Le R1 de DeepSeek : un rappel utile

En tant qu’enseignant dans un établissement d’enseignement supérieur et vétéran de l’industrie IT, je constate que l’hystérie autour du modèle R1 de DeepSeek en Chine est un rappel utile de trois choses.

La première est que l’intelligence artificielle générative ne consiste plus seulement à traiter de vastes quantités de contenu pour générer des réponses pertinentes à des invites ; il s’agit également de raisonnement cognitif (le « R » dans R1).

La promesse des modèles de langage à grande échelle (LLM) est que les capacités de récupération de connaissances massives et de traitement cognitif – qui étaient autrefois l’apanage exclusif des spécialistes dotés de supercalculateurs – sont maintenant à la portée de presque tout le monde. Grâce à une nouvelle génération de techniques d’efficacité améliorée, il existe des modèles suffisamment petits pour fonctionner sur un ordinateur portable conventionnel et prendre en charge plusieurs agents intelligents qui peuvent effectuer des tâches interactives complexes de manière autonome.

Deuxièmement, la révolution de l’intelligence artificielle générative est avant tout une question d’innovation et de créativité – il ne s’agit pas seulement d’une course aux armements pour le matériel le plus puissant, la taille des jeux de données d’entraînement ou le nombre de paramètres de modèle. L’adoption réussie de ces technologies ne sera pas déterminée par les grandes entreprises du secteur technologique avec leurs supercalculateurs énergivores qui entraînent des modèles à plusieurs milliards de dollars – mais par les pays et les organisations qui investissent dans le capital humain pour les préparer à cette nouvelle vague.

Troisièmement, et en prolongement de ce dernier point, l’Amérique ne semble pas très bien positionnée pour les changements dramatiques qui s’annoncent dans notre économie et notre société. Je citerai deux exemples : l’enseignement supérieur et l’Amérique corporative.

Enseignement supérieur

Dans la plupart des établissements d’enseignement supérieur, la première grande décision d’un étudiant de premier cycle est de choisir entre un diplôme de bachelor en arts (BA), qui est associé à une éducation plus large et plus interdisciplinaire, ou un diplôme de bachelor en sciences (BS), qui est plus axé sur le développement de compétences et d’expérience pratique dans des domaines spécifiques.

À l’ère de l’IA, cette dichotomie est désespérément obsolète, car les deux ensembles de disciplines deviennent essentielles sur le lieu de travail.

En fait, la plupart des étudiants de premier cycle n’ont pas la connaissance ou la perspicacité de ce que signifie travailler dans différents types d’emplois, ou même des forces et des faiblesses relatives de leurs propres capacités, talents, compétences et aptitudes. Et pourtant, la plupart des étudiants de premier cycle sont tenus de déclarer une spécialisation, ce qui sera une décision facile pour seulement ce petit pourcentage qui (pour le meilleur ou pour le pire) sait (ou croit savoir) quel domaine il souhaite poursuivre : ingénierie, science, médecine, droit, etc.

Nous avons besoin d’une approche très différente, prête à l’emploi, plus large et interdisciplinaire, de l’enseignement supérieur, qui reconnaisse qu’un diplômé universitaire peut avoir son premier emploi à plein temps sans rapport avec le diplôme qu’il a obtenu ou sa spécialisation ; que son expérience universitaire ne représentera que la première étape d’un parcours de formation continue tout au long de la vie – perfectionnement, certification, réinvention, changement de carrière – pour des rôles que nous ne pouvons même pas imaginer maintenant.

De plus, en tant qu’enseignants, nous devons développer de nouvelles stratégies pour gérer le plagiat lié à l’IA et naviguer les dangers des chatbots qui deviennent des raccourcis intellectuels, ou « décharge cognitive » – la tendance à s’appuyer sur des outils externes plutôt que sur le développement de capacités internes.

