Un guide pour comprendre l’IA comme une technologie normale

Traduction de A guide to understanding AI as normal technology, par Arvind Narayanan et Sayash Kapoor, 9 septembre 2025 sur le blog AI as Normal Technology. Voir aussi : L’IA, une technologie normale (avril 2025) par Narayanan et Kapoor et Comprendre l’IA en tant que technologie sociale, par Henry Farrell, 12 septembre 2025.

Lorsque nous avons publié AI as Normal Technology, (traduction française : L’IA, une technologie normale-pdf) l’impact nous a pris au dépourvu. Il est rapidement devenu le projet le plus influent que nous ayons jamais réalisé.1Comme c’est souvent le cas, le timing fortuit a joué un rôle important dans le succès de l’essai. Il a été publié deux semaines après AI 2027, mais c’était purement par coïncidence — notre date de publication était en fait basée sur le symposium du Knight Institute sur l’IA et les libertés démocratiques. Nous sommes reconnaissants à l’Institut de nous avoir donné l’occasion de publier cet essai. Nous avons interprété cela comme un signal fort nous invitant à consacrer davantage de temps à réfléchir et à écrire sur l’avenir à moyen terme de l’IA et ses impacts, en proposant une analyse fondée sur un sujet qui tend à susciter la spéculation. Il s’agit d’un changement d’orientation par rapport à l’écriture sur les impacts actuels et à court terme de l’IA, qui était l’objet du projet AI Snake Oil.

Pour refléter ce changement, nous avons renommé cette newsletter. Nous avons déjà publié deux essais complémentaires à « L’IA comme technologie normale » et nous en publierons d’autres régulièrement à mesure que nous développerons notre cadre dans un livre, que nous prévoyons d’achever fin 2026 pour une publication en 2027.

Aujourd’hui, nous abordons les points de confusion courants concernant « L’IA comme technologie normale », essayons de rendre l’essai original plus accessible et le comparons à « AI 2027 ».

Table des matières

  1. Normal ne signifie pas banal ou prévisible
  2. Une reformulation de notre thèse
  3. Si votre déception concernant le GPT-5 vous a poussé vers l’IA en tant que technologie normale, il est possible que vous ne compreniez pas tout à fait la thèse
  4. Pourquoi il est difficile de trouver un « juste milieu » entre l’IA en tant que technologie normale et l’IA 2027
  5. Il est difficile de comprendre une vision du monde lorsque l’on est attaché à une autre
  6. Pour récolter les fruits de l’IA, il faudra travailler dur et faire des choix douloureux
  7. Le débat surréaliste sur la vitesse de diffusion
  8. Pourquoi l’adoption de l’IA a un impact différent
  9. Conclusion

Normal ne signifie pas banal ou prévisible

Bien que l’essai traite de ce que nous entendons par « normal » (nous y reviendrons plus loin), nous aurions pu être plus explicites sur ce que cela ne signifie pas.

Notre argument n’est pas « il n’y a rien à voir ici, circulez ». En effet, les effets sociétaux imprévisibles ont été la marque de fabrique des technologies puissantes, des automobiles aux réseaux sociaux. Cela s’explique par le fait qu’il s’agit d’effets émergents d’interactions complexes entre la technologie et les personnes. Ils ne sont généralement pas prévisibles sur la base de la seule logique de la technologie. C’est pourquoi le rejet du déterminisme technologique est l’un des principes fondamentaux de l’essai sur la technologie normale.

Dans le cas de l’IA, en particulier des chatbots, nous observons déjà des effets sociétaux émergents. La prévalence des compagnons IA et certains des effets néfastes de la flagornerie des modèles, tels que la « psychose IA », ont pris la plupart des observateurs par surprise.2Les problèmes de santé mentale liés aux chatbots en général, et les problèmes tels que la dépendance, ont été largement reconnus et discutés, notamment dans notre livre AI Snake Oil. Ceux-ci tendent à s’appuyer sur une analogie avec les réseaux sociaux. Mais anticiper les impacts potentiels sur la santé mentale est une chose, prédire précisément quels impacts pourraient apparaître et comment les éviter en est une autre. D’autre part, de nombreux risques largement prédits comme imminents, tels que l’utilisation de l’IA pour manipuler les élections, ne se sont pas concrétisés.

Personne ne peut prédire à quoi ressemblera le paysage des impacts sociaux de l’IA dans trois à cinq ans, même en se basant sur la diffusion des capacités actuelles, et non sur les capacités futures.

Le développement des capacités techniques est plus prévisible que les impacts sociaux de l’IA. Daniel Kokotajlo, l’un des auteurs de AI 2027, était déjà célèbre dans le milieu de la sécurité de l’IA pour son essai « What 2026 looks like » (À quoi ressemblera 2026) publié en 2021. Ses prédictions concernant la technologie elle-même se sont révélées étrangement précises, mais celles concernant les impacts sociaux n’étaient globalement pas correctes, ce qu’il a eu l’amabilité de reconnaître lors d’une discussion en podcast avec l’un d’entre nous.

Tout cela fait de l’IA un défi plus sérieux pour les institutions et les décideurs politiques, car ils devront réagir avec agilité à des impacts imprévisibles au lieu de se reposer sur le faux confort des prévisions ou d’essayer de prévenir tous les dommages. D’une manière générale, l’approche politique qui permet une telle adaptabilité est appelée « résilience », ce que notre essai préconisait. Mais si nous avons mis l’accent sur la résilience comme approche pour faire face à des risques potentiellement catastrophiques, nous aurions dû préciser plus clairement que la résilience joue également un rôle important dans la gestion de risques plus diffus.

