Les entreprises technologiques investissent massivement dans l'IA générative, mais la rentabilité demeure un défi majeur. Malgré l'engouement autour de cette technologie révolutionnaire, des leaders du secteur comme Microsoft, Google et OpenAI subissent d'importantes pertes financières dans leurs projets d'IA générative. Les coûts élevés associés à cette technologie proviennent de la nécessité de ressources computationnelles avancées et de la complexité liée à l'analyse et à la génération de données non structurées — y compris le texte, la parole, les images et la vidéo. Kjell Carlsson, responsable de la stratégie en science des données chez Domino, souligne que « l'IA générative nécessite le développement de nouveaux modèles d'affaires distincts de l'apprentissage machine traditionnel. Les organisations n'ayant pas encore pleinement exploité les données non structurées à grande échelle, les cas d'utilisation les plus prometteurs et les modèles rentables émergent encore. »
Les Luttes Financières de l'IA Générative
Microsoft illustre les difficultés financières rencontrées par les géants de la tech dans le domaine de l'IA générative. Récemment, la société a augmenté les prix de ses produits Microsoft 365 de 53 à 240 %, qui intègrent des fonctionnalités pilotées par l'IA pour la composition d'e-mails, la création de présentations PowerPoint et la génération de tableurs Excel. Les coûts exorbitants liés à l'IA générative proviennent principalement de la nécessité d'ordinateurs puissants pour faire fonctionner ces modèles sophistiqués, qui sont significativement plus complexes que les modèles d'apprentissage traditionnel. Par exemple, le modèle GPT-4 dispose de plus de 1 trillion de paramètres, ce qui le rend environ 9 000 fois plus grand que BERT, un modèle d'IA générative antérieur basé sur une architecture similaire.
Les implications financières sont claires ; Dylan Patel de SemiAnalysis estime qu'une interaction avec ChatGPT pourrait coûter jusqu'à 1 000 fois plus qu'une recherche Google standard. Carlsson remarque : « Les géants de la technologie proposent certains des plus grands modèles d’IA générative à des taux perçus comme très bas. En subventionnant efficacement l'accès des utilisateurs, ils subissent des pertes substantielles malgré des taux d'utilisation élevés. »
Une Perspective à Long Terme
Bien que les marges bénéficiaires actuelles paraissent minces pour les entreprises commercialisant des produits d'IA générative, l'industrie en est encore à ses débuts. Tout comme Uber n'a atteint la rentabilité qu'en 2023, l'IA générative pourrait suivre un chemin similaire. « Les coûts diminuent généralement avec le temps », observe Sean MacPhedran, directeur senior de l'innovation chez SCS. « À mesure que de nouveaux cas d'utilisation et des modèles d'affaires évolutifs émergent, un changement significatif est possible. »
Les entreprises technologiques semblent adopter une approche à long terme pour leurs investissements dans l'IA générative. Carlsson affirme qu'à mesure que l'IA devient un outil essentiel pour maintenir les avantages concurrentiels, les innovations dans ce secteur peuvent distinguer les entreprises. De plus, les entreprises peuvent attirer des clients en démontrant un meilleur alignement avec les capacités de l'IA par rapport à leurs concurrents.
Naviguer dans les Défis de la Rentabilité
Pour que les entreprises réalisent des bénéfices grâce à l'IA générative, elles doivent disposer de compétences spécialisées et de ressources que beaucoup n'ont pas encore. Carlsson insiste sur l'importance d'identifier des applications pratiques qui offrent des avantages clairs tout en tirant parti des forces de l'IA et en atténuant ses limitations. « Aujourd'hui, les mises en œuvre les plus réussies impliquent l'utilisation de l'IA générative pour augmenter les employés hautement qualifiés, comme les chercheurs, les avocats et les banquiers d'investissement. »
Un autre aspect essentiel pour atteindre la rentabilité dans le domaine de l'IA générative est la capacité à développer et à déployer efficacement et économiquement des implémentations d'IA. Comme l'explique Carlsson, « de nombreuses organisations peuvent constater que les grands modèles génériques d'IA générative des grandes entreprises sont trop lents, coûteux et imprécis pour répondre à leurs besoins de sécurité des données. Elles devraient plutôt envisager d’adopter des plateformes avec des capacités LLMOps pour ingérer, affiner, déployer, orchestrer et gouverner leurs modèles d'IA générative. »
Perspectives d'Avenir pour l'IA Générative
Selon Iliya Rybchin d'Elixirr Consulting, il pourrait falloir des années pour que l'IA générative influence significativement le chiffre d'affaires des grandes entreprises technologiques. À court terme, les petites startups pourraient commencer à réaliser des bénéfices grâce à des initiatives d'IA, menant éventuellement à des acquisitions par des entreprises plus grandes à la recherche de propriété intellectuelle ou de moyens de contrecarrer des menaces concurrentielles. « En fin de compte, comme nous l'avons vu après l'éclatement de la bulle Internet, le marché pourrait se consolider en un oligopole dominé par les géants de la technologie, » note-t-il, suggérant un avenir potentiel remodelé par les dynamiques changeantes du paysage de l'IA générative.
En conclusion, bien que le chemin vers la rentabilité dans l'IA générative soit complexe et semé d'embûches, le potentiel de changement transformateur et de gains à long terme reste considérable. Les entreprises prêtes à innover et à s'adapter pourraient finalement trouver leur place dans cette arène prometteuse mais concurrentielle.
Classement
