OpenAI et les start-ups : le risque d’une dépendance aux API

Une mise à jour d’un fournisseur peut-elle suffire à bouleverser le modèle économique de jeunes pousses de l’intelligence artificielle ? La question est au cœur d’une alerte lancée, au début de novembre 2023, par Alex Ker, responsable d’un incubateur de start-ups. Dans une publication sur X, il estime que plusieurs petites entreprises sont fragilisées par une dépendance grandissante aux outils mis à disposition par OpenAI.

Le constat ne vise pas l’utilité des technologies d’OpenAI, bien au contraire. Les interfaces de programmation de l’entreprise, appelées API, ont rendu des fonctions d’IA avancées accessibles à des équipes réduites. Elles permettent notamment de bâtir des assistants conversationnels, des outils de rédaction, des systèmes de synthèse ou des services capables d’analyser et de produire du langage. Mais cette accélération a une contrepartie : lorsqu’un fournisseur améliore directement une fonction que des start-ups commercialisent déjà, leur proposition de valeur peut être remise en cause.

Au 3 novembre 2023, l’alerte d’Alex Ker ne détaille ni le nombre exact d’entreprises concernées ni l’identité des produits menacés. Elle met toutefois en lumière un enjeu plus large pour le secteur : comment profiter de modèles très puissants sans laisser tout son avenir technologique dépendre des décisions d’un acteur unique ?

L’alerte d’Alex Ker porte sur une dépendance stratégique

Dans son message, Alex Ker s’inquiète d’une mise à jour récente des API d’OpenAI, décrite comme apportant des améliorations importantes. Son raisonnement est simple : une entreprise qui vend une fonctionnalité proche de celle qu’un grand fournisseur ajoute ou améliore dans son offre de base peut perdre une partie de sa singularité du jour au lendemain.

Cela ne signifie pas qu’une mise à jour d’OpenAI condamne mécaniquement une start-up. Une jeune société peut, par exemple, proposer une expérience utilisateur plus adaptée, une intégration poussée à un métier ou un accompagnement dont une API généraliste ne se charge pas. En revanche, elle devient plus exposée lorsqu’elle se limite à emballer une capacité disponible chez le fournisseur, sans ajouter de données, de processus ou de compétences difficiles à reproduire.

L’enjeu est aussi commercial. Lorsqu’un client croit pouvoir accéder à une fonction similaire directement auprès du fournisseur de technologie, il peut se demander pourquoi il paierait un intermédiaire. La question est particulièrement sensible dans l’IA générative, où l’évolution des modèles et des interfaces est rapide.

Pourquoi les API d’OpenAI séduisent autant les start-ups

Une API est une passerelle technique qui permet à un logiciel de demander une opération à un autre service. Dans le cas d’un modèle de langage, une application peut envoyer une instruction ou un texte, puis recevoir une réponse générée par le modèle. L’entreprise utilisatrice n’a alors pas besoin d’entraîner elle-même un modèle de très grande taille ni de faire tourner l’infrastructure informatique qui le sert.

Pour une start-up, cet accès est particulièrement attractif. Au lieu de consacrer ses premières ressources à la construction d’un modèle généraliste, elle peut se concentrer sur son produit : interface, parcours utilisateur, connexion à des documents, règles propres à un secteur ou outils de collaboration. Cette approche raccourcit le délai entre une idée et un service utilisable.

Les API de traitement du langage naturel, ou NLP, servent notamment à :

• générer ou réécrire des textes ;
• résumer des documents ;
• extraire des informations d’un contenu ;
• répondre à des questions formulées en langage courant ;
• alimenter des assistants capables d’interagir avec des utilisateurs.

Cette facilité d’accès explique la diffusion rapide de services fondés sur les grands modèles de langage. Elle explique aussi le risque relevé par Alex Ker : si beaucoup de produits reposent sur la même brique centrale, ils peuvent être affectés en même temps par les choix techniques ou commerciaux de cette brique.

Une mise à jour peut-elle vraiment menacer un produit ?

Oui, dans certains cas, mais tout dépend de ce que la start-up apporte au-delà du modèle. Une amélioration de l’API peut augmenter la qualité des réponses, élargir les fonctions proposées ou simplifier l’accès à une capacité. Ces progrès sont avantageux pour les entreprises qui utilisent l’API. Ils peuvent aussi, simultanément, réduire l’espace laissé à un produit spécialisé qui reposait principalement sur cette même capacité.

Le problème n’est donc pas l’existence des mises à jour. Un fournisseur doit faire évoluer ses services. La difficulté survient lorsqu’une entreprise ne maîtrise ni la technologie centrale dont dépend son activité, ni le calendrier auquel cette technologie évolue.

Dans le cas évoqué par Alex Ker, la publication ne précise pas quelles améliorations de l’API auraient affecté quels services. Il serait donc excessif d’affirmer que des entreprises ont été directement mises en péril par une fonctionnalité identifiée. En revanche, l’avertissement décrit une vulnérabilité structurelle, bien connue dans les écosystèmes numériques : construire vite sur une plateforme peut créer une dépendance durable envers celle-ci.

