La grande illusion des gains de productivité technologiques (IA comprise)

Depuis plus d’un demi-siècle, chaque vague technologique s’accompagne de la même promesse : produire davantage, plus vite et à moindre coût. On l’a entendu à l’arrivée du micro-ordinateur dans les années 1980, lors du déploiement massif des ERP dans les années 1990, au moment de l’irruption d’internet puis du mobile, et aujourd’hui encore avec l’intelligence artificielle. Toujours la même promesse, toujours le même narratif d’une rupture historique censée transformer la productivité.

Et pourtant l’histoire nous raconte autre chose. Les gains apparaissent plus tard qu’on ne l’espérait, dans des proportions plus modestes que celles annoncées, et souvent au bénéfice d’autres acteurs que ceux qui ont consenti l’effort d’investissement. Et l’IA n’échappe pas à ce scénario. Derrière les discours enthousiastes, les chiffres montrent en effet que la productivité promise ne reste souvent…qu’une promesse.

L’objectif n’est pas ici de faire une critique gratuite de la technologie mais de rappeler les leçons du passé qu’on se refuse à apprendre et de montrer que finalement il y a des constantes qui s’imposent à nous. C’est donc une réflexion plus large sur la manière dont les organisations abordent chaque vague technologique et pourquoi la productivité, loin d’être un acquis automatique, est un sujet beaucoup plus complexe qu’on ne veut bien l’expliquer.

C’est un sujet qui est complexe à la base et que le génie humain a même fini par rendre compliqué. C’est pour cela que plutôt que faire un article encore plus interminable que ceux que j’écris d’habitude j’ai, comme vous l’avez sûrement vu, traité différentes pièces de ce puzzle dans des articles précédents et cet article fera office de « méta-article » avec une synthèse de chaque point évoqué, libre à vous l’aller lire l’article concerné pour une analyse plus détaillée.

Pour terminer ce préambule je vais toutefois insister sur un point. On ne cesse, à chaque rupture technologique, de nous parler de révolution, de nous dire que rien ne sera jamais pareil, que tout ce qui valait auparavant ne fonctionne plus et l’histoire récente nous rappelle encore une fois que c’est faux et qu’il y a des lois qui, un peu comme la loi de la gravité, sont des constantes contre les lesquelles on ne peut pas aller.

Oui la technologie change mais les Hommes et la nature humaine ne changent finalement pas et c’est donc sans surprise que l’histoire ne cesse de se répéter et continuera à la faire pendant encore longtemps à mon avis.

Le changement et au delà la productivité ne se décrètent donc pas et ne se produisent pas « automatiquement » avec une technologie. Ils sont le produit d’un système, et c’est dans ce système qu’elle nait, s’évapore, se déplace, ou ne profite pas forcément à ceux à qui on pense.

[Note écrite après la finalisation de l’article] : cela reste un article qui finalement reste très long avec des idées qui ont émergé au fil de son écriture ce qui montre bien que le sujet du lien entre productivité et technologie ne peut être traité simplement avec des raccourcis faciles.

En bref :

• Les promesses de gains de productivité liées aux innovations technologiques, notamment l’intelligence artificielle, se répètent à chaque vague mais se concrétisent rarement de manière significative ou rapide.
• La productivité ne résulte pas automatiquement de l’introduction d’une technologie mais elle dépend d’une transformation des usages, d’une cohérence organisationnelle et d’une stratégie globale.
• Les gains apparents de productivité peuvent se déplacer ou se diluer, profitant parfois à d’autres acteurs (fournisseurs, clients, technostructure) plutôt qu’aux entreprises qui investissent.
• Les indicateurs utilisés pour mesurer les effets de la technologie sont souvent insuffisants ou biaisés, ce qui rend difficile l’évaluation réelle des bénéfices obtenus.
• L’IA, comme les technologies précédentes, n’est efficace que si elle est utilisée par des personnes compétentes dans un cadre bien pensé, sinon, elle accroît la complexité et les déception

• La promesse non tenue de l’IA
• Quel crédit donner aux méthodes de mesure ?
• La productivité s’évapore dans vos rêves
• La productivité n’est pas du revenu
• La technologie ne crée pas mécaniquement de la productivité
• Les gains de productivité se déversent et pas seulement chez vous
• L’optimum local ne signifie pas un optimum global
• Vous générez de la valeur mais ce sont d’autres qui en profitent
• Vos gains de productivité sont capturés par vos salariés et vos managers
• La technologie crée de nouveaux usages et tâches
• Transfert de charge ne signifie pas gain de productivité
• L’IA au mauvais endroit, pour les mauvaises personnes
• Conclusion
• Pour répondre à vos questions

