C'est probablement une bonne partie du succès extraordinaire de cette nouvelle génération d'IA : "Elle me parle, je la comprends, elle me comprend." Pour la première fois, nous n'avons même plus besoin d'apprendre à utiliser un logiciel : c'est lui qui a appris notre interface naturelle, le langage.

Ces IA dites génératives ont tellement occupé le devant de la scène depuis l'arrivée de ChatGPT fin 2022, que l'on finirait presque par croire que l'IA est née avec elles.

Moins bavardes

Ce qui est évidemment très loin d'être le cas.

Pendant les quinze années précédentes, le machine learning puis le deep learning, avaient déjà fait des progrès spectaculaires. Ces IA étaient simplement beaucoup moins bavardes.

Elles reconnaissent des visages sur des photos, détectent une transaction bancaire suspecte, recommandent le prochain film que vous regarderez, identifient une anomalie sur une image médicale, prévoient les ventes d'un produit, optimisent une chaîne logistique… Ou détectent qu'une machine risque de tomber en panne. On parle dans ce dernier cas d'IA "prédictive" : à partir de quantités importantes de données historiques, on entraîne des modèles à repérer des patterns, des corrélations, des petits signaux annonciateurs de ce qui risque de se passer ensuite.

Petite ironie pour les puristes : ChatGPT lui-même est, sous le capot, une gigantesque machine à prédire le mot — ou plus exactement le token — suivant. Les frontières sont donc moins propres que les étiquettes…

Nouveaux "experts IA"

Cette ancienne IA n'a évidemment pas disparu parce que le monde entier s'est mis à prompter.

Et cela donne parfois lieu à une situation amusante : depuis trois ans, nous avons vu apparaître une véritable armée de nouveaux "experts IA", remarquablement au courant des prompts, des RAG, des agents et des différences entre les dernières versions de GPT ou Claude… mais parfois beaucoup moins familiers avec le bon vieux machine learning, les réseaux de neurones, la classification, les séries temporelles ou la détection d'anomalies.

Or dans l'industrie, cette IA-là est partout, et produit depuis longtemps de la valeur très concrète.

La maintenance prédictive d'I-care

Nous avons même en Wallonie un magnifique exemple avec I-care, entreprise née à Mons et devenue récemment une nouvelle licorne, c'est-à-dire une société technologique valorisée à plus d'un milliard.

I-care s'est spécialisée dans la maintenance prédictive : barder les machines de capteurs, mesurer leurs vibrations, températures ou autres caractéristiques, et détecter dans ces données de petits changements qui peuvent annoncer une défaillance.

Une machine industrielle commence rarement par envoyer un email disant : "Attention, mon roulement va casser mardi prochain". Mais elle peut vibrer très légèrement différemment. Et une IA entraînée sur suffisamment de données peut apprendre à reconnaître ce signal faible, bien avant qu'un humain ne remarque quoi que ce soit. Dans une usine où l'arrêt d'une ligne peut coûter des dizaines ou centaines de milliers d'euros, cela devient vite beaucoup plus rentable que de lui faire écrire des poèmes.

Au-delà des mots

Cette distinction rappelle aussi une limite actuelle des IA génératives : elles sont extraordinairement à l'aise dans le monde du langage, parce qu'elles ont été entraînées sur une part gigantesque de ce que l'humanité a écrit, de Wikipedia à des milliards de pages web. Mais le monde réel n'est pas constitué de mots.

Il comporte des objets, de l'espace, du temps, de la causalité, des machines qui cassent, des robots qui doivent éviter un obstacle. Il n'existe pas de corpus d'entraînement de cet univers (comme Wikipedia peut l'être pour un LLM). C'est une des raisons pour lesquelles beaucoup de chercheurs travaillent à présent sur des world models, des modèles qui essayent de représenter davantage le fonctionnement du monde physique, et pas seulement celui du langage.

La suite sera sans doute un mélange de toutes ces approches.

Une IA prédictive détectera une vibration anormale sur une pompe. Une IA générative pourra consulter sa documentation technique et expliquer le problème en langage naturel. Un "agent" pourra vérifier si la pièce nécessaire est disponible, proposer une intervention, voire adapter un planning de production.

Après quelques années passées à nous émerveiller devant des machines qui ont appris à nous parler, il serait donc bon de nous rappeler toutes celles qui avaient déjà appris à écouter les machines.