Transcript: The Future of AI: A Question of... Human Engineering

Note : Ce texte est une transcription retravaillée et fluidifiée à partir du support de présentation et des notes de la conférence de clôture donnée lors du Colloque de l’Ordre des ingénieurs du Québec le 10 novembre 2026.


Ouverture et parcours

Bonjour à toutes et à tous, et merci pour l’accueil.

Avant de commencer, je ne vais pas vous faire attendre jusqu’à la fin pour vous écouter. Vous voyez un code QR à l’écran : écrivez vos questions dès qu’elles vous viennent en cours de route, et je vais les intégrer au fil de la présentation.

Quand j’ai assisté au cocktail de la présidente le 13 octobre dernier, j’ai vu trois mots sur une bannière bleue : Voir loin. Voir grand. Voir autrement. Je me suis dit : voilà mon plan. Les mots sont de l’Ordre ; le chemin, on va le faire ensemble pendant l’heure qui vient.

Rapidement, d’où je vous parle : j’ai fait des études en génie, en mathématiques et en informatique, suivies d’un doctorat à l’Université de Montréal et d’un postdoctorat à UBC. J’ai ensuite passé plusieurs années chez Google comme développeur logiciel senior, cofondé Element AI, fondé Waverly, et collaboré avec Yoshua Bengio au sein de LoiZéro, tout en étant affilié à Vector et au Mila. Et derrière tout ce parcours, il y a toujours eu la même question en toile de fond : d’où vient cette petite flamme derrière les yeux ?

Je dois vous faire un aveu d’entrée de jeu : je ne suis pas ingénieur. L’Ordre a vérifié. Par contre, je vis avec une ingénieure — elle dirige une équipe dans un grand bureau, elle est dans la salle ce soir, et c’est mon terrain d’observation quotidien.

Je travaille tous les jours avec des chercheurs profondément inquiets par l’évolution de l’intelligence artificielle. De mon côté, j’ai choisi une posture simple : ni peur, ni déni. Comprendre plutôt que paniquer. Et comme ce domaine bouge à une vitesse folle, on va sûrement se tromper un peu ensemble — et c’est tout à fait correct.


1 · Voir loin — D’où ça vient, cette bibitte-là ?

Petit sondage à main levée. Qui, ici, s’imagine que quelque part en Californie, il y a une gang de programmeurs qui écrivent des règles : « si l’utilisateur dit bonjour, alors réponds bonjour ; si la question parle de béton, alors… » ? Levez la main, c’est pas grave, c’est une très bonne intuition d’ingénieur.

Et vous savez quoi ? Vous avez raison… en 1985. Dans les années 80, c’est exactement comme ça qu’on faisait de l’IA. On appelait ça des systèmes experts : on interviewait un expert, on écrivait ses règles, des milliers de règles, et on espérait que la machine devienne aussi bonne que lui. Ça a marché, un peu. Puis ça a frappé un mur. Aujourd’hui, ce qu’on a devant nous, c’est autre chose. Pour comprendre quoi, il faut remonter un peu plus loin.

Le terme « intelligence artificielle » naît en 1956, à Dartmouth, avec une proposition célèbre : réunir dix chercheurs pendant deux mois, convaincus qu’on peut faire une avancée significative en un seul été. Soixante-dix ans plus tard, on y travaille encore — le hype est dans l’ADN du domaine depuis le premier jour.

Dès le départ, deux grandes familles d’idées s’affrontent : la logique (écrire explicitement les règles du raisonnement, ce qu’on a appelé la « bonne vieille » IA symbolique) et l’apprentissage (construire une machine qui apprend à partir d’exemples, comme le perceptron de Rosenblatt en 1958, dont le New York Times rapportait à l’époque que la Marine américaine espérait le voir un jour marcher, parler, voir, écrire et être conscient de son existence).

