Du « concours de puissance de calcul » à la « compétition de capacités nationales » : Jensen Huang et Ro Khanna discutent de comment les États-Unis peuvent gagner à l'ère de l'IA

Rédigé par : Techub News organisé

Dans ce dialogue public sur « la leadership des États-Unis dans le domaine de l’intelligence artificielle », Jensen Huang, fondateur et PDG de NVIDIA, Ro Khanna, membre du Congrès américain, et l’animateur H.R. McMaster, ne discutent pas seulement de puces, de modèles et de contrôles à l’exportation, mais d’une question plus large : lorsqu’une nouvelle technologie devient une technologie universelle, par quoi un pays doit-il se maintenir en tête ? La réponse ne réside pas uniquement dans la technologie elle-même, mais dans une capacité globale combinant talents, énergie, industrie manufacturière, système universitaire, conception de politiques, confiance sociale et narration nationale.

Sur le fond, ce dialogue comporte au moins trois axes principaux : premier, l’IA n’est pas une technologie isolée, mais un système industriel à plusieurs niveaux ; deuxième, pour continuer à dominer, les États-Unis ne peuvent pas se contenter d’innover en avant-garde, ils doivent aussi reconstruire leur capacité de fabrication, étendre la diffusion technologique, et faire bénéficier davantage de travailleurs ordinaires ; troisième, face à la compétition mondiale, notamment avec la Chine, les États-Unis ne peuvent pas simplement « dé-risquer » au point de paralyser l’innovation, ni laisser une mondialisation désordonnée éroder leur industrie locale et leur cohésion sociale.

Ce qui est encore plus notable, c’est que cette discussion ne se limite pas à une opposition entre « optimisme technologique » et « panique face à l’IA ». Huang insiste sur le fait que l’IA va remodeler l’industrie, mais que « la tâche automatisée » ne signifie pas « la disparition des emplois » ; Ro Khanna rappelle qu’à long terme, l’augmentation de la productivité créera plus d’emplois, mais que la transition technologique peut aussi s’accompagner de chômage, de polarisation des revenus et de déséquilibres régionaux. Ainsi, l’enjeu véritable n’est pas de savoir s’il faut développer l’IA, mais comment le faire de manière socialement inclusive.

L’IA n’est pas un modèle, mais un ensemble d’infrastructures industrielles

Huang insiste à plusieurs reprises que l’une des plus grandes incompréhensions sur l’IA est de la réduire à un seul modèle ou produit. Selon lui, l’IA est essentiellement une « architecture en cinq couches » : la couche la plus basse est l’énergie, suivie des puces, puis du cloud et des infrastructures d’usine d’IA, ensuite des modèles, et enfin, en haut, des applications.

Ce jugement est crucial, car il étend la « compétition en IA » de la simple capacité de modèles à une compétition d’infrastructures fondamentales à l’échelle nationale. Autrement dit, pour qu’un pays reste en tête dans l’ère de l’IA, il ne suffit pas d’avoir quelques entreprises de modèles de premier plan, il faut aussi que l’électricité soit abondante, que l’approvisionnement en puces soit durable, que les centres de données et le cloud soient robustes, que l’écosystème de modèles soit florissant, et surtout — que les applications d’IA soient réellement intégrées dans l’industrie et la société, pour une utilisation à grande échelle.

Huang souligne que si les États-Unis sont forts dans les quatre premières couches, mais que la couche d’application ne se diffuse pas, tout le moteur industriel ne pourra pas tourner efficacement, et la valeur technologique ne pourra pas être pleinement exploitée. Il craint que la société ne rejette l’IA par peur, ou ne la régule à l’excès, empêchant ainsi l’industrie de se développer et la société d’en bénéficier. Si la diffusion des applications est artificiellement freinée, même si les États-Unis inventent la révolution industrielle de demain, ils risquent de ne pas en récolter tous les bénéfices.

Dans cette optique, la politique d’IA ne doit pas seulement viser à « gérer les risques », mais aussi à « réduire les obstacles à une utilisation efficace ». Ces obstacles peuvent être institutionnels, psychologiques ou médiatiques. Si une société perçoit l’IA comme une menace plutôt qu’un outil d’apprentissage et de maîtrise, elle risque de perdre la fenêtre d’opportunité pour la diffusion technologique.

