Ce qu'un chercheur de Cambridge a appris sur l'IA et que chaque entreprise devrait entendre

La plupart des discussions sur l'IA destinées aux dirigeants d'entreprise se concentrent sur la même poignée d'outils et de cas d'usage: chatbots, assistants de rédaction, générateurs d'images. C'est utile, mais cela ne raconte qu'une partie de l'histoire. Pour comprendre où l'IA est réellement puissante, où elle échoue encore, et ce que cela signifie pour le reste d'entre nous, il faut parfois regarder là où les enjeux sont les plus élevés.

Nous avons donc parlé à quelqu'un qui travaille avec des systèmes d'IA de pointe qui pourraient un jour changer la façon dont nous diagnostiquons la démence.

Dr Henry Musto

Le Dr Henry Musto est chercheur postdoctoral à l'université de Cambridge, où il partage son temps entre deux départements. En neurosciences cliniques, il travaille sur l'application de l'IA à la prédiction de la progression de la démence, en utilisant des données d'imagerie cérébrale, des résultats de tests cliniques et des données démographiques des patients. Son travail ne porte pas seulement sur la question de savoir si quelqu'un pourrait développer une démence, mais quand, offrant aux cliniciens et aux concepteurs d'essais cliniques une chronologie du risque plutôt qu'un simple oui ou non binaire.

En psychiatrie, il utilise l'IA pour suivre la résilience des travailleurs de première ligne de la santé et de l'aide sociale, en analysant des données de réseaux sociaux pour comprendre comment ces travailleurs de terrain font face à l'adversité. Il conseille également une startup fondée à Cambridge qui travaille à introduire des outils de diagnostic par IA dans le NHS.

Avant l'université, Henry a passé 11 ans comme data scientist professionnel pour des startups tech et pour des entreprises comme Visa, BBC, WPP et Omnicom. Cette combinaison d'expérience commerciale et de recherche académique de terrain lui donne une perspective particulièrement complète sur la technologie, une perspective qui tranche à la fois avec le battage médiatique et avec le cynisme.

Comment l'IA est réellement utilisée dans la recherche de pointe

Quand la plupart d'entre nous pensent à l'IA, nous pensons aux outils auxquels nous avons accès: ChatGPT, Claude, Gemini. Dans la recherche académique, le tableau est souvent très différent.

Le quotidien d'Henry consiste à passer en revue des articles de recherche publiés, à comprendre leur méthodologie, puis à recréer des modèles à partir de zéro. Il existe parfois un dépôt GitHub qu'il peut adapter, mais la plupart du temps il construit des systèmes d'IA sur mesure, conçus pour des jeux de données très spécifiques qu'aucun produit commercial ne peut traiter.

"Le monde académique a tendance à développer beaucoup de choses en interne", dit-il. "Le travail que je fais relève vraiment de la recherche de pointe."

Pourquoi est-ce important si vous dirigez une petite entreprise? Parce que les outils que vous voyez dans les publicités, ceux avec des pages d'accueil léchées et des essais gratuits, constituent la couche grand public d'une pile technologique encore en construction. L'écart entre ce que promet le marketing de l'IA et ce que la technologie peut réellement offrir de manière fiable est plus large que la plupart des gens ne le pensent. Savoir que cet écart existe est le premier pas vers une utilisation des outils d'IA avec les bonnes attentes.

Mais même à Cambridge, les outils d'IA du quotidien ont changé les méthodes de travail. Pour la revue de littérature, ce processus qui consiste à trouver, lire et synthétiser des articles publiés, des outils comme Connected Papers, NotebookLM de Google, Gemini et ChatGPT ont rendu les choses considérablement plus rapides.

Henry n'est pas le seul dans ce cas. Une étude Wiley de 2025 menée auprès de plus de 2 400 chercheurs dans le monde a révélé que l'utilisation des outils d'IA chez les universitaires est passée de 57% à 84% en une seule année, 85% d'entre eux déclarant que l'IA améliorait leur efficacité. Mais la même étude a révélé autre chose: à mesure que les chercheurs acquéraient de l'expérience pratique, ils revoyaient nettement à la baisse leurs attentes quant à ce que l'IA pouvait réellement faire. L'an dernier, les chercheurs estimaient que l'IA surpassait déjà les humains dans plus de la moitié des cas d'usage. Cette année, ce chiffre est tombé à moins d'un tiers.

