"Toutes les exponentielles deviennent finalement des sigmoïdes" - voilà l'argument favori des sceptiques de l'IA. Lorsqu'on leur présente une courbe de progression des capacités de l'intelligence artificielle montrant une croissance exponentielle, ils répondent invariablement que cette tendance va nécessairement ralentir et s'aplatir. Techniquement vrai, mais cette objection masque une réalité bien plus nuancée. Comme l'illustrent les performances actuelles des modèles d'IA, nous sommes loin d'avoir atteint un plateau.
La Courbe Sigmoïde : Un Concept Mal Compris
Une courbe sigmoïde présente une forme en S caractéristique : croissance lente au début, accélération exponentielle au milieu, puis ralentissement progressif jusqu'à atteindre un plateau. Ce phénomène s'observe effectivement dans de nombreux domaines naturels et technologiques.
Prenons l'exemple classique d'une épidémie. Le patient zéro infecte une première personne, puis la croissance devient exponentielle jusqu'à ce que la majorité de la population soit touchée. Enfin, la propagation ralentit faute de nouveaux hôtes disponibles. La courbe forme naturellement un S.
Dans le domaine technologique, les records de vitesse aérienne illustrent parfaitement ce principe. Chaque génération technologique - hélices, turbojets, statoréacteurs - a connu son propre cycle d'amélioration itérative avant d'atteindre ses limites physiques fondamentales. Le dernier record établi autour de 3500 km/h n'a jamais été battu, faute de volonté économique et réglementaire pour développer la génération suivante.
Pourquoi Cette Analogie Ne S'Applique Pas Directement à l'IA
Le problème avec l'argument de la sigmoïde appliqué à l'IA réside dans son timing. Oui, toute croissance exponentielle finit par ralentir. Mais cela ne signifie pas que ce ralentissement surviendra précisément au moment où l'on fait l'analyse. Les infrastructures comme les centres de données dédiés à l'IA continuent de se multiplier, alimentant cette croissance.
Le Hall of Fame des Mauvaises Prédictions Sigmoïdes
L'histoire récente regorge d'exemples où des experts ont prédit un aplatissement imminent de courbes exponentielles... qui ont continué leur progression pendant des années.
Les Projections Démographiques de l'ONU
Dans les pays à natalité décroissante, les Nations Unies ont systématiquement prédit que les taux de natalité allaient se stabiliser. Année après année, leurs projections montraient une courbe s'aplatissant rapidement. Année après année, la réalité a démenti ces prévisions, la baisse se poursuivant au même rythme constant.
Sur les graphiques comparatifs, chaque ligne bleue représente une prédiction différente de l'ONU, toutes montrant un aplatissement imminent. La ligne rouge, elle, continue sa descente imperturbable. Ce n'est que récemment, en 2025, que certains pays comme la Corée du Sud ont peut-être atteint un plancher.
Le Déploiement de l'Énergie Solaire
L'Agence Internationale de l'Énergie (AIE) a commis la même erreur pendant plus d'une décennie. Chaque année, elle prédisait que le déploiement massif de panneaux solaires allait ralentir, voire reculer légèrement. Chaque année, la capacité installée continuait de croître au même rythme exponentiel.
Les analystes tombaient dans le piège psychologique de penser : "Cette année, on a installé beaucoup de solaire, donc l'année prochaine ce sera forcément moins." Mais les dynamiques économiques et technologiques sous-jacentes n'avaient pas changé, et la croissance s'est poursuivie sans fléchir.
Les Capacités de l'IA : L'Erreur de Wharton
En début 2026, une équipe de chercheurs de Wharton a analysé les données du benchmark METR sur les capacités de l'IA. Leurs modèles mathématiques sophistiqués prédisaient un ralentissement imminent de la progression.
Quelques semaines plus tard, le modèle suivant a été publié, pulvérisant leurs prévisions. La courbe réelle a continué son ascension exponentielle, bien au-delà de ce que leurs modèles jugaient "raisonnable". Cette erreur illustre parfaitement le danger de sous-estimer la durée pendant laquelle une tendance peut se maintenir.
Combien de Temps une Exponentielle Peut-Elle Durer ?
| Domaine | Durée de croissance exponentielle | Facteur limitant |
|---|---|---|
| Énergie solaire | 15+ ans (en cours) | Non atteint |
| Capacités IA | 7+ ans (en cours) | Non atteint |
| Records aériens (statoréacteurs) | ~20 ans | Limites physiques + économiques |
| Épidémie COVID-19 | ~6 mois | Population susceptible épuisée |
La Méthode de Prédiction Optimale
Pour prédire avec précision quand une exponentielle deviendra sigmoïde, l'approche idéale consiste à comprendre en profondeur le processus générateur de la tendance. Dans le cas d'une épidémie, on peut modéliser la vitesse de réplication, le taux de guérison et la taille de la population susceptible.