L’avantage des États-Unis ne réside pas seulement dans les entreprises, mais aussi dans un système ouvert de talents et d’universités

Ro Khanna offre une réponse complémentaire à la vision industrielle de Huang sur « pourquoi les États-Unis ont encore une chance de garder leur leadership en IA ». Il pense que le plus grand atout comparatif des États-Unis est leur capacité à attirer des talents mondiaux pour étudier, faire de la recherche, entreprendre et collaborer. Ensuite, leur système universitaire de recherche, puis la liberté académique, la culture publique de remise en question de l’autorité, et enfin, un mécanisme de transfert technologique relativement mature entre universités, gouvernement et secteur privé.

Dans ce dialogue, Khanna mentionne que de nombreuses startups en IA ont été fondées par des immigrants, que beaucoup de chercheurs en IA ont été formés à l’étranger, mais qu’ils viennent finalement aux États-Unis pour innover. Ce mécanisme d’« absorption mondiale des talents, puis de collaboration dense locale » est une des sources fondamentales du leadership technologique américain.

Il insiste aussi sur l’importance des universités de recherche. La longue tradition d’investissements publics dans la recherche fondamentale, la formation de talents et la diffusion technologique n’est pas le fruit du hasard, mais le résultat d’un engagement soutenu. En d’autres termes, pour comprendre l’avantage américain en IA, il faut aussi reconnaître le rôle central des investissements publics et du système universitaire.

C’est pourquoi, même si cette discussion est menée par une star de l’entreprise et un membre du Congrès, sa logique sous-jacente n’est pas celle d’un « tout au secteur privé » ou d’un « tout à l’État », mais celle d’une collaboration tripartite : l’État fournit une orientation à long terme et un cadre institutionnel, les universités fournissent talents et recherche fondamentale, et les entreprises conduisent l’industrialisation et l’application à grande échelle.

La réindustrialisation devient un nouveau mot-clé dans la compétition IA

Si, il y a quelques années, la discussion sur l’IA tournait surtout autour de la puissance de calcul, des modèles et du capital, cette conversation met en évidence une réalité claire : la « réindustrialisation » doit être intégrée à l’agenda de l’IA. Khanna affirme que l’une des erreurs majeures des États-Unis ces dernières décennies a été de croire qu’ils pouvaient se limiter à être des centres financiers et d’innovation, tout en abandonnant une base industrielle forte. Cela nuit à la sécurité nationale, affaiblit la cohésion sociale, et laisse des régions entières dans un sentiment d’abandon.

Il souligne que le déclin de l’industrie manufacturière n’est pas une tendance macroéconomique abstraite, mais qu’il détruit concrètement la dignité, l’emploi et l’identité intergénérationnelle de nombreuses communautés. Des villes et des familles autrefois soutenues par des usines, de l’acier et des chaînes de production se retrouvent face à la réalité : « si on ne peut pas entrer dans la finance ou la tech, on est condamné à l’obsolescence ». Cette fracture se reflète aussi dans la colère, la division et la méfiance qui traversent la politique américaine.

Khanna propose donc une « nouvelle version du Plan Marshall » pour l’économie du 21e siècle : l’Amérique ne peut pas se contenter de mesures protectionnistes, mais doit reconstruire des industries clés, notamment dans les domaines des terres rares, des minerais stratégiques, des médicaments, des robots et des matériaux avancés, en mobilisant des investissements industriels. L’objectif est de faire en sorte que le gouvernement, le secteur privé, la recherche et les travailleurs se réorganisent autour de ces priorités.

Huang complète cette vision en soulignant que l’industrie de l’IA devient elle-même un moteur de la réindustrialisation américaine. Avec l’installation d’usines d’IA, de puces et d’infrastructures de calcul aux États-Unis, de nombreux emplois dans la fabrication, la construction, l’électricité, la plomberie et la précision mécanique sont créés, et les salaires dans ces secteurs augmentent. Il indique aussi que les entreprises planifient d’investir massivement dans la fabrication locale, à condition que l’environnement industriel reste dynamique, rentable et incitatif.

Cela signifie que l’IA n’est pas seulement une technologie de substitution, mais aussi une opportunité de reconstruire l’économie réelle et l’emploi régional. Mais cela dépend de politiques qui orientent le capital vers des investissements à long terme, plutôt que vers des gains rapides à court terme.

