Les entreprises coupent les budgets face au “slop” généré par l’IA

1. Un engouement qui s’essouffle dans les bureaux

Après une phase d’enthousiasme quasi automatique, l’usage de l’intelligence artificielle en entreprise montre des signes de fatigue. De plus en plus de dirigeants constatent que les promesses de productivité se heurtent à une réalité moins flatteuse : des coûts qui montent, des résultats parfois décevants et une production abondante de contenus faibles en valeur ajoutée. Dans certains services, l’IA a même été utilisée pour donner une impression d’efficacité plutôt que pour résoudre de vrais problèmes.

• Promesse initiale : automatiser, accélérer, réduire les tâches répétitives.
• Réalité observée : hausse des dépenses en outils et en tokens, sans gain clair.
• Effet pervers : multiplication de contenus standardisés, souvent peu relus et peu utiles.

2. Des géants de la tech freinent sur l’automatisation totale

Selon plusieurs médias, des groupes comme Meta réajustent leurs ambitions. L’idée de remplacer massivement des salariés par des agents d’IA paraît désormais moins séduisante face aux limites constatées sur le terrain. Microsoft semble suivre une logique similaire, alors même que l’entreprise mise fortement sur la vente de solutions liées à l’IA. Ce revirement partiel montre qu’entre les annonces spectaculaires et le déploiement réel, l’écart reste important.

• Meta : réduction d’objectifs trop ambitieux sur le remplacement de personnel.
• Microsoft : discours plus prudent sur l’usage quotidien de l’IA en entreprise.
• Constat partagé : l’IA ne remplace pas encore efficacement le jugement humain.

3. Le “workslop”, nouveau visage du contenu médiocre

Le phénomène le plus visible est celui du workslop, c’est-à-dire des documents, comptes rendus ou notes générés rapidement par IA, mais sans profondeur ni apport nouveau. Ryan Roslansky, cadre chez Microsoft, a décrit ce problème comme un cercle vicieux : un document généré par IA est lu, puis résumé par une autre IA, sans qu’aucune idée originale n’émerge. Ce type de pratique peut faire gagner du temps à court terme, mais il dégrade la qualité du travail collectif.

• Exemple concret : un mémo produit automatiquement, puis condensé à nouveau par une IA.
• Résultat : perte de nuance, banalisation des idées, faible créativité.
• Conséquence : les équipes passent du temps à filtrer plutôt qu’à construire.

4. Une inquiétude grandissante chez les dirigeants

Les responsables des ressources humaines et les dirigeants d’entreprise affichent une prudence de plus en plus nette. Johnny Taylor Jr, à la tête de la Society for Human Resource Management, résume bien le malaise : les entreprises avancent à toute vitesse tout en construisant l’infrastructure en même temps. Cette impression d’improvisation alimente une demande croissante pour des déploiements plus progressifs, mieux encadrés et davantage centrés sur des usages réellement mesurables.

• Problème majeur : adoption rapide sans cadre solide.
• Besoin identifié : gouvernance claire, formation et règles d’usage.
• Priorité : distinguer les gains réels des effets d’annonce.

5. Les risques dépassent le simple contenu de faible qualité

Le danger ne se limite pas à des textes médiocres. Un rapport d’Ernst & Young cité dans l’article indique que 36 % des cadres responsables de l’IA dans des entreprises de plus d’un milliard de dollars de chiffre d’affaires ont déjà connu un incident majeur lié à l’IA. Ces événements peuvent entraîner des pertes financières, des interruptions d’activité, des fuites de données ou des atteintes à l’image de marque. Cela rappelle que l’IA doit être traitée comme une technologie puissante, mais aussi fragile si elle est mal contrôlée.

• Risques financiers : gaspillage de budgets, mauvaise allocation des ressources.
• Risques opérationnels : erreurs dans les processus, interruptions de service.
• Risques stratégiques : perte de confiance, réputation fragilisée, données sensibles exposées.

6. Vers une utilisation plus sobre, utile et maîtrisée

Le ralentissement actuel ne signifie pas la fin de l’IA en entreprise, mais plutôt un retour à une approche plus réaliste. Les organisations semblent comprendre qu’un outil ne devient pas automatiquement performant parce qu’il est nouveau. Les cas d’usage les plus pertinents restent ceux où l’IA aide à résumer, classer, automatiser des tâches répétitives ou soutenir l’analyse, à condition qu’un humain contrôle le résultat. Pour être réellement utile, l’IA doit être intégrée à des processus clairs, avec des indicateurs précis et une vigilance constante sur la qualité.

• Usages efficaces : tri d’informations, aide à la rédaction, assistance à l’analyse.
• Bonnes pratiques : validation humaine, transparence, tests réguliers.
• Objectif final : produire mieux, pas seulement produire plus vite.