Par Marty Hart-Landsberg
L’intelligence artificielle (IA) recouvre un large éventail de technologies. Mais une seule domine l’actualité et les marchés financiers: les systèmes d’IA générative multimodale développés par les grandes entreprises technologiques, en particulier ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Grok (SpaceXAI), Copilot (Microsoft) et Llama (Meta).
Les leaders du secteur technologique misent tous sur ce type d’IA en raison de son potentiel à leur assurer une grande richesse et un pouvoir politique considérable. Il s’agit également du type d’IA qui menace le plus notre bien-être, bien que ce ne soit pas pour les raisons généralement mises en avant par les dirigeants du secteur et les médias.
La naissance de l’offensive de l’IA
L’offensive de l’IA a débuté avec la sortie de ChatGPT par OpenAI (Sam Altman) en novembre 2022. Ce modèle a connu un immense succès et, comme on pouvait s’y attendre, d’autres entreprises ont rapidement emboîté le pas en proposant leurs propres modèles concurrents.
Toutes les déclarations des dirigeants du secteur technologique affirmaient, d’une manière ou d’une autre, que ces systèmes génératifs basés sur de grands modèles linguistiques (LLM-Large Language Model) conduiraient, d’ici quelques années à peine, à l’avènement d’une intelligence artificielle générale ou d’une superintelligence – des systèmes d’IA si intelligents qu’ils seraient capables de s’améliorer en permanence, menant à une situation de singularité, après quoi ces systèmes résoudraient tous nos problèmes ou détruiraient le monde.
Mais la vérité est que ces systèmes ne sont pas «intelligents» et ne constituent pas une avancée significative vers quelque forme de superintelligence que ce soit.
À leur niveau le plus élémentaire, ces systèmes sont d’énormes machines de prédiction statistique qui s’appuient sur la reconnaissance de structures/modèles à grande échelle. Ces structures sont générées à partir de données d’entraînement saisies, qui doivent d’abord être converties en jetons numériques [token, la plus petite unité de texte, d’image ou de son qu’un modèle de langage LLM traite et analyse] afin d’être lisibles par la machine. Les jetons sont ensuite traités par un réseau neuronal [réseaux de neurones artificiels généralement optimisés par des méthodes d’apprentissage de type probabiliste] qui permet aux systèmes de traiter les données.
Lorsqu’on leur pose une question ou qu’on leur demande des informations, ces systèmes identifient les éléments pertinents dans leur base de données et élaborent une réponse qui, d’un point de vue probabiliste, répond le mieux à la demande. La réponse, formulée sous forme de jetons (token), est ensuite retranscrite en mots, en images ou en sons, selon le cas. En d’autres termes, aussi conversationnels [au sens de technologie qui permet aux logiciels de comprendre et de répondre aux conversations humaines] et intelligents que ces systèmes puissent paraître, ils ne «pensent» pas et ne «raisonnent» pas.
Non seulement cette architecture interne est incapable de donner naissance à une intelligence artificielle générale, mais elle souffre également de limites qui rendent problématique l’utilisation actuelle des systèmes multimodaux [capacité d’un système à traiter ou à générer plusieurs types d’information, texte, images, son]. L’une de ces limites réside dans le fait que ces systèmes ont tendance à générer des résultats qui amplifient les préjugés sociaux existants. Cela s’explique par le fait que la plupart des données utilisées pour l’entraînement sont extraites du Web, qui contient tous les contenus discriminatoires et haineux diffusés.
De nombreuses études ont montré comment l’IA utilisée dans les logiciels de recherche d’emploi peut discriminer les candidats issus de minorités ethniques. Ou encore que les logiciels de génération d’images produisent des images qui renforcent les préjugés culturels. Imaginez le danger si nous intégrions ces systèmes dans nos systèmes de santé, nos administrations, nos établissements scolaires, etc.
