- Au cours des 18 derniers mois, le taux de réussite des projets IA observés ou pour lesquels une participation a été demandée a été de 0 % ; l’incertitude technologique, combinée à la mauvaise gestion habituelle des projets logiciels, a empêché les investissements de produire des résultats
- Dans les organisations de plus de 500 employés, le simple fait de douter de l’utilité de l’IA peut mettre en péril promotion et emploi, et les employés se conforment aux attentes de l’organisation via le AI washing et la manipulation de la consommation de tokens
- Des démos IA spectaculaires, comme les requêtes sur des données en langage naturel, déclenchent l’enthousiasme d’achat même lorsqu’on avertit sur leurs limites de précision et d’exploitation, au point de créer des risques de réputation et juridiques pour les vendeurs
- En raison d’un problème de coordination où ni les clients ni les conseils d’administration ne peuvent contester les affirmations exagérées de productivité des autres, même des dirigeants sceptiques soutiennent publiquement les investissements IA et greffent de force des éléments IA à des activités non liées à l’IA
- Pour remettre une organisation sur les rails, il faut des entretiens en tête-à-tête, des sondages anonymes et des vérifications sur le terrain ; les employés qui ne peuvent guère éviter la politique interne devraient préparer une mobilité ou un passage en contrat avant d’être épuisés par le code généré par l’IA
L’échec des projets IA observés pendant 18 mois
- À partir d’une année passée à prendre en charge l’activité commerciale de l’entreprise et l’essentiel du travail technique, avec environ 300 conversations avec des experts du monde entier, il apparaît que les responsables d’organisations publiques et privées se jetaient sur l’IA sans plan, ou gardaient le silence
- S’il est difficile de vérifier les résultats réels des projets IA, c’est parce que ni les conseils d’administration, ni les dirigeants, ni les employés, ni les éditeurs, ni les consultants n’ont intérêt à rendre publics les échecs
- Les dirigeants risquent de perdre leur poste s’ils reconnaissent un échec
- Les employés peuvent devenir des cibles de licenciement ou de restructuration
- Certaines sociétés cotées ont acheté des licences Copilot puis les ont présentées comme un gain de productivité grâce à l’IA
- Tous les projets observés ou pour lesquels une participation a été demandée ont échoué sur 18 mois, et l’équipe a refusé tout travail de mise en œuvre IA, ne conservant que des contrats dont la viabilité ne dépendait pas directement de la survie d’OpenAI
- Même si les outils IA accélèrent certaines tâches, la manière et l’ampleur actuelles des investissements n’étaient pas justifiées
- Tous les facteurs d’échec des projets logiciels classiques restent présents
- En raison du risque supplémentaire lié à une technologie nouvelle, un projet peut échouer même si l’implémentation est correcte
- Peu d’entreprises ont un niveau d’exécution logiciel suffisant pour absorber ce risque
Pourquoi les chatbots internes et orientés client ne produisent pas de résultats
- Les chatbots internes ne parviennent pas à produire des réponses suffisantes car la qualité des documents d’entreprise est médiocre, et le taux d’usage réel par les employés n’était pas significatif
- Les chatbots destinés aux clients ont eux aussi rarement donné des résultats satisfaisants, à l’exception de la transcription en temps réel lors d’actes médicaux
- Les responsables de projet évitent les indicateurs de base montrant si l’outil est réellement utilisé, et choisissent des métriques faciles à manipuler
- Le bot vocal de Mitsubishi pour l’assistance en cas de panne automobile était abouti par sa voix naturelle, sa rapidité de réponse et son fonctionnement en environnement réel, mais la réponse promise n’est jamais arrivée pendant 6 mois
- Impossible de savoir si la demande s’est perdue ou si elle a été comptée comme résolue sans intervention humaine
- Même sans erreur visible côté système, le client a décidé de ne plus acheter de véhicule Mitsubishi
- Le simple fait de demander quels sont les objectifs, les utilisateurs et les résultats d’un projet IA en cours peut être perçu comme une attaque contre la chaîne de responsabilité, rendant toute intervention difficile avant qu’une crise n’éclate
- Conformément au principe de Gerry Weinberg selon lequel le conseil consiste à influencer des personnes lorsqu’elles le demandent, il n’y a pas d’intervention dans un projet sans demande explicite de conseil sur la stratégie data générale
Une culture d’entreprise qui n’autorise pas le doute
