Menu
Blog Web & Mobile

Laurent Alexandre et l’essor exponentiel de l’intelligence artificielle : une révolution cognitive imminente ?

En janvier 2025, Laurent Alexandre a défendu une thèse volontairement provocatrice : la progression de l’intelligence artificielle pourrait transformer la place de l’intelligence humaine dans l’économie, jusqu’à rendre certaines organisations et compétences méconnaissables.

Ses prévisions sur le QI des modèles et leur supériorité future ont largement circulé. Mais que mesurent réellement ces comparaisons, que peut-on vérifier et quelles décisions en tirer pour une entreprise ?

Cet article revient sur l’intervention de Laurent Alexandre au Cercle Humania, distingue ses anticipations des résultats scientifiques disponibles en 2026, puis propose une lecture opérationnelle pour les dirigeants de PME et d’ETI. L’enjeu n’est ni de croire chaque prédiction, ni de minimiser les progrès observés : il est de choisir comment utiliser l’IA sans confondre puissance technique, fiabilité et jugement.

Les prédictions de Laurent Alexandre sur l’IA

Le 28 janvier 2025, invité à un dîner-débat du Cercle Humania, Laurent Alexandre, médecin, entrepreneur et essayiste, a décrit ce qu’il considère comme une révolution cognitive. Le compte rendu publié par Maddyness le 14 février 2025 rapporte plusieurs de ses affirmations, dont une projection où l’intelligence humaine représenterait, à dix ans, un millième des capacités de l’IA.

Il avançait également qu’un modèle progresserait d’un point de QI tous les 4,5 jours et que seule une personne sur 16 000 dépasserait en intelligence une version de ChatGPT. Ces chiffres sont ici rapportés comme des propos attribués à Laurent Alexandre, pas comme des mesures validées de l’intelligence générale. Ils supposent une définition commune du QI humain et de la compétence des systèmes d’IA, précisément ce qui fait débat.

Sa thèse centrale reste néanmoins intelligible : lorsque les outils accomplissent davantage de tâches intellectuelles à moindre coût et plus rapidement, les compétences, la formation, la hiérarchie et la concurrence évoluent. Cette question mérite d’être étudiée indépendamment de la précision de ses échéances.

Trois affirmations à ne pas confondre

Affirmation rapportéeCe qu’elle permet de discuterLimite méthodologique
« Un point de QI tous les 4,5 jours »L’accélération des performances sur certains testsUn score de QI humain n’est pas une unité universelle de performance des modèles ; la méthode de calcul doit être examinée.
« Un Français sur 16 000 plus intelligent que ChatGPT »La comparaison entre capacités cognitives et résultats à des épreuvesLe test, l’échantillon, le modèle et la date sont indispensables pour interpréter l’affirmation.
« L’IA mille fois supérieure dans dix ans »L’hypothèse d’un bouleversement majeur des métiers et décisionsUne projection prospective n’est pas une observation mesurée ni une garantie sur un horizon de dix ans.

Intelligence de l’IA : ce que mesurent vraiment les tests

Les résultats techniques donnent une raison sérieuse de suivre ces progrès. Le rapport AI Index 2026 de Stanford décrit des améliorations rapides sur des tests de raisonnement, de mathématiques, de programmation ou de compréhension multimodale. Plusieurs évaluations autrefois difficiles sont désormais atteintes ou dépassées par les systèmes les plus performants.

La conclusion ne doit pourtant pas être « l’IA est meilleure que l’humain en tout ». Les performances sont très inégales selon les tâches : un modèle peut exceller à un examen complexe et commettre une erreur élémentaire de perception, de contexte ou de manipulation. Les agents capables d’utiliser des outils restent susceptibles d’échouer dans des tâches structurées. Un benchmark mesure ce qu’il a été conçu pour mesurer, dans des conditions déterminées, et non une intelligence globale sans contexte.

La comparaison pertinente pour une entreprise n’est donc pas « quel est son QI ? », mais « quelle proportion de nos tâches peut-elle accomplir correctement, avec quelles données, quel degré d’autonomie, quels contrôles et quel coût total ? ». Les questions de machine learning et d’IA agentique prennent alors un sens très concret.

Pourquoi un bon résultat sur un benchmark ne garantit pas une bonne décision

Prenons la préparation d’un devis complexe. Un assistant peut résumer le cahier des charges, repérer des postes de coût et rédiger une proposition convaincante. Il peut aussi manquer une exclusion contractuelle, utiliser un tarif obsolète ou inventer une compatibilité technique. La qualité linguistique de la réponse ne prouve pas sa justesse métier.

