Les entreprises devraient-elles acheter des modèles prêts à l'emploi ou plutôt se concentrer sur le développement de leur propre contexte (c'est-à-dire sur leur propre environnement commercial et technologique) ?

Ne vous laissez pas tromper par les “modèles propriétaires” : patrons, est-ce que cet argent est bien investi ?

Chers patrons et CIO (Directeurs des Informations), au cours des six derniers mois, n’y a-t-il pas eu constamment des gens qui vous ont présenté des diapositives PowerPoint en vous demandant : “Devrions-nous développer notre propre modèle ?”

Ce terme semble très prestigieux, comme si ne pas en avoir signifierait que l’entreprise serait laissée pour compte par l’époque. Mais, pour être honnête, l’argent dépensé pour cela est plutôt préoccupant. Aujourd’hui, nous allons éviter les termes techniques abstraits et clarifier les choses en langage simple.

Résumé en une phrase :

Les soi-disant “modèles propriétaires” ne sont en réalité qu’un mélange de trois “biens” qui se déprécient (l’entraînement autonome, le fine-tuning et le déploiement privé) et d’un actif qui se valorise (le contexte unique de l’entreprise et sa logique commerciale). La plupart des entreprises considèrent ces “biens” comme des “actifs” et les achètent, mais au final, l’argent est dépensé et les choses deviennent de plus en plus obsolètes. Le véritable atout n’est pas le modèle lui-même, mais les données et les règles non écrites de votre entreprise.

Voici comment je vais décomposer ce problème en cinq points pour vous expliquer en détail.

---

1. Démasquer les quatre “masques” des “modèles propriétaires” : qu’est-ce que vous achetez vraiment ?

Les “modèles propriétaires” actuellement sur le marché sont comme un panier dans lequel on met tout et n’importe quoi. Il faut en vider le contenu pour voir qu’il n’y a en fait que quatre éléments de natures complètement différentes :

• Premier élément : l’entraînement autonome de zéro (le plus cher, le plus difficile)
• Qu’est-ce que cela signifie ? Cela consiste à entraîner le modèle à partir du code le plus basique, comme si vous cultiviez vous-même la terre, mouliez vous-même la farine et cuisiniez vous-même.
• Coût : Entre 100 millions et 1 milliard de dollars, plus une équipe de pointe de plusieurs centaines de personnes.
• Situation actuelle : Seules quelques entreprises y parviennent vraiment.
• Deuxième élément : le fine-tuning (le plus proche de ce que l’on pourrait considérer comme “propriétaire”)
• Qu’est-ce que cela signifie ? Il s’agit de prendre un modèle open-source existant (par exemple, un grand modèle universel) et de l’adapter aux données de votre entreprise pour qu’il utilise le jargon de votre secteur.
• Coût : Une carte graphique, et quelques jours de travail.
• Situation actuelle : Cela semble prometteur, et peut être utilisé pour le service client ou l’examen des contrats. Mais c’est le piège le plus susceptible de créer l’illusion que vous avez votre propre modèle.
• Troisième élément : le déploiement privé (le plus sûr, mais pas nécessairement le plus intelligent)
• Qu’est-ce que cela signifie ? Le modèle reste celui d’un autre fournisseur (par exemple, Huawei ou Baidu), mais il est déplacé dans vos locaux. Les données ne sortent pas, donc la sécurité est assurée.
• Coût : Acheter du matériel et des licences.
• Situation actuelle : Les banques et les administrations préfèrent cela. Mais faites attention : vous n’achetez pas nécessairement le modèle le plus intelligent, juste celui qui ne sort pas des locaux.
• Quatrième élément : le contexte (le plus précieux, mais invisible)
• Qu’est-ce que cela signifie ? Il s’agit des données de votre entreprise, de vos règles commerciales, de l’expérience des experts et de vos processus d’approbation. Ceux-ci ne sont pas écrits dans le contrat et ne peuvent pas être vérifiés, mais ils déterminent si l’IA fonctionne efficacement ou non.
• Coût : Cela nécessite une accumulation et une organisation à long terme.
• Situation actuelle : C’est ce qui constitue le véritable atout “propriétaire”.

