The State of AI: Models, Moats, and the Consumer Renaissance

Le débat actuel dans le domaine de l'intelligence artificielle tourne autour de la question de savoir quels leaders émergeront dans les trois prochaines années. L'orateur, Anish, se positionne comme un partisan du "beaucoup de gagnants", soulignant l'évolution rapide du paysage. Il cite l'exemple récent de XAI, qui est passé du statut de non-contender à celui de l'un des trois principaux acteurs sur le marché des modèles d'IA en l'espace de deux semaines. Cette transition a transformé une course à deux chevaux en une course à trois chevaux. De manière plus générale, il observe que la perception d'Anthropic comme dominateur incontesté a cédé la place à celle d'OpenAI, qui a connu une période d'excellence ces derniers mois avec des modèles exceptionnels, une meilleure intégration de Codex et une application de bureau ChatGPT bien conçue. Les laboratoires d'IA se spécialisent dans différentes directions tout en connaissant une croissance exponentielle, malgré les succès mutuels. La discussion aborde ensuite la question de la surévaluation potentielle du marché de l'IA, souvent qualifiée de bulle. Cependant, l'orateur suggère que la perspective sous-évaluée est celle d'un optimisme insuffisant. Les indicateurs du marché, tels que l'augmentation des prix des GPU (même ceux qui ne sont pas de pointe comme le B200) sur une base horaire, suggèrent une demande infinie et une offre très limitée. Ces tendances, normalement déflationnistes, indiquent une offre restreinte, ce qui alimente un argument en faveur d'un optimisme éclairé. Le marché des logiciels d'entreprise (SaaS) est également examiné. L'orateur rappelle la correction de 30 à 40 % observée en février dernier sur de nombreux noms du SaaS, qui a depuis été largement récupérée. Il souligne que les dépenses logicielles d'entreprise représentent une part relativement faible des dépenses globales (8 à 12 %), ce qui limite le potentiel de gains significatifs en remplaçant des logiciels d'entreprise essentiels comme la paie ou le CRM par des agents de codage. Le risque, en revanche, est considérable en raison des implications de conformité. La baisse du marché du SaaS a révélé des distorsions économiques dues aux coûts de rémunération en actions (SBC), obligeant les entreprises à accélérer ou à mourir. La notion de "moats" (avantages concurrentiels durables) dans le contexte de l'IA est une autre discussion clé. L'orateur soutient que la plupart des douves traditionnelles, comme les effets de réseau, les économies d'échelle (qui se traduisent par la distribution) et les effets de marque, ne sont pas affectées par l'abondance d'une intelligence peu coûteuse. Des marques comme Nike ou des plateformes comme Instagram tirent leur force de ces avantages, qui ne sont pas remis en cause par les agents de codage. Cependant, certains douves sont exposés, notamment le douve de l'intégration. La complexité de l'intégration avec des systèmes comme SAP rend les migrations coûteuses et risquées, un domaine où les agents de codage peuvent apporter une amélioration significative. Cela soulève des questions existentielles pour les éditeurs de logiciels d'entreprise (ISV) et les intégrateurs de systèmes (SI) dont la valeur réside historiquement dans la fourniture de services d'intégration. La discussion se déplace vers la manière dont les fonctions de l'entreprise sont affectées. Les fonctions à potentiel de croissance illimité, comme les ventes et le développement de produits, bénéficient de l'utilisation de modèles de pointe (front-tier models). Comme la valeur d'une nouvelle fonctionnalité produit ou d'une clôture de vente est difficile à quantifier, il est économiquement rationnel de payer cher pour un modèle même légèrement plus performant. À l'inverse, pour des fonctions comme la finance, où la précision est la clé et l'amélioration au-delà de l'exactitude n'apporte pas de valeur supplémentaire significative, il est plus judicieux d'utiliser des modèles open-source avec apprentissage par renforcement pour optimiser le rapport coût-efficacité. L'importance des modèles open-source est mise en avant, notamment pour les startups. Pour