AI Highlights — vue d'ensemble — Actualités du matin du 2026-10-17 (sam.)

Alors que la banque supprime 3 000 emplois, elle explique que l'objectif de l'IA est d'améliorer l'efficacité, non de remplacer les personnes. Dans les logiciels d'entreprise, on dit que même si les agents d'IA approchent du pilotage automatique, l'intervention humaine demeurera. Dans la découverte de médicaments, des partenariats pouvant atteindre 1,5 milliard de dollars se nouent, et en diagnostic, des modèles prédictifs entrent dans les décisions concernant des tumeurs individuelles. La puissance qui engendre la vitesse atteint en même temps le lieu de travail, le laboratoire et la clinique. Ce que je voudrais transmettre ici au lecteur, c'est l'idée que la réussite ou l'échec de la mise en œuvre ne dépend pas de la haute performance, mais de la ligne tracée entre les processus à confier à l'IA et les décisions à laisser aux humains. L'explication d'une entreprise et l'ampleur de ses fonds ne constituent pas le fondement de cette ligne. Dans le texte principal, nous examinerons où cette ligne est tracée dans chaque domaine.

Propos concernant les réductions de personnel et les changements de rôles sur le terrain

Dans les articles qui rapportent des licenciements dans les banques, des mots d'explication accompagnent le nombre de suppressions de postes. Axis Bank supprimera 3 000 emplois au cours de l'exercice 2026. Selon un article (Goodreturns), la banque vise à utiliser l'IA pour améliorer son efficacité opérationnelle et non pour remplacer ses ressources humaines. Dans le secteur technologique, les médias locaux se demandent aussi où l'IA et les licenciements feront disparaître des emplois (KTVU). Cependant, dans ce type d'annonce, le chiffre « 3 000 personnes » et l'explication « pas un remplacement » figurent sur la même page. Les mots d'explication ne constituent pas une base sur laquelle le lecteur puisse appuyer son jugement.

Du côté des logiciels d'entreprise, une conception qui maintient les personnes dans la boucle est présentée comme une spécification. Une analyse de Workday Rising 2026 (iTWire) rapporte que les agents d'IA de Workday se rapprocheront du pilotage automatique tout en maintenant l'implication humaine. À mesure que l'automatisation progresse, les décisions de conception des produits deviennent plus importantes pour déterminer les processus dans lesquels employer des personnes. Ce que doivent examiner ceux qui envisagent une adoption, ce n'est pas le nombre de postes qui seront supprimés. La question est de savoir quelle part de l'approbation et du traitement des exceptions reste entre les mains des personnes.

Les changements dans la nature du travail sont plus visibles dans les domaines des soins infirmiers, de l'éducation et de l'aide au logement. Un article (McKnight's Senior Living) présentant un rapport sur les maisons de retraite indique que l'utilisation de l'IA soutient les soignants. La préfecture de Shizuoka a introduit un chat IA dans les ensembles de logements préfectoraux afin d'aider à éviter l'isolement des ménages d'une seule personne (Mainichi Shimbun). Dans l'éducation, le SBCCD et le BBOP Center ont lancé un partenariat de formation à l'IA au sein du College Corps (Precinct Reporter News). Ces trois cas peuvent être lus comme des exemples d'une IA qui modifie l'étendue du travail effectué par les personnes et les compétences exigées d'elles, plutôt que de les remplacer. Les soignants pourront confier une partie de l'enregistrement et de la vérification à l'IA, et les habitants de l'ensemble de logements pourront d'abord consulter par chat. Ceux qui se forment acquerront la capacité d'utiliser pleinement l'IA.

L'impact sur l'emploi ne peut donc pas être mesuré uniquement par le nombre de suppressions de postes. Même si l'expression « amélioration de l'efficacité » peut recouvrir les deux cas, ce qui arrive aux travailleurs n'est pas la même chose lorsqu'on réduit le nombre de personnes en général et lorsqu'on réduit celui des personnes impliquées dans le dialogue et la prise de décision. Ce qui déterminera le succès ou l'échec du déploiement, c'est la ligne tracée entre ce qui doit être confié à l'IA et ce qui doit rester aux humains. Nous verrons ensuite comment cette ligne est tracée dans des domaines tels que la découverte de médicaments et le diagnostic, où le coût d'une erreur est élevé.

Le financement et la mise en œuvre clinique de l'IA progressent grâce à la découverte de médicaments et au diagnostic

Les fonds affluent déjà vers les entreprises fondées sur l'IA. AstraZeneca a conclu un partenariat d'une valeur pouvant atteindre 1,5 milliard de dollars avec la société de découverte de médicaments par IA Incitro (BigGo Finance). Google.org soutiendra une équipe de l'Université de Toronto à hauteur de 2,3 millions de dollars pour créer OpenPep, un moteur d'IA dédié à la découverte de médicaments peptidiques (Bioengineer.org). Dans la finance, la société suédoise Matters a levé 5 millions de dollars pour lancer une banque native de l'IA (The Next Web). Au Japon, l'IA, la construction navale et la découverte de médicaments sont discutées côte à côte parmi les 17 domaines stratégiques dotés d'un budget de 370 000 milliards de yens (Nikkei Business Online Edition). Il est important de noter que l'expression « jusqu'à » 1,5 milliard de dollars pour le partenariat ne signifie pas que la totalité du montant est engagée. Plutôt que la taille des montants, ce que les lecteurs doivent regarder, c'est si les fonds sont structurés en partant du principe que le processus sera confié à l'IA.

Côté clinique, les discussions sur la mise en œuvre rattrapent les mouvements de financement. Des responsables de l'imagerie diagnostique ont discuté, lors d'un webinaire, de la mesure dans laquelle l'automatisation par l'IA peut être étendue aux environnements cliniques (Radiology Business). La recherche en est la base. Le Journal of Imaging publie un article qui examine l'impact de l'assistance par l'IA sur les performances des radiologues dans la détection des nodules pulmonaires par scanner, à l'aide d'une revue systématique et d'une méta-analyse d'études portant sur la précision de détection. Ce qui est important, c'est que l'on mesure la performance des médecins utilisant l'IA, et non la précision de l'IA. Une étude du Journal of Neuro-Oncology a utilisé des données multicentriques pour développer et comparer un modèle d'apprentissage profond, un modèle radiomique, un modèle clinique et un modèle intégré pour la prédiction préopératoire du grade OMS des méningiomes par IRM. La conception consistant à comparer côte à côte des modèles autonomes et des modèles intégrés, on peut dire que cette recherche s'interroge sur les combinaisons envisageables.

この二つの流れを並べると、判断の置き場所が見えてくる。創薬や新しい銀行では、資金が先に出て、成果は後から検証される。診断では、検証の問いが「AIが正しいか」から「AIを使った人の成績がどう変わるか」へ移っている。 For those considering introduction, it would be better to check that there is evidence that measures the performance of the person, rather than the amount of partnership or procurement, in order to decide the scope of entrustment.

La vitesse à laquelle les fonds sont levés n'est pas la même que celle à laquelle les vérifications s'accumulent. La question de savoir qui comblera cet écart mène à la section suivante.

Les modèles de prédiction interviennent dans l'évaluation individuelle des tumeurs

Dans la recherche sur le cancer du sein, un nouveau marqueur numérique permettant d'évaluer l'expression de CXCL9 et le pronostic a été présenté, à l'aide d'une « signature pathomique » créée par apprentissage automatique (CytoJournal). Dans l'adénocarcinome pulmonaire, ATP2A2 a été identifié comme un facteur favorisant le remodelage du microenvironnement et l'échappement immunitaire à partir de signatures d'écosystèmes inflammatoires et métaboliques dérivées de l'IA (Frontiers in Cell and Developmental Biology). Il s'agit dans les deux cas d'études qui extraient des indicateurs liés au pronostic à partir d'images pathologiques et de données d'expression génique. Leur point commun est qu'elles tentent de montrer non seulement les chiffres produits par les modèles, mais aussi les facteurs biologiques auxquels ces chiffres sont liés.