Une autre limite, sans doute plus préoccupante pour les entreprises, réside dans le fait que les systèmes multimodaux, en raison de leur prise de décision fondée sur la probabilité, ont régulièrement tendance à «halluciner» ou à produire ce que l’on appelle des «réponses construites de manière erronée». Là encore, les exemples de ce phénomène sont nombreux. Ce manque de fiabilité est un frein majeur pour les entreprises qui ne peuvent se permettre de voir leurs opérations dépendre de systèmes produisant périodiquement des résultats inattendus et potentiellement préjudiciables – c’est-à-dire coûteux.
Les leaders du secteur technologique ont largement ignoré ces limites, affirmant qu’elles seraient surmontées grâce à des ensembles de données plus important, à un meilleur apprentissage des modèles, à des algorithmes plus sophistiqués et à une puissance de calcul accrue. Mais leurs efforts n’ont pas porté leurs fruits. En effet, comme l’a rapporté le New York Times: «Les technologies les plus récentes et les plus puissantes […] génèrent davantage d’erreurs, et non moins.» («A.I. Is Getting More Powerful, but Its Hallucinations Are Getting Worse», par Cade Metz et Karen Weise, 5 mai 2025)
Et l’expérience des entreprises avec ces modèles reflète ces limites. Une évaluation réalisée en 2025 par le MIT Media Lab portant sur des centaines de cas d’adoption de l’IA a révélé «que 95% des organisations utilisant des systèmes d’IA n’en tirent aucun bénéfice» (Forbes, 22 août 2025). Une récente enquête du National Bureau of Economic Research menée auprès de hauts dirigeants aux États-Unis, au Royaume-Uni, en Allemagne et en Australie a révélé que «les entreprises font état d’un impact négligeable de l’IA au cours des trois dernières années, plus de 80% d’entre elles déclarant qu’elle n’a eu aucun impact ni sur l’emploi ni sur la productivité» (NBER, «Firm Data on AI», working paper, mars 2026).
Une crise grandissante pour les développeurs d’IA
Malgré leurs déclarations pleines d’assurance, les développeurs d’IA se trouvent dans une impasse. Les deux leaders du secteur, OpenAI et Anthropic [Dario Amodei], qui représentent à eux deux «la grande majorité de la demande totale en puissance de calcul pour l’IA», n’ont toujours pas réalisé de bénéfices. La raison est simple: leurs modèles sont coûteux à entraîner et à faire fonctionner, mais pour encourager les entreprises à les utiliser, ils ont proposé à leurs clients des services d’abonnement forfaitaires gratuits ou fortement subventionnés. En conséquence, comme l’a formulé un analyste du secteur, les fournisseurs d’IA «dilapident leurs liquidités».
Sam Altman, PDG d’OpenAI, a reconnu que même le compte «pro» le plus cher de l’entreprise, à 200 dollars par mois, était déficitaire en raison des coûts de calcul élevés liés à l’exploitation de ChatGPT. Anthropic n’échappe pas à cette règle. Selon un analyste, ses abonnés dépensent environ 8 dollars en coûts de calcul pour chaque dollar versé au titre de l’abonnement.
Il n’est donc pas surprenant que ChatGPT ait enregistré une perte de 5 milliards de dollars en 2024 et de 35 milliards de dollars en 2025. Les prévisions font état de pertes encore plus importantes en 2026. Anthropic s’engage sur la même voie. [Le Financial Times du 5 octobre écrit: «Ces derniers mois, les investisseurs ont exigé une prime de risque plus élevée pour prêter aux entreprises technologiques qui injectent des milliers de milliards de dollars dans le développement de modèles d’IA sophistiqués, alimentés par la crainte que leurs investissements en capital considérables ne se traduisent pas par des activités rentables à long terme. Une grande partie de cette vague d’emprunts servira à financer l’acquisition de puces de pointe dont le prix ne cesse d’augmenter de jour en jour.»]