- Dans toutes les entreprises observées de plus de 500 employés, il fallait répéter que l’IA avait un pouvoir transformateur pour conserver ses chances de promotion et son emploi
- Ce n’était pas simplement proposer des cas d’usage techniques, mais presque faire une profession de foi religieuse, surtout portée par des profils non techniques, avec le soutien de certains techniciens
- Il arrivait que des personnes déclarent que « l’IA va tout changer » sans pouvoir citer un seul usage réel des LLM dans leur organisation ni un seul changement concret
- Dans un cas, un dirigeant ayant défini une stratégie technologique centrée sur l’IA pour une organisation de plus de 2 milliards de dollars de chiffre d’affaires annuel n’avait jamais utilisé le moindre outil IA, y compris ChatGPT
- Plus dangereux qu’un simple mensonge promotionnel : le cas où un responsable sans bagage technique croit réellement à ce qu’il dit
- Avec quelqu’un qui ment, on peut négocier sur la base de l’intérêt personnel, mais un véritable croyant ne vacille pas, même face à ses propres intérêts
- Une organisation a licencié ses meilleurs éléments précisément parce qu’ils obtenaient d’excellents résultats sans LLM
- Même en divergeant de la position critique de “My AI Skeptic Friends Are All Nuts”, il y a accord sur un point : imposer l’usage des LLM par la direction est une mauvaise stratégie et cela crée des contraintes de travail anormales pour des professionnels qualifiés
AI washing et métriques d’évaluation manipulables
- Comme les managers valorisaient plus l’usage de l’IA que le résultat, les ingénieurs ont commencé à pratiquer l’AI washing, en travaillant comme avant puis en déclarant que Claude avait fait le travail
- Certaines organisations tenaient même des classements récompensant davantage les équipes qui consommaient le plus de tokens
- Des employés recrutés pour optimiser les systèmes ont configuré les LLM afin qu’ils se relancent eux-mêmes en boucle
- Même si les sorties étaient impropres à la mise en production, ils remplissaient leur quota de consommation de tokens puis passaient à autre chose
- Un ingénieur logiciel a rempli son quota d’usage en donnant à une IA une copie d’un dépôt Go pour lui faire réécrire l’ensemble en Zig, avant de jeter le résultat
- Les véritables personnes visées par les licenciements étaient celles qui exprimaient trop visiblement des doutes sur la stratégie IA, et les employés ont appris qu’il était plus sûr de louer la vision IA de la direction
- De même qu’un dirigeant non spécialiste dans un hôpital ou une entreprise de génie civil ne forcerait pas des procédures concrètes sans l’accord des experts de terrain, il est inapproprié que des dirigeants non techniques imposent des outils précis à des spécialistes du logiciel
La frénésie d’achat déclenchée par la démo de Snowflake Cortex
- Snowflake était utilisé comme base de données analytique, avec une facturation à l’usage et des traitements d’environ une minute par jour sur des données d’entreprise classiques, mais la couche de chatbot IA Cortex n’était pas utilisée
- Cortex convertit des questions en langage naturel comme « Quel a été le chiffre d’affaires la semaine dernière ? » en requêtes de base de données, à partir de métadonnées comme la signification des colonnes
- Lors d’une présentation par un employé de Snowflake, la précision dans la configuration optimale était d’environ 92 % ; sur des données de grands groupes, cela signifiait qu’environ 1 chiffre sur 10 pouvait être faux, avec en plus de sérieux problèmes de gestion de déploiement
- La démo était montrée avec l’avertissement qu’elle n’était pas adaptée à un environnement de production, mais tous les prospects jusque-là tièdes ont immédiatement voulu acheter
- Même l’idée de créer des millions de dollars de valeur par des moyens non IA passait au second plan
- Considérant qu’exploiter ce vide de jugement rationnel était irresponsable, la vente a été arrêtée et Cortex retiré de la liste des démos
- Même une démo de faible qualité construite en deux heures par l’équipe dépassait ce que les prospects avaient vu auparavant
- Même une société cotée à l’ASX qui vantait déjà son usage de l’IA n’avait aucun résultat concret à montrer de ses investissements antérieurs
- Les prospects manifestant plus qu’une curiosité passagère pour l’IA révélaient, au fil du processus commercial, des comportements irrationnels et un management proche du culte ; tous les contrats ont été abandonnés car ils pouvaient créer des risques de réputation et juridiques
Le problème de coordination qui empêche les dirigeants d’arrêter les exagérations
