IA Générative : La révolution était empêchée
Résumé
Why did Generative Artificial Intelligence (GAI) only emerge in the public eye in 2022, even though it is based on concepts formulated as early as the 1950s? The answer lies less in a sudden breakthrough than in the gradual removal of longstanding technical barriers—obstacles identified long ago by AI researchers (Jordan & Mitchell, 2015; Brynjolfsson & McAfee, 2015). The recent history of AI has been marked by several “AI winters”—periods of disillusionment and underinvestment in the field, triggered by the technology’s failure to live up to its promises (Crevier, 1993; Hendler, 2008). These successive stagnations highlighted the limitations of a still-constrained system: insufficient data, expensive storage, limited computing power, and poor connectivity. These bottlenecks, both technical and economic, long hindered the maturation of AI. Over the past decade, these barriers have gradually fallen. The volume of available data has exploded thanks to open data initiatives and connected devices, among others (Manyika et al., 2011); storage costs have plummeted (McCallum, 2023); GPUs/TPUs have dramatically increased computing power (Jouppi et al., 2017); and cloud computing has made this power widely accessible (Armbrust et al., 2010). These conditions have enabled the emergence of tools such as ChatGPT and Mistral.ai (Bommasani et al., 2022; Dwivedi et al., 2023), which are now transforming professional practices. This article offers an interpretation of this transition: understanding the former barriers, analyzing how they were lifted, and anticipating the concrete implications for businesses and their managers.
Pourquoi l’intelligence artificielle générative (IAG) n’a-t-elle émergé qu’en 2022 aux yeux du grand public, alors qu’elle repose sur des concepts formulés dès les années 1950 ? La réponse réside moins dans une rupture soudaine que dans la levée progressive de barrières techniques longtemps bloquantes, identifiées de longue date par les chercheurs en IA (Jordan & Mitchell, 2015; Brynjolfsson & McAfee, 2015). L’histoire récente de l’IA a été marquée par plusieurs « hivers de l’IA » – périodes de désillusion et de sous-investissement dans le domaine, dues à l’incapacité des technologies à tenir leurs promesses (Crevier, 1993; Hendler, 2008). Ces stagnations successives ont illustré les limites d’un système encore bridé : données insuffisantes, stockage onéreux, puissance de calcul limitée, connectivité déficiente. Ces verrous, à la fois techniques et économiques, ont longtemps freiné la maturation de l’IA. Depuis une décennie, ces barrières tombent. Les volumes de données disponibles explosent grâce à l’open data et aux objets connectés entre autres (Manyika et al., 2011), les coûts de stockage s’effondrent (McCallum, 2023), les GPU/TPU démultipliant la puissance de calcul (Jouppi et al., 2017), et le cloud rend cette puissance accessible (Armbust et al., 2010). ces conditions rendent possibl l’émergence d’outils comme ChatGPT ou Mistral.ai (Bommasani et al., 2022; Dwivedi et al., 2023), qui bouleversent nos pratiques professionnelles. Cet article propose une lecture de cette transition : comprendre les anciennes barrières, analyser leur levée, et anticiper les implications concrètes pour les entreprises et leurs managers.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |