Sarah Guo (Conviction) : pourquoi les LLM ne remplaceront pas le travail impossible à mesurer

Sarah Guo, fondatrice du fonds d'IA Conviction, a publié une analyse qui reformule la question centrale sur l'IA et le travail : non pas « l'IA remplacera-t-elle les humains », mais « quel travail précisément l'IA remplacera, et pourquoi pas tout ».

Où les LLM atteignent un plafond

Les modèles de langage n'apprennent que là où existe un signal d'entraînement clair. La bonne réponse à un problème de mathématiques, un code qui passe les tests, un diagnostic vérifiable : tout cela peut être annoté, évalué et donc appris. Mais Guo relève une limite structurelle : une vaste part du travail à forte valeur ne peut pas être standardisée ni mesurée avec une précision suffisante.

L'apprentissage par renforcement exige par définition une fonction de récompense, une note qui dit si le résultat est bon. Sans cette note, pas de signal d'amélioration. Ce n'est pas un problème temporaire que la prochaine version de GPT réglera. C'est une limite architecturale inhérente à la nature des modèles entraînables.

Quel travail reste aux humains

Guo distingue plusieurs catégories de travail qu'on ne peut pas transformer en dataset :

• Les décisions en situation d'incertitude : la bonne réponse n'est pas connue d'avance et le résultat n'apparaît que des années plus tard. L'investissement en capital-risque en est l'exemple classique.
• La construction de la confiance : entre personnes, entreprises, investisseurs. Les relations ne se numérisent pas et ne s'évaluent pas en temps réel.
• Le jugement sur des situations uniques : sans analogie historique, sans précédent. Chaque grand virage stratégique est unique.
• L'interprétation des signaux implicites : le ton lors d'une négociation, le contexte culturel, les attentes non dites du client.
• La création de nouveauté : des idées, des catégories de produits, des stratégies qui n'existaient pas encore. Le dataset correspondant est vide par définition.

Le point commun : pas d'annotation, pas de benchmark, aucun moyen de vérifier le résultat avec une précision suffisante pour l'entraînement.

Pourquoi l'Application Layer attire le capital-risque

C'est ce qui explique la logique de fonds comme Conviction (~300 millions de dollars sous gestion) et Mento VC : ils investissent systématiquement non pas dans les créateurs de modèles fondamentaux, mais dans des produits bâtis par-dessus.

Les modèles fondamentaux (GPT-5, Claude, Gemini) deviennent peu à peu des commodités. Ils se font concurrence, leurs capacités s'alignent et le coût d'accès à la qualité frontier baisse chaque trimestre. La valeur durable ne se crée pas dans le modèle lui-même, mais dans le contexte de son usage, dans ce qui manque aux modèles par nature.

L'Application Layer accumule précisément cela : l'expertise sectorielle, les données comportementales accumulées, des workflows impossibles à copier sans une connaissance approfondie du domaine, la confiance des clients et, surtout, le jugement humain là où l'automatisation est structurellement impossible.

« Il existe un travail qu'on ne peut ramener à un standard ni mesurer.

Si on ne peut pas le mesurer, on ne peut pas entraîner un modèle à mieux le faire ». Cette thèse de Guo est la clé pour comprendre quelles startups reçoivent du capital-risque et lesquelles n'en reçoivent pas.

Ce que cela signifie

L'argument de Guo donne aux investisseurs et aux fondateurs un filtre pratique. Les entreprises bâties sur des tâches mesurables, comme le traitement de documents, la génération de contenu à partir de modèles ou l'analyse de données de base, subissent la pression maximale des modèles eux-mêmes et peinent à justifier un avantage concurrentiel durable. Celles qui opèrent dans la zone de l'immesurable obtiennent un avantage structurel qui ne disparaîtra pas avec la prochaine version de GPT.

Pour les investisseurs, la question est simple : si la valeur d'un produit dépend entièrement de la qualité du modèle de base, c'est un investissement fragile. Si la valeur réside dans ce que le modèle ne peut pas reproduire par principe, c'est intéressant.