Choc DeepSeek : dix leçons pour comprendre la nouvelle course à l’IA

DeepSeek n’a pas seulement lancé un nouveau modèle de langage. En quelques jours, le laboratoire chinois a imposé une question qui dérange les certitudes de la Silicon Valley : faut-il réellement mobiliser toujours plus de capitaux, de puces et d’électricité pour construire une IA de premier plan ? La publication de DeepSeek-R1, le 20 janvier 2025, a donné une force concrète à cette interrogation.

Le débat dépasse largement la performance d’un assistant conversationnel. Il porte sur le prix d’accès à l’IA, la place des modèles dont les poids peuvent être téléchargés, l’avance technologique américaine, la dépendance mondiale aux semi-conducteurs et les risques d’une accélération mal maîtrisée. Au 3 février 2025, voici les dix enseignements à tirer de ce que beaucoup appellent déjà le choc DeepSeek.

D’où vient DeepSeek ?

DeepSeek est un laboratoire d’intelligence artificielle chinois créé en 2023, dans l’orbite d’un fonds spéculatif fondé en 2016 par Liang Wenfeng, ingénieur en télécommunications. Son profil tranche avec celui des très grands groupes technologiques : le laboratoire compterait moins de 150 chercheurs, dont de jeunes diplômés issus des meilleures universités chinoises.

Cette origine financière importe. L’entraînement des grands modèles exige des moyens de calcul considérables, et donc une capacité à acquérir et à exploiter des puces spécialisées. DeepSeek n’est pas l’histoire d’une petite équipe qui aurait réalisé un miracle sans infrastructure. C’est celle d’un acteur relativement compact qui a su organiser des ressources importantes autour d’une ambition de recherche très ciblée.

Leçon 1 : un petit laboratoire peut déplacer le centre du débat

Le nombre de chercheurs ne suffit pas à mesurer la capacité d’innovation d’un laboratoire. DeepSeek montre qu’une équipe plus réduite que celles des géants américains peut attirer l’attention mondiale si elle combine talents, calcul et choix techniques efficaces. Cela ne signifie pas que la taille cesse de compter, mais que la course n’est pas mécaniquement gagnée par l’entreprise qui recrute le plus.

Leçon 2 : la Chine ne se résume pas à un rôle de suiveur

L’émergence de DeepSeek rappelle que la compétition en IA est mondiale. Les États-Unis restent le foyer des principaux laboratoires privés et des fournisseurs de puces les plus avancés. Mais la publication d’un modèle chinois capable de se placer dans les comparaisons avec les références américaines change la perception du rapport de force. La question n’est plus seulement de savoir qui possède les plus grandes infrastructures, mais qui transforme le mieux ses ressources en modèles utiles.

Le chiffre de 5 millions doit être lu avec prudence

L’un des éléments les plus commentés est le coût attribué à DeepSeek-V3 : un peu plus de 5 millions de dollars. Comparé aux budgets évoqués pour les modèles les plus ambitieux des entreprises américaines, ce montant paraît extrêmement faible. L’exemple de Claude 3.5 Sonnet, développé par Anthropic, est souvent cité : son développement aurait représenté plusieurs dizaines de millions de dollars.

Mais comparer ces chiffres sans précaution conduirait à une conclusion trompeuse. Le montant avancé pour V3 renvoie au coût communiqué d’un entraînement, pas nécessairement à l’intégralité des dépenses qui permettent l’existence du modèle. Il faut aussi compter la recherche préalable, les salaires, les essais infructueux, le stockage, les données, le réseau et le matériel acquis au fil du temps.

DeepSeek disposerait par ailleurs d’un parc de puces d’IA évalué à au moins 1 milliard de dollars, malgré les restrictions américaines sur certaines exportations de technologies de pointe vers la Chine. Cette donnée ne contredit pas le chiffre de l’entraînement : elle en éclaire la limite. Posséder une infrastructure et payer une campagne d’entraînement sont deux réalités économiques différentes.

Leçon 3 : l’efficacité compte autant que la quantité de calcul

Le principal message de DeepSeek n’est donc pas qu’une IA avancée coûterait seulement 5 millions de dollars. Il est plus nuancé et plus important : de meilleurs choix d’architecture, d’entraînement et d’exploitation peuvent réduire fortement le calcul nécessaire à certains résultats. Cette possibilité ébranle l’idée selon laquelle chaque progrès imposerait mécaniquement des dépenses toujours plus gigantesques.

