Non, l’IA ne stagne pas. Vous regardez le mauvais tableau de bord

Les dirigeants commencent à douter de leurs feuilles de route pour l’IA. Après l’essor initial des outils génératifs en 2023, il est naturel de se demander si l’élan n’a pas ralenti. Mais cette question mal interprète le tableau de bord. Les progrès de l’IA n’ont pas stagné. Ils se sont déplacés.

Ce qui ressemblait à un changement exponentiel en surface, une écriture fluide, des résumés polis, se produit maintenant dans des domaines plus profonds et plus significatifs : la raisonnement, le code, l’orchestration des flux de travail et la compréhension multimodale. Ces progrès sont moins spectaculaires, mais beaucoup plus impactants. Si vous mesurez toujours l’IA à sa capacité à écrire un meilleur paragraphe, vous manquez la transformation réelle.

Les véritables gains se produisent là où le travail est effectué

Le progrès s’accélère là où il compte le plus. Sur de nouvelles références rigoureuses comme GPQA, qui évalue la raisonnement scientifique de niveau universitaire, les performances des modèles ont augmenté de près de 49% points d’une année sur l’autre. Sur MMMU, qui teste les tâches transversales et multimodales, les scores ont augmenté de près de 19 points. SWE-bench, une référence qui nécessite de corriger de véritables bases de code GitHub et de passer des tests automatisés, est passée de 4,4% à plus de 71% en un an.

Ces améliorations ne sont pas marginales. Elles montrent que les grands modèles de langage maîtrisent des tâches qui exigent de la précision, de la raison et de l’intégration à travers des systèmes complexes. SWE-bench, en particulier, va au-delà des problèmes de démonstration pour montrer si les modèles peuvent participer à un véritable développement de logiciels, un seuil qui semblait être à des années de distance.

En même temps, les entreprises évoluent dans leurs attentes. Il n’est plus suffisant que les modèles soient « généralement intelligents » ; ils doivent être spécifiquement utiles. Le passage à des modèles adaptés à des domaines, à des systèmes connectés à des outils et à des cadres à agents multiples reflète la demande croissante de performances qui sont opérationnelles, auditable et intégrées dans les flux de travail réels.

Le récit ne correspond pas à la réalité

Pourquoi a-t-on l’impression que les choses ralentissent ? Il y a deux raisons. Premièrement, les références qui ont initialement attiré l’attention, la synthèse de texte, la génération d’e-mails et les tâches de conversation simples, ont atteint des plafonds naturels. Une fois qu’un modèle performe de manière cohérente à 90% d’exactitude sur ces tâches, les gains paraissent minimaux. C’est un effet de plafond, et non un plateau dans les progrès.

Les améliorations d’aujourd’hui impliquent une mémoire à long terme, une intégration d’outils, un raisonnement au moment de l’inférence et une exactitude spécifique au domaine. Ces capacités ne produisent pas de démonstrations virales, mais améliorent considérablement ce que les modèles peuvent faire dans les flux de travail réels. Alors que les références de langage traditionnelles atteignent un plateau, les références opérationnelles liées à la raison, à l’utilisation d’outils et à la fiabilité des entreprises s’améliorent plus vite que jamais. C’est cette différence qui explique la déconnexion : les observateurs occasionnels voient une stagnation parce que la surface n’a pas changé, mais les praticiens voient une transformation qui se produit juste en dessous.

De la démonstration à la mise en production

L’IA n’est plus confinée à des démonstrations spectaculaires ou à des prototypes étroits. Elle franchit le seuil de la mise en production, en particulier dans les environnements d’entreprise où la fiabilité, l’exactitude et la livraison de résultats comptent. Le passage à des systèmes structurés et spécifiques aux tâches est déjà en cours.

D’ici 2026, 40% des applications d’entreprise comporteront des agents IA intégrés, un bond considérable par rapport aux 5% de 2025. Ces agents sont conçus non seulement pour répondre à des invites, mais pour exécuter des tâches, orchestrer des flux de travail et livrer des résultats tangibles dans des domaines comme la finance, la cybersécurité et les opérations client.

