Les modèles sont devenus plus intelligents. Nous n’avons pas changé notre façon de leur parler.

En 2020, GPT-3 pouvait terminer votre phrase par quelque chose qui sonnait plausible. En 2026, Sol d’OpenAI peut coordonner une équipe de ses propres sous-agents sur une tâche de codage de plusieurs heures, et Fable d’Anthropic peut rivaliser avec lui sur les benchmarks les plus difficiles du domaine. C’est un vrai bond en avant : d’un modèle qui prédisait le mot suivant à un système qui planifie, délègue et vérifie son propre travail.

Voici la partie dont on ne parle pas assez. Pendant que les modèles faisaient ce bond, la relation de la plupart des gens avec eux a à peine bougé.

Une étude menée par OpenAI avec l’économiste de Harvard David Deming, basée sur plus d’un million de conversations réelles, a révélé que près de 80 % de l’usage de ChatGPT se répartit encore en trois catégories : rédaction, recherche d’information et conseils pratiques. Le codage — précisément la frontière où Sol et Fable se disputent la tête sur les benchmarks — représente environ 4 % des messages. Pour la plupart des utilisateurs, un modèle conçu pour exécuter des flux de travail agentiques autonomes est utilisé comme les gens utilisaient Google en 2015 : poser une question, obtenir une réponse, passer à autre chose.

La vraie histoire de l’ère GPT-3 à Sol/Fable n’est pas que les modèles sont devenus plus intelligents. C’est que l’écart entre ce qu’ils peuvent faire et ce que nous leur demandons de faire n’a jamais été aussi large.

Cet écart mérite qu’on s’y attarde, car il va à l’encontre du récit habituel. Le récit habituel dit que l’IA nous distance et que nous courons pour rattraper le retard, que les emplois disparaissent, que les flux de travail s’automatisent du jour au lendemain. Les données racontent une histoire plus tranquille. Les gens intègrent ces modèles dans leur vie quotidienne, mais surtout en surface. L’usage non professionnel est passé de 53 % à plus de 70 % de toutes les conversations en l’espace d’un an, ce qui en dit long sur le caractère personnel qu’a pris cette technologie. Cela en dit beaucoup moins sur le fait que les gens l’utilisent pour faire quelque chose qu’ils ne pouvaient pas faire avant.

Quelques évolutions expliquent ce qui a réellement changé, et ce qui n’a pas changé.

La capacité est passée de la prédiction de texte en un seul passage à l’exécution agentique. GPT-3 n’avait aucune mémoire de ses propres actions et aucune capacité à utiliser des outils. Le mode phare de Sol peut faire tourner des flux de travail parallèles et agir sur les résultats sans humain dans la boucle à chaque étape. C’est un changement catégoriel, pas incrémental.

Les schémas d’usage ont beaucoup moins bougé que la capacité. La même étude du NBER a constaté que le mix rédaction / conseils / recherche d’information est resté remarquablement stable, même si le modèle sous-jacent est devenu radicalement plus capable en dessous. Les gens ne rejettent pas la nouvelle capacité. Pour la plupart, ils ignorent qu’elle existe, ou n’ont pas trouvé de raison de s’en servir.

La croissance qui a eu lieu était personnelle, pas professionnelle. Davantage de gens demandent à ces modèles des conseils, des brouillons et des explications dans leur vie quotidienne. Proportionnellement moins nombreux sont ceux qui leur confient le genre de travail lourd et à étapes multiples que ces modèles sont désormais réellement conçus pour accomplir.

Rien de tout cela ne signifie que les gens utilisent mal l’IA. L’aide à la rédaction et les réponses rapides sont des usages légitimes et précieux, et le surplus qu’ils procurent aux consommateurs se chiffre en dizaines de milliards de dollars. Mais cela signifie que la conversation sur l’impact de l’IA s’est trompée de sens sur le goulot d’étranglement. Nous n’arrêtons pas de demander si les modèles sont prêts pour des tâches plus grandes. La question la plus utile est de savoir si nous avons remarqué qu’ils le sont déjà.

Les modèles n’ont pas arrêté d’évoluer. Nous avons arrêté de poser de nouvelles questions.