Comment l’IA peut faire faillite et survivre, tout comme l’internet l’a fait

Les fluctuations dramatiques du marché parmi les géants de la technologie basés sur l’IA, avec des sociétés cotées en bourse perdant plus de 1 000 milliards de dollars en valeur en moins d’un mois, illustrent clairement que les valorisations sont déconnectées des fondamentaux. Cependant, la vraie question à poser en ce moment n’est pas de savoir quand la bulle éclatera, mais comment l’industrie peut dégonfler responsablement la bulle et se préparer pour l’IA de l’avenir.

Au cours des dernières années, l’IA est devenue synonyme de grandes valorisations, de scalabilité illimitée et d’un sentiment que personne ne peut concurrencer les plus grands acteurs. Mais la réalité technique a changé et pointe vers un type de futur différent pour l’IA : l’argent réel n’est pas dans les modèles d’IA extrêmement coûteux qui un jour paieront des rendements hors normes. De plus en plus, la valeur de l’IA sera dans la façon dont elle est intégrée et utilisée pour gagner de l’argent pour les entreprises, en tenant compte que les modèles d’IA à la pointe de la technologie devraient devenir moins chers, et non plus coûteux. Le mythe de la singularité est terminé. L’échelle seule ne procure plus de gains en fonction de l’échelon. L’exécution, la distribution et l’écosystème comptent désormais plus que la taille brute du modèle.

L’ajustement des attentes à cette nouvelle réalité permettra à la bulle d’IA en expansion de se dégonfler lentement, plutôt que d’éclater et de saccager l’économie et les marchés financiers comme l’a fait l’éclatement de la bulle internet il y a un quart de siècle.

Dans les années 90, l’industrie technologique supposait que l’internet pouvait et ferait tout ; et que tout ce qui était construit sur l’internet réussirait par nature. Ils se trompaient et la bulle a effectivement éclaté – mais l’internet a survécu. L’éclatement a mis en évidence que le succès en ligne n’était pas seulement lié à la technologie sous-jacente – l’internet – mais à la capacité à développer des cas d’utilisation intelligents et efficaces, des produits et du matériel. L’internet n’a pas gagné uniquement grâce aux protocoles. Il a gagné lorsque les navigateurs, les réseaux de distribution de contenu et les écosystèmes de développement l’ont rendu utilisable.

Amazon a survécu et prospère encore, tandis que Pets.com a échoué parce qu’il n’avait jamais trouvé un moyen rentable de gérer l’expédition de sa nourriture pour chiens, un défi négligé par l’idée séduisante qu’il pourrait avoir des clients dans tout le pays grâce à l’avènement de l’internet.

C’est exactement où se trouve l’IA aujourd’hui, absorbée dans les rêves et les attentes concernant le potentiel futur de la technologie. Il n’y a aucun doute que c’est la technologie la plus incroyable que nous ayons aujourd’hui. Mais les modèles d’IA ne sont que la technologie sous-jacente, et non les réponses elles-mêmes, et certainement pas là où l’argent et la valeur resteront. En fait, les architectures de transformation et de diffusion, qui sous-tendent la plupart de l’IA générative, sont publiques ; les cadres d’optimisation sont ouverts ; la puissance de calcul est de plus en plus accessible. La barrière n’est plus le savoir-faire théorique. C’est l’art de construire des systèmes fiables et de les intégrer dans les pipelines de création et de production existants qui déterminera qui réussira. Ces produits et services n’ont plus besoin que les investisseurs mettent des milliards de dollars. Je le sais par mon expérience personnelle. Notre équipe à Jérusalem a construit un modèle audio-vidéo open source pour créer des vidéos d’IA à peu près un dixième du coût de ceux réalisés par les leaders du marché, et qui génère des scènes continues plus longues, souvent avec une résolution et une vitesse plus élevées. Cela a été réalisé pour environ 100 millions de dollars, et non des milliards. Notre histoire montre que les progrès de l’IA moderne sont moins liés à la sauce secrète et plus à l’ingénierie disciplinée.

Comme pour l’internet, ceux qui survivront seront ceux qui exploiteront l’IA pour les meilleurs cas d’utilisation, les applications matérielles, les produits et les services. Il est vrai que savoir exactement lesquels sera difficile à prédire. Lorsque les gens utilisaient AOL ou Prodigy au début des années 90, personne n’aurait pu imaginer Gmail.

Cependant, en l’absence du pouvoir de clairvoyance, il y a des questions intelligentes à poser en cours de route pour guider l’industrie de l’IA et ses investisseurs à travailler d’une manière qui dégonflera lentement et progressivement la bulle, tout en construisant simultanément l’économie de l’avenir.