Différence clé :

Les trois premiers éléments sont des “biens” dont la valeur est fixe dès l’achat et qui se déprécient rapidement (car les technologies évoluent très vite ; les modèles de pointe d’aujourd’hui deviendront obsolètes dans trois ans). Le quatrième élément est un “actif” qui prend de la valeur avec l’utilisation et qui renforce votre position concurrentielle.

---

2. Pourquoi les fournisseurs présentent-ils ces “biens” comme des “actifs” ?

Puisque seul le quatrième élément est vraiment un actif, pourquoi les vendeurs parlent-ils constamment de “modèles propriétaires” ?

Parce que cela permet de vendre plus cher et de confondre les choses.

• Confusion des frontières : Les fournisseurs vous disent rarement quel élément est acheté définitivement (un actif) et lequel est loué (un bien). Si les choses sont trop clairement séparées, il devient difficile de signer le contrat.
• Vérité sur les modèles industriels : Des modèles comme “Hengsheng Finance” ou “iFlytek Healthcare” semblent être personnalisés pour vous, mais en réalité, leur propriété appartient au fabricant et ils sont vendus de manière standard. L’industrie est bien présente dans leur nom, mais la “propriété” est une illusion.
• Création d’anxiété : Le but principal est de vous faire croire que vous êtes en retard si vous n’en utilisez pas.

Pour illustrer :

Un bien, comme une voiture neuve achetée, perd de sa valeur rapidement. Un actif, comme une vieille maison, devient de plus en plus précieux avec le temps.

---

3. Analyse des erreurs commises avec les “modèles propriétaires” (Bloomberg, fine-tuning, déploiement privé)

Voici quelques exemples concrets pour voir où se situent les erreurs dans ces investissements :

**Premier exemple : le rêve brisé de l’entraînement autonome de Bloomberg**

• Contexte : Bloomberg dispose des meilleures données financières mondiales. En 2023, l’entreprise a dépensé beaucoup d’argent (1,3 million d’heures d’GPU et plus de 500 cartes graphiques haut de gamme pendant 53 jours) pour entraîner un modèle de 50 milliards de paramètres.
• Résultat : Trois ans plus tard, les dirigeants de Bloomberg ont admis que ce modèle n’était qu’un “modèle de recherche” et n’a jamais été utilisé dans aucun produit.
• Raison : Les paramètres du modèle se sont figés dès l’entraînement, tandis que les modèles universels évoluent rapidement. Essayer de rattraper ceux-ci est inutile.
• Leçon : Avoir de bonnes ressources ne suffit pas pour battre des concurrents en constante évolution. L’entraînement autonome est un jeu réservé aux géants ; les entreprises ordinaires feraient mieux d’éviter.

**Deuxième exemple : le “cimetière” des projets de fine-tuning**

• Contexte : Le fine-tuning semble bon marché et simple (une carte graphique suffit pour quelques jours).
• Réalité : Selon une étude de VentureBeat, 73 % des projets de fine-tuning échouent ou ne sont jamais mis en œuvre.
• Problèmes :

1. Difficultés d’adaptation : 45 % des entreprises restent bloquées dans l’environnement de développement ; le modèle fonctionne bien en laboratoire, mais pas en production.

2 Exigences strictes : Les 27 % de projets réussis doivent répondre à des conditions très strictes (stabilité des données, quantité suffisante, évaluation appropriée). Manquer l’un de ces éléments rend tout cela inutile.

3 Snapshot statique : Le modèle est le plus performant le jour de son entraînement, mais il devient obsolète dès que les conditions changent ; un nouvel entraînement coûte encore de l’argent.

