Le développement de l’intelligence artificielle repose aujourd’hui uniquement sur l’hypothèse de l’échelle. C’est le concept fondamental derrière la croissance des entreprises d’IA. L’idée est simple : plus nous incorporons de données, de puissance de traitement et de paramètres dans le modèle que nous développons, plus il deviendra capable et intelligent. Cela ne se fait pas au hasard ; cette approche a montré des résultats impressionnants jusqu’à présent. Chaque nouvelle génération de grands modèles de langage, de GPT-3 à GPT-5, a démontré une amélioration notable dans la compréhension du langage, le codage, la traduction et le raisonnement logique. La stratégie commerciale des principales entreprises d’IA, d’OpenAI et Anthropic à Google DeepMind, est construite sur cette logique de ‘plus signifie mieux’. Au cours des trois dernières années, elles ont investi des milliards de dollars dans le développement d’infrastructures informatiques, créant une demande qui a transformé des entreprises comme Nvidia en les entreprises technologiques les plus précieuses au monde.
Formation Non Durable
Former un modèle avancé coûte actuellement entre 50 et 100 millions d’euros, et on estime que les modèles à venir pourraient dépasser 500 millions d’euros par cycle de formation. La consommation d’énergie explose également : selon l’Agence internationale de l’énergie, les centres d’IA consomment aujourd’hui plus d’électricité que toute la Belgique, et d’ici 2026, ils pourraient dépasser la consommation électrique des Pays-Bas. Les sceptiques avertissent que l’hypothèse de l’échelle a ses limites physiques et économiques : il n’existe pas d’approvisionnement infini en électricité, en silicium ou en argent qui pourrait soutenir la formation de modèles de plus en plus grands. De plus, la quantité de données disponibles et de qualité devient un facteur limitant. Internet est essentiellement déjà ‘exploité’, et les nouvelles sources de données sont souvent de qualité inférieure ou restreintes par des droits de propriété intellectuelle.
La question est de savoir combien de temps encore l’hypothèse de l’échelle peut faire monter les valeurs boursières. Les estimations actuelles du marché de l’IA varient entre 1,3 et deux trillions de dollars, et rien que la construction d’infrastructures, de puces, de centres de données et de réseaux énergétiques devrait dépasser le marché pétrolier par capitalisation d’ici 2030. Les analystes de Goldman Sachs estiment que les investissements dans l’infrastructure de l’IA atteindront 200 milliards de dollars par an d’ici 2027, dont jusqu’à 70 % de ce montant seront liés aux capacités de calcul nécessaires pour former des modèles de plus en plus grands. S’il s’avère que l’augmentation de la puissance de calcul ne produit plus de progrès proportionnels dans les résultats, les marges bénéficiaires des principales entreprises d’IA commenceront à se réduire. Les investisseurs sont actuellement réticents à croire en ce scénario, mais des signaux indiquent que cela se produit déjà. Le marché des puces montre déjà des signes de saturation : les prix des GPU de Nvidia se sont stabilisés pour la première fois après deux ans de croissance, et des concurrents comme AMD et Intel abaissent rapidement leurs prix pour capter des parts de marché.