L'expérience d'Henry reflète exactement ce schéma. Ces outils sont réellement utiles comme point de départ, dit-il, mais "un travail important reste nécessaire pour vérifier les résultats et s'assurer d'aboutir à un corpus de connaissances fiable".

Dans la recherche en santé en particulier, il ne s'agit pas seulement d'efficacité. Une référence hallucinée ou un résumé inexact d'une étude clinique pourrait faire dérailler des mois de travail ou orienter une décision clinique erronée.

Pour les dirigeants d'entreprise, le principe est le même, même si les enjeux semblent différents. L'IA est la plus forte au milieu d'un flux de travail: rédiger, synthétiser, générer des options. Elle reste la plus faible aux deux extrémités: formuler la bonne question, et vérifier si la réponse est réellement correcte.

Pourquoi certaines personnes intelligentes n'adoptent pas l'IA

Une hypothèse courante concernant l'IA dans les institutions plus traditionnelles est que les gens y résistent. Ils seraient conservateurs. Ils ne feraient pas confiance à la technologie. Ils seraient figés dans leurs habitudes.

Henry observe quelque chose de différent.

"Je ne constate pas beaucoup d'aversion", dit-il. "Le défi, c'est que les universitaires sérieux sont intensément concentrés sur leur propre spécialité. Ils n'ont tout simplement pas la bande passante pour apprendre une discipline entièrement nouvelle en plus de celle qu'ils ont déjà passé des décennies à maîtriser."

Il décrit des scientifiques de classe mondiale qui peinent à partager leur écran lors d'un appel vidéo Teams. Non pas parce qu'ils sont technophobes, mais parce que chaque heure passée sur la technologie est une heure qui n'est pas consacrée à leur recherche.

Cela semblera familier à beaucoup de dirigeants d'entreprise. L'obstacle à l'adoption de l'IA tient rarement à l'attitude, il tient vraiment à la bande passante. Quand vous êtes déjà débordé par la gestion de votre entreprise, "je devrais me pencher sur les outils d'IA" reste en permanence sur la liste des tâches du mois prochain. L'étude Wiley le confirme: 57% des chercheurs citent le manque de directives et de formation comme principal obstacle à une utilisation accrue de l'IA. Ce n'est pas de la résistance. C'est un déficit d'accompagnement.

Le problème de confiance: pourquoi les erreurs de l'IA sont traitées différemment

Nous avons interrogé Henry sur un contre-argument que nous entendons souvent: les humains aussi font des erreurs: les médecins posent parfois de mauvais diagnostics, les avocats passent à côté de clauses... Si l'IA est au moins aussi bonne qu'un humain, cela ne devrait-il pas suffire?

Il a évoqué un exemple révélateur. Quand une voiture autonome Tesla a été impliquée dans un accident mortel il y a quelques années, l'affaire a reçu une énorme attention à l'échelle mondiale. Pendant ce temps, des dizaines de milliers de personnes meurent chaque année dans des accidents de voiture classiques avec une fraction de cette couverture médiatique.

"Nous sommes très en retard sur ce que nous devrions avoir accompli en matière de confiance et de compréhension publique de l'IA", dit Henry. "Une erreur d'IA sera toujours perçue comme plus grave qu'une erreur humaine."

Cela résonne bien au-delà de la santé. Des recherches publiées dans le BJR Open ont exploré la question de savoir si l'IA devrait être tenue à des taux d'erreur inférieurs à ceux des humains, et la réponse du public est systématiquement non: les gens attendent de la technologie qu'elle soit meilleure, pas simplement équivalente. Si vous utilisez l'IA dans une partie de votre activité en contact avec la clientèle, cela compte. La barre à laquelle vos clients mesurent les résultats de l'IA n'est pas "aussi bon qu'une personne". Elle est plus haute.

Henry soulève une autre dimension qui mérite réflexion. Les systèmes d'IA délivrent chaque réponse avec le même niveau de confiance, qu'ils aient raison ou non. "Un bon collègue junior vous dira quand il n'est pas sûr", dit-il. "Il nuancera sa réponse ou reconnaîtra les limites de ses connaissances. Les systèmes d'IA actuels ne le font pas."

Si vous utilisez l'IA pour vos communications clients, vos propositions commerciales ou vos contenus, c'est un point à surveiller de près. Une réponse assurée n'est pas forcément une réponse exacte. Et votre client ne verra probablement pas la différence avant qu'un problème ne survienne.

