L'intelligence artificielle est-elle une véritable révolution ou une bulle technologique prête à éclater?

Entre optimisme, surmédiatisation, prise de conscience de leurs limites et désillusions, les systèmes d'intelligence artificielle ont un impact encore limité.

L'intelligence artificielle (IA) est souvent présentée comme la prochaine révolution qui bouleversera nos vies. Depuis le lancement de ChatGPT en 2022, les IA génératives suscitent un véritable engouement à l'échelle mondiale. En 2023, NVidia, acteur clé dans la fabrication de puces utilisées pour l'entraînement de modèles d'IA, a dépassé les 1.000 milliards de dollars de valorisation boursière. En France, un plan d'investissement de 900 millions d'euros a été lancé depuis juin 2023, accompagné de levées de fonds importantes par des entreprises comme Mistral AI (105 millions d'euros) et Hugging Face (235 millions de dollars).

Pourtant, cet engouement s'accompagne de doutes. En effet, si l'IA est en pleine lumière médiatique, son impact économique concret reste modeste et son adoption par les entreprises limitée. Une étude publiée en janvier 2024 estime qu'à peine 5% des entreprises utilisent activement des technologies d'IA dans leurs processus, qu'il s'agisse d'IA générative, d'analyse prédictive ou encore de systèmes d'automatisation. Dans certains cas, on reproche même à l'IA de détourner l'attention des dirigeants d'enjeux opérationnels plus pressants.

Ce décalage entre attentes et résultats concrets soulève la question suivante: l'IA est-elle tout simplement en pleine traversée d'un «cycle de la hype», où un engouement excessif se trouve rapidement suivi par une désillusion, comme on a pu l'observer avec d'autres technologies depuis les années 1990? Ou bien assistons-nous à un réel recul d'intérêt pour cette technologie?

Vagues d'optimisme et d'interrogations

L'histoire de l'IA est marquée par des cycles d'optimisme et de scepticisme. Dès les années 1950, les chercheurs imaginaient un futur peuplé de machines capables de penser et de résoudre des problèmes aussi efficacement que des humains. Cet enthousiasme avait mené à des promesses ambitieuses, comme la création de systèmes capables de traduire automatiquement n'importe quelle langue ou de comprendre parfaitement le langage humain. Cependant, ces attentes se sont révélées irréalistes face aux limites des technologies de l'époque. Ainsi, les premières déceptions ont conduit aux «hivers de l'IA» à la fin des années 1970, puis à la fin des années 1980, périodes où les financements ont chuté face à l'incapacité des technologies à répondre aux promesses affichées.

Cependant, les années 1990 ont marqué un tournant important grâce à trois éléments clés: l'explosion du big data, l'augmentation des capacités de calcul, et l'émergence d'algorithmes plus performants. Internet a facilité la collecte massive de données, essentielles pour entraîner des modèles d'apprentissage automatique (machine learning). Ces vastes ensembles de données sont cruciaux, car ils fournissent les exemples nécessaires pour que l'IA puisse «apprendre» et accomplir des tâches complexes.

En parallèle, les progrès des processeurs ont rendu possible l'exécution d'algorithmes avancés, tels que les réseaux de neurones profonds, qui sont à la base de l'apprentissage profond (deep learning). Ils ont permis de développer des IA capables de réaliser des tâches autrefois inaccessibles, comme la reconnaissance d'images et la génération automatique de contenus (textes, images, etc.).