Le bulletin des prévisions : quelle précision pour une décennie de prédictions d’experts sur l’IA (2016-2026) ?

TL;DR : Pendant dix ans, des experts de classe mondiale ont fait des prédictions sûres, précises et publiques sur l’intelligence artificielle. Nous avons noté les plus citées face à ce qui s’est réellement produit d’ici 2026, et les résultats donnent une leçon d’humilité. Les radiologues devaient être obsolètes en 2021 ; le domaine affronte au contraire une pénurie et des salaires en hausse. La conduite autonome d’un océan à l’autre était promise pour 2017 ; elle n’est toujours pas là. Près de la moitié des emplois américains étaient dits à haut risque d’automatisation ; l’emploi a augmenté. Mais les erreurs ne sont pas du bruit aléatoire. Elles se regroupent dans deux directions : les experts surestiment systématiquement la vitesse à laquelle l’IA déplacera le travail humain, et sous-estiment systématiquement les critères techniques étroits comme le Go et le repliement des protéines, qui arrivent des années trop tôt. Connaître la direction de l’erreur est la compétence la plus utile pour lire n’importe quelle prévision d’IA que vous entendrez cette année.

La prospective ne consiste pas à avoir raison sur l’avenir. Personne n’a raison de façon fiable sur l’avenir. La prospective consiste à être calibré : savoir à quel point faire confiance à une prédiction, de qui elle vient et de quel type de chose il s’agit. Et la seule façon honnête de se calibrer est de noter le passé. Nous avons donc fait ce que l’industrie de la prévision ne s’inflige presque jamais. Nous avons rassemblé les prédictions d’IA les plus influentes et les plus citées de la décennie, les avons vérifiées face au dossier public d’août 2026 et avons noté chacune.

Cela compte précisément maintenant, parce que la conversation sur l’IA est de nouveau saturée de calendriers assurés. Quelqu’un vous dit qu’une catégorie d’emplois précise disparaîtra dans dix-huit mois, que l’AGI arrive dans trois ans, que le modèle de ce trimestre change tout. Avant de réorganiser votre carrière ou votre entreprise autour de tout cela, il vaut la peine de savoir comment les dix dernières années de ce genre exact se sont comportées. Divulgâchage : la précision assurée est le signe qui trahit.

Comment cela a été noté

Une note sur la méthode, car un bulletin ne vaut que par ses règles. Nous avons inclus les prédictions publiques, précises, attribuables à un expert nommé ou à une étude largement citée et assez anciennes pour être jugées. Les affirmations vagues du type “l’IA va tout changer” ont été exclues, car elles ne sont pas falsifiables. Chaque verdict est une évaluation éditoriale CEOtudent mesurée face au dossier public documenté d’août 2026, non une prétention à un savoir privé. Lorsque l’horizon temporel d’une prédiction n’est pas entièrement écoulé, nous le disons et la marquons en attente plutôt que de forcer une note.

Nous avons utilisé quatre verdicts. Raté (surestimation) signifie que la prédiction était trop agressive ; la chose ne s’est pas produite dans le délai promis. Raté (sous-estimation) signifie que les experts étaient trop prudents ; la chose s’est produite des années avant ce que le consensus attendait. Réussi signifie que cela s’est produit à peu près comme annoncé. En attente signifie que le temps n’est pas encore écoulé.

Le bulletin

Une décennie de prédictions d’experts sur l’IA, notée (évaluation éditoriale CEOtudent)