L'université de Cambridge

Le Royaume-Uni mise gros sur l'IA dans la santé. La réalité est plus compliquée.

Le travail d'Henry s'inscrit dans un effort plus large visant à introduire l'IA dans le NHS, le service public de santé britannique. Le plan de santé sur 10 ans du gouvernement britannique, publié en 2025, vise explicitement à faire du NHS "le système de soins le plus doté en IA au monde". Des instituts d'IA se lancent à Cambridge et au-delà, les partenariats public-privé se multiplient, et un sentiment d'urgence grandit autour de maladies comme la démence, pour lesquelles les traitements actuels restent limités.

Henry l'a vu de près. Il a assisté à un événement à la Chambre des Lords pour le lancement d'un rapport sur les données synthétiques, l'une des nombreuses initiatives soutenues par le gouvernement pour accélérer l'adoption de l'IA dans la santé. "Mes collègues ont mené un effort assez concerté pour vraiment mettre le Royaume-Uni à niveau en matière de génération de données synthétiques à l'aide de méthodes d'IA", dit-il.

Mais ambition et mise en œuvre sont deux choses différentes. Une étude menée par l'UCL et publiée dans The Lancet a montré qu'un programme du NHS visant à introduire des diagnostics assistés par IA dans 66 trusts hospitaliers a pris 4 à 10 mois de plus que prévu, un tiers des trusts n'utilisant toujours pas les outils 18 mois après la date cible. Les principaux problèmes n'étaient pas techniques. Ils étaient pratiques: personnel clinique débordé, systèmes informatiques vieillissants et méconnaissance générale de la manière de travailler concrètement avec l'IA.

Cela mérite votre attention même si vous n'avez rien à voir avec la santé. Si le NHS, avec des financements publics et une direction de programme dédiée, peine à déployer l'IA dans les temps, cela dit quelque chose d'honnête sur la difficulté réelle de l'adoption. Pour une petite entreprise sans équipe technique dédiée, le défi est encore plus grand, et c'est exactement pour cela qu'un accompagnement clair et pratique compte autant.

Le fossé linguistique: un problème structurel que le marché ne résoudra pas seul

Chez AgentAya, nous nous concentrons spécifiquement sur les entreprises des marchés non anglophones. Nous avons donc interrogé Henry sur la dimension linguistique.

"L'anglais est la langue de la science", dit-il. "La grande majorité des articles et des conférences sont en anglais."

Il en va de même pour les grands modèles de langage qui alimentent la plupart des outils d'IA aujourd'hui. Quand vous interagissez avec ChatGPT ou Claude en espagnol ou en arabe, le système traite généralement votre requête en interne via l'anglais. Un livre blanc du Stanford HAI décrit cette situation comme une "fracture numérique" dans le développement des LLM: la plupart des grands modèles sont moins performants dans les langues autres que l'anglais, ne sont pas adaptés aux contextes culturels pertinents et ne sont pas accessibles dans certaines parties des pays du Sud.

Les données de recherche sont sans appel. Une étude évaluant GPT-4o sur des langues africaines a mesuré un écart de performance absolu de 12% à 20% entre l'anglais et la moyenne des 11 langues africaines testées, l'écart dépassant 50% pour certaines langues comme le bambara. Même pour une langue relativement bien dotée en ressources comme le chinois, une recherche publiée dans JMIR a montré que ChatGPT était moins performant que des modèles spécifiquement entraînés sur des données chinoises, non pas à cause de barrières de traduction, mais en raison d'une représentation limitée dans les jeux de données d'entraînement.

Henry y a été confronté directement dans son travail en psychiatrie, où de nombreux travailleurs de première ligne viennent d'horizons linguistiques très divers. "On estime qu'il existe 6 000 langues rien qu'en Afrique", souligne-t-il. "Beaucoup sont parlées par des populations de quelques centaines de milliers de personnes. L'incitation commerciale à construire des modèles d'IA pour ces langues n'existe tout simplement pas."

Il a raison de dire que le secteur privé ne résoudra pas ce problème seul. Les universités et les gouvernements devront intervenir, et dans certains cas ils le font déjà. Mais Henry note aussi que l'équation économique change considérablement pour les populations plus importantes: "L'Inde compte des centaines de langues, et le retour sur investissement est très différent quand on parle de populations de 50 millions de personnes."