- Certains responsables IA dans des entreprises dépassant 1 milliard de dollars de revenus récurrents annuels estimaient eux-mêmes que leur fonction relevait de l’imposture, mais l’avaient acceptée car c’était la seule voie de promotion interne
- Même un dirigeant techniquement compétent dans une entreprise du Fortune 500 ne pouvait pas défendre en privé les déclarations publiques de sa société sur une « productivité multipliée par 100 »
- Le moteur principal des exagérations n’était pas tant le discours commercial que la face des dirigeants clients et les relations contractuelles
- Si un dirigeant du fournisseur contredit l’affirmation d’un client sur une productivité multipliée par 100, cela peut être perçu comme une atteinte à sa crédibilité
- Si cela entraîne l’annulation d’un gros contrat, le dirigeant du fournisseur peut lui aussi être licencié
- Quand des entreprises sont à la fois clientes et fournisseurs les unes des autres, aucun dirigeant n’a intérêt à dire la vérité en premier
- Tant que tout le monde coopère à l’exagération, chacun peut conserver son poste
- Si une seule personne se désolidarise, elle transforme ses pairs en menteurs, lâches ou incompétents, et peut être renvoyée
- Si tout le monde reconnaissait la réalité en même temps, la situation pourrait changer, mais il n’existe aucun moyen de coordonner cela
- Des membres de conseils d’administration d’entreprises du S&P 500 doutaient eux aussi des risques des investissements IA, tout en estimant devoir les exiger pour conserver leur siège
- Un administrateur a jugé que « investir aussi tôt revient à prendre uniquement le risque, sans potentiel de hausse »
- Environ deux ans plus tard, cette organisation pesant plusieurs milliards de dollars se présentait comme AI-native
Le test de pureté qui oblige à emballer toute activité comme de l’IA
- Toute proposition exposée à la politique interne devait inclure un alignement IA pour être approuvée, même lorsque sa valeur réelle restait floue
- Une part importante des projets IA consistait en réalité à ajouter après coup un vernis IA à des projets non IA existants afin de passer ce test de pureté
- Dans un cas de migration de base de données d’Oracle vers Snowflake, le fournisseur a ajouté une étape où un LLM automatisait la conversion d’Oracle SQL vers Snowflake SQL
- Faute de droits suffisants, l’automatisation a échoué et la conversion a été faite manuellement
- Le simple fait qu’une partie du SQL ait été traduite par une IA a suffi à présenter l’ensemble du projet comme un succès IA
- L’achat réel concernait une migration de base de données tout à fait classique visant à abandonner l’ancien système avant le renouvellement de licence
- Les véritables projets IA, où le LLM est l’unique mécanisme central et où le succès peut être mesuré par des chiffres précis, étaient rares
- Ils apparaissaient surtout dans des startups, mais en fin de processus commercial revenait sans cesse la demande de construire à la place des clients un produit déjà présenté comme terminé, ce qui conduisait à interrompre les discussions
- Les activités difficiles à raccrocher à l’IA voyaient leurs demandes de financement refusées, ou leurs échanges retardés jusqu’à ce qu’une proposition soit jugée « suffisamment IA »
- Certaines entreprises demandent aussi de prouver qu’on a d’abord essayé l’IA avant de demander des effectifs supplémentaires
- Si l’on dit qu’il faut encore des personnes malgré l’usage de l’IA, on peut être classé parmi ceux qui « utilisent mal l’IA » et être licencié
- À l’exception d’un très petit nombre d’entreprises où l’IA coïncide réellement avec les priorités, les grandes organisations ont de plus en plus de mal à se concentrer sur des achats logiciels appropriés, un recrutement de qualité, des reportings de projet honnêtes et un développement rationnel de nouvelles activités
Quand il faut remettre un projet précis sur les rails
- Les problèmes d’un projet IA se traitent plus efficacement en tête-à-tête qu’en réunion collective
- En public, chaque participant craint d’apparaître sceptique aux yeux de ses collègues
- Il faut promettre de préserver l’anonymat lorsqu’on transmet des avis ailleurs
- Il faut éviter les formulations permettant d’identifier la source, comme une citation quasi directe
- Si seule 1 personne sur 6 environ signale le problème, mieux vaut peut-être rejoindre une organisation où les chances d’amélioration sont plus élevées
- Pour un projet en cours, on peut utiliser la méthode de sondage anonyme tirée de Secrets of Consulting
- En demandant d’évaluer les chances de succès sur une échelle de 1 à 10, on peut voir apparaître une distribution polarisée, certains mettant 3, d’autres 8
- Ce type d’écart est apparu même sur un projet déjà en retard de 3 ans, montrant qu’une information cruciale était cachée au CEO