Cette évolution reflète un changement technique plus profond. Les principaux développeurs d’IA, y compris OpenAI, passent d’une approche de mise à l’échelle brute à une approche de raisonnement au moment de l’inférence, permettant aux modèles de réfléchir aux problèmes, de valider les sorties et d’interagir dynamiquement avec des outils externes. Ce qui ressemblait à une automatisation étroite devient quelque chose de beaucoup plus capable : des agents qui planifient, s’adaptent et exécutent de manière fiable. Ce n’est pas une IA plus grande, c’est une IA plus intelligente, conçue pour un travail réel.

Et ce travail réel est mesuré, et non simplement imaginé. Les entreprises passent des cycles de preuve de concept à des déploiements prêts pour la production avec des indicateurs clés de performance et des objectifs commerciaux clairs liés aux résultats. Cette phase de maturation est moins axée sur la nouveauté et plus sur la fiabilité.

L’erreur que les dirigeants sont sur le point de commettre

Le véritable risque auquel sont confrontés les dirigeants d’entreprise aujourd’hui n’est pas que les progrès de l’IA soient ralentis. C’est qu’ils croiront qu’ils le sont et qu’ils suspendront les investissements exactement au moment où les capacités s’accélèrent en dessous de la surface.

Les organisations qui prennent les devants ne attendent pas la prochaine révélation de type GPT. Elles intègrent l’IA d’aujourd’hui dans des flux de travail à haute valeur et à fonctionnalités transversales, et livrent un impact commercial mesurable. Plus des deux tiers des organisations qui utilisent l’IA signalent des réductions de coûts ou une croissance des revenus directement liées à ces déploiements. Les adoptants les plus réussis étaient ceux qui ont intégré l’IA à travers plusieurs fonctions commerciales et ont automatisé des chaînes de processus entières.

Cependant, de nombreux équipes de direction restent bloquées avec des cadres d’évaluation obsolètes. Ils s’appuient sur des références universitaires qui ne reflètent plus la complexité des tâches réelles de l’entreprise. Ils optimisent excessivement l’efficacité des jetons tout en ignorant la valeur opérationnelle de l’exactitude, de la récupérabilité et de l’intégration.

Ce n’est pas seulement un retard technique, c’est un retard stratégique. L’écart entre les entreprises qui ont recalibré leur approche de l’IA et celles qui ne l’ont pas s’élargit. Et bientôt, il ne sera pas mesuré en modèles déployés, mais en parts de marché capturées et en temps de réalisation de la valeur.

Comment repenser l’évaluation de l’IA

Il est temps de mettre à jour le tableau de bord. Les organisations doivent suivre l’achèvement complet des tâches, l’orchestration des outils et les flux de travail transmodaux. Les modèles doivent être évalués non seulement sur leur capacité à « répondre à une question », mais sur leur capacité à effectuer une tâche multétape, à se remettre d’une erreur et à produire une sortie qui s’intègre dans les systèmes existants.

Des références telles que GPQA, MMMU et SWE-bench constituent un début. Mais des références internes construites autour du domaine spécifique et des flux de travail de l’entreprise sont encore plus importantes.

L’IA moderne est capable de livrer des résultats à haute valeur, mais seulement si vous testez les résultats qui comptent.

Ce qui définit la prochaine vague de succès ne sera pas les modèles avec le plus de paramètres, mais les systèmes qui fonctionnent de manière fiable dans un contexte commercial spécifique. L’exactitude, l’audibilité, le support de la chaîne d’outils et la récupération en cas d’erreur seront plus importants que la fluidité ou le ton.

La frontière a changé

L’IA ne stagne pas. Elle se déplace dans les couches où le travail se produit réellement, où les systèmes doivent raisonner, valider et interagir à travers les domaines. Elle quitte la phase de la nouveauté et entre dans la phase de l’infrastructure.

Les entreprises qui comprennent ce changement sont déjà en train de construire un avantage. Elles ne poursuivent pas la prochaine démonstration virale. Elles capturent une productivité réelle, améliorent le temps de résolution et mettent à l’échelle les processus avec précision et rapidité.

Si vous regardez toujours l’ancien tableau de bord, vous manquez les points qui sont marqués ailleurs. Les prochains leaders ne seront pas ceux qui ont attendu les feux d’artifice. Ce seront ceux qui ont vu à travers le bruit et agi sur le véritable signal.