IA : chronique d’une mort annoncée

À peine avons-nous appris à utiliser une technologie qu’une nouvelle annonce déjà sa disparition.

Dans l’intelligence artificielle, le phénomène prend une dimension particulière. Le prompt engineering serait dépassé par le context engineering. Les workflows laisseraient progressivement la place aux agents. Les modèles eux-mêmes se succèdent à un rythme qui donne parfois l’impression que ce que nous venons d’apprendre appartient déjà au passé.

Plus récemment, une formule revient régulièrement : « le prompting est mort ».

Qu’elle soit techniquement juste ou fausse n’est finalement pas la question qui m’intéresse le plus. Ce qui m’interroge est notre besoin de raconter l’innovation comme une succession de morts et de recommencements.

Et si le véritable risque était d’accélérer sans apprendre ?

L’intelligence artificielle progresse extrêmement vite. Mais une organisation n’évolue pas au rythme d’un modèle.

Ses données, ses processus et son système d’information possèdent leur propre temporalité. L’appropriation d’un outil, le développement des compétences, la confiance, l’évolution d’un métier ou d’une culture managériale en possèdent une autre.

Le problème ne vient pas du fait que ces horloges soient différentes. Il apparaît lorsque nous voulons toutes les synchroniser sur la plus rapide.

Une nouvelle capacité technologique peut être disponible presque instantanément sans produire immédiatement une nouvelle pratique, encore moins une transformation et encore moins une création de valeur.

C’est pourquoi je distingue quatre réalités que le débat sur l’IA tend parfois à confondre : capacité technologique → adoption → transformation → création de valeur.

Elles sont liées. Elles ne sont pas équivalentes.

L’écart entre l’état de l’art technologique et la réalité d’une organisation ne signifie donc pas nécessairement qu’elle est « en retard ». C’est précisément dans cet espace que se joue la transformation.

Cette réflexion prolonge celle développée dans « Le retard en matière d’IA n’a pas de sens » . Vouloir rattraper une technologie avant même d’avoir déterminé pourquoi et comment l’utiliser peut transformer l’urgence en substitut à la stratégie.

Apprendre plus vite que nous n’oublions

Cette question m’a progressivement conduit à formuler ce qui constitue probablement l’idée centrale de ce travail.

La maturité d’une organisation face à l’IA pourrait se mesurer autant à sa capacité à apprendre plus vite qu’elle n’oublie qu’à sa vitesse d’adoption des nouvelles technologies.

Prenons le prompting. Une organisation qui a réellement appris à travailler avec les modèles n’a pas simplement accumulé quelques « bonnes recettes » de prompts.

Elle a appris à expliciter un objectif. À donner du contexte. À identifier ses contraintes. À préciser les données nécessaires. À définir des critères de réussite. À évaluer une réponse. À comprendre certaines limites des modèles.

Lorsqu’elle expérimente ensuite le RAG, les workflows ou les agents, elle ne devrait donc pas repartir de zéro. Une partie de ce qu’elle a appris demeure.

Il en va de même pour les données préparées, les cas d’usage identifiés, les règles de gouvernance élaborées, les processus documentés, les erreurs rencontrées ou les critères d’évaluation construits.

C’est cet ensemble que je propose d’appeler un patrimoine IA.

Construire un patrimoine IA plutôt qu’une succession de « coups »

Beaucoup d’organisations expérimentent encore l’IA par vagues. Un nouvel outil apparaît. Quelques collaborateurs le testent. Des cas d’usage sont identifiés. Des POC sont lancés. L’attention se déplace ensuite vers la nouveauté suivante.

L’organisation mesure alors facilement le nombre d’initiatives engagées. Beaucoup moins ce qu’elle en a réellement appris.

Une logique patrimoniale conduit à poser d’autres questions : qu’avons-nous découvert sur nos métiers ? Qu’avons-nous appris sur nos données ? Quelles pratiques méritent d’être conservées ? Qu’avons-nous essayé sans résultat ? Quelles compétences avons-nous développées ? Que pourrons-nous réutiliser lorsque la technologie aura changé ?

Une technologie peut disparaître sans que l’apprentissage qu’elle a produit disparaisse avec elle.

Il ne s’agit plus d’opposer l’ancien et le nouveau, mais de comprendre ce que le nouveau peut incorporer de ce qui a déjà été appris.

Le prompting ne disparaît pas vraiment : il change de place

L’arrivée des agents illustre particulièrement bien cette continuité. Avec un prompt, nous explicitons ce que nous attendons du modèle : objectif, contexte, contraintes et critères de réussite.

Lorsque les systèmes deviennent plus autonomes, ces éléments ne disparaissent pas. Ils se distribuent progressivement ailleurs : instructions, contexte, mémoire, données, outils, règles d’action, permissions, critères d’arrêt ou mécanismes de supervision.

L’utilisateur final écrira probablement moins de prompts. Mais quelqu’un devra toujours avoir défini avec suffisamment de précision ce que l’on attend du système.

Un mauvais prompt peut produire un mauvais texte. Un objectif mal défini confié à un système capable d’agir peut produire une mauvaise action.

