Des data brokers américains vendent à des labos d'IA chinois des données et des environnements de RL pour 500 M$

Si vous pensiez que la principale pénurie dans la course à l'IA concernait les puces, cette histoire a une seconde moitié. L'enquête de ChinaTalk, relayée par The Decoder, montre que des fournisseurs de données américains vendent sans état d'âme aux laboratoires chinois ce qui sert à entraîner les modèles d'OpenAI et d'Anthropic. Le volume total avoisine 500 M$.

Ce qui est vendu au juste

Il ne s'agit pas seulement de textes annotés. Une partie de la marchandise se compose d'environnements de RL (environnements d'apprentissage par renforcement). Imaginez un simulateur : on donne au modèle une tâche, par exemple « corriger un bug dans un dépôt » ou « consolider le rapport trimestriel », puis un script vérifie le résultat et attribue une récompense. Le modèle essaie des milliers de fois et apprend peu à peu à mieux résoudre ces tâches. Construire un bon simulateur coûte cher et prend du temps : il faut des experts, des vérifications, du débogage.

C'est pourquoi ce montage profite aux deux parties. Selon l'enquête, la liste des vendeurs compte au moins neuf entreprises américaines, parmi lesquelles Mercor, Surge AI, AfterQuery et Turing. Surge AI écrit ouvertement sur son site que ses produits sont conçus par « les mêmes experts que ceux qui travaillent pour les laboratoires de pointe ».

Pourquoi cela intéresse la Chine

Les acheteurs choisissent délibérément les mêmes produits que ceux qu'OpenAI ou Anthropic ont déjà achetés. La logique est simple : puisque les leaders américains ont déjà prouvé que l'environnement fonctionne, inutile de le tester soi-même. Cela fait gagner des mois de développement et supprime les sessions d'entraînement « à vide », très coûteuses. Pour les laboratoires chinois, le calcul vaut doublement : selon les auteurs, les puces locales souffrent d'une grave pénurie de mémoire.

S'y ajoute la distillation. Les équipes chinoises utilisent de puissants modèles américains comme GPT ou Claude en guise de « professeurs » et entraînent leurs propres modèles sur leurs réponses. Avec les environnements achetés, le gain est double : on peut rattraper son retard avec moins de ressources propres.

La transaction elle-même passe par des structures offshore. ByteDance, par exemple, possède des bureaux d'achat à Singapour et à San José. Tout a été découvert grâce à des sources anonymes et à la négligence de sous-traitants. Le gros du travail de création d'environnements et de préparation des données est confié par les entreprises américaines à des prestataires peu rémunérés dans des pays en développement, surtout en Inde. Ceux-ci mentionnent parfois le nom de leurs clients sur LinkedIn ou dans leur CV, alors qu'ils ne devraient utiliser que des noms de code.

Où est le risque, où est l'exagération

La principale inquiétude concerne les environnements à double usage. Les simulateurs de codage améliorent le développement, mais peuvent aussi renforcer les capacités cyberoffensives. Les environnements de biologie peuvent améliorer le travail sur la synthèse de gènes et, potentiellement, aider dans des tâches liées aux armes biologiques. Aujourd'hui, le contrôle des exportations ne s'applique presque pas à ces produits, faute de catégorie réglementaire distincte pour les environnements de RL. Les auteurs proposent que le Bureau of Industry and Security américain leur applique les règles existantes.

Ils demandent toutefois eux-mêmes de ne pas sombrer dans l'apocalypse. Tant que la Chine suit les traces des solutions américaines, elle accuse structurellement un retard d'au moins quelques mois sur les laboratoires américains. Les environnements sensibles en biologie, chimie, cybersécurité, conception de puces et banque d'investissement sont de plus en plus construits au sein des entreprises américaines elles-mêmes.

Il faut aussi garder en tête les limites. Le volume de 500 M$ est une estimation de l'enquête. Les données sur les quelque 100 M$ de revenus annuels d'AfterQuery proviennent de publications de Forbes, et ChinaTalk n'a pas pu les vérifier de manière indépendante.

Ce que cela signifie en pratique

Pour les fondateurs de startups de données, la conclusion est rude : la régulation de ce marché va très probablement se durcir. Mieux vaut savoir dès maintenant qui sont vos acheteurs finaux, comment sont structurés les contrats et à qui vont les environnements dans les domaines sensibles. C'est ma conclusion, et non une affirmation des auteurs de l'enquête.

Pour ceux qui construisent des produits sur des modèles, le message est différent. Des simulateurs et des données seuls ne forment qu'un fossé défensif fragile : s'ils s'achètent, vos concurrents les achèteront aussi. Le véritable avantage reste dans les données fermées, la distribution et la vitesse d'itération. Quant aux équipes qui confient la collecte ou l'annotation à des sous-traitants, elles doivent surveiller la sécurité opérationnelle de la chaîne : la fuite du nom d'un client depuis le CV d'un prestataire est un scénario tout à fait réel.