IA générative : ce qu'elle fait, ce qu'elle ne fera pas

La même scène se rejoue dans la plupart des comités de direction où je passe. Quelqu'un montre une démonstration bluffante, la salle est convaincue, et la discussion dérive aussitôt sur tout ce que l'outil pourrait faire d'autre. Entre la démonstration et cette liste d'espoirs, personne n'a tracé la frontière. C'est pourtant elle qui décide si le déploiement vous rapportera quelque chose ou vous coûtera six mois.

L'IA générative produit du contenu nouveau à partir d'une consigne (un texte, une image, du code, une traduction, une synthèse), puis elle s'arrête. Elle est excellente pour fabriquer un premier jet et pour transformer de la matière qui existe déjà, et elle est mauvaise dès qu'il faut décider, garantir un fait ou agir sur vos systèmes, parce que rien dans sa conception ne le prévoit.

Elle est redoutable quand il faut produire de la matière

Il existe une famille de tâches où elle change réellement la donne, plus étroite qu'on ne le promet et plus profonde qu'on ne le croit : les situations où la page blanche coûte cher et où la matière de départ existe déjà, dans votre tête ou dans vos documents. Leur point commun n'est pas la difficulté, c'est que l'amorçage y est pénible, que le résultat se juge en trente secondes, et qu'une erreur ne coûte rien puisque vous relisez avant d'utiliser. La valeur ne vient donc pas de la qualité de la sortie, souvent moyenne, mais du coût de l'aller-retour. Une équipe qui a compris ça gagne du temps tous les jours sans rien changer à son organisation ; une équipe qui attend du premier résultat qu'il soit publiable conclut au bout de trois essais que l'outil ne vaut rien.

Ce qu'on lui demande quand même, et qu'elle rend mal

La première demande qui revient, c'est de lui faire prendre une décision : choisir entre deux fournisseurs, trancher une priorisation, arbitrer un budget. Le modèle rendra toujours une réponse construite, argumentée, plausible, et c'est précisément le piège : il ne sait pas ce qui compte pour vous. Il n'a pas vos contraintes politiques, votre trésorerie, l'historique de la relation avec ce prestataire, ni le fait que votre directeur commercial partira si on tranche dans ce sens. Une décision n'est pas un problème de rédaction, c'est un problème d'information et de responsabilité, et il lui manque les deux.

La deuxième, c'est de lui faire garantir un fait : un chiffre, une date, une référence réglementaire, un nom. Il le produira avec le même aplomb que le reste, et il aura parfois raison, ce qui est plus dangereux que s'il se trompait toujours. La mécanique mérite d'être comprise par un dirigeant : le modèle prédit la suite la plus probable, pas la plus vraie, et ces deux choses coïncident souvent sans jamais se confondre. J'ai détaillé ce fonctionnement pour un lecteur non technique, parce qu'une fois qu'on l'a en tête, on cherche où, dans son organisation, une affirmation plausible mais fausse coûte vraiment cher.

La troisième est plus insidieuse et piège des équipes expérimentées : lui confier un document long, une spécification, un rapport, des pages qui doivent se tenir entre elles. Le résultat est bon paragraphe par paragraphe et incohérent dans l'ensemble, une définition posée page trois contredite page douze, un choix annoncé au début jamais appliqué ensuite. Le modèle optimise localement, il n'a pas de représentation stable de ce qu'il a déjà écrit, et personne ne vous préviendra. C'est le genre de défaut qu'on ne découvre qu'au moment où le document sert pour de bon.

Elle répond, puis elle s'arrête

Voilà la propriété à retenir si vous n'en gardez qu'une, parce qu'elle explique presque toutes les déceptions que je vois. L'IA générative est passive : vous lui donnez une consigne, elle rend une sortie, la transaction est close. Elle ne vérifie pas son travail, elle ne consulte rien pour se corriger, elle ne revient pas vers vous en signalant un doute, et elle ne sait pas elle-même si elle a eu raison. Ce n'est pas une faiblesse passagère que la prochaine version corrigera : c'est la forme de l'objet, un système qui transforme une entrée en sortie, et rien d'autre.

Cette distinction a des conséquences budgétaires concrètes. Un outil passif ne se pilote pas comme un processus : rien à superviser en continu, pas de permissions à cadrer, pas de traces à conserver, pas d'arrêt d'urgence à prévoir. Il lui faut un relecteur compétent, et c'est à peu près tout. Beaucoup d'organisations financent une gouvernance lourde pour un objet qui ne la demande pas, pendant qu'elles laissent sans garde-fou les usages qui, eux, en auraient besoin. Savoir de quel côté de la frontière se situe votre projet évite les deux erreurs, et ce n'est pas l'outil qui vous le dira.

Ce qui lève cette limite porte un autre nom

Ce qui transforme un modèle passif en quelque chose qui agit n'est pas une montée en gamme du moteur, ce sont deux ajouts extérieurs. D'abord des outils : lire un fichier, interroger une base, lancer une commande, envoyer un message. Ensuite une boucle : le système tente, observe ce qui s'est passé, corrige, recommence jusqu'à atteindre l'objectif ou épuiser la limite qu'on lui a fixée. Un assistant conversationnel et un agent peuvent tourner sur le même modèle et le même fournisseur : ce qui diffère tient à ce qu'on a branché autour. Ce qu'il y a dans le capot d'un agent vaut le détour si le sujet arrive dans vos décisions, parce que les permissions et les traces y pèsent plus lourd que la performance brute.

Où la poser chez vous sans vous brûler les doigts

La règle que j'applique chez mes clients tient en une question, posée avant le choix de l'outil : combien coûte une erreur ici, et qui la verrait passer ? Si le premier relecteur la détecte et qu'elle ne coûte qu'une correction, allez-y sans cérémonie. Si elle part chez un client, dans un document contractuel ou dans une décision que personne ne rejouera, il vous faut un relecteur qui maîtrise le sujet, et c'est lui la vraie ressource rare du dispositif. C'est pour cela que l'IA générative donne ses meilleurs résultats entre les mains de gens déjà compétents : elle amplifie une expertise, elle ne la remplace pas. Pour le panorama complet, le guide de l'IA agentique en entreprise rassemble tout au même endroit.

La bonne question n'est pas celle de la prochaine version

On me demande souvent quand l'IA générative saura faire le reste. C'est la mauvaise question, et elle fait perdre du temps à beaucoup de comités. Produire du contenu et agir dans le monde sont deux métiers différents, et le second ne naîtra pas d'un modèle plus gros : il naît de ce qu'on branche autour, avec les responsabilités qui vont avec. Pendant qu'on attend cette hypothétique version, la valeur accessible dès aujourd'hui reste largement inexploitée, pour une raison assez bête : personne n'a dit clairement aux équipes ce qu'elles avaient le droit d'en attendre, ni ce qu'elles devaient continuer de faire elles-mêmes.