L'IA en 2025 : 3 concepts révélés par un chercheur de Meta et OpenAI

Introduction : au-delà du hype et de la peur

L’avenir de l’intelligence artificielle divise. D’un côté, un trader quantitatif sceptique estime que ChatGPT est « cool, mais ne peut pas vraiment faire [son] travail ». De l’autre, un chercheur dans un laboratoire d’IA de premier plan pense qu’il nous reste « deux à trois ans de travail avant que l’IA ne prenne nos emplois ». Comment naviguer dans ce spectre immense d’incertitudes ?

Au milieu de cette confusion, quelques idées fondamentales peuvent apporter une clarté essentielle. Jason Wei, chercheur scientifique chez Meta et ancien membre d’OpenAI et de Google Brain, a distillé son expérience en trois concepts clés pour comprendre le paysage de l’IA en 2025.

Ce guide décortique ces trois concepts, à la fois surprenants et puissants, pour fournir une grille de lecture solide sur les évolutions à venir.

Concept 1 : l’intelligence devient une ressource aussi abordable que l’électricité

Le premier concept avance que l’intelligence, ou plus précisément l’accès à la connaissance et au raisonnement, est en train de devenir une marchandise. Le coût et le temps nécessaires pour effectuer des tâches intellectuelles complexes tendent rapidement vers zéro.

Le moteur technique de cette tendance est le « calcul adaptatif » (adaptive compute). Contrairement aux anciens modèles qui utilisaient une quantité fixe de calcul pour chaque problème, les nouveaux systèmes ajustent la puissance de calcul à la difficulté de la tâche. La raison pour laquelle cela permet de réduire le coût de l’intelligence, explique Wei, est qu’il n’est plus nécessaire d’augmenter sans cesse la taille des modèles. Pour une tâche facile, on peut utiliser un calcul minimal et donc moins coûteux.

Cette transformation a deux implications majeures :

• démocratisation des domaines : des secteurs autrefois protégés par ce que Wei appelle des « barrières d’entrée arbitraires basées sur la connaissance » deviennent plus accessibles. Le codage en est un excellent exemple. La santé personnelle en est un autre : comme le raconte Wei, si vous vouliez faire des expériences de « biohacking » pour améliorer votre respiration nasale, un médecin pourrait être réticent. Aujourd’hui, ChatGPT peut fournir des informations de très haut niveau, vous donnant les moyens d’agir.
• valeur croissante de l’information privée : paradoxalement, alors que l’accès à l’information publique devient quasi gratuit, la valeur relative de l’information privée ou « d’initié » augmente. La connaissance de biens non encore sur le marché, par exemple, devient un avantage concurrentiel encore plus grand.

Concept 2 : la loi du vérificateur

Le deuxième concept repose sur « l’asymétrie de la vérification » : pour de nombreuses tâches, il est beaucoup plus facile de vérifier une solution que de la trouver. Pensez à un sudoku : le résoudre peut prendre des heures, mais vérifier une grille complétée ne prend que quelques secondes.

Cependant, cette asymétrie n’est pas universelle. Wei donne un contre-exemple parlant : rédiger une dissertation factuelle. Il est assez facile de générer des affirmations qui semblent plausibles, mais « vérifier chaque affirmation peut être extrêmement fastidieux ».

Ce principe est au cœur de ce que Jason Wei appelle la « loi du vérificateur » (Verifier’s Law).

La capacité à entraîner une IA pour maîtriser une tâche est directement proportionnelle à la facilité avec laquelle on peut en vérifier le résultat.

Selon Wei, la « vérifiabilité » d’une tâche dépend de cinq facteurs :

• l’existence d’une vérité objective
• la vitesse de vérification
• la scalabilité (la capacité de vérifier des millions de propositions à la fois)
• le faible bruit (des résultats de vérification constants)
• la récompense continue (la capacité de noter la qualité sur un spectre plutôt que par un simple « réussi/échoué »)

L’implication est claire : les tâches qui sont trivialement faciles à vérifier seront les premières à être entièrement automatisées. Un domaine de croissance majeur ne sera donc pas seulement le développement d’IA, mais la création de nouvelles manières de mesurer la performance, car c’est cette mesure qui débloque l’optimisation par l’IA.

Concept 3 : la « frontière dentelée » de l’intelligence

L’idée d’un « décollage rapide » (fast takeoff), où l’IA deviendrait soudainement surhumaine dans tous les domaines à la fois, est probablement erronée. La réalité est beaucoup plus nuancée.

Wei utilise la métaphore d’une « frontière dentelée » (jagged edge) pour décrire les capacités de l’IA. Cette frontière n’est pas une ligne droite qui progresse uniformément. Elle comporte des pics très élevés — des tâches où l’IA excelle, comme la résolution de problèmes mathématiques complexes — et des vallées profondes — des domaines où elle reste faible. Wei illustre cela avec un exemple simple : « pendant longtemps, ChatGPT affirmait que 9.11 était supérieur à 9.9 ».

Pour prédire quelles « dents » de cette frontière progresseront le plus vite, Wei propose trois heuristiques :

1. tâches numériques (digital tasks) : l’IA progresse beaucoup plus vite sur les tâches purement numériques, car la vitesse d’itération et d’expérimentation y est quasi illimitée.
2. tâches faciles pour les humains (tasks easier for humans) : en règle générale, les tâches qui sont plus simples pour les humains ont tendance à être plus faciles à maîtriser pour l’IA.
3. abondance de données (data abundance) : c’est l’un des principaux moteurs de la performance. Plus il y a de données disponibles pour une tâche, plus l’IA sera performante.

L’implication principale est que l’impact de l’IA sera très inégal. En se basant sur ces heuristiques, Wei propose quelques prédictions provocatrices : la recherche en IA pourrait être automatisée vers 2027, tandis que réparer votre plomberie (une tâche non numérique) ou la coiffure seront « probablement très difficiles pour l’IA ». Il ajoute avec humour que la tâche de « prévoir un rendez-vous galant qui satisfasse sa petite amie » est classée comme « impossible ». Certains domaines, comme le développement logiciel, seront « extrêmement et lourdement accélérés », tandis que d’autres resteront « probablement intacts ».

Conclusion : comment naviguer dans le paysage de l’IA

Pour se repérer dans le futur proche de l’intelligence artificielle, il est inutile de céder à la panique ou au scepticisme extrême. Il suffit de s’équiper des bons modèles mentaux. Les trois concepts de Jason Wei offrent une boussole fiable : l’intelligence devient une marchandise bon marché ; la capacité de mesurer une tâche détermine sa potentielle automatisation ; et le progrès sera spectaculaire mais inégal. Ces idées s’emboîtent : la loi du vérificateur nous aide à prédire quelles « dents » de la frontière dentelée grandiront le plus vite, transformant ainsi de nouvelles capacités intellectuelles en ressources quasi gratuites pour tous.

En gardant ces trois idées à l’esprit, quelle tâche dans votre propre activité voyez-vous basculer en premier sous l’effet de l’IA, et laquelle restera obstinément humaine ?

Synthèse inspirée d’une présentation récente de Jason Wei (Meta AI, ex OpenAI et Google Brain).