L’IA est partout. Mais est-ce qu’on en a vraiment besoin ?
L'IA est devenue tellement présente qu'elle semble parfois être devenue la réponse avant même qu'on ait posé la question.
Besoin d'écrire ? IA.
Besoin de coder ? IA.
Besoin d'analyser ? IA.
Besoin d'automatiser ? IA.
Mais est-ce qu'on en a réellement besoin à chaque fois ?
Je me suis posé cette question en repensant à une histoire qu'on m'a racontée.
Une anecdote me revient
Il y a deux ans, un de mes devanciers travaillait avec son groupe sur un projet autour de la cartographie du réseau ferroviaire français.
L'objectif était de représenter les villes et les connexions entre elles.
Certains membres du groupe proposaient d'utiliser de l'IA.
Lui a proposé autre chose : Neo4j.
Le problème était finalement assez simple à caractériser : il fallait surtout représenter des relations.
Une ville est reliée à une autre.
Une ligne relie plusieurs villes.
Une connexion peut en rejoindre une autre.
C'est exactement le type de problème pour lequel une base orientée graphe peut être pertinente.
Le choix a surpris les autres membres du groupe lorsqu'ils ont vu le résultat. Le projet a même dépassé les attentes du professeur.
L'IA aurait pu être utilisée.
Mais elle n'était simplement pas nécessaire.
Et c'est peut-être là que se trouve le vrai sujet.
Le problème avant l'outil
On parle beaucoup des capacités de l'IA.
Mais on parle moins du choix de ne pas l'utiliser.
Prenons quelques exemples.
Si je veux envoyer automatiquement un email lorsqu'une commande est validée, une règle suffit probablement.
Si je veux rechercher un utilisateur dans une base de données, une requête suffit.
Si je veux représenter les connexions entre des villes, une base orientée graphe peut être plus adaptée.
Si je veux résumer des milliers de documents ou comprendre du texte libre, l'IA devient beaucoup plus intéressante.
Dans tous ces cas, le problème est différent.
Et donc la solution peut l'être aussi.
Le fait qu'une technologie puisse résoudre un problème ne signifie pas qu'elle soit la meilleure manière de le résoudre.
L'IA n'est pas de la magie
C'est peut-être une autre confusion qui s'installe.
Lorsqu'on dit « utiliser l'IA », on imagine parfois une solution capable de comprendre automatiquement le problème et de produire la meilleure réponse.
En réalité, il faut toujours définir ce qu'on veut obtenir, fournir des données pertinentes, choisir un modèle ou un outil adapté, vérifier les résultats et gérer ses limites.
L'IA peut faire gagner énormément de temps.
Mais elle peut aussi ajouter :
- de la complexité ;
- des coûts ;
- de la maintenance ;
- des erreurs à surveiller ;
- une dépendance à un service ou à un modèle.
Pour une tâche simple, cette complexité peut être inutile.
Alors, quand est-ce que l'IA devient intéressante ?
Je ne pense pas qu'il existe une règle universelle.
Mais une question peut déjà aider :
Est-ce que le problème contient réellement quelque chose que l'IA peut mieux gérer qu'une solution plus simple ?
Si le problème est parfaitement décrit par quelques règles déterministes, pourquoi utiliser un modèle probabiliste ?
Si le problème nécessite de comprendre du langage, d'interpréter des images, de générer du contenu ou de trouver des motifs difficiles à définir manuellement, l'IA peut alors apporter une vraie valeur.
Ce n'est donc pas :
IA ou pas IA ?
C'est plutôt :
Quelle solution répond le mieux au problème ?
Le piège du « plus sophistiqué = meilleur »
C'est probablement ce qui me dérange le plus dans la manière dont on parle de technologie aujourd'hui.
On peut facilement être impressionné par une solution parce qu'elle utilise une technologie récente.
Mais une solution plus complexe n'est pas automatiquement une meilleure solution.
Un script de quelques lignes peut parfois être plus pertinent qu'un modèle d'IA.
Une requête SQL peut parfois être plus pertinente qu'un agent.
Une base de données spécialisée peut parfois être plus pertinente qu'un système utilisant plusieurs modèles.
Et ce n'est pas parce que la solution paraît moins impressionnante qu'elle est moins bonne.
La technologie doit servir le problème, pas l'inverse.
Et pourtant, l'IA change réellement les choses
Cela ne veut évidemment pas dire qu'il faudrait éviter l'IA.
Au contraire.
Lorsqu'elle est bien utilisée, elle peut complètement changer la manière dont on travaille.
Elle permet notamment d'explorer rapidement des données, d'assister le développement, de travailler avec du langage naturel, de générer du contenu ou d'automatiser des tâches qui étaient auparavant difficiles à traiter.
Le problème n'est donc pas l'IA.
C'est l'habitude de penser :
> « On pourrait utiliser de l'IA. »
avant même de se demander :
> « Pourquoi ? »
Finalement, peut-être qu'on devrait moins parler d'IA
On parle beaucoup de modèles, d'agents, de RAG et de génération de code.
Mais derrière toutes ces technologies, il reste une compétence qui n'a rien de nouveau :
savoir choisir.
Comprendre le problème.
Identifier les contraintes.
Évaluer les solutions possibles.
Puis choisir la plus pertinente.
L'anecdote de Neo4j me rappelle finalement quelque chose de très simple.
Le groupe aurait pu utiliser l'IA parce qu'elle était disponible.
Ils ont choisi une autre technologie parce qu'elle correspondait mieux au problème.
Et le résultat a dépassé leurs attentes.
L'IA est partout.
Mais peut-être que la vraie compétence aujourd'hui n'est pas de savoir où l'utiliser.
C'est aussi de savoir quand ne pas l'utiliser.
Pour aller plus loin
- Règles du Machine Learning — Google — Pour comprendre pourquoi une solution simple peut être préférable avant d'introduire davantage de complexité.
- Building Effective AI Agents — Anthropic — Une réflexion intéressante sur le choix entre une approche simple et une architecture plus complexe.
- AI Decision Framework — Microsoft — Un cadre pour réfléchir au choix d'une solution d'IA en fonction du problème à résoudre.