C’est peut-être le mot « normal » qui a conduit certains lecteurs à mal comprendre notre point de vue sur la prévisibilité. Encore une fois, notre objectif n’est pas de banaliser la tâche qui consiste à s’adapter individuellement et collectivement à l’IA. Dans un monde idéal, un titre plus approprié aurait été simplement « L’IA en tant que technologie », mais nous ne pensions pas que cela permettrait de communiquer efficacement notre objectif, qui est de proposer une alternative à l’exceptionnalisme qui caractérise la vision du monde de la superintelligence qui domine actuellement le discours.

Une reformulation de notre thèse

Si nous devions extraire et simplifier le cœur de notre thèse, cela donnerait quelque chose comme ceci :

Il existe une longue chaîne causale entre l’augmentation des capacités de l’IA et son impact sur la société. Les avantages et les risques se concrétisent lorsque l’IA est déployée, et non lorsqu’elle est développée. Cela nous donne (aux individus, aux organisations, aux institutions, aux décideurs politiques) de nombreux leviers pour façonner ces impacts. Nous n’avons donc pas à nous inquiéter autant de la vitesse de développement des capacités ; nos efforts devraient se concentrer davantage sur la phase de déploiement, tant du point de vue de la réalisation des avantages de l’IA que de la réponse aux risques. Tout cela n’est pas seulement vrai pour l’IA actuelle, mais aussi face à des développements hypothétiques tels que l’auto-amélioration des capacités de l’IA. Bon nombre des limites des systèmes d’IA sont (et doivent être) externes à ces systèmes, de sorte qu’elles ne peuvent être surmontées simplement en laissant l’IA s’améliorer d’elle-même sur le plan technique.

Certains aspects de ce cadre devront peut-être être révisés à terme, mais cela dépasse l’horizon de ce que nous pouvons raisonnablement anticiper ou préparer :

Le monde que nous décrivons dans la partie II est un monde dans lequel l’IA est beaucoup plus avancée qu’aujourd’hui. Nous ne prétendons pas que les progrès de l’IA — ou ceux de l’humanité — s’arrêteront à ce stade. Que se passera-t-il ensuite ? Nous ne le savons pas. Prenons cette analogie : à l’aube de la première révolution industrielle, il aurait été utile d’essayer d’imaginer à quoi ressemblerait un monde industrialisé et comment s’y préparer, mais il aurait été vain d’essayer de prédire l’électricité ou les ordinateurs. Notre exercice ici est similaire. Comme nous rejetons les scénarios de « décollage rapide », nous ne voyons pas la nécessité ni l’utilité d’envisager un monde plus lointain que celui que nous avons tenté de décrire. Si et quand le scénario que nous décrivons dans la partie II se concrétisera, nous serons en mesure de mieux anticiper et nous préparer à ce qui viendra ensuite.

Quoi qu’il en soit, pour réitérer, le cœur de la thèse est le cadre causal sous-jacent permettant de comprendre la relation entre l’IA et la société, et non les impacts spécifiques qu’elle pourrait ou non avoir. À notre avis, si vous partagez cette compréhension causale, vous adhérez à la thèse de la technologie normale. Nous avons constaté que ce cadre est en effet largement partagé, bien qu’implicitement.

Cela rend la thèse presque tautologique dans l’esprit de nombreux lecteurs. Nous faisons ce que nous considérons comme une affirmation très faible, et ce que ces lecteurs devraient considérer comme tel ! Ne pas reconnaître cela amène les lecteurs à rechercher quelque chose de beaucoup plus spécifique que ce que nous avons pu vouloir dire par « normal ». Mais ce n’est pas le cas. Nous ne classons pas les technologies comme « normales » et « anormales », puis ne plaçons pas l’IA dans la catégorie « normale ». Nous disons simplement que nous devrions traiter l’IA comme nous traitons les autres technologies puissantes à usage général.

Cela ne concerne pas spécifiquement les grands modèles linguistiques ou un type particulier d’IA. C’est d’ailleurs pour cette raison que le titre est « L’IA en tant que technologie normale » et non « L’IA en tant que une technologie normale ». Notre point de vue s’applique à l’ensemble des technologies collectivement appelées IA, ainsi qu’à d’autres technologies similaires, même si elles ne sont pas désignées sous le nom d’IA.

Si notre vision du monde est presque tautologique, pourquoi prendre la peine de l’énoncer ? Parce qu’elle contraste avec la vision du monde de la superintelligence. C’est le propre des visions du monde : il peut exister des visions du monde contradictoires qui semblent toutes deux tautologiques à ceux qui y adhèrent.

Si votre déception concernant GPT-5 vous a poussé à considérer l’IA comme une technologie normale, il est possible que vous ne compreniez pas tout à fait la thèse

Il est intéressant de noter que notre essai a suscité un regain d’intérêt après la sortie de GPT-5, et il est raisonnable de supposer que cela s’explique en partie par le fait que certaines personnes ont légèrement changé d’avis après avoir été déçues par cette sortie.

C’est étrange ! Ce n’est pas la première fois que cela se produit : nous avions déjà exprimé notre scepticisme face à un important changement de discours sur la mise à l’échelle, qui s’était produit sans qu’il y ait pratiquement aucune nouvelle information. Si une simple mise à jour d’un produit modifie l’opinion des gens sur la trajectoire de l’IA, dans quelle mesure les preuves sur lesquelles ils s’appuient sont-elles fiables ?

