Rendements décroissants dans la course aux grands modèles : ce que dit l'économie de la productivité des idées

TechCrunch rapportait le 20 septembre, dans un article relayé le jour même par Mezha.net, que la course aux modèles d'intelligence artificielle toujours plus grands se heurte à une question plus dure que celle de la faisabilité technique : les coûts d'entraînement et d'infrastructure progressent-ils plus vite que les rendements — en performance comme en revenus — qu'ils permettent d'obtenir ? Trois facteurs sont cités comme moteurs de cette hausse : la puissance de calcul et la consommation électrique considérables requises par l'entraînement des systèmes les plus avancés, le coût élevé des infrastructures dédiées, et une pénurie persistante de semi-conducteurs de pointe.

Cette description correspond, terme pour terme, à un résultat bien établi de l'économie de l'innovation : Bloom, Jones, Van Reenen et Webb (« Are Ideas Getting Harder to Find? », American Economic Review, 2020) montrent que, dans la plupart des domaines de recherche étudiés — des semi-conducteurs à l'agriculture en passant par la recherche pharmaceutique — maintenir un taux de croissance constant de la performance exige un effort de recherche croissant de façon exponentielle. Dans les semi-conducteurs, ils estiment qu'il faut aujourd'hui environ 18 fois plus de chercheurs qu'en 1971 pour maintenir le même rythme de progression prédit par la loi de Moore. La productivité de la recherche — la performance obtenue par chercheur ou par dollar dépensé — décline en moyenne d'environ 5 % par an dans les cas qu'ils étudient.

Appliqué à l'IA générative de pointe, ce cadre éclaire un fait technique documenté depuis plusieurs années : les gains de capacité des modèles suivent une relation approximativement log-linéaire avec le volume de calcul utilisé pour l'entraînement, ce qui signifie que chaque palier de capacité supplémentaire exige un apport de calcul — donc de coût — disproportionnellement plus grand que le précédent. C'est exactement la signature que Bloom et ses coauteurs documentent dans d'autres secteurs. Ce que l'article de TechCrunch ajoute est une confirmation empirique, côté marché, que cette courbe de coût qui s'auto-alimente entre désormais en collision avec une croissance des revenus qui, elle, ne suit pas le même rythme exponentiel.

Il est utile de distinguer ce mécanisme du débat, déjà largement traité, sur la « bulle du capex IA » — une question essentiellement financière portant sur la capacité des prêteurs et des investisseurs à continuer de financer la construction d'infrastructures. Le cadre de la productivité des idées porte sur une contrainte différente et plus structurelle : même avec un accès illimité au capital, chaque incrément supplémentaire de capacité de pointe exige un apport de recherche disproportionné — une contrainte qui touche la fonction de production des idées elle-même, pas seulement son financement.

L'histoire des secteurs déjà confrontés à cette dynamique — semi-conducteurs, agriculture, recherche pharmaceutique (la « loi d'Eroom », l'inverse de la loi de Moore, y est documentée pour les nouveaux médicaments) — montre deux réponses typiques : soit continuer d'augmenter proportionnellement l'effort de recherche, à coût croissant, soit réorienter l'effort de la course à la capacité brute vers l'extraction de valeur des capacités déjà disponibles, par l'efficacité et le déploiement appliqué plutôt que par le saut de génération suivant.

Pour les secteurs industriels régulés — aéronautique, énergie et O&G, luxe — l'implication pratique est directe. Si les rendements décroissants de la course aux modèles de pointe sont structurels plutôt que transitoires, la posture économiquement rationnelle pour un acheteur n'est pas d'attendre un modèle toujours plus capable avant de déployer l'IA, mais de capter dès maintenant la seconde réponse : appliquer les capacités déjà disponibles à des tâches bien délimitées et à rendement mesurable, plutôt que de financer des paris spéculatifs sur la frontière dont la productivité de recherche, par cette même logique, décline.

C'est aussi le cadre le plus défendable pour une décision d'investissement à présenter en comité de direction : la question n'est plus seulement « combien nos concurrents dépensent-ils en IA », mais « à quel endroit de la fonction de production des idées se situe ce cas d'usage précis » — une question qu'un dossier d'investissement IA rigoureux doit pouvoir trancher avant qu'une ligne budgétaire ne soit approuvée.