Les modèles d’IA deviennent-ils des produits de base ?

Le PDG de Microsoft, Satya Nadella, a récemment déclenché un débat en suggérant que les modèles d’IA avancés sont sur la voie de la commoditisation. Dans un podcast, Nadella a observé que les modèles fondamentaux deviennent de plus en plus similaires et largement disponibles, au point où « les modèles en eux-mêmes ne sont pas suffisants » pour un avantage concurrentiel durable. Il a souligné que OpenAI – malgré ses réseaux neuronaux de pointe – « n’est pas une entreprise de modèles ; c’est une entreprise de produits qui se trouve avoir des modèles fantastiques », soulignant que le véritable avantage vient de la construction de produits autour des modèles.

En d’autres termes, avoir simplement le modèle le plus avancé ne garantit plus nécessairement le leadership sur le marché, car tout avantage en termes de performances peut être de courte durée dans le contexte du rythme rapide de l’innovation dans l’IA.

La perspective de Nadella porte du poids dans une industrie où les géants de la technologie sont en train de courir pour former des modèles toujours plus grands. Son argument implique un changement de focus : au lieu de s’obséder sur la suprématie des modèles, les entreprises devraient diriger leur énergie vers l’intégration de l’IA dans « une pile de systèmes complets et des produits réussis ».

Ceci écho à un sentiment plus large selon lequel les percées d’IA d’aujourd’hui deviennent rapidement les fonctionnalités de base de demain. À mesure que les modèles deviennent plus standardisés et accessibles, l’attention se porte sur la manière dont l’IA est appliquée dans les services du monde réel. Des entreprises comme Microsoft et Google, avec des écosystèmes de produits vastes, peuvent être les mieux placées pour tirer parti de cette tendance de l’IA commoditisée en intégrant des modèles dans des offres conviviales pour les utilisateurs.

Élargir l’accès et les modèles ouverts

Il y a peu de temps, seuls une poignée de laboratoires pouvaient construire des modèles d’IA de pointe, mais cette exclusivité disparaît rapidement. Les capacités d’IA sont de plus en plus accessibles aux organisations et même aux individus, alimentant la notion de modèles comme produits de base. Le chercheur en IA Andrew Ng dès 2017 a comparé le potentiel de l’IA à « la nouvelle électricité », suggérant que tout comme l’électricité est devenue un produit de base sous-jacent à la vie moderne, les modèles d’IA pourraient devenir des utilités fondamentales disponibles auprès de nombreux fournisseurs.

La prolifération récente de modèles open source a accéléré cette tendance. Meta (la société mère de Facebook), par exemple, a fait des vagues en publiant ouvertement des modèles de langage puissants comme LLaMA aux chercheurs et aux développeurs sans frais. Le raisonnement est stratégique : en open source son IA, Meta peut encourager une adoption plus large et obtenir des contributions de la communauté, tout en sapant les avantages propriétaires des rivaux. Et plus récemment encore, le monde de l’IA a explosé avec la sortie du modèle chinois DeepSeek.

Dans le domaine de la génération d’images, le modèle Stable Diffusion de Stability AI a montré à quel point une percée peut être rapidement commoditisée : dans les mois suivant sa publication ouverte en 2022, il est devenu un nom connu dans l’IA générative, disponible dans de nombreuses applications. En fait, l’écosystème open source explose – il y a des dizaines de milliers de modèles d’IA disponibles publiquement sur des référentiels comme Hugging Face.

Cette ubiquité signifie que les organisations n’ont plus à faire un choix binaire entre payer pour un modèle secret d’un seul fournisseur ou rien du tout. Au lieu de cela, elles peuvent choisir parmi un menu de modèles (ouverts ou commerciaux) ou même affiner leurs propres, un peu comme sélectionner des produits de base dans un catalogue. Le simple nombre d’options est un indicateur fort que l’IA avancée devient une ressource partagée plutôt qu’un privilège jalousement gardé.

Les géants du cloud transforment l’IA en service public

Les principaux fournisseurs de cloud ont été des facilitateurs clés – et des moteurs – de la commoditisation de l’IA. Des entreprises comme Microsoft, Amazon et Google offrent des modèles d’IA en tant que services à la demande, similaires à des services publics livrés via le cloud. Nadella a noté que « les modèles sont en train de devenir des produits de base dans [le] cloud », mettant en évidence comment le cloud rend l’IA puissante largement accessible.

