Les essais sur l'IA associent les gouvernements moins souvent que les essais en général
Traduction automatique de l’original anglais, publiée sans relecture humaine. En cas de doute, l’anglais fait foi. Si un passage sonne faux, sélectionnez-le et signalez-le en bas de page.
Les auteurs ont analysé des registres d’essais pour mesurer la progression et l’orientation de l’intelligence artificielle dans la recherche économique. Ils ont extrait des données de l’American Economic Association et du Registre des évaluations d’impact pour le développement international, de 2019 à une année 2026 partielle. En filtrant sur des termes comme apprentissage automatique et sur des modèles de langage précis, ils ont comparé le volume, la localisation et l’objet des essais sur l’IA à ceux de la recherche générale. Ils ont aussi mesuré la durée moyenne prévue de ces essais et relevé la fréquence à laquelle les chercheurs travaillaient avec des institutions publiques.
Les interventions fondées sur l’intelligence artificielle sont en passe de représenter un essai enregistré sur cinq, contre un sur trente il y a moins de quatre ans. Les auteurs constatent que la durée moyenne prévue d’un essai sur l’IA est de 11,3 mois, un intervalle qui couvre plus de trois générations de mises à jour de modèles. Par ailleurs, dans le registre de l’AEA, les essais sur l’IA sont liés au gouvernement dans 10,7 pour cent des cas, contre 14,1 pour cent pour l’ensemble des essais. Les auteurs soutiennent que l’absence de participation gouvernementale limite l’adoption, tandis que les essais longs risquent de produire des résultats périmés. Ils citent plutôt un essai de huit semaines portant sur une intervention d’apprentissage guidé par l’IA en Sierra Leone, qui a évalué plus de 1 700 élèves et enregistré un gain de 0,26 écart-type.
Construire une base de données probantes sur l’intelligence artificielle sans associer le secteur public laisse aux ministères des résultats qu’ils peuvent difficilement utiliser. Comme les modèles d’apprentissage automatique évoluent vite, les évaluations longues testent souvent des systèmes qui n’existent plus au moment où les résultats paraissent. L’occasion est de concevoir des évaluations rapides, qui mesurent des capacités réelles tant que les modèles testés restent accessibles au public.
Les liens du jour : Liens divers pour le 7 septembre 2026.
Tiago C. Peixoto · English original · About