Habr : l'IA a rendu les prévisions bon marché, mais leur vérification coûte toujours des heures de travail humain

Un rapport sur une vulnérabilité inexistante s'écrit en quelques minutes pour quelques cents. Un mainteneur humain d'un projet open source, par exemple curl, doit passer des heures à le vérifier. L'auteur d'une analyse récente sur Habr reprend cette asymétrie d'un article voisin consacré au code et l'applique à une autre marchandise : les prévisions sur l'IA. Sa thèse : la prochaine ligne de la facture de l'IA ne sera pas pour le code, mais pour les prédictions qui l'entourent.

D'où vient le déséquilibre

L'article de départ montre que le code a un coût d'écriture et un coût de possession, et que les deux ont divergé. L'auteur du nouveau texte indique explicitement qu'il emprunte sa comptabilité à cet article. Il souligne à part l'honnêteté du premier auteur dans son traitement des sources, en particulier des rapports de Veracode. De son côté, il ajoute le transfert du mécanisme au discours public et promet de chiffrer le coût de possession sur deux projets anonymisés. Cette partie est masquée derrière le cut : on ne peut donc pas l'évaluer à partir de l'annonce.

Une réserve importante : on a toujours prévu à bas prix, de la science-fiction aux craintes de l'automatisation, bien avant les réseaux de neurones. Les modèles génératifs n'ont pas créé le genre. Ils ont supprimé le dernier poste de dépense, le coût de l'emballage. Une note chiffrée, au ton d'expert, peut désormais être produite à la chaîne pour quelques cents de tokens.

Où est l'ancrage d'une prévision

Dans les commentaires de l'article d'origine, certains objectaient que la vérification devenait elle aussi moins chère. Pour le code, c'est vrai. Il dispose d'un ancrage indépendant : compilateur, tests, exploit reproductible. La réponse ne dépend pas de l'avis du modèle.

Une prévision n'a pas d'ancrage de ce type. Aucun test n'échoue si ce qui était promis n'arrive pas. Et personne ne paie pour l'erreur. On peut donc produire à bas coût non seulement du texte, mais aussi de l'irresponsabilité. La vérification, elle, reste la même : retrouver la source primaire et établir qui a payé pour l'étude.

La comparaison des mécanismes en résumé :

• Création d'un rapport ou d'une prévision : minutes et quelques cents de tokens.
• Vérification : heures de travail d'un humain.
• Ancrage pour le code : tests et résultat reproductible.
• Ancrage pour la prévision : aucun, aucune sanction en cas d'erreur.
• Ce qu'il faut établir à la main : la source primaire et le commanditaire de l'étude.

Que faire

Pour les rédactions, les analystes et les investisseurs qui lisent des textes sur les « métiers en voie de disparition » et le « prochain bond », une discipline simple s'impose. Avant de citer un chiffre, il faut remonter à la source primaire et comprendre qui a financé le travail. Il convient ensuite de se demander si la prévision contient une condition vérifiable et une échéance. Si ce n'est pas le cas, c'est une opinion, pas une prévision. Il faut aussi signaler à part les textes dont le ton assuré ne s'appuie sur aucune référence à des données.

Il vaut mieux intégrer la responsabilité de la vérification au processus dès le départ, comme le font les projets déjà submergés par les rapports automatisés. Pour les mainteneurs, cela passe par des filtres et des exigences de reproductibilité. Pour les médias, par la règle de ne pas publier un chiffre sans source retrouvée.

Le texte a une limite. C'est une tribune d'auteur, pas une étude : la partie visible contient peu de données mesurables sur le coût de la vérification, et les exemples clés tirés des deux projets sont restés derrière le cut. Comme cadre de discussion sur la qualité de l'information autour de l'IA, il fonctionne. Comme preuve, il faudrait des chiffres qui ne sont pas encore visibles.