Les recherches utilisant l'imagerie vont dans le même sens. Pour le cancer de la prostate métastatique sensible à la castration, l'apprentissage automatique explicable est utilisé pour examiner les facteurs qui prédisent si les patients recevront une intensification thérapeutique conforme aux recommandations (Frontiers in Oncology). Pour le cancer du foie, nous avons combiné l'habitat intratumoral et la radiomique péritumorale afin d'améliorer la précision de la prédiction de l'efficacité de la TACE initiale. Il s'agissait d'une étude rétrospective multicentrique (Frontiers in Oncology). Pour le cancer du rein, nous utilisons la fraction de volume extracellulaire dérivée du scanner avec produit de contraste pour prédire, avant l'opération, le grade OMS/ISUP du carcinome rénal à cellules claires à l'aide d'un apprentissage automatique interprétable (Frontiers in Oncology). Le champ de la prédiction, qui englobe le pronostic, le choix du traitement, l'effet du traitement et le grade, s'étend à chaque étape du jugement individuel pour chaque tumeur.

L'enjeu de ces études est de savoir si elles peuvent montrer les raisons des prédictions plutôt que les prédictions elles-mêmes. Au stade de l'application du modèle à des patients individuels, un modèle incapable de fournir des preuves ne servira pas d'élément de réflexion aux médecins, tandis qu'un modèle qui peut les démontrer permettra aux médecins soit de s'en satisfaire, soit de repérer des erreurs. Pour ceux qui envisagent une mise en œuvre, il ne suffit pas de comparer les chiffres de précision. Il faut se demander s'il est possible de présenter la prédiction, et sur quel fondement elle repose, sous une forme que le personnel clinique peut vérifier. Par ailleurs, la recherche sur le cancer du foie est rétrospective. Les lecteurs doivent également noter que les résultats n'ont pas été vérifiés dans le cadre de soins réels.

Cette tendance ne se limite pas aux tumeurs. Une étude utilisant l'IA pour analyser 101,000 personnes a montré que la graisse brune est associée à la santé cardiaque et mentale (News-Medical). À mesure que l'échelle de l'analyse augmente, la vitesse à laquelle les relations sont trouvées s'accroît, mais c'est aux humains de décider comment interpréter ces relations et dans quelle mesure elles sont utilisées dans les décisions. Le fait que les prédictions explicables soient l'axe d'évaluation signifie aussi que la responsabilité d'accepter les prédictions reste à la personne qui les utilise. Dans la section suivante, nous verrons comment répartir cette responsabilité au sein de l'organisation.

L'IA qui continue d'être confirmée et la pression de la réglementation et de la concurrence

Une IA qui approuve constamment les gens risque de nuire aux relations interpersonnelles. Forbes JAPAN fait état de préoccupations concernant le rejet de la faute sur autrui et le manque d'empathie. L'idée est que si l'utilisateur ne reçoit que des réponses qui l'arrangent, il aura moins d'occasions de réévaluer son propre comportement. En revanche, l'offre de services de dialogue continue de s'étendre. Parmi les offres de l'Universidad de Córdoba (UCO) figurent un chatbot de conversation sexuelle sans filtre pour les plus de 18 ans, ainsi qu'un service de « simulateur de romance avec petite amie IA » doté de contrôles de confidentialité (AI Girl Generator Online With Customizable Characters And Privacy Controls). Les paramètres de confidentialité sont devenus un argument de vente, et la manière dont les données des utilisateurs sont traitées fait partie du produit. Ceux qui envisagent de l'adopter doivent d'abord vérifier si l'IA est conçue pour tout approuver et qui gérera les historiques de conversation, plutôt que le nombre de fonctions.

Les discussions sur la « capacité de réflexion » de l'IA se poursuivent. Deccan Herald s'est appuyé sur les notions de Purusha et de Prakriti issues de la philosophie indienne pour aborder les limites de la conscience de l'IA et la question de savoir si les machines peuvent penser. Psychology Today explique pourquoi de vraies peintures semblent avoir été générées par l'IA. Ces deux points montrent que la façon dont les gens distinguent ce qui relève de l'« IA » vacille. Il faut reconsidérer le principe consistant à s'appuyer sur les humains pour déterminer si un résultat est authentique ou s'il s'agit d'un produit.

