Sarah Guo de Conviction : pourquoi LLM ne remplacera pas le travail que l'on ne peut pas mesurer

Sarah Guo, fondatrice du fonds 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 gens ? », mais « qu'est-ce que l'IA remplacera exactement — et pourquoi pas tout ? »

Où les LLM atteignent leur limite

Les modèles de langage n'apprennent que là où il existe un signal d'apprentissage clair. Une réponse correcte à un problème mathématique, du code qui passe les tests, un diagnostic qui peut être vérifié — tout cela peut être étiqueté, évalué et donc appris. Mais Guo pointe une limitation structurelle : une énorme partie du travail précieux ne peut pas être standardisée ou mesurée avec une précision suffisante.

L'apprentissage par renforcement, par définition, nécessite une fonction de récompense — une évaluation de la qualité du résultat. S'il n'existe pas d'évaluation, il n'y a pas de signal pour s'améliorer. Ce n'est pas un problème temporaire que la prochaine version de GPT résoudra. C'est une limitation architecturale inhérente à la nature même des modèles entraînables.

Quel travail reste pour les gens

Guo identifie plusieurs catégories de travail qui ne peuvent pas être « transformées en ensemble de données » :

• Décisions dans l'incertitude — quand la bonne réponse est inconnue à l'avance, et le résultat est vu des années plus tard. Un investissement en capital-risque est l'exemple classique.
• Construire la confiance — entre les gens, les entreprises, les investisseurs. Les relations ne sont pas numérisées et ne sont pas évaluées en temps réel.
• Jugement sur des situations uniques — sans analogues historiques, sans précédent. Chaque grand pivot commercial est unique.
• Interpréter les signaux implicites — le ton dans les négociations, le contexte culturel, les attentes inexprimées des clients.
• Créer quelque chose de nouveau — des idées, des catégories de produits, des stratégies qui n'existaient pas auparavant. L'ensemble de données pour ceci est vide par définition.

Caractéristique commune : pas d'étiquettes, pas de référence, pas de moyen de vérifier le résultat avec une précision suffisante pour l'entraînement.

Pourquoi la

Application Layer reçoit du financement en capital-risque

Cela explique la logique qui guide des 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 les produits construits dessus. Les modèles fondamentaux — GPT-5, Claude, Gemini — deviennent progressivement des commodités. Ils concurrencent entre eux, leurs capacités s'équilibrent, le coût d'accès à la qualité frontière diminue chaque trimestre.

La valeur durable n'est pas créée dans le modèle lui-même, mais dans le contexte de son application — dans ce qui manque aux modèles par nature. La Application Layer accumule précisément cela : l'expertise du domaine, les données comportementales accumulées, les flux de travail qui ne peuvent pas être copiés sans une connaissance approfondie du domaine, la confiance des clients, et — surtout — le jugement humain où l'automatisation est structurellement impossible.

« Il y a du travail qui ne peut pas être réduit à une norme ou mesuré.

Si vous ne pouvez pas le mesurer, vous ne pouvez pas entraîner un modèle à le faire mieux » — dans cette thèse de Guo réside la clé pour comprendre quels startups reçoivent du financement en capital-risque et lesquels non.

Ce que cela signifie

L'argument de Guo donne aux investisseurs et aux fondateurs un filtre pratique. Les entreprises construites sur des tâches mesurables — traitement de documents, génération de contenu à partir de modèles, analyse de données basique — font face à une pression maximale des modèles eux-mêmes et ont du mal à expliquer un avantage concurrentiel durable. Ceux qui travaillent dans la zone de l'immesurable gagnent un avantage structural qui ne disparaîtra pas avec la prochaine version de GPT.

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