Critique des mythes de l'IA moderne et réalité du marché

Points Clés et Arguments

• Continuité vs Rupture : L'opposition entre l'IA d'avant 2020 (jugée inaccessible et chère) et l'IA actuelle (jugée facile et accessible) est fausse. Des solutions Cloud (IBM Watson, Azure) existaient déjà en 2018 pour faire de l'analyse de sentiment ou des chatbots sans grande expertise.
• Coexistence des générations d'IA : Les LLM (Large Language Models) ne remplacent pas les méthodes précédentes. Les projets réussis combinent souvent :
  • L'IA symbolique (années 80-90, Prolog, systèmes experts).
  • La Data Science (Machine Learning classique).
  • L'IA générative actuelle.
• Inefficacité du "Prompt Engineering" seul : L'optimisation des prompts ne concerne qu'une infime partie des cas (benchmarking). Pour 99% des usages, l'ingénierie de prompt n'apporte pas de gain significatif. C'est une compétence en voie de disparition.
• Limites du RAG (Retrieval-Augmented Generation) : Le RAG ne transforme pas un LLM en expert métier. Il permet seulement au modèle de déduire une réponse probable à partir de documents fournis, sans véritable compréhension ou expertise, similaire à un ingénieur généraliste lisant des notes de chimie.
• Mythe de l'automatisation totale : L'automatisation à 100% via l'IA est un mythe. On plafonne généralement à 50-60% d'automatisation (ex: support client). Les cas complexes nécessitent toujours une intervention humaine ou une ingénierie lourde.
• Réalité du "Vibe Coding" et du No-Code : Bien que permettant de coder vite, ces méthodes génèrent une dette technique importante et du code difficile à maintenir. À fonctionnalité égale, le code généré est souvent plus verbeux et moins performant que celui écrit par un expert.
• Les "Agents" ne sont pas nouveaux : Le terme "IA agentique" est un rebranding marketing. Les systèmes multi-agents et l'IA distribuée existent depuis plus de 30 ans. Ce sont essentiellement des orchestrations de processus (comme les plugins ou BPM d'avant).

Faits et Données Importants

• Historique : L'IA a été fondée en 1956. Des robots comme "Attila" (Rodney Brooks) apprenaient déjà à marcher seuls dans les années 90.
• Taux d'échec : Environ 95% des projets IA échouent aujourd'hui, souvent car le sujet est complexe et mal abordé.
• Communauté de recherche : Contrairement à la rumeur disant qu'il y a moins de 10 chercheurs de pointe, il en existe des milliers (Chinois, Américains, Européens) publiant régulièrement sur arXiv.
• Coût et Énergie : Les LLM sont des solutions "de bourrin" qui consomment énormément de données et d'électricité. D'autres algorithmes (comme les algorithmes génétiques) sont parfois 1000 à 10 000 fois moins coûteux en énergie pour des tâches spécifiques (ex: optimisation logistique).
• Formation :
  • Apprendre le Prompt Engineering : quelques semaines.
  • Apprendre le Machine Learning : 3 à 6 mois.
  • Maîtriser les bases réelles de l'IA : 2 à 3 ans (plusieurs années pour devenir expert).
• Infrastructure : L'utilisation de GPU sur site (On-Premise) est souvent 3 à 10 fois moins chère que l'utilisation de GPU dans le Cloud pour les entreprises.

Conclusions et Recommandations

• Pour les particuliers et débutants :
  • Le marché de l'IA pour les débutants (formations rapides, automatisation n8n) est un océan rouge (saturé).
  • Ne pas croire aux promesses d'enrichissement rapide.
  • L'IA reste un métier d'expert nécessitant des compétences en informatique, sécurité, linguistique et psychologie.
• Pour les entreprises (Stratégie) :
  • Ne pas utiliser l'IA par défaut : Si un projet peut être fait sans IA, faites-le sans IA.
  • ROI et Valeur : Ne lancez pas de projet sans une valeur ajoutée clairement identifiée.
  • Éviter les POC (Preuves de Concept) faciles : Les démos sur 10 PDF fonctionnent toujours. Exigez des prototypes (MVP) sur des volumes significatifs (millions de pages) et des cas ambigus pour tester la réalité de la solution.
  • Mixité des compétences : Acceptez de payer des développeurs seniors chers qui utiliseront l'IA pour aller plus vite, plutôt que des juniors qui produiront du code non maintenable via l'IA.
• Vision globale : L'IA est en train de redevenir un sujet complexe. La bulle médiatique actuelle masque la réalité technique : c'est une discipline de l'informatique qui doit être traitée avec la même rigueur que les autres projets IT.