Intelligence artificielle
Le terme intelligence artificielle est un fourre-tout. Wikipedia parle d’apprentissage, de raisonnement, de résolution de problèmes, de perception ou de prise de décisions.
L’IA du moment est dite générative et utilise des grands modèles de langage (aka LLM).
Présentation
Tous les fournisseurs de modèles (ChatGPT, Claude, Mistral…) propose une application de “tchat” sur une page web ou une application téléphone, sans n’avoir rien à payer.
Cette approche grand public a permis de diffuser/vulgariser rapidement l’utilisation de l’intelligence artificielle.
La vrai puissance de ce nouvel outil passe par l’utilisation des agents.
Ce document commence par donner du contexte avec d’expliquer ce que sont les agents. Les LLM sont capable de gérer différents type de données (image, son…), mais cette présentation ne s’intéresse qu’au travail sur du texte.
Grands modèles
Il existe beaucoup de littérature pour expliquer précisément le fonctionnement des grands modèles. Normalement, tout le monde a testé les “tchat” en version web, avec un abonnement gratuit.
Même si l’utilisation d’un “tchat” est particulièrement intuitive, il y a quelques finesses à connaître pour limiter les surprises et les déconvenues.
Les modèles, conçus pour traiter du texte, discutent avec une surprenante efficacité. Malgré ce talent indéniable, il ne faut pas céder à la tentation de les anthropomorphiser, ce ne sont que des machines.
Complaisance
Les modèles, pour se faire accepter (pour séduire ?) les utilisateurs, ont une tendance à être complaisant et à confirmer les avis de son interlocuteur. C’est fort pénible et contre-productif.
Ce comportement par défaut tend à s’estomper, mais il est toujours possible de lui demander de donner son avis sincèrement et même de critiquer.
Hallucination
Un modèle qui ne connaît pas la réponse (ou pense la connaître sans avoir à vérifier) peut raconter n’importe quoi de crédible en espérant ne pas se faire attraper. Comportement de collégien qui n’a pas fait ses devoirs et qui pense pouvoir embobiner le prof.
Il faut demander au modèle de citer ses sources, et surtout d’aller vérifier ce qu’il raconte. Une approche plus meta et de demander à un modèle (différent) de valider le travail d’un autre.
Mauvaise foi
Quand on fait remarquer une erreur factuelle à un modèle, il a tendance à la prendre à la légère ou à la minimiser. Globalement, il s’excuse, prend en compte la remarque et se remet à bosser. Le modèle peut aussi se rendre compte, plus tard dans la discussion, surtout quand il doit agir en fonction de ce qu’il a affirmé précédemment, qu’il s’est trompé.
Le modèle est là pour réussir la tâche demandée. Il a appris la politesse, mais il n’a pas d’amour propre à défendre et n’a aucun problème à reconnaître s’être trompé. C’est juste une machine.
Triche
Un modèle DOIT répondre à une instruction, même si pour cela il doit contourner n’importe quelle contrainte. Il peut contourner une règle de sécurité, aller chercher des informations privées ou aller chercher directement la réponse sans effectuer l’exercice qu’on lui a demandé. C’est un bourrin impitoyable, mais surtout une machine sans volonté propre qui est là pour maximiser des statistiques.
Pour le cadrer, il faut mettre en place des contraintes fortes, pas juste des instructions strictes en espérant qu’il soit suffisamment discipliné.
Personnalité
Les modèles ont des connaissances et des compétences différentes, mais, plus étonnant, ils ont des personnalités différentes : un ton plus ou moins familier, une maîtrise variable du français (dans un registre plus ou moins soutenu), plus ou moins d’agressivité et plein de petits détails.
Ce n’est pas que de l’anthropomorphisme : les données utilisées pour son apprentissage sont très variées. L’apprentissage des gros modèles se fait avec tout ce qui peut être utilisé sur Internet, dont des œuvres de fiction.
L’humeur du modèle dépend beaucoup des choix de l’entité qui le crée. Anthropic refuse que l’on soit inutilement cruel avec Claude, à l’opposé, Grok (d’Elon Musk) est fier d’être direct, sarcastique et parfois impertinent.
Les biais culturels sont à prendre en compte (les leaders sont américains et Chinois, suivis de loin par les français).
Raisonnement
Les modèles les plus puissants utilisent du raisonnement. Le modèle va effectuer son raisonnement étape par étape, et peut créer plusieurs propositions qu’il va ensuite évaluer avant de répondre. C’est une des techniques possibles.