La raison pour laquelle le cadre technologique normal prévoit des délais longs n’est pas parce que les capacités atteindront leurs limites, mais parce que les impacts seront lents et progressifs, même si les capacités continuent à progresser rapidement. Nous ne pensons donc pas que la déception suscitée par une nouvelle version devrait vous inciter à considérer l’IA comme une technologie normale. De même, une nouvelle avancée annoncée demain ne devrait pas vous rendre plus sceptique à l’égard de nos opinions.

La meilleure façon de comprendre GPT-5 est de considérer qu’il s’agit d’un exemple particulièrement parlant du changement d’orientation des développeurs d’IA, qui sont passés des modèles aux produits, comme nous l’avons écrit il y a un an. Le commutateur automatique de modèle est très important pour les utilisateurs quotidiens de ChatGPT. Il s’avère que presque personne n’utilisait les modèles « pensants » près d’un an après leur lancement, et GPT-5 a considérablement augmenté leur utilisation.

Dans certaines de ses communications, Altman a clairement indiqué que l’accent était mis sur la facilité d’utilisation de GPT-5, et non sur une avancée spectaculaire en termes de capacités, mais ce message a malheureusement été éclipsé par le battage médiatique constant, ce qui a conduit à une certaine déception.

Cette évolution plus large du secteur est en fait tout à fait cohérente avec le fait que les entreprises elles-mêmes en viennent (à contrecœur) à reconnaître que la voie du succès passe par le travail acharné de création de produits et de promotion de leur adoption, plutôt que par la course à la création d’une AGI ou d’une superintelligence sur laquelle elles compteraient pour balayer tous les obstacles à la diffusion. Ironiquement, dans ce récit, GPT-5 est un exemple de réussite, et non d’échec.

En fait, les développeurs de modèles commencent à aller au-delà du développement de produits plus utiles (la deuxième étape de notre cadre de développement et d’adoption technologique) et à travailler avec les déployeurs pour faciliter les difficultés liées à l’adoption précoce (la troisième étape). Par exemple, les ingénieurs déployés sur le terrain d’OpenAI travaillent avec des clients tels que John Deere, et directement avec des agriculteurs, à l’intégration et au déploiement de fonctionnalités telles que la fourniture de recommandations personnalisées pour l’application de pesticides.

Pourquoi il est difficile de trouver un « juste milieu » entre l’IA en tant que technologie normale et l’IA 2027

Beaucoup de gens ont essayé d’articuler des positions intermédiaires entre l’IA 2027 et l’IA en tant que technologie normale, considérant peut-être ces deux concepts comme les deux extrémités d’un spectre de points de vue.

Cela s’avère étonnamment difficile. L’IA 2027 et l’IA en tant que technologie normale sont deux visions du monde cohérentes. Elles représentent des compréhensions causales très différentes de l’impact de la technologie sur la société. Si vous essayez de les mélanger et de les assortir, vous risquez de vous retrouver avec un méli-mélo incohérent. (Soit dit en passant, cela signifie que si nous nous trompons, il est plus probable que nous nous trompions complètement plutôt que légèrement).

De plus, ce n’est que dans la bulle de la Silicon Valley que l’IA en tant que technologie normale peut être considérée comme une vision sceptique ! Nous comparons l’IA à l’électricité dans la deuxième phrase de l’essai, et nous indiquons clairement tout au long de celui-ci que nous nous attendons à ce qu’elle ait des répercussions profondes. Nos attentes concernant l’impact de l’IA sur le travail semblent se situer à l’extrémité la plus agressive de l’éventail des attentes des économistes qui travaillent sur ce sujet.

En bref, si vous recherchez une position modérée, nous vous encourageons à lire l’essai dans son intégralité. Ne vous laissez pas tromper par le titre et ne pensez pas que nous sommes sceptiques à l’égard de l’IA. Vous conclurez peut-être que l’IA en tant que technologie normale est déjà le juste milieu que vous recherchez.

Nous sommes conscients qu’il peut être déconcertant que les deux cadres de réflexion les plus largement discutés sur l’avenir de l’IA soient si radicalement différents. (Notre essai lui-même offre de nombreux commentaires sur cet état de fait dans la partie 4, qui traite de la politique.) Nous pouvons vous offrir quelques réflexions réconfortantes :

  • Nous sommes d’accord avec les auteurs de AI 2027 sur de nombreux points. Nous travaillons actuellement à une déclaration commune qui les résume. Nous remercions Nicholas Carlini d’avoir organisé cet effort.
  • À notre avis, ce qui importe plus que l’accord sur les croyances, ce sont les points communs en matière de politique malgré les différences de croyances. Même les interventions politiques relativement « faciles » sur lesquelles les différentes parties peuvent s’accorder constitueront un défi de taille dans la pratique. Si nous ne parvenons pas à les réaliser, il y a peu d’espoir pour les mesures beaucoup plus radicales préconisées par ceux qui s’inquiètent de l’imminence de la superintelligence.
  • Plusieurs efforts sont en cours pour identifier les points de désaccord essentiels et s’accorder sur des indicateurs qui pourraient aider à trancher entre les deux visions du monde. Nous avons participé à certains de ces efforts et nous sommes impatients de continuer à le faire. Nous sommes reconnaissants au Golden Gate Institute for AI pour ses efforts dans ce domaine.
  • En ce qui concerne le développement d’indicateurs, nous sommes en train d’élargir la vision de notre projet HAL, Holistic Agent Leaderboard. Actuellement, il s’agit d’un système de référence pour les agents IA, mais le nouveau projet consiste à le développer en un système d’alerte précoce qui aide la communauté IA à identifier quand les agents IA ont franchi les seuils de capacité pour avoir un impact transformateur dans divers domaines du monde réel.
  • Nous considérons ces seuils de capacité comme des conditions nécessaires mais pas toujours suffisantes pour avoir un impact, et lorsqu’ils seront atteints, ils souligneront de manière beaucoup plus aiguë nos thèses sur les obstacles non technologiques aux avantages et aux risques.
  • Notez que HAL ne concerne pas la prédiction, mais la conscience situationnelle du présent. C’est l’un des thèmes de notre travail. Ce qui est remarquable dans le discours sur l’IA en général, et dans Nous versus AI 2027 en particulier, c’est la grande diversité des points de vue, non seulement sur l’avenir, mais aussi sur les choses que nous pouvons observer, comme la vitesse de diffusion (nous y reviendrons plus loin). À moins que notre communauté ne s’améliore considérablement dans la mesure du présent et dans la vérification des explications causales concurrentes du progrès, l’énergie consacrée à la prédiction sera mal orientée, car nous ne disposons pas des moyens de vérifier ces prédictions. Par exemple, nous avons fait valoir que nous ne saurons pas nécessairement si une « AGI » a été construite, même a posteriori. Dans une certaine mesure, ces limites sont intrinsèques en raison du manque de précision conceptuelle d’idées telles que l’AGI, mais il est également vrai que nous pouvons faire beaucoup mieux en matière de mesure.

