IA générative : pourquoi les experts se trompent-ils presque toujours ?

Les études prospectives à moyen terme sur l’intelligence artificielle générative se trompent fréquemment, non parce qu’elles seraient mal construites ou menées par des analystes incompétents, mais parce qu’elles tentent de modéliser une technologie dont les paramètres fondamentaux changent plus vite que leurs propres cycles de publication. Là où les modèles de prospective traditionnels supposent une évolution relativement progressive des capacités, des coûts et des usages, l’IA générative évolue par bonds successifs. En quelques mois, les performances augmentent fortement, les coûts chutent, de nouveaux usages apparaissent, et des limitations considérées comme structurantes deviennent soudain secondaires. Une projection établie à un instant T peut donc devenir partiellement obsolète avant même sa diffusion large.À cela s’ajoute une confusion fréquente entre trois réalités distinctes : la capacité technique d’un modèle, son adoption organisationnelle et la valeur économique effectivement créée. Ce n’est pas parce qu’une IA devient capable d’exécuter une tâche qu’une entreprise l’intègre immédiatement dans ses processus, ni que cette intégration produit un gain mesurable. Beaucoup de rapports extrapolent trop vite du progrès technologique vers la transformation économique, en sous-estimant les frictions réelles : inertie des organisations, résistance culturelle, mauvaise qualité des données, faiblesse de la gouvernance, contraintes réglementaires ou encore absence de redesign des processus métier.Le cas français accentue ce décalage. L’adoption formelle de l’IA par les entreprises demeure encore relativement limitée dans les statistiques officielles, mais les usages réels progressent bien plus vite de manière diffuse et souvent non encadrée via le shadow AI. Cela crée une double illusion. Les chiffres institutionnels sous-estiment la pénétration réelle de la technologie, tandis que l’observation terrain peut surestimer sa maturité opérationnelle. Une entreprise peut voir ses collaborateurs utiliser massivement ChatGPT sans avoir la moindre transformation structurelle de sa chaîne de valeur.Enfin, les projections deviennent encore plus fragiles parce que le cadre réglementaire européen évolue lui aussi rapidement. L’AI Act et ses déploiements successifs modifient progressivement les conditions économiques et juridiques d’exploitation de ces technologies. Une hypothèse viable à six mois peut devenir inexacte à dix-huit mois simplement parce que le cadre de conformité a changé.Dans ce contexte, les experts de terrain spécialisés dans la veille continue disposent souvent d’une lecture plus utile du court terme que les grandes études stratégiques. Non parce qu’ils seraient plus intelligents, ce serait trop simple, mais parce qu’ils observent directement les signaux faibles, les usages réels et les évolutions produit au rythme où elles surviennent. La prospective IA pertinente devient donc moins un exercice de prédiction linéaire qu’un exercice permanent d’actualisation stratégique.Contenu généré avec l'aide de l'IA générative