Tout bâtir sur une API ou diversifier son socle technique

Une dépendance forte n’est pas nécessairement un mauvais choix au lancement d’un projet. Pour une équipe qui cherche à vérifier qu’un besoin existe, utiliser une API reconnue peut être la manière la plus réaliste de proposer un premier service. Le risque apparaît si ce choix provisoire devient une impasse et que toute l’entreprise reste suspendue à un fournisseur unique.

La vraie distinction se situe entre une application qui utilise une API comme composant et une application qui n’est que l’accès simplifié à cette API. Dans le premier cas, le modèle de langage peut être remplacé ou complété. Dans le second, la moindre évolution du fournisseur risque de modifier immédiatement la promesse faite aux clients.

Une différenciation solide peut venir de plusieurs éléments : une connaissance fine d’un métier, une interface pensée pour un usage particulier, une méthode de vérification humaine, une organisation du travail spécifique ou l’intégration à des outils déjà utilisés par les clients. Ces atouts ne rendent pas l’entreprise invulnérable, mais ils limitent le risque de substitution par une fonction généraliste.

Réduire la dépendance sans renoncer aux gains de l’IA

Alex Ker invite les entreprises à minimiser leur dépendance aux outils d’OpenAI. Cette recommandation ne suppose pas d’abandonner les API du fournisseur. Elle encourage plutôt à prévoir des alternatives et à éviter qu’un seul service ne concentre toutes les fonctions critiques du produit.

Concrètement, une jeune entreprise peut commencer par séparer son application de la couche qui appelle un modèle de langage. Une telle organisation permet, en principe, de tester un autre fournisseur ou un autre modèle sans devoir réécrire l’ensemble du produit. Elle peut aussi comparer les réponses obtenues selon les tâches, plutôt que d’utiliser le même modèle pour tous les besoins.

La diversification peut prendre plusieurs formes :

• utiliser différents modèles selon les usages ;
• conserver une copie structurée des données et des règles métier ;
• évaluer régulièrement la qualité, les limites et le coût des outils employés ;
• prévoir une procédure si un service devient indisponible ou change fortement ;
• investir dans une expertise interne, même lorsque la technologie de base est externalisée.

Cette stratégie a un coût. Gérer plusieurs options techniques demande du temps, des tests et des compétences. Pour une petite structure, tout faire en interne serait souvent irréaliste. L’objectif n’est donc pas l’indépendance absolue, mais une dépendance choisie, comprise et réversible autant que possible.

Un enjeu pour la diversité de l’innovation

Au-delà de la situation des entreprises concernées, Alex Ker soulève la question de la concentration du marché de l’IA. Les acteurs capables de développer et d’exploiter des modèles de grande ampleur disposent d’avantages considérables : ressources informatiques, équipes de recherche, accès à des utilisateurs et capacité à diffuser rapidement de nouvelles fonctions.

Cette concentration peut accélérer l’adoption de l’IA. Elle peut aussi rendre plus difficile l’émergence de solutions locales, spécialisées ou conçues selon d’autres priorités. Si les jeunes pousses dépendent toutes des mêmes interfaces, la diversité des approches risque de diminuer, même lorsque les applications visibles paraissent nombreuses.

Dans l’analyse relayée par la publication d’origine, les pouvoirs publics et les régulateurs ont donc un rôle possible à jouer. Il ne s’agit pas de freiner l’innovation des grands acteurs, mais de créer les conditions d’une concurrence praticable. Des aides destinées aux jeunes entreprises, des soutiens à la recherche, l’accès à des infrastructures ou des coopérations entre start-ups peuvent contribuer à élargir les options disponibles.

La coopération évoquée par Alex Ker peut également concerner les entreprises elles-mêmes. Partager certaines pratiques, développer des composants communs ou rapprocher les compétences locales et internationales peut aider les petites structures à ne pas rester isolées face à des plateformes mondiales.

Ce qu’il faut surveiller

L’alerte formulée le 3 novembre 2023 invite à regarder au-delà des démonstrations impressionnantes de l’IA générative. Pour les start-ups, la question essentielle n’est pas seulement de savoir quel modèle produit les meilleures réponses. Elle consiste aussi à déterminer ce qui restera unique lorsque ce modèle, ou son API, évoluera.

Les entreprises les plus solides seront probablement celles qui sauront combiner deux impératifs : exploiter les capacités offertes par des fournisseurs tels qu’OpenAI pour avancer rapidement, tout en construisant des actifs qu’elles contrôlent réellement. Il peut s’agir d’une expertise sectorielle, d’un produit difficile à intégrer, de procédures adaptées à un client ou d’une architecture capable d’évoluer.

Pour les clients, les investisseurs et les décideurs publics, cette grille de lecture est également utile. Une solution d’IA ne se juge pas uniquement à la fluidité de ses réponses. Il faut aussi se demander sur quelles technologies elle repose, quelle part de sa valeur elle maîtrise et si elle peut rester pertinente lorsque l’écosystème change. C’est à cette condition que l’essor des API pourra nourrir un marché innovant, plutôt qu’un paysage dominé par quelques infrastructures incontournables.