Le rythme rapide des avancées technologiques au cours de l'année écoulée, en particulier dans le domaine de l'intelligence artificielle, a fourni de nombreuses raisons d'être optimiste. Mais à l'approche de 2025, certains signes indiquent que l'élan de l'intelligence artificielle pourrait s'essouffler.
Des motifs d’espoir
Depuis 2023, le discours dominant est que la révolution de l'IA va stimuler la productivité et la croissance économique, ouvrant la voie à des percées technologiques extraordinaires. PwC, par exemple, prévoit que l'IA ajoutera près de 16 000 milliards de dollars au PIB mondial d'ici 2030, soit une augmentation de 14 %. Par ailleurs, une étude réalisée par Erik Brynjolfsson, Danielle Li et Lindsey Raymond estime que l'IA générative pourrait accroître la productivité des travailleurs de 14 % en moyenne et de 34 % pour les nouveaux travailleurs et les travailleurs peu qualifiés.
Les récentes annonces de Google et d'OpenAI semblent confirmer cette thèse. Elles permettent d’apercevoir un avenir qui, il n'y a pas si longtemps, relevait de la science-fiction. La puce quantique Willow de Google, par exemple, aurait effectué un calcul de référence – une tâche qui prendrait dix septillions d'années (dix suivis de 24 zéros) aux superordinateurs les plus rapides d'aujourd'hui – en moins de cinq minutes. De même, le nouveau modèle o3 d'OpenAI représente une avancée technologique majeure, rapprochant l'IA du point où elle peut surpasser les humains dans n'importe quelle tâche cognitive, un jalon connu sous le nom « d’intelligence générale artificielle ».
Sources d’inquiétude
Iil y a au moins trois raisons pour lesquelles le boom de l'IA pourrait s'essouffler en 2025. Premièrement, les investisseurs se demandent de plus en plus si les investissements liés à l'IA peuvent produire des rendements significatifs, car de nombreuses entreprises ont du mal à générer suffisamment de revenus pour compenser la montée en flèche des coûts de développement des modèles de pointe. Alors que la formation de GPT-4, d'OpenAI, a coûté plus de 100 millions de dollars, la formation des futurs modèles coûtera probablement plus d'un milliard de dollars, ce qui soulève des inquiétudes quant à la viabilité financière de ces efforts.
Certes, les investisseurs sont impatients de profiter du boom de l'IA. Les sociétés de capital-risque ont investi un montant record de 97 milliards de dollars dans les start-ups d'IA basées aux États-Unis en 2024. Mais il semble que même les leaders du secteur, comme OpenAI, brûlent leurs liquidités trop rapidement pour générer des rendements significatifs. Cela amène les investisseurs à craindre qu'une grande partie de leur capital n'ait été mal allouée ou gaspillée.
Un calcul approximatif suggère qu'un investissement de 100 milliards de dollars dans l'IA nécessiterait au moins 50 milliards de dollars de revenus pour produire un retour sur investissement acceptable – en tenant compte des impôts, des dépenses d'investissement et des frais d'exploitation.
Or, d'après mes sources, les revenus annuels de l'ensemble du secteur ne s'élèvent qu'à 12 milliards de dollars, dont 4 milliards pour la seule OpenAI. En l'absence d'une « killer app » pour laquelle les clients seront prêts à payer des sommes considérables, une part importante des investissements en capital-risque pourrait se retrouver sans valeur, ce qui entraînerait une baisse des investissements et des dépenses.
L’appétit insatiable de l’IA
Deuxièmement, les énormes quantités d'énergie nécessaires pour faire fonctionner et refroidir les centres de données massifs pourraient entraver la croissance rapide de l'IA. D'ici 2026, selon l'Agence internationale de l'énergie, les centres de données d'IA consommeront 1 000 térawattheures d'électricité par an, soit plus que la consommation totale d'électricité et de gaz du Royaume-Uni en 2023. Le cabinet de conseil Gartner prévoit que d'ici 2027, 40 % des centres de données existants seront « limités sur le plan opérationnel » en raison d'une disponibilité limitée de l'énergie.
Troisièmement, les grands modèles de langage (LLM) semblent approcher leurs limites, car leurs créateurs sont confrontés à des défis croissants, comme la rareté des données et les erreurs récurrentes. Les LLM sont principalement entraînés à partir de données extraites de sources comme des articles de presse, des rapports publiés, des messages sur les médias sociaux et des documents universitaires.
Avec une offre limitée d'informations de haute qualité, trouver de nouveaux ensembles de données ou créer des alternatives synthétiques est devenu de plus en plus difficile et coûteux. Par conséquent, ces modèles sont susceptibles de générer des réponses incorrectes ou fabriquées (« hallucinations »), et les entreprises spécialisées dans l'IA pourraient bientôt manquer de données fraîches pour les affiner.
Rendements décroissants
La puissance de calcul approche également de ses limites physiques. En 2021, IBM a dévoilé une puce de deux nanomètres capable de contenir 50 milliards de transistors et d'améliorer les performances de 45 % par rapport à son prédécesseur de sept nanomètres. Indéniablement impressionnante, cette étape soulève cependant une question importante. L'industrie a-t-elle atteint le point de rendement décroissant dans sa quête de semi-conducteurs toujours plus petits ?
Si ces tendances persistent, les valorisations actuelles des entreprises d'IA cotées en bourse pourraient ne pas être viables. Notamment, l'investissement privé montre déjà des signes de déclin. Selon le cabinet de recherche Preqin, les sociétés de capital-risque ont levé 85 milliards de dollars au cours des trois premiers trimestres de 2024 – une forte baisse par rapport aux 136 milliards de dollars levés au cours de la même période en 2023.
La bonne nouvelle, c'est que si les géants actuels de l'IA commencent à faiblir, des concurrents plus petits pourraient saisir l'occasion et remettre en cause leur domination. Du point de vue du marché, un tel scénario pourrait favoriser une concurrence accrue et réduire la concentration, empêchant une répétition des conditions qui ont permis aux « Sept Magnifiques » – Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia et Tesla – de dominer l'industrie technologique américaine.
Pour en savoir plus :
Dambisa Moyo, économiste d’origine zambienne, est membre de la Chambre des Lords du Royaume-Uni depuis 2022. Elle est l'auteure de best-sellers du New York Times, dont Edge of Chaos : Why Democracy Is Failing to Deliver Economic Growth - and How to Fix It (Basic Books, 2018).
Cet article a initialement été publié en anglais sur Project Syndicate le 23 janvier, traduction Qant.
Qant est membre de Project Syndicate.