Les entreprises d’IA ne gagnent pas d’argent : elles devraient s’inspirer de l’exemple du métro de Hong Kong

Auteur : Michael Wenye Li

Traduit par : 深潮 TechFlow

Lecture recommandée par 深潮 : Des laboratoires d’IA ont brûlé plusieurs centaines de milliards de dollars, mais personne n’arrive à expliquer clairement quand l’argent sera récupéré. La tarification des API baisse d’un facteur 10 par an, l’open source rattrape l’open source en courant après le fermé, et les coûts de formation ne font qu’augmenter à mesure qu’on les empile. Cet article sort de la perspective de l’industrie technologique et propose, à l’aide du modèle commercial de 45 ans du métro MTR de Hong Kong, une réponse extrêmement instructive : ne cherchez pas à faire de l’argent grâce au prix des billets, allez plutôt posséder les biens immobiliers au-dessus des gares.

Ils ne peuvent pas gagner d’argent, et la question est même mal posée

Il y a une activité qui ressemble à ça : au début, on investit des dizaines de milliards de capital, sans aucun revenu. Le prix du service central est calé au plus près du coût marginal. On crée une immense valeur pour les utilisateurs, mais les constructeurs ne gardent presque rien, même pas quelques centimes. Et il faut continuer à investir sans arrêt dans l’infrastructure de la prochaine génération.

Ce n’est pas de laboratoires d’IA qu’il est question, mais d’un grand système ferroviaire.

Beaucoup de gens utilisent le chemin de fer pour faire des analogies avec l’industrie de l’IA. La plupart en concluent que la technologie générale a une nature de bien public, et que la viabilité commerciale dépend de subventions gouvernementales.

Je veux contester cette conclusion. Car le MTR de Hong Kong (MTR) résout en réalité ce problème. C’est l’un des très rares systèmes de métro au monde à être autonome sur le plan commercial, une société cotée en Bourse, qui verse des dividendes et des distributions, et qui n’a pas besoin de subventions gouvernementales pour opérer.

Une structure financière identique

L’activité ferroviaire de base du MTR n’a jamais pu financer à elle seule son expansion. En 2018, la meilleure année avant la pandémie, l’EBIT du transport était de 2 milliards de dollars de Hong Kong. Et pour la période 2024-2026, les dépenses d’investissement (CAPEX) sont estimées à 87,9 milliards de dollars de Hong Kong, presque entièrement destinées au ferroviaire. Les profits ferroviaires de ces trois années au sommet ne suffisent qu’à couvrir 8% des dépenses d’investissement. Les revenus des billets n’ont jamais été suffisants pour construire une nouvelle ligne. Et ce n’était pas non plus l’intention du design.

Les prix des billets du MTR sont maintenus à un niveau abordable grâce au mécanisme d’ajustement des tarifs par le gouvernement. Vous ne pouvez pas fixer les prix des billets à un niveau permettant de récupérer le coût de construction : sinon, personne ne pourrait s’asseoir dans les trains, et cela contredirait l’essence même des transports publics. Chaque ligne peut peut-être couvrir ses propres coûts d’exploitation, mais les recettes des billets ne couvriront jamais la construction de la ligne suivante.

Le problème auquel l’IA fait face avec les prix des API est une version miroir de la même question. La distillation et les substituts open source font chuter les prix des API à un rythme d’environ 10 fois par an. Tout laboratoire dont la tarification est supérieure au coût marginal perdra du volume au profit de ses concurrents. Chaque modèle peut atteindre une rentabilité opérationnelle au niveau de l’inférence, mais les marges ne pourront jamais suffire à financer les dépenses de la prochaine vague d’entraînement.

La solution la plus répandue à l’échelle mondiale, ce sont les subventions. Le métro de Londres repose sur les dotations de TfL. Les lignes à grande vitesse en Chine portent des dettes de plusieurs centaines de milliards de dollars, et 94% des lignes ne gagnent pas d’argent. L’IA emprunte la même voie : le CHIPS Act, le projet Stargate, les investissements de fonds souverains, les contrats du Pentagone. La destination par défaut, c’est des infrastructures quasi publiques qui dépendent de subventions.

Le MTR a trouvé une autre voie.

Chemin de fer + immobilier

Dès la construction initiale du MTR en 1979, ses concepteurs ont compris que le prix des billets ne récupérerait jamais le coût de construction. Ils ont donc structuré l’entreprise à partir d’un présupposé totalement différent : le chemin de fer fera augmenter la valeur des terrains autour, donc il faut garder ces terrains en main.

Le MTR développe des immeubles résidentiels, des bureaux et des centres commerciaux au-dessus et autour des gares, et capte dans ses poches la valeur créée et revalorisée par ses propres infrastructures. Les profits immobiliers réinjectent dans l’exploitation ferroviaire et financent la ligne suivante. Aujourd’hui, le MTR possède 13 centres commerciaux, gère 47 projets immobiliers construits au-dessus de gares, et l’immobilier représente l’essentiel des profits réels.

La logique est limpide : ne cherchez pas à capter la valeur depuis le service ferroviaire lui-même ; possédez plutôt les actifs qui prennent de la valeur parce que le chemin de fer existe.