Pour les records de vitesse aérienne, un ingénieur compétent pouvait calculer que les statoréacteurs atteindraient leur maximum autour de 3500 km/h, tandis qu'un économiste pouvait anticiper qu'aucun pays n'aurait l'incitation financière suffisante pour développer le paradigme suivant.
Concernant l'IA, nous comprenons certains éléments - comme le fonctionnement des centres de données et leur coût de construction. Mais d'autres aspects restent incertains : les chercheurs continuent d'inventer de nouveaux paradigmes de génération de données pour contourner les limitations, mais pour combien de temps encore ? Et certaines questions demeurent totalement opaques : qu'est-ce que l'intelligence fondamentalement ? Pourquoi les lois d'échelle fonctionnent-elles ? Pourraient-elles simplement cesser de fonctionner à un moment donné ?
La Loi de Lindy : Prévoir en Situation d'Incertitude
En situation d'ignorance véritable, la meilleure hypothèse par défaut s'appuie sur la loi de Lindy : en moyenne, un processus continuera environ aussi longtemps qu'il a déjà duré.
L'Analogie du Geyser
Imaginez que vous passiez devant un geyser avec un panneau indiquant "Dernière éruption : il y a 100 000 ans". Sans autre information, quelle est la probabilité qu'il entre en éruption dans l'heure suivante ? Elle doit être extrêmement faible. Si cela se produisait, vous seriez passé par là à 99,99999% du cycle d'éruption - autrement dit, votre échantillon aléatoire aurait une valeur supérieure à 99,99999% des points possibles. Ce n'est pas ainsi que fonctionnent habituellement les échantillons aléatoires.
Inversement, si le panneau indique "Dernière éruption : il y a 10 minutes", la probabilité d'une éruption dans l'heure suivante devient élevée. Ce geyser semble fonctionner sur un cycle de quelques minutes. Mathématiquement, votre prédiction médiane pour le temps jusqu'à la prochaine éruption devrait simplement égaler le nombre affiché sur le panneau.
Application à l'Intelligence Artificielle
L'IA connaît une amélioration spectaculaire depuis au moins GPT-1 en 2017, bien que la plupart des observateurs datent arbitrairement "l'ère du scaling" de 2019 à aujourd'hui. Ainsi, en ignorant tout ce que nous savons et en considérant le domaine comme un mystère total, nous pourrions raisonnablement nous attendre à ce que la tendance se poursuive pendant encore sept ans en moyenne.
En supposant une distribution de Pareto (ce qui reste spéculatif dans le cas de l'IA), la probabilité que la tendance se poursuive moins de deux ans supplémentaires n'est que de 22%. Autrement dit, même dans le scénario le plus conservateur, il y a près de 80% de chances que la croissance exponentielle continue au moins jusqu'en 2028.
Les experts qui modélisent en profondeur la dynamique de progression de l'IA estiment que nous pouvons continuer à faire croître l'IA au rythme actuel pendant encore quelques années en construisant davantage de centres de données. Ils envisagent même une accélération potentielle grâce à l'amélioration récursive autonome. Cette perspective rejoint les développements récents en IA agentique qui montrent une sophistication croissante.
Les Limites Réelles de la Croissance de l'IA
Contrairement aux courbes sigmoïdes naturelles qui atteignent des limites physiques évidentes, les limites de l'IA restent floues et potentiellement repoussables.
Limites Matérielles et Énergétiques
Les contraintes les plus tangibles concernent les ressources physiques :
- Disponibilité et coût des puces spécialisées (GPU, TPU)
- Consommation énergétique des centres de données
- Disponibilité de données d'entraînement de qualité
- Capacité de refroidissement et infrastructure
Cependant, ces limites s'avèrent plus souples qu'il n'y paraît. Les investissements massifs dans les infrastructures, comme en témoignent l'adoption croissante de l'IA par les institutions, démontrent une volonté économique forte de repousser ces contraintes.
Limites Algorithmiques
Les lois d'échelle actuelles - qui stipulent que les performances s'améliorent de manière prévisible avec l'augmentation des paramètres, des données et de la puissance de calcul - pourraient théoriquement cesser de fonctionner. Mais jusqu'à présent, chaque fois qu'une limite semblait approcher, de nouveaux paradigmes algorithmiques ont émergé :
- Techniques de génération de données synthétiques
- Architectures plus efficientes
- Méthodes d'entraînement optimisées
- Approches multimodales
L'innovation continue dans ces domaines, visible notamment dans les nouvelles capacités des assistants IA, suggère que nous sommes loin d'avoir épuisé les possibilités.