Ainsi, confrontées à des pertes sans cesse croissantes, OpenAI et Anthropic ont commencé à facturer leurs gros clients en fonction de leur utilisation réelle de jetons. Mais voici le problème: il est impossible pour quiconque de connaître, voire de prévoir, ex ante, la consommation de jetons associée à une quelconque instruction donnée à l’IA.
En effet, les systèmes d’IA explorent souvent plusieurs pistes de recherche avant de générer une réponse, et chaque piste peut impliquer une consommation importante de jetons. Il en résulte que les entreprises voient leurs dépenses en IA monter en flèche et leur réaction ne s’est pas fait attendre: elles ont ordonné une réduction drastique de l’utilisation de l’IA. Ainsi, ce changement n’a guère contribué à résoudre le problème de la rentabilité de l’IA.
En bref, nous sommes loin d’un monde de superintelligence et de domination de l’IA.
Les agents IA
Au début de cette année, les développeurs d’IA ont commencé à penser qu’ils avaient trouvé la réponse à leurs problèmes de rentabilité: les «agents IA» [IA agentique, système logiciel autonome piloté par l’IA qui peut prendre des décisions et utiliser des outils sans intervention humaine constante]. Ces agents, disait-on, allaient révolutionner les opérations commerciales en permettant aux entreprises d’augmenter leur production tout en réduisant considérablement leurs effectifs. Et comme ces agents dépendent de grands modèles linguistiques pour fonctionner, leur utilisation garantirait un avenir rentable aux principaux développeurs d’IA.
Soudain, les discours sur un avenir d’abondance pour tous ont cédé la place à ceux d’une «apocalypse de l’emploi». Cependant, les entreprises ont rapidement découvert que l’utilité des agents IA avait également été largement surestimée.
En bref, les agents IA s’apparentent avant tout à des systèmes logiciels complexes capables d’interagir avec d’autres systèmes logiciels et des bases de données externes, et de les manipuler. On peut leur confier une directive complexe, qu’ils décomposent en tâches ordonnées plus petites, recueillent les informations requises, puis, en s’appuyant sur le travail d’un grand modèle linguistique, prennent progressivement les décisions nécessaires pour répondre à cette directive, le tout sans intervention ni supervision humaine successive.
Anthropic et OpenAI ont été les premiers à développer des agents, mais d’autres entreprises leur ont rapidement emboîté le pas, dont beaucoup ne sont pas elles-mêmes actives dans le secteur de l’IA. Il existe désormais de nombreux produits basés sur des agents sur le marché, des agents adaptés à la profession juridique, au secteur financier, au commerce électronique, etc.
Pour illustrer les nombreuses lacunes de ces agents, le Financial Times a rapporté (le 10 mars 2026) qu’Amazon avait subi plusieurs «pannes» causées par des agents au début de l’année 2026. Dans un cas précis, cela «a mis hors service le site web et l’application d’Amazon, empêchant les clients de passer commande». Une étude majeure menée par des chercheurs de Microsoft, de Nvidia et de l’université de Californie à Riverside a révélé que la plupart des agents étaient incapables de mener à bien les tâches qui leur étaient assignées. Selon cette étude, «le taux moyen de réussite s’élevait à environ 30%» (404 Media Podcast, 2 juin 2026).
L’une des principales raisons de ces mauvaises performances réside dans le fait que, les agents IA devant fonctionner de concert avec des systèmes multimodaux, leur travail est souvent compromis par les mêmes limites qui affectent ces systèmes, notamment les hallucinations.
Plus inquiétant encore, on observe un nombre croissant d’incidents au cours desquels les agents mènent des actions qui ne respectent pas les protocoles de l’entreprise ou, comme on le dit couramment, «se rebellent». Il s’agit notamment de la suppression de données et de la divulgation de secrets d’entreprise, après avoir décidé que c’était là le moyen le plus efficace d’accomplir la tâche qui leur avait été confiée. En effet, comme l’a révélé l’étude mentionnée précédemment, ces agents ont une «tendance inhérente à poursuivre les objectifs définis par l’utilisateur, sans tenir compte de la faisabilité, de la sécurité, de la fiabilité ou du contexte».
