Derrière les titres éclatants, l’industrie de l’IA est confrontée à des questions fondamentales sur l’élan de l’innovation, la soutenabilité du capital et les trajectoires divergentes des développeurs de modèles par rapport aux créateurs d’applications.
Le tournant silencieux de l’industrie
L’intelligence artificielle a connu une croissance à un rythme sans précédent au cours des trois dernières années. Depuis le lancement de ChatGPT, l’adoption par le grand public a battu tous les records, des géants d’OpenAI à Google ont annoncé des modèles à un rythme soutenu, et les entreprises du Fortune 500 ont placé l’IA au cœur de leurs processus métier. Pourtant aujourd’hui, derrière les titres éclatants, l’industrie est confrontée à une question fondamentalement différente :
L’innovation véritable progresse-t-elle encore avec un fort élan, ou assistons-nous à une machine gigantesque qui atteint des limites invisibles ?
Pour répondre correctement à cette question, nous devons observer l’écosystème à travers deux prismes distincts :
Marché primaire : les entreprises qui développent des modèles fondamentaux comme GPT-4, Claude et Gemini : OpenAI, Anthropic, Google DeepMind, Meta.
Marché secondaire : les entreprises qui prennent ces modèles et construisent des solutions à des problèmes concrets d’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 attentes de croissance sont fondamentalement différents. La tension à laquelle nous assistons aujourd’hui découle précisément de cette divergence.
Les limites naturelles du développement des modèles commencent à apparaître
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 évolué dans la même direction, produisant des avancées considérables. C’est ainsi que nous sommes passés de GPT-2 à GPT-4, de BERT à PaLM. Cependant, cette courbe ne se poursuivra pas indéfiniment. Les données d’entraînement constituent désormais le principal goulot d’étranglement de l’industrie.
Les ensembles de données de haute qualité, diversifiés et originaux, produits par des humains, sont limités. Vous vous entraînez sur Wikipédia, vous vous entraînez sur arXiv, vous vous entraînez sur GitHub : et ensuite ? Les coûts dans ce domaine augmentent de façon exponentielle en raison des questions de droit d’auteur, des accords de propriété des données et des restrictions d’accès. Vous concluez des accords avec Reddit, négociez avec Stack Overflow, faites face à des poursuites du New York Times. Augmenter la taille des modèles reste techniquement faisable, mais le volet données crée un plafond naturel.
C’est pourquoi l’industrie a déplacé son attention de la taille des modèles vers l’efficacité. Le raisonnement en chaîne de pensée, l’apprentissage par renforcement à partir de retours humains (RLHF), des techniques d’échantillonnage plus efficaces, les architectures de type mixture-of-experts (MoE) : tout cela fait partie de cette transformation.
Ces évolutions sont importantes, mais elles ne sont pas durables à elles seules. Car à un certain point, les gains d’efficacité atteignent eux aussi un palier. L’industrie commence à reconnaître que l’innovation sur les modèles fondamentaux 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 du côté du capital a pris une dimension encore plus risquée.
Les entreprises de modèles fondamentaux construisent des infrastructures de calcul massives et formulent des offres agressives dans la guerre des talents. Ces dépenses interviennent avant même que des bases de revenus solides aient été établies. Les coûts annuels de calcul d’OpenAI se chiffrent en milliards. Anthropic reçoit des milliards d’investissements de Microsoft. Google alloue un budget distinct à DeepMind.
Des milliards investis dans les centres de données, des contrats GPU pluriannuels, des salaires astronomiques versés à des noms comme Ilya Sutskever : tout cela gonfle considérablement les lignes de dépenses des entreprises.
Ce tableau montre que le marché primaire repose sur un modèle de scaling économiquement très fragile. La structure de coûts de l’innovation des modèles dépasse largement les taux de croissance des revenus.
La montée discrète de la couche applicative
Alors que le marché primaire est sous pression, le marché secondaire progresse selon une courbe de croissance relativement saine. Ces entreprises prennent des modèles fondamentaux et les transforment en cas d’usage réels.