Prédiction	Qui et quand	L’affirmation précise	Ce qui s’est réellement produit d’ici 2026	Verdict
Les ordinateurs ne peuvent pas battre un humain de haut niveau au Go avant environ une décennie	Large consensus d’experts avant 2016	Battre un professionnel de Go de classe mondiale était largement jugé à environ dix ans	AlphaGo de DeepMind a battu Lee Sedol 4-1 en mars 2016, presque une décennie avant le consensus	Raté (sous-estimation)
Cessez de former des radiologues ; l’IA va les remplacer	Geoffrey Hinton, 2016	En cinq ans (dix au plus), l’IA surpasserait les radiologues, donc en former de nouveaux était inutile	La radiologie affronte une pénurie de main-d’oeuvre, la demande et les salaires ont augmenté, et Hinton a plus tard reconnu s’être trompé sur le calendrier	Raté (surestimation)
Près de la moitié des emplois américains sont à haut risque d’automatisation	Frey et Osborne (Oxford), 2013	Environ 47 pour cent de l’emploi américain relevait de la catégorie à haut risque sur les deux décennies suivantes	Largement lu comme une prévision de déplacement ; l’emploi américain a augmenté de millions, et la méthode de l’étude a été fortement critiquée pour surestimation du risque	Raté (surestimation)
La conduite entièrement autonome est imminente	Elon Musk, 2016	Un trajet Tesla entièrement autonome d’un océan à l’autre d’ici fin 2017 ; toutes les Tesla en robotaxis d’ici 2020	La démonstration n’a jamais eu lieu ; la conduite autonome supervisée existe en 2026, mais le calendrier non supervisé promis a glissé année après année	Raté (surestimation)
L’IA va transformer les soins contre le cancer	IBM Watson for Oncology, à partir d’environ 2013	Watson aiderait à révolutionner l’oncologie et à guider le traitement du cancer à grande échelle	Le projet phare de MD Anderson (environ 62 millions de dollars) s’est terminé sans traiter de patients en conditions réelles ; IBM a vendu Watson Health à une société de capital-investissement en 2022	Raté (surestimation)
Prédire les structures des protéines est à des décennies	Vue de longue date en biologie structurale	Le problème du repliement des protéines était vu comme un défi ouvert ayant résisté à toute solution pendant environ 50 ans	AlphaFold 2 a atteint une précision quasi expérimentale à l’évaluation CASP14 en 2020, des décennies avant ce que la plupart attendaient	Raté (sous-estimation) / Réussi pour DeepMind
L’IA passe le test de Turing d’ici 2029 ; singularité d’ici 2045	Ray Kurzweil, de longue date	Intelligence machine de niveau humain vers 2029, singularité technologique vers 2045	Les deux horizons restent ouverts en 2026 ; pas encore notables	En attente

Le schéma que personne ne signale

Relisez la colonne des verdicts et une chose saute aux yeux. Les erreurs ne sont pas dispersées. Elles pointent dans deux directions cohérentes, et cette cohérence est la vraie leçon de tout l’exercice.

Toute prédiction sur le déplacement du travail humain par l’IA a surestimé. Les radiologues, les 47 pour cent d’emplois, les flottes autonomes qui mettraient les chauffeurs au chômage, les oncologues que Watson surpasserait. Dans chaque cas, l’expert a sous-estimé à quel point la version réelle, à enjeux élevés et désordonnée du métier est difficile, et combien elle n’est pas la tâche étroite que l’IA sait faire. La radiologie n’est pas seulement lire une image ; c’est du jugement, de l’intégration, de la responsabilité et du contexte patient. L’IA pouvait faire la démo. La démo n’a jamais été le métier.

Toute prédiction sur un critère étroit et bien défini a sous-estimé. Le Go et le repliement des protéines sont tous deux arrivés des années avant le consensus des experts. Quand la tâche est nette, bornée et dotée d’une mesure de réussite claire, l’apprentissage profond a maintes fois surpris même les spécialistes du côté rapide. L’hypothèse de mise à l’échelle formalisée par OpenAI vers 2020, selon laquelle des modèles plus grands entraînés sur plus de données continuent de s’améliorer de façon prévisible, a été plus proche du vrai que les sceptiques, au moins sur la performance aux critères.

