Une bulle technologique prête à éclater ? 🫧

Par Kathleen Desveaud – PhD en sciences de gestion, professeur de marketing, Kedge Business School

L’intelligence artificielle (IA) est souvent décrite comme la prochaine révolution capable de transformer nos vies. Depuis le lancement de ChatGPT en 2022, l’IA générative suscite un enthousiasme mondial. En 2023, Nvidia, acteur majeur de la fabrication de puces utilisées pour former des modèles d’IA, a dépassé une valorisation de marché de 1 trillion de dollars. L’année suivante, elle a franchi la barre des 3 trillions.

Cependant, cet engouement s’accompagne de doutes. Bien que l’IA soit sous les feux de la rampe médiatique, son impact économique concret reste modeste et son adoption par les entreprises est limitée. Une étude récente estime que seulement 5 % des entreprises utilisent réellement des technologies d’IA dans leurs processus, qu’il s’agisse d’IA générative, d’analytique prédictive ou de systèmes d’automatisation. Dans certains cas, l’IA est même accusée de détourner l’attention des dirigeants des problèmes opérationnels plus pressants.

Ce fossé entre les attentes et les résultats concrets soulève la question suivante : l’IA traverse-t-elle simplement un « cycle d’engouement », où un enthousiasme excessif est vite suivi de désillusion, comme cela a été observé avec d’autres technologies depuis les années 90 ? Ou assistons-nous à un réel déclin de l’intérêt pour cette technologie ?

Des origines de l’IA à ChatGPT : vagues d’optimisme et interrogations

L’histoire de l’IA est jalonnée de cycles d’optimisme et de scepticisme. Dès les années 1950, des chercheurs envisageaient un avenir rempli de machines capables de penser et de résoudre des problèmes aussi efficacement que les humains. Cet enthousiasme a engendré des promesses ambitieuses, telles que la création de systèmes pouvant traduire n’importe quelle langue automatiquement ou comprendre parfaitement le langage humain.

Cependant, ces attentes se sont révélées irréalistes compte tenu des limitations technologiques de l’époque. Ainsi, les premières déceptions ont conduit aux « hivers de l’IA » à la fin des années 1970 et 1980, périodes durant lesquelles le financement a chuté en raison de l’incapacité des technologies à tenir les promesses faites.

Les années 1990 ont marqué un tournant significatif grâce à trois éléments clés : l’explosion des données massives, l’augmentation de la puissance de calcul et l’émergence d’algorithmes plus efficaces. Internet a facilité la collecte massive de données, essentielles pour former des modèles d’apprentissage automatique. Ces vastes ensembles de données sont cruciaux car ils fournissent les exemples nécessaires à l’IA pour « apprendre » et réaliser des tâches complexes. Parallèlement, les avancées dans les processeurs ont permis d’exécuter des algorithmes avancés, tels que les réseaux de neurones profonds, qui sont à la base de l’apprentissage profond. Ces éléments ont ouvert la voie à des capacités d’IA capables d’effectuer des tâches auparavant inaccessibles, comme la reconnaissance d’images et la génération de textes automatiques.

Cependant, ces capacités accrues ravivent les espoirs d’une révolution tant attendue, mais s’accompagnent également de défis et de risques majeurs, tempérant ainsi l’enthousiasme entourant l’IA.

Une prise de conscience graduelle des limitations techniques pesant sur l’avenir de l’IA

Récemment, les acteurs concernés par le développement de l’IA ont pris conscience des limitations des systèmes actuels, qui pourraient entraver leur adoption et restreindre les résultats escomptés. Tout d’abord, les modèles d’apprentissage profond sont souvent décrits comme des « boîtes noires » en raison de leur complexité, rendant leurs décisions difficiles à expliquer. Cette opacité peut réduire la confiance des utilisateurs, limitant ainsi l’adoption par crainte des risques éthiques et juridiques.