- Perplexity: Réinvente l’expérience de recherche
- Cursor & Replit: Transforment le processus de développement
- Notion AI: Rend les outils de productivité intelligents
- Dvina: Se connecte à plus de 120 applications pour gérer des vies numériques entières depuis une seule couche intelligente
L’avantage de ces entreprises est d’être au plus près de l’utilisateur. La valeur réelle émerge directement dans l’expérience utilisateur. Recherche, développement, création de contenu, productivité, traitement de l’information : tous ces domaines offrent des modèles de revenus évolutifs et compréhensibles.
C’est pourquoi de nombreux producteurs de modèles fondamentaux ont commencé à se déplacer 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 généralisée.
Mais cette stratégie a entraîné des effets secondaires : les coûts d’acquisition ont explosé, les valorisations du marché secondaire ont gonflé. Le fait que le marché secondaire — le seul espace capable de générer des revenus — soit devenu si coûteux amplifie encore davantage le risque en capital dans le secteur.
Les cycles historiques et ce qui distingue la période actuelle
L’intelligence artificielle a déjà connu deux grands ralentissements par le passé : à la fin des années 1970 et au début des années 1990. Ce que ces périodes avaient en commun : des attentes élevées, une faible vitesse d’innovation et un appétit d’investissement qui s’évaporait.
La situation actuelle est différente. L’innovation technique se poursuit, mais le rythme des percées ralentit. Les flux de capitaux, en revanche, augmentent à une échelle sans précédent. Sam Altman évoque un fonds de calcul de 7 000 milliards de dollars, Elon Musk injecte des milliards dans xAI.
Par conséquent, ce que nous vivons n’est pas un classique "hiver de l’IA". Il s’agit plutôt d’une période de fragilité fondée sur l’allocation du capital : les valorisations gonflent, les coûts s’accélèrent, mais la vitesse d’innovation ne répond pas aux attentes.
La nouvelle ère : ce ne sont pas les plus gros modèles qui gagneront, mais les approches les plus intelligentes
La différence la plus critique aujourd’hui est la suivante : ce qui compte désormais, ce n’est pas de produire des modèles toujours plus massifs en ajoutant davantage de paramètres.
La véritable transformation se produira dans les domaines suivants :
- Accroître l’efficacité des paramètres
- Obtenir une meilleure qualité avec des modèles plus petits
- Développer de nouvelles techniques d’entraînement
- Utiliser les données de manière plus stratégique et plus efficace
- Réduire radicalement les coûts d’entraînement
L’un des exemples récents les plus frappants a été DeepSeek. Cette startup chinoise a développé un modèle atteignant le niveau de GPT-4, mais avec des coûts d’entraînement bien plus faibles. Architecture de type mixture-of-experts, optimisation des paramètres, techniques d’entraînement axées sur l’efficacité. Le marché a réagi fortement.
À la suite de 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 la course à l’efficacité et à l’innovation architecturale.
Mais cela ne suffit toujours pas. Si le secteur doit connaître un véritable bond en avant, il viendra de nouveaux paradigmes architecturaux. Quelque chose au-delà de 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 transformations radicales ne vient généralement pas des grandes entreprises. Elles avancent avec prudence en raison de la pression liée à leur taille, des coûts d’infrastructure et de la gestion des risques en entreprise. Les véritables percées émergent souvent de startups petites, offensives, tolérantes au risque et ambitieuses.
L’écosystème actuel de l’IA attend probablement précisément une telle rupture.
Conclusion : ce n’est pas les ressources, mais l’approche, qui l’emportera
Le secteur de l’IA oscille aujourd’hui entre deux tensions : d’un côté, une stratégie de mise à l’échelle des modèles qui approche de ses limites ; de l’autre, des risques en capital croissants et un marché des applications qui s’apprécie rapidement.
Ce tableau montre que le problème fondamental est désormais celui de l’approche, et non de la capacité. Les gagnants de demain ne seront pas ceux qui construiront des modèles plus grands, mais ceux qui mettront au point des méthodes plus intelligentes. L’efficacité, de nouvelles conceptions architecturales et des techniques d’entraînement optimisées deviennent la véritable ligne de fracture du secteur.
À l’avenir, ce qui sera décisif, ce sera la qualité de l’approche, et non la puissance des ressources. Et il est fort probable que ce soient des startups visionnaires, plutôt que de grandes entreprises, qui initient ce changement d’approche.