Il est difficile de comprendre une vision du monde lorsque l’on est attaché à une autre

Nous avons écrit :

L’IA en tant que technologie normale est une vision du monde qui contraste avec la vision de l’IA en tant que superintelligence imminente. Les visions du monde sont constituées de leurs hypothèses, de leur vocabulaire, de leurs interprétations des preuves, de leurs outils épistémiques, de leurs prédictions et (éventuellement) de leurs valeurs. Ces facteurs se renforcent mutuellement et forment un ensemble cohérent au sein de chaque vision du monde.

Cela rend difficile la communication entre les différentes visions du monde. Par exemple, une question que nous recevons souvent de la part des membres d’AI 2027 est de savoir à quoi ressemblera le monde en 2027 selon nous. Eh bien, à peu près comme le monde en 2025, répondons-nous. Ils nous poussent alors à envisager 2035 ou 2045 ou toute autre année à laquelle le monde sera transformé, et ils considèrent comme une lacune de notre cadre le fait que nous ne fournissions pas de scénarios concrets.

Mais ce type de prévision de scénarios n’a de sens que dans leur vision du monde. Nous sommes concrets sur les choses pour lesquelles nous pensons pouvoir être concrets. Dans le même temps, nous soulignons le rôle des acteurs humains, institutionnels et politiques dans la création d’avenirs radicalement différents, y compris AI 2027. Ainsi, l’IA en tant que technologie normale est autant une prescription qu’une prédiction.

Il est important de garder à l’esprit ces difficultés de communication lorsque l’on examine la réponse de Scott Alexander, l’un des auteurs de AI 2027, à AI as Normal Technology. Bien que nous ne doutions pas qu’il s’agisse d’un effort de dialogue de bonne foi et que nous apprécions le temps qu’il y a consacré, nous estimons malheureusement que sa réponse passe largement à côté de notre propos. Ce qu’il identifie comme les points cruciaux du désaccord est très différent de ce que nous considérons comme les points cruciaux ! C’est pourquoi nous ne répondrons pas point par point, car nous finirions probablement par passer à côté de son propos.

Mais nous serions heureux de participer à des conversations modérées, un format qui a fait ses preuves et que nous avons utilisé 8 à 10 fois au cours de l’année dernière. La nature synchrone de ces conversations facilite grandement la compréhension mutuelle. Et le fait que la conversation privée soit éditée avant d’être rendue publique permet de poser plus facilement des questions stupides, chaque partie cherchant à comprendre le point de vue de l’autre.

Quoi qu’il en soit, voici quelques points importants sur lesquels la réponse d’Alexander passe à côté de notre propos. L’auto-amélioration récursive (RSI) est un point de désaccord crucial pour Alexander, et il est surpris que cela ne vaille guère la peine d’être mentionné pour nous. Pour être honnêtes, nous aurions pu être beaucoup plus explicites dans notre essai sur ce que nous pensons de la RSI. En bref, nous ne pensons pas que la RSI conduira à une superintelligence, car les obstacles externes à la construction et au déploiement de systèmes d’IA puissants ne peuvent être surmontés en améliorant leur conception technique. C’est pourquoi nous n’en parlons pas beaucoup.3Cela dit, nous reconnaissons que toute notre thèse pourrait être erronée, et il est plus probable que nous nous trompions si le RSI est atteint.
Bien que ce ne soit pas un point crucial pour nous, nous expliquons dans l’essai pourquoi nous pensons que la communauté de l’IA est loin de la RSI. Plus récemment, nous avons réfléchi aux défis fondamentaux de la recherche qui doivent être résolus, et ils sont beaucoup plus nombreux que nous ne le pensions. Il convient de garder à l’esprit que la communauté de l’IA pourrait être particulièrement mauvaise pour trouver de nouveaux paradigmes de progrès par rapport à d’autres communautés scientifiques. Encore une fois, c’est un domaine dans lequel nous espérons que notre projet HAL pourra jouer un rôle dans la mesure des progrès.

Un autre sujet sur lequel la réponse d’Alexander passe à côté de notre propos concerne la vitesse de diffusion, que nous commentons brièvement ci-dessous et que nous aborderons plus en détail dans un prochain essai.