Une technologie utile, des limites réelles

Nous avons demandé à Henry où tout cela nous mène selon lui. Sa réponse s'appuie sur ses années dans l'industrie de la data science.

"Quand la data science a atteint son premier pic en tant que discipline, il existait trois types d'employeurs", dit-il. "Ceux qui croyaient que les data scientists pouvaient résoudre n'importe quel problème. Ceux qui rejetaient tout le domaine comme du battage médiatique. Et ceux qui nous voyaient simplement comme un collègue de plus avec des compétences spécifiques, avec des forces et des limites comme n'importe qui d'autre."

Le premier groupe, ajoute-t-il, avait tendance à rejoindre assez vite le deuxième lorsqu'il ne fournissait pas les données, les outils ou les attentes nécessaires pour que le travail réussisse.

Il voit le même schéma se reproduire aujourd'hui avec l'IA, à une échelle bien plus grande. "Nous approchons probablement de la limite de ce que les grands modèles de langage actuels peuvent offrir", dit Henry. "Cela ne veut pas dire qu'ils n'ont pas de valeur. Ils en ont incontestablement. Mais je pense que le rythme des améliorations spectaculaires va ralentir, et que le prochain grand bond exigera une approche fondamentalement différente."

Pour les dirigeants d'entreprise, c'est en réalité rassurant. Les outils disponibles aujourd'hui méritent qu'on y investisse du temps. Ils ne seront pas obsolètes dans six mois. Mais cela signifie aussi qu'attendre que l'IA devienne parfaite avant de commencer à l'utiliser est une stratégie qui vous laissera à la traîne.

Ce que cela signifie pour les entreprises

Vers la fin de notre conversation, nous avons décrit un scénario au cœur de ce que fait AgentAya: une petite agence de voyages au Pérou en concurrence avec une entreprise comme Expedia, qui a déjà utilisé l'IA pour réduire ses coûts et améliorer ses marges. Qu'arrive-t-il au plus petit acteur qui ne s'adapte pas?

"Les entreprises doivent monter à bord", dit Henry. "Il existe un risque réel que les petites entreprises se fassent distancer par de plus grands acteurs qui mettent en œuvre l'IA plus efficacement. Je pense que c'est extrêmement probable, et dans de nombreux secteurs c'est probablement déjà en train de se produire."

Les chiffres le confirment. Selon un rapport de la Réserve fédérale de St. Louis, l'adoption de l'IA générative aux États-Unis a atteint 54,6% des adultes à la mi-2025, dépassant le taux d'adoption des ordinateurs personnels comme celui d'Internet au même stade de leur développement. Parallèlement, les données mondiales d'adoption de Microsoft montrent que les taux d'adoption atteignent en moyenne 24,7% dans les pays du Nord contre seulement 14,1% dans les pays du Sud, un écart qui risque de se creuser à mesure que l'IA devient plus centrale dans la façon dont les entreprises se font concurrence.

Les outils d'IA sont imparfaits. Ils hallucinent encore, ils fonctionnent mieux en anglais que dans les autres langues. Et pourtant, le coût de ne pas les utiliser, de rester immobile pendant que de plus grands concurrents automatisent, est presque certainement plus élevé que le coût de les adopter imparfaitement.

La réponse n'est pas l'adoption aveugle. C'est l'adoption éclairée: savoir ce que les outils peuvent et ne peuvent pas faire, lesquels méritent votre temps, et lesquels ne relèvent que du marketing. Et cela suppose d'avoir accès à cette information dans votre propre langue, écrite pour des entreprises de votre taille.

C'est ce que nous construisons chez AgentAya.

Le Dr Henry Musto est chercheur postdoctoral à l'université de Cambridge, où il travaille au sein du département de neurosciences cliniques dans le Rittman Lab et du département de psychiatrie dans le PHAB Lab. Ses recherches portent sur l'IA translationnelle pour la prédiction de la démence et sur le suivi de la résilience des travailleurs de première ligne de la santé et de l'aide sociale. Avant l'université, il a passé 11 ans comme data scientist auprès d'entreprises comme Visa, BBC, WPP et Omnicom.

Parcourez nos avis sur les outils de recherche IA pour trouver des outils qui peuvent soutenir votre propre travail.

Articles similaires