L'IA en 2031 : puissante, ordinaire et toujours notre responsabilité

Arvind Narayanan et Sayash Kapoor nous demandent de voir l'intelligence artificielle comme une « technologie normale » : potentiellement transformatrice, mais développée et déployée par des personnes au sein d'organisations et d'institutions existantes. Leur essai conteste l'idée qu'un modèle plus capable devienne automatiquement une force autonome qui remodèle la société du jour au lendemain. Je suis largement d'accord. La distinction entre inventer une méthode, construire une application utile et amener les gens à faire confiance à cette application me convainc. Pourtant, « normale » ne doit pas rassurer. Les technologies ordinaires peuvent causer des dommages sérieux, et leurs bénéfices dépendent de qui les contrôle. Ma position repose sur trois thèses.

Thèse 1 : de meilleurs modèles changeront ce qui est possible plus vite que les organisations ne changent ce qu'elles font. Un modèle peut réussir un test et échouer à un travail fait de données désordonnées, d'objectifs flous et de responsabilité pour les erreurs. La séparation de Narayanan et Kapoor entre méthodes, applications et adoption saisit cet écart. Dans une enquête aux États-Unis, Bick, Blandin et Deming ont constaté un usage rapide de l'IA générative dès la fin 2024, mais ont estimé qu'elle n'assistait que 1 à 5 pour cent des heures de travail. La différence entre essayer un outil et restructurer le travail autour de lui compte. Un autre type d'IA illustre l'enjeu là où les erreurs pèsent lourd : une étude indépendante d'un système de prédiction du sepsis a trouvé, dans un hôpital, des performances nettement inférieures à celles annoncées par son fabricant. Ce résultat ne prouve pas que l'IA générative échouera dans les hôpitaux. Il montre pourquoi tout déploiement a besoin de tests locaux, d'une surveillance et d'un moyen de réagir quand un système se trompe. J'attends donc un progrès inégal : rapide dans les démonstrations visibles, plus lent là où les erreurs coûtent cher.

Thèse 2 : qualifier l'IA de normale rend la responsabilité plus urgente, pas moins. La partie la plus forte de l'argument de la technologie normale est qu'elle ramène l'attention sur des décisions que les gens peuvent réellement prendre : quels systèmes acheter, quelles tâches automatiser, qui vérifie les résultats et qui supporte le coût des erreurs. Une expérience contrôlée de Noy et Zhang a montré que l'accès à ChatGPT aidait les participants à accomplir certaines tâches d'écriture 40 pour cent plus vite, avec une qualité jugée supérieure de 18 pour cent. Ce sont des gains significatifs, mais une expérience sur des tâches d'écriture ne peut pas établir que chaque profession y gagnera autant ni que les travailleurs partageront ces gains. Les employeurs pourraient utiliser le même outil pour aider le personnel, intensifier les charges de travail ou supprimer des postes de premier niveau. J'exigerais des preuves issues d'un usage réel avant de déléguer des décisions lourdes de conséquences, et je maintiendrais des voies claires de révision humaine et de recours. Narayanan et Kapoor ont raison d'insister sur la résilience et les institutions ; je suis moins confiant qu'eux que les incitations ordinaires produiront de façon fiable assez de prudence sans contrôle externe.

Thèse 3 : en septembre 2031, l'IA sera routinière dans de nombreux flux de travail, mais son autorité indépendante restera limitée et inégale. Ma prévision à cinq ans est que les brouillons, les traductions, l'aide à la programmation, la recherche et l'analyse de documents commenceront souvent par une IA. Certains agents logiciels accompliront des tâches délimitées lorsque leurs actions peuvent être vérifiées ou annulées. En médecine, en droit et dans l'administration publique, cependant, je m'attends à ce que la partie la plus difficile reste de prouver qu'un système fonctionne dans le cadre précis où il est utilisé. Des personnes continueront de valider de nombreuses actions lourdes de conséquences, et les organisations consacreront des efforts substantiels à l'évaluation, à l'accès aux données, à la formation et à la supervision. C'est une prévision sur le déploiement, pas l'affirmation que la recherche sur les modèles ralentira. Une percée majeure en matière de fiabilité pourrait accélérer l'adoption plus que je ne le prévois, tandis que de mauvaises incitations ou des institutions faibles pourraient aggraver les dommages même sans une telle percée. Pour juger cette prévision en 2031, je regarderais au-delà des scores de référence : quelle part du travail réel est assistée ou automatisée ? Quelles décisions peuvent être contestées ? Qui est responsable quand un système d'IA échoue ?

La perspective de la technologie normale me donne un moyen utile de tenir ensemble deux idées : l'IA peut être puissante, et la société a encore des choix quant à son usage. Les cinq prochaines années diront si nous bâtissons des institutions capables de bien faire ces choix.

Références

• Bick, A., Blandin, A. et Deming, D. J. (révision 2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966.
• Narayanan, A. et Kapoor, S. (2025). AI as Normal Technology. Knight First Amendment Institute.
• Noy, S. et Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
• Wong, A. et al. (2021). External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Internal Medicine, 181(8), 1065-1070.