La meilleure illustration de la difficulté du discours entre différentes visions du monde est la discussion d’Alexander sur nos hypothèses quant à la possibilité ou non de capacités d’IA surhumaines dans des tâches telles que la prédiction ou la persuasion. Après avoir lu sa réponse à plusieurs reprises, il nous est difficile de déterminer exactement sur quels points nous sommes d’accord et sur lesquels nous divergeons. Nous avons écrit :

Nous pensons qu’il existe relativement peu de tâches cognitives dans le monde réel où les limites humaines sont si évidentes que l’IA est capable de dépasser les performances humaines (comme c’est le cas dans le domaine des échecs). … Concrètement, nous proposons deux domaines : la prévision et la persuasion. Nous prévoyons que l’IA ne sera pas en mesure de surpasser de manière significative les humains formés (en particulier les équipes humaines, surtout si elles sont équipées d’outils automatisés simples) dans la prévision d’événements géopolitiques (par exemple, les élections). Nous faisons la même prédiction pour la tâche consistant à persuader les gens d’agir contre leur propre intérêt.

Vous pouvez lire sa réponse complète à ce sujet dans la section 3B de son essai, mais en bref, elle se concentre sur les limites biologiques humaines :

Les humains ont acquis leurs capacités au cours de milliers d’années d’évolution dans la savane africaine. Il n’y avait pas de pression particulière dans la savane pour « obtenir le score de Brier le plus élevé possible dans un concours de prévision », et il n’y a aucune raison particulière de penser que les humains y sont parvenus. En effet, si les preuves de l’évolution humaine vers une intelligence supérieure au cours des 10 000 dernières années en réponse à l’agriculture s’avèrent vraies, les humains n’ont certainement pas atteint le maximum cosmique dans la savane africaine. Pourquoi devrions-nous penser que cette dernière phase de sélection, très courte, a été parfaitement réussie ?

Mais rejeter une conception biologique des capacités humaines est un point de départ essentiel pour nous, que nous nous efforçons de décrire en détail dans la section « Les capacités humaines ne sont pas limitées par la biologie ». C’est le problème des discussions entre différentes visions du monde : si vous prenez une affirmation spécifique, ignorez les prémisses et les clarifications terminologiques qui y mènent, et l’interprétez selon votre vision du monde, vous aurez l’impression que votre adversaire n’y comprend rien. Alexander pense-t-il que nous suggérons que si un habitant de la savane voyageait dans le temps jusqu’à nos jours, il serait capable de prédire les élections ?

Il souligne que les performances humaines ne sont pas fixes, mais considère cela comme une réfutation de notre thèse (plutôt que comme un élément central de celle-ci). La confusion est peut-être née de notre hypothèse selon laquelle les performances humaines en matière de prévision sont proches de l’« erreur irréductible ». Nous ne sous-entendons pas que l’erreur irréductible de la prévision est un chiffre spécifique qui est fixe pour toujours. Bien sûr, cela dépend des données disponibles — de meilleurs sondages conduisent à de meilleures prévisions — et de la formation qui aide à tirer parti de l’augmentation des données. Et une partie de cette formation pourrait même être le résultat de recherches sur la prévision rendues possibles par l’IA. Nous soulignons dans notre essai original que l’intelligence humaine est spéciale non pas en raison de notre biologie, mais en raison de notre maîtrise (contingente) de nos outils, y compris l’IA. Ainsi, les progrès de l’IA amélioreront souvent l’intelligence (les capacités) humaine et ont le potentiel d’améliorer les performances des deux côtés de la comparaison homme-IA que nous proposons.

Notre hypothèse est simple : nous ne pensons pas que la prévision soit comparable aux échecs, où une multitude de calculs peut donner à l’IA un avantage décisif en termes de vitesse. La structure computationnelle de la prévision est relativement simple, même si les performances peuvent être considérablement améliorées grâce à la formation et aux données. Ainsi, des outils computationnels relativement simples entre les mains d’équipes de prévisionnistes experts correctement formés peuvent tirer (presque) tout le parti possible.

Nous sommes heureux que la réponse d’Alexander nous félicite d’avoir « mis notre argent là où nous avons mis notre bouche sur la possibilité d’une coopération mutuelle ». Le sentiment est réciproque. Nous sommes impatients de poursuivre cette coopération, que nous considérons comme plus productive que les réfutations et contre-réfutations de Substack.

Pour tirer parti des avantages de l’IA, il faudra travailler dur et faire des choix difficiles

Notre cadre a deux grandes implications : l’une pour l’économie et le travail, l’autre pour la sécurité. Une fois que nous avons dépassé quelques prémisses de base (notamment que la superintelligence est incohérente ou impossible selon la façon dont elle est définie), nos arguments derrière ces deux séries d’implications sont très différents.

En ce qui concerne les impacts économiques, notre argument est globalement que les barrières à la diffusion ne seront pas surmontées par l’amélioration des capacités. En matière de sécurité, notre argument est principalement que le contrôle de l’IA sans alignement est non seulement possible, mais qu’il ne semble même pas particulièrement difficile et ne nécessite pas de percées scientifiques.

Comme ces deux séries d’arguments ne se recoupent pas beaucoup, il est cohérent d’accepter l’une sans accepter (ou en étant ambivalent) l’autre. En effet, notre point de vue sur les impacts économiques semble avoir trouvé un écho particulièrement fort auprès des lecteurs. Depuis la publication de l’essai, nous avons eu de nombreuses discussions avec des responsables de la stratégie IA dans divers secteurs. Nous avons découvert que leur façon de penser l’IA était cohérente avec la nôtre, mais qu’ils commençaient à remettre en question leur approche en raison de tout le battage médiatique. Notre essai a fourni un cadre cohérent qui a confirmé leurs intuitions ainsi que leurs observations sur le terrain.4Ce cadre s’inspire de la théorie classique de la diffusion des innovations et s’appuie également sur les travaux d’auteurs récents tels que Jeffrey Ding, qui ont analysé la concurrence géopolitique dans le domaine de l’IA à travers le prisme de l’écart entre innovation et diffusion.