La lecture CEOtudent de la décennie est donc une seule règle portable, le genre de modèle mental durable à conserver. Les experts surestiment la vitesse de l’IA à remplacer des métiers humains entiers et sous-estiment sa vitesse à conquérir des critères techniques étroits. L’échec n’est pas que les experts soient stupides. “Un modèle peut-il gagner un jeu borné” et “un système peut-il remplacer un rôle humain désordonné” sont des questions totalement différentes, et les prédictions assurées ont continué à les traiter comme la même.

Comment lire les prévisions d’IA d’aujourd’hui comme un PDG

L’intérêt de noter le passé est qu’il vous met un filtre en main pour le présent. Quand le prochain calendrier d’IA assuré traverse votre fil, faites-le passer par le schéma avant de réagir.

D’abord, demandez si l’affirmation porte sur un critère ou un métier. “Ce modèle battra les humains à la tâche X” est une affirmation de critère, et le dossier historique dit de la prendre au sérieux et peut-être de l’attendre plus tôt qu’annoncé. “Ce modèle remplacera la profession Y” est une affirmation de métier, et le dossier dit d’escompter fortement le calendrier, car les 80 pour cent désordonnés du métier sont précisément ce que la démo cache.

Ensuite, traitez la précision assortie d’une échéance courte comme un signal d’alarme, pas comme un signe d’expertise. Les ratés les plus spectaculaires de ce bulletin étaient les plus précis et les plus assurés : fin 2017, en cinq ans, robotaxis d’ici 2020. Les prévisions vagues mais directionnelles (“cela comptera énormément, de façon inégale, sur des années”) ont bien mieux vieilli que les précises. Un PDG apprend à respecter davantage la personne qui dit “je ne connais pas le calendrier” que celle qui nomme un trimestre.

Troisièmement, séparez la direction de la date. Hinton avait sans doute raison que l’IA remodèlerait la radiologie et tort sur le quand et le à quel point. La plupart de ces prédictions ont eu le vecteur en partie juste et l’ampleur et le calendrier gravement faux. C’est la forme normale d’une prévision d’IA : faites-lui confiance comme signal faible de direction, méfiez-vous-en totalement comme calendrier. C’est la même discipline que penser en paris : attribuez une probabilité, n’acceptez pas une certitude.

Quatrièmement, rappelez-vous les incitations. Plusieurs de ces prédictions venaient de personnes ayant quelque chose à vendre : un produit, une action, une thèse ou un livre. La prévision et l’argumentaire étaient la même phrase. Une part de bien lire la prospective est de demander qui profite de ce que vous croyiez au calendrier, une habitude qui traverse notre travail sur filtrer le signal du bruit à l’ère de l’IA.

Réserves, car un bulletin devrait se tenir à sa propre norme

Noter des prévisions a posteriori est plus facile que de les faire, et il serait malhonnête de prétendre le contraire. Certains de ces experts ont nuancé plus que ne le suggère leur phrase la plus citée, et les citations s’aplatissent en circulant. Nous avons noté la version largement diffusée de chaque affirmation, celle qui a réellement façonné décisions et titres, mais la nuance sous-jacente était parfois plus grande que la formule.

Deux verdicts méritent aussi un astérisque. Le chiffre de Frey et Osborne était un énoncé sur les emplois à risque d’automatisation, pas une prévision plate que 47 pour cent seraient perdus, et sa fenêtre complète de deux décennies n’est pas entièrement écoulée. Nous l’avons noté comme un raté parce qu’il a été massivement reçu et répété comme une prédiction de déplacement, et la trajectoire du marché du travail à ce jour va contre cette lecture. Et AlphaFold est à la fois deux choses : une réussite éclatante pour l’équipe qui l’a construit et un raté pour le large domaine qui supposait le problème à des décennies. Les deux vérités appartiennent au bulletin.

Rien de tout cela ne signifie que l’expertise est sans valeur ou que le progrès de l’IA est faux. Le point est plus étroit et plus utile : les prédictions d’experts sur l’IA ont un biais mesurable et directionnel, et une fois la direction connue, vous pouvez le corriger. C’est cela, la calibration, et c’est tout le travail de la prospective.

