“Phase 2 : ?” La formule résume bien l’époque actuelle : les entreprises ont largement franchi l’étape technique (le “Step 1”), et les discours annoncent une transformation économique (le “Step 3”). Entre les deux, la question qui revient sans cesse reste la même : comment, concrètement, passe-t-on du prototype à un gain de valeur durable, sans écart entre promesses et résultats ?
Du mème à la réalité : l’intervalle entre promesse et rentabilité
Dans South Park, des gnomes présentent un “business plan” en trois phases : collecter, découvrir le “?”, puis faire du profit. Si cette blague circule depuis des années sur internet, elle a pris une nouvelle résonance avec l’IA. Le secteur semble capable de produire rapidement des systèmes performants, mais l’étape intermédiaire — celle qui transforme la capacité en pratique opérationnelle — demeure floue.
En toile de fond, un paradoxe : l’écosystème est très motivé pour “monter” vite, tandis que les conditions nécessaires pour réussir dans un environnement réel (processus, responsabilités, conformité, formation, qualité) sont rarement au centre du récit.
Régulation : une partie du “Step 2”, mais pas un consensus
Côté militants et certaines organisations critiques, le “Step 2” serait avant tout un cadre de régulation. L’idée est de limiter les risques et d’aligner l’innovation sur des règles vérifiables. Toutefois, ce que devrait contenir exactement ce cadre, et qui serait en mesure de le faire appliquer, fait l’objet de débats. L’enjeu est autant politique que technique : sans mécanismes clairs, la rentabilité peut s’obtenir au prix d’externalités difficilement quantifiables.
Le scénario optimiste : aller vite vers le “profit”, en sous-estimant l’étape intermédiaire
Les promoteurs de l’IA, eux, mettent l’accent sur le “Step 3” : l’IA serait une solution de salut, capable de générer des gains rapides. Mais le chemin reste souvent implicite. L’objectif est présenté comme lointain ou “en cours”, tandis que les méthodes pour y parvenir varient fortement selon les acteurs.
Autrement dit, la question n’est pas seulement de savoir si la technologie progresse. Elle est de savoir si les modèles seront capables d’assumer l’ensemble des tâches, avec la fiabilité attendue, dans des contextes où la contrainte principale n’est pas la génération de texte, mais la décision, la vérification et la responsabilité.
Des études qui se contredisent : pourquoi le même sujet ne produit pas les mêmes conclusions
Deux travaux récents illustrent bien l’écart entre analyses. D’un côté, des recherches mettent en avant des catégories professionnelles susceptibles d’être les plus touchées par l’automatisation liée aux modèles de langage. De l’autre, des tests centrés sur des tâches concrètes dans le travail montrent des performances encore insuffisantes pour mener la mission jusqu’au bout.
Cette divergence s’explique notamment par la nature des hypothèses. Certains scénarios extrapolent à partir de ce que les systèmes semblent pouvoir faire, sans mesurer directement leur efficacité complète dans un environnement réel. D’autres s’appuient davantage sur des évaluations pratiques, où l’agent doit enchaîner des actions, gérer des imprévus et produire un résultat conforme à un objectif précis.
Le point de vigilance, enfin, concerne aussi les intérêts et les angles de lecture : l’orientation d’une étude peut influencer la façon d’interpréter les résultats. Sur le terrain, les “gains” dépendent moins de la prouesse technique que de la capacité à fiabiliser les workflows.
Ce que le débat révèle vraiment : l’IA n’est pas qu’une performance, c’est un système
Le “Step 2” apparaît donc comme une étape de maturation : passer d’une démonstration à un dispositif qui s’intègre, qui rend des résultats auditables et qui supporte les contraintes quotidiennes (qualité, contrôle, sécurité, conformité, gestion des erreurs). Tant que ces composantes ne sont pas résolues, les discours sur la rentabilité restent difficiles à vérifier.
La différence entre promesse et profit se joue souvent dans les marges : qui vérifie ? quelles limites ? quel niveau de responsabilité ? comment traiter les erreurs ? Sans ces réponses, l’“économie transformatrice” ressemble davantage à un pari qu’à une trajectoire maîtrisée.
Choisir des outils : un aperçu des besoins opérationnels
Pour les organisations qui cherchent à évaluer l’IA de manière pragmatique, l’intérêt est souvent de partir de cas d’usage et d’infrastructures capables de tracer, organiser et contrôler les échanges. Des solutions de base comme un outil de prise de notes avec fonctions IA peuvent aider à structurer les informations, documenter les décisions et rendre les résultats plus faciles à auditer. De la même façon, un logiciel de gestion de projets orienté tâches aide à tester des workflows complets, plutôt que des performances isolées.
Au final, le débat sur le “Step 2” renvoie à une même attente : transformer la capacité technique en valeur mesurable, avec un niveau de fiabilité compatible avec le travail réel. C’est cette étape — souvent la moins médiatisée — qui déterminera, plus que les annonces, qui tirera le profit et à quel prix.