En effet, le cloud Azure de Microsoft a un partenariat avec OpenAI, permettant à tout développeur ou entreprise de puiser dans les meilleurs modèles via un appel d’API, sans avoir à construire leur propre IA à partir de zéro. Amazon Web Services (AWS) est allé plus loin avec sa plate-forme Bedrock, qui agit comme un marché de modèles. AWS Bedrock offre une sélection de modèles de base de plusieurs entreprises d’IA de pointe – des modèles d’Amazon aux modèles d’Anthropic, AI21 Labs, Stability AI et d’autres – tous accessibles via un service géré.

Cette approche « de nombreux modèles, une plate-forme » illustre la commoditisation : les clients peuvent choisir le modèle qui convient à leurs besoins et changer de fournisseur avec une relative facilité, comme s’ils achetaient un produit de base.

Dans les faits, cela signifie que les entreprises peuvent compter sur les plateformes cloud pour avoir toujours un modèle de pointe disponible, un peu comme l’électricité d’un réseau – et si un nouveau modèle attire l’attention (disons une percée d’une startup), le cloud l’offrira promptement.

Se différencier au-delà du modèle lui-même

Si tout le monde a accès à des modèles d’IA similaires, comment les entreprises d’IA se différencient-elles ? C’est le cœur du débat sur la commoditisation. Le consensus parmi les dirigeants de l’industrie est que la valeur réside dans l’application de l’IA, et non juste dans l’algorithme. La stratégie d’OpenAI reflète ce changement. L’entreprise s’est concentrée ces dernières années sur la livraison d’un produit poli (ChatGPT et son API) et d’un écosystème d’améliorations – comme des services de fine-tuning, des plug-ins et des interfaces utilisateur conviviales – plutôt que de simplement publier le code brut du modèle.

Dans la pratique, cela signifie offrir des performances fiables, des options de personnalisation et des outils pour les développeurs autour du modèle. De même, les équipes DeepMind et Brain de Google, maintenant partie de Google DeepMind, canalisent leurs recherches dans les produits de Google comme la recherche, les applications de bureau et les API cloud – en intégrant l’IA pour rendre ces services plus intelligents. La sophistication technique du modèle est certainement importante, mais Google sait que les utilisateurs se soucient finalement des expériences rendues possibles par l’IA (un meilleur moteur de recherche, un assistant numérique plus utile, etc.), et non du nom ou de la taille du modèle.

Nous voyons également des entreprises se différencier par la spécialisation. Au lieu d’un modèle pour tous, certaines entreprises d’IA construisent des modèles adaptés à des domaines ou des tâches spécifiques, où elles peuvent revendiquer une qualité supérieure même dans un paysage commodifié. Par exemple, il y a des startups d’IA se concentrant exclusivement sur les diagnostics de santé, la finance ou le droit – des domaines où des données et une expertise de domaine propriétaires peuvent produire un meilleur modèle pour cette niche que le système général.

Une autre forme de différenciation est l’efficacité et le coût. Un modèle qui offre des performances égales à un coût computationnel fractionnaire peut constituer un avantage concurrentiel. Cela a été mis en évidence par l’émergence du modèle R1 de DeepSeek, qui a apparemment égalé certaines des capacités de GPT-4 d’OpenAI avec un coût de formation de moins de 6 millions de dollars, nettement inférieur aux 100 millions de dollars estimés pour GPT-4. De tels gains d’efficacité suggèrent que même si les sorties de différents modèles peuvent devenir similaires, un fournisseur pourrait se distinguer en atteignant ces résultats à moindre coût ou plus rapidement.

Enfin, il y a la course pour construire la loyauté des utilisateurs et les écosystèmes autour des services d’IA. Une fois qu’une entreprise a intégré un modèle d’IA particulier en profondeur dans son flux de travail (avec des invites personnalisées, des intégrations et des données affinées), changer pour un autre modèle n’est pas sans friction. Des fournisseurs comme OpenAI, Microsoft et d’autres tentent d’augmenter cette adhérence en offrant des plateformes complètes – des SDK pour les développeurs aux marchés de plug-ins d’IA – qui rendent leur saveur d’IA plus d’une solution complète que d’un produit de base interchangeable.