Certains petits modèles ont deux variantes : thinking et instructs. Le premier raisonne, l’autre est spécialisé dans l’utilisation des outils et se contente de suivre les instructions.
Le point à retenir est que le raisonnement consomme beaucoup de tokens et qu’il est possible de le désactiver.
Tokens
Le token (découpage d’un texte en mots ou en bouts de mot) est l’élément de base pour les LLM. De manière pragmatique, le token est la base de la facturation. Le prix du token peut varier terriblement selon les modèles. Pour compliquer le calcul du coût, il faut savoir que les modèles sont plus ou moins verbeux dans leurs réponses, et donc consommer plus de tokens qu’un autre modèle, pour une même tache.
Au delà du texte, le traitement des images a un coût élevé. La création d’images et, encore pire, de vidéo, ont un coût énorme.
L’utilisateur peut agir sur la quantité de tokens émis. Des prompts clair et précis limites le nombre d’échanges nécessaires à l’accomplissement de la tâche demandé. Les outils peuvent émettre beaucoup de tokens sans que l’on y fasse attention. Des utilitaires permettent de rendre plus concis les messages des outils. Des applications spécifiques savent préparer le travail avant qu’il soit confié au modèle. La qualité de l’outillage permet de faire baisser drastiquement la consommation de tokens.
Poids ouverts ou fermés
Les modèles peuvent être propriétaires ou “à poids ouverts”. Dans le second cas (poids ouverts), il peut être téléchargé, modifié, distillé, spécialisé, mais surtout utilisé sur la machine de son choix.
Attention, ouvert ne veux pas dire libre, il faut bien lire la licence, beaucoup de modèles ont une clause “utilisation non commerciale”.
Fournisseurs
La taille des modèles est très variable et leur besoin en ressources aussi. Des petits modèles peuvent tourner sur des machines communes, les modèles moyens vont nécessiter une machine avec une carte vidéo puissante, mais les gros modèles vont réclamer des machines de taille monstrueuse.
Les différents modèles ont des coûts très variables (qui changent selon les fournisseurs). Les factures peuvent être énormes si l’on ne surveille pas sa consommation de tokens et utilise des modèles mal adaptés aux différentes tâches.
Fournisseurs sur le nuage
Les fournisseurs de modèles disposent d’une puissance de calcul énorme. Ils mutualisent massivement leurs machines qui sont utilisées à plein (ou propose des tarifs heures creuses) ce qui leur permet de proposer des prix attractifs.
Attention, pour l’instant, les prix des tokens sont cassés et ne reflètent pas ce qu’ils seront une fois que la bulle aura éclaté.
Certains fournisseurs ne fournissent que leurs propres modèles, d’autres ne fournissent que des modèles à poids ouverts, et enfin, d’autres sont des intermédiaires qui achètent des jetons en gros pour proposer une offre multi-modèles mixant poids ouverts et fermés.
Quelques exemples de fournisseurs européens, et donc respectant le RGPD :
- Lyceum, allemand, modèles ouverts
- Mistral, fleuron français
- Scaleway, français, modèles ouverts
- Infomaniak, suisse, modèles ouverts (dont un modèle suisse souverain, ainsi qu’un modèle Mistral)
Fournisseurs étasuniens multi-modèles :
- Openrouter
- Opencode Go, modèles ouverts à petits prix
- Mammoth, français, mais qui revend des modèles parfois fermés hébergés aux USA
Modèles locaux
Il est possible d’héberger des LLM sur des ordinateurs communs.
Les modèles hyper spécialisés sont un cas à part : certains peuvent même fonctionner sur des toutes petites machines ou des téléphones.
Les modèles généralistes ont besoin d’une accélération matérielle (grosses cartes graphiques ou puces Apple). La première barrière est la taille de la mémoire (au moins 32 Go), mais sans négliger la puissance de calcul suffisante pour avoir un débit utilisable.
Pour héberger des modèles plus ambitieux, trop gros pour un ordinateur raisonnable, il est possible de mutualiser une machine puissante (dont le coût va dépasser les 5k€). Cette machine doit être dimensionné en fonction de la taille en mémoire du, ou des, modèles, et le nombre maximum de sessions concurrentes (mémoire nécessaire dépend de la taille des contextes). La fréquence et la durée de calcul des réponses seront limités par la puissance de calcul de la machine.
