IA, la double critique de Karp et Karpathy qui pèse sur les entreprises
D’un côté, il y a ceux qui disent : nous payons mal l’intelligence artificielle. D’un autre côté, certains disent : l’intelligence artificielle n’est tout simplement pas encore prête. Ce sont deux critiques différentes, arrivant à quelques jours d’intervalle, de la part de deux protagonistes qui connaissent tout de l’IA parce qu’ils y travaillent.
Alex Karp, PDG de Palantir Technologies et Andrej Karpathy, l’un des fondateurs d’OpenAI. Si on les lit séparément, les deux critiques apparaissent comme deux débats distincts. Lus ensemble, ils racontent quelque chose de beaucoup plus utile pour ceux qui, chaque jour, doivent décider si et comment intégrer ces outils dans leur organisation.
La première voix est celle d’un entrepreneur très médiatisé de la Silicon Valley, Karp, qui a publiquement remis en question la manière dont les grandes entreprises d’IA se facturent elles-mêmes. Sa thèse : l’intelligence artificielle se vend au fur et à mesure, c’est-à-dire par token, par appel, par abonnement, tout en gardant un contrôle total sur les modèles et les données des clients. Le résultat, dit-il, est que les clients paient cher et perdent la propriété de ce qu’ils confient au système.
La question qu’il pose est la suivante : si un modèle peut générer un milliard de dollars de valeur pour une entreprise, pourquoi le fournisseur continue-t-il de facturer sur une base de paiement à l’utilisation plutôt que sur une base de résultat ? Un consultant qui génère une valeur mesurable participe souvent avec une action. Un fonds qui redonne à une entreprise des parts dans la croissance. L’intelligence artificielle, en revanche, reste vendue comme une pure consommation : plus vous écrivez, plus vous payez, plus vous traitez de données, plus vous payez, sans aucun lien direct avec ce que produit réellement ce travail. Une critique de la part de ceux qui dirigent Palantir, une entreprise qui travaille vers des objectifs, mais qui voit peut-être aussi sa domination menacée par les grands noms de l’IA.
La critique de la maturité
La deuxième voix vient d’un chercheur, Karpathy, qui a contribué à la création de l’un des principaux laboratoires d’IA au monde, a travaillé sur les systèmes de conduite autonome d’un grand constructeur automobile comme Tesla, et est aujourd’hui l’un des vulgarisateurs les plus suivis sur le sujet qui travaille pour Anthropic. Il ne parle pas de prix. Parlez de performances. Et sa thèse est tout aussi intéressante : les modèles, dit-il, ne sont pas encore prêts. L’industrie fait un pas trop grand en prétendant que cette technologie est déjà étonnante alors qu’elle ne l’est pas.
Alors que beaucoup considèrent 2027 comme l’année décisive pour les agents d’IA, il parle d’une décennie entière nécessaire pour résoudre les problèmes restants. Il qualifie l’intelligence des modèles actuels de « dentelée » : capables de performances surprenantes dans certains domaines, et d’erreurs élémentaires dans d’autres, la même discontinuité de ceux qui ont une mémoire exceptionnelle mais peinent à raisonner au quotidien. En d’autres termes, il a du mal à distinguer quand il vaut la peine de s’appuyer sur la machine et quand cela ne vaut pas la peine. Et il parle de cabinets de conseil dans lesquels sa valeur ajoutée, en tant qu’expert, consistait simplement à dire au client de ne pas utiliser l’IA pour résoudre ce problème.
Une de ses phrases est très centrée parmi d’autres : la pensée peut s’extérioriser, mais pas la compréhension.
Prises individuellement, les deux thèses semblent concerner des mondes différents. On parle d’économie et de pouvoir de négociation. L’autre des limites techniques et de la maturité de l’instrument. Mais placés côte à côte, ils révèlent le même angle mort : ni l’un ni l’autre ne dit à ceux qui doivent décider aujourd’hui, avec les outils qui existent aujourd’hui, quoi faire entre-temps.
Ceux qui critiquent le modèle économique ne disent pas comment se protéger d’un fournisseur qui reste pourtant indispensable à court terme. Ceux qui critiquent la maturité technique ne disent pas comment distinguer, au cas par cas, les tâches sur lesquelles l’IA est déjà fiable de celles sur lesquelles elle ne l’est pas encore.