- Il faut vérifier le succès réel d’un projet auprès des employés de terrain qui utilisent l’outil tous les jours
- Il faut leur permettre de s’exprimer dans un environnement où ils se sentent respectés
- Chez un client, des employés ignoraient même qu’une licence d’outil IA leur avait été attribuée, ce qui sapait la base des affirmations de gain de productivité
- Si l’objectif est de résoudre un problème précis, mieux vaut ne pas contester frontalement des formules globales comme « l’IA va tout changer »
- Pour remettre en cause la vision globale de l’organisation, il faut d’abord gagner la confiance du décideur principal
- Mieux vaut réduire l’anxiété lors d’un repas privé que chercher à humilier en public
- Comme on ne sait pas ce que les participants à une réunion ont pu déclarer publiquement par le passé, même une évidence comme « un LLM ne doit pas déployer du code sans revue humaine » peut ruiner la confiance initiale
- S’il faut atteindre d’autres objectifs d’intérêt général et qu’une approche honnête est impossible, alors même l’ajout d’un chatbot IA à 10 000 dollars au projet, en mettant en avant uniquement cette partie, peut devenir une option réaliste
Quand il faut survivre plutôt que changer l’organisation
- L’obsession collective pour l’IA relève moins de la technologie elle-même que d’une culture d’entreprise dysfonctionnelle, contre laquelle il est difficile de résister individuellement de manière significative
- Passer du statut de salarié à celui de contractuel peut permettre de mieux gagner sa vie, d’échapper à la politique interne et d’avoir une date de fin claire même dans un environnement difficile à supporter
- Mieux vaut consommer seulement la quantité nécessaire d’actualités sur l’IA et éviter les canaux qui en diffusent en continu, comme Hacker News ou Reddit, afin de réduire la charge mentale
- Même lorsqu’on se plaint à des amis, il faut expliquer pourquoi cette conversation est nécessaire et savoir s’arrêter à un niveau raisonnable
- Si quelqu’un autour de soi utilise l’IA de façon inappropriée pour un usage non dangereux, mieux vaut laisser passer sans débattre ; si l’on demande l’avis d’un programmeur, il est recommandé de répondre brièvement qu’« il y a beaucoup d’exagération », puis de changer de sujet
- Si l’on doit continuer à relire des PR de 2 000 lignes générées par l’IA, il faut commencer sa recherche d’emploi tant qu’il reste de l’énergie, en partant du principe que l’épuisement ou le licenciement finiront par arriver
- Il est difficile de convaincre leur auteur d’arrêter de produire massivement du code médiocre
- Le ralentissement du travail et l’agacement du management surviendront de toute façon, soit à cause de la recherche d’emploi maintenant, soit plus tard à cause de l’épuisement
- Si un manager répond avec des phrases manifestement générées par IA, il faut répondre soi-même avec l’IA pour économiser son énergie tout en cherchant un autre poste
- Si l’on vous demande de maximiser coûte que coûte la consommation de tokens, il faut aussi préparer son départ avant de perdre le sens des réalités
- Ce type d’entreprise peut être une petite structure peu visible sur les plateformes de recrutement
- Comme il peut falloir plusieurs mois pour en trouver une autre, il faut s’y prendre tôt
1 commentaires
Avis sur Hacker News
La plupart d’entre nous étions plus ou moins convaincus que l’IA allait transformer complètement la société et provoquer la singularité, mais la réalité n’a pas été à la hauteur. Au lieu de reconnaître nos erreurs et de réévaluer la situation, nous faisons du jeu de rôle futuriste en essayant de caser l’IA de force dans chaque recoin et en appelant ça du progrès
C’est un peu comme un enfant des années 1990 qui croit devenir hacker en portant un Nintendo Power Glove ; ce n’est pas la singularité. J’espère que cette fièvre retombera et que tout le monde retournera attendre la prochaine solution miracle
Pour moi, qui ai quitté le secteur logiciel et ne peux pas coder 40 heures par semaine, l’IA agentique est un bond technologique comparable aux moteurs de recherche, aux BBS et aux compilateurs. Je demande à Claude Code de configurer le SMTP de mon homelab, de moderniser et signer une app Android de 2017, ou de configurer des runners GitHub Actions pour plusieurs systèmes d’exploitation et architectures, et il me livre le résultat pendant que je fais la vaisselle
Ceux qui nient que cela compte tombent plutôt dans une psychose à propos de la psychose IA. Même si l’intelligence des modèles bute déjà sur ses limites, c’est déjà une technologie qui change la donne
