IA prédictive contre IA générative : pourquoi la prédiction peut gagner en 2027

Presque toute l'attention autour de l'IA se dirige vers les modèles génératifs, mais Eric Siegel regarde ailleurs et refuse d'adoucir son propos : la plupart des organisations devraient investir dans l'IA prédictive au moins autant que dans l'IA générative. À ses yeux, le déséquilibre actuel n'est pas une mode mais une erreur de portefeuille. Les projecteurs éclairent une technologie pendant que le travail rentable s'accomplit dans la cuisine d'une autre, et cet écart s'élargit chaque trimestre.

L'affirmation la plus visible figure dans le titre de la vidéo : l'IA prédictive dépassera la générative en 2027. L'animateur Geoff Nielson soumet cette prophétie à Siegel sans détour, et l'invité ne recule pas ; il explique avoir publié, à la parution de l'épisode, un article dans un magazine de dirigeants qui documente en chiffres comment l'investissement en capital-risque s'entasse sur le génératif. L'affirmation se présente donc comme la défense orale d'une thèse écrite, pas comme une boutade.

La vitrine surchargée et la cuisine sous-chargée

Connaître les protagonistes clarifie le tableau. Eric Siegel est connu pour son livre à succès sur l'analytique prédictive et pour The AI Playbook, publié sous le label MIT Press ; cet ouvrage de 256 pages paru en février 2024 soutient que le déploiement, et non la modélisation, constitue l'art rare du machine learning. Face à lui, l'animateur Geoff Nielson produit l'émission Digital Disruption au sein d'Info-Tech Research Group, au nom d'une équipe qui a accompagné des centaines d'organisations dans leur stratégie IA. Le livre publié chez MIT Press martèle la même idée : ce ne sont pas les modèles qui concourent, ce sont les mises en production.

La distinction tient en une phrase : l'IA générative rédige du contenu tandis que l'IA prédictive inscrit un chiffre sur chaque dossier. Un modèle prédictif ne termine pas un e-mail ; il score et classe chaque transaction, chaque client, chaque demande. Laquelle est frauduleuse, qui s'apprête à partir, qui paiera sa facture : chaque question reçoit un score de probabilité , et l'entreprise décide d'après ce score. L'une raconte des histoires, l'autre distribue les cotes.

Siegel adopte un ton presque joyeux pour expliquer le mécanisme, décrivant l'apprentissage lui-même comme un miracle doublement surprenant. Le concept s'appelle l'induction : dériver d'échantillons limités des généralisations valables pour des situations inédites. Des millions de lignes d'entraînement restent un minuscule échantillon face à tout ce que le monde peut présenter ; pourtant le modèle produit sur des cas jamais vus des affirmations qui se révèlent vraies. Pour l'orateur, telle est exactement la magie de l'apprentissage par les données, découverte bien avant les modèles génératifs.

Pourquoi tout le monde court vers le génératif

Si le vrai argent est dans la cuisine, pourquoi la foule se presse-t-elle devant la vitrine ? La réponse de Siegel comporte deux couches : l'économie de l'attention et l'économie de l'argent. Les démos génératives sont spectaculaires ; elles offrent un tour de magie que chacun peut essayer, tandis que la sortie d'un modèle prédictif n'est qu'un score discret sur un tableau de bord. Siegel défend ce déséquilibre en chiffres dans sa chronique Forbes : pendant que l'IA générative accapare les gros titres, les projets prédictifs se multiplient silencieusement dans les directions informatiques et rivalisent à armes égales en nombre de projets. Spectaculaire n'est pas synonyme de précieux.

La critique se durcit à mesure que l'échange avance. Siegel affirme que le déluge de promesses miracles a une raison : ces promesses rapportent beaucoup d'argent à certains, gonflent les valorisations et enrichissent les marchands de battage. La blague selon laquelle les critiques du battage paraissent intelligents pendant que ses promoteurs s'enrichissent sonne comme une observation amère. Dans son entretien avec The CTO Club, Siegel critique le battage génératif en termes encore plus crus et exhorte les institutions à ne pas se laisser séduire par les projets de vitrine.

Le cadre des trois questions

La section la plus utile réduit un projet prédictif à trois questions : que prédit-on, avec quelle précision, et que fait-on du résultat. La prédiction et l'action définissent ensemble le projet : quel client partira, pour lui adresser une offre de fidélisation ; quelle transaction semble frauduleuse, pour l'envoyer en révision ; quelle batterie de puits faiblira, pour inspecter le satellite. La troisième question, la précision, calibre les attentes ; le modèle n'est pas un oracle, il distribue des probabilités, et l'entreprise doit apprendre à les jouer.

Les exemples abondent car la liste forme une traîne presque infinie. Le marketing, la gestion des risques et la détection de fraude sont les trois escales les plus anciennes ; la modélisation de l'attrition les rejoint comme un classique à part. Personne ne peut distribuer un coupon de réduction à toute la base clients ; la réponse consiste à scorer le groupe le plus susceptible de partir et à y concentrer l'intervention. La même logique vaut pour les demandes de crédit, les sinistres d'assurance et la maintenance ; chaque prédiction s'attache à une action.