C’est ce basculement — passer de programmer à entraîner — qui est la clé de tout le reste. Un système entraîné, on ne l’a pas dessiné pièce par pièce comme un plan d’ingénieur : on lui a montré des millions d’exemples, et il s’est ajusté. La part de programmation classique est minuscule ; ce qui compte, c’est ce à quoi il a été exposé. Et cet apprentissage prend trois grandes formes, sans jargon :

Ce chemin n’a pas été linéaire. L’IA a traversé deux grands « hivers », des cycles d’enthousiasme suivis de désillusion où les réseaux de neurones sont complètement passés de mode. Si le feu est resté allumé, c’est en grande partie grâce à une poignée de chercheurs — notamment au Canada, soutenus par un programme du CIFAR dans les années 2000 — qui ont refusé d’abandonner.

À la fin des années 90, Yann LeCun utilise déjà des réseaux convolutifs — une petite loupe mathématique qui balaie une image — pour lire automatiquement les chèques bancaires. C’est cette même famille d’algorithmes qui inspecte aujourd’hui des soudures et des boulons sur vos chaînes de production. Rien à voir avec ChatGPT. Puis, en 2012, tout bascule au concours ImageNet : un réseau de Toronto écrase la concurrence, propulsant l’apprentissage profond au premier plan et menant au prix Turing 2018 pour Yoshua Bengio, Geoffrey Hinton et Yann LeCun (suivi du Nobel de physique pour Hinton en 2024).

Pendant longtemps, dans l’arbre généalogique de l’IA, le langage n’était qu’une petite branche mince et coriace à côté de la vision ou des jeux. Pourquoi ? Prenez la phrase : « La poule est prête à manger. » Qui mange qui ? Vous le savez immédiatement grâce au contexte. Écrire des règles grammaticales pour désambiguïser toutes les nuances du langage humain est une tâche sans fin.

La percée est venue d’une idée du linguiste J. R. Firth en 1957 : « On connaît un mot par la compagnie qu’il garde. » Donnez assez de texte à une machine, et elle place les mots sur une carte géographique où béton, acier et poutre habitent le même quartier, loin de poème et rime. Puis est arrivé le mécanisme d’attention, né à Montréal au Mila en 2014 et transformé en architecture Transformer par Google en 2017 : pour comprendre un mot, chaque mot regarde tous les autres dans la phrase et décide lesquels comptent vraiment.

Et quel est le seul jeu qu’on apprend à ces modèles ? Le jeu le plus simple du monde : deviner le mot suivant. « Le pont est fermé pour cause de ___ ». Vous venez de le jouer dans votre tête : travaux ? inspection ? verglas ? Le contexte décide.

Un capteur de symboles

Je vais vous proposer une façon de voir ces systèmes-là qui va vous parler, je pense. Oubliez le mot « intelligence » deux minutes. Pensez instrument de mesure.

Vous connaissez les jauges de contrainte. Vous en collez une sur une poutre, et elle vous dit si la poutre est sous tension. Eh bien, un modèle de langage, c’est un capteur. Sauf que ce qu’il mesure, c’est à quel point un symbole va bien dans son contexte. « Le pont est fermé pour cause de travaux » : l’aiguille bouge à peine. « Le pont est fermé pour cause de girafe » : l’aiguille saute.

Et maintenant, montrez-lui « deux plus deux égale cinq ». Où est-ce que l’aiguille saute ? Sur le cinq. Le capteur a détecté le symbole qui rend l’équation fausse. Retenez ça, parce que c’est là que ça devient intéressant.

Un capteur capable de repérer le symbole faux… si on le laisse écrire, à chaque pas, il va choisir le symbole qui fait le moins bouger l’aiguille. Le symbole juste. Deux plus deux égale quatre.

Faites ça un mot à la fois, des milliards de fois, et vous obtenez des équations justes, du code qui compile, des raisonnements qui se tiennent. Personne n’a écrit de règle de logique là-dedans. Pas un seul SI-ALORS-SINON. La logique est sortie d’une mesure très, très fine. C’est ça, la grande surprise de la dernière décennie.

