne, le cycliste dans l’angle mort, le conducteur en état d’ivresse à l’approche d’une intersection sans visibilité — où le temps de réaction humain est la contrainte décisive ? L’évidence, tirée des flottes équipées de freinage d’urgence automatique et des données d’assurance, indique de plus en plus que oui. L’aide à la conduite n’a pas besoin de remplacer le conducteur pour sauver des vies ; il suffit qu’elle comble la demi-seconde entre la perception et la réponse. Cette demi-seconde est, dans les statistiques d’accident, souvent la différence entre l’alerte et les funérailles.

IV. Ce que le fossé n’a jamais été

Une lecture responsable de la promesse de l’IA suppose d’admettre ce qu’elle ne répare pas. Le fossé entre l’intention et le résultat comporte trois couches. L’IA effondre la plus externe — la friction informationnelle et coordinationnelle. Elle n’effondre pas la couche intermédiaire, qui est la qualité de l’intention elle-même, ni la plus interne, qui est la question éthique et politique de savoir l’intention de qui façonne la vie de qui.

Un agriculteur muni d’un meilleur diagnostic a toujours besoin d’une chaîne d’approvisionnement capable de livrer le bon fongicide à un prix qu’il peut payer. Un étudiant doté d’un tutorat infini a toujours besoin d’un diplôme que le marché du travail reconnaît. Un ministère muni d’une analyse budgétaire plus affûtée a toujours besoin de la volonté politique d’agir. L’IA abaisse le coût de la clarté ; la clarté n’est pas le consensus, et le consensus n’est pas le courage.

Il existe aussi le risque qu’une technologie aussi compressive concentre le pouvoir entre les mains du petit nombre d’organisations qui la construisent. La propriété même qui met un outil largement capable dans les mains d’un vétérinaire de la Tunisie rurale rend chaque institution en aval d’un modèle de pointe tributaire d’une infrastructure qu’elle ne contrôle pas. Une gouvernance sérieuse — concurrence véritable à la frontière, évaluations indépendantes, poids ouverts lorsqu’ils peuvent être publiés sans danger, règles d’achat public refusant les points de défaillance uniques — n’est pas un ornement moral ajouté à la technologie. C’est une condition de la distribution des bénéfices que cet article a plaidée.

V. Conclusion

La révolution industrielle fut l’histoire d’une chute du coût du travail physique d’un ordre de grandeur ou plus dans les secteurs phares de l’économie du dix-neuvième siècle. Ses conséquences — les villes, l’État-nation, la classe moyenne moderne, l’appareil social — ont mis un siècle à se déployer, et n’étaient ni évidentes ni uniformément bénignes à l’époque. La transition de l’IA, si l’argument de cet article est juste, est l’histoire d’une chute du coût de la coordination cognitive d’un ordre comparable. Ses conséquences prendront également du temps à se déployer, et ne seront pas non plus évidentes ni uniformément bénignes.

Ce qui est clair, dès maintenant, c’est la direction. La personne située au bout de chaque chaîne institutionnelle — l’agriculteur, l’étudiant, le patient, le citoyen, le conducteur, celle qui ne peut pas taper sur un clavier — attend depuis longtemps que l’expertise à l’autre bout la rejoigne. Pendant l’essentiel de l’histoire humaine, elle n’est pas venue. Elle commence à venir.

Le fossé n’est pas comblé. Mais pour la première fois, il est en train d’être franchi.

Références

Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), p. 4-16.

Coase, R. H. (1937). The Nature of the Firm. Economica, 4(16), p. 386-405.

Flyvbjerg, B. (2014). What You Should Know About Megaprojects and Why: An Overview. Project Management Journal, 45(2), p. 6-19.

Paul, S. M., Mytelka, D. S., Dunwiddie, C. T., Persinger, C. C., Munos, B. H., Lindborg, S. R., & Schacht, A. L. (2010). How to Improve R&D Productivity: The Pharmaceutical Industry’s Grand Challenge. Nature Reviews Drug Discovery, 9(3), p. 203-214.

Standish Group International. CHAOS Report (série annuelle, 1994 à aujourd’hui). Boston, Standish Group.

Organisation mondiale de la Santé (2023). Rapport de situation sur la sécurité routière dans le monde 2023. Genève, OMS.

Essai compagnon : « De l’autre côté du pont — L’IA, l’économie en K et la politique de l’accès. »