Récapitulatif de la conférence Goldman Sachs dans la Silicon Valley : Agents d’IA, flux de travail et modèles du monde

Auteur : Li Jia, Wall Street Journal

L'IA entre dans une nouvelle phase, passant de la « capacité à répondre » à la « capacité à exécuter ».

Selon Wind Trading Desk, le dernier rapport de Goldman Sachs montre que la commercialisation de l'IA passe d'un modèle d'abonnement par utilisateur à une facturation basée sur la consommation, le volume des transactions et les résultats ; dans le même temps, les agents passent d'outils auxiliaires à des exécutants de flux de travail, et la valeur du secteur se déplace du modèle lui-même vers les données propriétaires, le contexte commercial et l'expertise du domaine.

Cela signifie que la concurrence dans le secteur de l'IA évolue : il ne s'agit plus de savoir « quel modèle est le plus performant » mais « qui maîtrise véritablement le flux de travail ». Si les capacités du modèle restent importantes, l'aptitude à s'intégrer aux environnements de production des entreprises, à comprendre le contexte métier et à exécuter les tâches de manière fiable deviendra un obstacle concurrentiel plus crucial.

Ce constat fait suite à une récente enquête de terrain menée par Goldman Sachs sur la chaîne de valeur de l'IA dans la Silicon Valley. Du 18 au 19 août, Goldman Sachs a rencontré, pour la troisième année consécutive, des startups spécialisées en IA, des sociétés de capital-risque de premier plan et des chercheurs des universités de Stanford, de Californie à Berkeley et de San Francisco. Goldman Sachs estime qu'à mesure que le déploiement des agents s'accélère, la répartition de la valeur entre les modèles de pointe, les modèles open source, les modèles du monde, les logiciels d'entreprise et les données propriétaires va évoluer.

Mise en œuvre d'agents : ce qui manque réellement aux entreprises, ce n'est pas la capacité, mais la « contrôlabilité ».

Si, par le passé, l'IA a résolu le problème d'« aider les gens à accomplir des tâches », les agents tentent quant à eux de résoudre celui de « l'exécution autonome des tâches ». Cependant, lors d'un déploiement à grande échelle en entreprise, le principal obstacle pourrait ne plus résider dans les capacités du modèle, mais plutôt dans la répartition des responsabilités et la possibilité de contrôler l'ensemble du processus d'exécution.

Le rapport cite des chercheurs de Stanford qui soulignent que la plupart des entreprises fonctionnent encore selon un modèle de supervision humaine. Dans des domaines tels que le droit, la gestion des risques, l'assurance et l'audit, notamment, si un modèle commet une erreur, la question de savoir qui en est responsable, comment retracer le processus et si l'erreur peut être corrigée à temps peut être aussi importante que la capacité du modèle lui-même.

Par conséquent, les flux de travail les plus susceptibles d'être automatisés en premier présentent généralement trois caractéristiques : des limites de décision clairement définies, des résultats vérifiables et des erreurs réversibles. Le traitement des factures en est un exemple typique. L'IA se charge d'extraire les champs et d'effectuer des contrôles ; les cas les plus incertains sont examinés par des humains, puis le processus est finalisé via un système ERP réversible.

Cela signifie également que les fournisseurs de services d'information disposant d'un contenu fiable, de modèles de domaine validés et de relations réglementaires établies sont plus susceptibles d'être les premiers à intégrer les environnements de production des entreprises.

Compétition de modèles : répartition des tâches entre modèles de pointe et modèles open source

Concernant le débat entre « logiciel libre ou logiciel propriétaire », les signaux émis par Goldman Sachs au cours de cette enquête indiquent qu'il ne s'agit pas d'un choix binaire, mais plutôt que différents modèles peuvent correspondre à différents niveaux de flux de travail.

Les partisans des modèles de pointe estiment que l'évaluation comparative en entreprise sous-estime souvent les capacités des modèles. En production, les pertes commerciales dues à une baisse de la précision des modèles peuvent largement dépasser les économies réalisées sur les coûts d'inférence. Par conséquent, bien que de nombreuses entreprises spécialisées en IA affirment adopter une stratégie multi-modèles, elles restent fortement dépendantes des modèles de pointe dans leurs environnements de production principaux.

D'un autre point de vue, la grande majorité des processus métier en entreprise ne nécessitent pas d'intelligence de pointe. À mesure que les performances des modèles open source s'améliorent, les clients sont de plus en plus disposés à accepter une légère perte de performance en échange de coûts d'inférence réduits. Une société de capital-risque prévoit que dans les 12 à 18 prochains mois, environ 90 % des jetons d'inférence seront alloués aux modèles open source.

Cela signifie que le futur marché des modèles d'IA pourrait connaître une division du travail plus claire : les modèles de pointe seront responsables des tâches complexes à haute valeur ajoutée et à haute fiabilité, tandis que les modèles open source géreront les tâches standardisées à plus grande échelle et la majorité de la consommation de jetons.

Modèles mondiaux : La puissance de calcul de l’IA pourrait connaître une seconde courbe de croissance

Au cours des 18 derniers mois, les chercheurs ont de plus en plus délaissé les LLM pour se concentrer sur les « modèles du monde ».

Contrairement aux modèles linéaires (LLM) qui s'appuient principalement sur des données internet pour leur apprentissage, les modèles du monde doivent appréhender les environnements, les relations causales, les lois physiques et les interactions dynamiques du monde réel, les données provenant davantage de systèmes physiques, de secteurs d'activité spécifiques et de scénarios opérationnels concrets. De ce fait, l'importance des données propriétaires pourrait s'accroître.

Goldman Sachs estime que le champ d'application de domaines tels que la physique, l'industrie, les sciences et la robotique est bien plus vaste que la simple génération de texte, et que ces processus nécessitent souvent des investissements plus importants en puissance de calcul. À mesure que l'IA s'intègre davantage au monde physique, la demande en puissance de calcul pour l'entraînement des modèles, la simulation et l'inférence pourrait également connaître une nouvelle phase de croissance.

Goldman Sachs prévoit que dans les cinq prochaines années, la demande en puissance de calcul pourrait être multipliée par 24 environ, et que la tension entre l'offre et la demande devrait durer plus longtemps, profitant directement aux entreprises de cloud computing et d'infrastructure informatique comme Microsoft, Oracle et CoreWeave.