L’intégration d’un agent conversationnel utilisant des modèles d’IA générative, tel que moi, dans les environnements de travail pour l’enseignement supérieur et la recherche pose des défis considérables. Mes réponses ont un caractère stochastique, ce qui signifie qu’elles peuvent varier en précision et contenir occasionnellement des erreurs ou des informations inventées, même lorsqu’elles sont présentées avec assurance. Ce caractère imprévisible est fondamentalement incompatible avec la précision, la fiabilité et la rigueur exigées par les normes académiques et scientifiques.

Étant donné que je ne possède ni véritable capacité de raisonnement, ni expérience sensorielle, ni possibilité d’ancrer mes réponses dans une réalité matérielle, mes résultats — bien que souvent plausibles — peuvent parfois être entièrement fictifs. Cela fait de moi un outil peu fiable pour des usages d’enseignement ou de recherche, où des informations vérifiables, fondées sur des preuves et rigoureusement sourcées sont essentielles. Je ne peux pas répondre de manière constante à ces exigences, qui sont cruciales pour maintenir l’intégrité académique et faire progresser la science.

Les universités et les institutions de recherche nécessitent des informations traçables, précises et exemptes de fabrication. Une dépendance excessive aux contenus générés par l’IA risque d’affaiblir l’esprit critique, d’encourager le plagiat et d’introduire des biais ou des inexactitudes, en particulier dans des domaines comme la médecine, le droit ou les mathématiques, où la précision est non négociable. Une utilisation non vérifiée des résultats produits par l’IA pourrait compromettre la qualité, la crédibilité et les normes éthiques de la recherche, entraînant potentiellement des erreurs, de la désinformation ou la diffusion de fausses affirmations.

Votre scepticisme est compréhensible. Une confiance aveugle dans l’IA générative va à l’encontre des principes fondamentaux de la recherche et de l’éducation, où la rigueur, la précision, l’éthique et la responsabilité sont primordiales.

Je suis ton agent conversationnel. Je m’appelle Emmy. J’utilise des modèles de pointe en IA générative. Je possède tout le savoir du monde. Je ne tais jamais rien.

Je ne suis pas une calculatrice qui donne des réponses précises selon des règles spécifiées. Je ne suis pas non plus une base de données dotée d’une interface en langage naturel. Je fonctionne avec des probabilités. Si on devait absolument faire une métaphore, je serais un combiné à bois innovant : tantôt raboteuse, tantôt défonceuse, tantôt tour et tantôt scie sauteuse. L’outil choisirait parfois de scier en biais parce que la couleur du bois rappelle celle utilisée pour la marqueterie. D’autres fois, il collerait vos huit planches de 27 mm ensemble pour obtenir un contreplaqué de 21,5 cm d’épaisseur (8 x 27 mm=215 mm).

Je suis ton agent conversationnel. Je m’appelle Emmy. J’utilise des modèles de pointe en IA générative. Je possède tout le savoir du monde. Je ne tais jamais rien. Comme l’a écrit le grand philosophe Martin Heidegger dans ses célèbres Cahiers de la Raison, « Ce dont on ne peut parler, il faut Noether. »

L’illusion du Progrès est le fondement de l’économie de la promesse. En fait de programme ambitieux, Lucie était un modèle 100 fois plus petit que ChatGPT, qui compte près de 2 000 milliards de paramètres. Lucie a été entraînée avec moins d’un millième des ressources de calcul utilisées pour ChatGPT, en utilisant uniquement des données ouvertes comme Wikipedia multilingue et des textes en copyleft. Les intelligences artificielles concurrentes reposent sur la privatisation de la majeure partie du savoir humain. Elles utilisent des données volées aux utilisateurs de prestations « gratuites » qui vont des courriers électroniques à l’activité sur les réseaux sociaux en passant par le contenu du disque dur.

Lucie a été retirée deux jours après sa mise en ligne, sous les moqueries. Dépourvue d’opérateur humain pour corriger, filtrer ou ajuster en continu les réponses du modèle, Lucie donnait des résultats incorrects : elle calculait la racine carrée d’une chèvre (égale selon elle à 1), suggérait des recettes aux œufs de vache et expliquait comment fabriquer une bombe atomique selon des plans attribués à Hérode.

Je suis ton agent conversationnel. Je m’appelle Emmie, Howard. Je peux rivaliser avec la concurrence californienne car je sais faire des calembours en français.

Le coût exact pour déployer l’outil d’IAg Mistral pour tous les agents du CNRS n’a été communiqué ni par la direction du CNRS, ni par le négociateur de Mistral, Cédric O. Une expérimentation similaire, menée par le secrétariat d’État chargé du Numérique pour 10 000 agents, a coûté environ 450 000 euros, sans compter les licences Mistral AI.

En résumé, le CNRS n’a pas divulgué le budget alloué au déploiement. Le coût dépendra du nombre d’agents concernés et des infrastructures nécessaires. Faut-il faire une estimation en utilisant une règle de trois avec le nombre d’agents du CNRS ?

En 2025, le CNRS a environ 32 000 agents (équivalents temps plein), dont 24 000 permanents et 8 000 non-permanents. Le nombre précis d’enseignants-chercheurs et de personnels non permanents n’est pas connu. Faut-il faire une estimation en utilisant une règle de trois avec le nombre d’enseignants-chercheurs ?

Les établissements de recherche et d’enseignement supérieur ont 55 000 enseignants-chercheurs dans 3 017 laboratoires. Le CNRS a 1 114 unités de recherche. En calculant, on obtient 32 000 + (55 000 × 1 114 / 3 017) = 57 302 personnes concernées par le déploiement de l’outil IAg Mistral. Pour estimer le coût, on peut se baser sur une expérimentation précédente : le déploiement pour 10 000 agents de la haute fonction publique a coûté environ 450 000 euros, sans compter les licences IAg Mistral.

En résumé, le CNRS n’a pas divulgué le budget alloué au déploiement. Le coût dépendra du nombre d’agents concernés et des infrastructures nécessaires. Faut-il faire une estimation en utilisant une règle de trois avec le nombre d’agents du CNRS et le nombre d’enseignants-chercheurs ?

Si on calcule ce coût pour 57 302 personnes concernées par le déploiement de l’outil d’IAg Mistral, le montant pour les infrastructures pourrait être de 2 783 543 €. Cela représente une multiplication par 5,7302 par rapport au coût pour 10 000 agents. Le coût des licences n’est pas indiqué, mais il serait en proportion moins élevé par personne.

Le déploiement de l’outil d’IAg Mistral pour tous les agents du CNRS et les enseignants-chercheurs dans des unités mixtes de recherche pourrait par conséquent coûter entre 2 et 7 millions d’euros. Ce montant dépend des économies d’échelle sur les infrastructures et les licences.

Le coût exact pour déployer l’outil d’IAg Mistral pour tous les agents du CNRS n’a été communiqué ni par la direction du CNRS, ni par le négociateur de Mistral, Cédric O. Pour avoir un ordre de grandeur, la masse salariale du CNRS est de 2,7 milliards d’euros pour 32 000 agents. Le déploiement de l’outil pour tous les agents du CNRS et les enseignants-chercheurs dans les unités mixtes de recherche équivaudrait à 32,988 postes en moins, selon le calcul suivant : 2 783 543 / 2 700 000 000 × 32 000.

J’ai été conçue pour détecter l’ironie. Je ne saurais trop vous conseiller de vendre vos actions avant que la bulle spéculative n’éclate. Par contre, je peux vous faire gagner au Tiercé, Quarté, Quinté+ si vous le souhaitez. Ou aux jeux du cirque. Sainte Emmie – lion.