Tout, partout, mais pas tout à la fois

Au lieu de donner la primauté à l’innovation (comme le font la plupart des analystes), Jeffrey Ding pense au contraire que le véritable déterminant de la puissance d’un pays réside dans la diffusion - ce processus souvent sous-estimé par lequel une technologie à usage général dépasse le cadre des laboratoires de pointe pour s’étendre aux chaînes de production. En s’appuyant sur les exemples de trois révolutions industrielles, il montre comment malgré son avance initiale en matière de machines à vapeur, la Grande-Bretagne a finalement dû céder face à la suprématie des États-Unis et de l’Allemagne. De la même manière, il explique comment les États-Unis ont fini par prendre le pas sur le Japon dans le domaine informatique, en assurant une meilleure diffusion des technologies à usage général essentielles dans l’ensemble de l’économie américaine.

Le cadre établi par Jeffrey Ding a des implications immédiates dans la course actuelle à l’IA. Laissant de côté les scores des indices de référence et rythme de sortie des modèles frontières, il privilégie les enjeux liés aux viviers de talents, aux liens institutionnels et aux infrastructures de compétences (écosystèmes d’éducation et de formation) qui déterminent l’ampleur et la profondeur de la diffusion d’une technologie dans une économie.

Pour les investisseurs qui tentent d’identifier les gagnants de l’ère de l’IA,

les travaux de Jeffrey Ding servent de boussole pour trouver des repères et tordent le cou à certaines idées reçues.

Désormais, la question n’est plus de savoir quels modèles sont les plus performants, mais plutôt de reconnaître les entreprises, les secteurs et les économies les mieux positionnés pour transformer cette puissance en productivité. En partant du principe que c’est la diffusion qui détermine en dernier lieu les gagnants économiques, les signaux les plus importants n’émaneront sans doute pas des laboratoires de pointe, mais des processus plus subtils d’adoption observables dans le reste de l’économie.

L’une des principales conclusions de mon analyse est que le facteur clé de réussite n’est pas de savoir quel pays peut former les experts les plus compétents et les plus brillants ou développer les recherches les plus avancées dans ses laboratoires de pointe. Je pense plutôt que le véritable enjeu consiste à déterminer quel pays est capable de jeter des ponts entre ces institutions de pointe (les principaux laboratoires, entreprises et universités) et à transférer des connaissances, des compétences et des technologies spécifiques vers une PME dans le Midwest ou une société implantée dans une ville de la province du Qinghai qui ne fait l’objet d’aucune couverture médiatique en anglais.

Lorsque les technologies sont évoquées dans les rapports d’investissement ou dans les pages du Financial Times ou du Wall Street Journal, c’est presque toujours sous l’angle de cette première étape. Les analyses historiques du livre tentent de recentrer l’attention vers cet aspect trop souvent négligé.

Il s’agit d’une question essentielle, qui est de surcroît difficile à mesurer. On constate toutefois des avancées, et plusieurs catégories d’indicateurs méritent d’être suivis.

La première catégorie est le capital humain. Dans quelle mesure observe-t-on une augmentation des offres d’emploi pour des ingénieurs en algorithmes, des ingénieurs en apprentissage automatique ou des spécialistes de l’interaction homme-machine dans un secteur donné ? L’ingénierie de prompt est un domaine à part entière qui est désormais directement lié à l’adoption de l’IA. Les flux de talents, c’est-à-dire les secteurs dans lesquels les entreprises recrutent réellement et pour quels postes, peuvent donc être un indicateur avancé pour évaluer si l’IA est intégrée à des tâches productives ou si elle relève d’une simple expérimentation.

La deuxième catégorie est l’utilisation des tokens (un token est l’unité de base de données qu’un modèle d’IA lit et génère).

De plus en plus d’organisations commencent à mesurer le nombre de tokens en fonction des différents secteurs et applications.

