À ce jeu-là, nous partons avec quelques longueurs de retard.
Mais un article passionnant de Chang Che dans The New Yorker pose une question beaucoup plus intéressante : et si nous mesurions mal ce que signifie « gagner » une révolution technologique ?
L’histoire donne quelques raisons de le penser.
Ce que nous apprend l’électricité
Au XIXe siècle, la Grande-Bretagne comptait parmi les pays les plus avancés dans la recherche sur l’électricité. Elle avait Michael Faraday, Charles Parsons et quelques-uns des meilleurs inventeurs de leur époque. Pourtant, ce sont les États-Unis qui ont transformé l’électricité en puissance économique. En 1912, ils en produisaient cinq fois plus par habitant que les Britanniques.Pourquoi ? Pas parce qu’ils avaient tout inventé mais parce qu’ils avaient mieux diffusé les inventions. Des centrales avaient été construites, les entreprises s’étaient équipées, les villes avaient adapté leurs infrastructures, les salariés avaient appris à travailler autrement.
Le politiste Jeffrey Ding, interrogé dans l’article, a étudié le même phénomène dans l’acier, la chimie ou l’automobile. Dans les secteurs qui ont fait des États-Unis la première puissance industrielle mondiale, les entreprises américaines n’avaient inventé qu’une minorité des innovations importantes. Elles avaient surtout su les utiliser partout.
Cela devrait peut-être nous faire réfléchir à notre obsession actuelle pour les grands modèles.
Un modèle ne suffit pas
Aujourd’hui, quand nous voulons savoir quel pays « gagne » dans l’IA, nous regardons essentiellement ceux qui construisent les modèles les plus puissants. OpenAI sort un nouveau modèle. Google répond. Anthropic progresse. Une entreprise chinoise surprend tout le monde. Et nous recommençons le classement.Mais un modèle, aussi impressionnant soit-il, ne crée pas de productivité tout seul.
Il faut encore qu’un hôpital sache quoi en faire, qu’une PME comprenne où il peut lui faire gagner du temps, qu’un industriel l’intègre à ses processus, qu’un salarié sache l’utiliser suffisamment bien pour lui confier une partie de son travail, mais aussi suffisamment bien pour savoir quand ne pas lui faire confiance.
C’est beaucoup moins spectaculaire qu’un nouveau benchmark, mais c’est probablement là qu’une partie de la valeur économique se crée. Je le vois très concrètement dans les entreprises que j’accompagne.
Avoir accès à ChatGPT, Gemini, Claude ou Copilot ne change presque rien en soi. Deux entreprises peuvent disposer exactement du même outil et en tirer des résultats complètement différents. Dans l’une, quelques personnes l’utilisent pour reformuler des emails. Dans l’autre, les équipes ont identifié leurs cas d’usage, revu certaines méthodes de travail, formé les collaborateurs, défini ce qui peut être automatisé et ce qui doit rester contrôlé. Même technologie. Pas du tout le même résultat.
La Chine semble d’ailleurs avoir compris une partie de cette logique. Son programme « AI+ » cherche explicitement à intégrer l’intelligence artificielle dans les usines, les hôpitaux et les administrations. Chang Che rappelle aussi que la diffusion d’une technologie dépend beaucoup de tout ce qui paraît secondaire au moment où elle apparaît : la formation, les infrastructures, les écoles, la confiance. Et c’est là que la question européenne devient intéressante. Nous aurons évidemment besoin de modèles européens, de capacités de calcul, d’infrastructures et d’une certaine souveraineté technologique. Dépendre entièrement d’entreprises américaines ou chinoises pour une technologie aussi structurante serait une stratégie précaire. Mais faut-il pour autant considérer que nous avons perdu si le prochain meilleur modèle du monde n’est pas européen ? Je n’en suis pas certaine.
L’Europe a d’autres atouts
Nous avons des millions de PME, des industries puissantes, des systèmes de santé, des administrations, des écoles, des ingénieurs, des chercheurs et des professionnels extrêmement qualifiés. Notre avantage pourrait aussi être là : dans notre capacité à faire entrer l’IA dans l’économie réelle. Pas en installant un chatbot sur chaque ordinateur mais en comprenant comment un comptable, un avocat, un médecin, un technicien, un restaurateur ou un dirigeant peut travailler autrement avec ces outils. Cela suppose quelque chose dont on parle beaucoup moins que des milliards investis dans les data centers, à savoir former énormément de monde. Si possible tout le monde (utopie quand tu nous tiens). Pas seulement des ingénieurs spécialisés en IA mais aussi des commerciaux qui comprennent ce qu’un modèle sait réellement faire, des managers capables de repenser une organisation, des salariés capables de tester un outil sans lui abandonner leur jugement, des dirigeants capables de distinguer un cas d’usage rentable d’une démonstration impressionnante qui ne servira jamais à personne. Autrement dit, une population beaucoup plus largement à l’aise avec l’IA.Une course sans ligne d’arrivée
C’est aussi ce qui me gêne dans l’expression « course à l’IA ». Une course suppose une ligne de départ, une ligne d’arrivée et un gagnant. Une transformation économique ressemble beaucoup moins à cela. Internet n’a pas été « gagné » par le pays qui avait inventé le meilleur navigateur en 1997. L’électricité n’a pas appartenu à celui qui avait réalisé la première expérience. Ce qui compte finit souvent par être ce que des millions de personnes et d’entreprises font d’une technologie une fois qu’elle existe.Alors oui, regardons les modèles, regardons les investissements, regardons les puces et les infrastructures. Mais regardons aussi combien d’entreprises utilisent réellement l’IA autrement que pour écrire un email, combien de salariés sont correctement formés, combien de métiers ont commencé à repenser leur façon de travailler, et combien d’organisations ont réussi à transformer ces outils en amélioration réelle de leur productivité, de leur service ou de leur capacité d’innovation.
Parce que le retard le plus difficile à rattraper ne sera peut-être pas de ne pas avoir construit le meilleur modèle.
Ce pourrait être d’avoir accès aux meilleurs modèles du monde et de ne pas avoir appris quoi en faire.