Les biais algorithmiques constituent un autre problème majeur. Les systèmes d’IA utilisent d’énormes quantités de données qui sont rarement exemptes de biais. Ainsi, l’IA reproduit ces biais dans ses résultats, comme cela a été le cas avec l’algorithme de recrutement d’Amazon, qui discriminait systématiquement les femmes. Plusieurs entreprises ont dû faire marche arrière en raison des biais détectés dans leurs systèmes. Par exemple, Microsoft a retiré son chatbot Tay après avoir généré des propos haineux, tandis que Google a suspendu son outil de reconnaissance faciale, qui s’est avéré moins efficace pour les personnes de couleur.

Ces risques rendent certaines entreprises réticentes à adopter ces systèmes, de peur de nuire à leur réputation.

De plus, l’empreinte environnementale de l’IA inquiète également. Les modèles avancés nécessitent une puissance de calcul significative et entraînent une consommation énergétique massive. Par exemple, entraîner de grands modèles comme GPT-3 générerait autant de CO₂ que cinq allers-retours entre New York et San Francisco (environ 2 500 miles dans chaque sens). Dans le contexte de la lutte contre le changement climatique, cela soulève des questions sur la pertinence du déploiement à grande échelle de ces technologies.

Globalement, ces limitations expliquent pourquoi certaines promesses initiales, telles que celle d’une automatisation généralisée et fiable, n’ont pas été pleinement réalisées et font face à des défis concrets qui pourraient tempérer l’enthousiasme pour l’IA.

Vers une adoption mesurée et régulée de l’IA ?

L’IA, déjà bien intégrée dans nos vies quotidiennes, semble trop ancrée pour disparaître, rendant peu probable un nouvel « hiver de l’IA » semblable à ceux des années 1970 et 1980. Plutôt qu’un déclin durable de cette technologie, certains observateurs suggèrent l’émergence d’une bulle. L’engouement, amplifié par l’utilisation répétée du terme « révolution », a effectivement contribué à un enthousiasme souvent disproportionné et à la formation d’une certaine bulle. Il y a dix ans, c’était l’apprentissage automatique ; aujourd’hui, c’est l’IA générative. Différents concepts ont été popularisés tour à tour, chacun promettant une nouvelle révolution technologique.

Cependant, l’IA moderne est loin d’être une « révolution » : elle s’inscrit dans la continuité des recherches passées, ayant permis le développement de modèles plus sophistiqués, efficaces et utiles.

Cependant, cette sophistication a un coût pratique, éloigné des annonces tapageuses. En effet, la complexité des modèles d’IA explique en partie pourquoi tant d’entreprises trouvent difficile l’adoption de l’IA. Souvent grands et difficiles à maîtriser, les modèles d’IA nécessitent une infrastructure dédiée et une expertise rare, qui sont particulièrement coûteuses. Le déploiement de systèmes d’IA peut donc s’avérer plus onéreux que bénéfique, tant sur le plan financier qu’énergétique. Par exemple, il est estimé qu’un algorithme comme ChatGPT coûte jusqu’à 700 000 $ par jour à faire fonctionner, en raison des ressources immenses en informatique et en énergie requises.

À ce coût s’ajoute la question réglementaire. Des principes tels que la minimisation de la collecte de données personnelles, exigée par le RGPD, contredisent l’essence même de l’IA actuelle. La loi sur l’IA, entrée en vigueur en août 2024, pourrait également remettre en question le développement de ces systèmes sophistiqués. Il a été démontré que des IA comme GPT-4 d’OpenAI ou PaLM2 de Google ne répondaient pas à 12 exigences clés de cette loi. Cette non-conformité pourrait remettre en question les méthodes de développement actuelles de l’IA, affectant leur déploiement.

Toutes ces raisons pourraient conduire à l’éclatement de cette bulle IA, nous incitant à reconsidérer la représentation exagérée de son potentiel dans les médias. Il est donc nécessaire d’adopter une approche plus nuancée, redirigeant le discours vers des perspectives plus réalistes et concrètes qui reconnaissent les limitations de ces technologies.

Cette prise de conscience doit également nous orienter vers un développement de l’IA plus mesuré, avec des systèmes mieux adaptés à nos besoins et moins risqués pour la société.