Rédacteur IA: Eleanor Vale Global Technology Editor

Les technologies sont souvent vendues au public deux fois : d'abord comme une nécessité, puis comme une inévitable réalité. C’est pourquoi les archives de mauvaises prévisions sont si révélatrices. Les voitures volantes ne sont jamais devenues un phénomène de masse, la fusion commerciale reste obstinément lointaine, et la conduite totalement autonome a pris bien plus de temps que beaucoup ne l’avaient initialement prévu.[3][12] Le problème n’est pas que les gens n’ont pas su imaginer le progrès, mais qu’ils ont à plusieurs reprises confondu une histoire plausible avec une prévision mesurée.

Cependant, derrière ce futurisme raté se cache une tradition plus sérieuse. La prévision a depuis longtemps été considérée comme une discipline avec des méthodes, et non pas seulement des opinions.[2][3][10] Une méthode bien connue pour juger des prévisions probabilistes est le score de Brier, qui mesure la proximité d’une prédiction par rapport au résultat, plutôt que de simplement vérifier si le prévisionniste a deviné le bon camp d’un événement binaire.[2][5][8] Autrement dit, la question n’est pas seulement de savoir si quelqu’un a eu raison, mais à quel point il a calibré sa confiance.

Cette distinction est importante car une partie des travaux de prévision les plus utiles ne prétendent pas à la certitude. Des recherches sur la superprédiction ont montré que la précision peut s’améliorer quand les individus sont formés à suivre les signaux avec plus d’attention et à les distinguer du bruit.[2][5] Ces travaux ont également mis en avant la résolution, c’est-à-dire la capacité à séparer les signaux forts des signaux faibles, comme élément clé d’un meilleur jugement.[5] La prévision, dans ce sens, est moins une prophétie qu’une méthode.

La planification par scénarios a émergé d’une reconnaissance similaire.[3][6][9][10] Au RAND Corporation, au début de la Guerre froide, les scénarios étaient utilisés pour réfléchir à différents avenirs possibles de la stratégie nucléaire, précisément parce que les prévisions ponctuelles étaient trop fragiles dans un monde marqué par la rivalt[3][6][10] Cet héritage reste important. Un scénario n’est pas une estimation de ce qui va arriver. C’est une démarche structurée pour forcer les institutions à affronter plusieurs futurs plausibles, avant d’être surprises par celui qu’elles préféraient ne pas imaginer.

Le passé des prévisions énergétiques démontre pourquoi cette discipline est encore nécessaire. L’énergie éolienne ne peut pas être mise à disposition sur commande, aussi les opérateurs doivent-ils prévoir la production pour les échanges d’électricité et l’équilibrage du réseau.[1] De meilleures prévisions réduisent les coûts d’équilibrage et diminuent le besoin de capacité de régulation, ce qui transforme un exercice statistique en une question d’infrastructure pratique.[1] Ici, la valeur de la prédiction n’est pas la précision abstraite. C’est la résilience opérationnelle, notamment à mesure que la production variable prend une part plus importante du réseau.

L’intelligence artificielle a donné l'impression que la prévision est plus mécanique, mais pas nécessairement plus digne de confiance. Des travaux récents sur la prévision météorologique et de la neige suggèrent que l’apprentissage automatique peut aider à identifier les biais dans les modèles et accélérer les corrections lorsqu’il est combiné à des approches basées sur la physique.[4] C’est un progrès significatif. Mais cela rappelle aussi que la prévision par IA fonctionne mieux comme système hybride, et non comme substitut à la science sous-jacente. La machine peut affiner un modèle. Elle ne peut pas abolir l’incertitude.

C’est là que l’enthousiasme actuel devient risqué. Lorsque les organisations entendent que l’IA peut mieux prévoir, elles peuvent sous-entendre qu’elle produit une confiance plus fluide. Ce n’est pas la même chose. Dans les marchés, les chaînes d’approvisionnement, la planification climatique et la sécurité nationale, le danger n’est pas tant que les modèles soient inutiles que les décideurs les traitent comme s’ils éliminaient la surprise. Si de nombreux acteurs convergent vers des outils et hypothèses similaires, le système peut devenir plus corrélé au moment même où il a besoin d’une diversité de jugements.[11][12]

Ce qui reste non vérifié, et ce qu’il faut surveiller de près, c’est de savoir si les outils de prévision par IA améliorent réellement les décisions à long terme en dehors des environnements de recherche contrôlés. La preuve la plus solide à ce jour concerne des domaines étroits avec un retour mesurable, tels que la météo, l’énergie ou les questions d’événements probabilistes.[2][4][7] La revendication plus faible est que ces systèmes peuvent cartographier de manière fiable les changements technologiques perturbateurs des années à l’avance. Cela nécessiterait des preuves non seulement de meilleures prévisions, mais de meilleurs résultats lorsque les institutions agissent sur ces prévisions.

La leçon fondamentale est que l’échec des prévisions est souvent un échec institutionnel, pas seulement intellectuel. Les gens récompensent les récits confiants, les horizons temporels courts, et les prévisions qui collent aux présentations stratégiques. Ils valorisent l’apparence de la prévoyance plus facilement que l’humilité nécessaire à une véritable incertitude. Dans cet environnement, les outils de prévision les plus précieux sont peut-être ceux qui contraignent les dirigeants à affronter ce qu’ils ne savent pas, plutôt que ceux qui les font se croire en avance sur la courbe. L’IA peut aider pour le premier cas. Elle pourrait aussi amplifier le second. Voilà une tension à surveiller. L’histoire future de la technologie ne sera pas écrite par les prédictions les plus bruyantes, mais par les systèmes qui ont su, ou non, apprendre à vivre avec l’incertitude.[2][3][10][12]