IA : pourquoi les applications ciblées défient la course des géants à l’AGI

La course à l’intelligence artificielle ne se résume plus à la publication de modèles toujours plus impressionnants. Elle est devenue un arbitrage industriel majeur : faut-il consacrer des sommes colossales à la quête d’une intelligence artificielle générale, ou privilégier des outils conçus pour accomplir utilement des tâches précises ? À la mi-février 2025, les annonces d’investissement des plus grands groupes américains donnent une ampleur spectaculaire à ce débat.

La métaphore des « Roundheads » et des « Cavaliers » permet de mettre en scène cette opposition. D’un côté, des entreprises et des chercheurs parient sur la puissance de modèles de plus en plus généralistes. De l’autre, des acteurs cherchent d’abord à résoudre des problèmes concrets, vérifiables et immédiatement utiles. Il ne s’agit pas de deux camps officiellement constitués, mais de deux façons très différentes d’envisager le progrès de l’IA.

Une métaphore historique pour comprendre deux stratégies

Les Roundheads et les Cavaliers étaient les deux camps emblématiques de la guerre civile anglaise du XVIIe siècle. Les premiers soutenaient le Parlement, les seconds la monarchie. Transposée à l’intelligence artificielle, l’image oppose ici les promoteurs d’une IA pragmatique aux tenants d’une forme de « royauté technologique » : les grands détenteurs de données, de puces, de centres de données et de capitaux, engagés dans la course à l’AGI.

Dans cette lecture, les « Cavaliers » ne désignent pas des institutions traditionnelles hostiles à l’innovation. Au contraire, ce sont les géants technologiques qui financent l’infrastructure la plus ambitieuse. Leur pari est qu’un modèle capable de s’adapter à un très grand nombre de tâches pourrait devenir une plateforme centrale, au même titre que le cloud, le moteur de recherche ou le système d’exploitation.

Les « Roundheads », eux, incarnent une autre logique : construire des systèmes utiles dans un périmètre défini, mesurer leur efficacité, puis les intégrer dans un processus métier, scientifique ou administratif. Un modèle qui aide à prévoir la météo, à analyser des molécules ou à assister un professionnel peut avoir une valeur considérable sans posséder une intelligence générale.

Cette opposition doit toutefois être maniée avec prudence. Une même entreprise peut financer des modèles généralistes et déployer des applications spécialisées. De même, un progrès dans la recherche fondamentale peut ensuite devenir la brique d’un produit concret. La véritable question n’est donc pas seulement technologique : elle concerne la façon dont les ressources sont réparties, et le délai attendu avant d’en tirer un bénéfice.

Plus de 320 milliards de dollars sur la table

Les montants annoncés par Microsoft, Alphabet, Amazon et Meta illustrent le poids de ce choix. Ensemble, leurs prévisions et indications publiques représentent environ 315 à 320 milliards de dollars de dépenses d’investissement pour les périodes 2025 évoquées.

La comparaison a une limite importante : Microsoft raisonne en année fiscale, tandis que les autres groupes ont communiqué des perspectives correspondant à l’année civile 2025. Surtout, ces montants ne financent pas exclusivement l’IA au sens strict. Ils couvrent aussi les bâtiments, les réseaux, les serveurs, les puces et, selon les entreprises, d’autres besoins de cloud ou d’infrastructure. L’IA est néanmoins le moteur clairement revendiqué de cette accélération.

Ces dépenses répondent à une contrainte physique. Entraîner et servir des modèles modernes exige des grappes de processeurs, de l’électricité, des centres de données et des ingénieurs spécialisés. Plus un modèle est vaste, plus la facture de calcul, de stockage et de fonctionnement peut croître.

C’est le point de fragilité du pari des géants. Des revenus existent déjà dans le cloud, les abonnements, la publicité et les services d’entreprise enrichis par l’IA. Mais, à la mi-février 2025, aucun modèle économique éprouvé ne permet d’assurer que l’ensemble de ces investissements sera rentabilisé. Les groupes doivent convaincre que les gains de productivité et les nouveaux produits justifieront durablement une telle intensité capitalistique.

Pourquoi la quête de l’AGI attire-t-elle autant de capitaux ?