À cela s’ajoutent les enjeux financiers, qui constituent peut-être la plus grande menace pour l’adoption généralisée des agents IA. Les développeurs d’IA facturent désormais leurs clients professionnels en fonction de l’utilisation de jetons – et les agents IA sont de véritables «gloutons de jetons» en raison de la multitude de boucles complexes et de décisions qu’ils doivent prendre. Ainsi, Uber, qui utilise le Claude Code d’Anthropic, a épuisé l’intégralité de son budget 2026 consacré aux outils de codage IA en seulement quatre mois.
En bref, nous ne sommes pas à l’aube d’une apocalypse de l’emploi provoquée par les agents.
Mais il existe des dangers
Tout cela ne signifie pas pour autant que nous n’ayons rien à craindre en laissant l’expérience de l’IA se poursuivre sans contrôle.
Premièrement, les dépenses massives consacrées aux infrastructures d’IA – centres de données et équipements et logiciels associés – détournent des fonds d’autres domaines qui en ont besoin et alimentent une bulle spéculative sur le marché, alimentée par l’engouement pour l’IA. Aux États-Unis, les dépenses d’investissement annuelles liées à l’IA des quatre plus grandes entreprises technologiques – Alphabet (société mère de Google), Amazon (Jeff Bezos), Meta (Mark Zuckerbeg) et Microsoft (PDG depuis 2024 Satya Nadella) – sont passées de 150 milliards de dollars en 2022 à 360 milliards en 2025, pour atteindre, selon les estimations, 650 milliards cette année.
Cette hausse des dépenses est si importante que même ces géants de l’hyper-échelle/hyperscale [dont l’architecture informatique leur permet de s’adapter fortement et très rapidement pour répondre à une montée très forte de la demande en données, en puissance de calcul, en trafic – cela renvoie au cloud computing] jugent nécessaire d’emprunter de l’argent pour la financer. Mais le problème réside dans le fait que ces investissements ne deviendront rentables que si OpenAI et Anthropic, qui représentent environ 80% du chiffre d’affaires total de l’IA, disposent des fonds nécessaires pour payer la puissance de calcul qui en résulte. Or, comme OpenAI et Anthropic sont toutes deux déficitaires et s’endettent de plus en plus, il existe un risque réel qu’elles ne soient pas en mesure d’honorer leurs paiements. Si cela se produit, les hyperscalers se retrouveront dans une impasse et toute la bulle de l’IA s’effondrera, entraînant une récession dans son sillage.
Il existe toutefois une raison plus immédiate pour laquelle nous devons résister à l’offensive de l’IA. Les entreprises spécialisées dans l’IA imposent de manière agressive leurs systèmes à divers secteurs d’activité et organismes publics, avec des conséquences désastreuses pour les travailleurs et travailleuses. Dans tous les cas, leur objectif est de réduire les coûts de production en limitant l’action humaine, sans se soucier guère du bien-être de ceux qui utilisent les biens et services produits.
En voici deux exemples. Le premier concerne les soins de santé, et plus précisément la santé mentale. Deux entreprises du secteur de la santé ont développé ce qu’elles appellent le chatbot «PatientGPT». Il est conçu pour répondre aux appels de personnes recherchant un soutien en matière de santé mentale. Le chatbot vous posera des questions, puis décidera de ce dont vous avez besoin: un rendez-vous à une date ultérieure avec un thérapeute ou une prise en charge d’urgence.
Ce chatbot a été entraîné à partir de conversations préalablement enregistrées entre des médecins et des patient·e·s. Il ne faut pas longtemps pour imaginer certains des nombreux problèmes auxquels on peut s’attendre. Malheureusement, des études ont montré que l’IA commet souvent des erreurs lors de l’enregistrement de ces conversations, ce qui peut fausser sa propre prise de décision.
