L’IA en bref, c’est quoi et c’est quoi le problème ?

L’IA, c’est d’abord une discipline de recherche

(Relativement) ancienne - créée dans les années 50

Dont l’histoire est jalonnée d’inventions structurantes (qui ont souvent ouvert des périodes d’euphorie puis de calme...)

  • Les systèmes experts

  • L’apprentissage machine et les réseaux de neurones

  • L’apprentissage profond

    ...

En très bref, on parle de quoi

Aujourd’hui, l’IA désigne des machines statistiques exploitant des modèles conçus par apprentissage à partir de jeux de données d’entrée et sortie.

  • Réseau de neurones : architecture informatique permettant de réaliser des calculs statistiques de masse

  • Apprentissage machine : Processus par lequel un réseau de neurones exploite des données pour produire ou améliorer un modèle.

  • Modèle : Données mathématiques issues de l’apprentissage machine, exploitables par un réseau de neurones pour permettre une logique inductive : produire des données de sorties par inférence à partir de données d’entrées en exploitant un modèle.

Exemples d’usages pour des tâches spécifiques

Reconnaissance d’image :

Reconnaissance de flux audio/vidéo

Traduction

Principale critique pour ces tâches spécifiques : le biais

Si les données d’entrainement ont un biais, alors le modèle conçu aura un biais.

Exemples de biais d’IA spécifiques :

  • Analyse de CV : les profils féminins écartés à l’embauche chez Amazon (Podcast Next Biaisé comme l’IA)

  • Traduction : termes sexistes ou racistes introduits à la traduction (Blog Mario Herger, Article Radio Canada)

  • Fraude aux aides sociales : faux positifs sur-représentés dans des populations pauvres ou racisées (Article LeMonde, Article Amnesty Internationale)

Qu’est-ce qui a changé depuis 2020 ?

2019 - GPT 2 - Une rupture technologique majeure

  • Modèle entraîné sur 8 millions de pages web

  • Entrainement affiné par des humains (alignement)

  • Modèle encapsulé dans un chat bot

Depuis l’essor est fulgurant !

159 éditeurs pour 603 modèles en juin 2025 (source : Alan D Thomson (LifeArchitect.ai))

  • 252 modèles sortis en 2024

  • 119 modèles sortis ou annoncés en 2025

Objectif : l’Intelligence Artificielle Générale (IAG)

Critiques des IA génératives - la consommation de ressource

Pour entraîner et exploiter des modèles gigantesques, l’IA générative demande la construction de nouvelles générations de data center. L’enjeu d’un DC pour l’IA est de disposer d’une puissance de calcul maximale.

Ça consomme des ressources :

  • Électricité :

    • 1.5% de la consommation mondiale en 2024 (415TWh), doublement d’ici 2030 (945TWh) et triplement d’ici 2035 (1 200TWh).

    • 0,64% de la production française (1GW) en 2024. 7,7% (12GW) supplémentaires engagés (ou bientôt signés) par RTE auprès de futur DC (sur 39% - 60GW - demandés)

    Source enquête LeMonde ou rapport de l’AIE

    Eau :

    • Protestations ou manifestations contre l’accaparement de l’eau aux Pays-Bas, Chili ou Uruguay

    • Conflits avec les autorités locales aux États-Unis ou aux Pays-Bas.

    • 72% des centres de données construits aux USA ou en projet depuis 2022 sont situés dans des régions pour lesquelles l’alimentation en eau est compliquée, voire critique.

    Source enquête Bloomberg et l'Echo (Belgique)

    Minerais : Augmentation des demandes de cuivre et terres rares

Basculement du secteur informatique dans les industries lourdes en terme de consommation de ressources

Technologie du quatrième scenario de l’ADEME (Agence de la transition écologique) : Pari Réparateur

Critique des IA génératives - de vrais problèmes éthiques

  • Biais et production de contenus problématiques, voire illégaux

  • Travail du clic violent psychologiquement. (Voir groupe de recherche DipLab ou documentaire Les sacrifiés de l’IA)

  • Exploitation de données utilisateurs avec consentement implicite (opt-out)... dans le meilleur des cas

  • Exploitation, sans autorisation et rétribution, de données sous droits d'auteurs (source : LeMonde)

Critique des IA génératives - la fiabilité

  • Principe de non explicabilité des résultats

  • Principe d’hallucination : réponse fausse ou trompeuse présentée comme un fait certain (Wikipédia)

  • Non-cloisonnement des données et craintes sur la sécurité. (Voir la démonstration de Pen Test Partners)

  • Incapacité à produire des raisonnements complexes. (voir article Next)

Critique des IA génératives - la faiblesse économique du secteur

  • Modèle économique encore incertain

  • Risque de bulle financière (OpenAI : 5 milliards de dollars de perte en 2024, 14 milliards de pertes prévues d’ici 2026, rentabilité pour 2029)

  • Le seul vrai gagnant économique actuel : NVIDIA

    TOP 7 Capitalisations boursières mondiales (juin 2025) : NVidia, Microsoft, Apple, Amazon, Alphabet, Metas, Aramco (compagnie pétrolière - Arabie Saoudite)

    « Pendant la ruée vers l'or, ce ne sont pas les chercheurs d'or qui se sont le plus enrichis, mais les vendeurs de pelles et de pioches »