Les investisseurs, y compris les sociétés de capital-risque et les fonds de pension qui mettent de l’argent dans les sociétés d’IA, ont besoin de demander quelle valeur, exactement, est créée. Des milliards de dollars ont été investis dans la recherche dans les grandes sociétés de technologie pour construire de l’IA qui a finalement été facilement reproduite ailleurs. Les budgets massifs d’IA ne garantissent pas la propriété intellectuelle unique, le verrouillage des utilisateurs ou les économies défensables. Maintenant, les investisseurs doivent évaluer comment les sociétés construisent, optimisent et intègrent les modèles dans les flux de travail réels des clients, en créant des produits et des services réels. Les investisseurs devraient demander des métriques comme l’économie par charge de travail lors de l’examen des applications d’IA.

Ceux-ci, et non simplement les talents ou la nature propriétaire du modèle lui-même, sont les éléments clés de la valeur. Il est également important de comprendre la valeur des modèles open source. Ceux-ci outrepassent souvent les API fermées car les chercheurs et les développeurs peuvent les adapter localement. Cette adoption se cumule en une tranchée autour d’une société ou d’un produit, aidant à garantir les bénéfices et le succès.

Les investisseurs et les entrepreneurs préoccupés par l’utilisation efficace du capital doivent reculer et évaluer le coût réel de l’IA et de tous les composants liés ; ceux-ci sont souvent gonflés et plus élevés qu’ils ne le devraient. L’approche générale devrait être que les coûts du matériel sont volatils, donc la conception de l’IA ne devrait pas dépendre d’un appareil ou d’un matériel spécifique. La valeur et ce qui différencie une société est son débit par dollar, et non les remises du fournisseur favorisant un certain type de matériel. La défensibilité des dépenses d’IA réside maintenant dans l’optimisation des infrastructures, les données propriétaires et la profondeur d’intégration. Les entrepreneurs avec de bonnes idées de solutions qui conçoivent soigneusement ou utilisent des modèles avec cette performance finale à l’esprit gagneront sur ceux qui cherchent des modèles massifs qui peuvent plus tard être mis à l’échelle pour différents usages potentiels. Un autre avantage est d’offrir des options de déploiement ouvert pour les studios et les plateformes qui ne peuvent pas dépendre d’une API distante pour des expériences en temps réel.

Les décideurs politiques et l’industrie doivent également réfléchir de manière plus logique à la réglementation. Les progrès ont été lents dans ces domaines et se concentrent fortement sur les modèles de frontière exécutés sur de grands appareils ; cette approche n’est plus pratique. L’élan est écrasant vers de tels modèles capables de fonctionner sur des appareils grand public, ce qui rend la réglementation des modèles eux-mêmes impossible. La nature open source de nombreux modèles présente un autre défi formidable à l’approche actuelle de réglementation. Une fois encore, l’approche appropriée est de se concentrer sur le déploiement via les applications et les produits, et de développer des cadres réglementaires autour de ceux-ci pour diverses industries, et non des politiques générales sur les modèles. L’objectif devrait être de réglementer les applications et les secteurs, avec des normes de provenance, des garde-fous dans les produits et des divulgations pour les médias synthétiques. L’histoire des années 90 et du début des années 2000 contient à nouveau une leçon sage sur ce concept : l’affaire contre la société de partage de fichiers musicaux populaire Napster n’a pas limité le partage de fichiers en soi — cette technologie n’a fait que grandir et devenir beaucoup plus rapide, finissant par céder la place au streaming – mais s’est plutôt concentrée sur le déploiement responsable de la technologie par une plateforme. (Même après faillite, Napster a réussi à conserver son nom de marque en ajustant la façon dont il déployait sa technologie et a été acheté pour plus de 200 millions de dollars plus tôt cette année.)

En fin de compte, le marché se consolidera autour de quelques modèles d’IA multimodaux unifiés qui peuvent être distillés pour l’efficacité et adaptés pour différents usages. Toutes les parties prenantes doivent prêter beaucoup plus d’attention aux applications et à la véritable valeur commerciale que l’IA peut apporter, et ne pas se perdre dans les promesses des modèles eux-mêmes. L’industrie gonfle plus vite qu’elle ne crée de la valeur. Que cela se termine par une correction dramatique – similaire à l’éclatement de la bulle internet au début – est ouvert au débat. Mais la clarté maintenant signifie la résilience plus tard.