La Charge de la Preuve Incombe aux Sceptiques
Il est facile et tentant de se moquer de ceux qui extrapolent les tendances trop loin. Les caricatures montrant des projections absurdes - comme "si cette tendance continue, tout le monde sera obèse d'ici 2050" - sont devenues un mème récurrent pour ridiculiser les prévisions alarmistes.
Mais lorsque quelqu'un affirme que la tendance à l'amélioration des capacités de l'IA n'atteindra jamais un niveau particulier jugé préoccupant, la charge de la preuve lui incombe. Deux approches sont possibles :
Modélisation Explicite de la Dynamique
Si l'analyste ne traite pas l'IA comme une boîte noire et prétend modéliser explicitement les dynamiques, il devrait pouvoir répondre à ces questions :
- Quel est leur modèle précis ?
- Ont-ils calculé les éléments évidents comme la croissance projetée des centres de données et la vitesse du progrès algorithmique ?
- Connaissent-ils les travaux de modélisation déjà réalisés dans ce domaine, comme l'AI Futures Timeline Model ?
- Ont-ils des opinions spécifiques sur les erreurs des autres modèles et sur les différences avec le leur ?
Les outils modernes, y compris les techniques d'analyse de données par IA, permettent aujourd'hui des modélisations sophistiquées. L'absence de réponses précises à ces questions devrait susciter le scepticisme.
Approche Boîte Noire et Loi de Lindy
Si l'analyste traite l'IA comme une boîte noire, pourquoi son attente par défaut ne serait-elle pas basée sur la loi de Lindy ? Pourquoi supposerait-il que l'aplatissement se produira maintenant plutôt que dans plusieurs années ?
Cette question reste généralement sans réponse convaincante. Souvent, la prédiction d'un aplatissement imminent repose davantage sur un inconfort psychologique face à la croissance exponentielle que sur une analyse rigoureuse.
Implications Pratiques pour les Entreprises et Organisations
Pour les décideurs en entreprise et dans les organisations publiques, comprendre la différence entre une véritable sigmoïde imminente et une exponentielle qui a encore des années devant elle revêt une importance stratégique cruciale.
Stratégies d'Adoption Technologique
Si l'on suppose à tort que les capacités de l'IA vont stagner prochainement, on risque de sous-investir dans l'infrastructure et la formation. À l'inverse, anticiper correctement plusieurs années supplémentaires de progrès rapide permet de :
- Planifier des investissements progressifs dans les compétences IA
- Adapter les processus métier pour tirer parti des capacités futures
- Développer des partenariats stratégiques avec les fournisseurs de solutions IA
- Préparer les équipes aux transformations organisationnelles
Les secteurs créatifs, notamment, voient déjà l'intégration d'agents IA dans les outils professionnels, une tendance qui devrait s'accélérer.
Gestion des Risques et Opportunités
Une compréhension réaliste de la trajectoire probable de l'IA influence également :
- L'évaluation des risques de disruption sectorielle
- L'identification des opportunités de différenciation compétitive
- La planification de la reconversion professionnelle
- L'anticipation des évolutions réglementaires
Les risques associés à l'IA, comme les arnaques sophistiquées utilisant l'IA ou la désinformation générée artificiellement, vont probablement s'intensifier avec l'amélioration des capacités.
Conclusion : Naviguer l'Incertitude avec Lucidité
L'argument "toutes les exponentielles deviennent des sigmoïdes" est techniquement correct mais pratiquement trompeur lorsqu'il est utilisé pour minimiser les préoccupations concernant la progression rapide de l'IA. L'histoire récente démontre que les experts surestiment systématiquement l'imminence de l'aplatissement des courbes exponentielles.
Que l'on adopte une approche de modélisation détaillée ou qu'on s'appuie sur la loi de Lindy en situation d'incertitude, les données suggèrent que nous avons encore plusieurs années de progrès rapide devant nous. Cette réalité exige une préparation stratégique sérieuse plutôt qu'un optimisme complaisant basé sur l'espoir d'un ralentissement imminent.
Les transformations induites par l'IA, déjà visibles dans l'évolution du marché du travail, ne font que commencer. Plutôt que de parier sur un aplatissement providentiel de la courbe, les organisations et individus avisés feraient mieux de se préparer à naviguer plusieurs années supplémentaires de changements accélérés.
Pour aller plus loin et découvrir comment tirer parti de ces évolutions technologiques, créez votre compte gratuit sur Roboto et explorez nos outils de génération de contenu propulsés par les modèles d'IA les plus avancés.