des entreprises comme Decagon, l'open-source n'est pas seulement une question de coût, mais aussi de capacité à localiser, former et affiner les modèles. Cette approche permet de tirer parti des avantages comparatifs des différents modèles, qui peuvent avoir des domaines de spécialisation contradictoires. Certains modèles sont très littéraux et méticuleux (comme GLM52/53), tandis que d'autres (comme K3) sont plus ouverts, créatifs et présomptueux. Les deux types ont leur place dans une organisation. L'apprentissage par renforcement permet de spécialiser un modèle pour un problème spécifique, créant ainsi un avantage cumulatif pour une base de clients donnée. Le compromis est une perte de généralité ; un modèle optimisé pour les problèmes juridiques peut ne pas exceller en mathématiques. Cette spécialisation est précieuse pour des cas d'utilisation spécifiques comme le support client. L'évolution des plugins et des laboratoires d'IA est également discutée. Les plugins, initialement perçus comme des compétences avancées, se sont révélés être de simples collections de prompts. Les laboratoires d'IA, loin de s'intégrer verticalement vers la couche applicative, se concentrent plutôt sur l'inférence et le calcul. Cette stratégie est logique étant donné l'homogénéité des charges de travail d'inférence, ce qui permet une mise à l'échelle massive. La couche applicative, en revanche, présente une grande hétérogénéité en termes de besoins spécifiques des clients, de tarification et de produit, rendant son intégration plus complexe et coûteuse en dépenses d'exploitation. La question de la commoditisation des modèles est abordée. L'orateur soutient que les modèles ne sont pas des commodités, mais possèdent des avantages comparatifs au niveau du domaine. OpenAI excelle dans le travail de connaissance avec ses modèles GPT et son application de bureau ChatGPT, qui est un excellent "contenant" pour les feuilles de calcul, les présentations et les documents écrits. Anthropic Claude Code, quant à lui, est orienté vers le génie logiciel, avec une interface terminale et des fonctionnalités axées sur la planification et les tests de code. Cette spécialisation au niveau du domaine, combinée aux "traits de personnalité" des modèles (comme la neuroticisme ou l'ouverture), justifie la nécessité de disposer de plusieurs modèles pour répondre à divers besoins. Le concept d'agrégation de modèles est présenté comme un moyen d'obtenir des résultats supérieurs à la somme de leurs parties, à l'instar d'Expedia qui agrège les inventaires de compagnies aériennes. Des exemples comme Cursor, qui utilise un modèle de pointe pour la planification et un modèle moins performant pour l'exécution, illustrent cette tendance dans le domaine du codage. Les outils créatifs peuvent également bénéficier de l'intégration de modèles spécialisés dans différentes modalités (voix, musique, vidéo). Dans la recherche et la prise de décision, l'utilisation de plusieurs modèles avec des ensembles de données non chevauchants peut fournir une information plus complète. La couche applicative, en tant qu'agrégateur, peut offrir le meilleur de chaque monde, contrairement aux laboratoires qui sont limités à leurs modèles internes. La couche applicative est fondamentale car elle transforme une primitive (l'intelligence) en un résultat économique, à l'instar de Salesforce qui utilise le cloud comme primitive pour créer un logiciel CRM. Pour des secteurs comme celui des coopératives de crédit, qui ont des besoins très spécifiques, la couche applicative est essentielle pour adapter l'intelligence primitive à leur marché. L'évolution de l'utilisation de l'IA passe des simples prompts à des modèles en boucle, souvent appelés "agents", dotés d'outils et de mémoire. Le codage est un exemple de boucle autonome où les bugs sont corrigés, vérifiés et déployés. Cette automatisation par boucles peut s'appliquer à d'autres domaines comme l'optimisation des prix ou les achats, et même à des boucles commerciales transversales, comme la suggestion d'ouvrir une nouvelle succursale. L'automatisation des entreprises se fera par le biais de l'IA et de ces boucles. Le secteur grand public est analysé