Le fondateur d’Apple donne son avis sur l’IA, et il n’y va pas de main morte

L'agriculture est prête pour l'IA, mais pas ses données

L'intelligence artificielle s'impose comme une promesse majeure pour l'agriculture mondiale, notamment face aux enjeux croissants : volatilité des coûts d'engrais, météo imprévisible, et marges serrées qui ne laissent aucun droit à l'erreur. Les chiffres avancés par les chercheurs sont saisissants : les modèles prédictifs activés par l'IA pourraient améliorer les rendements agricoles de 26 %, réduire la consommation d'eau de 41 % et diminuer l'usage des produits chimiques de 33 %. Des gains qui, sur le papier, justifient amplement l'enthousiasme des acteurs du secteur pour ces nouvelles technologies. Mais selon Reltio, éditeur de plateformes de données d'entreprise fort d'une expérience directe auprès de grands distributeurs agricoles, les vendeurs de solutions IA omettent systématiquement un prérequis fondamental : la qualité des données sous-jacentes. Un modèle de prévision des rendements alimenté par des historiques incohérents produira des estimations faussées. Un système d'irrigation de précision connecté à des capteurs fragmentés gaspillera les ressources au lieu de les économiser. Dans les deux cas, l'IA ne défaille pas par elle-même, elle défaille parce que les données qui la nourrissent sont insuffisantes. En agriculture, la tolérance à l'erreur est quasi nulle : une mauvaise recommandation appliquée sur le terrain peut détruire une récolte, engager des responsabilités légales sur des produits chimiques, ou coûter des dizaines de milliers d'euros à un exploitant qui n'avait pas les marges pour absorber ce choc. Le défi est structurellement plus complexe en agriculture que dans d'autres secteurs. Une exploitation moderne ou un grand distributeur comme Wilbur-Ellis, distributeur agricole familial américain fondé en 1921 et servant des milliers d'agriculteurs, doit réconcilier des données hétérogènes : flux IoT issus de tracteurs autonomes et de drones, données météo externes, informations du département américain de l'Agriculture (USDA), données de marché tierces, et surtout des données géospatiales fines, coordonnées GPS, limites de parcelles, variations pédologiques à l'intérieur d'un même champ. L'IA doit savoir non seulement qui est le client, mais aussi quelle partie précise de son terrain nécessite tel engrais, à quel taux et à quelle fréquence. Sans une plateforme de données unifiée, cohérente et accessible à travers toute l'organisation, plutôt qu'éparpillée dans des silos applicatifs cloisonnés, les promesses de l'IA agricole resteront lettre morte, voire se retourneront contre leurs utilisateurs.

💬 On vend de l'IA à des agriculteurs dont les données vivent dans dix silos incompatibles, et on s'étonne que ça cafouille. Le problème spécifique à l'agriculture, c'est que l'erreur n'est pas abstraite : une mauvaise recommandation appliquée sur un champ, c'est une récolte détruite et un exploitant qui n'a pas les reins pour l'encaisser. Les chiffres promis (26 % de rendement, 41 % d'eau économisée) sont peut-être justes, mais ils supposent une qualité de données que la plupart des exploitations n'ont pas encore.

Pourquoi les avis sur l'IA sont si partagés

Le rapport annuel AI Index de l'université Stanford, publié cette semaine, dresse un état des lieux contrasté de l'intelligence artificielle mondiale. Parmi ses chiffres marquants : les États-Unis hébergent 5 427 centres de données, soit plus de dix fois autant que n'importe quel autre pays. Le rapport souligne également une vulnérabilité structurelle majeure de toute l'industrie : une seule entreprise, TSMC, fabrique la quasi-totalité des puces IA de pointe, rendant la chaîne d'approvisionnement mondiale dépendante d'une unique fonderie à Taïwan. Sur le plan des performances, les contrastes sont tout aussi frappants : le modèle phare de Google DeepMind, Gemini Deep Think, a décroché une médaille d'or aux Olympiades internationales de mathématiques, mais est incapable de lire une horloge analogique dans la moitié des cas. Ce rapport met en lumière une fracture profonde entre experts et grand public dans la perception de l'IA. Selon ses auteurs, 73 % des chercheurs américains en IA estiment que la technologie aura un impact positif sur l'emploi, contre seulement 23 % du grand public, soit un écart de 50 points de pourcentage. Un fossé similaire apparaît sur les questions économiques et médicales. Cette divergence s'explique en partie par des expériences radicalement différentes : les experts utilisent l'IA principalement pour des tâches techniques comme le code ou les mathématiques, domaines où les modèles sont objectivement devenus excellents, car les résultats sont vérifiables et les améliorations plus faciles à mesurer. Le grand public, lui, expérimente davantage des usages ouverts, où les modèles font encore régulièrement des erreurs grossières. Ce phénomène a été théorisé sous le nom de "frontière en dents de scie" : les grands modèles de langage excellent dans certains domaines précis tout en restant médiocres dans d'autres, sans cohérence apparente. Le chercheur influent Andrej Karpathy a lui-même noté sur X un fossé croissant de compréhension des capacités réelles de l'IA entre les utilisateurs avancés, prêts à payer jusqu'à 200 dollars par mois pour les meilleures versions, et le reste du public. Quelqu'un utilisant Claude Code aujourd'hui accède en réalité à une technologie fondamentalement différente de celle que quelqu'un a expérimentée gratuitement il y a six mois pour planifier un événement. L'IA progresse si vite que l'expérience utilisateur se fragmentes selon les niveaux d'accès, de maîtrise et de cas d'usage, rendant tout consensus sur "ce qu'est vraiment l'IA" aujourd'hui presque impossible à atteindre.