L'échelle se mesure avec des données de marché. Le cabinet BCC Research évalue le marché mondial de l'analytique prédictive à 11,1 milliards de dollars en 2022 et le projette à 23,9 milliards en 2027, avec une croissance annuelle composée de 16,5 pour cent. Même si l'objectif 2029 du même cabinet pour l'IA globale se situe au niveau du billion de dollars, la croissance à deux chiffres du segment prédictif prouve que la cuisine possède un moteur indépendant de la vitrine.

Le déploiement est un métier de conseil

La phrase la plus citée de Siegel arrive ici : produire de la valeur est une mission de conseil, pas une installation technique. Parce que les projets prédictifs touchent le coeur des opérations à grande échelle, modélisateurs et métiers doivent s'asseoir à la même table et parler la même langue. Chacun a besoin d'une compréhension semi-technique ; sinon le modèle brille au laboratoire et prend la poussière sur le terrain. L'équipe projet écrit donc davantage d'alignement que de code : à quel seuil intervenir, qui en répond, comment mesurer le succès.

L'exemple de l'équipe antifraude donne chair au principe abstrait. Le modèle inscrit une probabilité de fraude sur chaque transaction et sa performance se mesure ; mais ce chiffre ne dicte jamais s'il faut réduire ou agrandir l'équipe. Peut-être l'équipe rétrécit et économise, peut-être elle grandit et gagne davantage en attrapant plus de fraudes. Les chiffres éclairent le choix sans l'ordonner. L'arithmétique appartient à la technologie, la décision à l'entreprise, et le pont entre les deux est exactement ce travail de conseil.

Le piège de l'outil universel et l'énigme de la productivité

L'IA générative est-elle donc sans valeur ? Siegel se montre équitable et rend justice à l'outil universel : de même qu'un bâtiment a besoin d'assez d'ordinateurs, chacun profite d'un puissant instrument de production à portée de main. Mais l'avertissement suit aussitôt : quand on n'a qu'un marteau, tout ressemble à un clou, et l'organisation devient une fête du marteau. Précipiter chaque problème vers un modèle génératif, sans jamais penser aux cas d'usage représentatifs, c'est vénérer la boîte à outils. Les outils sont généraux ; les propositions de valeur sont toujours spécifiques.

Le débat sur la valeur se durcit avec les données. L'étude du MIT relayée par Fortune révèle que 95 pour cent des pilotes d'IA générative ne produisent aucune croissance mesurable des revenus ; seuls 5 pour cent environ atteignent une accélération rapide. La même recherche indique que l'achat auprès de vendeurs spécialisés et les partenariats réussissent à près de 67 pour cent, tandis que les constructions internes restent proches du tiers. La plupart des projets de vitrine restent des vitrines ; la minorité qui atteint la cuisine y arrive généralement avec une recette extérieure.

Le paradoxe de la productivité est l'étape la plus philosophique de l'échange. Mesure-t-on mal, ou la valeur manque-t-elle vraiment ? Siegel ne cache pas son intuition : peut-être 5 pour cent de la valeur claironnée est réelle, le reste un voeu inscrit dans les valorisations. De fraîches enquêtes de dirigeants confirment le soupçon : le cabinet EY, dans son enquête d'octobre 2026, rapporte que la moitié des dirigeants citent l'IA comme première source de gains de productivité, mais que 23 pour cent peinent à convertir ces gains en résultats financiers. Seuls 16 pour cent déclarent voir le retour sur investissement de l'IA clairement et en temps réel.

Une note sur l'hôte s'impose aussi : les ateliers de stratégie IA d'Info-Tech sont présentés en milieu d'épisode comme un produit de conseil promettant de combler exactement ce fossé. Le publireportage occupe une petite tranche de l'épisode et n'oriente pas l'ensemble du contenu ; l'auditeur doit néanmoins distinguer la conversation de la vente. En aparté de narrateur : l'idée d'atelier répond à un besoin réel, mais c'est cet épisode qui nomme ce besoin.

Le tableau final se forme à l'intersection de deux études. Les données du MIT chiffrent le coût de l'entêtement à tout construire en interne, tandis que celles d'EY mesurent le déficit de compétences : 72 pour cent des dirigeants s'attendent à une pénurie croissante de talents, et 47 pour cent jugent que leurs équipes ne se forment pas assez vite. Les organisations jouent donc le mauvais panier tout en manquant de l'artisanat du bon. La prescription de Siegel converge ici : connaissez les cas d'usage représentatifs, posez les trois questions, ne modélisez jamais sans serrer la main du métier, et mesurez le succès au travail déployé.

La phrase de clôture renoue avec l'accroche d'ouverture et retourne la table. Aujourd'hui le génératif capte la part du lion de l'attention et de l'investissement ; pourtant la majorité silencieuse des projets, des marchés et des cas documentés croît du côté prédictif. Lisez 2027 non comme une prophétie de calendrier mais comme un avertissement de portefeuille : l'écart entre vitrine et cuisine se refermera, et les gagnants seront ceux qui auront appris à câbler les scores de probabilité dans les opérations. La thèse subversive de Siegel semble destructrice à première écoute ; à la seconde, elle ressemble au bon sens.