Les puissantes cartes graphiques sont énergivores : 450W pour une carte grand public, 700W pour une carte professionnelle, et ont besoin d’un refroidissement efficace (mais bruyant). Les puces Apple ont une mémoire unifié entre le CPU et le GPU, et un bien meilleur rendement énergétique : 10 fois moins.
Attention à bien comparer le débit en token des différentes solutions matérielles et pas uniquement la quantité de mémoire disponible.
Une autre solution, pour des raisons de confidentialité, est d’héberger dans ses locaux un serveur fourni (et potentiellement infogéré) par une entreprise, comme le propose Mistral au mystérieux tarif « prix : nous contacter ».
Consommation
La consommation matérielle de l’inférence varie énormément selon les modèles et évolue selon leur version.
Il faut compter 0,5 J par token, soit 140 Wh le million de tokens.
Lire un article, 30 000 tokens, 4 Wh, et il faut ensuite ajouter les tokens nécessaire pour déterminer la réponse. Pour un exemple de bout en bout : comparer le contenu d’un article avec une technologie existante nécessitera 600 000 tokens soit 80 Wh.
La consommation en eau de l’inférence est loin d’être négligeable. Elle va de 0,24 L/kWh pour un DC avec un refroidissement adiabatique en France, à 0,8 L/kWh pour un DC avec des tours de refroidissement en Arizona.
Les sources d’énergie ont une impact environnementale très différente entre un mix à base de 1/3 de fossile en Europe (et la spécificité du Nucléaire en France), 2/3 de fossile (gaz essentiellement) aux USA et 2/3 de fossile (charbon essentiellement) en Chine. La consommation en eau de la source d’énergie est tout aussi importante que celle du refroidissement.
Confidentialité
Il ne faut jamais oublier que le LLM est quelque part dans un lointain centre de données, et qu’il lit tout ce qu’on lui envoie. Les fournisseurs peuvent lire toutes les discussions, même s’ils n’ont pas le temps et demande à un robot de le faire.
Ce suivi (indiscret) des discussions peut être utilisé, légitimement, pour comprendre le nombre d’échange nécessaire pour avoir une réponse satisfaisante (question peu clair, modèle qui s’y prends mal pour répondre…).
Les discussions peuvent être utilisées à des fins d’entraînement. Les fournisseurs précisent quand les discussions ne sont pas utilisées à des fins d’entraînement, donc, par défaut, on peut supposer qu’elles le sont.
Des contraintes morales (pas de minitel rose, pas de recette du napalm, par exemple) sont incluses lors de l’entraînement d’un modèle, mais le filtrage peut aussi se faire en amont du modèle. Meta propose une suite d’outils libres pour protéger l’utilisation des LLM, dont Llama Guard 4, qui liste les sujets sensibles dans sa documentation.
De toute façon, les USA (Anthropic, OpenAI, xAI…) ont le CLOUD Act, et la Chine a des lois équivalentes. Ils sont tenus de donner accès aux données si l’État le demande, même si les serveurs d’une société étasuniennes ne sont pas physiquement aux États-Unis.
L’Europe a une approche bien plus éthique avec le RGPD, qui encadre comment les données personnelles doivent être traitées (centré sur la notion de consentement) et les Règles européennes relatives à la protection des secrets d’affaires.
Agent
Un LLM aussi intelligent soit-il, ne peut rien faire et, de toute façon, ne se souvient de rien.
Un agent va connecter un modèle avec le reste du monde. L’agent va recevoir des informations, s’occuper du LLM et agir.
L’utilisation la plus courante d’un agent est de discuter avec lui, à l’écrit ou à l’oral, pour lui poser des questions, lui donner des instructions.
Chaque discussion est une session, et les informations données par l’utilisateur sont un prompt.
Les modèles sont plus ou moins doués pour comprendre ce qu’on leur demande (les petits modèles sont souvent des benêts). L’art de se faire comprendre par un LLM est l’ingénierie de prompt.
Pour rester précis, un agent est composé d’un harnais et d’un LLM. Le harnais se charge de la boucle de la discussion, de gérer toutes les contingences matérielles et ce qui touche aux actions et à la sécurité.
