L'ère de la vérification par l'IA : au-delà du discours actuel sur l'IA

Le Dr Patrick Lucey est directeur scientifique chez Stats Perform, où il dirige la stratégie de recherche et d’innovation de l’entreprise en matière d’IA. Dans cet article, il examine comment le débat sur l’IA évolue : il ne s’agit plus seulement de ce que les systèmes peuvent générer, mais aussi de ce que les organisations peuvent utiliser en toute confiance, vérifier et mettre en œuvre à grande échelle – et explique pourquoi le sport est en train de devenir un terrain d’essai pour cette nouvelle ère.

Au cours des derniers mois, j'ai parcouru l'écosystème de l'IA, des scènes survoltées de NVIDIA GTC et du MIT Sports Summit en passant par l’orientation stratégique du Wisconsin AI for Business Summit, notre propre Opta Forum, ainsi qu’une salle de cours de l’EMBA.

Au-delà des sommets et des conférences, il apparaît clairement que nous avons atteint un point de basculement. Le débat n’est plus centré sur la « nouveauté » descapacités desmodèles actuels d’IA agentique, mais sur la nécessité de ce qu’ilsdevraientaccomplir. Nous cessons de considérer l’IA comme un chatbot réactif pour la traiter comme un système de production proactif – une « usine d’IA ». Cependant, avant de déployer ces usines, nous devons nous assurer que les mécanismes de vérification et de contrôle nécessaires sont en place. Alors que le monde des affaires se concentre sur le déploiement de ces systèmes dans le domaine numérique, l’engouement pour la recherche et l’innovation est résolument centré sur l’IA physique.   

Mais quel est le rapport avec ce que nous faisons dans le monde du sport ? 

Le sport est unique en son genre, car il se situe à la croisée idéale entre le monde physique et le monde numérique. Alors que de nombreux secteurs d’activité évoluent exclusivement dans l’univers numérique, fait de textes, de codes et d’images, le sport repose fondamentalement sur ce que les êtres humains accomplissent avec leur corps en temps réel. C'est l'un des atouts les plus précieux de la planète – non seulement sur le plan économique, mais aussi social – et il fait partie intégrante de notre tissu social mondial, reliant les communautés au-delà des frontières grâce à un langage universel. Parce que ces moments humains nous tiennent tant à cœur, la création des données et leur utilisation via l'IA doivent être irréprochables. Ma motivation pour cet article est double : 

1. Faire le lien entre les écosystèmes :pour que le monde du sport soit pleinement conscient des évolutions rapides qui s'opèrent dans le domaine de l'IA au sens large – notamment la transition vers des flux de travail autonomes et les « usines d'IA » – et de la manière dont ces tendances mondiales ont désormais un impact direct sur le terrain. 
2. Le sport, terrain d'essai par excellence :pour démontrer aux acteurs du monde non sportif que le travail que nous menons dans le domaine de l'IA appliquée au sport compte parmi les plus sophistiqués qui soient. Étant donné que nous devons déterminer la réalité physique en temps réel et à grande échelle, le sport constitue le « test de résistance » ultime pour évaluer la fiabilité de l'IA et la prochaine génération de cette technologie, qui s'articule autour de la vérifiabilité, de la confiance et de la fiabilité. 

Vous trouverez ci-dessous un résumé des principales tendances que j'ai observées au cours de cette période, ainsi que la manière dont celles-ci s'inscrivent dans le cadre de nos activités chez Stats Perform.

1. Utiliser les jetons à bon escient 

Lors de la conférence GTC de NVIDIA, le PDG Jensen Huang a souligné que nous avions dépassé l'ère des centres de données traditionnels. Pendant des décennies, ceux-ci ont été des centres de coûts passifs – de véritables entrepôts numériques conçus pour le stockage et la récupération d'informations. Aujourd'hui, nous construisons des « usines d'IA » : des installations où un véritable travail est accompli. Dans ce nouveau paradigme, l'IA agentique est le moteur qui exécute ce travail. 

Concrètement, ces systèmes « Agentic » fonctionnent comme des employés numériques : ce sont des systèmes capables de planifier, d'utiliser des logiciels et d'exécuter de manière autonome des flux de travail comportant plusieurs étapes. Des outils tels que Claude Code ou OpenClaw donnent un aperçu de ce nouveau « travail automatisé ».