Les individus utiliseront correctement les LLM dans leur travail, tout en commettant beaucoup d’erreurs parce qu’ils ne comprennent pas vraiment leur propre métier ni les résultats attendus par les autres. Les dirigeants, qui utilisent peu la technologie en dehors des e-mails, SMS et appels, continueront à pérorer sans la comprendre
Personne ne connaît le résultat final, mais après cinq minutes avec Claude, il est difficile d’imaginer que tous les emplois de bureau resteront exactement comme avant
Même si elle atteignait le niveau du cerveau humain, il lui faudrait encore gagner plusieurs ordres de grandeur en efficacité pour rattraper la production de l’ensemble de la société humaine, et ainsi dépasser le rythme du progrès humain. Même si la singularité IA est possible, l’accélération pourrait prendre toute une vie
L’IA aussi a mis environ 75 ans après la proposition du test de Turing en 1950 pour voir apparaître des systèmes qui semblent l’avoir réussi ; il faut donc lui laisser plus de temps
Je suis d’accord avec le passage disant qu’« une organisation qui vous demande de relire en masse des PR de 2 000 lignes remplies de code IA atroce finira par vous épuiser puis vous licencier, alors cherchez un nouveau poste comme si vous étiez déjà viré ». À mesure que le développement agentique sera adopté plus largement, je pense que ce genre de situation deviendra plus fréquent
Il faut trouver et organiser les conditions permettant de multiplier le débit par deux ou trois, et se concentrer sur les goulots d’étranglement et les parties les plus difficiles. Je le dis en ayant réellement fait ce travail
Dire que « tous les projets d’IA observés pendant un an et demi ont échoué, soit un taux de réussite de 0 % » est une exagération qui nuit à la crédibilité. L’IA couvre un champ très large, des systèmes experts aux LLM, en passant par les transformers et les modèles de diffusion
On observe des gains de productivité dans la recherche sémantique, la génération de contenu par modèles de diffusion, et même dans la régression linéaire en contexte d’apprentissage supervisé. Même en se limitant aux LLM à transformers qui ont ravivé l’intérêt récemment, les petits projets d’automatisation de tâches simples et fastidieuses ont généralement réussi
Les projets ambitieux qui exigent plus que les capacités des modèles échouent facilement, et la plupart du temps c’est prévisible à l’avance, mais certains, à la frontière du possible, sont de légitimes projets de R&D
C’est un biais de sélection : ils font de la publicité auprès d’entreprises dont les projets échouent faute d’expertise interne, puis écrivent que tous les projets qu’ils ont vus ont échoué. Et comme ils refusent même de les aider, ils empêchent aussi toute possibilité de les transformer en réussites
Il ne semble pas apprécier le langage corporate policé, mais j’aime bien ce style, et il propose souvent des points de vue perspicaces qui vont à l’encontre des pratiques du secteur
Les indicateurs comme le nombre de lignes de code, les tests unitaires, la documentation ou la vitesse des PR ont augmenté, mais l’impact réel sur les résultats business reste flou. Une hausse des PR peut accélérer la livraison de fonctionnalités, mais aussi ralentir les revues ou dégrader l’expérience utilisateur à cause de bugs. Les entreprises ne disent pas comment davantage de code se traduit réellement en chiffre d’affaires
Dans le premier cas, un ingénieur logiciel peut facilement obtenir des résultats utiles, à condition de ne pas rejeter activement la technologie. Dans le second, il faut construire sur une base particulière qu’est le LLM, ce qui est très difficile, et les projets évidents comme les chatbots internes mènent facilement à des promesses excessives et à des résultats décevants
J’ai vu, dans deux entreprises totalement différentes situées aux antipodes, des dirigeants vouloir rédiger avec un LLM des documents externes ayant de fortes implications juridiques et financières. Ils disent toujours qu’un expert les lira et vérifiera les faits avant l’envoi, mais les personnes dont l’édition et la vérification des faits ne sont pas le métier ont fortement tendance à être bien moins rigoureuses à la relecture qu’elles ne le seraient en rédigeant correctement dès le départ
Les anecdotes sont excellentes, comme celle où il faudrait « faire réécrire en Zig l’intégralité de la copie du dépôt Go pendant qu’on fait autre chose pour garder son emploi », ou celle où, si la direction d’un client affirme un gain de productivité multipliée par 100 et qu’un dirigeant fournisseur dit que ce n’est pas réaliste, cela peut entamer la confiance du dirigeant client et faire annuler un contrat d’entreprise.