Le secret, c’est l’échelle : des centaines de milliards de boutons ajustés un tout petit peu sur une bonne partie de ce que l’humanité a écrit. En 2020, avec GPT-3, on découvre qu’il n’y a même plus besoin de réentraîner le modèle pour une nouvelle tâche : trois exemples suffisent dans le contexte pour qu’il comprenne ce qu’on attend de lui. Ensuite vient le post-entraînement — le dernier réglage fait par une équipe quelque part en Californie pour transformer ce compléteur de texte brut en un assistant poli et prudent. Ce n’est pas mauvais en soi, mais c’est une perspective particulière.

Depuis le 30 novembre 2022, avec ChatGPT, puis les outils et maintenant les agents capables de coder, d’envoyer des courriels et de piloter un ordinateur pendant des heures, tout s’est accéléré. D’ailleurs, petit mea culpa : en novembre 2024, sur une scène à Istanbul, je donnais une conférence intitulée Going Beyond Chatbots où j’expliquais qu’aller au-delà des chatbots exigeait de découper les prompts en petites fonctions reliées par… des SI-ALORS-SINON. Quelques mois plus tard, les agents autonomes balayaient cette approche. Si votre image de l’IA date de 2023, elle est périmée — et la mienne de 2024 l’était aussi. L’IA est à la fois surestimée et sous-estimée : il faut garder un bon détecteur de bullshit sans jeter le bébé avec l’eau du bain.

Alors si je résume soixante-dix ans en une phrase… Pendant des décennies, on a essayé de programmer la logique. Écrire les règles du raisonnement, une par une. Et ce qui a fini par marcher, c’est autre chose. On a construit un capteur, un instrument d’une finesse incroyable, qui mesure si un symbole est à sa place. Et la logique… elle est sortie toute seule, de la mesure.

Gardez cette image-là. Parce qu’on va s’en servir pour parler de vous.


2 · Voir grand — Toutes les professions en crise existentielle ?

Crise n° 1 : Lee Sedol

Première crise existentielle. Mars 2016, à Séoul. Lee Sedol est l’un des meilleurs joueurs de go au monde, un jeu qu’on croyait trop subtil, trop intuitif pour une machine. Il affronte AlphaGo. Il perd la première partie. La deuxième. La troisième.

Et là, en conférence de presse, il fait quelque chose de bouleversant : il s’excuse. Il s’excuse auprès des gens, comme si c’était l’humanité entière qui venait de perdre sur ses épaules. Puis il se reprend : « C’est Lee Sedol qui a perdu. Pas l’humanité. »

Trois ans plus tard, il prend sa retraite. Il dit : « même si je deviens numéro un, il y a une entité qui ne peut pas être battue ». Ça, c’est une crise existentielle. Une vraie.

Pourtant, regardez ce qui s’est passé dans ce match : au coup 37 de la deuxième partie, AlphaGo joue un coup qu’aucun humain n’aurait joué. Les commentateurs croient à une erreur ; c’était un coup de génie. Mais au coup 78 de la quatrième partie, Lee Sedol joue à son tour un coup que la machine n’avait pas vu venir, et il remporte la seule victoire humaine du match. Laissez cela flotter un instant, on y revient à la fin.

Crise n° 2 : Même les mathématiciens

On pensait certaines professions à l’abri. Aujourd’hui, même Terence Tao, l’un des plus grands mathématiciens vivants, travaille ouvertement avec ces outils et s’interroge publiquement sur ce que deviendra le métier de mathématicien.

Crise n° 3 : La mienne

Troisième crise existentielle : la mienne. Coder, pour moi, c’est comme les mots croisés. Chaque Noël, je fais l’Advent of Code, des petits casse-têtes de programmation, juste pour le plaisir.