Du point de vue des opérations commerciales, le débat est passé de « Comment utiliser l'IA ? » à « Comment tirerle meilleurparti de l'IA ? », en mettant l'accent sur la valeur ajoutée et l'efficacité. Si l'IA a considérablement simplifié l'écriture de code ou la création de contenu, elle s'accompagne également d'une nouvelle charge de travail : la nécessité de maintenir et de vérifier les nouvelles bases de code et les résultats générés. 

Nous devons faire preuve de pragmatisme quant à l'utilisation de ces systèmes. Les jetons ne sont pas gratuits. Utiliser un agent doté d'une grande capacité de raisonnement pour une simple requête dans un tableur revient à utiliser un moteur à réaction pour aller faire ses courses. C'est pourquoi nous voyons les entreprises spécialisées dans l'IA modifier rapidement leurs modèles tarifaires afin de refléter lecoût réel de l'utilisation des systèmes d'IA agentique. Si les entreprises ne font pas attention, elles risquentd'épuiser leur budget de calcul en un clin d'œil.  De plus, chaque action automatisée représente également un nouveau risque de sécurité – cequ’a récemment démontré le modèle Mythos d’Anthropicen exposant en quelques secondes des vulnérabilités qui avaient échappé à des décennies de vérification humaine. 

À bien des égards, cela reflète un principe fondamental de l'apprentissage automatique classique : parfois, un modèle linéaire est plus performant qu'un réseau neuronal profond, car il est plus facile à régulariser, plus facile à interpréter et plus résistant aux erreurs. 

Le message pour 2026 est clair :

Si vous ne comprenez pas le fonctionnement du système d'IA et que vous ne pouvez pas le vérifier, vous ne devriez probablement pas le créer. L'argument de la « boîte noire » n'est plus valable. À mesure que des réglementations telles quela loi européenne sur l'IAentrent pleinement en vigueur et que les lois des États américains instaurent une responsabilité civile stricte, les organisations sont désormais légalement et éthiquement responsables de chaque « hallucination » de leurs systèmes autonomes. Vous ne pouvez pas vous retrancher derrière un système que vous ne comprenez pas.

Pour réussir à l'ère de l'IA, les entreprises ont besoin d'experts capables de superviser les systèmes d'IA, d'identifier les cas limites et d'intervenir si nécessaire. 

2. L'ère de l'expert en contexte

Que ce soit lors des sommets ou dans les salles de classe que j’ai visités, une question revenait sans cesse dans toutes les conversations : «Quel est l’avenir de mon métier ?» Tant pour les jeunes diplômés que pour les travailleurs licenciés, l’essor de l’IA agentique – ces systèmes capables de naviguer de manière autonome dans le monde numérique et d’écrire leurs propres logiciels – asuscité une crainte bien réelle.

Pourquoi ce recul ? À mon avis, c’est parce que « l’ère du codeur » cède la place à « l’ère de l’expert en contexte ». Les connaissances générales en programmation deviennent de plus en plus banalisées. Ce qui fait désormais la différence, c’est une expertise approfondie du domaine – en particulier dans le « dernier kilomètre », où les cas limites, les contraintes et la variabilité du monde réel doivent être compris et vérifiés. Alors que l'IA gère les cas courants, l'expertise humaine devient essentielle pour garantir que les systèmes se comportent correctement dans les scénarios qui comptent le plus. 

Dans des domaines réglementés tels que la médecine, le droit et la finance, la valeur passe d'une « estimation » générative à un audit déterministe. C'est le paradoxe de Jevons en action : à mesure que l’IA rend les tâches cognitives de base moins coûteuses et plus rapides, nous n’en faisons pas moins – nous en produisons exponentiellement plus. Nous l’avons déjà constaté en comptabilité avec l’introduction du tableur électronique – beaucoup s’attendaient à ce qu’il réduise le besoin de comptables, mais ila finalement élargi le domaine.  À mesure que la production augmente, le risque augmente lui aussi. Il n’en résulte pas une diminution du travail, mais une demande croissante d’expertise de haut niveau pour vérifier, valider et, en fin de compte, garantir ce travail. L’IA facilitera ce processus, mais la responsabilité ne peut être automatisée : les experts humains restent indispensables pour la vérification et la validation. 

