L’IA a rendu bon marché les premiers jets d’apparence compétente.

Une note. Un plan. Une synthèse. Une traduction. Une ébauche de code. Une explication diagnostique. Une recommandation structurée. Un travail qui exigeait autrefois des heures de travail d’un professionnel junior peut désormais arriver en quelques secondes, souvent fluide, cohérent et suffisamment utile pour laisser penser que l’intelligence elle-même est devenue abondante. Cette impression est fausse.

La distinction compte, car les organisations commettent deux erreurs opposées. Les unes traitent les productions de l’IA comme un savoir établi. Les autres les écartent parce qu’elles ne le sont pas. L’IA a changé l’économie de la production d’un premier jet. Elle n’a pas supprimé le travail qui consiste à établir si ce premier jet est correct, approprié, complet ou suffisamment sûr pour fonder une action.

Les trois précisions

L’expression « pensée au rabais » appelle trois précisions.

Premièrement, elle est bon marché à la livraison. Les systèmes qui produisent l’IA de pointe restent parmi les technologies les plus capitalistiques jamais construites. L’entraînement, l’infrastructure, l’énergie, les puces, les données et les talents de recherche spécialisés sont très concentrés. Mais la capacité créée à cette frontière devient progressivement moins chère à fournir. Il en résulte un entonnoir, avec une concentration extrême au sommet et un large accès en dessous.

Deuxièmement, elle est bon marché à l’unité, alors que les dépenses totales peuvent continuer d’augmenter. Un coût plus faible ne réduit pas nécessairement la demande. Le calcul bon marché a élargi ce que les organisations jugeaient utile de calculer. L’IA bon marché élargit ce que les organisations jugent utile d’analyser, de rédiger, de classer, de relire et d’automatiser. Un coût par tâche plus faible peut entraîner un volume de tâches bien plus important.

Troisièmement, et c’est le plus important, l’IA rend la compétence bon marché. L’exactitude reste coûteuse. L’IA génère des réponses plausibles à un coût qui s’est effondré. Le coût de la vérification ne s’est pas effondré au même rythme. Dans de nombreux domaines à fort enjeu, une vérification dont quelqu’un répond reste coûteuse, car elle exige des preuves, du contexte, une expertise métier, une responsabilité et la capacité d’expliquer une décision après coup.

L’implication stratégique

La question n’est plus guère de savoir si l’IA peut produire un résultat. Pour la plupart des documents et des analyses, elle le peut de plus en plus. Les questions qui comptent désormais sont les suivantes :

  • Quelles preuves étayent ce résultat ?
  • Quelles contraintes, politiques ou documents sources ont été appliqués ?
  • À qui appartient la décision ?
  • Avec quelle rapidité un relecteur humain peut-il repérer une erreur ?
  • La conclusion peut-elle être rattachée aux données sous-jacentes ?
  • Que se passe-t-il si la recommandation est fausse ?

La valeur de l’IA se déplace de la génération brute vers le système d’exploitation qui l’entoure : données fiables, intégration aux workflows, vérification, provenance, supervision et action dont on peut rendre compte.

Ce que cela signifie pour aixtract

aixtract transforme des documents, des flux de données, des images, des journaux et des signaux opérationnels fragmentés en une intelligence que l’on peut examiner et sur laquelle on peut agir.

Cela signifie que chaque résultat utile doit pouvoir être retracé à rebours :

Décision → recommandation → signal extrait → preuve à la source

Sans preuves à l’appui, une recommandation n’est qu’une affirmation. Avec des preuves traçables, chacun peut la vérifier et agir en conséquence.

Une règle pratique

Utilisez librement l’IA pour réduire le coût de l’exploration, de la rédaction, de l’extraction et de la synthèse. Relevez le niveau d’exigence en matière de preuves à mesure que le coût d’une erreur augmente.

Les premiers jets bon marché sont une opportunité. Le risque vient du fait de les traiter comme une intelligence fiable.

Adapté du livre La pensée au rabais : Ce que l’IA rend abondant, ce qu’elle rend rare, et à qui profite la différence de Daoyuan Li, PhD.