La frontière dentelée de l'IA

_{EN UNE PHRASE}

L'IA est brillante par endroits et médiocre à d'autres, et personne ne peut prédire où se situe la limite.

_{LE CONSTAT}

Ethan Mollick a introduit le concept de « jagged frontier » pour décrire un phénomène que toute entreprise utilisant l'IA finit par constater : les modèles d'IA ne progressent pas de façon uniforme. Un même modèle peut surpasser un expert en analyse financière tout en échouant sur une tâche de bon sens qu'un stagiaire réussirait. Cette irrégularité n'est pas un bug temporaire : c'est la nature même de ces systèmes.

Le problème se complique encore : cette frontière bouge constamment. À chaque nouvelle version de modèle, certaines faiblesses disparaissent tandis que de nouvelles apparaissent. Les entreprises qui construisent des processus entiers autour des limitations d'un modèle donné se retrouvent avec des systèmes obsolètes dès la mise à jour suivante.

_{CE QU'IL FAUT COMPRENDRE}

Tester tâche par tâche, pas en bloc

L'erreur la plus courante est de décider globalement que l'IA fonctionne ou ne fonctionne pas pour un département. La réalité est que chaque tâche individuelle doit être évaluée séparément. Un outil IA peut exceller à rédiger des synthèses de réunion mais échouer à produire des prévisions de vente fiables, dans le même département, pour le même utilisateur.

Ne pas sur-investir dans les contournements

Mollick met en garde : si vous investissez massivement pour compenser les faiblesses actuelles de l'IA, vous risquez de vous retrouver avec un système hérité construit autour d'une frontière dentelée qui n'existe plus. La clé est de construire des architectures flexibles qui peuvent évoluer avec les modèles, tout en acceptant que certaines tâches restent pour l'instant hors de portée.

L'analogie avec la voiture autonome

Mollick compare la situation à celle des voitures autonomes : des systèmes surhumains dans certaines situations, mais qui trébuchent dans d'autres. Le déploiement a pris des années non pas parce que la technologie était mauvaise, mais parce que cette irrégularité rendait la confiance difficile à calibrer.

_{CE QUE ÇA CHANGE POUR VOUS}

• Mettez en place des évaluations par tâche plutôt que par département : créez votre propre test de Turing pour chaque processus critique
• Construisez vos workflows IA de façon modulaire pour pouvoir remplacer les briques quand les modèles évoluent
• Acceptez le double pari : corriger les faiblesses actuelles tout en pariant que beaucoup disparaîtront avec les prochaines versions
• Formez vos experts métier à identifier où l'IA excelle et où elle échoue dans leur domaine