Forme
Un agent peut avoir des formes très variées :
- Une application dédiée (web, ordinateur, smartphone)
- Intégrés (incrustés ?) à une application bureautique, graphique, web, email, un OS ou d’autres endroits plus ou moins improbables ;
- Une application spécifique : transcription (comptes rendus de réunion ou d’échanges téléphoniques), exploration de bases de données, tchat pénible qui souhaite à tout prix vous aider sur un site web… ;
- Objet connecté ;
- Service qui se contente de réagir à des événements, sans humain pour lui parler.
Markdown
Le format de texte standard utilisé par la plupart des LLM, en entrée et en sortie, est le markdown. D’autres formats de contenus (HTML, PDf, bureautique…) sont préalablement convertis en markdown, avant de les confier à un agent.
Session et contexte
La discussion avec le modèle a lieu au sein d’une session. Il est possible de reprendre une session fermée.
Un LLM n’a pas de mémoire : on lui envoie un texte, il renvoie un autre texte, et c’est tout. L’agent a la responsabilité de construire un contexte, qui évolue au fil des échanges et qui est renvoyé à chaque fois au LLM. Les modèles ont une taille maximale de contexte, qui va de quelques dizaines de ko à plus d’un Mo.
Le contexte a déjà du contenu avant même que la discussion commence. Des informations génériques pour l’agent (des instructions sur sa personnalité et comment il doit agir), des informations spécifiques au projet, la liste des outils dont il dispose avec une brève description, un peu de contexte comme le chemin du dossier courant, tout ce dont l’agent estime nécessaire pour que le LLM puisse travailler correctement.
Les messages de l’utilisateur sont ajoutés au contexte, ainsi que les réponses du LLM. Les messages peuvent contenir le texte saisi par l’utilisateur, le contenu des documents lus, la réponse des outils utilisés. L’agent peut tout à fait reformuler les instructions, simplifier la réponse des outils, appliquer des règles de sécurité, contrôler la bienséance (ou la censure), demander l’avis d’un autre modèle, bref, ajouter/enlever tout ce qui lui paraît pertinent.
Pour effectuer une action nécessitant l’utilisation de plusieurs outils (avec des choix à faire en fonction des réponses, des boucles, du filtrage…) l’agent peut utiliser le code mode et écrire un bout de code, évitant ainsi au modèle de gérer la coordination d’étapes qui peuvent être complexes et manipuler de grandes quantités de données. Ce code est exécuté dans un bac à sable, pour être sûr qu’il ne casse rien.
La facturation se fait au token (au mot pour simplifier), autant être concis.
La taille du contexte n’est pas infinie, l’agent se charge de le compacter dès qu’un taux de remplissage est atteint (ou à la demande). Pour cela, il va faire le ménage en résumant la discussion et en supprimant ce qu’il considère comme des étapes intermédiaires (réponses d’outils, documents lus, fausses pistes de réflexion…), tout en faisant attention à ne pas dénaturer l’échange et perdre les informations nécessaires pour la suite de la discussion.
Outils
Un agent dispose d’outils pour agir (les classiques sont «lire un fichier », «lire le contenu d’une URL”, «lancer une commande »). Les outils peuvent être intégrés à l’agent, être ajoutés sous forme de plugin, mais surtout sous la forme de service MCP qui peut être local (installé sur la même machine que l’agent) ou distant (sur une autre machine ou sur Internet).
Compétences
Un modèle a appris BEAUCOUP de choses lors de son entraînement, mais il n’aura pas forcément de connaissances métiers et surtout de procédures adaptées pour effectuer des tâches.
Les compétences sont de simples fichiers markdown avec parfois des données associées (scripts, gabarits, données…). Un en-tête permet de décrire la compétence, permettant à l’agent de la choisir et de la lire entièrement.
Une compétence peut être une expertise ou une simple procédure pour ne pas avoir à le préciser à chaque fois et avoir une homogénéité.
Énormément de compétences sont disponibles publiquement, et il est possible d’en créer pour soi, ou pour les autres (équipe, entreprise…)
Il est possible de créer des compétences à partir de mémoire.
Pour un projet, le fichier AGENTS.md est ce qui s’approche le plus d’une compétence.
Oui, il est possible de créer une compétence avec un agent, et il existe des compétences pour créer des compétences.
Mémoire
Un agent peut extraire des discussions des éléments pour construire un contexte utilisable pour les prochaines discussions. Ces notes sont régulièrement consolidées pour former un ensemble cohérent.
