Made in China AI: new tech, same old story?

L’entreprise chinoise Zhipu a développé un modèle de langage général (GLM) en open source, c’est-à-dire un programme d’intelligence artificielle capable de comprendre et générer du texte, similaire à ceux d’Anthropic (Claude) ou d’OpenAI (ChatGPT). Ce modèle se distingue par son prix bien inférieur, rendant l’accès à l’IA plus abordable. Cette situation rappelle un schéma déjà observé dans d’autres secteurs comme les panneaux solaires ou les véhicules électriques, où des inventions occidentales ont été produites à moindre coût en Chine, au point de rendre leur commercialisation difficile pour leurs inventeurs initiaux. Les entreprises américaines et européennes, comme Microsoft ou NVIDIA, misent sur la rareté et le contrôle des modèles d’IA pour maintenir des marges élevées, mais cette stratégie est remise en question par l’arrivée de solutions chinoises moins chères.

La Chine utilise une stratégie économique déjà observée dans les secteurs des panneaux solaires et des véhicules électriques : des banques publiques financent des usines dont les coûts de production sont artificiellement réduits pour vendre à perte. Cette approche, appelée stratégie de perte délibérée, vise des objectifs politiques plutôt que financiers. Elle permet de dominer un marché en rendant les produits locaux moins chers que ceux des concurrents étrangers. Dans le cas de l’IA, cela signifie que des modèles performants peuvent être distribués gratuitement ou à très bas prix, ce qui réduit les marges des entreprises innovantes. Cette méthode a déjà fait disparaître des industries entières en Europe, comme celle des panneaux solaires, où les fabricants européens ont été incapables de rivaliser avec les prix chinois.

Le prix d’un produit technologique influence fortement son adoption à grande échelle. Les modèles d’IA développés par les laboratoires américains ou européens sont souvent plus performants sur des tests standardisés comme le GLUE ou le MMLU, qui évaluent leur capacité à résoudre des problèmes complexes. Cependant, ces performances ne garantissent pas leur adoption massive. En effet, les entreprises privilégient souvent des solutions suffisamment bonnes et peu coûteuses pour être intégrées dans leurs produits. Une fois qu’une technologie devient la norme (default), il est difficile de la remplacer. Par exemple, un modèle d’IA bon marché et efficace peut devenir la base de nombreux logiciels, rendant les alternatives plus sophistiquées mais aussi plus chères moins attractives.

La loi de Moore, énoncée en 1965 par l’ingénieur Gordon Moore, stipule que le nombre de transistors sur une puce double environ tous les deux ans, ce qui réduit les coûts de calcul tout en augmentant la puissance. Cette loi a permis des progrès dans des technologies comme les panneaux solaires ou les véhicules électriques, où l’innovation a conduit à une concurrence acharnée et à la baisse des marges. L’IA pourrait suivre une trajectoire similaire si ses performances dépendent principalement de la puissance de calcul et des ressources utilisées pour l’entraîner. Dans ce cas, les modèles deviendraient des commodités (produits interchangeables), et leur valeur diminuerait au fil du temps. Cependant, l’IA diffère des autres technologies par son fonctionnement : un modèle entraîné une fois ne s’améliore pas spontanément avec le temps, contrairement au cerveau humain.

Les modèles d’IA actuels, comme ceux de Zhipu ou ChatGPT, sont des systèmes fermés : leurs capacités sont figées une fois l’entraînement terminé. Ils peuvent surprendre par leur capacité à combiner des connaissances existantes, mais ne peuvent pas dépasser leur niveau de performance sans être retravaillés avec de nouvelles données, plus de puissance de calcul et davantage d’énergie. Cette dépendance aux ressources limite leur évolution autonome. Par exemple, pour améliorer un modèle, il faut investir dans de nouveaux serveurs, de l’électricité et des données, ce qui rend la course à l’IA coûteuse et soumise à des contraintes physiques. Cette situation rappelle le théorème d’incomplétude de Gödel, qui montre qu’un système fermé ne peut pas se prouver ou s’améliorer de l’intérieur sans ressources extérieures.

Pour éviter de devenir une simple commodité, l’IA doit évoluer vers des modèles apprenants en temps réel, capables de s’améliorer continuellement en traitant de nouvelles informations, comme le fait le cerveau humain. Ces systèmes, dits évolutionnaires, pourraient échapper à la logique de la loi de Moore et de la baisse des marges. Leur avantage concurrentiel ne reposerait plus sur leur coût ou leur puissance brute, mais sur leur capacité à apprendre plus vite et mieux que les autres. Cependant, cette approche reste aujourd’hui théorique : les modèles actuels ne fonctionnent pas de cette manière. Si une telle IA émergeait, elle rendrait les concurrents incapables de rattraper son avance, car elle ne serait pas téléchargeable ni reproductible instantanément.

Si les modèles d’IA restent des systèmes fermés, leur valeur économique diminuera avec le temps, comme cela a été le cas pour les panneaux solaires. Les profits ne viendront plus de la vente des modèles eux-mêmes, mais de leur intégration dans des produits ou services concrets, comme la gestion des réseaux électriques, le dépistage médical ou la logistique. La Chine montre déjà la voie avec des applications comme les livraisons par drones (Meituan), les taxis autonomes (Baidu) ou les robots livreurs (Alibaba). Ces exemples illustrent que la valeur réside dans l’utilisation efficace de l’IA, plutôt que dans la sophistication du modèle. Les investisseurs devront donc se tourner vers des solutions qui créent un avantage durable, plutôt que vers la course à des modèles toujours plus grands et énergivores.