L’équivalence pour l’IA

« Quand est-ce que les laboratoires d’IA pourront gagner de l’argent ? » et « Quand le chemin de fer pourra-t-il vivre grâce aux billets ? » sont des problèmes isomorphes. La réponse est la même : on ne peut pas. Et la question est mal formulée dès le départ.

Une start-up de biotech utilise des modèles de pointe pour filtrer des composés de médicaments, ce qui lui fait économiser deux ans d’essais cliniques. Une entreprise de logistique s’en sert pour optimiser ses itinéraires et économiser 40 millions de dollars de coûts de carburant. Un développeur indépendant livre en un week-end un projet qui aurait demandé trois mois à une équipe de cinq personnes. Dans chaque cas, le fournisseur du modèle ne capte qu’une fraction de la valeur via les frais d’API, de l’ordre de quelques centièmes de pourcentage. Le fournisseur ne peut pas augmenter le prix, car quatre autres laboratoires et une dizaine d’alternatives open source offrent des capacités à peu près équivalentes. La valeur restante se dirige vers les utilisateurs et vers l’économie au sens large.

C’est ainsi que fonctionnent les technologies générales. La machine à vapeur, l’électricité et TCP/IP n’ont jamais rapporté quoi que ce soit à leurs créateurs.

L’enseignement du MTR : n’essayez plus de faire couvrir le coût de construction par le prix des billets ; allez chercher vos « biens au-dessus des gares ».

Quatre options candidates, classées par ordre défensif

La première place revient aux droits de déploiement accordés par l’État. L’État autorise un laboratoire à avoir un accès exclusif à des dossiers médicaux nationaux, à des systèmes fiscaux ou à la logistique de la défense. Les données de domaine accumulées, la profondeur d’intégration des systèmes et les qualifications de conformité réglementaire acquises par le laboratoire demandent plusieurs années à reproduire. C’est exactement le mécanisme du MTR : l’État accorde les droits de développement sur la base de la nature de monopole naturel.

En deuxième, l’accumulation de données de récompenses issues du renforcement par apprentissage (reinforcement learning). Des signaux d’interaction de plusieurs milliards de fois servent à entraîner la génération suivante de modèles. Contrairement aux poids des modèles (qui se déprécient avec la distillation), les données RL sont presque impossibles à reproduire, et s’accumulent avec un intérêt composé d’une génération à l’autre. Elles ne peuvent pas être monétisées directement, mais constituent un terrain : elles prennent de la valeur, avant même d’être développées.

En troisième, l’intégration de type « déploiement en amont ». Au lieu de vendre l’interface du modèle à une société de conseil, pour qu’elle capte le reste de productivité, il vaut mieux posséder soi-même de bout en bout toute la couche de livraison du service. Comme Palantir qui intègre des ingénieurs au sein d’institutions gouvernementales plutôt que de vendre des licences de logiciels. Le laboratoire ne facture pas des frais d’API à des cabinets d’avocats : le laboratoire devient le service de recherche juridique lui-même, avec une tarification basée sur les résultats livrés plutôt que sur la consommation de tokens. Les coûts de changement s’empilent constamment avec l’accumulation de données de domaine et de connaissances institutionnelles. C’est le centre commercial du MTR : monétiser le flux de passagers créé par le chemin de fer, plutôt que d’augmenter les billets payés par les voyageurs.

En quatrième, la délégation de l’hébergement des données de la part des ensembles nationaux de données. Les gouvernements disposent de grandes quantités d’ensembles de données sous-exploités (dossiers patients, déclarations fiscales). Un laboratoire de pointe désigné comme hébergeur obtient un accès exclusif, et entraîne des modèles et construit des produits à partir de ces données. Mais cela crée un monopole public-privé sur les données, ce qui exige une gouvernance stricte : définir clairement les limites d’usage, les bénéfices qui reviennent au public, une surveillance indépendante et de véritables mécanismes de responsabilité avec un pouvoir de contrainte.

Redéfinir le problème

Les laboratoires qui survivent ne sont pas ceux qui rendent les API rentables. Ce sont ceux qui trouvent dès maintenant leurs « biens au-dessus de la gare » et commencent à construire. Les API, c’est le chemin de fer : elles ne seront jamais assez rentables. L’argent se trouve dans les actifs autour du chemin de fer, qui prennent de la valeur.

Sur le plan des politiques publiques, cela amène aussi une question : plutôt que de subventionner l’entraînement et l’exploitation, le gouvernement devrait concevoir des mécanismes institutionnels (cadres de droits de déploiement, structures de délégation des données, standards de mesure de la productivité) afin que les laboratoires puissent capter la valeur résiduelle créée par leurs propres infrastructures.

Enfin, il y a une touche d’ironie. Le débat sur les politiques d’IA est dominé par des cadres des États-Unis et de la Chine : des laboratoires de marché libre côté États-Unis contre des champions d’entreprises soutenues par l’État côté Chine. Les modèles institutionnels les plus pertinents ne seront peut-être ni l’un ni l’autre. Il pourrait s’agir du modèle de Hong Kong : un conglomérat public-privé vieux de 45 ans, une opération commercialisée, qui s’autofinance grâce à la conception institutionnelle plutôt que grâce à l’idéologie.