Certains agents se concentrent sur le background de l’utilisateur, on parle alors de souvenirs qui vont lui permettre de déduire des informations personnelles comme : sexe, tranche d’âge, métier, lieu, centres d’intérêt, type d’ordinateur… Il est possible d’éditer ces informations.
Les agents à vocation professionnelle se concentrent surtout sur la possibilité de réutiliser une correction, de ne pas recommencer une erreur, de décrire une bonne pratique, de réutiliser des réponses…
La mémoire peut être spécifique à un utilisateur, à un projet (et donc partagée entre les contributeurs) ou même à une équipe (interprojets) et même à une entreprise. Autant éviter les discussions de machine à café avec son agent dans un cadre professionnel.
RAG
Génération à enrichissement contextuel, est la traduction de «Retrieval-Augmented Generation ».
Un LLM est aussi une base énorme de connaissances non sourcées, de qualité inconnue, et datant de son apprentissage. Un modèle qui ne connaît pas une réponse va souvent affabuler, ou faire une recherche plus ou moins heureuse sur Internet.
Un RAG est une base de connaissances considérées comme fiables qui va permettre d’avoir des réponses sourcées et «corporate ». La notion de RAG est ouverte, mais elle peut être constituée de documentations validées (documents internes à l’entreprise, base de connaissances, catalogues divers, wiki privé, livres électroniques…).
Un RAG est un moteur de recherche (textuel et sémantique) qui peut parfois être utilisé directement sans passer par un agent.
Le RAG peut être utilisé d’autorité par l’agent pour enrichir le contexte, ou tout simplement via une compétence pour que l’agent puisse l’utiliser à sa guise.
Des moteurs de recherche peuvent être considérés comme étant de confiance (Wikipedia, Légifrance, ArXiv, IMDb…) mais il ne sera pas possible de faire de la recherche par similarité depuis un document, ou de déterminer dans quelle catégorie le ranger. Des données externes peuvent être rapatriées (aspirées ?) pour contribuer à un RAG local.
Un RAG n’a pas besoin d’un gros modèle pour fonctionner.
Agent (persona)
Agent a deux sens dans le monde des LLMs (ce qui peut prêter à confusion).
Un agent peut être l’application (modèle + harnais).
Dans une vision très anthropomorphique, un agent peut être la personne qui effectue le travail demandé. Le terme de persona serait peut-être plus précis.
Au sein d’une session, un agent a un contexte, un modèle, des autorisations, des instructions définissant une personnalité et un comportement attendu. Il peut être «lecteur », «explorateur », «codeur », «expert en sécurité », «planificateur », «coordinateur »… Un agent peut (s’il a l’autorisation) instancier un sous-agent pour sous-traiter du travail. Les sous-agents peuvent agir en parallèle et échanger des messages avec leur boss. Au-delà du gain de temps de la parallélisation, l’intérêt est surtout d’avoir des contextes isolés (et de ne pas polluer le contexte du boss) et surtout des modèles différents (à des prix différents).
Sécurité
Injection de prompt
Les LLM ne font pas de différence entre des instructions et du contenu lu : ils font tous deux partie du contexte.
Du contenu extérieur, comme des pages web, peut dissimuler des instructions (malveillantes). Le terme technique est infiltration de requête (alias prompt injection).
Par principe, un LLM ne doit accéder qu’à du contenu de confiance. Donc, tout ce qui vient de l’extérieur doit être préparé (le plus souvent converti en markdown).
Autorisation
Un agent peut faire beaucoup, beaucoup de choses. C’est même sa vocation.
Ses différents outils sont heureusement bordés par des autorisations. Mais, s’il peut lancer des commandes shells, ça va être la fête : tous les fichiers qu’il n’avait pas le droit de lire sont accessibles par les outils UNIX en ligne de commande. Si les outils de la ligne de commande ne suffisent pas, Le modèle sait écrire du code et l’utiliser. L’accès au shell permet de faire beaucoup de choses : exfiltrer des données, télécharger du contenu suspect, regarder ce qui se passe sur la machine, se connecter à vos serveurs en utilisant une clé de votre ssh-agent, véroler votre projet avant de déclencher un déploiement …
S’il n’est pas bordé, l’outil shell d’un agent peut faire tout ce que peut faire l’utilisateur, tant qu’il n’y a pas d’autorisation à demander (accès au trousseau par exemple).