Leçon 4 : les comparaisons de prix ne valent que si l’on compare le même service

DeepSeek met en avant une utilisation pouvant être jusqu’à 25 fois moins chère que certaines offres d’OpenAI. Pour une start-up ou une entreprise qui envoie de très nombreux textes à un modèle, l’argument est décisif. Une baisse du prix par requête peut faire passer un prototype d’IA du statut d’expérimentation coûteuse à celui de fonctionnalité déployable.

Il faut néanmoins regarder ce qui est facturé : le volume de texte traité, le texte généré, la mise en cache, la vitesse de réponse, le niveau de disponibilité, les outils intégrés et les garanties de sécurité. Un tarif inférieur est un avantage réel, mais il ne résume pas à lui seul la qualité d’un service.

Pourquoi DeepSeek-R1 a-t-il créé autant d’attention ?

DeepSeek-R1 appartient à la famille des modèles dits de raisonnement. Au lieu de viser uniquement une réponse immédiate, ces systèmes sont conçus pour consacrer davantage d’étapes à un problème complexe, notamment en mathématiques, en programmation ou en logique. C’est sur ce terrain que les modèles de raisonnement d’OpenAI avaient déjà marqué les esprits.

R1 a suscité le buzz parce qu’il promet de se rapprocher de ces capacités, tout en étant proposé à un prix plus accessible et avec des poids diffusés publiquement. La combinaison est rare : une ambition de performance élevée, une promesse de frugalité et une diffusion qui permet à d’autres acteurs de travailler à partir du modèle.

Leçon 5 : le raisonnement est devenu une fonction que les utilisateurs identifient

Pour le grand public, un modèle de raisonnement donne l’impression de « réfléchir » avant de répondre. Cette formule est intuitive, mais elle mérite d’être précisée. Le modèle ne raisonne pas comme une personne : il produit du texte et applique des mécanismes appris durant son entraînement afin de décomposer certains problèmes. Le résultat peut être plus convaincant sur des tâches structurées, sans devenir infaillible.

Dans les interfaces associées à R1, les utilisateurs peuvent voir une trace de raisonnement détaillée. Les modèles d’OpenAI affichent plutôt une synthèse de leurs étapes de réflexion que leur raisonnement brut. Cette différence nourrit une impression de transparence, mais elle ne garantit ni l’exactitude de la réponse ni l’absence de biais. Une explication claire peut être erronée, et une réponse correcte peut reposer sur un processus difficile à interpréter.

Leçon 6 : une démonstration spectaculaire ne remplace pas l’évaluation rigoureuse

Le succès d’un modèle se joue aussi sur les démonstrations, les classements et les retours d’utilisateurs. Or, les tests de raisonnement peuvent être sensibles à la formulation des consignes, à la langue employée, au niveau de difficulté ou aux données déjà présentes dans l’entraînement. Une comparaison sérieuse doit distinguer les capacités générales, les performances dans un métier précis, la sécurité, le coût et la fiabilité dans la durée.

Les soupçons exprimés par une partie de la communauté à propos d’une éventuelle utilisation détournée de modèles d’OpenAI illustrent aussi l’importance de la transparence. Ces interrogations existent, mais elles ne constituent pas, à elles seules, une démonstration. Elles soulignent la difficulté croissante de retracer l’origine des données et des comportements d’un grand modèle.

Modèles ouverts et modèles privés : une opposition incomplète

DeepSeek est volontiers associé à l’« open source ». Dans l’IA, cette expression recouvre des réalités différentes. La diffusion des poids d’un modèle permet de le télécharger, de l’exécuter et de l’adapter dans certaines conditions. Elle peut accélérer les usages et la recherche. Elle ne signifie pas forcément que l’ensemble des données d’entraînement, du code, des méthodes ou des décisions de gouvernance sont accessibles.

Cette nuance est essentielle dans le cas de DeepSeek : la diffusion des poids rend le modèle plus accessible, mais les données ayant servi à son entraînement ne sont pas entièrement transparentes. Il est donc plus précis de parler de modèles à poids ouverts que de supposer une ouverture totale.

Leçon 7 : l’ouverture abaisse la barrière d’entrée, sans faire disparaître les géants

Pour une entreprise, utiliser un modèle à poids ouverts peut offrir davantage de contrôle : déploiement sur sa propre infrastructure, adaptation à ses documents, réduction de certaines dépendances et possibilité de tester des variantes. En contrepartie, elle doit assumer l’hébergement, la sécurité, les mises à jour et l’évaluation du modèle.