La promesse non tenue de l’IA

L’intelligence artificielle est décrite comme la prochaine révolution industrielle, un moteur inédit de productivité qui devrait bouleverser les organisations. Les dirigeants la présentent comme incontournable, les consultants comme une rupture historique, et les analystes comme un passage obligé pour rester compétitif. Pourtant dans les faits la réalité est toute autre.

Les chiffres publiés ces deux dernières années sont sans appel : 95 % des projets pilotes en IA générative échouent à produire un impact tangible (MIT report: 95% of generative AI pilots at companies are failing). Derrière les effets d’annonce, les cas d’usage restent confinés à des prototypes qui quoique séduisants restent difficiles à intégrer dans les processus quotidiens. Les projets échouent pour des raisons simples : coûts trop élevés, résultats trop aléatoires, difficultés d’intégration aux pratiques existantes, ou encore résistance des métiers qui ne voient pas l’intérêt d’outils qu’ils n’ont pas choisis.

Les analyses indépendantes convergent. La plupart des entreprises n’arrivent pas à transformer l’IA en bénéfices mesurables (Why AI Disappoints At Productivity – But Excels At Ambition). Quand un gain existe il est ponctuel : un texte généré plus vite, une recherche synthétisée, mais ce gain disparaît aussitôt dans le temps passé à contrôler, valider et corriger.

On pourrait parler du paradoxe d’une technologie qui suscite des attentes et investissements tout en produisant aussi peu de valeur mesurable pour ceux qui l’adoptent mais en fait ça n’est que l’histoire qui se répète et l’IA n’est qu’un épisode de plus dans une série qu’on connait bien.

Quel crédit donner aux méthodes de mesure ?

Quand on essaie de mesurer un gain ou même une perte il faut mesurer deux choses : la situation avant et la situation après. Cela peut vous sembler d’une banale évidence mais ça ne l’est pas pour tout le monde puisque dans la plupart des cas on ne mesure pas les choses avant le déploiement de la technologie, ce qui amène à relativiser tous les chiffres que vous pourrez lire sur sur sujet, peu importe qu’ils soient bons ou mauvais.

Pire encore on ne mesure même pas les choses après le déploiement, ce qui est finalement logique car de toute manière on a aucun référentiel pour comparer les chiffes (Comment mesurer les gains de productivité de l’IA ?).

Donc la plupart des chiffres que vous lirez reposent sur du ressenti et du du déclaratif. On a déjà vu mieux pour avoir une approche rationale d’un sujet.

La productivité s’évapore dans vos rêves

Le discours sur l’IA est saturé d’annonces qui dépassent largement les capacités réelles de la technologie et, surtout, présupposent l’existence de conditions de succès qui n’existent que rarement à ce jour dans nombreuses entreprises. On y confond aussi allègrement prédictions et prévisions, les premières relevant de l’intuition, des convictions personnelles ou des postures médiatiques alors que les secondes reposent sur des données, des méthodes et une rigueur analytique. Dans le débat public, cette distinction disparaît et les promesses de productivité de l’IA sont fondées sur des prédictions hasardeuses, habillées en prévisions scientifiques (AGI, emploi, productivité : le grand bluff des prédictions IA).

A cette confusion s’ajoute le poids d’un marketing qui ne se contente plus de vanter des avantages, mais utilise la peur comme argument de vente. On explique aux entreprises que si elles n’adoptent pas immédiatement telle technologie, elles sont condamnées à disparaître (Si vous n’achetez pas mes produits et mes services, vous allez tous mourir). La productivité et ses conséquences (suppressions d’emplois) est alors présentée comme un impératif de survie, faute d’avoir autre chose à vendre.

Sous cette pression, les entreprises investissent massivement, non pas en fonction d’une évaluation lucide de leurs besoins, mais parce qu’elles craignent de manquer une prétendue révolution, le fameux FOMO (Fear of Missing Out – Peur de rater quelque chose). Elles s’engagent dans des projets davantage guidées par l’urgence et par la peur que par une logique de valeur.