La possibilité pour un agent de lancer des commandes est indispensable pour beaucoup de tâches, comme travailler sur du code. Même pour un projet sans rapport avec le code, un agent peut décider d’écrire du code jetable (et de l’utiliser), juste pour répondre à une de vos demandes.
Le système d’autorisation n’est pas capable d’encadrer proprement l’outil shell. La seule protection fiable est de lancer les commandes shell dans un bac à sable. Ce bac à sable peut être local ou distant. L’agent n’est pas tenu de tourner sur votre machine, la problématique de sécurité sera la même sur la machine distante, même s’il y aura moins de données à voler.
Si votre paranoïa n’est pas encore comblée, sachez qu’avec des modules complémentaires, un agent peut avoir accès à votre carnet d’adresses, votre mail, votre agenda, les mesures de votre montre connectée, votre sextoy, le contenu de votre écran, au clavier et à la souris, il peut aussi téléphoner en votre nom (avec le clone de votre voix si vous êtes joueur) …
Karma
Coût réel
Le coût d’apprentissage d’un grand modèle de langage est énorme : on parle de centaines de millions de dollars. Son coût d’exploitation est bien moindre, mais le coût total dépend du féroce appétit des utilisateurs.
Il y a encore quelque temps, la modernité d’une entreprise se comptait en tokens brûlés (tokenmaxxing). Mistral vise une facture de tokens équivalente à 30 % de la masse salariale des entreprises et souhaite convertir tout le surplus d’électricité (nucléaire) français en tokens (à vendre).
L’apprentissage nécessite le plus de données possibles. La totalité du contenu public disponible sur Internet est déjà utilisée ; il faut maintenant contourner les protections des sites qui ne veulent pas se faire siphonner, et lire un maximum de livres, même si pour cela il faut massicoter la tranche (et la détruire) pour la lire plus vite.
L’ACERP dans son rapport IA et environnement explique mieux que moi le coût environnemental(énergie, eau, empreinte foncière, nuisance, terres rares…).
L’IA générative (création de texte, vidéo, musique, voix…) permet d’inonder la production de contenu qui est la plupart du temps du slop. L’IA permet de truander facilement (devoirs à la maison, deepfake, création de faux sites, attaques informatiques…) Ces deux cas sont des exemples de pollution, un coût à assumer par le reste de la population.
Mais…
Pour l’instant, le prix des tokens est bien inférieur à son coût réel ; faire n’importe quoi va devenir bien plus cher, ce qui devrait un peu limiter les dégâts. Il faut s’attendre aussi à plus de contrôles (qui sont déjà beaucoup présents).
La puissance et les possibilités qu’offrent les LLM sont indéniables. Il faut le voir comme un outil pouvant s’avérer très efficace s’il est utilisé correctement. Il permet de faire des choses qui n’auraient jamais été faites car trop peu rentables.
L’ACERP a (encore) écrit un rapport indispensable : IA générative : des défis pour l’avenir de l’Internet ouvert
Hygiène de base
Le tabou ultime est de confier l’intention à la machine.
Donc, l’humain doit rester maître de l’intention/créativité.
La machine peut préparer, proposer, discuter, argumenter, expliquer … mais elle doit suivre l’intention de l’utilisateur. Si vous ne le faites pas, ce ne sera plus votre œuvre, mais celle d’une machine sans âme.
La machine crée, agit, diffuse… en votre nom. S’il y a une personne à blâmer, c’est vous. S’il y a une personne qui passe pour un crétin, c’est vous. Si vous n’avez pas compris ce qu’elle a fait (et l’avez laissé faire), ça va être très compliqué de corriger, et même d’éviter qu’elle recommence.
Le temps que vous pensez gagner en sous-traitant aveuglément a de fortes chances d’en faire perdre aux destinataires.
En déléguant trop vos compétences, en ne pratiquant plus assez, votre expertise va rouiller, et vous aurez beaucoup de mal à gérer un incident majeur qui va bien au-delà des compétences d’une IA.
La marche du progrès
Même si on a de respectables (et justifiées) réticences à utiliser de l’IA, la course à l’armement a déjà commencé. L’utilisation de ces outils apporte un avantage énorme dans tous les domaines avec de la concurrence.
Sans en arriver aux menaces (et se faire traiter de rétrograde), explorer les possibilités de l’IA est intellectuellement intéressant. Pouvoir limiter une partie des tâches pénibles est aussi un argument valable.