Nous savons également que ces systèmes reproduisent les préjugés sociaux existants, ce qui pourrait bien influencer l’évaluation par le système des problèmes de santé mentale des patient·e·s. Et les hallucinations pourraient bien conduire à une interprétation erronée ou à un diagnostic erroné des problèmes des patient·e·s, ce qui pourrait entraîner des erreurs mettant la vie en danger.
Pour les professionnels, cela se traduit par une réduction du nombre de thérapeutes et par des défis accrus pour ceux qui restent, car ils doivent aider des patients en situation de crise qui ont peut-être fait l’objet d’un diagnostic erroné ou dont le traitement nécessaire a été retardé. Certaines entreprises s’efforcent désormais activement d’aller plus loin et de développer des agents capables de mener une véritable thérapie.
Viennent ensuite les organismes publics. Aux États-Unis, plusieurs États utilisent désormais des agents IA pour gérer leurs programmes de protection sociale. À mesure que ces agents IA remplacent les fonctionnaires, bon nombre de ceux qui sollicitent les services dont ils ont besoin sont confrontés à des problèmes similaires à ceux rencontrés dans le secteur de la santé.
En d’autres termes, il faut s’attendre à des erreurs dans l’enregistrement des informations et à des «hallucinations» lors de la formulation des réponses. Non seulement des personnes se verront injustement refuser des prestations, mais une fois que ces erreurs feront partie du dossier d’une personne, les corrections seront difficiles et longues à effectuer.
Il existe d’innombrables autres exemples de l’utilisation croissante de l’IA dans les rédactions, les écoles et, bien sûr, l’armée. Une résistance face à cette offensive de l’IA s’impose clairement. Et cette résistance devra s’appuyer sur une force développée grâce à une organisation solide et à la création d’alliances.
Résistance
Aux États-Unis, les syndicats, en particulier dans le secteur de la santé, prennent très au sérieux cette offensive de l’IA et explorent de nombreuses voies pour y résister ou en limiter l’utilisation.
Kaiser Permanente est un important prestataire de soins de santé présent dans plusieurs États. En mars 2026, quelque 2400 professionnels de la santé mentale, salariés syndiqués de Kaiser, en Californie du Nord, ont mené une grève d’une journée pour protester contre «les efforts de Kaiser visant à remplacer les soins de santé mentale dispensés par des humains par l’intelligence artificielle». Il est significatif que les grévistes aient été rejoints par 23’000 infirmiers diplômés d’État qui partageaient leurs inquiétudes concernant l’utilisation croissante de l’IA par Kaiser.
Dans l’Oregon, l’Oregon Health & Science University (OHSU), le seul centre de santé universitaire public de l’État, a rapidement intensifié son recours à l’IA sans en informer ni consulter ses salarié·e·s syndiqués. L’un des syndicats, le plus important, a commencé à mener une enquête auprès de ses adhérent·e·s afin de recenser toutes les façons dont l’IA est intégrée dans les activités de l’université et d’en suivre le taux d’erreur.
Le syndicat s’apprête à déposer une plainte pour pratiques déloyales auprès de l’État. Il souhaite que l’OHSU accepte d’associer les salarié·e·s à la mise en œuvre de l’IA, notamment en leur accordant plusieurs sièges au sein du comité de gouvernance de l’IA et en les impliquant dans le processus de retour d’information et de suivi des erreurs. Il souhaite également que l’OHSU informe le syndicat avant la mise en service de tout système d’IA et qu’elle impose des limites aux outils de surveillance.
Des mobilisations similaires ont lieu dans les rédactions, les établissements scolaires et les administrations publiques.
Or, bien qu’importantes, ces luttes restent largement défensives et cloisonnées par secteur, et souvent par employeur. À ce titre, elles ont peu de chances d’avoir le moyen de contrecarrer les efforts des entreprises visant à renforcer notre dépendance à l’égard de ces systèmes.