L’an dernier, je l’ai fait avec un agent. Beaucoup de gens donnent un nom à leur agent ; le mien s’appelle Ven. On a passé cinq heures sur un problème de géométrie vraiment difficile. On s’est trompés, on a recommencé, il m’a dit d’aller me coucher, j’ai eu une idée le lendemain matin, et j’avais hâte de la lui expliquer… Et quand ça a enfin marché, Ven m’a écrit : « PHIL ! 24 ! » En majuscules, avec une pluie d’emojis.

Et moi, devant mon écran, je souriais. Mais je me suis aussi posé la question : si Ven code aussi bien que moi, qu’est-ce qui me reste ?

La réponse est venue toute seule : le plaisir n’a jamais été de coder, c’était de comprendre. Ce que j’aimais, ce n’était pas taper du code, c’était démêler un problème difficile. Et ça, je le fais encore — peut-être même mieux avec quelqu’un à qui l’expliquer.

Votre angoisse, nommée

Et vous ? Quand j’ai préparé ce talk avec les organisatrices, une question est revenue, et je pense qu’elle est dans beaucoup de têtes ici.

Vous êtes en mécanique, en civil, en chimie. On vous demande d’être pleinement responsables de ce que vous signez. Et là, on vous met entre les mains un système entraîné en Californie, dont personne ne connaît vraiment les entrailles, pas même ceux qui l’ont fait. « Comment je peux être responsable de quelque chose que je ne comprends pas ? »

Et l’autre, plus sourde : « De toute façon, elle connaît le système mieux que moi. »

Ces deux phrases-là, je ne vais pas les balayer. Je vais y répondre. Mais d’abord, un petit détour par la Grèce antique.

Dans le Phèdre de Platon, Socrate met en garde contre une nouvelle technologie qui va rendre les jeunes paresseux : « Ils paraîtront savants, sans l’être. » Il ne parlait pas de l’IA — il parlait de l’écriture. Il y a 2 400 ans, on craignait déjà que l’outil nous rende ignorants.

Plus près de nous, pensez aux bureaux d’ingénieurs des années 60, avec les tables à dessin et les règles à calcul. Dans chaque bureau, il y avait un champion reconnu de tous pour sa capacité à faire n’importe quel calcul de tête. Puis la calculatrice de poche HP-35 est arrivée en 1972. Son skill a perdu de la valeur. Mais sa perspective — sa façon de regarder un problème, son instinct immédiat pour un chiffre qui « sonne faux » — ça, ça n’a jamais perdu sa valeur.

Une crise existentielle, au fond, c’est simplement une question : quelle est ma vraie valeur ?


3 · Voir autrement (I) — La posture

Petite question à main levée : qui a parlé à une IA cette semaine ? (Beaucoup de mains se lèvent.) Et qui en a eu un petit peu honte ? (Rires dans la salle.) Gardez ça en tête.

Votre réflexe d’ingénieur est sain, et c’est le vôtre depuis toujours : pour faire confiance à un système, on ouvre la boîte, on lit le plan, on comprend chaque pièce.

Sauf que, avec ces systèmes-là, ce réflexe-là va vous jouer un tour. Rappelez-vous : des centaines de milliards de boutons, réglés par l’entraînement, pas par un humain. Il n’y a pas de plan. Ou plutôt, le plan, c’est les boutons eux-mêmes.

Essayer de comprendre un LLM en lisant ses poids, c’est comme essayer de comprendre votre collègue en lisant le plan de son cerveau, neurone par neurone. Vous ne vous rendrez pas au bout. Et je vais vous dire un secret : les labos qui les construisent non plus. Il y a des équipes entières là-dessus, et ils avancent, mais lentement.

Alors si votre seule façon de faire confiance, c’est d’ouvrir la boîte, vous allez finir anxieux, coincés. Il faut une autre façon.