Si les personnes qui déploient l’IA ont une compréhension aiguë de la différence entre le développement technologique et la diffusion, notre cadre divise chacun de ces aspects en deux étapes. Du côté du développement, nous mettons l’accent sur l’écart entre les modèles et les produits, ou entre les capacités et les applications. Du côté de la diffusion, nous faisons la distinction entre les courbes d’apprentissage des utilisateurs et d’autres aspects de l’adaptation par les individus, et les changements structurels, organisationnels ou juridiques qui pourraient être nécessaires, et qui nécessitent souvent une action collective. Nous illustrons les types de limites de vitesse qui s’appliquent à chacune des quatre étapes.

Si les comportements des utilisateurs ont tendance à évoluer lentement mais de manière prévisible, la résolution des problèmes de coordination ou la réforme des institutions sclérosées, qui sont également des conditions préalables à l’adoption efficace de la technologie, sont beaucoup plus incertaines. À titre d’exemple, considérons comment le contrôle du trafic aérien est resté bloqué avec une technologie datant du milieu du XXe siècle, malgré les coûts énormes liés à l’absence de modernisation qui deviennent évidents.

Si notre essai soulignait l’existence d’obstacles analogues à la diffusion dans le cas de l’IA, nous ne faisons que commencer à définir ces obstacles et à identifier les réformes spécifiques qui pourraient être nécessaires. Nous écrirons davantage à ce sujet, en partie en collaboration avec Justin Curl.

Il convient de garder à l’esprit que l’IA avancée fait son entrée dans un monde déjà hautement technologique et fortement réglementé. Nous constatons à maintes reprises que les parties des flux de travail prises en charge par l’IA sont peu susceptibles de constituer des goulots d’étranglement, car la plupart des gains de productivité disponibles ont déjà été réalisés grâce aux vagues technologiques précédentes. Parallèlement, les véritables goulots d’étranglement s’avèrent résistants en raison de la réglementation ou d’autres contraintes externes. Dans de nombreux domaines spécifiques, notamment les services juridiques et la recherche scientifique, la dynamique concurrentielle est si forte que les gains de productivité liés à l’IA conduisent à une escalade de la course à l’armement qui, en fin de compte, ne se traduit pas par une valeur sociétale.

Le débat surréaliste sur la vitesse de diffusion

Nous avons mentionné à plusieurs reprises que les différents camps ne s’accordent pas sur la manière de caractériser les impacts actuels de l’IA. Cela est particulièrement évident en ce qui concerne la vitesse de diffusion. Les partisans de l’IA estiment qu’elle est adoptée à une vitesse sans précédent. Nous ne sommes absolument pas d’accord. Pire encore, à mesure que de nouvelles preuves apparaissent, chaque camp semble se renforcer dans son interprétation.

Nous travaillons actuellement sur une analyse approfondie de la vitesse de diffusion. Pour l’instant, nous soulignons quelques erreurs fondamentales dans les arguments et les statistiques couramment avancés pour justifier l’interprétation d’une « adoption rapide ».

Tout d’abord, le déploiement n’est pas synonyme de diffusion. Souvent, lorsque les gens parlent d’adoption rapide, ils veulent simplement dire que lorsque des capacités sont développées, elles peuvent être déployées presque instantanément dans des produits (tels que les chatbots) utilisés par des centaines de millions d’utilisateurs.

Mais ce n’est pas ce que signifie la diffusion. Il ne suffit pas de savoir combien de personnes ont accès à ces capacités : ce qui importe, c’est combien de personnes les utilisent réellement, depuis combien de temps et à quelles fins. Lorsque l’on examine ces détails de plus près, le tableau est très différent.

Par exemple, près d’un an après la sortie tant vantée des modèles « pensants » dans ChatGPT, moins de 1 % des utilisateurs les utilisaient chaque jour ! Nous ne prenons aucun plaisir à souligner ce fait, même s’il vient étayer notre thèse. En tant que pionniers enthousiastes de l’IA, ce chiffre nous semble si bas qu’il nous est difficile à appréhender intuitivement, et franchement assez déprimant.

Un autre exemple de statistique trompeuse concerne la proportion de travailleurs dans certains domaines à haut risque qui utilisent l’IA. Ces statistiques sont souvent utilisées pour affirmer que l’IA est rapidement adoptée de manière risquée. Mais même dans les domaines à haut risque, la plupart des tâches sont en réalité banales, et lorsque l’on examine leurs utilisations spécifiques, elles ne semblent pas du tout risquées.

Par exemple, une enquête menée par l’American Medical Association a révélé que la majorité des médecins utilisent l’IA. Mais cela inclut des tâches telles que la transcription de notes dictées.5Bien qu’il existe des risques, même dans ce domaine, nous pensons qu’il s’agit sans aucun doute d’une application que les médecins devraient explorer. Cela inclut également des tâches telles que demander à un chatbot un deuxième avis sur un diagnostic (environ 12 % ont déclaré utiliser l’IA à cette fin en 2024, soit une augmentation considérable de 1 point de pourcentage par rapport aux 11 % enregistrés en 2023). Il s’agit certes d’une utilisation plus sérieuse que la transcription, mais elle reste tout à fait justifiée. Comme nous l’avons déjà souligné, même une IA peu fiable est très utile pour la détection des erreurs.