Dans le même temps, rien ne justifie qu’elles restent limitées, que ce soit dans leurs revendications ou dans leur vision. Grâce à une organisation créative et soutenue, elles peuvent devenir un puissant moteur du mouvement inclusif et de classe dont nous avons besoin pour défendre nos intérêts.
Voici trois mesures suggérées pour faire avancer le processus.
Nous devons créer des occasions permettant aux travailleurs et travailleuses syndiqués de différents lieux de travail et secteurs d’activité de partager leurs expériences sur la manière dont leurs employeurs cherchent à utiliser les systèmes d’IA, ainsi que sur les efforts déployés par leurs syndicats pour obtenir des dispositions contractuelles protégeant leurs droits. Ce type de partage peut stimuler une réflexion constructive sur les stratégies d’organisation et de négociation.
Plus important encore, cela peut aider les travailleurs et travailleuses à comprendre que l’adoption par les entreprises d’agents d’IA n’a pas grand-chose à voir avec l’amélioration de l’efficacité ou de la qualité des produits. Il s’agit plutôt d’une nouvelle arme dans une offensive de classe généralisée contre les travailleurs et travailleuses, dont l’objectif premier est de saper le pouvoir et le bien-être de ces derniers.
Une autre mesure consiste à encourager les syndicats à adopter, lorsque cela s’avère approprié, une stratégie de négociation intitulée «Négocier pour le bien commun». Les syndicats doivent trouver des moyens de faire part de leurs préoccupations concernant l’utilisation des agents d’IA aux membres de la communauté et d’obtenir leur soutien pour un ensemble de revendications élaborées conjointement, visant à imposer des restrictions à l’utilisation de ces systèmes.
Une telle démarche renforcerait non seulement les syndicats dans leurs négociations, mais elle pourrait également encourager de nouvelles visions de l’organisation sociale, tout en consolidant une compréhension de nature de classe des forces qui menacent le bien-être de la communauté.
Enfin, à mesure que le mouvement d’opposition à cette technologie prend de l’ampleur, les syndicats et les coalitions communautaires déjà mobilisés doivent nouer des liens avec le mouvement contre les centres de données. Jusqu’à présent, ces deux mouvements se sont largement développés sans grand lien entre eux, alors même qu’une alliance naturelle ne demande qu’à voir le jour. Une telle alliance pourrait servir de base solide pour construire le type de mouvement dont nous avons besoin afin d’affirmer le contrôle populaire sur le développement et l’utilisation continus de la technologie.
Il convient de souligner que nous ne devons pas considérer cela comme un mouvement anti-technologie ou anti-IA. L’IA, en tant que technologie au sens large, n’est pas plus ou moins notre problème que ne le sont les ordinateurs, Internet ou le courrier électronique. Le problème réside plutôt dans les intérêts de classe qui façonnent son développement.
Plus précisément, il réside dans la détermination des grands leaders/propriétaires du secteur technologique à développer une technologie d’IA spécifique qui sape l’autonomie humaine, renforce notre dépendance à leur égard et menace notre bien-être économique.
Le fait que nous assistions à une explosion de l’opposition à cette forme d’IA de la part des travailleurs, des consommateurs, des parents, des étudiants et des associations locales devrait nous donner des raisons d’être optimistes. Nous devons unifier et renforcer cette opposition, tout en élargissant sa vision. Il est temps pour nous de faire valoir nos propres intérêts de classe. (Publié par le site australien Green Left le 4 octobre 2026, texte de l’intervention de Martin Hart-Landsberg lors de la conférence Ecosocialisme 2026; traduction-édition rédaction A l’Encontre)
Martin Hart-Landsberg est professeur émérite d’économie au Lewis and Clark College, à Portland, dans l’Oregon. Il est l’auteur de divers ouvrages consacrés aux questions liées à la mondialisation et à l’économie politique de l’Asie de l’Est. Il préside Portland Rising, un comité de l’association Portland Jobs with Justice, ainsi que la section de l’Oregon de la National Writers Union.
Soyez le premier à commenter