On parle souvent de Dario Amodei, CEO d’Anthropic, parce qu’il aborde l’IA au-delà de la performance brute : gouvernance, impacts sociaux, risques systémiques. Mais cette fois, le point le plus intéressant vient de Daniela Amodei, présidente et cofondatrice d’Anthropic (ex-OpenAI). oai_citation:0‡Business Insider

Dans une interview récente, elle résume une réalité que beaucoup préfèrent esquiver : les capacités des modèles peuvent continuer à progresser très vite… pendant que l’économie réelle peine à suivre. oai_citation:1‡The Indian Express

“The exponential continues until it doesn’t” : le scaling n’a pas (encore) touché un mur

Daniela Amodei rapporte une phrase qu’elle dit entendre souvent : “the exponential continues until it doesn’t” — l’exponentielle continue… jusqu’au moment où elle s’arrête. Elle explique que, chaque année, les équipes pensent approcher une limite, puis voient les capacités continuer d’avancer. oai_citation:2‡The Indian Express

Autrement dit : le débat “les modèles plafonnent-ils ?” est souvent mal posé. Si l’on reste sur le terrain technologique, son message est plutôt clair : pas de plafond évident à court terme. oai_citation:3‡Business Insider

Le vrai goulot d’étranglement : l’adoption réelle en entreprise

Selon Daniela Amodei, le sujet “boom ou bulle” ne se joue pas uniquement sur la capacité à améliorer les modèles, mais sur la capacité des organisations à absorber ces capacités.

Et là, le contraste est brutal :

  • La courbe technologique est rapide, concentrée, capitalistique.
  • La courbe d’adoption est lente, fragmentée, humaine.
Une entreprise n’est pas un labo. Elle a des processus hérités, des contraintes réglementaires, des systèmes d’information parfois fragiles, des cycles de décision longs et des arbitrages internes. Brancher une API est facile. Changer le travail réel est difficile. oai_citation:4‡Business Insider

Pourquoi tant de projets restent des POC

On entend souvent : “il manque des cas d’usage”. En réalité, des cas d’usage, il y en a. Le problème, c’est le passage du “wow” au “scale”.

Beaucoup de projets IA restent :

  • des pilotes locaux,
  • des démos impressionnantes,
  • des POC qui ne deviennent jamais un standard opérationnel.
Pourquoi ? Parce que l’IA ne remplace pas simplement un outil : elle remet en question des pratiques informelles, des décisions implicites, des exceptions jamais documentées. Tant qu’une organisation ne comprend pas précisément comment elle crée de la valeur aujourd’hui, il est illusoire d’espérer que l’IA le fasse “à sa place”.

Le “mur du réel” : une couche intermédiaire manque encore

Le point le plus structurant est peut-être celui-ci : il manque une couche intermédiaire mature entre :

  • les fournisseurs de puissance IA (Anthropic, OpenAI, Google, etc.),
  • et les entreprises finales qui veulent des résultats mesurables.
Entre les deux, il ne manque pas des “prompt engineers”. Il manque des profils capables de traduire un business en systèmes IA :

  • comprendre marges, risques, contraintes, qualité,
  • cartographier des processus réels (pas théoriques),
  • définir des critères de succès mesurables,
  • concevoir des architectures pragmatiques (RAG métier, sécurité, gouvernance, monitoring).
Le parallèle est simple : copier la logistique d’Amazon dans une PME n’a pas de sens. L’IA suit la même règle : le contexte gagne.

Ce qui va se créer : un nouveau marché de l’intégration IA

Le discours de Daniela Amodei suggère qu’un pan entier de l’économie va se structurer : celui des experts capables de relier la puissance des modèles à la réalité opérationnelle.

Les opportunités ne seront pas uniquement dans “le modèle le plus impressionnant”, mais dans :

  • l’intégration dans les workflows,
  • la fiabilité et la conformité,
  • l’adoption par les équipes,
  • la mesure de valeur dans le temps.

La lecture Leadkong : la valeur n’est pas dans l’IA, elle est dans l’usage

Chez Leadkong, nous pensons que le bon indicateur n’est pas “combien de tokens on consomme”, mais :

  • combien de décisions sont accélérées,
  • combien d’erreurs sont évitées,
  • combien de temps est réalloué vers des tâches à forte valeur.
La meilleure IA n’est pas celle qui “parle le mieux”. C’est celle qui s’insère dans un système de travail, avec des garde-fous, des métriques, et des responsabilités claires.

Checklist simple pour éviter le mur du réel

Avant de déployer l’IA “à grande échelle”, une entreprise devrait pouvoir répondre clairement à :

1. Quel processus précis est ciblé, et où se trouve la valeur ?
2. Quelles exceptions existent (les vrais cas tordus) ?
3. Qui supervise, qui arbitre, qui est responsable ?
4. Quelles données sont autorisées, traçables, à jour ?
5. Quel KPI business (pas “usage”) prouve le ROI ?
6. Quel plan de conduite du changement (formation, adoption, support) ?

Conclusion – L’IA n’attend pas : elle progresse. Le monde réel, lui, doit apprendre

Le discours de Daniela Amodei n’est ni alarmiste ni pessimiste. Il est lucide : l’IA peut continuer de progresser, mais son impact économique dépendra surtout de la vitesse à laquelle les organisations sauront l’intégrer.

L’exponentielle technologique ne s’arrête pas forcément sur un mur de compute. Elle peut buter longtemps sur un mur plus dur : le réel.