Why AI Feels Like the Internet in 1997 | Benedict Evans on a16z

Benedict Evans, ancien partenaire d'A16Z et auteur de la newsletter "The Mind Behind AI eats the world", partage ses réflexions sur l'évolution de l'IA, notamment l'IA générative. Il souligne que la programmation agentique est passée d'une utilité modérée à une transformation radicale, devenant un domaine où la demande dépasse largement l'offre. Cette évolution a généré une tension concurrentielle au-delà de la simple course à des modèles plus grands et plus rapides. Un point central de l'analyse d'Evans est que les modèles d'IA, en particulier les modèles de fondation, sont en passe de devenir des commodités. Il ne les considère pas comme des produits finis, ni les chatbots. La valeur, selon lui, se situera plus haut dans la pile technologique. Il compare la situation actuelle de l'IA à celle de l'internet en 1997-98 ou des PC au début des années 80 : une technologie excitante, mais dont l'application concrète n'est pas encore claire. Les premiers usages des PC étaient de "faire des ordinateurs", et de même, les premiers usages des grands modèles de langage (LLM) sont de "faire plus de calculs". La programmation agentique a connu un essor fulgurant, car les développeurs de logiciels, étant les premiers utilisateurs, ont naturellement cherché à l'appliquer à leur propre domaine. Cependant, Evans insiste sur le fait qu'il est trop tôt pour prédire l'impact précis sur les emplois d'ingénieurs ou l'organisation des équipes. Le marché est encore en pleine effervescence, avec un déséquilibre majeur entre l'offre et la demande, ce qui affecte les prix. Les questions fondamentales sur la valeur des modèles, leur capacité à capturer de la valeur en amont de la pile et leur utilisation quotidienne par les consommateurs restent ouvertes. Concernant la stratégie d'OpenAI, Evans note une évolution rapide, passant d'une approche "tout à la fois" à une concentration sur la programmation. Anthropic, avec moins de capital, a également mis l'accent sur le codage avec succès. Cependant, le fossé demeure entre les utilisateurs "intensifs" de la Silicon Valley et les 40 % d'utilisateurs occasionnels qui trouvent l'IA "assez utile" une fois par semaine. Le défi est de combler ce fossé, ce que le développement logiciel semble réussir, contrairement à d'autres domaines où les entreprises utilisent l'IA pour des solutions ponctuelles de back-office. En comparant l'IA à l'adoption du mobile, Evans souligne que chaque nouvelle plateforme s'appuie sur les précédentes, accélérant l'adoption. Mais, comme pour le mobile ou l'internet à leurs débuts, la technologie est encore imparfaite et son application ultime est incertaine. Il rappelle l'époque où les PC plantaient constamment ou où l'installation d'une carte son était un défi technique. L'analogie la plus frappante concerne les coûts des données mobiles en 2009-2010 : des factures astronomiques pour certains, et des réseaux saturés pour d'autres avec des forfaits illimités. Aujourd'hui, on observe des situations similaires avec les tokens d'IA, où des utilisateurs reçoivent des factures inattendues de 10 000 dollars. Cependant, le trafic de données mobiles a été multiplié par 1500 à 2000 depuis, et les opérateurs mobiles, malgré des revenus collectifs d'un trillion de dollars et des investissements massifs, n'ont pas capturé la majeure partie de la valeur. Celle-ci est remontée vers les applications et services. C'est la question centrale pour les LLM : les modèles peuvent-ils tout faire, ou nécessitent-ils des centaines d'applications construites par-dessus ? Si les modèles de fondation deviennent une infrastructure de commodité vendue au coût marginal, leur pouvoir de fixation des prix sera limité. Evans souligne que les fabricants de puces, les FAI et les opérateurs mobiles n'ont pas capturé la valeur, contrairement à Windows et iOS qui, en tant que systèmes d'exploitation, avaient des effets de réseau et des leviers pour monter en gamme. Les modèles d'IA, eux, ne semblent pas avoir ces effets de réseau. Les questions clés pour l'avenir incluent la différenciation des modèles, la capacité des modèles plus petits et moins chers (y compris l'open source et les modèles sur appareil) à être "suffisamment bons", et l'impact sur les services professionnels. Dans des secteurs comme le droit ou le conseil, l'IA pourrait automatiser une grande partie du travail des juniors, reconfigurant