L’IA n’est pas magique : c’est une histoire de questions bien posées
Il y a, dans les salles de réunion comme dans les cafés, une même rumeur qui enfle : l’intelligence artificielle serait une créature quasi mystique, un esprit logé dans des serveurs, capable de deviner, de prévoir, d’inventer. On murmure qu’elle remplace le jugement, qu’elle avale le monde comme un moteur avale l’air. Et pourtant, si l’on enlève l’ornement et le vertige, il ne reste qu’un cœur très humain, très ancien : des statistiques, des probabilités, ordonnées par des algorithmes.
Un adolescent de quatorze ans, il y a dix ans à peine, devait supplier un adulte de lui installer un environnement Python, comprendre un livre sur la régression linéaire, bricoler. Aujourd’hui, avec les bibliothèques prêtes à l’emploi et des assistants comme ChatGPT, ce même adolescent assemble en un week-end une application « IA » fonctionnelle : reconnaissance d’images, chatbot, résumé automatique. Les modules s’imbriquent, les API répondent, la magie opère. Mais ce n’est pas là que se joue l’enjeu. Le véritable défi n’est plus “faire marcher” l’IA. Le défi, c’est de poser la bonne question et de collecter les bonnes données, celles qui répondent réellement à cette question.
Cette idée, qui paraît presque banale une fois dite, naît d’une histoire connue des ingénieurs et pourtant trop peu racontée au grand public. Une histoire de guerre, d’avions, de trous de balles, et d’un biais qui a coûté cher tant qu’on ne l’avait pas vu.
Les avions qui rentrent… et les autres
Imaginez une base aérienne pendant la Seconde Guerre mondiale. Par vagues, des appareils rentrent de mission. Les mécaniciens se précipitent, prennent des notes, tracent sur des silhouettes d’ailes, de fuselages, d’empennages, les zones criblées d’impacts. Très vite, un motif se dessine : ici, les ailes sont souvent touchées ; là, la queue ; ailleurs, le fuselage moyen zone. La conclusion paraît évidente : renforcer là où les balles frappent le plus souvent.
On renforce. On rajoute du blindage. L’avion s’alourdit, la consommation augmente, l’autonomie baisse. On espère que les pertes vont diminuer. Mais elles ne diminuent pas.
Jusqu’au jour où quelqu’un — un statisticien à l’œil vif — pose une question d’une simplicité désarmante : « Ces mesures, sur quels avions les faisons-nous ? » Réponse : sur ceux qui reviennent. Et tout l’édifice s’effondre. Les impacts relevés ne disent pas où les avions sont abattus, ils disent où un avion peut être touché tout en rentrant à la base. Autrement dit, ils signalent les zones les moins vitales.
La véritable conclusion est l’inverse de l’intuition première : il faut blinder là où il n’y a pas de trous sur les avions survivants. Là se trouvent, par définition, les points critiques : les coups portés à ces endroits empêchent l’avion de rentrer, donc on n’observe jamais leurs impacts.
Cette histoire, que les statisticiens nomment aujourd’hui un exemple classique de biais de survivant, n’est pas une simple anecdote militaire. C’est une fable sur la qualité de la question et la pertinence du jeu de données. Elle dit ceci : si vous regardez uniquement ce qui survit, vous ratez le secret de ce qui meurt. Et si vous n’interrogez que les données disponibles, vous risquez d’oublier celles qui, absentes, contiennent la réponse.
Poser la bonne question : une discipline
L’IA, c’est donc d’abord définir une question qui désigne correctement le phénomène à modéliser. C’est moins « Quelle est la meilleure architecture ? » que « Qu’essaie-t-on de prédire, sur qui, à quel moment, et avec quelles conséquences ? ». C’est décider si l’on cherche un score (classement), une alerte (seuil), une recommandation (action), ou une explication (facteurs de risque). C’est surtout dire ce que l’on accepte d’ignorer et ce que l’on refuse d’oublier.
La beauté des questions bien posées
Il y a une élégance, presque littéraire, à bien poser une question. C’est décider de l’angle de la lumière. La même scène, sous un halo chaud, raconte une histoire intime ; sous un néon froid, un documentaire clinique. Avec l’IA, le cadrage est tout. Un « churn » (départ client) peut être défini comme une résiliation ou comme une baisse d’usage. La première définition déclenche une action trop tard ; la seconde offre un temps d’avance. Un « risque patient » peut être une probabilité de complication ou une probabilité d’ignorer une recommandation de soin. La première relève de la clinique, la seconde du comportement — donc de stratégies différentes.
On s’émerveille, à juste titre, des prouesses des grands modèles de langage. Mais si on leur demande mal, ils produisent de beaux hors-sujets. Donnez-leur un objectif précis, un contexte, des contraintes, des exemples positifs et négatifs : tout change. De la même manière, un système prédictif ne vaut que par l’intention qui le gouverne.
Pedigree contre pratique : la tentation du fétiche
Parce que l’offre technologique est foisonnante, la tentation est grande de fétichiser l’outil. On compare des modèles comme on comparerait des moteurs de voiture de sport : tel modèle surpasse l’autre sur tel benchmark, tel framework promet une accélération par x. C’est utile, jusqu’au moment où l’on se perd. Un modèle moyen alimenté de bonnes données et guidé par une question d’ingénierie simple battra presque toujours un modèle d’élite mal cadré. Une organisation qui documente ses capteurs, qui versionne ses transformations, qui note ses hypothèses, qui écoute ses opérateurs, avance plus sûrement que celle qui empile des briques obscures.
Épilogue : blinder où il n’y a pas de trous
Il est frappant de constater qu’une histoire aussi ancienne continue d’éclairer nos logiciels neufs. Ce que la base aérienne nous enseigne, ce n’est pas seulement une ruse statistique, c’est une éthique de la curiosité. Quand les évidences s’alignent avec trop de facilité, tournez-vous vers le silence. Là où les données se taisent, là se cachent souvent les causes.
Alors oui, l’IA n’est que des stats et des probabilités mises en algorithmes. Et c’est très bien ainsi. Cela veut dire que le pouvoir reste entre nos mains : dans l’art de bien poser la question, dans la rigueur de choisir ou de créer les bonnes données, dans la patience de revenir au réel. Demain, un adolescent continuera de bâtir une application en trois clics. Ce qui fera la différence, ce ne sera pas la beauté de l’interface ni la taille du modèle, mais la justesse du problème et la qualité de l’observation.
Blindez là où il n’y a pas de trous. Posez la question qui révèle les absents. Faites parler ce qui manque. Le reste , la précision, la performance, les courbes qui montent suivra.
