Un chatbot qui rédige un contrat de travail en trente secondes, un modèle qui détecte des anomalies sur une radio pulmonaire, un assistant qui planifie une semaine de réunions : on finit par se demander ce qui résiste encore. La réponse se trouve souvent là où les mains, les yeux ou le jugement humain entrent en contact direct avec la matière, le contexte ou la responsabilité.
Voici ce que l’IA ne peut pas faire aujourd’hui, et pourquoi ces limites ne sont pas un détail technique.
A lire en complément : Qu’est-ce que la vulnérabilité en informatique ?
Expertise judiciaire et documents physiques : l’IA reste aveugle au support
Quand un expert graphologue examine un testament contesté, il ne regarde pas seulement la forme des lettres. Il palpe le papier, observe les reliefs d’encre en lumière rasante, cherche des grattages, des surcharges, des traces d’effacement chimique. Un modèle d’IA, lui, travaille sur une image numérisée : il ne voit qu’un scan aplati.
C’est exactement le constat posé dans le domaine de l’expertise judiciaire d’écriture. L’IA ne peut pas analyser le support matériel d’un document (papier, encre, relief), ce qui la rend inapte à authentifier un faux matériel sans examen humain direct. Les outils d’IA générative y sont d’ailleurs explicitement décrits comme incapables d’être une source autonome d’autorité scientifique ou normative.
Lire également : Quels sont les inconvénients potentiels associés à l’utilisation intensive des technologies numériques ?
Des lignes directrices professionnelles publiées par ie-net rappellent que l’IA ne peut servir que d’outil d’aide à la décision, jamais comme pouvoir de décision autonome dans les expertises. En pratique, on s’en sert pour la recherche documentaire, la synthèse, l’aide rédactionnelle, mais la conclusion reste humaine.
Ce cas illustre un schéma récurrent : l’IA excelle sur les données numériques, pas sur les objets physiques. Dès qu’il faut toucher, sentir ou manipuler un objet réel pour en tirer une information fiable, la machine décroche.
Décisions critiques et responsabilité juridique de l’IA
Un algorithme peut suggérer un diagnostic médical, proposer un montant d’indemnisation ou recommander une décision de crédit. En revanche, aucun cadre juridique actuel ne lui confère la capacité de porter la responsabilité de ces décisions.
Le AI Act européen structure cette limite. Les systèmes d’IA à haut risque (santé, justice, recrutement, assurance) doivent intégrer une supervision humaine. L’obligation de formation des utilisateurs dans les organisations européennes en découle directement : déployer une IA sans former les équipes expose à des sanctions réglementaires.
Dans le secteur de l’assurance, par exemple, les enjeux réglementaires liés à l’essor de l’IA imposent une traçabilité des décisions algorithmiques et un droit d’explication pour l’assuré. L’IA peut accélérer le traitement d’un dossier de sinistre, mais la décision finale et sa justification restent des actes humains.
On retrouve la même logique en ressources humaines. Les outils d’IA appliqués au recrutement ou à la gestion des talents ne peuvent pas remplacer l’évaluation contextuelle d’un manager. Les retours varient sur ce point selon les entreprises, mais le consensus opérationnel reste clair : l’IA filtre et priorise, l’humain décide et assume.
Créativité, contexte relationnel et compétences terrain
On lit souvent que l’IA « crée » des images, des textes, de la musique. En réalité, elle recombine des patterns extraits de ses données d’entraînement. La distinction compte quand on passe du prototype au produit fini.
Créativité sans intention
Un modèle génératif ne formule pas d’intention artistique. Il ne choisit pas de provoquer, de consoler ou de déstabiliser. Il produit une sortie statistiquement cohérente avec un prompt. Pour un visuel publicitaire vite fait, ça suffit. Pour une campagne qui doit toucher un public précis dans un contexte culturel donné, la direction créative reste un travail humain.
Lecture du contexte relationnel
Négocier un contrat avec un fournisseur tendu, désamorcer un conflit entre deux collègues, sentir qu’un client hésite sans le dire : ces situations mobilisent l’intelligence émotionnelle, la lecture corporelle, l’expérience sociale accumulée. L’IA ne capte ni le ton hésitant d’une voix, ni le regard fuyant en réunion, ni le non-dit derrière une phrase polie.
Les compétences relationnelles, le leadership, la capacité d’adaptation en temps réel face à des humains imprévisibles forment un bloc que l’automatisation ne peut pas absorber. C’est d’ailleurs pour cette raison que les métiers à forte composante relationnelle (soins, médiation, management de proximité) figurent parmi les moins exposés à l’automatisation.
IA prédictive et limites des données : quand le modèle déraille
Les chercheurs Arvind Narayanan et Sayash Kapoor, dans leur ouvrage AI Snake Oil, distinguent nettement l’IA générative de l’IA prédictive. C’est sur cette dernière que se concentrent les défaillances les plus graves.
Un modèle prédictif fonctionne bien quand le phénomène à prédire est stable et que les données historiques le reflètent fidèlement. Dès que le contexte change (crise économique, pandémie, changement réglementaire), les prédictions deviennent peu fiables parce que le passé ne ressemble plus au présent.
- Un algorithme de prévision de récidive entraîné sur des données judiciaires biaisées reproduit et amplifie ces biais, sans capacité d’autocorrection contextuelle.
- Un modèle de scoring de crédit calibré sur une période de croissance échoue face à un retournement conjoncturel qu’il n’a jamais observé.
- Un outil de prévision de la demande en supply chain, même qualifié d’AI-ready, reste confronté au défi de l’industrialisation et de la fiabilité des données d’entrée.
Le problème n’est pas seulement technique. Nous avons tendance, collectivement, à accorder aux prédictions algorithmiques une confiance disproportionnée par rapport à leur fiabilité réelle. L’IA prédictive ne peut pas anticiper un monde fondamentalement imprévisible, et la surconfiance dans ses résultats génère des erreurs coûteuses.
L’IA transforme déjà la manière dont on travaille, on communique et on prend des décisions. Ses limites ne sont pas des bugs à corriger dans la prochaine version. Elles tiennent à la nature même de ce que font les machines : du calcul statistique sur des données passées, sans corps, sans responsabilité juridique, sans compréhension du contexte physique ou humain. Garder ces frontières en tête, c’est la condition pour utiliser ces outils là où ils apportent réellement quelque chose.