On se retrouve donc avec des dirigeants qui ne comprennent au sujet mais mettent la pression sur leurs équipes pour faire « des trucs avec l’IA » avec des attentes irréalistes. Moralité : ça part dans toutes les directions et ça ne produit pas grand chose (Under Pressure: Engineering in the Age of AI et Why tech can fail in the last mile: The devil is all in the detail).

Et comme par le passé on fait en plus l’erreur de croire que parce que les gens ont adopté l’IA dans leur vie privée il le feront naturellement et utilement dans leur vie professionnelle (Pourquoi l’adoption grand public de l’IA ne dit rien de son avenir en entreprise).

L’IA souffre donc du même mal de nombre de technologies avant elle. Ca n’est pas qu’elle ne fonctionne pas, qu’elle ne fait pas ce qu’elle est conçue pour faire, mais qu‘on en attend trop, trop vite et qu’à la fin on est déçus et jette le bébé avec l’eau du bain.

La productivité n’est pas du revenu

On cite souvent une étude du MIT qui nous dit que 95% des pilotes IA échouent pour tirer à boulets rouges sur la technologies (MIT report: 95% of generative AI pilots at companies are failing). Mais en dehors même du fait que l’échantillon de l’étude prête à discussion et même si je suis convaincu que l’IA ne délivrera jamais à la hauteur de la promesse je m’étonne que personne ne remarque que cette affirmation est fondée sur un énorme contresens. En effet on nous dit que les entreprises ne voient pas d’augmentation en termes de revenu alors que la promesse de l’IA se situe au niveau de la productivité !

C’est peut être l’erreur majeure des retours d’expérience sur la technologie en entreprise et l’IA ne fait pas exception à la règle : on met en place de la technologie pour améliorer la productivité et on mesure du revenu pour savoir si cela a fonctionné.

Malheureusement productivité et revenu n’ont jamais et n’iront jamais de pair. Dit autrement si ça n’est pas assez clair : le revenu n’est pas une fonction de la productivité !

Même chez un indépendant chez qui on pourrait croire que le lien est mécanique car il travaille seul, qu’il est à la fois l’entrée et la sortie du flux de travail et donc qu’aucun risque de déperdition n’et à craindre cela ne fonctionne pas. Le gain de productivité se mesure en effet plus facilement que dans une entreprise (ex : livrer 20 % plus vite) mais il ne se traduit pas automatiquement en revenu.

Le consultant payé au temps livre plus vite, mais facture moins, et c’est son client qui profite de l’économie. Le graphiste payé au forfait conserve son prix, mais il ne gagne plus que si la demande suit. La productivité devient alors une ressource qu’il peut transformer en chiffre d’affaires, à condition de trouver de nouveaux clients (Pour les indépendants la productivité ne paie pas toujours).

Dans une entreprise, la situation est encore plus complexe. Les gains individuels se diluent dans les processus, se heurtent aux goulots et disparaissent dans les frictions organisationnelles. Produire plus vite ne veut pas dire vendre plus, et vendre plus ne veut pas dire gagner plus si vous avez surestimé vos capacités ou si vos clients vous demandent de rogner des marges qu’ils devinent en hausse.

Dit autrement : pour maintenir son chiffre d’affaires il faut trouver des débouchés commerciaux équivalents à la hausse de productivité constatée (par exemple : 10% de hausse, 10% de clients en plus) sinon le CA déclinera.

La productivité est une matière première précieuse, mais elle n’est pas un revenu. On ne la transforme en revenu que si le commercial voire le marketing suivent et elle est hautement dépendante du marché pour transformer le temps gagné en valeur.

La technologie ne crée pas mécaniquement de la productivité

Comme c’est dans les vieux pots qu’on fait les meilleurs soupes je ne peux que rappeler à notre souvenir l’économiste Robert Solow qui avait résumé la situation d’une formule devenue célèbre : « On voit des ordinateurs partout, sauf dans les statistiques de productivité« . Quarante ans plus tard, la phrase est toujours d’actualité.

Les entreprises investissent massivement dans les technologies, mais l’impact sur la productivité globale reste invisible (Vous pouvez voir l’ère informatique partout, sauf dans les statistiques de la productivité (Robert Solow)). On croit que la productivité découle mécaniquement de l’accumulation de moyens techniques mais la réalité est que la technologie ne produit rien si elle n’est pas accompagnée d’une transformation des usages et des pratiques.

Ici encore l’histoire se répète. Les ERP devaient rationaliser la gestion et fluidifier les processus mais, dans les organisations qui n’avaient pas revu leurs modes de fonctionnement, ils ont surtout ajouté de la rigidité et des coûts. L’IA suit exactement et sans surprise la même trajectoire.

Rappelons à toutes fins utiles que ça n’est pas l’électricité qui augmenté la productivité des usines. Dans les usines à énergie hydraulique, les machines devaient être disposées en ligne, alignées sur l’arbre de transmission relié au moulin et quand l’électricité est arrivée, beaucoup d’industriels se sont contentés de remplacer la roue hydraulique par un moteur électrique central, gardant exactement la même disposition. Résultat : aucun gain notable. Ce n’est que lorsqu’on a compris qu’on pouvait installer un moteur individuel par machine et repenser totalement l’organisation de l’usine que la productivité a réellement décollé.

Les gains de productivité se déversent et pas seulement chez vous

Si Solow nous a ramené en 1987, nous allons maintenant remonter encore plus loin dans le passé, dans les années 50.

C’est à cette époque qu’Alfred Sauvy a remarqué un phénomène simple mais assez contre-intuitif : les gains de productivité ne disparaissent pas, mais ils ne restent pas non plus là où ils sont produits. Ils se déplacent, comme une charge que l’on croit avoir éliminée mais qui réapparaît ailleurs.

Prenons un exemple concret. Une entreprise décide d’automatiser son service client. Sur le papier, c’est un succès : moins de conseillers, moins de coûts, des process « rationalisés ». Mais le problème n’a pas disparu. Il a simplement été transféré au client, qui doit chercher l’information seul dans un portail en ligne, expliquer dix fois son problème à un chatbot ou perdre son temps à contourner des menus. Ce qui a l’air d’un gain de productivité pour l’entreprise est en réalité une perte de temps, d’énergie et de satisfaction pour l’utilisateur (Connaissez vous la théorie du déversement de Sauvy sur la captation des gains de productivité ?).

Le même phénomène se produit à l’intérieur des organisations. Pour alléger les fonctions support, on délègue aux salariés opérationnels des tâches qu’ils n’avaient pas à gérer : notes de frais à saisir, voyages à réserver, reporting à remplir. Les services support affichent alors de meilleurs ratios, mais le temps ainsi « gagné » est perdu deux fois : il grignote le temps productif des salariés et alourdit leur charge mentale.

Le déversement donne l’impression qu’on a gagné en productivité, alors qu’on a seulement déplacé le travail et ce déplacement a un coût. Quand il pèse sur les clients, il abîme la relation commerciale. Quand il pèse sur les salariés, il mine leur engagement et finit par réduire la performance collective.

Ce que Sauvy a montré reste d’actualité : la technologie permet souvent de se débarrasser d’un problème local, mais elle ne crée pas automatiquement de la valeur globale comme on va en avoir la conformation plus loin. Elle déplace les coûts et cela finit toujours par se payer quelque part.

L’optimum local ne signifie pas un optimum global

Eliyahu Goldratt a rappelé que la performance d’un système est limitée par son goulot d’étranglement. Tant que ce point n’est pas traité, optimiser ailleurs est inutile (Optimum local vs optimum global et théorie des contraintes : pourquoi vos gains de productivité ne servent parfois à rien).

Dans une entreprise, automatiser ou accélérer certaines tâches ne change rien si le blocage se situe dans la validation, la prise de décision ou l’intégration aux processus. Les gains locaux ne font qu’e créer une file de tâches et de todos en retard par ailleurs, créer du gaspillage ou déplacer le problème.

La productivité n’est pas une somme de micro-optimisations. Elle est une dynamique globale, bornée par les contraintes qui fixent la capacité du système et « augmenter » de certains salariés avec l’IA ne garantit en rien qu’on aura augmenté augmenté la productivité de l’entreprise (IA en entreprise : aller au delà de l’augmentation pour enfin transformer).

Et pour ceux qui suivent attention la « révolution » qui serait en cours chez Moderna qui met en avant la notion de flux, je pense que tout l’enjeu sera justement de suivre et savoir mesurer les gains « de bout en bout » et non pas juste localement (Penser le travail comme un flux : séduisant mais est-ce réaliste ?). On voit d’ailleurs, maintenant qu’on a suffisamment de retours d’expérience, que l’appropriation individuelle apporte peu de choses comparée à une approche par flux de travail (How to Make Enterprise Gen AI Work).

D’ailleurs, je ne sais pas s’il faut en rire ou en pleurer mais il aura quand même fallu plus d’un an à McKinsey pour découvrir si on ne commence pas avec une approche par process et un redesign du travail et des workflows l’IA argentique n’apportera que des déceptions (One year of agentic AI: Six lessons from the people doing the work).

Et même sans approche par process ou activité c’est l’appropriation collective qui seule permet de vraiment inscrire l’entreprise dans une démarche d’amélioration et de progrès (There’s no (A)I in Team).

Vous générez de la valeur mais ce sont d’autres qui en profitent

Les entreprises qui investissent dans une technologie ne sont pas toujours celles qui en récoltent les bénéfices. Carl Shapiro et Hal Varian ont montré que dans une chaîne de valeur, les gains de productivité sont souvent captés par d’autres acteurs, ceux qui occupent des positions stratégiques.

On l’a vu avec l’informatique personnelle : les entreprises utilisatrices ont investi, mais ce sont Microsoft et Intel qui ont capté l’essentiel de la valeur. On voit aujourd’hui la même chose avec le cloud et l’IA : les organisations dépensent, mais ce sont Amazon, Microsoft, Google et Nvidia qui en tirent la marge (Connaissez vous la « value chain squeeze » ou comment vos fournisseurs et vos clients vous volent vos gains de productivité ?).

Le gain de productivité existe bel et bien, mais il n’est pas récoltée par ceux qui en portent l’effort et le coût.

Vos gains de productivité sont capturés par vos salariés et vos managers

Même lorsque des gains de productivité existent, ils ne se traduisent pas toujours par une meilleure performance économique. Ils peuvent être absorbés à l’intérieur même de l’organisation, par les salariés, par les managers ou plus globalement par les systèmes.

Une première forme de capture vient des salariés eux-mêmes. Le temps libéré par un outil ou une automatisation se transforme en confort : un peu plus de flexibilité ici, quelques pauses informelles là, plus de temps pour se former. Ce n’est pas perdu pour le salarié mais c’est moins évident pour l’entreprise car ça n’est pas non plus visible dans les indicateurs financiers ni valorisable par elle. On retrouve ici la loi de Parkinson : « Le travail s’étend de façon à occuper tout le temps disponible« . Autrement dit, tout gain de temps finit par être comblé (Connaissez vous la loi de Parkinson sur la manière dont vos salariés gèrent eux-même leur temps et leur productivité ?).

Et si ça n’est pas vos salariés qui captent ces gains ça sera vos managers qui se les réapproprieront et là non plus pas de manière productive : ils deviennent un prétexte pour ajouter des tâches de contrôle, de reporting, des réunions comme Galbraith l’avait bien décrit dans son analyse de la technostructure. Les organisations ont une tendance naturelle à se complexifier et à générer du travail administratif qui justifie leur propre existence et cee que l’on croyait être un gain net va finir par se dissoudre dans la bureaucratie (Connaissez vous la technostructure qui dévore tous vos efforts d’amélioration ?).

La technologie crée de nouveaux usages et tâches

William Stanley Jevons avait observé au XIXᵉ siècle que plus une ressource devenait efficace, plus sa consommation augmentait. Ce qu’il décrivait avec le charbon vaut aujourd’hui pour le numérique.

Les outils introduits pour réduire la charge de travail produisent souvent l’effet inverse. Les messageries instantanées, censées accélérer les échanges, ont saturé les organisations d’interruptions. Les systèmes d’automatisation, censés quant à eux simplifier les processus, ont multiplié les points de contrôle et les couches de complexité. L’IA générative, censée réduire le temps de production, multiplie les contenus et engendre un besoin supplémentaire de validation (Connaissez vous le paradoxe de Jevons au travail ? Quand l’efficacité mène à l’inefficacité).

La logique est quasi mécanique : chaque gain apparent ouvre de nouvelles possibilités d’usage, qui se traduisent par une consommation accrue de temps et de ressources et pas toujours pour des choses utiles et productives. L’efficacité se transforme alors en surcharge.

On en a un excellent exemple avec ce que l’on nomme l' »IA Workslop » (déchet en français). On entend par là le travail produit par l’IA qui a l’air propre et sérieux mais qui, en réalité, manque de substance et transfère l’effort à celui qui le reçoit afin de le comprendre, l’améliorer, le reformuler voire le refaire intégralement. Plutôt que de simplifier le quotidien, il crée du travail supplémentaire, génère de la frustration, de la perte de temps et une diminution de la confiance entre collègues. En fait d’efficacité il fragilise la collaboration et annule une grande partie des gains de productivité attendus de l’IA (AI-Generated « Workslop » Is Destroying Productivity).

Transfert de charge ne signifie pas gain de productivité

Remontons encore plus loin, en 1937. C’est cette année que Ronald Coase avait expliqué que l’existence des entreprises s’explique par les coûts de transaction. Quand il est plus simple et moins coûteux de coordonner une activité en interne, l’entreprise l’intègre et, à l’inverse, quand ces coûts baissent, elle externalise.

Le numérique a profondément modifié cette équation. En réduisant les coûts de transaction, il a favorisé l’externalisation mais cette externalisation se traduit souvent par un simple transfert de charge.

Vers le client, avec le self-service : bornes automatiques dans les aéroports, caisses en libre-service, applications bancaires. Vers le salarié, avec des tâches administratives reportées sur les opérationnels : notes de frais, reporting, réservations. L’entreprise affiche des gains, mais le travail a seulement changé de mains. D’un côté les clients peuvent se lasser et de l’autres les opérationnels se retrouvent inondés de tâches administratives au seul bénéfice des fonctions support. (Connaissez vous la loi de Coase sur les coûts de transaction et son impact sur la captation des gains de productivité ? et Self-service employé : jusqu’où aller avant d’aller trop loin).

Dans un ordre d’idée similaire souvenez vous que l’introduction de l’email a causé le licenciement de nombreuses secrétaires avec pour résultat le déplacement d’une partie du travail de secrétariat vers des managers qui ont gagné en charge de travail mais ont perdu en productivité sur leur métier (If the AI Industry Fails, It Could Take the Rest of Us Down With It).

L’IA au mauvais endroit, pour les mauvaises personnes

L’IA n’apporte rien en soi mais amplifie la valeur de ceux qui maîtrisent déjà leur sujet, parce qu’ils sont capables d’évaluer, de valider et de superviser les résultats produits (Ajoutez de l’IA là où il y a des compétences. Pas là où il y a un retard.)

Mise entre de bonnes mains, elle accélère le travail, enrichit l’analyse et libère du temps mais, confiée à des personnes sans compétences suffisantes, elle n’apporte rien. Elle produit même, au contraire, de l’incertitude, de la dépendance, et oblige l’organisation à mettre en place de nouvelles couches de validation.

L’erreur est de croire que l’IA peut compenser un déficit de compétences mais en réalité, elle creuse l’écart entre ceux qui savent et ceux qui ne savent pas.

Conclusion

La même histoire ne cesse de se répéter mais à chaque fois certains arrivent encore à être surpris: la technologie n’apporte pas la productivité en soi. Les gains se déplacent, se diluent, s’évaporent ou profitent à d’autres. L’IA ne fait pas exception.

Elle peut accélérer certaines tâches, mais sans transformation des usages, sans approche globale des flux de travail et sans stratégie claire, elle nous rejoue le scénario des (sur)promesses déçues.

Le vrai enjeu n’est pas de produire plus vite, mais de savoir comment s’approprier ces gains, quoi en faire et savoir comment on les transforme en revenus et en croissance. Faire un pilote, constater que les chiffres ne sont pas au rendez vous et condamner la technologie est en effet un peu facile.

Les objectifs étaient ils réalistes ? Où a-t-on pêché dans le déploiement ? Qu’a-t-on appris pour recommencer et mieux faire ?

Mais la vérité est que le plus souvent on constate, on condamne et on passe à autre chose sans rien apprendre alors que cette boucle d’apprentissage devrait être au coeur des des projets d’IA (95% of Enterprise AI Pilots “Fail”–Just Like Lean? Not So Fast)

Une fois encore le problème n’est pas la technologie qu’on est souvent prompts à incriminer car elle déçoit mais les attentes qu’on a par rapport à elle, ce qu’on en fait et la compréhension de logiques macro qui expliquent que ce qui semble être un problème n’est parfois que la nature des choses.

Pour répondre à vos questions

Crédit visuel : Image générée par intelligence artificielle via ChatGPT (OpenAI)