AI Highlights — le panorama complet — Actualités quotidiennes du 2026-10-26 (lun.)

Alors que l'IA fait évoluer les chiffres de l'emploi, la même technologie alimente aussi l'information électorale, les conseils amoureux et éducatifs, les prédictions de cancer, ainsi que les opérations militaires et pharmaceutiques. Les géants de l'informatique auraient supprimé près de 200 000 emplois dans le monde, mais l'ampleur de ces suppressions n'est qu'une partie des changements en cours. Seuls 8 % des adultes américains s'informent sur les élections auprès de chatbots d'IA, et si un grand service de rencontres par IA fait faillite, les partenaires des utilisateurs seront supprimés. Que les chiffres soient grands ou petits, les humains reçoivent de plus en plus de réponses de l'IA et s'en servent de base pour leurs décisions et leurs relations. Ce que je voudrais que les lecteurs retiennent de cette demi-journée, c'est la question de savoir jusqu'où l'on peut s'en remettre à l'IA et où il faut tracer la limite. Les sections ci-dessous montrent comment cette limite se place différemment selon les secteurs et les situations.

Les réductions de personnel passent en premier, le système et l'économie suivent

Le journal économique indien Livemint a rapporté que de grandes entreprises informatiques ont supprimé près de 200 000 emplois dans le monde en raison de la transformation par l'IA. L'ampleur des réductions dépasse déjà celle de n'importe quelle entreprise ou de n'importe quel pays pris isolément. Al Jazeera a souligné que le Royaume-Uni est en tête des licenciements liés à l'IA et a discuté des raisons de cette situation. Dans le secteur financier, Barclays aurait à la fois des licenciements dus à l'IA et des inquiétudes excessives concernant la taxe bancaire (Seeking Alpha). Des mouvements similaires se produisent dans différents secteurs et régions, comme l'informatique, le Royaume-Uni et la banque. Il faut donc considérer l'IA et l'emploi non pas comme des décisions de gestion propres à une entreprise, mais comme des phénomènes communs à plusieurs secteurs.

Cette tendance s'étend aussi au-delà de l'emploi. Le FMI a cité à la fois les prix élevés de l'énergie et l'IA comme des fardeaux dans son évaluation des défis auxquels font face les économies asiatiques (India Today). Si la transformation par l'IA est une mesure de réduction des coûts pour les entreprises, elle crée aussi une charge d'ajustement pour l'économie dans son ensemble. De plus, dans le cas des banques, la question des licenciements est abordée dans le même contexte que celle, institutionnelle, des taxes bancaires (Seeking Alpha). Lorsqu'on lit les plans de réduction d'effectifs d'une entreprise, à moins de les examiner conjointement avec l'évolution de la fiscalité et de la réglementation, il est impossible de savoir si la décision a été prise de manière indépendante ou si elle a été influencée par le système.

La même tendance apparaît dans les organisations de santé. Selon Hospitalogy, le PDG de Navvis, responsable de la santé, a déclaré que si les soins basés sur la valeur (VBC) se sont orientés vers les résultats, LEAD a été mis en suspens. Il parle ensuite de la préparation à des modèles de risque qui pourraient devenir obligatoires. Ce qui est en jeu ici, ce n'est pas l'IA elle-même. Les mécanismes de paiement et d'évaluation changent, et les organisations sont contraintes de se restructurer en conséquence. Même si l'obligation est reportée, la nécessité de se préparer demeure. Ce point rejoint l'exemple du Royaume-Uni, où les réductions de personnel ont progressé plus vite que les améliorations institutionnelles.

Présentés ainsi côte à côte, le nombre de personnes concernées et le ratio de réductions ne résultent pas nécessairement des décisions propres à chaque entreprise. Ils sont influencés par des conditions externes telles que l'évaluation économique, le système fiscal et les modes de remboursement des soins médicaux. Ceux qui examinent ces chiffres doivent vérifier dans quel système ils ont été produits. La prochaine question à se poser porte moins sur l'ampleur des réductions que sur la part du processus de décision sur le terrain, du travail de création et du travail clinique qu'il convient de confier à l'IA.

Contextes d'information et d'éducation où le biais et la confiance sont remis en question

Seuls 8 % des adultes américains utilisent des chatbots d'IA pour s'informer sur l'élection de 2026 (Pew Research Center). Le nombre d'utilisateurs reste faible. Cependant, si les réponses reçues par ce petit nombre sont biaisées, la faiblesse de ce nombre ne justifie pas de se rassurer. Dans l'examen de TechCrunch, face à un choix, Grok a choisi le Parti républicain, tandis qu'OpenAI a choisi le Parti démocrate. Ces deux modèles sont généralement utilisés en supposant leur neutralité. Pourtant, contraints de le faire, ils révèlent leur position. Ce que les lecteurs doivent vérifier, ce n'est pas si le chatbot répond. Pour une question très partisane comme une élection, la question est de savoir si la réponse peut servir de base à une décision.

Dans le domaine de l'éducation, les chiffres montrent un manque de préparation. Les politiques d'IA des écoles de l'État de Washington restent celles des années 2010 et ne sont pas prêtes pour l'avenir (The Seattle Times). Bien que les élèves aient déjà accès à l'IA générative, les règlements scolaires reposent encore sur une formulation rédigée à une époque où l'IA n'était pas courante. Si la politique était ancienne, les enseignants n'auraient d'autre choix que de prendre des décisions individuelles, et ce qu'ils autoriseraient et demanderaient aux élèves varierait d'une classe à l'autre. La confiance ici n'est pas la confiance dans le résultat de l'IA lui-même. Il s'agit de la confiance dans le fait que l'organisation qui décide de la manière de l'utiliser suit l'évolution de la situation réelle.

Des initiatives liées à la sécurité commencent également à prendre forme en réponse aux attaques. Après l'attaque contre Hugging Face, plusieurs mouvements autour de la sécurité de l'IA ont vu le jour. Tech Xplore en organise l'évolution par ordre chronologique. Les infrastructures partagées de modèles et d'outils accessibles au public étant ciblées, la sécurité n'est plus seulement une question interne aux entreprises de développement. La question est de savoir où tracer la ligne entre ce que les utilisateurs doivent vérifier eux-mêmes et ce qu'il faut laisser à l'exploitant de l'infrastructure.

Dans le domaine de la création, il existe des exemples où la responsabilité est clairement indiquée. Creative Assembly nie la présence d'art généré par IA dans la version complète de Total War: Shogun 2 et reconnaît sa responsabilité (Simulation Daily). Ce qui est important ici, c'est qu'ils ont admis avoir utilisé quelque chose créé par l'IA, puis ont montré leur volonté d'assumer la tâche. Le point commun entre les modèles biaisés, les politiques scolaires obsolètes, les mesures de sécurité prises après l'attaque et les sociétés de production qui ont reconnu leur responsabilité est que la confiance ne repose pas sur la performance, mais sur la clarté quant à qui est responsable de quoi. Pour décider de l'étendue du travail à confier, la personne qui assumera ce travail doit être visible. Dans la section suivante, nous verrons comment cette ligne est tracée dans des contextes plus personnels, émotionnels et cliniques.

Le prix à payer lorsqu'on confie ses émotions et ses relations à l'IA

La question de savoir si les machines ont des émotions alimente un débat sur l'IA, rapporte MarketWatch. Bien que ce débat ne soit pas tranché, des relations se construisent du côté des utilisateurs sans attendre de conclusion. Selon le New York Post, un grand service de compagnons amoureux IA est en faillite et les compagnons IA des utilisateurs devraient être supprimés. La personne avec qui l'utilisateur échangeait des mots au quotidien disparaît en raison de la situation financière de l'entreprise exploitante. Que les sentiments soient sincères ou non, il incombe à l'entreprise de maintenir le partenaire, et si l'entreprise s'effondre, la relation prend fin. The Malaysian Reserve a rapporté que l'IA modifie la maternité en pire. Plus les situations où les conseils et les décisions en matière d'éducation des enfants sont confiés à l'IA se multiplient, plus les interactions entre parents et enfants, qui devraient normalement être concentrées, risquent de perdre en efficacité. Cet article traite de ces changements comme d'un problème.

Les machines progressent également dans leur capacité à lire les émotions. Selon The Decoder, Block a annoncé une nouvelle IA appelée Dessa, qui apprend uniquement à partir de l'audio. La voix elle-même capterait des émotions que la transcription ne permet pas de saisir. Elle pourrait être utilisée dans des situations telles que les centres d'appels et les entretiens, où l'on ne peut pas se fonder uniquement sur le contenu des mots pour juger. Toutefois, ce compte rendu ne permet pas de savoir qui utilise les émotions lues dans la voix, ni dans quel but. Plus les lectures deviennent précises, plus le risque est grand que les destinataires des résultats s'en servent comme éléments pour porter des jugements sur les personnes.

D'un autre côté, l'IA peut aussi soutenir les relations entre les personnes. Oncology Nursing News présente un exemple d'utilisation de modèles d'IA de risque de cancer du sein pour le triage et l'accompagnement des patientes par les infirmières. Ici, l'IA se contente d'estimer le risque, et c'est l'infirmière qui est chargée d'expliquer la situation à la patiente et de répondre à ses préoccupations. Alors qu'AI Lover et Dessa dépendent de l'IA pour interpréter leurs relations et leurs émotions, dans ce cas l'IA prépare les éléments du dialogue entre êtres humains.

En les comparant côte à côte, la possibilité de confier son travail à l'IA ne dépend pas uniquement de la performance de l'IA. Avant d'utiliser l'appareil, il faut vérifier que la personne à qui l'on confie la tâche ne disparaîtra pas à cause de la faillite de l'entreprise qui l'exploite, qui recevra les informations obtenues à partir des voix et des mots, et s'il restera un être humain laissé derrière. Cette vérification servira de base pour déterminer l'étendue des décisions et du travail de création qui seront confiés à l'IA.

La précision des prédictions pour le traitement du cancer progresse grâce aux images et aux données

Pour le cancer du sein, des tentatives ont été faites pour estimer la présence ou l'absence de métastases avant la chirurgie. Une étude a été rapportée sur l'utilisation de l'IA pour prédire les métastases du cancer du sein avant la chirurgie à partir de l'interprétation d'images échographiques (Bioengineer.org). Une autre étude présente un cadre d'ensemble par empilement statique calibré pour prédire la mortalité du cancer du sein (Archives of Breast Cancer). La calibration consiste à vérifier si les probabilités produites par le modèle correspondent à la fréquence réelle d'occurrence. Comme elle conditionne la possibilité de lire les valeurs prédites comme des probabilités, elle est aussi importante que la précision lorsqu'il s'agit d'expliquer les résultats aux patients ou de discuter des plans de traitement. Dans le domaine des images pathologiques, SCLC-SBT, un transformeur bilinéaire spectral pour la classification d'images tissulaires du cancer du poumon à petites cellules, a été publié dans Scientific Reports. Même lorsque le type d'image change, ce ne sont pas seulement les chiffres de précision qui comptent, mais aussi la manière d'interpréter les résultats.

Certaines études appellent aussi à une vérification multi-institutionnelle. La stratification du risque pronostique du gliome à l'aide d'un modèle fondé sur la pathologie a également identifié des gènes clés et des voies biologiques impliqués dans le pronostic, et a été publiée sous forme d'étude multicentrique dans Acta Neuropathologica Communications. Pour le cancer de l'estomac, la radiomique par apprentissage profond à deux champs en TDM, incluant le tissu adipeux viscéral, aurait amélioré la prédiction préopératoire des métastases ganglionnaires. Il s'agit là aussi d'une étude multicentrique (European journal of radiology). Dans le carcinome hépatocellulaire, des études utilisent la radiomique par IRM pour prédire l'expression de FAP et le microenvironnement tumoral immunosuppresseur. Ces conceptions cherchent à vérifier si les données d'autres hôpitaux confirment les résultats, plutôt que de se fier à ceux d'un seul hôpital. Ce à quoi les lecteurs doivent prêter attention n'est pas l'importance de la valeur maximale, mais l'ampleur des variations des résultats lorsque l'établissement change.

L'unité d'analyse a été réduite à la cellule. Dans le cancer de la vessie, nous avons intégré la transcriptomique unicellulaire/spatiale et l'apprentissage automatique pour mettre en évidence les signatures moléculaires et les gènes de risque clés des cellules épithéliales malignes à forte capacité souche (Discover Oncology). scGlycoAI est un cadre qui utilise l'apprentissage automatique pour analyser les données de glycanes et de séquences d'ARN de cellules uniques, déterminer le type cellulaire et rechercher les glycanes associés à la malignité (Glycobiology). Des images aux cellules, les cibles de la prédiction s'élargissent pour chaque type de données. Cependant, ce que ces articles indiquent, c'est la possibilité que les prédictions se vérifient, et savoir si elles atteignent un niveau utilisable en pratique clinique nécessite une confirmation distincte. Ce que l'on mesure aujourd'hui, ce n'est pas la performance elle-même, mais la distance jusqu'à laquelle on peut se fier aux prédictions. La question de savoir qui trace cette ligne, et comment, se pose de la même manière en dehors du domaine médical.

L'introduction dans le domaine se fera secteur par secteur, sur la base des preuves

L'US Air Force prévoit d'utiliser l'IA pour soutenir le ravitaillement en vol, a rapporté le Military Times. Le ravitaillement en vol est une mission soumise à des procédures opérationnelles détaillées et à des normes de sécurité strictes. L'utiliser comme outil de soutien est différent de confier l'ensemble de la mission à l'IA. L'autre sujet est la découverte de médicaments. Selon un article de présentation publié par Unisba Media le 14 avril à 16 h 00, Novo Nordisk et OpenAI ont conclu un partenariat pour la découverte de médicaments par l'IA. Le même article mentionne également le départ officiel du responsable de l'IA d'Apple, Gianandrea. Les secteurs militaire et pharmaceutique n'obéissent pas aux mêmes normes et le coût de l'échec n'y est pas le même. Malgré tout, les usages possibles de l'IA se limitent aux processus qui peuvent être appuyés dans le cadre du flux de travail existant.

