L’intelligence artificielle entre performance, vérité et frugalité

Alors que 64 % des utilisateurs se fient à l’intelligence artificielle pour répondre à des questions complexes, une étude révèle qu’elle peut affirmer comme vrai ce qui est faux. En cause : les hallucinations générées par des modèles mal calibrés, qui peuvent inventer des faits, des sources ou mélanger des statistiques sans traçabilité. Des techniques comme le fine-tuning (recalibrage sur des données précises) ou le RAG (Retrieval-Augmented Generation, qui combine génération de texte et bases documentaires fiables) permettent de faire grimper la précision à plus de 99 %… au prix d’une complexité accrue.

La puissance de l’IA pose un nouveau dilemme juridique. Des entreprises comme OpenAI se retrouvent confrontées à des actions judiciaires, notamment du New York Times ou de Getty Images, qui accusent les modèles d’absorber et de réutiliser leurs contenus sans licence. La question de la provenance des données — souvent floue, parfois opaque — devient centrale.

Pire : des pratiques comme le jailbreaking (détournement des protections d’un modèle pour lui faire générer du contenu interdit) exposent les IA à des usages illicites ou non éthiques. Cela alimente les critiques sur la fiabilité et la gouvernance de ces systèmes.

Face à ces enjeux, une tendance émerge : celle d’une IA agentique, plus petite, spécialisée et économe. Ces modèles, parfois hébergés localement plutôt que dans le cloud, utilisent moins d’énergie, moins de données, mais visent une efficacité ciblée. Des initiatives en Chine comme DeepStick montrent qu’il est possible de concevoir des IA frugales, adaptées à un usage contextuel et régional.

Mais cela n’efface pas tous les problèmes. Les données régionales utilisées pour entraîner ces IA peuvent être biaisées, reflétant des visions culturelles ou politiques particulières. Et faute de watermarking (signature numérique intégrée), difficile de savoir si un contenu a été généré par une IA ou un humain.

L’IA moderne se situe au croisement entre mathématiques pures et statistiques massives. Le rêve d’une hybridation entre rigueur formelle et adaptabilité empirique reste fort. Mais il devra s’accompagner d’un effort pour rendre les IA plus transparentes, plus sobres, et surtout, plus humaines dans leur rapport à la vérité.