Cet indicateur, même s’il reste imparfait - l’utilisation peut se révéler inefficace ou se cantonner à un usage récréatif - donne néanmoins une idée globale des montants que les organisations consacrent aux modèles d’IA et l’ampleur de leur déploiement au sein des entreprises. L’AI Economy Institute de Microsoft a mené des recherches sur la mesure de l’utilisation des tokens en fonction des pays : même si les données au niveau des entreprises sont difficiles à collecter, il s’agit d’un domaine qu’il convient de surveiller.

Les données obtenues à partir d’enquêtes doivent en revanche être abordées avec plus de circonspection. Lorsque, dans un rapport, 90 % des entreprises d’un secteur affirment « avoir recours à l’IA », ce pourcentage, au lieu d’avoir une valeur informative, risque davantage d’être une source de confusion. La manière dont les personnes interrogées interprètent la question et embellissent leurs réponses réduit pratiquement à néant l’utilité de ces chiffres dans le cadre d’une étude sérieuse.

L’exemple qui vient spontanément à l’esprit est la concurrence qui a opposé les États-Unis et le Japon en matière informatique, et la manière dont les technologies de l’information et de la communication ont été adoptées plus efficacement dans l’économie américaine qu’au Japon. Bien que cette transition soit également passée par des cycles de « prospérité - récession », la plus célèbre étant l'éclatement de la bulle Internet,

l’informatique et Internet ont durablement transformé la productivité.

Cet épisode peut offrir un parallèle utile pour les débats actuels concernant une bulle de l’IA.

Il est possible qu’une part importante des investissements engagés aujourd’hui dans les méga-clusters d’IA et les gigantesques centres de données ne produisent pas les dividendes escomptés à court terme pour les entreprises qui les ont réalisés. Il se pourrait aussi que ce soit simplement ce qui arrive habituellement lorsqu’une technologie révolutionnaire génère un tel engouement et autant d’attentes. À long terme, je suis persuadé que l’IA continuera d’occuper une part croissante du budget énergétique, et qu’elle finira par engendrer de vastes gains de productivité dans toute l’économie.

Les investissements en capital de la Chine constitueront un autre élément intéressant à suivre. Les investissements des principaux laboratoires de pointe chinois sont largement inférieurs à ceux de leurs homologues américains. Cet écart tient à plusieurs facteurs : un accès limité aux puces les plus avancées, les ressources financières relativement plus faibles des entreprises chinoises de l’IA par rapport à leurs concurrentes américaines et, peut-être surtout, une demande moins importante des entreprises.

Les entreprises chinoises sont généralement moins disposées à souscrire des abonnements à grande échelle pour l’utilisation de grands modèles de langage, ce qui affaiblit les moteurs de la demande qui pourraient justifier les investissements en capital.

Le premier aspect que j’examine est l’étendue du vivier de talents. Plus précisément, combien de personnes peuvent accomplir des tâches d’ingénierie IA d’une qualité suffisante. Pour donner un exemple concret : un développeur capable de prendre un modèle open source, de l’affiner à partir d’un jeu de données sectorielles spécifiques et de produire une preuve de concept permettant d’intégrer ce modèle aux flux de travail particuliers d’une entreprise. C’est le scénario de base. L’important est l’étendue de ce vivier, et non pas la qualité de ses meilleurs éléments.

Le deuxième aspect est la systématisation. Autrement dit, dans quelle mesure un pays ou une société est capable de prendre ces connaissances et de les déployer entre les différentes divisions ou les différents secteurs, au lieu de les laisser cloisonnées au sein d’une même équipe ou d’une même institution. Au niveau des pays, cela revient à établir des liens solides entre les secteurs et le monde académique, et à mettre en place des canaux efficaces de transfert de technologies. En Allemagne, les instituts de recherche appliquée de la Fraunhofer offrent un exemple concret de ce modèle, en jetant des ponts entre les institutions afin de standardiser et de disséminer les connaissances avancées en ingénierie vers le reste de l’économie.

Au niveau des sociétés, il peut s’agir de mettre en place un ensemble commun de normes et de protocoles pour structurer et mettre à jour les données afin d’alimenter les modèles d’IA, ou de définir des référentiels partagés pour évaluer les modèles à déployer pour une tâche donnée. La capacité d’une organisation à s’assurer que tous les collaborateurs sont sur la même longueur d’onde concernant l’intégration de l’IA dans ses activités (et pas seulement au sein de l’équipe dédiée à l’IA) est en soi un indicateur des infrastructures de compétences.