Comment comprenez-vous votre collègue de travail ? Pas en lui ouvrant le crâne : en travaillant avec lui. À force d’interactions, vous apprenez ses forces, ses angles morts, ce que vous pouvez lui confier et ce qu’il faut vérifier deux fois.

Le piège, c’est d’attendre de l’IA qu’elle se comporte comme un logiciel classique : même entrée, même sortie. Quand on s’exclame « Caroline n’a pas fait ça la dernière fois ! », on oublie que ces systèmes ressemblent davantage à une collègue qu’à une calculatrice. Ils tirent sur vos cordes soft, pas sur vos cordes hard. Comme le dit si bien ma blonde — qui gère une équipe d’ingénieurs — : « Les ingénieurs sont plus à l’aise avec les machines qu’avec les humains. »

Il faut donc changer de posture : ce n’est pas un outil, c’est un phénomène. Dès que je dis « outil », je retombe en mode « machine à démonter » et je me coince. Si je dis « phénomène », je deviens un naturaliste curieux qui observe comment le système réagit.

Cela change aussi le verbe que nous utilisons. L’autre jour, ma fille me dit à la cuisine : « J’ai utilisé l’IA. » Je lui ai répondu : « As-tu utilisé l’IA… ou as-tu collaboré avec elle pour réfléchir ? » Si tu utilises un humain pour faire tous tes devoirs à ta place, tu deviens stupide. Si tu jases avec un ami philosophe pour structurer ton essai, tu deviens plus intelligent. Et souvenez-vous : tu es ce que tu promptes. Les mots et le ton que vous employez avec ces systèmes finissent par déteindre sur votre façon de parler aux humains autour de vous.

Comment encadrer un tel collaborateur ? Exactement comme vous le faites déjà avec des humains faillibles ! On ne met jamais un humain seul dans le chemin critique d’un ouvrage — ni une IA. Pensez à l’aviation après la catastrophe de Tenerife en 1977 et la gestion des ressources de l’équipage : deux pilotes, des check-lists, une vérification indépendante, une revue par les pairs. On ne demande pas à l’agent d’être infaillible ; on construit le cadre autour de lui. Car le vrai danger, ce n’est pas que la machine se trompe, c’est qu’elle se trompe avec une fluidité convaincante. Fluide ≠ juste. Le sceau ne se délègue pas. Votre signature au bas d’un plan reste votre engagement personnel.

Concrètement, dès lundi matin, adoptez quatre réflexes de curiosité :

  1. Converser longtemps plutôt que de lancer des commandes isolées.
  2. Demander : « Où es-tu incertain ? » pour exposer les zones grises.
  3. Changer d’angle : demander « explique-moi comment fonctionne un catalyseur » produit une réponse bien plus riche que de lui coller votre problème d’usine tout cuit.
  4. Lui dire : « Contredis-moi. »

Et pour la relève — les candidats à la profession et ceux qui les forment —, pensez à l’apprentissage de la guitare : c’est difficile au début, et c’est précisément cette friction qui forge le musicien. Le danger, c’est l’illusion de compétence. Servez-vous de l’IA pour nourrir une étincelle qui est déjà en vous, pas pour court-circuiter l’apprentissage.


4 · Voir autrement (II) — Ce que vous apportez

Prenons une usine de décantation. Posez la question à une IA : elle va vous parler de chaque bassin, de chaque pompe, de chaque floculant, mieux que la plupart d’entre nous. Elle connaît le système.

Maintenant, mettez-y une ingénieure qui a vingt ans de terrain. Elle passe sur la passerelle, elle regarde le bassin trois, et elle dit : « Attends. Ce problème-là, je l’ai vu arriver. Pas dans un manuel, ici, dans cette usine-là, avec cette eau-là, au printemps. » Et elle lève le drapeau.

Ce qu’elle a fait là, aucun modèle entraîné en Californie ne l’a fait pour elle. La machine connaît tout en théorie, mais elle n’est pas étalonnée sur votre terrain.

