Les labos d'IA face à l'argent : test de survie ou cash burn sans fin ?

Il est temps d'admettre l'évidence : l'industrie de l'intelligence artificielle ressemble aujourd'hui à une gigantesque fête où les invités boivent le champagne le plus cher, sans que personne se souvienne de qui a réglé l'addition. Nous sommes habitués aux gros titres sur de nouvelles levées de fonds à plusieurs milliards de dollars, mais à quelle fréquence entendez-vous parler de bénéfices réels ? Le moment semble venu de cesser de juger les labos d'IA au nombre de paramètres de leurs modèles et de regarder de près leurs relevés bancaires. Nous avons créé un système de classement qui répond à une question simple, mais très embarrassante : comptez-vous vraiment gagner de l'argent, ou attendez-vous simplement l'avènement de la singularité ?

Pendant longtemps, la Silicon Valley a vécu selon la règle « la croissance d'abord, la monétisation ensuite ». Cette stratégie a brillamment fonctionné pour Google et Facebook, mais l'intelligence artificielle est une bête d'une tout autre nature. Ici, chaque requête utilisateur coûte de l'argent bien réel, et en quantité non négligeable, sous forme de puissance de calcul. Une recherche Google coûte à l'entreprise une fraction infime de centime ; générer une seule réponse réfléchie avec GPT-4 peut coûter des dizaines de fois plus. Il en résulte une situation unique et dangereuse : plus votre produit devient populaire, plus vite vous courez à la ruine si vous n'avez pas de modèle économique clair et efficace.

Prenez OpenAI. D'organisation à but non lucratif modeste, l'entreprise est devenue une structure complexe à « profit plafonné ». Elle a levé des dizaines de milliards auprès de Microsoft et cherche désormais fébrilement à justifier ces investissements.

Les abonnements payants et l'API ne sont que la partie émergée de l'iceberg. La bataille principale se joue sur le terrain des solutions pour entreprises, où les exigences de sécurité et de stabilité sont bien plus élevées que celles d'un utilisateur lambda qui veut écrire des vers sur son chat. Dans le même temps, le coût d'entraînement de chaque nouvelle version de modèle croît de manière exponentielle, ce qui pousse Sam Altman à chercher des milliers de milliards de dollars pour construire ses propres usines de puces.

Le problème, c'est que de nombreux labos se comportent encore comme des instituts académiques déguisés en startups. Ils courent après des résultats SOTA (state-of-the-art) dans les benchmarks, en oubliant complètement que le client final se moque de 0.5% de précision en plus sur le test MMLU. Les entreprises ont besoin d'une solution à un problème concret, qui coûte moins cher que l'embauche d'un salarié ou que ce bon vieil Excel. Et c'est là que de nombreuses « licornes » commencent à trébucher, en proposant des outils incroyablement puissants mais économiquement absurdes.

Notre classement prend en compte plusieurs facteurs critiques : le coût de l'inférence, la profondeur d'intégration dans les processus métier existants et, surtout, le caractère unique de l'offre. Si votre modèle n'est qu'une énième surcouche de Llama avec un prompt système légèrement modifié, vous n'avez pas de business. Vous avez un hobby coûteux, qui ne vivra qu'aussi longtemps que les investisseurs croiront à la magie du mot « IA ».

Nous voyons le marché se scinder en deux camps. Le premier regroupe ceux qui construisent l'infrastructure et vendent réellement les « pelles » de cette ruée vers l'or. Le second réunit les visionnaires qui promettent une intelligence artificielle générale d'ici cinq ans et réclament encore quelques milliards pour des cartes graphiques.

L'histoire montre qu'au bout du compte survivent ceux qui savent compter leur argent pendant qu'ils construisent l'avenir, et non une fois qu'il est arrivé. Les investisseurs commencent déjà à poser des questions qui fâchent. Pourquoi Nvidia affiche-t-elle des bénéfices records, alors que les entreprises qui utilisent ses puces n'affichent pour l'instant que des pertes records ? Cela ne signifie pas que la technologie est creuse. Cela signifie qu'il est temps de grandir. L'ère du pur battage médiatique s'achève ; celle de l'efficacité opérationnelle stricte commence. Les labos devront prouver leur valeur non par le nombre de GPU de leur cluster, mais par la marge dégagée sur chaque token généré.

L'essentiel : la période romantique de l'industrie de l'IA est terminée. OpenAI pourra-t-elle devenir le nouveau Microsoft, ou restera-t-elle un département de recherche très coûteux entretenu par les géants ?

*Meta est reconnue comme organisation extrémiste et interdite en Russie.