La réponse 42

La culture de l’intelligence artificielle s’est vite fabriqué un nouvel oracle. Il suffirait de formuler correctement sa requête pour que la machine livre une solution qui exigeait naguère des études, de l’expérience et quelques nuits blanches.

Douglas Adams avait poussé ce rêve jusqu’à l’absurde dès « Le Guide du voyageur galactique ». Un superordinateur a calculé pendant sept millions et demi d’années la réponse à la grande question sur la vie, l’univers et le reste. La réponse était exacte : 42. L’ennui, c’est que plus personne ne connaissait la question.

Avec l’IA générative, il se passe quelque chose de semblable. Une réponse bien tournée peut arriver avant que la personne ait compris quel problème elle résout, quelles données comptent et à quel signe distinguer la réussite de l’erreur.

L’IA n’est pas un solveur, c’est un amplificateur. Elle accélère la recherche de variantes, de brouillons, d’explications et d’objections. Une question forte en fait un outil fort. Une question confuse reçoit d’ordinaire une version plus lisse de la même confusion.

Le modèle possède des connaissances tirées d’une masse énorme de textes ; il peut donc nommer une notion, un auteur ou une méthode dont l’utilisateur n’a jamais entendu parler. Mais il n’a pas de trappe secrète vers votre réalité. De votre famille, de votre projet, de votre maladie, de votre contrat ou de votre conflit, il ne sait que ce que vous lui avez dit, ce qui découle des données disponibles et ce qu’il a su reconstituer de façon plausible.

C’est pourquoi le conseil de l’IA se révèle souvent le reflet du cadre initial. Décrivez un collègue comme paresseux, et le système vous aidera à gérer un collègue paresseux. Mentionnez qu’il a en même temps trois tâches incompatibles, et l’analyse change. La machine n’est pas tenue de remarquer un fait que vous ne lui avez pas communiqué et que vous n’avez pas pensé à vérifier.

Sans carte du domaine, on ne voit pas toujours quelle question manque. On peut ignorer l’existence d’une autre juridiction, d’une variable cachée, d’une contrainte technique ou d’une prémisse réfutée depuis longtemps. Recevoir une réponse assurée ne rend pas automatiquement plus savant : cela donne temporairement un résultat qui ressemble au résultat de quelqu’un de savant.

Cette différence est déjà visible dans les études. Les revues en éducation montrent que l’IA générative peut améliorer le devoir rendu sans produire un gain d’apprentissage comparable, dès lors que l’élève a délégué à la machine le travail de pensée lui-même. Les expériences sur le marché du travail constatent aussi que l’outil peut réduire l’écart de performance sur une tâche précise, tandis que les différences de connaissances demeurent quand on retire l’assistant.

Ainsi naît une compétence empruntée. Elle est utile — comme une calculatrice, un traducteur ou un GPS. Le danger commence quand on prend l’accès au résultat pour la maîtrise de la méthode.

Pour que l’IA renforce le travail, il faut lui transmettre non seulement la question, mais le contexte :

• quel résultat est attendu, et pour qui ;
• ce qui est déjà connu, et d’où cela vient ;
• quelles contraintes sont intangibles ;
• ce qui compte comme erreur acceptable ;
• quelles sources sont admissibles ;
• où le système doit reconnaître l’incertitude au lieu de combler le trou.

Il n’est pas seulement utile de consulter en mode « donne-moi la réponse ». Les meilleures requêtes visent parfois votre propre assurance :

Quelles hypothèses ai-je faites ?

Quel contexte important pourrait manquer ?

À quoi ressemble l’objection la plus forte ?

Quelles explications alternatives sont compatibles avec les faits ?

Qu’est-ce qui changerait la conclusion ?

Le modèle a ainsi la possibilité de sortir du premier récit. Mais l’alternative proposée doit malgré tout être évaluée par un humain capable d’en comprendre le sens et les conséquences.

Les systèmes génératifs produisent du texte probable, pas de la vérité certifiée. Le NIST range explicitement parmi leurs risques les inventions assurées, la dépendance du résultat au contexte et la confiance excessive de l’utilisateur. Un nom, un lien, une citation, un calcul et une règle de droit exigent donc une vérification à la source primaire.

On peut confier un brouillon à l’IA. On peut lui demander d’expliquer, d’objecter, de traduire, de comparer et de trouver le point faible. On ne peut pas lui confier d’être la personne qui comprend le problème et en assume les conséquences.

La réponse 42 ne devient utile qu’une fois la question apparue. Formuler la question, choisir le contexte et vérifier la réponse restent une part du travail humain.

La compétence empruntée se voit le mieux sur les documents. Quelqu’un demande au modèle de rédiger une mise en demeure, obtient quatre paragraphes aux tournures correctes et l’envoie. Le texte a l’air du travail d’un juriste, exactement jusqu’à la question : « et pourquoi trente jours ici, et pas dix ? » On découvre alors que le délai vient d’une formule générale et non du contrat précis, que personne n’a joint. Le modèle ne s’est pas trompé : on ne l’a pas interrogé sur ce qu’on ne lui avait pas dit.

La frontière entre outil et oracle passe par la responsabilité. Une calculatrice se trompe rarement, mais du résultat répond celui qui a tapé les nombres. Ici, c’est pareil, sauf que les nombres sont tapés par une prose assurée, et que la place pour la coquille est nettement plus grande.