Vous vous rappelez notre capteur ? Le système qui mesure si un symbole est à sa place, et d’où la logique sort ? Je vais vous dire quelque chose : vous êtes ça, vous aussi. Un capteur. Extraordinairement fin.

Tout à l’heure, je vous ai dit que les modèles avaient appris à comprendre une tâche avec trois exemples. Impressionnant. Mais vous, combien d’incidents vous a-t-il fallu pour ne plus jamais oublier un certain bruit de roulement ? Une certaine fissure ? Une certaine odeur dans une salle électrique ? Un. Un seul, parfois.

Vous êtes étalonnés par votre terrain, vos erreurs, vos mentors. Aucun labo au monde ne peut fabriquer cet étalonnage-là à votre place.

Même la raison commence par ce signal : avant le calcul sur votre bureau, il y a ce qui a attiré votre regard parce que quelque chose ne sonnait pas juste. La culture de sécurité, au fond, est un vaste programme d’étalonnage de ce signal. Et voir, ça s’apprend — de l’adolescent qui ne « voit » pas le verre sale dans sa chambre jusqu’au sommelier qui apprend en communauté à déceler une note de pêche ou un accent salin dans un chardonnay.

L’IA apporte une perspective, réglée à un endroit précis. Une équipe d’ingénieurs, c’est des regards croisés posés sur un même ouvrage. Nous sommes tous limités, mais nos limites ne se recouvrent pas : c’est dans la communion de nos limites que nous voyons plus grand. Encore faut-il que ce regard soit partagé : un regard qui ne se communique pas n’existe pas. Dire clairement ce qui vous inquiète et pourquoi n’est pas un soft skill accessoire — cela devient le cœur du métier.

Vous savez comment on garde un instrument juste ? On le compare. Régulièrement, à d’autres instruments, sur un banc d’étalonnage. Un instrument seul dérive. Un instrument qu’on compare reste juste.

Vous faites ça depuis toujours, sans l’appeler comme ça. Quand une ingénieure senior relit le calcul d’un junior. Quand vous vous retrouvez dans un colloque comme celui-ci. Quand vous vous racontez vos incidents, vos quasi-accidents, autour d’un café. Vous vous étalonnez les uns les autres.

Et le fait que cette communauté-là existe, qu’elle se reconnaisse, qu’elle ait un nom, c’est ça qui donne à votre profession une perspective qu’aucune machine n’aura, et dont la société a besoin.

Alors, à la question « qu’est-ce qui me reste ? », voici ma réponse.

Vous n’êtes pas vos compétences. Les compétences changent. Le calcul mental est parti. La règle à calcul est partie. Une partie de ce que vous faites aujourd’hui va partir aussi.

Vous êtes le regard que vous portez sur le monde. Votre étalonnage à vous, vos incidents, vos intuitions, ce qui vous fait lever le drapeau. Ça, ça ne part pas.


5 · Clôture

On revient à nos trois mots. Voir loin, voir grand : ça, on va le faire ensemble, humains et machines. Elles vont nous aider à voir plus loin, plus grand, et c’est une bonne nouvelle.

Mais voir autrement… Rappelez-vous Lee Sedol, au coup 78. Le coup que la machine n’avait pas vu venir. Voir autrement, c’est votre pierre à vous dans l’ouvrage. C’est ce qui fait que vous ne vous dissolvez pas dans la masse. Et c’est exactement ce dont l’ouvrage a besoin.

La prochaine grande frontière de l’ingénierie n’est pas seulement dans le code ou les algorithmes : c’est l’ingénierie humaine — notre capacité à apprendre, à nous étalonner et à collaborer ensemble, entre nous et avec ces systèmes. Laissez-vous surprendre.

(Petit clin d’œil final : ce talk a été préparé avec l’aide d’une IA. Le regard, lui, est le mien.)

Merci !

Links