Jeff Dean ne conseille pas aux jeunes de vouloir tout maîtriser en AI
Après 27 ans chez Google, Jeff Dean livre un conseil qui peut sembler paradoxal à une génération entrant sur le marché du travail en pleine accélération de l’AI : inutile d’essayer de maîtriser chaque nouveau Model, Paper ou Technique. Le domaine évolue trop vite et s’étend à trop de disciplines pour qu’une seule personne puisse tout suivre avec le même niveau de profondeur.
- Jeff Dean ne conseille pas aux jeunes de vouloir tout maîtriser en AI
- Lire largement avant de relier des idées que personne n’a encore rapprochées
- Un bon problème de recherche pourrait demander environ cinq ans
- Après 27 ans chez Google, Dean ouvre un nouveau chapitre avec DiscoveryLoop
- Dean voit l’AI comme un moyen d’élargir les capacités humaines
- Pour la Gen Z, l’enjeu est moins de tout savoir que de choisir où approfondir
Lors du 2026 Frontier & Pioneer Symposium, Dean a défendu l’intérêt d’acquérir d’abord une vision large. Parcourir dix Papers peut parfois apporter davantage que consacrer tout son temps à un seul, car chacun ajoute un point à une carte mentale de ce qui existe et de ce qui devient possible. Il est même allé jusqu’à suggérer de parcourir une centaine d’Abstracts afin d’élargir encore cette carte.
Il ne s’agit pas de promouvoir un apprentissage superficiel. L’idée consiste à mieux répartir un temps limité : savoir qu’une méthode existe dans un autre domaine permet d’y revenir plus tard, de l’étudier en profondeur au moment où elle devient pertinente et, surtout, de repérer des connexions que des spécialistes enfermés dans un seul champ pourraient ne pas voir.
Lire largement avant de relier des idées que personne n’a encore rapprochées
Le cœur du raisonnement de Dean concerne les connexions. L’AI se trouve désormais au croisement de la Healthcare, de l’Education, de la Biology, de l’Engineering, de la Robotics, des Mathematics et de nombreuses autres disciplines. Suivre tous ces développements dans leurs moindres détails est irréaliste.
Une lecture étendue de la Research permet aux étudiants et aux jeunes professionnels de constituer un catalogue mental plus riche de Methods, de Concepts et d’Open Problems. Ils n’ont pas besoin de retenir chaque Equation ou chaque détail d’Implementation pour se souvenir qu’une approche utilisée dans un Domain pourrait devenir utile dans un autre.
La compétence décisive devient alors le choix de ce qui mérite un véritable Deep Dive. La lecture large correspond à la phase de Discovery ; le travail technique approfondi reste indispensable lorsqu’une Connection prometteuse a été identifiée. Dean ne propose donc pas d’étudier moins, mais d’explorer davantage avant de décider où concentrer son Expertise.
Lire plus
Un bon problème de recherche pourrait demander environ cinq ans
Dean propose également un cadre concret pour choisir un Problem sur lequel travailler à long terme. Un défi qui nécessiterait peut-être vingt ans, sans qu’aucun Approach crédible ne soit encore visible, peut être trop spéculatif pour construire une dynamique de recherche. À l’inverse, un problème probablement réglé en deux ans peut être trop direct pour produire le Breakthrough recherché.
Une durée d’environ cinq ans lui paraît particulièrement intéressante. Elle laisse suffisamment de temps pour multiplier les Experiments, connaître des échecs, changer de direction et tester plusieurs hypothèses, tout en restant assez courte pour qu’un chemin vers une solution demeure imaginable.
Ce conseil tranche avec une industrie qui mesure souvent les progrès en semaines ou en mois. Dean invite implicitement les jeunes professionnels à ne pas organiser leur Career autour de chaque nouvelle vague d’AI. Un Problem solide peut conserver sa valeur pendant plusieurs Product Cycles, tandis que les nouveaux Tools peuvent être intégrés au fur et à mesure.
L’échec fait d’ailleurs partie du processus. Plusieurs Approaches peuvent ne rien donner sans que le choix du problème soit mauvais. Ces essais servent précisément à éliminer les mauvaises pistes et à faire apparaître celles qui méritent d’être approfondies.