Il reste deux diagnostics clairs, mais tous deux destinés à ceux qui ont le temps et le pouvoir de négociation pour attendre que la situation mûrisse. Ce n’est pas la condition dans laquelle se trouvent, presque jamais, aujourd’hui ceux qui doivent simplement faire fonctionner une organisation au quotidien.
Parce que c’est important pour ceux qui décident aujourd’hui
Toute organisation, lorsqu’elle adopte un outil d’IA, verse dans ce système des procédures, des documents, de la correspondance et des connaissances accumulées au fil des années. Si le modèle économique reste celui de la consommation pure, sans clauses claires sur qui contrôle ces données, le risque n’est pas seulement économique : c’est que celui qui interprète le mieux ces connaissances, au fil du temps, devient le fournisseur externe et non l’organisation elle-même.
Et si, en parallèle, l’outil reste une intelligence irrégulière, capable d’exceller sur certaines tâches et de commettre des erreurs élémentaires sur d’autres, le risque est doublé : les tâches mêmes pour lesquelles il n’est pas prêt sont déléguées à un système encore immature, tout simplement parce que personne n’a pris le temps de distinguer où l’IA aide vraiment et où elle ne l’est pas.
La leçon du SaaS
Sur ce point, ceux qui ont vécu le passage des logiciels de gestion on-premise au SaaS ont déjà constaté une tension très similaire : tarification à l’utilisation, contrôle des données, dépendance vis-à-vis du fournisseur.
Ceux qui ont le mieux réussi cette transition ne sont pas ceux qui ont suivi le canon le plus bas. Ce sont eux qui exigeaient, dès le contrat, des clauses de portabilité des données, des formats d’exportation ouverts, des délais de sortie déterminés et surtout des compétences internes capables de lire de manière critique ce que le système retournait, sans dépendre entièrement du fournisseur pour chaque interprétation. Ceux qui ont signé en se basant uniquement sur le prix mensuel se sont retrouvés, des années plus tard, dans une situation verrouiller ce qui le rendait prisonnier de son propre système de gestion.
L’intelligence artificielle risque de répéter le même scénario, mais avec une circonstance aggravante que le SaaS n’avait pas : au risque de dépendance contractuelle s’ajoute celui de s’appuyer sur un outil qui, de l’aveu même de ceux qui le construisent, n’est pas encore totalement fiable.
Les chemins possibles
Il n’est pas nécessaire d’attendre le débat entre les deux thèses pour trouver une synthèse définitive pour agir. Certaines orientations sont déjà réalisables aujourd’hui, pour ceux qui doivent décider comment adopter ces outils.
Distinguer, avant toute adoption, les tâches vérifiables de celles qui ne le sont pas : l’IA fonctionne bien là où il existe un critère objectif pour juger du résultat, encore moins là où la décision requiert du jugement, du contexte, de la responsabilité.
Prévoir, dans chaque contrat impliquant des systèmes d’IA, les mêmes clauses de portabilité et de réversibilité que le SaaS nous a appris à exiger, afin que le coût de sortie ne devienne jamais un obstacle au changement de fournisseur.
Investir dans un minimum de compétences internes capables de valider les résultats des modèles, au lieu de les considérer comme fiables par définition simplement parce qu’ils sont générés par un système sophistiqué.
Ne déléguez pas la dernière partie de tout processus, la plus délicate, celle où une erreur élémentaire suffit à vous coûter cher : c’est là que l’intelligence irrégulière risque le plus, et c’est là que le contrôle humain est encore nécessaire, et le sera pendant des années.
Une question plus utile
La question la plus urgente n’est pas de savoir qui a raison entre ces deux critiques. Karp souligne un problème de pouvoir et de modèle économique. Karpathy signale un problème de maturité technique. Ce sont des critiques qui émanent de l’intérieur du secteur, et non de ceux qui l’observent avec méfiance de l’extérieur, et c’est précisément pourquoi il vaut la peine de les prendre au sérieux, plutôt que de choisir lequel préférer.
La question la plus utile demeure : en attendant, pendant que le prix s’ajuste et que l’outil mûrit, qui décide quelles tâches confier à l’IA et lesquelles ne le sont pas ? Si la réponse est « le fournisseur », le problème décrit par les deux est déjà arrivé dans la maison.
