Derrière les gros titres élogieux, l’industrie de l’IA fait face à des questions fondamentales sur la dynamique de l’innovation, la pérennité du financement et les trajectoires divergentes des développeurs de modèles et des créateurs d’applications.
Le tournant silencieux de l’industrie
L’intelligence artificielle s’est développée à un rythme sans précédent au cours des trois dernières années. Depuis le lancement de ChatGPT, son adoption par le grand public a battu des records, les géants du secteur, d’OpenAI à Google, ont annoncé des modèles à un rythme effréné, et les entreprises du Fortune 500 ont placé l’IA au cœur de leurs processus métier. Pourtant, aujourd’hui, derrière les gros titres élogieux, l’industrie fait face à une question fondamentalement différente :
L’innovation véritable continue-t-elle de progresser à un rythme soutenu, ou voyons-nous une machine gigantesque atteindre des limites invisibles ?
Pour bien répondre à cette question, nous devons examiner l’écosystème sous deux angles distincts :
Marché primaire : les entreprises qui développent des modèles de fondation comme GPT-4, Claude et Gemini : OpenAI, Anthropic, Google DeepMind, Meta.
Marché secondaire : les entreprises qui s’appuient sur ces modèles pour créer des solutions aux problèmes concrets des utilisateurs : Perplexity, Cursor, Notion AI, Replit.
Bien que ces deux marchés appartiennent à la même industrie, leurs dynamiques, leurs structures de coûts, leurs profils de risque et leurs perspectives de croissance sont fondamentalement différents. La tension que nous observons aujourd’hui découle précisément de cette divergence.
Les limites naturelles du développement des modèles se dessinent
Quatre facteurs fondamentaux ont façonné l’évolution des grands modèles de langage au cours des cinq dernières années :
- Taille des modèles (nombre de paramètres)
- Données d’entraînement (qualité et diversité)
- Puissance de calcul (capacité GPU/TPU)
- Techniques d’entraînement (architectures transformer, mécanismes d’attention)
De 2018 à 2023, ces quatre facteurs ont progressé de concert, permettant des avancées considérables. C’est ainsi que nous sommes passés de GPT-2 à GPT-4, de BERT à PaLM. Toutefois, cette courbe ne se poursuivra pas indéfiniment. Les données d’entraînement constituent désormais le principal goulot d’étranglement de l’industrie.
Les réserves de données de qualité, variées et originales, produites par des humains, sont limitées. Vous entraînez vos modèles sur Wikipedia, puis sur arXiv, puis sur GitHub : et ensuite ? Dans ce domaine, les coûts augmentent de manière exponentielle en raison des questions de droit d’auteur, des accords sur la propriété des données et des restrictions d’accès. Vous concluez des accords avec Reddit, négociez avec Stack Overflow, faites face aux poursuites de The New York Times. Augmenter la taille des modèles reste techniquement possible, mais les données imposent un plafond naturel.
C’est pourquoi le secteur se concentre désormais sur l’efficacité plutôt que sur la taille des modèles. Le raisonnement par chaîne de pensée, l’apprentissage par renforcement à partir de retours humains (RLHF), les techniques d’échantillonnage plus efficaces et les architectures à mélange d’experts (MoE) font tous partie de cette transformation.
Ces avancées sont importantes, mais ne peuvent pas, à elles seules, soutenir durablement cette dynamique. À un certain point, les gains d’efficacité atteignent eux aussi leurs limites. Le secteur commence à reconnaître que l’innovation dans les modèles de fondation est entrée dans une phase plus lente et plus coûteuse.
Pression des flux de capitaux et fragilité croissante
À mesure que les limites technologiques deviennent tangibles, la croissance des capitaux engagés s’accompagne de risques encore plus importants.
Les entreprises qui développent des modèles de fondation bâtissent d’immenses infrastructures de calcul et rivalisent d’offres agressives dans la guerre des talents. Elles engagent ces dépenses avant même de disposer de sources de revenus solides. Les coûts annuels de calcul d’OpenAI se chiffrent en milliards. Anthropic reçoit des milliards d’investissements de Microsoft. Google consacre un budget distinct à DeepMind.
Des milliards investis dans les centres de données, des contrats pluriannuels pour les GPU, des salaires astronomiques versés à des personnalités comme Ilya Sutskever : autant de dépenses qui alourdissent considérablement les charges des entreprises.
Ce tableau montre que le marché primaire repose sur un modèle de passage à l’échelle extrêmement fragile sur le plan économique. Les coûts de l’innovation dans les modèles dépassent de loin le rythme de croissance des revenus.
L’essor discret de la couche applicative
Alors que le marché primaire est sous pression, le marché secondaire suit une trajectoire de croissance relativement saine. Ces entreprises s’appuient sur les modèles de fondation pour en faire des usages concrets.