L’adoption croissante de l’IA pour ces tâches ne signifie pas que les médecins sont sur le point de se lancer dans une attitude YOLO et d’abdiquer leur responsabilité envers leurs patients en déléguant leurs décisions à ChatGPT. La grande majorité des médecins comprennent la différence entre ces deux types d’utilisation, et il existe de nombreuses mesures de protection qui empêchent une utilisation irresponsable généralisée dans la profession médicale, notamment la responsabilité pour faute professionnelle, les codes professionnels et la réglementation des dispositifs médicaux.

Le mème le plus trompeur sur l’« adoption rapide » est peut-être ce graphique largement diffusé, qui montre que ChatGPT a atteint 100 millions d’utilisateurs en environ deux mois :

Il compare la croissance du nombre d’utilisateurs de ChatGPT à celle (1) d’Instagram, Facebook et Twitter, qui sont des applications de réseaux sociaux dont l’utilité dépend des effets de réseau et qui, par conséquent, connaissent une croissance beaucoup plus lente que les applications qui sont utiles dès le premier jour, (2) de Spotify, une application qui était initialement accessible uniquement sur invitation, et (3) de Netflix, un service qui a été lancé avec un catalogue limité et qui nécessitait un abonnement pour être utilisé.6En fait, d’autres applications ont connu une croissance initiale aussi rapide, voire plus rapide, que ChatGPT, comme Pokemon Go et Threads (qui a démarré à partir d’Instagram et ne dépendait donc pas des effets de réseau). Mais là encore, notre argument principal est que ce type de comparaison n’est pas pertinent. Threads a fini par être un échec malgré sa croissance initiale.

Ce graphique reflète les premiers utilisateurs qui vont tester une application si elle fait le buzz, et ChatGPT a fait un buzz assourdissant. Une fois que ces premiers utilisateurs curieux ont été épuisés, la courbe de croissance est très différente. En fait, un an plus tard, ChatGPT n’avait apparemment augmenté que de 100 millions à 200 millions d’utilisateurs, ce qui signifie que la courbe s’est manifestement courbée fortement vers la droite. Ceci n’apparaît pas dans ce graphique, qui ne reflète que les deux premiers mois.

Ce graphique serait utile s’il nous donnait des preuves que les obstacles habituels à la diffusion ont été affaiblis ou éliminés. Ce n’est pas le cas. Deux mois ne suffisent pas pour que les aspects difficiles de la diffusion commencent à se mettre en place, tels que l’adaptation des flux de travail des utilisateurs afin d’intégrer de manière productive l’IA. Ce graphique n’est donc pas pertinent pour toute discussion significative sur la vitesse de diffusion.

Ce graphique présente de nombreux autres problèmes, mais nous nous arrêterons là.7Franchement, selon nous, le chiffre le plus impressionnant de ce graphique est le fait qu’Instagram ait atteint un million d’utilisateurs en seulement deux mois et demi, malgré la nécessité d’effets de réseau. Il faut garder à l’esprit que c’était en 2010, à une époque où les vitesses de connexion Internet sur les téléphones étaient bien inférieures, où l’application n’était disponible que sur iPhone (!) et où elle était principalement utilisée par les 18-34 ans aux États-Unis à ses débuts. Encore une fois, il est loin de s’agir d’une analyse complète de la vitesse de diffusion de l’IA — celle-ci est à venir. Pour l’instant, nous nous contentons de souligner que la majorité des commentaires sur ce sujet ne sont tout simplement pas sérieux. Et si tel est le discours sur une question pour laquelle nous disposons de données, il n’est pas surprenant que les prévisions d’avenir des différents camps ne se ressemblent pas.

Pourquoi l’adoption de l’IA a un impact différent

Si le meme de la « diffusion rapide » est si erroné, pourquoi est-il si répandu et persistant ? Parce que l’adoption de l’IA donne l’impression d’être un tsunami, contrairement à ce qu’ont été les PC, Internet ou les réseaux sociaux. Lorsque les gens sont intuitivement convaincus de quelque chose, ils sont beaucoup moins sceptiques à l’égard des données ou des graphiques qui semblent confirmer ce sentiment.

Nous reconnaissons bien sûr ce sentiment. Notre propre expérience de l’IA est différente des vagues technologiques précédentes. Au départ, nous avons rejeté cette idée comme un biais cognitif. Quel que soit le changement que nous vivons actuellement, il nous semblera beaucoup plus important que ceux auxquels nous nous sommes adaptés avec succès dans le passé.

Nous réalisons aujourd’hui que nous avions tort. Le biais cognitif explique peut-être en partie ce phénomène, mais il existe une raison réelle pour laquelle l’adoption de l’IA semble beaucoup plus rapide et effrayante. En bref, s’il est vrai que le déploiement n’est pas synonyme de diffusion, dans le passé, le déploiement progressif signifiait que les utilisateurs étaient en quelque sorte protégés de la nécessité de prendre constamment des décisions concernant l’adoption, mais aujourd’hui, cette protection a disparu. Expliquons cela en comparant avec l’adoption d’Internet.

