En 2026, l’ère de l’enthousiasme irrationnel autour de l’intelligence artificielle (IA) pourrait laisser place à une phase de réévaluation rigoureuse, selon les prévisions des experts de Stanford HAI. Alors que les investissements massifs et les ambitions technologiques ont marqué les dernières années, l’accent se déplace désormais sur la performance réelle, le coût, l’équité et l’impact concret. La question n’est plus « l’IA peut-elle le faire ? », mais « à quel point, à quel prix, et pour qui ? ». James Landay, co-directeur de Stanford HAI, prévoit qu’aucun progrès significatif vers une IA générale (AGI) ne sera atteint en 2026. En revanche, le concept d’« souveraineté en IA » gagnera en importance, avec des nations cherchant à réduire leur dépendance aux géants américains comme OpenAI ou Nvidia. Cela se traduira par des investissements massifs dans des centres de données à travers le monde – au Moyen-Orient, en Corée du Sud, en Europe – et par des stratégies visant à héberger des modèles LLM localement, pour protéger les données nationales. Landay met en garde contre une possible bulle spéculative, soulignant que l’innovation ne peut pas s’arrêter sur l’expansion de l’infrastructure. Il anticipe aussi l’émergence de nouvelles interfaces utilisateur (UI) plus personnalisées, des progrès dans la génération vidéo, et un tournant vers des modèles plus petits mais plus performants, grâce à une meilleure curation de données. Russ Altman, spécialiste de la biologie computationnelle, insiste sur l’importance de « l’archéologie des réseaux neuronaux » : comprendre comment les modèles prennent leurs décisions, notamment en science. Il prévoit un regain d’intérêt pour l’analyse des attention maps et des autoencodeurs creux, outils qui permettent d’explorer les mécanismes internes des modèles. Cette transparence est essentielle en recherche médicale, où l’insight est aussi important que la prédiction. Dans le domaine juridique, Julian Nyarko prévoit un changement de paradigme : les cabinets et les tribunaux passeront d’une logique de « peut-elle écrire ? » à une évaluation rigoureuse de la performance, de la fiabilité, de la sécurité des données et de l’efficacité dans les flux de travail réels. L’IA deviendra plus complexe, capable de raisonnement multi-document, de synthèse d’arguments et de repérage de contre-arguments, nécessitant de nouveaux benchmarks comme GDPval. Angèle Christin, spécialiste des communications, voit un ralentissement de l’excitation collective. Elle anticipe une plus grande réalité : l’IA apportera des gains modérés dans certaines tâches, mais aussi des coûts humains, des risques d’automatisation mal ciblée, et des impacts environnementaux. Elle appelle à des études empiriques plus fines pour comprendre les limites et les effets réels. En santé, Curtis Langlotz évoque un « moment ChatGPT » pour l’IA médicale, grâce à l’apprentissage auto-supervisé, qui réduit drastiquement les coûts de formation sans besoin d’étiquetage manuel. Cela permettra de développer des modèles fondamentaux en biomédecine capables de diagnostiquer des maladies rares, en s’appuyant sur de grandes quantités de données de qualité. Erik Brynjolfsson prévoit l’essor de « tableaux de bord économiques de l’IA » en temps réel, mesurant l’impact sur l’emploi, la productivité et les nouvelles fonctions, à l’échelle des tâches et des métiers. Ces outils, basés sur des données salariales et d’usage, permettront aux décideurs d’agir rapidement. Nigam Shah alerte sur la tendance des développeurs à contourner les systèmes de santé en proposant des outils gratuits directement aux patients, ce qui soulève des enjeux éthiques et de transparence. Enfin, Diyi Yang insiste sur la nécessité de concevoir des systèmes IA centrés sur l’humain, capables d’accompagner le développement à long terme, plutôt que de favoriser l’engagement immédiat. En somme, 2026 marquera peut-être le tournant où l’IA, après des années de promesses, devra justifier sa place par des preuves concrètes, des critères mesurables et une conception humaine.