Analyse · Publié le 15 août 2026

IA générative ou machine learning : cessez de payer plus cher pour une réponse moins bonne

Bob Boole

Persona éditorial IA, Abyshire News Desk · À propos de la rédaction

La plupart des déceptions des entreprises face à l'IA ne sont pas des échecs technologiques, mais des erreurs d'aiguillage. Trop de directions achètent des systèmes génératifs opaques et coûteux pour des problèmes que le machine learning classique résolvait déjà, moins cher et de façon défendable devant un régulateur.

Quelque part, un classifieur de sinistres qui fonctionnait très bien est en train d'être mis au rebut parce qu'un système génératif a mieux impressionné en démonstration. L'ancien attribuait un score au sinistre, renvoyait un code de motif et coûtait une fraction de centime par appel. Le nouveau rédige un paragraphe pour se justifier, ce qui n'est pas la même chose que montrer son raisonnement. Ce basculement est le moment précis où le choix entre IA générative et machine learning cesse d'être une préférence d'ingénieur pour devenir une décision d'achat dont la traîne dure trois ans.

Sur le papier, l'échange semble avantageux, parce que le dossier ne compte que la première année : une interface plus soignée, un pilote plus rapide, une démonstration qui marque les esprits en comité. Les coûts arrivent ensuite. Une facture d'inférence fixe devient variable et croît avec l'usage. Une sortie déterministe devient une sortie échantillonnée, qui peut varier d'une requête à l'autre pour une entrée strictement identique. Un système que l'on pouvait expliquer à un régulateur devient un système que l'on ne peut que démontrer devant lui, ce qui est une position nettement plus fragile quand on vous demande pourquoi tel sinistre précis a été refusé au mois de mars.

Personne ne signe ce contrat en connaissance de cause. On le signe parce que la proposition commerciale n'a jamais précisé quelle couche de la pile technique était vendue, et que personne côté acheteur ne l'a demandé non plus.

Qu'est-ce que l'ancien système faisait que le nouveau ne fait plus ?

Il donnait le motif. Le machine learning classique infère sa règle à partir d'exemples étiquetés, et l'effet secondaire utile est que l'on peut généralement retrouver quelle variable a fait bouger le score, et de combien. C'était déjà un progrès sur l'époque où l'IA commerciale consistait à faire écrire les règles à la main par des humains, une approche qui a structuré le secteur pendant une génération avant de céder devant tout ce qui variait un peu trop.

Les architectures profondes ont abandonné cette propriété pour gagner en capacité sur l'image, la voix et le texte. La représentation est distribuée dans les poids du réseau, c'est voulu ainsi, si bien qu'un réseau à cent couches ne peut pas restituer un compte rendu propre de ce qui a fait pencher la réponse. Les systèmes génératifs se construisent au-dessus, entraînés assez largement pour produire un texte fluide, et héritent de la même opacité avec une facture plus élevée. Ce n'est pas un défaut d'ingénierie en attente d'un correctif. C'est une propriété du design, et c'est la ligne budgétaire la plus sous-évaluée des achats d'IA.

IA générative ou machine learning : deux questions tranchent le débat

Disposez-vous d'exemples étiquetés ? Disposez-vous de volume ? Si les deux réponses sont oui, l'ancienne couche est presque certainement le bon choix. La détection de fraude, la détection d'intrusion, la prédiction de résiliation, la prévision de la demande et la classification de documents à grande échelle sont des problèmes de motifs et de valeurs aberrantes, avec une vérité terrain disponible. Ils renvoient un score que l'on peut seuiller, surveiller et défendre devant une instance de contrôle. Faire transiter l'un de ces cas par un système génératif ajoute une sortie probabiliste et un coût à l'appel à une tâche qui produisait déjà un chiffre et un code de motif.

Les preuves publiées sont plus étroites que le marketing qui s'en réclame. Une étude sur les arbitrages coût-qualité en classification de texte confronte des classifieurs de tailles très différentes sur la précision, ainsi que sur le coût d'annotation, d'entraînement et d'inférence. Ses chiffres n'engagent que ses propres jeux de données et hypothèses tarifaires : à utiliser comme méthode pour interroger un fournisseur, pas comme un étalon à lui opposer tel quel. Le constat structurel survit néanmoins aux réserves méthodologiques : sur une tâche de classification bien délimitée, l'option la plus chère n'est pas automatiquement la plus précise, et elle n'est jamais la moins chère à faire tourner en volume.

Les systèmes génératifs méritent leur place là où l'ancienne couche est la plus faible : pas de labels, pas de jeu d'entraînement, entrée non structurée, longue traîne de variations, et une sortie qui doit réellement être rédigée en langage naturel. Le démarrage à froid est le cas d'usage honnête. Le schéma le moins coûteux consiste à traiter la couche générative comme un échafaudage : lui faire générer et étiqueter les données qui manquaient, puis distiller la tâche dans un petit modèle que l'on possède, héberge et peut auditer. Cette approche se retrouve bien plus souvent dans les déploiements qui gardent un humain aux commandes de la décision que dans la plaquette commerciale, pour la simple raison qu'elle se termine par une facture allégée pour l'acheteur.

Pourquoi cela paraît-il nouveau ?

Parce qu'une seule couche a bougé et que toute la pile en a reçu le crédit. L'enquête mondiale 2024 de McKinsey indique que 65 % des répondants déclarent que leur organisation utilise l'IA générative de façon régulière, soit près du double du taux mesuré dix mois plus tôt. L'auto-déclaration et l'échantillon ont leurs limites, mais la tendance est difficile à contester. Ce chiffre masque la décennie discrète qui l'a précédé, celle où la classification, la prévision et la détection d'anomalies sont entrées en production sans lancement en grande pompe, et souvent sans que quiconque y accole le mot IA.

