Ce que DeepSeek peut nous enseigner sur le coût et l’efficacité de l’IA

Avec son logo de baleine mignon, la sortie récente de DeepSeek aurait pu se résumer à une simple copie de ChatGPT. Ce qui l’a rendu si nouveau et a envoyé les actions de ses concurrents en chute libre, c’est le peu que cela a coûté pour le créer. Cela a effectivement jeté un coup de pouce dans la notion américaine de l’investissement nécessaire pour former un modèle de langage grand et fonctionnel (LLM).

DeepSeek aurait dépensé seulement 6 millions de dollars pour former son modèle d’IA. Comparez cela aux 80-100 millions de dollars que OpenAI a dépensés pour Chat GPT-4 ou aux 1 milliard qu’ils ont mis de côté pour GPT-5. DeepSeek remet en question ce niveau d’investissement et laisse les grands acteurs comme Nvidia (NVDA ) – dont la valeur des actions a chuté de 600 milliards de dollars en un jour – TSMC et Microsoft (MSFT ) inquiets pour la viabilité financière à long terme de l’IA. Si il est possible de former des modèles d’IA pour beaucoup moins cher que ce qui était supposé, qu’est-ce que cela annonce pour les dépenses en IA dans l’ensemble ?

Bien que la perturbation de DeepSeek ait conduit à des discussions importantes, certains points clés semblent se perdre dans la mêlée. Cependant, ce que les actualités soulèvent, c’est une plus grande attention portée au coût de l’innovation et à l’impact économique possible de l’IA. Voici trois idées importantes qui découlent de ces actualités :

1. Le prix de 6 millions de dollars de DeepSeek est trompeur

Les entreprises doivent comprendre le coût total de possession de leur infrastructure (TCO). Bien que le prix de 6 millions de dollars de DeepSeek ait été beaucoup évoqué, il s’agit probablement du coût de sa seule phase de pré-formation et non de son investissement total. Le coût total – non seulement de fonctionnement, mais de construction et de formation de DeepSeek – est probablement beaucoup plus élevé. La société d’analyse industrielle SemiAnalysis a révélé que l’entreprise derrière DeepSeek a dépensé 1,6 milliard de dollars en matériel pour rendre son LLM réalité. Le coût réel est donc probablement quelque part entre les deux.

Quel que soit le coût réel, l’avènement de DeepSeek a créé un focus sur l’innovation rentable qui pourrait être transformationnel. L’innovation est souvent stimulée par les limitations, et le succès de DeepSeek souligne la façon dont l’innovation peut se produire lorsque les équipes d’ingénieurs optimisent leurs ressources face à des contraintes du monde réel.

2. L’inférence est ce qui rend l’IA précieuse, et non la formation

Il est important de prêter attention au coût de la formation des modèles d’IA, mais la formation représente une petite partie du coût total de construction et de fonctionnement d’un modèle d’IA. L’inférence — les multiples façons dont l’IA change la façon dont les gens travaillent, interagissent et vivent — est là où l’IA devient vraiment précieuse.

Cela soulève le paradoxe de Jevons, une théorie économique suggérant que lorsque les progrès technologiques rendent l’utilisation d’une ressource plus efficace, la consommation totale de cette ressource peut en fait augmenter. En d’autres termes, à mesure que les coûts de formation diminuent, l’inférence et la consommation agente augmenteront, et les dépenses totales suivront.

L’efficacité de l’IA peut, en fait, conduire à une augmentation des dépenses en IA, ce qui devrait profiter à toutes les entreprises, et non seulement aux entreprises chinoises. En supposant qu’elles surfent sur la vague de l’efficacité, des entreprises comme OpenAI et Nvidia devraient également en bénéficier.

3. Ce qui reste vrai, c’est que les économies d’échelle sont les plus importantes

Rendre l’IA plus efficace ne consiste pas seulement à réduire les coûts ; c’est également à optimiser les économies d’échelle. The Motley Fool prévoit que cette année sera l’année de l’efficacité de l’IA. Si cela est vrai, les entreprises devraient prêter attention à la réduction de leurs coûts de formation d’IA ainsi que de leurs coûts de consommation d’IA.

Les organisations qui construisent ou utilisent l’IA doivent connaître leurs économies d’échelle plutôt que de se concentrer sur des chiffres impressionnants comme le coût de formation de 6 millions de dollars de DeepSeek. Une véritable efficacité implique l’allocation de tous les coûts, la traçabilité de la demande impulsée par l’IA et la surveillance constante du rapport coût/valeur.

L’économie d’échelle en nuage (CUE) a trait à la mesure et à la maximisation du profit généré par le nuage. Le CUE compare vos coûts de nuage avec les mesures de revenu et de demande, révélant à quel point vos dépenses en nuage sont efficaces, comment cela a changé avec le temps et (si vous avez la bonne plate-forme) les meilleures façons d’augmenter cette efficacité.

Comprendre le CUE a une utilité encore plus grande dans un contexte d’IA, étant donné qu’il est inhérentement plus coûteux de consommer que les services de nuage traditionnels vendus par les hyperscalers. Les entreprises qui construisent des applications agentes pourraient calculer leur coût par transaction (par exemple, coût par facture, coût par livraison, coût par transaction, etc.) et utiliser cela pour évaluer le retour sur investissement de services, de produits et de fonctionnalités d’IA spécifiques. À mesure que les dépenses en IA augmentent, les entreprises seront contraintes de le faire ; aucune entreprise ne peut jeter indéfiniment des dollars à l’innovation expérimentale. Finalement, cela doit avoir un sens commercial.

Vers une plus grande efficacité

Quelle que soit la signification du chiffre de 6 millions de dollars, DeepSeek a peut-être fourni un moment charnière qui réveille l’industrie technologique à l’importance inévitable de l’efficacité. Espérons que cela ouvre les vannes pour une formation, une inférence et des applications agentes rentables qui débloquent le véritable potentiel et le retour sur investissement de l’IA.