comme un domaine en plein essor. Les obstacles précédents, tels que la réticence des consommateurs à payer pour des logiciels et le coût élevé de distribution et d'engagement des applications d'IA, sont en train d'être surmontés grâce aux modèles open-source, plus abordables et performants. L'absence d'un canal de distribution natif pour l'IA, à l'instar de l'App Store mobile, oblige les entreprises à construire leurs canaux, un processus similaire à celui du Web 2.0. L'interface utilisateur actuelle est comparée à l'ère DOS, avec un besoin de "Windows" pour une adoption généralisée par les consommateurs. Les agents de codage pour les consommateurs ouvrent de nouvelles possibilités pour les "entrepreneurs numériquement natifs" qui ne sont pas programmeurs. Ils peuvent désormais créer des produits logiciels générant des revenus significatifs, bien que non venture-backables. Les agents personnels, tels que Grockbot et ChatGPT, sont en train de se transformer en logiciels utilisables par les consommateurs. La distinction entre consommateur et entreprise devient floue, avec des professionnels comme les plombiers utilisant Grockbot pour transformer leur activité, ce qui s'apparente à un mouvement de "Product-Led Growth" émanant du consommateur. Le divertissement est identifié comme un moteur majeur pour le marché grand public, avec une tendance croissante pour les drames courts, souvent génératifs ou assistés par IA. La majorité des gens privilégient le temps passé plutôt que le temps économisé, et l'intérêt pour la productivité personnelle est moindre. L'outil "Town" est présenté comme un exemple de produit de productivité exceptionnel, démontrant l'avantage cumulatif de la mémoire. Au fil du temps, il devient plus efficace en faisant des suppositions éclairées grâce au contexte accumulé. Ce modèle de valeur cumulée se traduit par une rétention accrue et un pouvoir de fixation des prix plus élevé. Town offre une expérience gratuite pour les utilisateurs personnels, permettant de constater son efficacité. Pour les utilisateurs professionnels, il permet d'atteindre l'objectif de "boîte de réception zéro" et de gérer efficacement les tâches personnelles, même si les utilisateurs ne sont pas toujours disposés à payer pour la productivité personnelle. Le concept d'employé expérimenté par rapport à un nouvel employé est utilisé pour illustrer la valeur à long terme de ces agents personnels. Ils peuvent gérer des aspects informels de la vie tels que la famille, les amitiés, les finances et la santé, en traitant les informations changeantes, les décisions, l'agence et l'exécution. OpenAI se concentre sur l'auto-amélioration, la santé et les finances, tandis que des startups travaillent sur le shopping. L'objectif est une amélioration significative de la qualité de vie des consommateurs, avec 80 % du surplus revenant au marché de masse. Concernant les plateformes d'agents personnels, il est suggéré qu'il y aura plusieurs plateformes plutôt qu'une seule plateforme dominante. Les besoins varient selon les fonctions (par exemple, un conseiller financier vs un organisateur de fêtes), et la surface d'application est trop vaste. Grockbot illustre un produit où plusieurs bots spécialisés collaborent pour atteindre un résultat optimal. La concurrence entre les entreprises de la couche applicative et les laboratoires d'IA est abordée. L'orateur estime que la complexité de la tarification, de la vente et de la manière dont le client final souhaite consommer le produit limite la capacité des laboratoires à s'étendre vers la couche applicative. La demande des adolescents diffère de celle d'un cadre exécutif dans une coopérative de crédit. L'abondance de modèles à différents points de la frontière de Pareto rend plus difficile pour les laboratoires de capter une marge brute excessive. En ce qui concerne le financement des startups, l'accent est mis sur les investissements dans des entreprises montrant des signes de succès, avec une exigence de produit live lors des présentations. La plupart des investissements sont réalisés dans des entreprises prometteuses, avec une extrapolation basée sur les ventes et le produit. Des investissements pré-amor