« L’IA va-t-elle supprimer des emplois ? » n’est pas une question à réponse simple

Sur l’impact de l’IA sur l’emploi, la partie la plus relayée de ce dialogue est sans doute la réfutation directe de Huang à la narration selon laquelle « l’IA détruirait des emplois en masse ». Il affirme que décrire l’IA comme une force de destruction massive de l’emploi est non seulement inexact, mais nuit à l’acceptation sociale de la technologie.

Il cite un exemple célèbre : il y a plusieurs années, certains experts en IA prédisaient que, avec la généralisation de l’analyse d’images, les radiologues deviendraient « insignifiants » en dix ans. Huang admet que cette première partie est correcte — l’IA a déjà pénétré presque tous les aspects de la radiologie —, mais que la seconde est fausse : le nombre de radiologues n’a pas diminué, il a augmenté.

Pourquoi ? Parce que la finalité d’un métier et ses tâches concrètes ne sont pas la même chose. L’IA peut automatiser certains travaux, mais ne supprime pas forcément la profession. Au contraire, en améliorant l’efficacité, elle permet à l’organisation de traiter plus de patients, de répondre à plus de besoins, et de générer plus de revenus, ce qui nécessite plus de professionnels pour des tâches de haut niveau, de collaboration et de service.

Il étend cette logique au génie logiciel. Chez NVIDIA, les ingénieurs logiciels utilisent largement des outils d’IA, mais cela ne remplace pas l’ingénieur, cela le rend plus compétent et plus performant, tout en accélérant le développement de projets. En d’autres termes, l’IA modifie d’abord la façon dont le travail est organisé et la productivité, pas le nombre de postes.

Khanna propose une correction nécessaire : il ne nie pas que, à long terme, la technologie créera de nouveaux besoins et emplois, mais il rappelle que l’histoire montre que la croissance de la productivité ne se répartit pas équitablement. La diffusion technologique s’accompagne souvent de chômage, d’écarts de revenus, et de groupes qui ne partagent pas immédiatement les bénéfices.

Ainsi, une politique responsable ne consiste pas à répéter le mantra « la technologie finira par créer plus d’emplois », mais à anticiper dès la phase d’adoption si les travailleurs ont un pouvoir de négociation, s’ils peuvent profiter de la hausse de productivité, et comment soutenir la formation, la reconversion et la protection des groupes vulnérables.

C’est aussi pourquoi Khanna se définit comme un « démocrate de l’IA », plutôt qu’un « pessimiste » ou un « accélérationniste ». Son message principal n’est pas anti-IA, mais contre la concentration des bénéfices dans le capital, au détriment des travailleurs.

Le vrai danger n’est pas l’IA elle-même, mais que seuls quelques-uns sachent l’utiliser

Huang donne une conclusion très représentative sur l’emploi : la majorité des gens ne « perdra » pas forcément face à l’IA, mais ils risquent de « perdre » face à ceux qui savent utiliser l’IA. L’objectif n’est pas de créer de l’anxiété, mais de souligner la nécessité d’une diffusion rapide de la maîtrise de l’outil.

Selon lui, l’IA est devenue l’une des technologies à la vitesse d’adoption la plus rapide de l’histoire, principalement parce que ses barrières d’entrée sont beaucoup plus faibles que celles des technologies fondamentales passées. Tout le monde n’a pas besoin d’être ingénieur en puces ou chercheur en algorithmes pour utiliser l’IA dans son métier. Par exemple, un menuisier peut, grâce à l’IA, mieux exprimer ses idées de conception, et ainsi évoluer vers un rôle plus proche de la conception architecturale ou de l’aménagement intérieur.

Ce qui sous-tend cette logique, c’est que la valeur sociale de l’IA ne doit pas rester confinée à une élite de spécialistes, mais doit s’étendre à tous, en permettant à davantage de travailleurs, entrepreneurs et étudiants d’accomplir des tâches plus complexes. Quand plus de personnes peuvent utiliser l’IA pour augmenter leur capacité, la diffusion des bénéfices technologiques devient possible.

Khanna pousse cette idée plus loin en la reliant à un contrat social : il pense que la méfiance actuelle envers l’IA en Amérique ne vient pas seulement d’un manque de compréhension, mais aussi d’un déficit de confiance dans les élites et dans la promesse que la révolution technologique profitera à tous. Pour restaurer cette confiance, il faut plus que de la communication : il faut des plans concrets d’emploi, de formation, d’investissements régionaux et d’engagement public.

