Leçon 5 — Où l'IA est vraiment utilisée
Les démonstrations sont faciles et les déploiements sont difficiles. Cette leçon regarde où l'IA gagne réellement son coût en 2026, et se montre tout aussi explicite sur les endroits où elle déçoit, parce que connaître les échecs est ce qui vous empêche d'en financer un.
Santé
Ce qui marche. L'imagerie médicale est le succès le plus net. Le dépistage de la rétinopathie diabétique à partir de photographies de rétine atteint le niveau d'un spécialiste et se trouve déployé dans des programmes nationaux, précisément parce qu'il visait une tâche dotée de données étiquetées abondantes dans un contexte de pénurie de spécialistes. L'assistance en radiologie suit le même schéma : le modèle signale les régions suspectes et un radiologue décide. La prédiction de structure des protéines est passée d'un problème demandant des années de travail en laboratoire à un problème résolu en quelques minutes, ce qui a changé la manière dont commence la recherche de médicaments.
Ce qui déçoit. Les systèmes censés recommander des plans de traitement ont échoué à répétition au contact de la réalité. Les raisons sont instructives : recommander un traitement suppose de raisonner sur l'historique complet d'un patient, ses comorbidités, ses préférences et les pratiques locales, et cette information est éparpillée dans des dossiers incompatibles, en bonne partie sous forme de texte libre rédigé sous la pression du temps. Le modèle n'a jamais été le goulot d'étranglement.
Le schéma. L'IA réussit en médecine sur des tâches perceptives étroites avec des étiquettes abondantes, et peine sur le jugement large à partir de dossiers désordonnés.
Finance
Ce qui marche. La détection de fraude est sans doute l'application commerciale la plus mature qui existe. Chaque paiement par carte est noté en quelques millisecondes par un modèle entraîné sur des milliards de transactions, et cela fonctionne parce que les conditions sont proches de l'idéal : volume énorme, étiquettes rapides et fiables — un client conteste un débit et vous apprenez la vérité — et un intérêt économique où une amélioration de quelques dixièmes de pourcent vaut très cher.
Le scoring de crédit, le trading algorithmique et le tri des alertes anti-blanchiment sont tous établis. Le traitement documentaire est devenu discrètement routinier : extraire des champs de factures, de contrats et de pièces d'identité.
Ce qui est bridé. La réglementation, et non la capacité technique, est la limite qui mord. Un prêt refusé exige en général une explication, ce qui écarte les modèles incapables d'en produire une. Voilà pourquoi la finance s'appuie sur des arbres à gradient boosté outillés pour l'explicabilité plutôt que sur des réseaux profonds, même là où le réseau obtient un score marginalement meilleur. La règle de la leçon 3 réapparaît ici sous forme d'obligation juridique.
Industrie et logistique
La maintenance prédictive est le porte-drapeau. Des capteurs de vibration, de température et de courant sur une machine alimentent un modèle qui apprend la signature précédant une panne. Remplacer un roulement pendant un arrêt planifié plutôt qu'après un arrêt imprévu vaut plus que ne le suggère n'importe quelle métrique de précision.
L'inspection visuelle qualité est aujourd'hui une technologie banalisée. Une caméra sur la ligne, un modèle entraîné sur des images de défauts, et un taux de rebut qui surpasse celui d'un humain fatigué en fin de poste.
La prévision de la demande pilote les niveaux de stock, les effectifs et les tournées. C'est aussi là que les limites de l'extrapolation sont les plus visibles : tout modèle entraîné avant 2020 a prévu 2020 de façon catastrophique, parce que rien dans son historique ne ressemblait à ce qui est arrivé. Un modèle interpole dans son expérience et ne sait pas extrapoler au-delà.
Des produits que vous utilisez déjà
La plupart des gens interagissent avec une douzaine de modèles par jour sans s'en apercevoir.
- La recommandation sur les plateformes de streaming et de commerce, qui pilote une large part de ce qui est regardé et acheté.
- Le classement des résultats de recherche, problème de machine learning bien avant d'être une histoire d'IA.
- Le filtrage du spam et des abus, encore l'un des classifieurs les plus rentables jamais déployés.
- Les assistants vocaux et la dictée, où la précision de transcription a franchi le seuil d'utilisabilité vers 2017.
- La traduction automatique, transformée par la même architecture transformeur qui a produit ensuite les modèles de langage.
- La photographie computationnelle : le mode nuit de votre téléphone, le flou d'arrière-plan et la détection de visages sont tous des modèles appris.
Les applications qui créent le plus de valeur sont sans éclat et invisibles. Le filtrage du spam, le scoring de fraude et le classement des résultats de recherche produisent chacun plus de valeur économique mesurable que la majorité de ce qui est annoncé en conférence.
L'IA générative, en particulier
Depuis 2022, une catégorie distincte est devenue commercialement significative : les modèles qui produisent du contenu plutôt qu'une étiquette.
Là où elle tient. L'écriture de code assistée, où un développeur relit chaque suggestion. La rédaction et la reformulation de texte où un humain valide la sortie. Le résumé de longs documents. La réponse à des questions sur les documents internes d'une entreprise, à l'aide de la technique de recherche traitée dans le cours premium RAG. L'imagerie de concept pour itérer en design.
Là où elle ne tient pas. Tout contexte où un fait inventé coûte cher et où personne ne vérifie. La leçon 2 a expliqué pourquoi : un modèle de langage génère du texte plausible, et la plausibilité n'est pas la vérité. Les cas de professionnels ayant déposé des documents contenant des références fabriquées avec assurance sont désormais assez nombreux pour constituer une catégorie d'incident reconnue.
Le schéma fiable est celui de l'assistance avec relecture, non de l'autonomie sans relecture.
Les trois questions qui décident d'un projet
Avant toute discussion technique, trois questions tranchent la viabilité d'un projet. En pratique, elles éliminent la plupart des idées, ce qui économise beaucoup d'argent.
1. Ai-je les données ? Non pas « des données existent-elles dans le monde », mais : disposez-vous, en interne et juridiquement exploitables, d'assez d'exemples étiquetés de la chose que vous voulez prédire. Si la réponse exige d'abord un chantier d'étiquetage, alors c'est ça, le projet, et il doit être budgété comme tel.
2. Une réponse imparfaite est-elle utile ? Un modèle renvoie des probabilités, jamais des certitudes. Classer, signaler et prioriser le tolèrent très bien. Tout ce qui exige une garantie, non.
3. Le résultat est-il mesurable ? Si vous ne savez pas dire en chiffres à quoi ressemble le succès avant de commencer, vous ne saurez pas dire si le système déployé fonctionne. « Améliorer l'expérience client » n'est pas mesurable. « Réduire le temps de traitement moyen de 15 % sans baisser le score de satisfaction » l'est.
En trois phrases
L'IA rentabilise son coût sur des tâches étroites, à fort volume et à étiquettes fiables — scoring de fraude, inspection visuelle, dépistage médical, recommandation — et déçoit sur le jugement large à partir de dossiers désordonnés. L'IA générative est fiable comme assistance avec relecture humaine, et peu fiable comme autonomie sans relecture. La question de savoir si un projet vaut d'être lancé se décide sur la disponibilité des données, la tolérance aux réponses probabilistes et une cible mesurable, tous points qui précèdent le moindre choix d'algorithme.
Suite — Leçon 6 : récapitulatif et FAQ →