Les modèles d’intelligence artificielle générative produisent des textes, des images et du code à une vitesse que personne n’anticipait il y a cinq ans. Les annonces de nouvelles capacités se succèdent chaque mois, mais les limites de l’IA restent nombreuses. Certaines se sont même durcies récemment sous l’effet de la réglementation européenne et des retours de terrain dans des domaines critiques comme la médecine.
AI Act et usages interdits : les limites réglementaires de l’IA en Europe
La plupart des analyses sur les limites de l’intelligence artificielle se concentrent sur les failles techniques (biais, hallucinations, absence de raisonnement). Elles passent souvent à côté d’un fait récent : depuis le 2 février 2025, plusieurs catégories d’usages de l’IA sont devenues illégales dans l’Union européenne.
Lire également : C'est quoi un LLM en IA ?
L’AI Act, le règlement européen sur l’intelligence artificielle, a instauré des interdictions strictes qui s’appliquent indépendamment de la maturité technique des modèles. Autrement dit, même si un système fonctionne, son déploiement peut être juridiquement impossible en Europe.
Les usages désormais prohibés incluent :
A découvrir également : Quel est le principal avantage d’une blockchain publique par rapport à une blockchain privée ?
- La notation sociale généralisée, c’est-à-dire l’attribution d’un score de comportement aux citoyens sur le modèle de certains dispositifs asiatiques.
- La prédiction du risque criminel à partir de profils individuels, sans lien avec une enquête en cours.
- L’inférence des émotions au travail ou à l’école, par exemple via l’analyse faciale des salariés ou des élèves.
- La catégorisation biométrique fondée sur la race, les opinions politiques, la religion ou l’orientation sexuelle.
- La création de bases de données de reconnaissance faciale par scraping massif d’images en ligne.
Ces interdictions ne relèvent pas d’un principe de précaution flou. Elles tracent une frontière nette entre ce que l’IA sait faire techniquement et ce qu’elle a le droit de faire dans l’espace européen. Pour les entreprises qui développent ou intègrent des modèles, cette limite réglementaire pèse autant que les limites techniques.
Faux positifs en médecine : quand la sensibilité de l’IA devient un problème
L’utilisation de l’intelligence artificielle en santé est souvent présentée comme l’un de ses cas d’usage les plus prometteurs. Les données de terrain nuancent ce tableau.
En endoscopie digestive, une méta-analyse portant sur 14 études a comparé la détection de lésions par des algorithmes d’IA et par des praticiens humains. Les résultats montrent que l’IA détecte davantage de lésions que la lecture humaine, avec une sensibilité supérieure.
Le problème se situe sur l’autre versant : la spécificité. L’IA génère sensiblement plus de faux positifs que le praticien. En clair, elle signale comme suspectes des zones qui ne le sont pas, ce qui entraîne des examens complémentaires inutiles, du stress pour les patients, et une charge de travail supplémentaire pour les équipes médicales.
Ce cas illustre une limite structurelle. Un modèle plus sensible n’est pas automatiquement plus fiable. Dans un contexte médical, la fiabilité dépend de l’équilibre entre détection et précision. Un outil qui sonne l’alarme trop souvent finit par être ignoré ou par dégrader le parcours de soin. Certains services considèrent l’IA comme un filet de sécurité utile, d’autres estiment que le volume de faux positifs annule le bénéfice de la détection accrue.
Données d’entraînement et hallucinations : des limites techniques toujours sans solution
Les modèles de langage fonctionnent par prédiction statistique du mot suivant. Ils ne comprennent pas le sens de ce qu’ils produisent. Cette architecture explique deux limites qui persistent malgré les améliorations successives des modèles.
La qualité des données conditionne tout le reste
Un modèle entraîné sur des données biaisées, incomplètes ou obsolètes reproduira ces défauts dans ses résultats. Le principe est simple : si les données d’entraînement sont faussées, les résultats le seront aussi. Aucune couche de post-traitement ne compense un jeu de données de mauvaise qualité. Les biais algorithmiques qui en découlent (sous-représentation de certaines populations, stéréotypes de genre dans les recrutements automatisés) ne sont pas des bugs ponctuels mais des propriétés structurelles du modèle.
Les hallucinations restent imprévisibles
Les modèles génératifs inventent parfois des faits, des citations ou des références avec un aplomb qui les rend difficiles à distinguer d’informations vérifiées. Ce phénomène, appelé hallucination, n’a pas disparu avec les dernières générations de modèles. Il a diminué en fréquence, mais aucun éditeur ne garantit l’absence totale d’hallucinations dans les réponses produites.
Pour les usages professionnels où l’exactitude est non négociable (droit, finance, santé, journalisme), cette limite impose une vérification humaine systématique. L’IA accélère la production, mais elle ne supprime pas le travail de contrôle.
Coût énergétique et limites environnementales de l’IA
L’entraînement et l’exploitation des grands modèles de langage consomment des quantités considérables d’électricité et d’eau pour le refroidissement des centres de données. Cette consommation croît avec la taille des modèles et le volume de requêtes.
La question environnementale constitue une limite d’un genre différent. Elle ne porte pas sur ce que l’IA sait ou ne sait pas faire, mais sur la soutenabilité de son déploiement à grande échelle. Les nouveaux centres de données nécessaires pour répondre à la demande en calcul IA entrent en concurrence directe avec les objectifs de réduction des émissions carbone que l’Europe s’est fixés.
Les données disponibles ne permettent pas de conclure avec précision sur l’empreinte carbone totale de l’IA à l’échelle mondiale, car les principaux acteurs du secteur ne publient pas de bilan complet. En revanche, la tendance est claire : chaque nouvelle génération de modèle est plus gourmande que la précédente, et les gains d’efficacité énergétique ne compensent pas l’augmentation du volume de calcul.
Absence de raisonnement et d’autonomie réelle
L’intelligence artificielle actuelle ne raisonne pas au sens humain du terme. Elle identifie des corrélations statistiques dans ses données d’entraînement et produit des réponses qui paraissent cohérentes. Face à une situation véritablement inédite, sans précédent dans ses données, un modèle ne peut ni improviser ni faire preuve de bon sens.
Cette absence d’autonomie cognitive signifie que l’IA reste un outil qui amplifie les capacités humaines sans les remplacer. Elle ne prend pas d’initiative, ne fixe pas d’objectif, ne remet pas en question une consigne absurde. La supervision humaine n’est pas un luxe ou une précaution temporaire : c’est une condition de fonctionnement.
Les limites de l’intelligence artificielle ne se réduisent donc pas à une liste de défauts techniques en attente de correction. Certaines sont juridiques et volontaires, comme les interdictions de l’AI Act. D’autres sont structurelles, liées à l’architecture même des modèles statistiques. D’autres encore relèvent de la physique, avec un coût énergétique qui pose la question de l’échelle. Prendre la mesure de ces limites reste le préalable à toute utilisation sérieuse de ces technologies.