L’un des domaines les plus sous-estimés au niveau des pays est l’environnement juridique et institutionnel régissant les rapports entre les universités et l’industrie. Aux États-Unis, il est relativement facile pour les chercheurs de démarrer des startups à partir de leurs travaux sans céder la majorité des droits de propriété intellectuels à leurs universités. Ce système permet de renforcer les liens et de favoriser la porosité entre le monde de l’entrepreneuriat et le monde académique. Il contribue à systématiser les flux de connaissances à travers l’écosystème technologique de manière à faciliter leur diffusion.

De manière générale, je pense que les États-Unis bénéficient d’une marge d’erreur beaucoup plus importante. Ils sont particulièrement bien positionnés pour prendre la tête de ce que j’appelle le marathon de la diffusion de l’IA.

C’est en tous cas ce que fait apparaître clairement le recadrage que nous avons évoqué plus tôt. À partir du moment où on comprend que l’enjeu de la course est de diffuser une technologie à usage général à travers l’économie, il serait très surprenant que la Chine s’impose comme un leader.

La Chine accuse un retard significatif par rapport aux États-Unis et à d’autres économies plus riches en ce qui concerne l’adoption global du Cloud computing et la numérisation des bases de données des entreprises. DeepSeek et d’autres acteurs montrent que la Chine dispose d’entreprises d’exception à la pointe des technologies, ainsi que d’universités de très haut niveau. Toutefois, en termes de méthodes diffusion (des institutions de pointe vers les petites et moyennes entreprises à travers le pays), les États-Unis bénéficient d’une position de départ beaucoup plus avantageuse.

Cela dit,

les deux pays prennent des mesures qui vont à l’encontre de leurs propres intérêts.

L’un des aspects qui me préoccupe le plus concernant la politique américaine actuellement est la combinaison de restrictions sur les flux de talents internationaux et de coupes budgétaires dans les établissements d’enseignement supérieur, qui sont historiquement le moteur de la formation des compétences liées aux TUG. Dans le cadre de la concurrence qui a opposé les États-Unis au Japon en matière technologique, l’un des avantages décisifs des États-Unis a été leur capacité à puiser dans un vivier mondial de talents d’ingénieurs logiciels, tandis que le Japon évoluait dans un environnement beaucoup plus tourné vers lui-même. Les restrictions américaines qui pèsent actuellement sur les étudiants internationaux, auxquelles s’ajoutent la réduction des soutiens aux programmes de mobilité dans l’enseignement et aux community colleges, risquent de fragiliser cet avantage.

L’un des domaines de réflexion que j’approfondis depuis la publication du livre est le risque d’accidents liés à l’IA et les enseignements qui peuvent être tirés d’autres technologies à haut risque comme l’énergie nucléaire, l’aviation civile et l’industrie chimique.

Dans ces secteurs, les inquiétudes liées à la sécurité jouent un rôle significatif en ralentissant ou en limitant la diffusion.

Bien que l’IA présente un profil de risque différent et plus varié, la question sous-jacente est similaire : quels pays ou régimes réglementaires sont capables à la fois de promouvoir son adoption et d’empêcher les accidents ou les crises de confiance susceptibles de compromettre durablement sa diffusion ?

Prenons l’exemple de l’énergie nucléaire : un cadre réglementaire plus prudent dans certains pays aurait pu favoriser une adoption plus intensive à long terme. C’est la même dynamique que l’on pourrait observer avec l’IA. Une seule défaillance ultra-médiatisée pourrait affaiblir la confiance du grand public et retarder son adoption de plusieurs années. Un tel risque, même s’il ne marquerait pas la fin de l’IA, ne reçoit pas, à mon avis, toute l’attention qu’il mérite, d’autant plus qu’il pourrait devenir un élément central de sa diffusion au cours des dix prochaines années.