Je ne pense toutefois pas que la programmation soit appelée à disparaître en tant que compétence fondamentale. Au contraire, ce qui fera la différence, c’est la combinaison de solides compétences en programmation et d’une expertise approfondie dans un domaine spécifique. La programmation et l’IA deviendront de plus en plus des fondements communs à toutes les disciplines : non pas des spécialités isolées, mais des compétences essentielles. 

Dans le sport, on ne peut pas faire semblant d'être un expert.

Les enjeux sont trop importants et le contexte trop spécifique. Le nouvel obstacle à l'entrée ne réside pas seulement dans les compétences techniques, mais aussi dans la maîtrise du domaine nécessaire pour valider les résultats de l'IA et évoluer vers des niveaux supérieurs de la chaîne de valeur, en passant de l'analyse descriptive à l'innovation prescriptive qui a un impact réel pour les équipes et les supporters.

Un exemple frappant de cette évolution est apparu lors de notre Forum Opta.

Historiquement, les analystes et les data scientists étaient accaparés par la gestion des tableaux de bord et la production de rapports courants. Avec Agentic AI, cette dynamique est en train de changer. Le tableau de bord se transforme en une couche de vérification : il n’est plus une fin en soi pour découvrir des informations, mais une interface permettant de contrôler et de valider le travail préparé par les systèmes d’IA. Lors de nos échanges avec les plus grands clubs du monde entier, un thème récurrent est ressorti : les analystes et les data scientists peuvent enfin se concentrer sur les problèmes qu’ils ont toujours voulu résoudre. 

Cette évolution permet aux analystes de passer de la simple gestion des résultats à la garantie de leur intégrité, ce qui leur libère du temps pour s'attaquer à l'arriéré de problèmes à forte valeur ajoutée et à fort impact qui leur étaient auparavant inaccessibles. 

3. L'IA physique et le coût croissant de l'erreur

Lorsque la plupart des gens pensent à l’IA physique, ils imaginent des robots humanoïdes. Alors que la robotique s’impose rapidement comme la prochaine grande frontière, une avancée décisive réside dans le développement demodèles du monde– des systèmes d’IA capables de comprendre et de simuler la physique et les interactions du monde réel avec une précision croissante. Contrairement aux LLM et VLM traditionnels, qui raisonnent principalement sur du texte et des images, les modèles du monde apprennent des représentations conjointes d'objets, d'environnements, de mouvements et de dynamiques d'interaction dans un espace d'intégration partagé. Ces modèles sont fondamentaux pour permettre la perception, le raisonnement, la planification et la prise de décision dans des environnements physiques. 

Pendant des années, nous avons évolué dans un environnement numérique isolé, où les erreurs se traduisaient par des liens rompus ou des résultats erronés. Dans le monde réel, les erreurs ont des conséquences concrètes. Le coût d'une erreur augmente considérablement. C'est pourquoi la vérification revêt une importance cruciale. 

L'un des principaux catalyseurs de cette évolution est l'utilisation de jumeaux numériques haute fidélité – des environnements synthétiques dans lesquels les systèmes peuvent être formés et testés en toute sécurité avant d'interagir avec le monde réel. Mais la qualité de ces systèmes dépend entièrement des données et des hypothèses sur lesquelles ils reposent. Un excellent exemple en est la manièredont Waymo utilise le modèle Genie 3 de Googlepour simuler des scénarios réalistes, très difficiles à reproduire dans la vie réelle. Ces situations ne se sont peut-être jamais produites auparavant, mais elles pourraient très bien se produire ; il est donc essentiel, pour la sécurité et la fiabilité, de disposer d’un système sachant comment réagir dans ces circonstances.

Cela crée un nouveau type de « fossé des données » : il ne s'agit plus seulement d'échelle, mais aussi de précision et d'ancrage dans la réalité. Cela renforce la nécessité d'une expertise approfondie dans le domaine – des scientifiques et des ingénieurs qui veillent à ce que les systèmes d'IA reflètent les réalités dans lesquelles ils sont censés fonctionner. 