Google : les données ne montrent pas d'automatisation massive des employés, malgré le battage autour de l'IA

Malgré les promesses répétées d'une automatisation massive portée par l'intelligence artificielle, une nouvelle étude de Google Research vient nuancer sérieusement ce récit. Publiée la semaine dernière, l'étude baptisée « AI & Economy ATLAS » (Activity, Task, Landscape, and Adoption Study) a analysé 15 millions d'interactions anonymisées avec l'IA, réparties entre l'application Gemini, le mode IA de la recherche Google et l'API Gemini. Pour classer ces usages, les chercheurs ont utilisé un classificateur automatique s'appuyant sur les catégories professionnelles standard du Bureau of Labor Statistics américain ainsi que sur la base de données détaillée O*NET, qui répertorie des tâches professionnelles précises. Bien que cette méthode ait nécessité une classification probabiliste pour certaines interactions jugées « intrinsèquement incertaines », une vérification menée par des évaluateurs humains a confirmé la fiabilité de l'approche pour déterminer comment les invites Gemini sont réellement utilisées dans un contexte professionnel. Le constat principal de l'étude est clair : les chercheurs ne trouvent « pas de preuve » permettant d'étayer les affirmations selon lesquelles l'IA serait sur le point de provoquer une automatisation massive et un remplacement généralisé des emplois de bureau. Si l'IA est bel et bien utilisée de façon significative dans un large éventail de métiers, cet usage reste, selon les termes de l'étude, « superficiel et majoritairement collaboratif », avec une automatisation complète des tâches, de bout en bout, qui demeure limitée. Ce résultat a une portée concrète pour les entreprises et les travailleurs qui redoutent une vague de suppressions d'emplois : il suggère que l'IA fonctionne aujourd'hui davantage comme un outil d'assistance ponctuelle sur des tâches spécifiques que comme un substitut complet à l'humain. Cette étude s'inscrit dans un débat plus large sur l'impact réel de l'IA générative sur le marché du travail, alimenté depuis plusieurs années par des annonces spectaculaires de dirigeants d'entreprises technologiques promettant que les modèles d'IA surpasseront bientôt les humains dans presque tous les domaines. En s'appuyant sur des données d'usage réelles plutôt que sur des projections théoriques, Google Research apporte un contrepoint empirique à ces discours. Les chercheurs notent que l'IA se révèle utile pour un sous-ensemble de tâches précises plutôt que pour remplacer des postes entiers, une nuance qui pourrait influencer la façon dont les entreprises planifient leurs investissements en IA et dont les décideurs politiques envisagent la régulation du marché du travail dans les mois à venir.

NBA : L’IA va-t-elle mettre les arbitres sur le banc de touche ?

Le commissaire de la NBA Adam Silver a officiellement ouvert la porte à un arbitrage assisté par intelligence artificielle, profitant d'une polémique arbitrale retentissante pour dévoiler son projet lors du Pat McAfee Show. Concrètement, le système envisagé s'appuierait sur des caméras installées autour du terrain pour automatiser toutes les décisions dites « objectives » : sorties de balle, lignes de touche, possessions litigieuses. Silver cite en modèle le Hawk-Eye, technologie de Sony déjà déployée au tennis, au cricket et au football, capable d'une précision à 0,1 pouce grâce à des caméras haute vitesse et des capteurs. Les arbitres humains resteraient en place, mais se concentreraient uniquement sur les contacts physiques et les simulations, là où le jugement humain reste nécessaire. Aucune date officielle n'a été annoncée pour un éventuel déploiement dès la saison 2026-2027. L'annonce intervient dans un contexte d'exaspération générale autour de la qualité de l'arbitrage NBA. Cette saison, les playoffs ont été marqués par une vague de simulations spectaculaires, avec certains joueurs s'effondrant dramatiquement au moindre contact, inondant les réseaux sociaux de ralentis moqueurs. L'incident déclencheur a eu lieu lors du cinquième match de la série à Oklahoma City : en seconde période, les arbitres ont accordé la possession à la mauvaise équipe sur une sortie de balle, refusant de corriger l'erreur même après concertation. La réaction en ligne a été immédiate et violente, transformant une faute d'arbitrage ordinaire en symbole d'un problème systémique. L'automatisation des décisions objectives éliminerait mécaniquement ce type d'erreurs factuelles, tout en accélérant le rythme du jeu : Silver promet un système « instantané et automatique » où la balle est rendue à l'équipe concernée sans interruption. La NBA n'est pas pionnière en la matière : le Hawk-Eye de Sony a progressivement transformé l'arbitrage dans plusieurs sports majeurs, non sans résistances. Mais l'accueil réservé à l'annonce de Silver révèle une méfiance qui dépasse la seule question technologique. Sur les réseaux sociaux, des fans reprochent à la ligue de chercher une solution technologique à ce qu'ils considèrent comme un problème de gouvernance : une application incohérente des règles existantes. L'écrivain Noah Kulwin, supporter des Knicks, a qualifié Silver de « pire commissaire de l'histoire du sport », estimant qu'il mine lui-même la confiance dans son propre produit. La question qui se pose désormais est moins technique que politique : la NBA parviendra-t-elle à convaincre joueurs, arbitres et supporters qu'une IA sur les lignes de touche renforce l'intégrité du jeu plutôt qu'elle ne l'aseptise ?