- Perplexity: Réinvente l’expérience de recherche
- Cursor & Replit: Transforment le processus de programmation
- Notion AI: Rend les outils de productivité intelligents
- Dvina: Se connecte à 120+ applications pour gérer l’ensemble de la vie numérique depuis une seule couche intelligente
L’avantage de ces entreprises est leur proximité avec l’utilisateur. La valeur réelle se manifeste directement dans l’expérience utilisateur. Recherche, programmation, création de contenu, productivité, traitement de l’information : tous ces domaines offrent des modèles de revenus capables de passer à l’échelle et faciles à comprendre.
C’est pourquoi de nombreux développeurs de modèles de fondation ont commencé à se tourner vers la couche applicative. OpenAI a fait de ChatGPT un produit, Anthropic a transformé Claude en offre grand public, Google a intégré Gemini. La stratégie d’intégration verticale s’est rapidement répandue.
Mais cette stratégie a eu des effets secondaires : les coûts d’acquisition ont explosé et les valorisations du marché secondaire ont gonflé. Le fait que le marché secondaire — le seul domaine capable de générer des revenus — soit devenu si coûteux accentue encore le risque pesant sur les capitaux engagés dans le secteur.
Les cycles historiques et ce qui distingue la période actuelle
L’intelligence artificielle a connu deux grandes périodes de recul : à la fin des années 1970 et au début des années 1990. Leurs points communs : des attentes élevées, un rythme d’innovation lent et un appétit pour l’investissement qui s’évanouissait.
La situation actuelle est différente. L’innovation technique se poursuit, mais le rythme des percées ralentit. Les flux de capitaux, en revanche, prennent une ampleur sans précédent. Sam Altman évoque un fonds de 7 mille milliards de dollars consacré au calcul, tandis qu’Elon Musk injecte des milliards dans xAI.
Ce que nous vivons n’est donc pas un « hiver de l’IA » classique. Il s’agit plutôt d’une période de fragilité liée à l’allocation du capital : les valorisations gonflent, les coûts augmentent de plus en plus vite, mais le rythme d’innovation n’est pas à la hauteur des attentes.
La nouvelle ère : les approches les plus intelligentes l’emporteront, pas les modèles les plus gros
La différence essentielle aujourd’hui est la suivante : l’enjeu n’est plus de produire des modèles toujours plus volumineux en ajoutant davantage de paramètres.
La véritable transformation se jouera dans les domaines suivants :
- Améliorer l’efficacité des paramètres
- Obtenir une meilleure qualité avec des modèles plus petits
- Développer de nouvelles techniques d’entraînement
- Utiliser les données de façon plus stratégique et plus efficace
- Réduire radicalement les coûts d’entraînement
DeepSeek en a récemment offert l’un des exemples les plus frappants. Cette startup chinoise a développé un modèle aux performances comparables à celles de GPT-4, mais avec des coûts d’entraînement bien plus faibles. Architecture à mélange d’experts, optimisation des paramètres, techniques d’entraînement axées sur l’efficacité. Le marché a vivement réagi.
Après l’annonce de DeepSeek, la capitalisation boursière de NVIDIA a chuté de 600 milliards de dollars en une seule journée. Cela a montré que les investisseurs suivent désormais non seulement la course aux modèles toujours plus grands, mais aussi celle à l’efficacité et à l’innovation architecturale.
Mais cela ne suffit toujours pas. Si le secteur connaît un véritable bond en avant, ce sera grâce à de nouveaux paradigmes architecturaux. Quelque chose qui dépasse l’architecture transformer. Peut-être l’informatique neuromorphique, peut-être des modèles hybrides, ou peut-être un cadre d’apprentissage entièrement différent.
Ce type de transformation radicale vient rarement des grandes entreprises. Elles avancent avec prudence en raison des contraintes liées à leur taille, des coûts d’infrastructure et de leur gestion des risques. Les véritables percées émergent souvent de petites startups offensives, prêtes à prendre des risques et ambitieuses.
L’écosystème actuel de l’IA attend probablement une rupture de cet ordre.
Conclusion : l’approche l’emportera, pas les ressources
Le secteur de l’IA oscille aujourd’hui entre deux tensions : d’un côté, une stratégie d’augmentation de la taille des modèles qui approche de ses limites ; de l’autre, des risques croissants liés aux capitaux engagés et un marché des applications dont la valorisation augmente rapidement.
Ce constat montre que le problème fondamental tient désormais à l’approche, et non à la capacité. Les gagnants de demain ne seront pas ceux qui construiront des modèles plus grands, mais ceux qui développeront des méthodes plus intelligentes. L’efficacité, les nouvelles architectures et les techniques d’entraînement optimisées deviennent la véritable ligne de démarcation du secteur.
À l’avenir, ce sera la qualité de l’approche qui sera décisive, et non l’ampleur des ressources. Et il est fort probable que des startups visionnaires, plutôt que de grandes entreprises, soient à l’origine de ce changement d’approche.