Après deux ans de frénésie des grands modèles, les géants de l’IA font tous demi-tour pour réparer la “couche de base” des données
Le moteur est là, mais la route n’est pas encore terminée
Première mi-temps : on court dans les salles d’exposition
Pendant les deux dernières années, le récit autour de l’IA a été très uniforme : des modèles plus gros, plus de paramètres, des classements plus élevés, et une course à la vedette entre l’open source et le fermé. Les scénarios des entreprises se ressemblent aussi énormément : acheter de la puissance de calcul, recruter des algorithmes, déployer des modèles — et si le modèle de base est “suffisamment puissant”, l’atterrissage se fait naturellement
Puis la réalité a porté un coup : l’histoire typique d’un CIO d’une grande entreprise publique — 17 systèmes métiers, 9 entrepôts de données, 3 clouds. Les formats de données sont hétérogènes, et d’innombrables rapports papier ne sont pas numérisés. Résultat : même l’application la plus élémentaire, le diagnostic des pannes des équipements, ne peut pas fonctionner ; le modèle n’arrive même pas à lire l’historique des réparations
Le goulot d’étranglement n’est pas que le modèle ne marche pas : c’est qu’on ne peut pas lui “donner à manger” les bonnes données
Deuxième mi-temps : faire entrer la voiture dans la vraie rue
L’usine doit continuer à produire sans arrêt, l’hôpital doit rester sûr, le gouvernement doit être conforme. Même si le modèle est très fort, tant que la route des données n’est pas réparée, on ne peut que faire du surplace
Les mouvements de la chaîne industrielle mondiale deviennent de plus en plus similaires : le même grand modèle lancé “à nu” sur des données d’entreprise et avec un système complet d’ingénierie de données affiche des écarts de précision spectaculaires. La différence n’est pas dans le “cerveau” du modèle, mais dans la capacité à accéder aux bons ingrédients
C’est ainsi qu’une nouvelle architecture apparaît : en haut, le modèle et les capacités ; en bas, l’ingénierie des données, l’audit des droits, et les stratégies de gouvernance. Le modèle et les données ne sont plus des maillons d’une chaîne de montage, mais des partenaires qui se nourrissent mutuellement
La difficulté en Chine s’ajoute d’une couche en plus
La chaîne d’approvisionnement manufacturière est plus longue, les exigences de conformité plus strictes, les données non structurées plus nombreuses, les systèmes plus morcelés, les référentiels plus hétérogènes. Le saut du généraliste vers le vertical est un fossé à franchir : l’appui fondamental, c’est justement l’infrastructure de données de bout en bout
Ce n’est pas pour donner un “cerveau” à l’IA : c’est d’abord pour réparer le système nerveux
Qu’est-ce qui est vraiment rare
Cette volte-face pour réparer la base, au fond, est une correction de la cognition. La valeur de l’IA à grande échelle ne dépend pas du nombre de points qu’un modèle obtient aujourd’hui, mais de la capacité à fournir des données de qualité de façon continue, de la capacité à gouverner la confiance de manière durable, et de la capacité à boucler l’ingénierie et la mise en production
La Chine ne manque pas de 101e grand modèle open source. Ce qui manque, c’est de nettoyer d’abord ce “marmite de données”, puis d’en tirer une soupe de haute qualité
Une fois que cette affaire sera lancée, l’IA passera des gros titres à un outil sur le bureau pour le travail
DYOR (pas un conseil en investissement)
#AI