Foire aux questions

Toutes les prédictions d’experts étaient-elles fausses ?
Non, et ce cadrage manque le point. Les prédictions étaient fausses dans des directions régulières : trop rapides sur le remplacement des emplois humains, trop lentes sur les critères étroits. Certaines, comme l’hypothèse de mise à l’échelle et la percée d’AlphaFold, étaient directionnellement justes et sont arrivées tôt. La leçon n’est pas “ignorez les experts”, mais “sachez dans quel sens ils se trompent et ajustez”.

Pourquoi tant de gens intelligents ont-ils surestimé l’automatisation des emplois ?
Parce qu’une démonstration d’une tâche étroite se confond aisément avec le remplacement d’un rôle entier. Lire un scan, rédiger une note ou répondre à une question est une tranche d’un métier. Le reste, jugement, responsabilité, contexte, coordination et confiance, est là où résident la difficulté et l’essentiel de la valeur, et il ne s’automatise pas au même rythme que la tranche.

Cela veut-il dire que les prédictions actuelles sur l’AGI et les pertes d’emplois sont aussi fausses ?
Cela veut dire : appliquez le même filtre. Les affirmations sur des capacités étroites franchissant des critères humains méritent d’être prises au sérieux et peut-être avancées. Les affirmations sur le remplacement en gros de professions ou une AGI proche méritent une forte décote sur le calendrier, car c’est précisément la catégorie que la dernière décennie a le plus mal comprise.

Comment un individu devrait-il l’utiliser concrètement ?
Cessez de réorganiser votre vie autour de dates assurées. Suivez la direction du progrès de l’IA dans votre domaine comme un signal faible, développez des compétences dans la partie désordonnée et riche en jugement de votre travail qui résiste à l’automatisation, et gardez vos options ouvertes plutôt que de tout miser sur une prévision précise correcte. La direction est un signal ; la date est presque toujours du bruit.

Qui a fait la prédiction la plus précise de la décennie ?
Les prévisions les plus durables étaient les moins précises : des énoncés larges et directionnels selon lesquels l’IA compterait énormément et de façon inégale. Ceux qui ont nommé un trimestre ou une échéance à cinq ans ont surtout perdu. Cela même est la conclusion.

Sources et lectures complémentaires

• Reportages sur la déclaration de Geoffrey Hinton de 2016 selon laquelle l’IA remplacerait les radiologues, et couverture ultérieure documentant la pénurie de radiologues, la hausse des salaires et la reconnaissance par Hinton de son erreur de calendrier (Fortune, The New York Times et presse spécialisée en radiologie, 2016 à 2026).
• Carl Benedikt Frey et Michael Osborne, The Future of Employment: How Susceptible Are Jobs to Computerisation?, Oxford, 2013 ; et critiques rétrospectives du chiffre de 47 pour cent (Information Technology and Innovation Foundation et documents de travail universitaires).
• Chronologie documentée des prédictions d’Elon Musk sur la conduite autonome, dont l’affirmation d’un océan à l’autre de 2016 pour fin 2017 et la déclaration robotaxi de 2020 (presse technologique de l’époque).
• Reportages sur IBM Watson for Oncology, le projet MD Anderson et sa conclusion, et la vente de Watson Health à Francisco Partners en 2022 (Slate, IEEE et presse des technologies de santé).
• Victoire d’AlphaGo de DeepMind sur Lee Sedol, mars 2016 ; et résultats d’AlphaFold 2 à CASP14, 2020, décrits comme résolvant un problème vieux d’environ 50 ans (DeepMind, organisateurs de CASP et presse scientifique).
• Ray Kurzweil, The Singularity Is Near et The Singularity Is Nearer, sur les prédictions de 2029 et 2045.
• Jared Kaplan et collègues, Scaling Laws for Neural Language Models (OpenAI), 2020, sur l’hypothèse de mise à l’échelle.

---

Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.

This post is also available in: