- ▸ Trois chatbots dans un même après-midi
- ▸ La donnée d'usage appartient à ceux qu'elle valorise
- ▸ Pourquoi un observatoire indépendant manquait
- ▸ Ce que la segmentation par modèle révèle
Les entreprises d’IA publient elles-mêmes les rapports qui décrivent l’usage de leurs modèles, et aucune source indépendante ne vient les recouper — jusqu’au lancement de l’Observatoire IA. Ce que l’on croit savoir de l’adoption des grands modèles de langage reste donc un récit produit par les vendeurs. Le même angle mort — qui mesure quoi, et pour qui — traverse un tout autre terrain : les caméras de lecture de plaques déployées par Flock. Ce dossier suit ce fil, des chatbots aux réseaux de surveillance.
Ce qu’il faut retenir 1. L’Observatoire IA, projet de recherche indépendant, documente ce que les rapports maison d’OpenAI et d’Anthropic ne montrent pas : une segmentation d’usage par modèle. 2. Les utilisateurs se tournent plutôt vers Anthropic pour le code, Gemini pour le jeu de rôle et les échanges sociaux, ChatGPT pour l’aide aux devoirs. 3. Flock exploite environ 120 000 lecteurs automatiques de plaques aux États-Unis ; la question décisive n’est pas ce qu’il peut faire, mais ce qu’il a choisi de collecter, garder et partager. 4. Un déploiement d’infrastructure chiffré jusqu’à 500 milliards de dollars est attendu pour 2028 — près de trois fois moins que les 1 400 milliards de dommages réclamés dans les contentieux visant le secteur. 5. Une catégorie de profils ne pesait que 26 % des recrutements liés à l’IA l’an dernier, signe d’un marché du travail plus étroit que le discours d’adoption généralisée.
Trois chatbots dans un même après-midi
Un utilisateur ouvre Claude pour déboguer un script, bascule sur Gemini pour tenir une conversation à bâtons rompus, puis confie à ChatGPT la correction d’un devoir. Trois modèles, trois usages, quelques heures. Cette segmentation fine, aucun rapport officiel ne la décrivait vraiment jusqu’ici.
Les entreprises qui conçoivent ces modèles diffusent leurs propres statistiques d’utilisation, et personne ne venait les vérifier. L’Observatoire IA, projet de recherche récemment lancé, entend combler ce vide, selon le condensé publié par la MIT Technology Review. Sa première contribution tient en une observation simple : les gens ne se servent pas d’un assistant unique, ils répartissent leurs besoins entre des modèles qu’ils jugent inégalement compétents.
Cette répartition, invisible dans les communications des éditeurs, dessine une carte d’usage plus contrastée que le récit d’adoption massive et indifférenciée que ces mêmes éditeurs mettent en avant. Elle change aussi la lecture concurrentielle du secteur : un modèle peut dominer un usage précis sans dominer l’ensemble.
La donnée d’usage appartient à ceux qu’elle valorise
Notre lecture : la mesure de l’usage de l’IA est produite par les acteurs qu’elle sert à valoriser. OpenAI, Anthropic et leurs concurrents choisissent quels chiffres publier, sous quel angle, à quelle échéance. Rien d’illégitime — mais rien d’indépendant non plus.
Le même mécanisme se rejoue sur un terrain qui touche directement les libertés. Flock Safety, spécialiste de la lecture automatisée de plaques, décide seul de ce que son réseau d’environ 120 000 caméras collecte, conserve et partage. Dans les deux cas, la question utile n’est pas ce que la technologie permet, mais qui contrôle les paramètres de mesure et de conception. C’est ce paramétrage, discret et rarement discuté publiquement, qui fixe les frontières de l’acceptable.
Pourquoi un observatoire indépendant manquait
Les rapports d’usage maison ont une fonction commerciale évidente : montrer une adoption en hausse, valider un modèle économique, rassurer des investisseurs. Anthropic et OpenAI publient régulièrement ce type de bilans sur la manière dont leurs produits sont employés. Ces documents ne mentent pas nécessairement ; ils sélectionnent. Un éditeur met en avant les usages qui flattent son positionnement et laisse dans l’ombre ceux qui l’exposent — modération, dépendance affective, contournements.
L’absence d’un tiers pour recouper ces chiffres pose un problème méthodologique de fond. Sans mesure externe, impossible de distinguer une tendance réelle d’un effet de communication. C’est précisément le manque que l’Observatoire IA cherche à combler, en constituant des données que les éditeurs ne maîtrisent pas.
Son premier enseignement rompt avec l’image d’un assistant universel. Les chercheurs constatent des différences nettes entre modèles : les utilisateurs se tournent davantage vers Anthropic pour le codage, vers Gemini pour les usages sociaux et le jeu de rôle, vers ChatGPT pour l’aide aux devoirs. Une même personne peut passer de l’un à l’autre selon la tâche, ce qui invalide l’idée d’un marché où un seul produit raflerait tous les usages.
