IA : parler sans savoir

900 millions d’utilisateurs hebdomadaires en février 2026, contre 100 millions trois ans plus tôt. Aucune technologie grand public n’a jamais été adoptée si vite. Et pourtant, la machine qui fascine reste, pour l’essentiel, un traitement de texte d’une puissance inédite. Elle parle remarquablement bien. Elle parle, souvent et vite, mais toujours savoir.

Le fonctionnement d’un grand modèle de langage (LLM) tient à un principe d’une simplicité déroutante : prédire le mot suivant. Le système ingère des milliards de phrases, apprend les régularités statistiques qui les structurent, et propose la suite la plus probable à partir d’un contexte donné. La fluidité, l’apparente cohérence, l’illusion de raisonnement émergent de cette mécanique. Aucune pensée à proprement parler. Seulement des distributions de probabilités sur des centaines de milliards de paramètres.

L’échelle donne la mesure du procédé.

GPT-4 totalise environ 1 760 milliards de paramètres. Son entraînement a mobilisé près de 25 000 processeurs graphiques pendant trois mois, pour un coût matériel estimé entre 78 et 100 millions de dollars. Le corpus représente environ treize mille milliards de tokens — l’équivalent de cent millions de livres, sept à huit fois la totalité de la Bibliothèque nationale de France. Un humain lisant cinquante livres par an mettrait deux millions d’années. GPT-4 l’a ingéré en trois mois.

La plupart des activités humaines reposent précisément sur la manipulation d’informations textuelles. Dès qu’une machine devient performante dans ces tâches, elle acquiert une utilité économique considérable. Les consultants utilisant un grand modèle produisent un travail jugé 40 % de qualité supérieure sur des tâches d’analyse, selon la Harvard Business School. En 2025, 43 % des travailleurs de la connaissance américains utilisaient l’IA, contre moins de 10 % fin 2022. Les modèles savent bien parler avant de bien savoir. C’est une limite certes. Mais, à l’échelle, l’IA est surtout une rupture économique.

La même mécanique qui produit la performance produit la défaillance.

Les modèles génèrent des affirmations entièrement fausses tout en conservant une apparence de crédibilité parfaite. L’étude Stanford RegLab de janvier 2024 a mesuré des taux d’hallucination de 69 % à 88 % sur des requêtes juridiques précises. Les benchmarks 2026 situent encore la moyenne entre 15 % et 52 % selon les tâches. Le système ne cherche pas la vérité ; il cherche à produire la suite la plus probable. Quand l’information manque, il comble par une formulation plausible.

Plusieurs avocats américains ont déjà été sanctionnés pour avoir produit devant un tribunal des arrêts entièrement inventés par ChatGPT, depuis l’affaire Mata v. Avianca en 2023.

La défaillance ne peut pas être éliminée tant que l’objectif reste statistique.

L’industrie répond par l’hybridation. Les systèmes ne génèrent plus uniquement à partir de leur entraînement ; ils s’appuient sur des bases externes, des moteurs de recherche, des outils spécialisés. La technique dominante, dite RAG, oblige le modèle à répondre à partir de sources identifiées, en citant ses références.

L’illustration la plus éclatante est Harvey, spécialisée dans l’IA juridique, valorisée 11 milliards de dollars en mars 2026, avec 190 millions de dollars de revenus annualisés et plus de 100 000 avocats utilisateurs au sein de 1 300 organisations. Le potentiel de marché des IA spécialisées tient en cette trajectoire.

Edsger Dijkstra (1930-2002, informaticien néerlandais, l’une des figures fondatrices de l’informatique théorique) l’avait pressenti dès 1984:

« La question de savoir si une machine peut penser n’est pas plus intéressante que celle de savoir si un sous-marin peut nager. »

L’utilité d’un outil dépend de l’efficacité de sa fonction, et non de sa ressemblance avec l’humain. Le sous-marin nage mieux que l’homme. Il ne nage pas comme l’homme.

Sur les dix prochaines années, la vraie question porte sur la répartition des gains de productivité. La conscience des machines reste un débat secondaire. Quand dix personnes peuvent produire ce que cent produisaient hier, soit la productivité supplémentaire libère du temps et redéploie l’emploi vers des tâches à plus forte valeur ajoutée, soit elle bénéficie exclusivement aux propriétaires des modèles.

Les choix fiscaux, sociaux et industriels des États sur cette question pèseront plus lourd, à dix ans, que la course à la prochaine génération.

La machine qui parle sans savoir n’est dangereuse que pour ceux qui croient qu’elle sait parce qu’elle parle.

Retrouvez nos sources, nos textes et archives sur wow-media.fr

UN SUJET. DES FAITS. DES IDÉES. LE DÉBAT. UN ÉDITO.