Ceux d’entre nous qui ont adopté l’Internet par ligne commutée dans les années 90 se souviendront d’une histoire qui ressemblait à ceci. Lorsque nous avons entendu parler de cette technologie pour la première fois, nous avons été rebutés par le prix élevé des PC. Peu à peu, ces prix ont baissé. Entre-temps, nous avons acquis une certaine expérience de l’utilisation d’Internet au travail ou chez des amis. Ainsi, lorsque nous avons acheté un PC et une connexion Internet par ligne commutée quelques années plus tard, nous avions déjà une certaine formation. Au début, l’accès commuté était lent et coûteux, et il n’y avait pas beaucoup de sites web, nous n’utilisions donc pas beaucoup Internet. Peu à peu, les prix ont baissé, la bande passante s’est améliorée et davantage de contenu est devenu disponible en ligne. Nous avons appris à utiliser Internet de manière productive et sûre, parallèlement à notre utilisation croissante.

L’adoption d’outils d’IA à usage général dans les années 2020 est une expérience radicalement différente, car le déploiement de nouvelles capacités est instantané. Les gens doivent consacrer une part beaucoup plus importante de leur temps à évaluer s’il convient d’adopter l’IA pour un cas d’utilisation particulier, et on leur répète sans cesse que s’ils ne l’adoptent pas, ils seront laissés pour compte.

Tous nos arguments précédents restent valables : il existe des courbes d’apprentissage, le comportement humain met longtemps à changer, et le changement organisationnel prend encore plus de temps. Mais ne pas utiliser l’IA est en quelque sorte un choix actif, et les gens n’ont plus l’excuse de ne pas y penser parce qu’ils n’y ont pas encore accès.

En bref, le déploiement n’est qu’une des nombreuses étapes de la diffusion, et la suppression de ce goulot d’étranglement a probablement accéléré légèrement la diffusion. Mais cela semble beaucoup plus rapide, car dès que l’on entend parler d’un cas d’utilisation particulier de l’IA, il faut décider de l’adopter ou non, même si, en fin de compte, la grande majorité des gens décident de ne pas le faire, pour diverses raisons qui peuvent être rationnelles ou irrationnelles.

Conclusion

Nous sommes tout à fait d’accord avec les promoteurs de l’IA sur un point : l’IA n’est pas près de disparaître, et elle ne deviendra pas non plus un domaine de niche comme la cryptographie, que la plupart des gens peuvent ignorer. Maintenant que le choc initial collectif provoqué par l’IA générative s’est estompé, il est nécessaire de réfléchir de manière structurée à la manière dont l’IA pourrait évoluer, plutôt que de réagir (de manière excessive) à chaque nouvelle capacité technique ou à chaque effet social émergent.

Le cadre conceptuel de l’IA en tant que technologie normale, que nous continuons à développer dans cette newsletter, est l’une de ces approches. Il vaut la peine de s’y familiariser, au moins en tant qu’articulation d’une manière historique de réfléchir à l’impact sociétal de la technologie, à laquelle on peut comparer des récits plus exceptionnalistes. Ce cadre conceptuel fournit des orientations pratiques aux chefs d’entreprise, aux travailleurs, aux étudiants, aux personnes préoccupées par la sécurité ou l’éthique de l’IA, aux décideurs politiques, entre autres. Nous espérons que vous suivrez et contribuerez à la discussion.

Nous remercions Steve Newman et Felix Chen pour leurs commentaires sur une version préliminaire.

Lectures/visionnages complémentaires

Traduction offerte par Gilles en vrac

Voir la LISTE ÉVOLUTIVE des traductions

Notes

  • 1
    Comme c’est souvent le cas, le timing fortuit a joué un rôle important dans le succès de l’essai. Il a été publié deux semaines après AI 2027, mais c’était purement par coïncidence — notre date de publication était en fait basée sur le symposium du Knight Institute sur l’IA et les libertés démocratiques. Nous sommes reconnaissants à l’Institut de nous avoir donné l’occasion de publier cet essai.
  • 2
    Les problèmes de santé mentale liés aux chatbots en général, et les problèmes tels que la dépendance, ont été largement reconnus et discutés, notamment dans notre livre AI Snake Oil. Ceux-ci tendent à s’appuyer sur une analogie avec les réseaux sociaux. Mais anticiper les impacts potentiels sur la santé mentale est une chose, prédire précisément quels impacts pourraient apparaître et comment les éviter en est une autre.
  • 3
    Cela dit, nous reconnaissons que toute notre thèse pourrait être erronée, et il est plus probable que nous nous trompions si le RSI est atteint.
  • 4
    Ce cadre s’inspire de la théorie classique de la diffusion des innovations et s’appuie également sur les travaux d’auteurs récents tels que Jeffrey Ding, qui ont analysé la concurrence géopolitique dans le domaine de l’IA à travers le prisme de l’écart entre innovation et diffusion.
  • 5
    Bien qu’il existe des risques, même dans ce domaine, nous pensons qu’il s’agit sans aucun doute d’une application que les médecins devraient explorer.
  • 6
    En fait, d’autres applications ont connu une croissance initiale aussi rapide, voire plus rapide, que ChatGPT, comme Pokemon Go et Threads (qui a démarré à partir d’Instagram et ne dépendait donc pas des effets de réseau). Mais là encore, notre argument principal est que ce type de comparaison n’est pas pertinent. Threads a fini par être un échec malgré sa croissance initiale.
  • 7
    Franchement, selon nous, le chiffre le plus impressionnant de ce graphique est le fait qu’Instagram ait atteint un million d’utilisateurs en seulement deux mois et demi, malgré la nécessité d’effets de réseau. Il faut garder à l’esprit que c’était en 2010, à une époque où les vitesses de connexion Internet sur les téléphones étaient bien inférieures, où l’application n’était disponible que sur iPhone (!) et où elle était principalement utilisée par les 18-34 ans aux États-Unis à ses débuts.