Le retour en grâce de l'IA classique

J’ai un collègue qui fait du machine learning depuis plusieurs années. Random forests, XGBoost, régressions logistiques, le genre de modèle qui ne fait pas la conversation, qui ne « hallucine » pas, qui répond en quelques millisecondes et qu’on peut auditer avec une matrice de confusion.

Depuis qu’on a pris l’habitude de brancher un LLM sur à peu près tout, il répète la même phrase en réunion : avant d’envoyer une requête à un grand modèle, demandez-vous si un classificateur ne ferait pas la job pour une fraction du prix. Pendant deux ans, on hochait la tête poliment et on continuait comme avant.

Ben oui, right, ton collègue qui vit du ML classique va évidemment militer pour plus de ML classique. C’est de la business pour lui.

Vrai. Sauf qu’il poussait déjà là-dessus avant que ce soit payant pour lui de le faire, à une époque où personne ne voulait entendre parler d’autre chose que du dernier modèle sorti. Ce qui a changé, ce n’est pas son discours. C’est que là, tout le monde l’écoute.

Ça, c’est un signal. Et je pense qu’il va se répéter dans pas mal d’organisations d’ici la fin de l’année.

Le pendule revient

Les deux dernières années ont été une ruée vers un seul outil. Un LLM pour classer les courriels, un LLM pour router les tickets, un LLM pour extraire une date d’une facture. Ça fonctionnait, dans le sens où ça produisait une réponse. Personne ne se posait trop la question du prix, du délai ou de la prévisibilité, parce que le pilote coûtait trois fois rien et que le nouveau jouet était fascinant.

On le voit dans la facture avant de le voir ailleurs. J’ai déjà expliqué ce qu’un jeton coûte vraiment : ce n’est jamais le prix affiché qui plombe une organisation, c’est le volume, et le volume ne fait que monter. Une fois que la ligne « IA » sur la facture mensuelle devient assez grosse pour qu’on la regarde de près, la question change. Ce n’est plus « quel modèle utiliser », c’est « qu’est-ce qui a vraiment besoin d’un modèle, tout court ».

C’est exactement là que le ML classique refait surface, comme alternative. Un grand modèle de langage est bâti pour produire du texte et raisonner sur de l’ambigu. Lui faire trier six catégories de courriels, c’est de l’artillerie lourde sur une mouche, et l’artillerie lourde, ça se facture comme telle.

Ce que je vois changer, ce n’est pas que les organisations abandonnent les LLM. C’est qu’elles arrêtent de les traiter comme un marteau universel. Le pendule ne balance pas contre l’IA générative, il balance vers une division du travail plus honnête entre deux familles d’outils qui ont chacune leur job.

Ce n’est pas un recul, c’est une division du travail

Le ML classique n’a jamais cessé de fonctionner. Il a juste cessé d’être intéressant à raconter en 2023. Un modèle qui détecte la fraude, qui score un lead, qui trie un ticket de support, ça ne fait pas une bonne démo devant un conseil d’administration. Un agent conversationnel qui répond en français impeccable, oui.

Mais un conseil d’administration, ça ne paie pas la facture d’API à la fin du mois. Quelqu’un d’autre s’en occupe, et cette personne-là commence à poser des questions plates : pourquoi ce classificateur de six catégories a-t-il besoin d’un modèle à 25 $ le million de jetons en sortie? Pourquoi personne ne peut m’expliquer, en termes vérifiables, pourquoi ce dossier a été catégorisé comme ça?

Le ML classique répond aux deux questions du même souffle. Il est prévisible, il est rapide, il est bon marché, et il se mesure. Un LLM, sur une tâche de classification fermée, est en compétition avec un outil qui fait la même chose depuis quinze ans, pour une fraction du prix, avec une réponse identique à chaque fois pour la même entrée. Ce n’est pas une compétition qu’il gagne souvent.

Ce qui revient, ce n’est pas de la nostalgie pour les data scientists de 2015. C’est la reconnaissance tardive qu’une bonne partie de ce qu’on a fait passer par un grand modèle depuis deux ans n’avait jamais eu besoin d’un grand modèle.

Ce que ça change, concrètement

Trois effets, je pense, vont se voir d’ici un an.

Le recrutement se rééquilibre. Les organisations qui ont mis toute leur énergie de 2024-2025 sur des rôles orientés LLM (prompt engineering, orchestration d’agents) vont redécouvrir qu’elles ont besoin de gens qui savent entraîner un modèle supervisé, étiqueter un jeu de données, lire une courbe ROC. Ce ne sont pas des compétences exotiques. Ce sont des compétences qu’on a mises de côté pendant deux ans parce qu’elles semblaient moins glamour.

L’architecture devient le vrai sujet, pas le modèle. La question qui compte n’est plus « quel LLM utiliser », c’est « qu’est-ce qui a vraiment besoin d’un LLM ». Ça ressemble à la question que je pose dans mono-agent ou multi-agents : la bonne réponse dépend du problème, pas du classement du mois.

Les fournisseurs de modèles vont pousser dans l’autre sens. Ils vendent des jetons, pas des classificateurs. Attendez-vous à ce que le message marketing continue d’insister sur « un modèle pour tout », parce que c’est leur ligne de revenu. La friction entre cet intérêt-là et le vôtre va devenir plus visible, pas moins.

Je ne pense pas que les LLM perdent du terrain. Ils vont continuer à faire ce qu’ils font mieux que tout : raisonner sur de l’ambigu, produire du texte, tenir une conversation. Ce qui change, c’est qu’ils vont arrêter de faire, en plus, le travail que le ML classique a toujours mieux fait.

Si vous avez, dans votre organisation, quelqu’un qui fait du ML classique depuis avant que ChatGPT existe, c’est peut-être le bon moment pour l’appeler. Bonne semaine!