L’article affirme que le « taux de réussite de tous les projets IA observés est de 0 % », mais ne donne aucune définition d’un projet IA. S’agit-il d’écrire un logiciel à partir de zéro, de non-développeurs utilisant des chatbots LLM en interne ou en externe, ou d’autre chose ? Il faudrait des exemples concrets.
Je souscris entièrement à la critique du roi nu concernant l’automatisation des tâches, mais je suis surpris que l’article n’aborde pas l’assistance IA à l’ingénierie, qui est positive pour beaucoup. Les chatbots aussi peuvent réussir si l’on réduit le périmètre du problème et qu’on choisit correctement l’approche. Mon ancienne entreprise a obtenu de bons résultats avec une interface conversationnelle pour une base de données vectorielle, même si le vrai cœur du sujet était la base vectorielle, et qu’une UI traditionnelle aurait peut-être été plus rapide et plus précise.
Dans l’ensemble, l’orientation de l’article est plutôt juste, en particulier sur la fièvre de l’IA et les attentes irréalistes qui ont gagné les directions générales.
Mon expérience d’écriture de SQL avancé et de code Python avec Claude ne correspond pas aux affirmations de l’article. Je n’ai pas vu de chatbot satisfaisant pour interroger des données en langage naturel, mais en formulant des requêtes très complexes en langage naturel, on pouvait approcher un niveau de 80 à 90 %.
Les entreprises qui prennent de l’avance sur leurs concurrents grâce à l’IA ont de fortes chances de l’utiliser discrètement, sans en faire une grande publicité. La cible de l’article, ce sont les grandes entreprises remplies de managers ; or ces organisations se comportaient déjà exactement de la même manière avant l’IA, avec la data science, l’analytique ou la blockchain.
N’importe qui peut utiliser un LLM pour emballer joliment une mauvaise idée, si bien qu’une idée erronée d’un vice-président moyen peut être suivie par toute l’organisation, entraînant une énorme perte de productivité.
Le développement de fonctionnalités prend encore un temps similaire, ou n’apporte que des gains de productivité limités. Cela semble dû au fait que la plupart des organisations sont chroniquement mauvaises pour construire du logiciel.
La semaine dernière, j’ai reçu de deux endroits différents des sondages demandant comment j’utilise l’IA au travail ; dans les deux cas, les questions étaient à choix multiples, mais ne permettaient pas de sélectionner zéro option et étaient obligatoires.
Que l’adoption de l’IA par les entreprises entraîne réellement ou non d’énormes gains de productivité, cela se tient parfaitement pour les vendeurs de pelles que sont Nvidia et Anthropic.
Révéler que le roi est nu ne suffira pas à arrêter la frénésie. Cela ressemble non seulement à la tulipomanie du XVIIe siècle, mais aussi aux processus agiles, aux feuilles de temps et à la mesure de la productivité au nombre de lignes de code : à chaque époque, les entreprises répètent de nouvelles frénésies collectives.
Les doctrines procédurales des consultants, les contrôles excessifs des responsables sécurité, la peur d’être distancé et l’objectif de présentation consistant à paraître être une entreprise moderne fondée sur l’IA déclenchent tout cela. Clients, entreprises, chaînes d’approvisionnement, gouvernements et penseurs participent tous à cette danse mondiale ; la musique finira par changer, et la danse aussi.
Le business et la politique sont surtout gouvernés par cela, et le secteur tech retombe lui aussi sans cesse dans les modes, l’exagération et des erreurs longues de plusieurs décennies qui paraissent évidentes après coup.