À mesure que l'IA s'intègre de plus en plus au monde physique, le rôle de l'expertise humaine ne s'amenuise pas : il devient au contraire plus crucial que jamais. Car lorsque les systèmes interviennent dans le monde réel, la confiance n'est plus une option :c'est une nécessité. 

4. Le sport, un véritable casse-tête

Le sport se situe à la croisée des mondes physique et numérique.

Pendant des décennies, l'IA dans le domaine du sport a servi à diffuser des informations : graphiques, résumés, statistiques simples. Aujourd'hui, les supporters et les équipes souhaitent interagir avec les données. C'est là que l'IA générale montre ses limites et que l'IA spécialisée devient indispensable. Développer une IA pour le sport ne se résume pas à appliquer des modèles généraux (comme les grands modèles de langage ou les modèles du monde) : cela nécessite une connaissance approfondie des données, des aspects techniques et du langage propre à ce sport.

L'atout de Stats Perform réside dans son expertise approfondie dans trois domaines fondamentaux propres au sport : 

• Le registre du sport : pour être fiable, l'IA appliquée au sport repose sur une couverture de données exclusive, exhaustive et mise à jour en permanence, qui n'existe pas sur le Web public. La mise en place de systèmes fiables nécessite des représentations complètes et finement structurées du jeu – des flux d'événements seconde par seconde aux métadonnées contextuelles. Sans ce « registre » sportif bien ancré, même les assistants IA polyvalents les plus avancés auront souvent des visions erronées des faits de base et ne parviendront pas à fournir des analyses tactiques fiables. C'est là que Stats Perform excelle : en combinant une couverture de données approfondie, une expertise du domaine et des systèmes d'IA bien ancrés, conçus spécifiquement pour le sport.
• Le modèle physique du terrain de sport :pour comprendre le sport, il faut s'ancrer dans l'espace et le temps. Chez Stats Perform, nous construisons un modèle physique du terrain – en alignant avec précision la vidéo sur les coordonnées du monde réel. Mais le défi ne consiste pas seulement à suivre les joueurs – il s'agit de modéliser la manière dont ils interagissent. Le jeu possède sa propre « physique », régie par le mouvement, l'espace et la tactique. Cela nous permet de prendre en compte les occlusions, les mouvements sans ballon et le contexte caché – produisant ainsi des données complètes, ancrées dans la réalité et vérifiables. 
• Le langage du jeu : lesdonnées brutes ne suffisent pas. Le sport possède son propre langage, qui combine des indicateurs descriptifs (buts attendus, menace attendue), des modèles prédictifs et le contexte tactique. Nous avons développé un vocabulaire qui permet à l'IA de décrire le jeu avec une rigueur digne des experts, à grande échelle et de manière accessible à tous.

Ce fond de teint permet la mise en place de notre système à trois couches : 

1. Détection– identifier avec précision « quoi », « où » et « qui ».
2. Langage– traduire les événements dans le langage structuré du sport.
3. Raisonnement– permettre aux utilisateurs d'explorer, de remettre en question et de comprendre le jeu dans son contexte. Cette couche offre une véritable interactivité, grâce à la fois à des modèles d'IA généraux fonctionnant sur le langage propre à notre domaine et à des modèles spécialisés conçus pour une analyse et une prédiction plus approfondies.

Ce sont ces couches qui garantissent la fiabilité des systèmes d'IA.

Sans une perception et un langage ancrés dans la réalité, le raisonnement s'effondre. En transformant le tableau de bord en une couche de vérification, les analystes montent d'un cran dans la chaîne de valeur – passant de la production de résultats à leur validation –, ce qui leur permet de se concentrer sur une modélisation plus approfondie et sur l'innovation.

Il ne s'agit pas de créer des outils plus rapides. Il s'agit de mettre en place une « couche de vérité » pour l'un des domaines les plus importants au monde. 

Pour ceux qui souhaitent approfondir le sujet, vous trouverez ci-dessous des liens vers mes interventions spécifiques lors de la conférence NVIDIA GTC et du forum Opta.