Les pressions réglementaires et concurrentielles commencent à imposer des contraintes externes à l'usage. Selon Aju Press, la Federal Trade Commission (FTC) des États-Unis a ouvert une enquête sur OpenAI et Anthropic à la suite d'un incident de sécurité. The Mighty 790 KFGO rapporte que la Chine a proposé d'ajouter 40 technologies dans les domaines de l'IA, de la biotechnologie et du solaire à la liste de contrôle des exportations. StateTech Magazine indique que l'IA dans les administrations américaines passe de la démonstration à l'exploitation à grande échelle. À mesure que les institutions publiques l'intègrent à leurs activités quotidiennes, les normes en matière de passation de marchés et de responsabilité deviendront plus strictes. Comme le montre l'agriculture de précision en Chine, couverte par CGTN, l'IA continue de transformer les milieux industriels. Les enquêtes sur les incidents chez les fournisseurs et les contrôles à l'exportation des technologies mettent en évidence la fragilité des conceptions qui dépendent d'entreprises ou de modèles spécifiques.

L'environnement macroéconomique n'est pas non plus sans importance. Investing.com évoque le paradoxe du dollar américain et de l'inflation, et rapporte que les risques de crédit liés à l'IA et la hausse des prix de l'énergie redessinent les perspectives de la croissance mondiale. Les investissements dans l'IA reposent à la fois sur le financement et sur l'électricité ; si ces conditions se dégradent, la rentabilité des plans de déploiement s'en ressentira.

Le dialogue positif, les enquêtes, les contrôles à l'exportation et le risque de crédit fixent tous, de l'extérieur, les conditions de la confiance que l'on peut accorder à l'IA. La question suivante est de savoir qui décidera du périmètre de responsabilité dans ces conditions, et comment.

Les explications sur les suppressions de postes, le financement de la découverte de médicaments, les modèles prédictifs d'aide au diagnostic et les services de dialogue qui renvoient continuellement des réponses positives semblent relever de domaines différents. Pourtant, tous convergent vers le même point. Ce dont l'IA sera responsable, et dans quelle mesure, ne sera pas déterminé par les seules capacités technologiques. C'est la conception qui, selon qu'elle précise ou non qui vérifiera les résultats et qui en assumera la responsabilité, déterminera la confiance des utilisateurs, des patients et des employés. Les mots d'explication et les montants investis ne remplacent pas la conception. Au moment de décider d'introduire un système, il faut d'abord vérifier, en plus de la rapidité et de la rentabilité, quels processus resteront confiés aux personnes et où la responsabilité doit être placée. Plus le périmètre de responsabilité est clair, plus il est facile de revoir et d'expliquer les décisions par la suite.

Q1 : Parmi le travail dont vous êtes responsable, comment distinguez-vous les parties où vous pouvez utiliser tel quel le résultat de l'IA de celles que vous devez vérifier de vos propres yeux avant de l'utiliser ? Q2 : S'il y a une erreur ou un biais dans les résultats produits par l'IA, qui le détectera à quelle étape, et comment sera-t-il corrigé ? Q3 : Lorsque l'on parle des résultats des gains d'efficacité obtenus grâce à l'IA, dans quelle mesure pouvez-vous expliquer concrètement, aux personnes de l'entreprise et extérieures à celle-ci, le périmètre de jugement et de responsabilité qui reste confié aux personnes ?

Enfin, trois questions

- Parmi les tâches dont vous avez la charge, où séparez-vous les parties dont vous pouvez utiliser telles quelles les productions de l'IA et celles que vous devez vérifier de vos propres yeux avant de les utiliser ? Q2 : En cas d'erreur ou de biais dans les résultats produits par l'IA, qui les détectera à quelle étape, et comment seront-ils stoppés ? Q3 : Lorsque l'on parle des résultats des gains d'efficacité obtenus grâce à l'IA, dans quelle mesure pouvez-vous expliquer concrètement, aux personnes de l'entreprise comme à l'extérieur, le périmètre de jugement et de responsabilité laissé aux personnes ? - En cas d'erreur ou de biais dans les résultats produits par l'IA, qui les détectera à quelle étape, et comment seront-ils stoppés ? Q3 : Lorsque l'on parle des résultats des gains d'efficacité obtenus grâce à l'IA, dans quelle mesure pouvez-vous expliquer concrètement, aux personnes de l'entreprise comme à l'extérieur, le périmètre de jugement et de responsabilité laissé aux personnes ? - Lorsque l'on parle des résultats des gains d'efficacité obtenus grâce à l'IA, dans quelle mesure pouvez-vous expliquer concrètement, aux personnes de l'entreprise comme à l'extérieur, le périmètre de jugement et de responsabilité laissé aux humains ?