L’expression AGI, pour intelligence artificielle générale, ne désigne pas une technologie définie de manière consensuelle. Elle renvoie généralement à l’idée d’un système capable de comprendre, apprendre et accomplir une grande diversité de tâches intellectuelles avec une autonomie et une adaptabilité comparables, dans un sens large, à celles d’un humain.

Les modèles de langage actuels savent déjà rédiger, traduire, programmer, résumer, répondre à des questions ou analyser certains documents. Cela ne suffit pas à démontrer l’existence d’une AGI. Ils peuvent se tromper, manquer de contexte, reproduire des biais ou échouer face à une situation nouvelle. Leur très grande polyvalence explique néanmoins pourquoi ils sont considérés comme de possibles fondations pour une multitude de services.

Pour les groupes technologiques, le gain potentiel est considérable. Un modèle très performant pourrait renforcer une offre de cloud, améliorer la recherche en ligne, alimenter des assistants, automatiser une partie du support client ou enrichir des logiciels professionnels. Il peut aussi protéger une position stratégique : aucun dirigeant ne souhaite voir une plateforme concurrente devenir le point d’accès principal des entreprises et du grand public à l’IA.

La peur de manquer une rupture majeure peut ainsi jouer un rôle dans cette frénésie. Mais réduire les investissements à une simple fascination pour l’AGI serait insuffisant. Les entreprises financent également des capacités dont elles ont besoin aujourd’hui pour héberger des modèles, servir leurs clients et rester compétitives dans le cloud.

Les applications ciblées peuvent créer de la valeur plus vite

L’approche des Roundheads repose sur une idée simple : une IA n’a pas besoin de tout savoir faire pour être très utile. Dans un cadre bien défini, on peut évaluer un système sur des critères concrets, par exemple la précision d’une prévision, le temps gagné dans un processus, le taux d’erreur ou la qualité d’une recommandation.

Cette stratégie ne signifie pas nécessairement que la technologie sous-jacente est modeste. Une application spécialisée peut elle aussi mobiliser des modèles complexes, de grandes bases de données et d’importantes ressources de calcul. La différence tient à l’objectif : au lieu de viser d’abord une intelligence universelle, elle vise un résultat identifiable et une adoption dans un usage déterminé.

Les travaux de Demis Hassabis et de ses équipes chez Google DeepMind illustrent cette voie. Dans le domaine de la biologie moléculaire, AlphaFold a montré l’intérêt de l’IA pour l’étude des structures de protéines. En météorologie, les recherches de DeepMind ont également démontré que l’apprentissage automatique pouvait contribuer à améliorer la prévision du temps.

Ces exemples sont importants parce qu’ils relient la performance technique à une utilité scientifique mesurable. Ils ne font pas de Google DeepMind un acteur exclusivement « Roundhead », puisque le laboratoire mène aussi des recherches très générales en IA. Ils montrent en revanche que les avancées les plus significatives pour la société peuvent provenir de problèmes précis, où l’on sait ce que signifie une bonne réponse.

DeepSeek-R1 remet en cause l’idée d’une course réservée aux plus riches

La publication de DeepSeek-R1 en Chine, en janvier 2025, a fortement alimenté le débat. Ce modèle de raisonnement a attiré l’attention parce qu’il suggère qu’il peut exister des chemins alternatifs pour obtenir des capacités avancées, avec une approche qui semble moins dépendante des dépenses les plus extravagantes.

La leçon ne doit pas être simplifiée. Le coût annoncé ou estimé d’un modèle peut ne couvrir qu’une étape, telle que l’entraînement final, et laisser de côté les dépenses de recherche, les expériences antérieures, les données, les équipes, le matériel déjà disponible ou le coût de fonctionnement pour les utilisateurs. Un système moins cher à entraîner n’est pas automatiquement moins cher à déployer à grande échelle.

Pour autant, DeepSeek-R1 met sous pression une hypothèse centrale de la course aux infrastructures : celle selon laquelle la meilleure IA ne pourrait émerger qu’au prix d’une accumulation toujours plus massive de calcul. Des améliorations dans les méthodes d’entraînement, l’architecture des modèles ou l’efficacité de l’inférence peuvent modifier l’équation économique.