les structures pyramidales. Cela soulève des questions spécifiques à chaque industrie : que signifie l'IA pour la finance, le conseil, la publicité ? Ces questions ne sont plus purement technologiques, mais deviennent des questions sectorielles, nécessitant une compréhension approfondie de ces domaines. Une différence fondamentale avec les plateformes précédentes est l'incertitude quant aux limites physiques de l'IA générative. On ne sait pas à quel point les modèles peuvent devenir plus grands, meilleurs, plus rapides ou moins chers. Cette imprévisibilité rend les prédictions difficiles. Le "product market fit" actuel est principalement dans le codage, mais qu'arrivera-t-il quand d'autres domaines trouveront leur application killer ? Pour les cas d'usage en dehors du codage, Evans suggère d'examiner l'IA comme une forme d'automatisation. Cela ouvre plusieurs pistes : l'élasticité des prix (faire plus pour le même prix, ou la même chose pour moins cher), la suppression de barrières à l'entrée (comme posséder une imprimerie pour un journal), ou la possibilité de faire des choses totalement impossibles auparavant (comme Spotify rendant toute la musique accessible pour 15 $ par mois). En publicité et e-commerce, l'IA pourrait transformer la compréhension des produits et des motivations d'achat. Actuellement, les systèmes ne savent que "ceux qui ont acheté ceci ont aussi acheté cela". Un LLM pourrait "savoir" ce qu'est un produit, pourquoi les gens l'achètent, et faire des suggestions beaucoup plus pertinentes, adaptées au style personnel de l'utilisateur, par exemple. Cela permettrait une automatisation et une personnalisation bien au-delà des capacités actuelles. Concernant l'environnement SaaS, Evans prédit plus de logiciels, car l'IA rendra leur construction moins chère et plus rapide, augmentant la concurrence. Cependant, la structure des marges est incertaine. L'IA s'intégrera dans un paysage logiciel déjà fragmenté, offrant de nouvelles options pour accomplir des tâches. La question est de savoir si le LLM se situe en haut ou en bas de la pile : comme une fonctionnalité intégrée à des logiciels existants (ex: Salesforce) ou comme un système abstrait synthétisant des données complexes. La clé est de savoir où placer le logiciel probabiliste (LLM, capable d'erreurs) par rapport au logiciel déterministe (bases de données, systèmes fiables). La capacité à expliquer ce qui est fait est cruciale. Les LLM excellent là où les tâches peuvent être clairement décrites et où l'on recherche une performance "moyenne" ou "standard". Ils sont moins efficaces pour des tâches créatives, non documentées, ou nécessitant un jugement humain unique. Enfin, concernant les investissements massifs (capex), Evans souligne un problème de gravité financière. Microsoft, Meta et Google sont en passe de dépenser plus de 50 % de leurs revenus en capex cette année, ce qui est bien plus que les télécoms (15-20 %). Bien que 700 milliards de dollars par an ne soient pas impossibles pour une infrastructure mondiale, une croissance continue à ce rythme n'est pas durable. Il y a des limites physiques à la quantité d'argent disponible. Les retours sur investissement sont actuellement positifs, mais il existe un FOMO (Fear Of Missing Out) qui pousse les entreprises à investir massivement pour ne pas être laissées pour compte. Cependant, la rentabilité à long terme de ces investissements reste une question ouverte, rappelant l'industrie des télécoms qui a construit une infrastructure incroyable sans en tirer des profits massifs, la valeur étant capturée ailleurs. Pour les entreprises de modèles de fondation, Evans conseille de se demander pourquoi elles ne deviendraient pas des commodités. La levée de fonds massive ne garantit pas la rentabilité à long terme. L'objectif est de trouver des usages pour l'IA au-delà du développement logiciel, dans le reste de l'économie, ce qui est "assez difficile" et nécessite des partenariats avec des consultants et le capital-investissement. En conclusion, l'IA est une technologie transformatrice, comme le mobile, l'internet et les PC avant elle. Elle changera tout, créera de nouvelles opportunités et détruira des emplois. Dans 20 ans, nous considèrerons ses capacités actuelles comme allant de soi, oubliant un monde où les ordinateurs ne pouvaient pas les réaliser. L'IA sera "magique", mais son évolution et sa valeur économique restent incertaines et en constante mutation.