À travers le rapport IA de Mary Meeker, les mutations industrielles : les nouvelles règles du capital, de la puissance de calcul et de la concurrence

Préface : une cartographie empirique de l’essor de l’IA

Alors que le secteur de l’intelligence artificielle s’emballe, les données et le capital constituent souvent les baromètres les plus fiables pour lire les tendances. Mary Meeker, associée chez Bond VC, a récemment publié un rapport de 340 pages intitulé « Trends in Artificial Intelligence » (Tendances de l’intelligence artificielle) — sa première grande étude de tendances sectorielles depuis six ans, et un document très attendu dans les milieux mondiaux de la technologie et de l’investissement. « Nous n’avons jamais vu une croissance d’utilisateurs comparable à celle de ChatGPT, a déclaré Meeker à Axios, surtout si l’on tient compte des évolutions de marché en dehors des États-Unis ; cela illustre les transformations du paysage technologique et de la distribution à l’échelle mondiale. » Les données et graphiques du rapport mettent en lumière la vitesse, le coût et la structure concurrentielle de la croissance de l’IA, offrant un instantané rare en haute résolution pour comprendre cette transformation technologique.

Contexte sectoriel : le moteur de l’accélération des investissements dans les infrastructures d’IA

Le rapport révèle d’abord les infrastructures qui soutiennent l’expansion rapide de l’IA. De 2014 à 2024, les dépenses d’investissement des six géants de la tech — Apple, Nvidia, Microsoft, Google, Amazon et Meta — ont augmenté de 21 % par an, tandis que le volume mondial de données générées progressait à un taux de croissance annuel composé de 28 %. Dans cette ère, la valeur de l’IA ne repose plus uniquement sur la couche algorithmique, mais de plus en plus sur la capacité à obtenir des données à grande échelle, à entraîner des modèles et à effectuer des inférences rapides. Les centres de données hyperscale, les réseaux à très haut débit et les puces de dernière génération constituent les fondations de la nouvelle industrie de l’IA.

Dans le même temps, l’échelle des données nécessaires à l’entraînement des modèles a connu une expansion exponentielle. Selon les statistiques d’Epoch AI, au cours des quinze dernières années, la taille des jeux de données d’entraînement des modèles d’IA a augmenté en moyenne de plus de 250 % par an. Cet indicateur montre que la détention des actifs de données les plus précieux et des capacités de traitement de données est devenue un rempart concurrentiel clé que se disputent les entreprises d’IA.

Impact sur le marché : la chute des coûts et l’accélération de la commercialisation

Côté demande, le constat le plus saisissant du rapport est la chute spectaculaire des coûts d’inférence en IA. De la génération GPT-3.5 d’OpenAI à la série GPT-4o, puis à DeepSeek-V3, publié fin 2024, le prix de l’inférence par million de tokens est passé d’une fourchette de plus de dix dollars à moins d’un dollar, soit une baisse de 99,7 % en deux ans. Meeker décrit cette tendance comme une « inférence à taux zéro ». Cette baisse du coût d’inférence lève directement les obstacles à la commercialisation de nombreux scénarios potentiels, rendant possibles les applications à appels fréquents et à génération en temps réel.

D’autres indicateurs confirment également la montée en puissance commerciale de l’IA. Les données montrent que, pour atteindre un chiffre d’affaires annualisé de 5 millions de dollars, les entreprises d’IA mettent en moyenne 24 mois, contre 37 mois pour les entreprises SaaS. L’IA est capable de créer de la valeur métier plus rapidement, d’une part grâce aux sauts de performance des produits d’IA eux-mêmes, et d’autre part grâce à la forte demande des entreprises en faveur d’une transformation intelligente.

Paysage concurrentiel : l’avance des modèles propriétaires et la bipolarité sino-américaineSur le plan de l'écosystème des modèles, les modèles fermés creusent l'écart de puissance de calcul avec le camp de l'open source. Le rapport montre qu'il existe un décalage d'environ 17 mois entre les modèles fermés et ouverts en termes d'intensité de calcul d'entraînement : les modèles fermés voient leur puissance de calcul croître de 5,2 fois par an, contre 3,6 fois pour les modèles ouverts. Cela signifie que les grappes de modèles les plus avancés sont de plus en plus concentrées entre les mains d'un petit nombre de géants capables d'assumer des coûts de calcul extrêmement élevés. Bien que la communauté open source continue de prôner une voie technologique juste et ouverte, l'inégalité dans l'allocation des ressources pourrait conduire à une concentration progressive du pouvoir au sein de l'écosystème.