À une époque où la connaissance est séparée de la compréhension, il y a juste trop de tentation de simplement solliciter l’IA pour obtenir une réponse ou une solution immédiate au lieu de lutter pour comprendre un concept ou résoudre un problème.

IT d’entreprise

La plupart des entreprises ne semblent pas non plus réaliser les implications organisationnelles de ces nouvelles technologies.

Les rôles et les structures IT actuels reflètent les exigences organisationnelles de la précédente révolution numérique. Ces fonctions sont nées de l’expertise spécialisée requise pour que les humains utilisent et interagissent avec les ordinateurs – programmation, ingénierie de données, architecture informatique, administration de réseau, sécurité de l’information, etc.

En revanche, l’intelligence artificielle générative (et tout le domaine du traitement automatique des langues qui l’a précédée) consiste à concevoir et former les ordinateurs pour interagir avec les humains.

Par conséquent, les employés de base inventent des moyens ingénieux (et parfois dangereux) d’utiliser ces technologies. Les organisations luttent pour élaborer des politiques, des procédures et des contrôles efficaces pour maximiser les avantages de productivité potentiels tout en minimisant les risques.

Un problème clé est que dans la plupart des entreprises, l’expertise en science des données tend à être concentrée dans les départements IT, la plupart desquels fonctionnent encore comme des guildes secrètes avec leur propre langage mystérieux et des pratiques qui sont organisées et fonctionnellement isolées des unités commerciales de base. Je crois que la prochaine révolution de la productivité nécessite de nouveaux types de rôles et de structures organisationnelles, dans lesquels l’expertise en données n’est pas confinée à une fonction spécialisée mais interconnectée avec presque tous les aspects de l’exploitation.

Et il y a aussi le défi des données. Dans la plupart des organisations, l’adoption de l’IA consiste à personnaliser les LLM pour exécuter des cas d’utilisation spécialisés à l’aide de données propriétaires. Alors que les utilisateurs des données dans les unités commerciales veulent des données complètement exactes, propres et bien gérées, les propriétaires individuels des données dans l’IT n’ont pas le budget, les incitations financières ou l’autorité organisationnelle pour garantir ce niveau de qualité et de transparence.

Par conséquent, les ensembles de données internes ne sont pas bien découverts/gérés dans l’entreprise. Typiquement, différents types de données sont stockés dans différents endroits. En réponse aux demandes des utilisateurs commerciaux, l’IT fournit différentes vues des données, crée différentes copies (et des copies de copies) des données et crée des expositions et des abstractions des données pour diverses raisons… À ce stade, personne ne sait lesquelles des versions sont obsolètes, incomplètes, dupliquées, inexactes ou dans quel contexte.

Conclusion

L’intelligence artificielle générative a le potentiel de transformer tous les types de travail du savoir. Au cœur de cette technologie se trouve la démocratisation de l’expertise (pour le meilleur et pour le pire) – en interposant des spécialistes tels que les programmeurs, les vidéographes, les illustrateurs, les écrivains, les éditeurs et presque tout type de travailleur du savoir ou « d’expert ». Jamais auparavant les humains n’ont eu affaire à une technologie qui rivalisait avec leurs propres capacités de traitement et de raisonnement cognitif – mais seulement avec leur force physique, leur endurance, leur précision et leur capacité à traiter de vastes volumes de données.

Cette nouvelle révolution de la productivité exige de nouvelles compétences, de nouvelles capacités et de nouvelles structures organisationnelles, dans lesquelles l’expertise en données est intégrale à presque tous les types de processus métier.

L’ironie est que, à mesure que les machines acquièrent des pouvoirs d’analyse plus importants, le statut et la valeur d’un employé dans une hiérarchie organisationnelle peuvent devenir moins une fonction d’expertise spécialisée, d’expérience et de diplômes, et plus de leurs compétences créatives, multidisciplinaires et interpersonnelles.

Le moment de développer et d’investir dans ces capacités est maintenant.