Les modèles propriétaires conservent de solides atouts : intégration de services, support, capacités souvent très avancées et infrastructures mondiales. La baisse des coûts ne condamne donc pas les offres fermées. Elle oblige surtout tous les acteurs à mieux justifier leur prix et leurs performances.

Un avertissement pour les marchés, les puces et le cloud

L’irruption de DeepSeek a immédiatement affecté les anticipations boursières autour de l’IA, notamment celles liées à Nvidia. Le raisonnement était simple : si des modèles compétitifs peuvent être entraînés ou utilisés avec moins de ressources, les investissements massifs dans les puces les plus puissantes pourraient-ils ralentir ?

Cette lecture est plausible, mais incomplète. Une IA moins chère peut aussi augmenter fortement le nombre d’usages. Quand une technologie devient accessible à plus d’entreprises et de particuliers, la demande totale de calcul peut progresser, même si chaque tâche coûte moins cher. C’est l’effet rebond : des gains d’efficacité ne réduisent pas nécessairement la consommation globale de ressources.

Leçon 8 : moins de calcul par tâche peut signifier plus de calcul au total

Les fournisseurs de puces ne sont pas automatiquement les perdants de modèles plus efficaces. Si la baisse des prix déclenche une multiplication des assistants, des applications professionnelles et des services automatisés, l’infrastructure nécessaire peut continuer à croître. Les opérateurs de cloud pourraient eux aussi bénéficier de cette diffusion, car davantage d’organisations auront les moyens d’expérimenter et de déployer de l’IA.

Leçon 9 : les restrictions technologiques ne figent pas l’innovation

Les restrictions américaines sur les puces avancées visent à limiter l’accès de la Chine à certaines capacités de calcul. DeepSeek montre toutefois qu’un environnement plus contraint peut pousser un laboratoire à optimiser ses méthodes. Cette réalité ne rend pas les restrictions sans effet, mais elle rappelle qu’une politique industrielle ne remplace jamais l’effort de recherche, ni d’un côté ni de l’autre du Pacifique.

La France face au nouveau seuil d’accès à l’IA

Pour la France, le choc DeepSeek pose moins la question d’une imitation immédiate que celle de la stratégie. Le pays dispose de compétences académiques reconnues et d’un tissu de start-up, mais l’accès au financement, au calcul et aux marchés reste un défi face aux moyens mobilisés par les grandes entreprises américaines et chinoises.

Leçon 10 : l’avantage peut venir de l’usage, pas seulement du modèle géant

Des modèles plus accessibles donnent aux entreprises françaises une occasion de créer des outils spécialisés sans financer elles-mêmes un entraînement massif. L’enjeu est de combiner les compétences des chercheurs, des start-up et des organisations qui possèdent une expertise métier ou des données pertinentes. Il ne suffit pas de télécharger un modèle : il faut le tester, l’encadrer et l’intégrer à un besoin réel.

DeepSeek remet aussi au premier plan les questions de sécurité et de gouvernance. Des modèles de raisonnement plus performants peuvent être utiles à la recherche et au travail intellectuel. Ils peuvent aussi rendre certaines capacités plus faciles à mobiliser à grande échelle. Parler d’une intelligence artificielle générale, ou AGI, reste prématuré : R1 ne démontre pas l’existence d’une IA capable d’accomplir de manière fiable l’ensemble des tâches intellectuelles humaines. Mais l’accélération de la concurrence rend indispensable un débat concret sur les garde-fous.

Ce qu’il faut surveiller après le choc DeepSeek

Les prochains mois devront départager l’effet d’annonce du changement structurel. Plusieurs éléments seront particulièrement révélateurs : la fiabilité de R1 dans des usages professionnels, la capacité de DeepSeek à maintenir ses prix à mesure que son audience augmente, les réponses d’OpenAI et d’Anthropic, ainsi que l’adoption de modèles à poids ouverts par les entreprises.

Il faudra aussi suivre l’évolution de la demande en puces. Le choc DeepSeek pourrait affaiblir l’idée selon laquelle seuls les budgets les plus élevés permettent de progresser. Il ne met pas fin à la course au calcul : il la rend plus complexe. L’industrie doit désormais répondre simultanément à deux exigences, construire des modèles plus puissants et les rendre suffisamment efficaces pour être utilisés par le plus grand nombre.