Pour cette raison, il faut tester des cas représentatifs du contexte réel, notamment les exceptions, les données incomplètes et les situations où la bonne réponse consiste à reconnaître une incertitude. Le cadre AI RMF du NIST propose de gouverner, cartographier, mesurer et maîtriser les risques, plutôt que de déduire la fiabilité d’une démonstration réussie.

Emplois, management et gouvernance : ce qui pourrait changer

Laurent Alexandre insiste sur la remise en cause des organisations où une grande partie du travail consiste à transmettre, reformuler ou synthétiser de l’information. L’IA peut effectivement réduire le temps nécessaire à certaines activités ; elle ne démontre pas, à elle seule, la disparition d’une profession. Les emplois sont des ensembles de tâches, de responsabilités, d’interactions et d’arbitrages.

Dans une PME, l’automatisation de comptes rendus, de contrôles documentaires ou de réponses de premier niveau peut libérer du temps. Mais l’effet sur les métiers dépend de ce que l’entreprise choisit d’en faire : absorber davantage de demandes, améliorer la qualité, réduire les délais, modifier les postes ou former les équipes. Les conséquences sociales ne sont pas une simple fonction de la puissance du modèle.

Le manager ne devient pas inutile parce qu’un outil rédige des analyses. Il demeure responsable des objectifs, des critères de qualité, du traitement des conflits, de la confidentialité et des décisions ayant des conséquences sur les personnes. Le besoin de coordination peut diminuer pour certaines tâches répétitives et augmenter pour le contrôle des systèmes. Pour approfondir, voir notre analyse de l’impact de l’IA sur l’emploi.

Trois scénarios plausibles pour une entreprise

ScénarioOrganisation du travailRisque principalDécision à préparer
AssistanceL’IA propose, le collaborateur vérifie et décide.L’outil est peu utilisé ou ses erreurs sont mal détectées.Former, définir des critères de vérification et mesurer le temps réellement gagné.
Automatisation encadréeDes tâches répétables suivent un processus et déclenchent des contrôles.Erreurs en série, exceptions non traitées, dépendances techniques.Fixer un périmètre, un seuil d’alerte et un responsable de reprise manuelle.
Agents connectésUn système recherche, agit dans plusieurs applications et exécute des étapes.Actions non autorisées, sécurité, traçabilité et coûts de supervision.Limiter les droits, journaliser, tester les cas limites et valider les opérations sensibles.

À écouter : le Podcast du Bison

Cet épisode du podcast intégré à l’article permet de prolonger la réflexion sur les perspectives avancées par Laurent Alexandre. Son contenu constitue un éclairage de débat, non une validation scientifique automatique des prévisions évoquées.

Transformer ces prédictions en décisions pour une PME ou une ETI

Chez ImagesCréations, nous revendiquas la posture d’agence digitale “humaine et augmentée”. L’angle utile n’est pas de transposer les prévisions les plus alarmistes dans un plan d’investissement. C’est de partir d’un problème métier vérifiable. Dans un projet digital, une amélioration n’a de valeur que si elle fonctionne dans le parcours réel : pour un visiteur, un conseiller, un chef de projet ou un administrateur.

Une démarche pragmatique commence par la cartographie de quelques processus et la sélection d’un cas où l’on peut mesurer la qualité, le temps, le risque et la satisfaction. L’expérimentation doit conserver une solution de retour arrière, distinguer les données publiques des données confidentielles et impliquer les personnes qui utiliseront réellement le dispositif.

Une grille de décision applicable dès le premier pilote

QuestionIndicateur ou preuve à rechercherCondition de décision
Quelle tâche précise ?Volume, durée, fréquence et variabilité des dossiers.Un cas suffisamment fréquent et délimité.
Quel niveau de qualité ?Jeu de cas métier : exactitude, omissions, vérifications, exceptions.Un seuil de qualité validé par le responsable métier.
Quel coût complet ?Licence ou API, intégration, supervision, maintenance et formation.Un gain net crédible, pas seulement une démo rapide.
Quels risques ?Données personnelles, secrets commerciaux, hallucinations, sécurité, droits d’accès.Mesures de protection et possibilité d’intervention humaine.
Quelle responsabilité ?Propriétaire métier, validation des réponses, journal d’activité, escalade.Un responsable identifié avant mise en production.

Par exemple, pour un service marketing, l’IA peut aider à classer des recherches, préparer plusieurs hypothèses de contenu et analyser des tendances. Elle ne remplace pas l’analyse des données réelles, la validation des sources, la connaissance des clients ni les arbitrages de marque. Nous détaillons ces usages dans notre dossier sur l’intelligence artificielle appliquée au marketing digital.