Les entreprises montent dans la chaîne de valeur : lorsque le modèle lui-même n’est pas un avantage concurrentiel, la différenciation vient de tout ce qui entoure le modèle – les données, l’expérience utilisateur, l’expertise verticale et l’intégration dans les systèmes existants.

Effets économiques de l’IA commoditisée

La commoditisation des modèles d’IA comporte des implications économiques significatives. À court terme, elle fait baisser le coût des capacités d’IA. Avec de multiples concurrents et des alternatives ouvertes, les prix des services d’IA ont été dans une spirale descendante rappelant les marchés de produits de base classiques.

Au cours des deux dernières années, OpenAI et d’autres fournisseurs ont considérablement réduit les prix d’accès aux modèles de langage. Par exemple, le prix par jeton de la série GPT d’OpenAI a chuté de plus de 80 % de 2023 à 2024, une réduction attribuée à la concurrence accrue et aux gains d’efficacité.

De même, les nouveaux entrants offrant des modèles moins chers ou ouverts obligent les acteurs établis à offrir plus pour moins – que ce soit par des niveaux gratuits, des publications open source ou des offres groupées. C’est une bonne nouvelle pour les consommateurs et les entreprises qui adoptent l’IA, car les capacités avancées deviennent de plus en plus abordables. Cela signifie également que la technologie d’IA se propage plus rapidement à travers l’économie : lorsque quelque chose devient moins cher et plus standardisé, plus d’industries l’intègrent, alimentant l’innovation (un peu comme le matériel informatique PC bon marché dans les années 2000 a conduit à une explosion de logiciels et de services Internet).

Nous voyons déjà une vague d’adoption de l’IA dans des secteurs comme le service client, le marketing et les opérations, alimentée par des modèles et des services facilement disponibles. La disponibilité plus large peut ainsi élargir le marché global des solutions d’IA, même si les marges bénéficiaires sur les modèles eux-mêmes diminuent.

Dynamique économique de l’IA commoditisée (Unite AI/Alex McFarland)

Cependant, la commoditisation peut également remodeler le paysage concurrentiel de manière difficile. Pour les laboratoires d’IA établis qui ont investi des milliards dans le développement de modèles de pointe, la perspective de voir ces modèles ne procurer qu’un avantage éphémère soulève des questions sur le retour sur investissement. Ils peuvent devoir ajuster leurs modèles économiques – par exemple, en se concentrant sur les services d’entreprise, les avantages de données propriétaires ou les produits d’abonnement construits sur les modèles, plutôt que de simplement vendre l’accès à l’API.

Il y a également un élément de course aux armements : lorsque toute percée en termes de performances est rapidement égalée ou dépassée par d’autres (ou même par des communautés open source), la fenêtre pour monétiser un modèle novateur se rétrécit. Cette dynamique pousse les entreprises à considérer d’autres avantages concurrentiels. L’un de ces avantages est l’intégration avec des données propriétaires (qui ne sont pas commoditisées) – l’IA ajustée sur les données riches d’une entreprise peut être plus précieuse pour cette entreprise que tout modèle standard.

Un autre est les fonctionnalités réglementaires ou de conformité, où un fournisseur pourrait offrir des modèles avec une confidentialité ou une conformité garanties pour une utilisation d’entreprise, se différenciant d’une manière qui va au-delà de la technologie brute. À une échelle macro, si les modèles d’IA fondamentaux deviennent aussi omniprésents que les bases de données ou les serveurs Web, nous pourrions voir un changement où les services autour de l’IA (hébergement cloud, consulting, personnalisation, maintenance) deviennent les principaux générateurs de revenus. Déjà, les fournisseurs de cloud bénéficient de la demande accrue pour les infrastructures de calcul (CPU, GPU, etc.) pour exécuter tous ces modèles – un peu comme une entreprise d’électricité profite de l’utilisation, même si les appareils sont des produits de base.

En essence, l’économie de l’IA pourrait ressembler à celle d’autres produits de base informatiques : des coûts plus bas et une accessibilité accrue stimulent une utilisation généralisée, créant de nouvelles opportunités construites sur la couche commoditisée, même si les fournisseurs de cette couche font face à des marges plus serrées et à la nécessité d’innover constamment ou de se différencier ailleurs.