Il serait excessif d’affirmer que les grandes entreprises américaines ont ignoré cette percée. Leurs stratégies ne peuvent pas être déduites d’un seul communiqué. Leurs annonces montrent toutefois qu’elles n’ont pas renoncé à renforcer leurs infrastructures : Alphabet et Amazon ont détaillé leurs prévisions après la sortie de DeepSeek-R1, tandis que Microsoft et Meta maintiennent également des ambitions très élevées. La compétition porte donc autant sur l’efficacité des modèles que sur la capacité à financer leur déploiement mondial.

Le vrai choix des investisseurs : capacité brute ou adoption réelle ?

Pour les investisseurs, l’enjeu n’est pas de choisir mécaniquement un camp. Les modèles généralistes et les applications ciblées peuvent se compléter. Une entreprise peut utiliser un grand modèle comme socle, puis l’adapter à un secteur, à des documents internes ou à un workflow particulier.

Les critères décisifs sont plus concrets que les promesses autour de l’AGI :

• le coût total, de l’entraînement au fonctionnement quotidien ;
• la fiabilité des réponses dans un contexte réel ;
• la capacité à protéger les données et à respecter les règles applicables ;
• l’intégration dans le travail des utilisateurs ;
• la possibilité de convertir le gain de productivité en revenu durable.

Une IA très impressionnante en démonstration n’est pas forcément celle qui créera le plus de valeur. Dans de nombreux secteurs, les utilisateurs attendent moins un assistant universel qu’un outil fiable qui réduit les tâches répétitives, accélère une décision ou améliore la qualité d’un diagnostic. C’est là que l’approche pragmatique des Roundheads peut devenir gagnante : non pas parce qu’elle promet une révolution plus grande, mais parce qu’elle peut démontrer son utilité plus vite.

L’enjeu social et réglementaire dépasse la rivalité industrielle

Cette bataille d’investissements aura des conséquences bien au-delà de la Silicon Valley. Les outils déployés influenceront l’organisation du travail, l’accès au savoir, les métiers de service, la recherche scientifique et la circulation de l’information. Une application ciblée peut aider un professionnel, mais elle peut aussi transformer ses responsabilités, ses critères d’évaluation ou les compétences attendues.

La responsabilité ne peut donc pas être reportée à la fin de la course technologique. Les entreprises doivent intégrer les questions de sécurité, de confidentialité, de qualité des données et de contrôle humain dans la conception même de leurs produits. Les gouvernements et les institutions ont, eux aussi, un rôle à jouer pour fixer des règles compréhensibles et applicables.

Dans l’Union européenne, l’AI Act entre progressivement en application. Depuis le 2 février 2025, certaines dispositions, dont les obligations liées à la culture de l’IA et les interdictions de certaines pratiques, commencent à s’appliquer. Ce cadre rappelle que la performance d’un modèle ne peut être le seul critère de succès.

L’équilibre à trouver est délicat. Une régulation mal calibrée peut compliquer l’émergence de petites entreprises innovantes. L’absence de garde-fous peut, à l’inverse, favoriser des usages opaques, des erreurs coûteuses ou une concentration excessive du pouvoir technologique.

Ce qu’il faut surveiller

La confrontation entre les « Cavaliers » de l’AGI et les « Roundheads » de l’IA appliquée ne sera pas tranchée par un seul modèle ou une seule annonce d’investissement. Plusieurs indicateurs permettront de juger quelle stratégie tient ses promesses.

D’abord, les résultats financiers des géants montreront si leurs dépenses d’infrastructure se traduisent par une croissance durable de leurs services cloud et d’IA. Ensuite, il faudra observer l’évolution des coûts : si des méthodes plus efficaces permettent d’obtenir de bonnes performances avec moins de calcul, l’avantage des acteurs les plus capitalisés pourrait se réduire.

Enfin, les usages compteront plus que les proclamations. Les solutions qui résisteront seront celles qui produisent des résultats fiables, qui s’insèrent dans le quotidien des organisations et qui respectent les exigences de sécurité et de responsabilité. L’AGI reste une ambition fascinante. Mais, en février 2025, les applications ciblées ont déjà un atout essentiel : elles peuvent prouver leur valeur avant que le rêve d’une intelligence générale ne devienne réalité.