Après deux ans de déferlement des grands modèles, les géants de l’IA font volte-face et se remettent à remettre d’aplomb les fondations de la donnée

Le moteur est monté, mais la route n’est pas encore réparée
Première mi-temps : tout le monde court dans le hall d’exposition
Le récit des deux dernières années sur l’IA a été très uniforme : modèles plus grands, paramètres plus nombreux, classements plus hauts, et ouverture vs fermeture qui se livrent bataille pour capter l’attention. Les scénarios côté entreprises se ressemblent aussi fortement : acheter de la puissance de calcul, recruter des ingénieurs algorithmiques, déployer des modèles, et par défaut, si le modèle est assez puissant, le déploiement suit naturellement
La réalité a donné un coup de couteau : l’histoire d’un CIO d’une grande entreprise publique en est un exemple typique. Avec 17 systèmes métiers, 9 entrepôts de données et 3 clouds, les formats de données sont un patchwork, et de nombreux rapports papier n’ont pas été numérisés. Finalement, même l’application la plus basique — le diagnostic de pannes d’équipements — ne parvient pas à tourner, et le modèle n’arrive même pas à lire les historiques de maintenance
Le goulot d’étranglement n’est pas la performance du modèle, c’est l’impossibilité d’y injecter des données
Deuxième mi-temps : faire entrer la voiture dans la vraie ville
L’usine doit continuer à tourner, l’hôpital doit être sûr, le gouvernement doit être conforme. Même si le modèle est plus fort, si la route des données n’est pas réparée, il ne peut que faire du surplace
Les mouvements de la chaîne industrielle mondiale commencent à se ressembler : déployer à nu un même grand modèle sur des données d’entreprise d’un côté, et sur un système complet d’ingénierie d’accès de l’autre, avec un écart d’exactitude qui devient soudainement abyssal. L’écart ne se situe pas dans le « cerveau » du modèle : il dépend de savoir s’il peut avaler les bons ingrédients
C’est ainsi qu’une nouvelle architecture apparaît : en haut, le modèle et les capacités ; en bas, l’ingénierie des données, l’audit des permissions, et les stratégies de gouvernance. Le modèle et la donnée ne sont plus des maillons en chaîne ; ce sont des partenaires qui s’alimentent mutuellement
En Chine, la difficulté ajoute encore une couche
Pour la chaîne d’approvisionnement de l’industrie manufacturière : elle est plus longue, les exigences de conformité sont plus strictes, les données non structurées sont plus nombreuses, les systèmes sont plus fragmentés et les référentiels plus variés. Pour franchir l’abîme entre le « général » et l’« industriel », le support de base est précisément l’infrastructure de données tout au long du cycle
Il ne s’agit pas d’installer un cerveau sur l’IA, mais d’abord de remettre en état le système nerveux
Qu’est-ce qui est vraiment rare
Ce volte-face pour réparer la base n’est, au fond, qu’une correction cognitive. La valeur de l’IA à grande échelle ne dépend pas du nombre de points qu’un modèle obtient aujourd’hui, mais du fait que les données puissent continuer à être fournies avec une qualité stable, que le système puisse continuer à gouverner de manière fiable, et que l’ingénierie puisse continuer à boucler la boucle de manière concrète et durable
La Chine ne manque pas du 101e grand modèle open source ; elle manque de quelqu’un qui commence par « laver la marmite » des données et en tire une soupe de haute qualité
Tant que cette opération n’est pas mise au point, l’IA passera de sujet brûlant dans l’actualité à un outil sur le bureau
DYOR, pas un conseil en investissement