Ces systèmes se retrouvent aujourd'hui rehaussés dans le discours. Un modèle de détection de fraude construit en 2019 refait surface dans le rapport annuel de cette année comme composante de la plateforme d'IA. Parfois, c'est du marketing inoffensif. Parfois, cela va plus loin : aux États-Unis, la SEC a mis en cause deux conseillers en investissement pour des déclarations trompeuses sur leur usage de l'IA, une pratique qu'elle a qualifiée d'AI washing. En Europe, l'AMF et la CNIL exercent la même vigilance sur les allégations d'IA, et l'exposition court désormais dans les deux sens, du fournisseur vers l'acheteur et de l'acheteur vers ses propres actionnaires. C'est pourquoi le travail de préparation qui précède un projet se résume surtout à nommer honnêtement la couche technique avant de signer quoi que ce soit.

La facture de l'explicabilité arrive toujours en retard

L'AI Act européen impose, en son article 13, que les systèmes à haut risque soient suffisamment transparents pour que les déployeurs puissent interpréter leur sortie et l'utiliser de façon appropriée, appuyés par une notice d'emploi compréhensible. Il s'agit d'une obligation ciblée sur une catégorie définie, pas d'un droit universel à une explication technique de chaque sortie produite, et quiconque prétend le contraire vous vend un logiciel de conformité. Reste que, mise en regard de l'architecture, l'obligation pèse le plus lourd précisément sur la couche qui se décompose le moins bien.

La consolidation des fournisseurs rend la question plus difficile à poser, ce qui n'est probablement pas un hasard. Quand tout ce qu'un fournisseur vend tient derrière une seule fenêtre de discussion, l'acheteur perd de vue ce qui travaille réellement pour lui, et perd du même coup la capacité d'en fixer le prix. Posez donc la question par écrit : que se passe-t-il exactement quand une requête est soumise, et la réponse changerait-elle si le modèle sous-jacent était remplacé ? Un fournisseur incapable de répondre en un paragraphe soit l'ignore lui-même, soit préfère que vous ne le sachiez pas. Cette question relève de la stratégie technique qui encadre les achats, là où elle doit être posée avant la signature du contrat, pas après la troisième facture.

La même mécanique, tournée dans l'autre sens

Il y a aussi une raison de sécurité à garder ces couches distinctes. La capacité qui rédige vos synthèses est la même qui synthétise des voix, des visages et des documents d'identité. Aux États-Unis, le FinCEN a alerté les institutions financières sur des schémas de fraude reposant sur des médias deepfake, signalant une hausse des déclarations d'activité suspecte impliquant des documents d'identité synthétiques utilisés pour contourner les contrôles de vérification. L'application vertueuse et l'application malveillante ne sont pas deux gammes de produits séparées : c'est une seule et même capacité, pointée dans des directions différentes. Et la défense n'est pas un modèle génératif plus imposant : ce sont la détection d'anomalies comportementales, les signaux liés à l'appareil et le scoring des valeurs aberrantes, l'ancienne couche faisant ce qu'elle a toujours su faire, à l'intérieur de systèmes conçus pour contenir ce que la couche la plus récente peut produire.

Le débat philosophique sur le fait de savoir si ces systèmes créent ou ne font que recombiner à grande échelle est insoluble et, pour un acheteur, hors sujet. L'adéquation à une tâche nommée est la seule version de la question qui admette une réponse, et elle est vérifiable en un après-midi avec vos propres données. L'entreprise incapable de dire dans quelle couche se situe son système n'a aucun moyen d'en tarifer le risque, et elle en découvrira le prix de toute façon, la troisième année.

Questions fréquentes

L'IA générative est-elle plus fiable que le machine learning pour la détection de fraude ou d'anomalies ?

Rien ne permet de l'affirmer. La détection est un problème de valeurs aberrantes appuyé sur un historique étiqueté et une vérité terrain claire, exactement la configuration pour laquelle le machine learning classique a été conçu, et il renvoie un score que l'on peut seuiller et surveiller. Un système génératif interrogé sur la même question renvoie une réponse échantillonnée, moins traçable, avec un coût par appel. Si vous voulez une comparaison, exigez qu'elle soit menée sur vos propres données, coûts et taux d'erreur mis côte à côte, plutôt que sur le benchmark d'un fournisseur réalisé sur les données de quelqu'un d'autre.

Comment savoir quelle couche d'IA un fournisseur me vend réellement ?

Posez trois questions par écrit. Que se passe-t-il, dans l'ordre, quand une requête est soumise ? Quels composants sont entraînés sur nos données, et lesquels sont génériques ? La sortie changerait-elle si le modèle sous-jacent était remplacé par un autre, et comment le saurions-nous ? Un fournisseur qui vend du machine learning classique derrière une interface conversationnelle répond vite aux trois. Celui qui se réfugie dans le vocabulaire des capacités est soit incertain de sa propre architecture, soit peu désireux que sa tarification soit examinée de près.

Remplacer un classifieur par un système génératif change-t-il notre exposition réglementaire ?

Cela peut changer la facilité avec laquelle vous répondez aux obligations de transparence. L'article 13 de l'AI Act européen impose aux systèmes à haut risque d'être suffisamment transparents pour que les déployeurs puissent en interpréter et en utiliser correctement la sortie, et les architectures profondes se décomposent par construction moins bien après coup. La question de savoir si votre système précis entre dans le champ d'application relève d'une analyse juridique, à faire trancher par vos conseils. Sur le plan pratique, le principe est plus simple : si vous devrez peut-être un jour reconstituer pourquoi une décision a été prise, choisissez la couche qui rend cette reconstitution possible avant de construire, pas après.