Plus le système possède d’autonomie et de capacité d’action, plus cette précision devient importante.

Le prompting pourrait ainsi n’avoir été que la première forme visible d’une compétence plus durable : savoir transformer une intention humaine en instructions suffisamment explicites pour qu’un système puisse la comprendre et, progressivement, agir.

L’IA peut aussi nous apprendre à ne plus penser

Il ne faudrait pourtant pas transformer cette réflexion en éloge du prompting ou de l’IA. Le même outil peut produire des effets opposés.

Il peut m’obliger à formuler plus précisément ma pensée et me permettre, à l’inverse, d’éviter de penser. Il peut augmenter ma capacité à explorer un problème et me dispenser de l’explorer. Il peut préserver certaines connaissances et contribuer à la disparition de savoir-faire.

Dans ma propre pratique, j’ai fait un constat assez paradoxal :

Je n’ai jamais autant réfléchi que depuis que je prompte.

Pour obtenir une réponse réellement utile, je dois souvent commencer par mieux comprendre ce que je cherche moi-même. Mais rien n’oblige à utiliser l’IA de cette manière.

La question importante n’est donc pas seulement de savoir ce que l’IA est capable de faire pour nous. Elle est aussi de savoir ce que son utilisation est en train de faire de nous — et ce que nous voulons qu’elle fasse de nous.

L’urgence ne peut pas devenir un mode permanent de transformation

L’urgence peut être utile pour sortir de l’inertie. Elle devient problématique lorsqu’elle devient un état permanent.

Chaque nouvelle annonce technologique peut déclencher une nouvelle vague d’expérimentations avant même que la précédente ait été évaluée, documentée et transformée en apprentissage.

Le nombre de pilotes devient une preuve de mouvement. La nouveauté une preuve de progrès. Et l’accélération une stratégie.

Le problème n’est pas d’aller vite. Le problème est d’aller si vite que l’expérience produite n’a plus le temps de devenir un apprentissage.

L’IA peut en outre favoriser une autre tentation : chercher une solution technologique à des difficultés dont les causes sont ailleurs.

Une donnée de mauvaise qualité reste médiocre avec un modèle plus puissant. Un processus mal conçu ne devient pas pertinent parce qu’il est automatisé. Une organisation en silos ne devient pas collaborative parce qu’elle déploie Copilot. Une gouvernance inexistante n’apparaît pas spontanément avec l’arrivée d’un agent.

La technologie peut résoudre de nombreux problèmes. Elle peut également nous dispenser d’interroger suffisamment le problème que nous cherchons réellement à résoudre.

Créer de la valeur ne signifie pas simplement produire plus vite

Le temps gagné, l’automatisation et la productivité sont évidemment importants. Mais ils ne disent pas tout.

Une organisation peut devenir plus productive tout en devenant plus fragile. Elle peut perdre certains savoir-faire, devenir excessivement dépendante d’un fournisseur, automatiser un processus au point que plus personne ne soit capable de le reprendre ou gagner du temps tout en dégradant la qualité.

La valeur doit donc aussi être regardée à travers la qualité, la pérennité, la résilience et l’autonomie.

Cette dernière dimension est directement liée au patrimoine IA : peut-on réellement parler de patrimoine si l’organisation n’est plus capable d’accéder à ce qu’elle a construit, de le transférer, de le faire évoluer ou de changer de fournisseur ?

La question doit encore être élargie. À qui revient la valeur produite ? Que devient le temps gagné ? Quelles tâches voulons-nous continuer à exercer ? Quelles décisions souhaitons-nous déléguer ? Et quelles ressources mobilisons-nous pour ces usages ?

L’IA repose sur des infrastructures physiques, des équipements, de l’énergie, de l’eau et des matières. L’amélioration de l’efficacité des technologies ne suffit pas si elle entraîne simultanément une multiplication des usages qui absorbe ces gains.

Dans un monde fini, toute efficacité ne crée pas nécessairement de valeur.

La question pertinente n’est donc peut-être pas de savoir combien de cas d’usage IA nous sommes capables de déployer, mais quels usages créent suffisamment de valeur pour justifier durablement les ressources, les dépendances et les transformations qu’ils mobilisent.

Nous n’avons peut-être encore rien décidé

Nous ne décidons pas du rythme auquel progresseront les modèles. Nous pouvons en revanche encore décider du rythme auquel nous transformons nos organisations et des finalités auxquelles nous consacrons ces nouvelles capacités.

Expérimenter rapidement sans industrialiser précipitamment. Abandonner une technologie sans perdre ce qu’elle nous a appris. Adopter une nouveauté sans considérer qu’elle oblige à effacer ce qui la précédait. Décider vite tout en pensant loin.

Le prompting n’était finalement qu’un point d’entrée. Sa mort annoncée fait apparaître une question beaucoup plus vaste :

Que choisissons-nous de conserver, d’abandonner, de déléguer et d’apprendre ?

Cette histoire n’est pas écrite. C’est précisément pourquoi elle mérite d’être discutée, confrontée et construite plutôt que simplement subie au rythme des prochaines accélérations.