Entre la Chine, la mondialisation et la régulation, l’Amérique doit tracer « une voie médiane »

Un autre sujet sensible de ce dialogue concerne la manière dont les États-Unis doivent gérer leur relation avec la Chine et la chaîne d’approvisionnement mondiale. Huang est très clair : le monde est interdépendant, et l’IA ainsi que ses chaînes d’approvisionnement ne peuvent pas être cloisonnées par un seul pays. Toute tentative de « tout fermer » ou de couper les liens pourrait avoir des conséquences graves et inattendues.

Il insiste sur le fait que l’IA n’est pas un produit isolé, mais un système industriel profondément intégré dans la chaîne d’approvisionnement mondiale. De l’énergie, des minerais, des équipements à la fabrication, les États-Unis dépendent fortement d’autres pays, y compris la Chine. Par conséquent, la politique ne doit pas se limiter à une approche simpliste ou émotionnelle de la compétition technologique, mais doit évaluer les conséquences à long terme, les réactions en chaîne, et l’équilibre global du système industriel.

Khanna partage cette vision, tout en proposant une approche plus nuancée : il faut éviter le découplage total, mais aussi ne pas revenir à une mondialisation sans limites. Il faut construire une « ouverture avec des frontières » : reconnaître que la Chine détient des monopoles dans certains matériaux ou composants clés, et encourager une relocalisation stratégique, tout en évitant une politique de rejet systématique.

Huang met en garde contre une attitude qui, en voulant s’opposer à la compétition chinoise, pourrait glisser vers un rejet des talents étrangers ou des immigrants. La force des États-Unis réside aussi dans leur capacité à attirer les meilleurs du monde entier. Si la compétition devient une identité ennemie, cela pourrait nuire à leur attractivité et à leur « rêve américain ».

Sur la régulation, ils sont d’accord pour dire qu’il faut établir des règles équilibrées. Khanna prône une régulation fine, pour que l’IA reste compétitive tout en étant fiable. Huang insiste sur la nécessité de réguler surtout les applications et usages, tout en évitant une régulation trop rigide des technologies fondamentales en rapide évolution.

En résumé, ils rejettent tous deux les extrêmes : ni une liberté sans limite, ni une régulation trop rigide. La voie consiste à maintenir un équilibre dynamique entre gestion des risques, développement industriel et compétition mondiale.

Ce dialogue, c’est avant tout une nouvelle narration nationale

Si l’on réduit cette discussion à un simple « séminaire sur la politique de l’IA », on en sous-estime la portée. Plus profondément, il s’agit de savoir si, dans un moment où l’IA refaçonne l’économie et la société, les États-Unis peuvent reconstruire une narration nationale qui donne confiance à la majorité.

Khanna insiste sur le fait que l’un des plus grands problèmes actuels est la perte de confiance. Les gens ne croient plus en leur capacité à profiter de la croissance, ni en la priorité donnée aux travailleurs ordinaires, ni en la pérennité du « rêve américain » pour la prochaine génération. Il propose d’utiliser l’IA comme un levier pour repenser la direction du progrès — pas seulement par des avancées technologiques, mais par la construction d’une société plus cohésive, plus diverse, où plus de personnes ont un sentiment de sécurité et de possibilité d’ascension.

Huang, de son côté, voit dans cette révolution une opportunité pour les jeunes d’entrer dans la société, d’utiliser l’IA, d’entreprendre et de transformer l’industrie. La révolution technologique en cours n’est pas une réparation du vieux monde, mais une réinitialisation de tout le secteur du calcul, et par extension, de presque tous les secteurs basés sur le calcul. Pour les étudiants et les jeunes professionnels, cela représente une chance inédite d’accéder à une égalité de départ.

En définitive, le point commun essentiel de cette discussion n’est pas « l’Amérique va gagner » à tout prix, mais « si l’Amérique veut gagner, elle doit faire en sorte que plus de gens gagnent aussi ». La capacité de leadership dans l’ère de l’IA ne se limite pas à posséder les puces les plus avancées, le plus de capital ou les modèles les plus performants, mais à tisser un tissu commun entre technologie, industrie, éducation, fabrication, gouvernance et confiance sociale.

C’est peut-être la leçon la plus profonde laissée par ce dialogue : la compétition future en IA, qui semble d’abord technologique entre entreprises et nations, est en réalité une compétition pour bâtir un système national plus complet, plus ouvert et plus résilient. Et la vraie victoire ne dépend pas seulement des slogans, mais de la capacité à répondre simultanément à trois questions : qui innove, qui produit, qui bénéficie.