Quelqu’un d’autre a la tête qui tourne en essayant de comprendre le secteur de l’IA en ce moment ? Plusieurs « bras de fer » importants sont à l’œuvre dans le secteur de l’IA et méritent d’être signalés.
Comprendre les contradictions de l’IA
Pour commencer : l’IA alimente-t-elle l’économie tout en faisant simultanément s’effondrer le marché de l’emploi en ralentissant les recrutements ? Ou bien est-elle improductive, sans retour sur investissement mesurable ? Ces deux résultats peuvent être vrais, et ils ne s’excluent pas mutuellement.
- Le scénario optimiste pour l’adoption de l’IA: L’analyse et l’entretien de Derek Thompson avec des chercheurs de Stanford montrent que les données récentes sur l’emploi suggèrent que l’impact de l’IA sur les recrutements est « vraisemblablement » un facteur important.
- Le scénario pessimiste pour l’adoption de l’IA: Le point de vue de Mike Judge selon lequel, même là où l’IA est le plus adoptée — dans les logiciels —, elle n’améliore pas réellement notre productivité. Il souligne l’absence de « shovelware », des logiciels de mauvaise qualité mais faciles à produire à la chaîne.
Les laboratoires d’IA se divisent sur la stratégie en matière de puces
Un autre clivage concerne le matériel : faut-il dépendre de Nvidia ou non ?
- OpenAI s’apprête à lancer la production de masse de ses propres puces d’IA avec Broadcom dans le cadre d’un accord de 10 milliards de dollars.
- Google est passé de l’utilisation de ses puces uniquement pour l’entraînement interne à leur vente à d’autres fournisseurs cloud.
- Amazon exige d’Anthropic, qui a récemment levé 13 milliards de dollars, qu’elle entraîne les nouveaux modèles Claude sur ses puces Trainium. SemiAnalysis a également publié une analyse approfondie de l’accord.
Ces initiatives devraient réduire la dépendance à Nvidia. Les puces de l’entreprise restent coûteuses, et sa capitalisation boursière de 4,6 billions de dollars a fait reculer son action à l’annonce de l’accord entre OpenAI et Broadcom.
Le débat sur les évaluations
Le dernier clivage : faut-il utiliser des évaluations ou non ?
Les « évaluations » de l’IA sont des mécanismes de contrôle qualité qui vérifient que les systèmes d’IA fonctionnent correctement et équitablement avant d’influencer des décisions concrètes, comme les candidatures à un emploi, les diagnostics médicaux ou l’octroi de prêts. Les « évaluations » s’apparentent aux tests de sécurité automobile ou aux inspections de restaurants.
Le secteur de l’IA est assez divisé sur la question de savoir si ces évaluations sont réellement importantes.
- Swyx a bien résumé le débat dans un simple tweet, en soulignant que les grands laboratoires évaluent leurs modèles en fonction de « l’impression générale » plutôt qu’au moyen de tests rigoureux, tandis que Julia Neagu s’est penchée en profondeur sur le sujet si vous envisagez réellement de développer avec l’IA.
- C’est important, car tout le monde, de nos jours, essaie de mettre sur pied ce qu’on appelle des « environnements RL », c’est-à-dire des espaces où l’IA peut évoluer librement et apprendre par apprentissage par renforcement, comme Prime Intellect / Mechanize.
Shreya Shankar a écrit cet excellent article en défense des évaluations, affirmant que les équipes qui prétendent ne pas avoir besoin d’une évaluation systématique la pratiquent généralement déjà par dogfooding et analyse des erreurs — elles ne l’appellent simplement pas « évaluation » — et que le rejet des cadres d’évaluation formels pénalise particulièrement les nouveaux concepteurs d’IA, qui ne disposent pas de l’expertise sectorielle nécessaire pour se fier uniquement à leur intuition.
Allie K. Miller a ajouté sa propre réponse en faveur des évaluations, en présentant 6 raisons pour lesquelles vous avez vraiment besoin d’évaluations : L’IA est-elle suffisamment performante pour augmenter les capacités humaines et/ou remplacer des emplois ? Crée-t-elle de la valeur pour l’entreprise ? Nous aide-t-elle à déjouer le battage médiatique ? L’IA peut-elle réellement atteindre un objectif ? Et les laboratoires d’IA sont-ils réellement en train d’améliorer leur IA, ou se contentent-ils de modifier les choses ?.
Open source contre source fermée
Vient ensuite le clivage philosophique vieux comme le monde — enfin, à l’échelle des années IA — : faut-il opter pour l’open source ou non ?
Alors que les laboratoires d’IA américains verrouillent leurs meilleurs modèles plus hermétiquement que Fort Knox, des entreprises chinoises ont lancé deux modèles uniques de milliers de milliards de paramètres — c’est-à-dire des milliers de milliards de nombres qui déterminent les réponses de l’IA, au passage ! — au cours d’un seul week-end :
- Alibaba a lancé Qwen3-Max-Preview
- de Moonshot, Kimi K2-Instruct
Tous deux revendiquent d’importants gains de performance (lisez-en davantage à leur sujet ici).
Qu’est-ce qui se passe ?? En bref : les laboratoires chinois semblent avancer rapidement et casser des choses, tandis que les laboratoires américains avancent plus lentement et corrigent les problèmes — comme avec GPT-5.
Google DeepMind, on vous appelle… Il nous faut Gemini 3 Pro, et vite ! Nous avons besoin d’un équivalent du signal lumineux de Batman pour Logan Kilpatrick et Demis Hassabis… peut-être une gigantesque banane (nano) ??
Pour l’instant, le nouveau Qwen Max est en réalité fermé derrière leur API… leur premier modèle non ouvert — à notre connaissance, en tout cas.
Comme le dit l’adage : open source quand vous êtes à la traîne, source fermée quand vous êtes en tête.
Les laboratoires chinois sont-ils donc convaincus de rattraper leurs homologues américains ? Ou est-ce simplement la réalité lorsqu’on libère quelque chose d’aussi imposant : il faut bien le monétiser, non ??
Notre analyse
Tout cela est probablement le signe d’un écosystème sain et en pleine croissance. Les débats sont nombreux, les opportunités aussi, et il reste encore beaucoup à apprendre. Comme le dit Mike Knoop d’ARC-AGI, il n’y a véritablement eu que deux grandes avancées dans les modèles de langage : la découverte initiale du Transformer — la technologie qui fait fonctionner ChatGPT — et le raisonnement par chaîne de pensée — le mode « réflexion ». Traduction ? Nous n’en sommes encore qu’aux débuts, les amis.
Note de la rédaction : Ce contenu a initialement été publié dans notre publication sœur, The Neuron. Pour lire davantage d’articles de The Neuron, inscrivez-vous à sa newsletter ici.