Cette spécialisation perçue n’est pas neutre commercialement. Elle suggère que la valeur d’un modèle se joue tâche par tâche, et non sur un score global de performance. Un éditeur peut perdre le terrain du code tout en gagnant celui de la conversation, sans que ses rapports internes ne rendent ce basculement lisible pour l’observateur extérieur.
Ce que la segmentation par modèle révèle
La carte d’usage dressée par l’Observatoire IA se lit mieux en tableau. Trois modèles, trois territoires dominants, trois logiques différentes.
| Modèle | Usage privilégié (Observatoire IA) | Ce que la préférence suggère |
|---|---|---|
| Anthropic (Claude) | Codage | orientation vers des tâches techniques, exigence de rigueur |
| Gemini | Jeu de rôle, usages sociaux | conversation, compagnonnage, registre relationnel |
| ChatGPT | Aide aux devoirs | usage scolaire de masse, entrée grand public |
Cette répartition raconte une adoption par cas d’usage, pas par marque. Le développeur qui privilégie Claude pour son code ne lui confie pas nécessairement ses échanges informels. L’élève qui sollicite ChatGPT pour un devoir ne l’utilise pas forcément pour du jeu de rôle. Chaque colonne du tableau correspond à un rapport de confiance distinct, construit sur des attentes précises.
L’alignement des modèles pèse aussi sur ces choix, et il varie selon les concepteurs. Certains modèles chinois sont explicitement calibrés sur des « mainstream Chinese values », ainsi que le rapporte le condensé de la MIT Technology Review — une orientation de valeurs qui oriente à son tour les usages jugés admissibles. Le comportement d’un assistant n’est pas une donnée technique neutre : il résulte de décisions de conception, au même titre que le paramétrage d’un réseau de caméras.
La conséquence pour la lecture du marché est directe. Comparer des modèles sur un score unique de performance masque l’essentiel : la préférence se forme au niveau de la tâche. Un classement agrégé dirait qu’un modèle « gagne » ; la carte d’usage montre qu’il gagne un usage et en cède un autre. Cette granularité est exactement ce que les rapports maison ne fournissent pas.
Flock : le vrai débat porte sur les choix de conception
Flock Safety a récemment annoncé des changements sur sa plateforme. L’attention s’est portée sur ces ajustements, alors que la question déterminante se situe en amont. Le réseau de Flock fonctionne comme il fonctionne en raison de décisions précises : quelles informations collecter, qui peut les interroger, combien de temps les conserver, à quelle échelle les partager. Ces quatre paramètres définissent le système bien plus que ses fonctionnalités visibles.
Prenons chacun. Le périmètre de collecte fixe la matière première : plaques, horodatages, localisations, éventuellement croisements. La politique d’accès détermine qui, d’un agent local à une agence fédérale, peut lancer une recherche. La durée de rétention décide si une trace disparaît en jours ou persiste des années. La largeur de partage établit si une donnée reste locale ou circule dans un maillage national de quelque 120 000 caméras. Modifier un seul de ces curseurs transforme la nature du dispositif.
C’est pourquoi débattre des « nouvelles fonctionnalités » de la plateforme rate la cible. Un outil de lutte contre la criminalité n’est pas défini par ce qu’il affiche, mais par ces arbitrages de conception. Un réseau à rétention courte, accès restreint et partage local relève d’une logique ; le même matériel réglé sur rétention longue, accès large et partage national relève d’une autre. Le matériel est identique ; la politique publique qu’il incarne, non.
Ce point rejoint le fil du dossier. Comme pour les rapports d’usage de l’IA, l’acteur qui conçoit le système fixe seul les règles du jeu et communique sur ce qui l’arrange. La transparence porte sur les fonctionnalités ; l’opacité couvre les arbitrages structurants. Pour un citoyen filmé, la différence entre les deux configurations n’a rien de théorique : elle sépare une trace éphémère d’un profil de déplacement durable et interrogeable par des tiers.
Quand l’infrastructure critique montre ses limites
La dépendance croissante à ces systèmes bute sur une réalité physique. Lorsqu’un blizzard lent a frappé le Nebraska, près de 10 % des 150 000 clients de Lincoln Electric System ont perdu le courant, rapporte le même condensé. Soit environ 15 000 foyers privés d’électricité — et, par ricochet, de tout service qui en dépend.
Ce chiffre remet les débats sur l’IA à leur juste échelle. Modèles de langage, caméras connectées, plateformes d’analyse : tout repose sur une couche électrique et réseau dont la fiabilité n’est pas garantie. Un aléa météorologique suffit à interrompre une part significative du service. La sophistication logicielle ne compense pas la fragilité du socle matériel.
Le rapprochement avec Flock est instructif. Un réseau de surveillance dense suppose une alimentation continue et une connectivité stable. Une panne prolongée ne dégrade pas seulement le confort ; elle crée des angles morts opérationnels dans des systèmes présentés comme permanents. La résilience se mesure au pire jour, pas au fonctionnement nominal.