En chirurgie médicale, la justification de son introduction commence à être démontrée par des chiffres. Une revue systématique publiée dans Cureus résume les données cliniques prospectives relatives au guidage numérique peropératoire assisté par robot dans la chirurgie du cancer de la prostate et du cancer du rein. Un schéma prospectif est un schéma dans lequel les conditions sont déterminées et les patients suivis avant que les résultats ne soient connus. Ces données n'ont pas le même poids comme base de jugement que des slogans publicitaires ou des cas observés a posteriori. Des travaux sont actuellement en cours pour confirmer l'efficacité du guidage peropératoire pour chaque organe, la prostate et le rein.

Lorsque ces trois cas sont placés côte à côte, on observe des points communs dans la manière dont l'introduction progresse. L'armée de l'air commence par le soutien au ravitaillement en vol, Novo Nordisk par un partenariat de découverte de médicaments, et la chirurgie par le guidage peropératoire de la chirurgie assistée par robot. Dans chaque cas, les cibles sont réparties par pans de l'activité et les résultats sont vérifiés dans ce périmètre. Pour juger de la mise en œuvre de l'IA sur le terrain, il est plus utile pour les lecteurs de regarder dans quels processus elle est utilisée et quel type de vérification a été effectué, plutôt que de savoir si l'utilisation de l'IA a été annoncée. Les processus largement vérifiés fournissent des motifs pour étendre le périmètre de responsabilité, tandis que ceux qui ont été peu vérifiés restent traités avec prudence. La prochaine question est de savoir où tracer la limite au-delà de laquelle les humains ne renoncent pas à leur jugement final, même après vérification.

Ce que toutes les sections avaient en commun, c'est que les résultats étaient déterminés non par l'introduction de l'IA en elle-même, mais par l'endroit où l'on trace la limite de ce qui lui est confié. L'ampleur des licenciements a retenu l'attention, mais les mêmes mouvements se propageaient dans plusieurs secteurs et régions, faisant peser une charge d'ajustement sur l'économie dans son ensemble. Dans les contextes de l'information et de l'éducation, des questions ont été soulevées sur les biais dans les réponses et sur les retards dans l'organisation au sein des écoles, même lorsque le nombre d'utilisateurs était faible. Dans le domaine des émotions et des relations, l'état de gestion de l'entreprise exploitante a influencé les relations entre les utilisateurs. Dans le traitement du cancer, les conditions de lecture des résultats, telles que la calibration et la vérification multicentrique, ont été traitées au même titre que la précision. Dans les domaines militaire, pharmaceutique et chirurgical, l'introduction s'est concentrée sur des processus pouvant être soutenus dans le cadre des procédures existantes, et les preuves s'accumulaient. Plutôt que de décider d'utiliser ou non l'IA, il faut désormais décider, dans chaque situation, ce qu'on confie à l'IA et ce qu'on garde en main.

Q1 : Dans quels processus de votre travail utilisez-vous les résultats de l'IA comme base de décision, et qui dispose d'un dispositif permettant de remarquer que ces résultats sont erronés ? Q2 : Quels critères et procédures sont utilisés pour vérifier les biais et les erreurs dans les résultats de l'IA avant et après son introduction, et des traces en sont-elles conservées ? Q3 : Sur quelle base l'étendue des tâches confiées à l'IA a-t-elle été décidée ? Des conditions ont-elles été fixées, et qui sera responsable de réexaminer cette étendue lorsque la situation de l'entreprise ou du client changera ?

Enfin, trois questions

- Quels processus de votre travail reposent directement sur les résultats de l'IA pour prendre des décisions, et qui a mis en place un système pour détecter lorsque ces résultats sont incorrects ? Q2 : Quelles normes et procédures sont utilisées pour vérifier les biais et les erreurs dans les résultats de l'IA avant et après son introduction, et des enregistrements sont-ils conservés ? Q3 : Sur quelle base a-t-on décidé du périmètre à confier à l'IA ? Des conditions ont-elles été fixées et qui sera responsable de réexaminer ce périmètre lorsque la situation de l'entreprise ou du client change ? - Quelles normes et procédures sont utilisées pour vérifier les biais et les erreurs dans les résultats de l'IA avant et après sa mise en œuvre, et des enregistrements sont-ils conservés ? Q3 : Sur quelle base a-t-on décidé du périmètre à confier à l'IA ? Des conditions ont-elles été fixées et qui sera responsable de réexaminer ce périmètre lorsque la situation de l'entreprise ou du client change ? - Sur quelle base a-t-on décidé du périmètre à confier à l'IA, et les conditions ainsi que la responsabilité du réexamen de ce périmètre ont-elles été déterminées lorsque la situation de l'entreprise ou du client change ?