Autre exemple : dans un service client, un chatbot IA peut répondre à des questions documentées, orienter l’utilisateur et préparer un transfert vers un conseiller. Son succès ne se mesure pas au nombre de réponses générées, mais à la résolution correcte des demandes, au taux de transfert approprié et à la satisfaction des usagers.

Quand ne pas automatiser ?

Une automatisation doit être différée lorsque les informations sources sont contradictoires, quand aucune personne ne peut vérifier le résultat, lorsque les droits d’accès ne sont pas maîtrisés ou que l’opération peut entraîner un dommage important. Les décisions portant sur des personnes, des paiements, des obligations juridiques ou la sécurité nécessitent une évaluation proportionnée des risques et du cadre applicable.

La CNIL rappelle les enjeux de protection des données dans les systèmes d’IA ; le règlement européen sur l’intelligence artificielle prévoit un calendrier et des obligations différenciées selon les rôles et les catégories de systèmes. Une PME utilisatrice d’un outil, son éditeur et un fournisseur de modèle n’ont pas automatiquement les mêmes obligations.

Ce que la prospective de Laurent Alexandre apporte, et ce qu’elle ne permet pas de conclure

Son mérite est de poser une question inconfortable : que devient une organisation qui considère ses méthodes de production, ses compétences et ses métiers comme immuables alors que les outils changent vite ? Il oblige à réfléchir à la formation, à l’avantage concurrentiel, à la dépendance technologique et à la répartition de la valeur.

Son point faible est le risque de transformer une trajectoire technique incertaine en calendrier inévitable. Les performances des modèles progressent, mais leur évolution dépend de choix industriels, de ressources, de qualité des données, de coûts, de régulation et de limites d’évaluation. Les chiffres de QI ne suffisent pas à projeter l’intelligence humaine ou l’économie sur dix ans.

La prospective aide davantage lorsqu’elle sert à comparer plusieurs futurs possibles qu’à désigner un seul destin. Une organisation peut ainsi préparer une adoption progressive, une accélération forte ou un ralentissement lié aux coûts et à la fiabilité, sans immobiliser ses décisions présentes.

Notre lecture : augmenter les capacités de l’entreprise sans abandonner son jugement

Pour ImagesCréations, la technologie doit servir un objectif humain et économique identifié. L’IA peut accélérer l’exploration, certains développements, l’analyse de données, la production de contenus ou l’assistance utilisateur. Elle n’annule ni le besoin de conception, ni les tests, ni l’expérience des équipes, ni la responsabilité de ceux qui diffusent ou utilisent ses résultats.

Si ces questions vous interrogent, nous vous invitons aussi à lire cette chronique sur le Journal du net. 

La meilleure question pour un dirigeant n’est donc pas de savoir si son entreprise sera dépassée par une machine mille fois plus intelligente. Elle est de déterminer ce qu’il serait imprudent de ne pas expérimenter aujourd’hui, et ce qu’il serait irresponsable de déléguer sans contrôle. C’est à cet endroit que la créativité, la technologie, la performance et la pérennité peuvent se rejoindre.

Vous vous interrogez sur les usages concrets de l’IA dans votre entreprise ?

Nous pouvons vous aider à cadrer un besoin digital, identifier un cas d’usage réaliste et évaluer son intégration à votre site, votre application ou vos processus marketing, avec les contrôles nécessaires.

Échanger avec ImagesCréations sur votre projet

Questions fréquentes sur Laurent Alexandre et l’intelligence artificielle

Laurent Alexandre a-t-il démontré que l’IA possède un QI supérieur à celui des humains ?

Non. Les chiffres qu’il avance relèvent d’affirmations rapportées et de comparaisons qui demandent une méthodologie explicite. Les tests de performance d’un modèle ne sont pas une mesure universelle de son intelligence générale.

L’IA sera-t-elle mille fois plus intelligente que l’humain dans dix ans ?

Il s’agit d’une anticipation, pas d’un résultat démontré. Pour l’évaluer, il faudrait définir une mesure comparable, un périmètre de tâches et un horizon, alors que les capacités évoluent de manière inégale.

Faut-il supprimer des postes de management pour intégrer l’IA ?

Aucune conclusion générale de ce type ne découle des performances des modèles. Il faut analyser les tâches automatisables, les responsabilités de décision, les exceptions et les besoins de supervision propres à chaque organisation.

Par quel usage de l’IA une PME peut-elle commencer ?

Par une tâche répétable, documentée et vérifiable, telle que l’aide à la recherche documentaire ou à la préparation de réponses, en mesurant qualité, coûts, gains et risques sur des cas réels avant tout déploiement.

Sources et références

Dernière révision le 8 octobre 2026 par Olivier Robé, ImagesCréations.