1 400 milliards de dommages, 500 milliards d’infrastructure, 26 % d’embauches
Les contentieux visant le secteur donnent une autre mesure des tensions en cours. Quatre plaignants réclament à eux seuls 1 400 milliards de dollars de dommages, d’après le condensé de la MIT Technology Review. Ce montant dépasse l’entendement financier habituel : il correspond à un niveau de responsabilité qui, s’il était confirmé, redéfinirait le risque juridique de toute la filière.
Mettre ce chiffre en regard des projections d’infrastructure éclaire le rapport de forces. Un déploiement à venir est estimé jusqu’à 500 milliards de dollars, pour une mise en service en 2028. Les dommages réclamés valent donc près de trois fois cet investissement massif. D’un côté on bâtit pour un demi-billion ; de l’autre on conteste pour près du triple. L’écart signale que le risque contentieux pèse potentiellement plus lourd que l’effort de construction lui-même.
Le marché du travail complète le tableau, dans un registre plus modeste. Une catégorie de profils ne comptait que pour 26 % des nouvelles embauches liées à l’IA l’an dernier — le détail de cette catégorie n’étant pas précisé dans les données disponibles à ce jour. À peine un recrutement sur quatre, donc, pour un segment que le discours ambiant présenterait volontiers comme central. L’adoption revendiquée dans les rapports maison ne se traduit pas mécaniquement en volume d’emplois pour ce profil.
Ces trois chiffres — 1 400, 500, 26 — n’appartiennent pas au même registre, mais ils convergent vers un constat. Le secteur avance sous une double pression : des engagements de capital colossaux et une exposition juridique qui les dépasse, dans un marché de l’emploi plus sélectif que la promesse d’une adoption généralisée ne le laisserait croire.
Le spectacle contre la substance
Une critique rapportée par le condensé résume une inquiétude de fond sur ces technologies : « It is a black hole; it absorbs energy and personality and then re-presents it as spectacle », note un commentaire cité par la MIT Technology Review — l’auteur de la formule n’étant pas identifié dans les éléments disponibles. L’image décrit un système qui absorbe énergie et personnalité pour les restituer en spectacle.
La métaphore vaut au-delà de son objet initial. Les rapports d’usage transforment des comportements réels en mise en scène flatteuse. Les annonces de fonctionnalités de Flock détournent l’attention des arbitrages de conception. Dans les deux cas, la surface capte le regard pendant que la structure reste hors champ. Notre lecture : le travail utile consiste précisément à regarder sous la surface — la donnée indépendante côté usages, les paramètres de collecte côté surveillance.
Cette position n’oppose pas une technologie « bonne » à une technologie « mauvaise ». Elle déplace le débat vers la gouvernance de la mesure et de la conception. Qui compte ? Qui garde ? Qui partage ? Ces questions décident du reste, bien avant les performances brutes.
Questions fréquentes
Comment savoir si les rapports d’utilisation de l’IA sont fiables ?
Les bilans publiés par OpenAI ou Anthropic reflètent les données que ces sociétés choisissent de mettre en avant. L’Observatoire IA a été créé pour fournir une lecture indépendante et recouper ces chiffres. En pratique, un rapport maison se lit comme une communication, pas comme une mesure neutre : utile, mais partiel par construction.
Quels sont les risques liés aux caméras de police comme celles de Flock ?
Le risque tient aux choix de conception, pas au matériel. Ce qui est collecté, la durée de conservation, les personnes autorisées à interroger la base et l’étendue du partage définissent l’équilibre entre sécurité et libertés. Un même réseau de 120 000 caméras peut rester local et éphémère, ou devenir un système de traçage national durable, selon ces réglages.
En clair – La mesure de l’usage de l’IA reste contrôlée par les éditeurs ; l’Observatoire IA introduit un contre-pouvoir de données. – Les utilisateurs spécialisent leurs modèles — Claude pour le code, Gemini pour le social, ChatGPT pour les devoirs — invalidant l’idée d’un assistant universel. – Chez Flock, le débat porte sur quatre curseurs — collecte, accès, rétention, partage — qui définissent le système bien plus que ses fonctionnalités. – Les chiffres du secteur (1 400 Md$ de dommages réclamés, 500 Md$ d’infrastructure, 26 % d’embauches) signalent une pression juridique et financière supérieure au récit d’adoption.
Un citoyen filmé par une caméra Flock, comme un utilisateur dont l’usage nourrit un rapport maison, subit les conséquences d’arbitrages qu’il n’a jamais vus. La prochaine échéance à surveiller n’est pas une nouvelle fonctionnalité, mais la publication des règles : durées de rétention, périmètres d’accès, méthodologies de mesure. Tant qu’elles restent le privilège de ceux qui construisent les systèmes, la transparence affichée restera un décor.
Sources – The Download: how people really use AI, and Flock’s design choices — MIT Technology Review, 18 août 2026.
À lire aussi : Comment les grands modèles se spécialisent par usage · Surveillance et lecture de plaques : ce que dit la loi · Capex de l’IA : où va vraiment l’argent