Après 27 ans chez Google, Dean ouvre un nouveau chapitre avec DiscoveryLoop
Les propos de Dean arrivent au moment où sa propre Career connaît une transformation majeure. Il a quitté Google au début du mois d’août 2026 après 27 années dans l’entreprise. Il a dirigé Google AI de 2018 à 2023 avant d’occuper le poste de Chief Scientist de Google de 2023 à 2026.
Il est désormais Co-founder et CEO de DiscoveryLoop, une AI Startup qui cherche à accélérer les découvertes en Science et en Engineering à l’aide de systèmes d’Autonomous Research.
Ce nouveau projet donne davantage de sens à son conseil. Dean ne considère pas que l’Expertise est devenue inutile. Au contraire, DiscoveryLoop s’attaque à des travaux scientifiques complexes. Son pari est que l’AI peut rendre une Expertise sophistiquée plus accessible et permettre aux Researchers d’explorer beaucoup plus de possibilités qu’ils ne pourraient le faire seuls.
Pour les étudiants et les jeunes professionnels, l’avantage compétitif pourrait donc se déplacer : mémoriser le plus grand volume de Technical Information compterait moins que savoir poser les bonnes Questions, relier différents Domains et évaluer avec rigueur les réponses fournies par des systèmes d’AI de plus en plus capables.
Dean voit l’AI comme un moyen d’élargir les capacités humaines
Malgré les inquiétudes sur la disparition de certains emplois et l’aggravation possible des inégalités, Dean reste nettement Optimistic quant à la valeur sociale de l’AI. Il cite notamment la Healthcare et l’Education, où des Models performants pourraient aider des personnes à résoudre des Problems auparavant hors de portée de leur formation ou de leurs ressources.
L’une de ses perspectives les plus ambitieuses concerne des Models capables d’apporter quelque chose qui se rapproche d’une Ph.D.-level expertise dans de nombreux Domains scientifiques et techniques. Si cette capacité devient suffisamment fiable, un Researcher spécialisé dans un domaine pourrait recevoir une aide substantielle dans un autre sans devoir commencer par plusieurs années de Formal Training.
Cela ne supprime évidemment pas le Human Judgment. Les Models peuvent se tromper, les Experiments peuvent échouer et les Conclusions importantes doivent toujours être validées par des Experts. Dean reconnaît lui-même ne pas disposer d’une Magic Answer pour chaque problème et rencontrer régulièrement des échecs.
Son optimisme ne consiste donc pas à imaginer que l’AI rendra tout travail difficile trivial. Il repose plutôt sur l’idée qu’elle peut relever le plafond de ce qu’un individu ou une Small Team est capable de tenter.
Pour la Gen Z, l’enjeu est moins de tout savoir que de choisir où approfondir
Pour la Gen Z, le message de Dean offre une alternative à l’anxiété créée par la succession incessante des nouveautés en AI. L’objectif n’est pas de tout connaître, mais d’avoir suffisamment de largeur pour repérer les Opportunities, suffisamment de profondeur pour poursuivre les bonnes pistes et suffisamment de patience pour travailler sur des Problems dont la valeur survivra au Hype du moment.
Concrètement, cette stratégie peut consister à parcourir régulièrement de la Research extérieure à sa spécialité, conserver des notes sur les Ideas potentiellement réutilisables, identifier des problèmes qui resteront importants plusieurs années et utiliser les Tools d’AI pour accélérer l’Exploration ou le Prototype plutôt que pour remplacer la réflexion.
À mesure que l’Information et la Technical Assistance deviennent abondantes, la ressource rare pourrait devenir le Judgment : déterminer ce qui compte réellement. Ceux qui savent relier des idées issues de Communities qui communiquent peu entre elles peuvent découvrir des possibilités invisibles à ceux qui ne recherchent que la Mastery d’un domaine très étroit.
Le conseil de Dean est donc plus exigeant qu’un simple « ne maîtrisez pas l’AI ». Il ne rejette pas l’Expertise ; il recommande de construire d’abord une carte plus vaste du savoir, puis de choisir avec discernement l’endroit où investir plusieurs années pour devenir véritablement expert.