D'un point de vue géographique, les grands systèmes d'IA sont fortement concentrés aux États-Unis et en Chine. Les États-Unis comptent près de 150 grands modèles et systèmes d'IA, et la Chine a également dépassé la barre des 100, devançant nettement le Royaume-Uni, la France, le Canada et l'Allemagne. Le modèle de double puissance des États-Unis et de la Chine — en termes d'échelle de données, de capacités d'ingénierie et d'intensité d'investissement — est en train de définir la chaîne industrielle mondiale de l'IA. Cette configuration influencera l'autonomie technologique des autres pays, les règles de flux transfrontaliers de données et les stratégies de sécurité, et intensifiera encore les débats sur la « souveraineté de l'IA ».

Enseignements pour les entreprises : discerner les actions réelles dans le bruit

Pour les entreprises qui élaborent leur stratégie d'IA, les enseignements de ce rapport sont clairs et concrets.

Premièrement, la baisse des coûts d'inférence signifie que les entreprises devraient réévaluer les cas d'usage de l'IA qui n'étaient auparavant pas rentables, comme le service client en temps réel, les recommandations personnalisées et l'assistance au code. Désormais, le coût marginal des capacités d'IA entre dans une fourchette abordable à grande échelle.

Deuxièmement, la course aux dépenses d'investissement des géants de la tech montre que l'IA dépend d'une infrastructure physique de calcul et de réseaux énergétiques. En choisissant leurs fournisseurs de services cloud et leurs plateformes de modèles, les entreprises doivent évaluer la compatibilité à long terme de l'offre de calcul et les risques potentiels d'enfermement (lock-in).

Troisièmement, l'écart entre modèles fermés et ouverts incite les entreprises à adopter une stratégie à « double voie » : pour les activités principales et les environnements à forte exigence de conformité, elles peuvent opter pour des modèles fermés haut de gamme ; dans les scénarios où la sécurité des données est primordiale ou nécessitant une personnalisation approfondie, les alternatives open source, bien qu'en retard sur le plan des capacités, offrent contrôle et transparence.

Quatrièmement, la consommation énergétique de l'IA devient une variable externe clé. Les entreprises devraient planifier en parallèle des solutions d'énergie verte lors du déploiement d'applications d'IA, afin d'éviter des problèmes de conformité liés à la consommation d'énergie et aux émissions de carbone.

Perspectives : évolution sur 12 mois à trois ans

Au cours des 12 prochains mois, les coûts d'inférence continueront très probablement de baisser, ce qui amènera davantage de PME à participer à l'innovation des applications d'IA, et les services de type agent deviendront la prochaine frontière applicative. Parallèlement, les grandes sociétés de modèles renforceront encore l'intégration de leur écosystème via les API et les services cloud, tandis que l'offre de puces et l'approvisionnement en électricité deviendront de nouveaux goulots d'étranglement limitant la croissance du secteur.

Au cours des 24 prochains mois, l'écart de performance entre modèles open source et fermés pourrait se maintenir, voire se creuser. Mais si l'efficacité matérielle et les techniques d'entraînement réalisent de nouvelles avancées, le camp open source pourrait également raccourcir son cycle de rattrapage. Par ailleurs, la position de « duopole » des États-Unis et de la Chine en termes de nombre de systèmes d'IA se consolidera, ce qui incitera les pays et régions voisins à aligner davantage leur organisation industrielle sur leurs atouts technologiques.En portant le regard sur trois ans, l'industrie de l'IA pourrait passer de la « course aux armements des modèles » actuelle à une « compétition de services et d'écosystèmes ». Le seuil d'investissement en capital s'élèvera encore, et les acteurs capables de maîtriser simultanément les systèmes complexes d'algorithmes, de données, de puissance de calcul et d'énergie seront probablement très rares. Plus important encore, savoir si l'IA pourra, comme Internet et les technologies mobiles, apporter une contribution continue et visible à la productivité de l'ensemble des secteurs, c'est là le critère ultime pour évaluer la valeur de l'industrie.

Source de référence

Le contenu de cet article repose sur l'analyse du rapport publié par Mary Meeker et Bond VC. Article original : 10 Charts That Define the AI Boom, According to Mary Meeker. Tous les faits et données figurant dans l'article sont tirés de ce rapport.