Les quatre ères de l’IA, et celle qui commence

Quatre, en comptant large, et la cinquième a commencé sans qu’on lui ait encore trouvé un nom qui tienne. Le découpage a beau être arbitraire par endroits, il éclaire une chose utile : chaque ère a déplacé ce qu’on demandait à la machine, et jamais simplement la puissance dont elle disposait.

Le découpage, et ce qu’il a de discutable

L’IA symbolique, des années 1950 aux années 1980. On écrivait la connaissance à la main, sous forme de règles et de systèmes experts. La machine ne découvrait rien, elle appliquait ce qu’un humain avait formalisé, et elle échouait dès que le monde sortait de la règle.

L’apprentissage automatique, des années 1980 à 2014. Le renversement consiste à ne plus écrire la règle mais à la laisser émerger des données. Régression, arbres de décision, forêts aléatoires : des outils qu’on utilise toujours et qui restent souvent les plus adaptés quand le problème est bien posé.

L’apprentissage profond, de 2015 à 2022. Les réseaux profonds et les grands jeux de données rendent enfin abordables la vision, la parole et la traduction. C’est l’ère où la machine cesse d’avoir besoin qu’on lui décrive les caractéristiques pertinentes, puisqu’elle les trouve elle-même.

Le génératif, depuis 2022, prolongé par l’agentique depuis 2024. Le modèle ne classe plus, il produit, puis il agit. Le saut ne vient pas d’une architecture nouvelle mais de l’échelle et de la découverte qu’un même modèle peut servir à des tâches qu’on ne lui a jamais montrées.

La faiblesse de ce récit est qu’il se lit comme une succession, alors qu’il s’agit d’un empilement. Une entreprise en 2026 fait tourner de la régression logistique sous son scoring, des règles métier écrites il y a douze ans dans sa paie, un modèle de vision sur ses documents et un agent au-dessus de tout cela. Rien n’a été remplacé, tout s’est superposé, et c’est en général la couche la plus ancienne qui décide du résultat.

Pourquoi on a l’impression que ça stagne

Le sentiment est répandu depuis un an et il repose sur une mesure devenue fausse. Tant que le progrès venait du pré-entraînement, il suffisait de regarder la taille des modèles pour suivre : plus de paramètres, plus de données, meilleures performances.

Cette source de gains arrive au bout de ses dividendes faciles. Les lois d’échelle ne sont pas mortes, mais la différenciation s’est déplacée vers ce qu’on fait au modèle après l’avoir entraîné, c’est-à-dire le mid-training et l’apprentissage par renforcement. Comme ce travail ne se voit pas dans une fiche technique, quelqu’un qui compare des nombres de paramètres conclut logiquement que rien ne bouge.

C’est la même illusion d’optique que sur les prix. Le coût du jeton s’effondre pendant que les factures montent, parce que la baisse finance de la qualité plutôt qu’une économie. Ici, la taille stagne pendant que la capacité progresse, parce que le travail s’est déplacé là où personne ne le compte.

Les trois chantiers de la suite

Ce qui vient après l’agentique n’a pas encore de nom stable, mais les directions sont identifiables et elles ne relèvent pas du même problème.

L’apprentissage continu. Un système actuel ne retient rien d’une conversation à l’autre, sauf si on le lui réinjecte, et le réentraîner sur du nouveau lui fait oublier l’ancien. Résoudre cet oubli catastrophique changerait davantage l’usage quotidien qu’un gain de dix points sur un classement, parce qu’un agent qui apprend de ses corrections cesse de refaire la même erreur.

Les modèles du monde. Plutôt que de prédire le mot suivant, il s’agit de construire une représentation interne d’un environnement et de simuler ce qui s’y produirait. C’est la piste la plus sérieuse pour tout ce qui suppose de planifier longtemps à l’avance, et c’est aussi celle qui conteste frontalement la domination des grands modèles de langage.

Les architectures hybrides. Le transformeur pur coûte cher, en calcul comme en énergie, et l’infrastructure commence à buter sur des contraintes électriques bien réelles. Les combinaisons qui mélangent plusieurs mécanismes d’attention ou plusieurs familles de modèles gagnent du terrain pour cette raison économique avant d’être justifiées par la performance.

La dette que chaque ère a laissée

Voici l’angle que l’on ne trouve nulle part et qui explique pourquoi les systèmes d’information sont dans l’état où ils sont. Chaque vague a laissé derrière elle une dette d’un type particulier, et ces dettes coexistent aujourd’hui dans la même entreprise.

L’ère symbolique a laissé des règles que plus personne n’ose modifier. Elles sont écrites quelque part, elles fonctionnent, l’auteur est parti depuis longtemps, et la seule documentation est le comportement observé. Toute ESN un peu ancienne en a dans son calcul de marge ou ses règles de facturation.

L’apprentissage automatique a laissé des modèles que personne ne sait expliquer. Le scoring tourne, il donne des résultats corrects en moyenne, et lorsqu’un cas particulier remonte il n’existe aucun moyen simple de savoir pourquoi ce profil-là a été classé ainsi.

L’apprentissage profond a laissé des chaînes de traitement de données coûteuses à maintenir, dont le coût réel n’apparaît que lorsqu’une source change de format.

L’ère générative a laissé des consignes éparpillées partout : dans des documents partagés, dans des outils différents, dans la tête des gens. Personne ne sait plus quelle version fait foi ni qui l’a écrite.

L’ère agentique, elle, laisse une dette d’un genre nouveau, et c’est celle qu’il faut regarder maintenant parce qu’elle se constitue en ce moment : des droits accordés que personne ne révoque. Un accès ouvert pour une expérimentation de trois semaines, un jeton créé pour un test, une intégration branchée par quelqu’un qui a quitté l’entreprise. Contrairement aux quatre précédentes, cette dette-là n’est pas seulement coûteuse à maintenir : elle est exploitable, et elle grandit à chaque connexion ajoutée.

La leçon commune aux cinq est la même, et elle vaut mieux que n’importe quelle prédiction sur la prochaine ère. Ce qui coûte cher, dix ans plus tard, n’est jamais la technologie choisie : c’est ce qu’on a mis en place sans écrire pourquoi, et que personne n’ose plus toucher.

Ce que ça change pour quelqu’un qui achète, pas qui construit

Trois conséquences pratiques, et aucune n’exige de suivre la recherche.

La première est qu’un agent qui n’apprend rien d’une semaine sur l’autre restera limité, quelle que soit la qualité du modèle derrière. La question à poser à un éditeur n’est donc pas quel modèle il utilise, mais ce que son système retient de vos corrections et où cette mémoire est stockée. Un outil qui vous fait répéter la même consigne tous les lundis n’a pas de mémoire, il a un historique.

La deuxième est que la frontière entre workflow et agent va se déplacer, et dans le sens de l’agent. Des tâches aujourd’hui trop imprévisibles pour être scriptées et trop risquées pour être déléguées basculeront progressivement, ce qui ne change rien à la règle qui permet de les distinguer mais déplace la ligne chaque année.

La troisième est qu’il ne sert à rien d’attendre la prochaine ère. Chacune des quatre précédentes a mis entre cinq et quinze ans à produire ses effets industriels, et les entreprises qui en ont tiré quelque chose sont celles qui utilisaient déjà la précédente. Le coût de démarrage n’est pas dans la technologie, il est dans les données à remettre en ordre et dans l’apprentissage de la délégation, et ces deux chantiers-là ne raccourcissent pas parce que le modèle s’améliore.