Ce qui ne peut pas s'apprendre : la vraie barrière de l'IA
Pourquoi ça compte pour toi
Tu crois que l'IA va tout automatiser ? Faux. Sarah Guo pointe ce que même les meilleurs modèles ne peuvent pas faire : décider de la direction à prendre. C'est aussi là que réside l'opportunité pour les équipes qui comprennent leur domaine mieux que quiconque. Les labs de modèles perdent face aux labs d'agents qui intègrent de vrais problèmes métier.
Ce qu'il faut retenir
- 1.Les modèles exécutent. Ils ne décident pas ce qui vaut la peine d'être construit.
- 2.Agent Labs l'emporte sur Model Labs : c'est l'intégration métier et la maintenance qui créent l'avantage concurrentiel.
- 3.Les benchmarks de 2026 ? Une carte du territoire qu'on n'utilise déjà plus.
- 4.Les vrais modèles ouverts percent enfin, mais pas comme tu le pensais.
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Le piège du Model Lab
Depuis 2024, le consensus oscillait : les modèles ouverts ne perceraient jamais. Puis 2026 arrive. Cursor, Notion, les nouveaux algos : soudain, open models comptent. Mais pas pour les raisons qu'on croyait.
Sarah Guo (investisseuse chez Cognition, derrière Devin) reformule le vrai enjeu : Model Lab vs Agent Lab n'est pas une question de capacité brute du modèle. C'est une question de qui fait le travail ingrat.
Le travail que personne ne glorifie
Voici ce qui sépare un échec d'un succès :
L'Agent Lab arrange la réalité privée de ton entreprise pour qu'un modèle puisse agir dessus. Il place des ingénieurs spécialisés dans ton secteur à côté de toi. Il maintient. Il intègre. Il évolue avec toi.
Le Model Lab sort un modèle plus malin et attend que tu fasses le reste.
Un Agent Lab est difficile à copier. L'autre ? N'importe qui peut le faire dès que le modèle devient open-source.
Pourquoi les benchmarks sont un mirage
Tu as vu : chaque mois, un nouveau benchmark, un nouveau leader. Claude 3.5 écrase tout. Puis une startup annonce 50 % de gains ailleurs.
Sarah l'énonce crument : "Le score de benchmark le plus cité de l'année est une carte d'un territoire sur le point de devenir inutile."
Pourquoi ? Parce qu'un benchmark mesure ce qu'on sait déjà mesurer. Dès qu'il existe, tout le monde optimise dessus. Il perd sa valeur prédictive.
La vraie question : le choix
Voilà ce que l'IA ne peut pas faire, et qu'aucun benchmark ne peut entraîner :
Décider ce qui vaut la peine de construire.
Un modèle fait ce qu'on lui demande. Parfaitement. Mais te dire : "Hey, tu devrais attaquer ce marché plutôt que celui-ci" ? Impossible. Ça s'apprend en marchant, en parlant aux clients, en connaissant le métier. Pas en optimisant un score.
C'est pour ça que les acteurs établis (les géants) ne perdent pas tout : ils gardent le terrain qu'ils ont. La prochaine rupture ? Elle vient de quelqu'un qui a vu une faille que le benchmark ne mesure pas.
Pour toi ?
Si tu construis un outil IA, demande-toi : suis-je un Model Lab ou un Agent Lab ? Est-ce que je vis dans les détails métier de mes clients, ou est-ce que je sors un truc brillant en espérant qu'il va marcher ?
L'histoire montre que le second chemin, c'est une course vers la banalisation.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, oublie la course aux modèles de plus en plus gros. La vraie bataille est entre ceux qui savent ce qu'il faut construire et ceux qui copient. Lis moins de benchmarks, suis plus d'entrepreneurs qui appliquent l'IA à des cas réels.
Essayer maintenant
Lire l'analyse complète de Sarah Guo →Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :