Temps de lecture : 6 min
Points clés à retenir
- Absence de modèle du monde physique : les IA génératives ne comprennent pas les lois de la physique ni la causalité réelle. Elles génèrent du texte ou des images à partir de corrélations statistiques, sans ancrage tangible.
- Dépendance totale aux données d’entraînement : leur performance est conditionnée par la qualité et la diversité des jeux de données. Aucune capacité d’apprentissage en contexte réel ou de mise à jour dynamique sans fine-tuning.
- Impossibilité d’interagir avec l’environnement : contrairement aux robots ou aux systèmes embarqués, les LLM et les générateurs d’images n’ont ni capteurs ni actionneurs. Leur seul monde est numérique.
Le constat : des modèles puissants… confinés
Laurence Devillers, professeure en IA à Sorbonne Université, a récemment rappelé une réalité que beaucoup préfèrent ignorer dans l’effervescence médiatique : les IA génératives sont et resteront limitées à vivre dans nos écrans. En tant qu’ancien architecte cloud, je ne peux que confirmer ce diagnostic technique. Décortiquons ça sans langue de bois.
Sur le terrain, nous voyons chaque jour des entreprises qui investissent des budgets colossaux dans ChatGPT, Midjourney ou GitHub Copilot. Derrière les promesses marketing, ce qui compte vraiment, c’est la capacité réelle de ces systèmes à produire de la valeur opérationnelle. Et force est de constater qu’ils échouent dès qu’il s’agit de sortir du cadre numérique.
Pourquoi les IA génératives ne percent pas le mur du réel
Passons au concret. Un modèle de langage comme GPT-4o ou Gemini 1.5 Pro est un moteur statistique de tokenisation. Il prédit la suite logique d’une séquence textuelle en s’appuyant sur des milliards de paramètres. Mais il n’a aucune représentation du monde physique. Exemple frappant : demandez à un LLM de décrire la trajectoire d’une balle de tennis. Il peut le faire parfaitement avec des mots, mais il ne pourra jamais calculer l’angle réel ni prédire l’impact sur une surface réelle.
Cette incapacité vient d’une absence fondamentale de modèle causal. Les IA génératives n’apprennent pas les lois de la physique, ni même les relations de cause à effet dans un environnement réel. Elles sont entraînées sur des corpus textuels et visuels statiques, sans jamais interagir avec l’espace tridimensionnel.
- Données statiques : les jeux de données sont figés à la date de la snapshot.
- Pas de capteurs : pas de LiDAR, de caméra, ni de micro pour percevoir le monde.
- Pas d’action : il leur est interdit d’agir sur l’environnement physique.
L’impact sur les TPE/PME : des promesses creuses ?
En tant que spécialiste infrastructure pour le middle-market, je constate un décalage entre le battage médiatique et la réalité terrain. Les PME qui implémentent des chatbots génératifs en support client ou en génération de contenu sont satisfaites… jusqu’à ce qu’elles aient besoin d’intégrer des données transactionnelles en temps réel ou de connecter le modèle à des devices IoT.
Ce qui compte vraiment à mon sens, c’est de redéfinir le périmètre d’usage. Les IA génératives excellent dans :
- la rédaction automatisée de rapports standards,
- la proposition de design préliminaires,
- l’analyse sémantique de corpus documentaires.
En revanche, elles sont désastreuses pour toute tâche nécessitant une conscience du contexte physique, une maintenance prédictive d’équipement, ou un pilotage en temps réel de machines. C’est là que le bât blesse pour les PME qui espéraient une transformation numérique clé en main.
Infrastructure cloud : comment les héberger utilement
Du point de vue de l’architecture, héberger un LLM en local sur des serveurs Nvidia A100 (environ 10 000 € l’unité) est un investissement lourd. La majorité des entreprises passent par les API des hyperscalers (OpenAI, AWS Bedrock, GCP Vertex AI). Mais dans les deux cas, le modèle reste cloisonné dans un data center, sans jamais « mettre les mains dans le cambouis ».
En pratique, si vous voulez dépasser cette limitation, vous devez combiner IA générative avec des systèmes spécialisés : capteurs, moteurs de règles métier, bases de données temps réel. Par exemple, un système de prédiction de pannes sur une chaîne de production ne se contentera pas d’un LLM : il faut des modèles de séries temporelles, des capteurs vibration, et des boucles de rétroaction.
Vers une hybridation réaliste
Je ne suis pas anti-IA, bien au contraire. Mais je prône une **approche pragmatique** : utilisez les IA génératives comme des **outils de productivité sur des tâches documentaires**, et investissez dans des systèmes spécialisés pour le monde physique. Le vrai bond technologique viendra de l’hybridation entre IA générative et modèles du monde physique (robotics, digital twins, reinforcement learning in real environments).
Sans langue de bois, les LLM ne remplaceront jamais un ingénieur qui installe un serveur, ni un technicien qui répare une machine. Leur domaine d’excellence, c’est le texte et l’image. Et c’est déjà énorme, à condition d’en comprendre les limites.
Pour aller plus loin
En guise de synthèse, retenez ceci : investir dans l’IA générative est pertinent si vous avez identifié des cas d’usage strictement numériques. Dès que votre projet touche au monde physique – capteurs, robots, IoT –, orientez-vous vers des solutions hybrides. Et surtout, gardez en tête le mot de Laurence Devillers : ces systèmes sont limités à vivre dans nos écrans. Accepter cette contrainte, c’est la condition pour en tirer le meilleur.
Ingénieur systèmes et architecte cloud pendant 8 ans chez un leader européen de l’hébergement, reconverti dans l’analyse tech et business. Passionné par l’intersection entre infrastructure IT, IA générative et transformation digitale des entreprises. J’aide les décideurs et les équipes techniques à naviguer dans l’écosystème tech sans bullshit marketing.