Décryptage de l’IA : paralysie, fatigue et « washing »

Telmo Silva s’entretient avec Danny Valentino, directeur des technologies numériques et en magasin chez Home Hardware, pour une conversation franche et sans fioritures sur les trois pièges de l’IA qui épuisent discrètement les équipes techniques des entreprises. Deux vétérans qui ont connu les AS-400, la bulle Internet et toutes les tendances intermédiaires jettent un regard honnête sur ce qui se passe réellement sur le terrain lorsque les entreprises tentent de « se lancer dans l’IA » et expliquent pourquoi tant d’entre elles se retrouvent dans l’impasse.

Questions que nous avons posées

• Pourquoi les responsables techniques expérimentés se retrouvent-ils paralysés lorsqu’ils doivent choisir un outil d’IA, et quel est le rapport avec les systèmes déterministes par opposition aux systèmes probabilistes ?
• La pression en faveur de l’adoption de l’IA provient-elle de l’intérieur de l’organisation, ou est-elle entièrement externe ?
• À quoi ressemble concrètement le « blanchiment par l’IA », et cela devient-il un problème réglementaire ?

Ce que nous avons appris

• La « paralysie face à l’IA » n’est pas due à un manque de connaissances. Elle résulte d’un trop grand nombre d’outils, d’un trop grand nombre de modèles et d’une pression trop forte pour choisir le bon avant même de connaître le problème que vous cherchez à résoudre.
• La « fatigue de l’IA » est bien réelle. Les spécialistes en technologie consacrent davantage d’énergie mentale à trouver comment mettre en œuvre l’IA qu’à définir concrètement les processus que celle-ci est censée améliorer.
• La qualité des données n’est pas facultative. Que vous exploitiez un chat génératif ou que vous développiez des agents, des données désorganisées et non structurées se traduiront toujours par des résultats imparfaits.
• Commencez modestement et cessez de courir après les modèles. Choisissez un problème précis, sélectionnez un outil adapté à celui-ci, puis passez à l’action.

La « paralysie de l’IA » : quand un plus grand nombre d’options freine les progrès

Danny Valentino n’a pas découvert la « paralysie de l’IA » dans un rapport. Il l’a vécue. À mesure que les modèles d’IA gagnaient en sophistication, les réponses s’allongeaient, les outils se multipliaient et les décisions devenaient plus difficiles à prendre. Copilot ou ChatGPT ? ChatGPT ou Claude ? Puis la pression de l’entreprise s’est fait sentir : intégrer des API ouvertes, surveiller les résultats, vérifier la précision, passer d’un outil à l’autre. Ce qui était censé accélérer le travail a fini par produire tout autre chose : une boucle sans fin de remises en question, sans issue claire.

Selon Danny, l’une des raisons pour lesquelles cela s’avère si difficile tient au fait que les vétérans de l’informatique ont passé toute leur carrière à travailler avec des systèmes déterministes. À données d’entrée identiques, résultats identiques, à chaque fois. L’IA est tout le contraire. Elle est probabiliste par nature, et c’est dans le fossé entre les attentes des technologues chevronnés et ce que l’IA offre réellement que réside la paralysie.

Nous ne connaissons qu’un monde de systèmes déterministes. L’IA, quant à elle, repose entièrement sur la probabilité. Vous lui posez une question, je lui pose une question, et nous obtenons des réponses différentes. C’est l’une des causes de cette paralysie.
Danny Valentino, directeur des technologies numériques et en magasin chez Home Hardware

La fatigue liée à l’IA : le coût caché de la pression extérieure

Avec plus de 1 500 milliards de dollars investis dans l’IA à l’échelle mondiale, la pression pour rester dans la course est incessante. Chaque argumentaire commercial commence par l’IA. Les chatbots sont devenus des agents. Les agents ont acquis une autonomie propre. Et quelque part au milieu de tout cela, Dan s’est retrouvé à consacrer la majeure partie de son énergie mentale non pas aux systèmes de vente au détail et de gestion des magasins dont il est responsable, mais à chercher comment mettre en œuvre l’IA, car la pression en ce sens venait de toutes parts, en dehors de l’organisation.

C’est ce qu’on appelle la « fatigue de l’IA » : l’épuisement mental qui s’installe lorsque les spécialistes des technologies passent plus de temps à réfléchir à la manière dont ils vont utiliser l’IA dans leurs processus qu’à définir ces processus eux-mêmes. L’ironie, comme le soulignent à l’unisson Telmo et Danny, c’est que la plupart des organisations ont à peine mis en service la dernière fonctionnalité que la suivante est déjà là.

Du backlog à la pull request : l’IA Agentic dans la pratique

La conversation ne se résume pas à des mises en garde. Telmo raconte un épisode qui l’a véritablement surpris : son directeur technique a discrètement intégré un nouveau développeur à l’équipe Agile. Pas d’intégration. Pas de présentation. Juste un développeur qui, de manière autonome, sélectionne des bugs dans le backlog, écrit des correctifs, envoie des pull requests et s’appuie sur les retours pour itérer jusqu’à ce que le travail soit terminé.

Cela fonctionne. Mais cela soulève également une question plus épineuse : qu’advient-il des développeurs expérimentés lorsque leur mission principale consiste à valider ce que produit une IA ? Selon Telmo, la réponse est qu’ils ne sont pas de simples vérificateurs. Ce sont des formateurs. Et la véritable valeur résidera chez ceux qui savent relier les différents éléments entre eux : interfaces de chat, génération augmentée par la recherche, API d’IA, serveurs MCP, agents… sans pour autant devoir écrire eux-mêmes chaque ligne de code.

« AI Washing » : quand le titre parle d’IA, mais que la réalité est tout autre

Le troisième terme abordé dans cet épisode est le plus percutant. On parle d’« AI washing » lorsqu’une entreprise exagère ou présente de manière trompeuse le rôle de l’IA dans ses produits ou ses décisions. Les exemples ne manquent pas : BLOCK utilise l’IA pour justifier des licenciements massifs, Meta exploite le discours sur l’IA pour gérer les attentes des investisseurs, et la SEC inflige déjà des amendes aux entreprises pour ce motif. Le schéma est toujours le même : on annonce l’IA, le cours de l’action grimpe. On recrute des ingénieurs spécialisés en IA, le cours de l’action grimpe. On licencie des ingénieurs spécialisés en IA, le cours de l’action grimpe. La technologie n’a pratiquement aucune importance. Ce qui compte, ce sont les gros titres.

Les cadres réglementaires commencent à s’adapter. La loi européenne sur l’IA prévoit des exigences en matière de transparence. La SEC veille à leur application. Mais pour les sociétés cotées en bourse qui gèrent leurs coûts et leurs valorisations, l’IA reste un argument de circonstance, et Telmo comme Dan doutent que les réductions d’effectifs annoncées sous ce prétexte puissent être annulées.

Par où commencer : concentrez-vous sur le problème, et non sur le modèle

Cet épisode se termine comme il se doit : ni par un cadre théorique, ni par un modèle de zone, mais par le conseil le plus simple qui soit. Avant de choisir un outil, identifiez un problème. Choisissez-en un de petite envergure. Optez pour un problème présentant peu de risques. Assurez-vous que les données qui le sous-tendent sont propres et bien gérées. Choisissez ensuite un outil qui fonctionne réellement pour ce problème précis, et arrêtez-vous là.

Comme le dit Dan : «Ce petit détail permettra de résoudre un gros problème et allégera votre journée de travail. Ne vous mettez pas la pression. «

C’est là le remède contre la paralysie, la fatigue et la routine.