**Troisième exemple : le déploiement privé et l’illusion de la “souveraineté”**

• Contexte : 82 % des entreprises préfèrent le déploiement privé pour des raisons de sécurité (les données ne sortent pas).
• Réalité :

1. Utilisation faible : Le taux d’utilisation moyen des centres de calcul intelligents est de seulement 58,3 %, et il est encore plus bas dans certaines régions. Les machines sont là, mais les activités commerciales ne suivent pas.

2 Illusion de souveraineté : La Corée a promu l’idée de “IA souveraine” en exigeant des modèles développés localement. Naver a été éliminé pour avoir utilisé un codeur visuel d’Alibaba, mais c’est encore Nvidia qui a financé le projet.

3 Vérité : Ce que vous achetez n’est souvent que l’espace dans les locaux ; le pouvoir réel appartient au fournisseur (les technologies, l’écosystème, les puces).

Conclusion : Ces investissements semblent bons sur papier, mais en réalité, l’argent est dépensé pour des choses qui deviennent rapidement obsolètes.

---

4. Pourquoi continuer à tomber dans ces pièges, malgré les connaissances ? (Psychologie humaine et logique professionnelle)

Les comptes sont si défavorables, pourquoi continuer à acheter ? Parce que c’est à la fois un problème mathématique et un problème politique :

• Inégalité des responsabilités : Si vous faites une mauvaise acquisition, c’est une perte pour l’entreprise ; le patron souffre financièrement, mais vous ne serez généralement pas licencié. Si vous n’achetez pas, vous êtes responsable de la “retard”. Personne n’est licencié pour ne pas avoir acheté de modèle, mais certains le sont pour ne pas l’avoir fait.
• Dilemme des CIO : Trois quarts des CIO regrettent leurs achats d’IA, mais c’est eux qui ont signé les contrats. Près de 30 % des CIO doivent expliquer des résultats d’IA qu’ils ne comprennent pas. 70 % des CIO craignent de ne pas pouvoir prouver la valeur de leurs investissements, ce qui affecte leur budget et leur position.
• Conséquence : Acheter, c’est remplir des obligations ; ne pas acheter, c’est être blâmé. Les achats faits par panique ne résolvent souvent rien.

---

5. La voie vers la sortie de ce piège : ne achetez pas de “modèles”, construisez des “actifs”

Pour sortir de cette situation, il faut changer votre approche. Arrêtez de vous demander “quel modèle est le meilleur” et demandez plutôt “où se trouvent mes actifs réels”.

Quels éléments devriez-vous acheter ? (Règles pour les biens) :

1. Entraînement autonome : Ne pensez même pas à cela si vous n’avez pas des milliards de dollars et une équipe de plusieurs centaines de personnes.

2. Fine-tuning : Ne commencez pas si les conditions ne sont pas réunies (tâches stables, données suffisantes, évaluation appropriée). Sinon, vous envoyez de l’argent dans un “cimetière”.

3. Déploiement privé : Utilisez-le si vos données sont sensibles (finances, administration, santé). Priorité : assurez d’abord que les données ne sortent pas, puis pensez à l’intelligence du modèle.

4 Règles générales : Si vous ne pouvez pas vous permettre d’entretenir une équipe d’entretien, ne vous embêtez pas avec ces modèles. Acheter un modèle ne représente que la moitié de la solution ; le vrai investissement réside dans son entretien.

Quels éléments devriez-vous développer ? (Le noyau des actifs) :

Les vrais actifs se trouvent dans le contexte de votre entreprise. Voici deux exemples d’entreprises qui ont réussi :

• SAP (qui vend du “souvenir”) : L’entreprise ne vend pas de modèles, mais le “souvenir de l’entreprise” (les processus, les règles, les archives d’approbation des clients). L’IA utilise ces données avant de fonctionner.
• Palantir (qui vend l’“essence” du modèle) : Le PDG dit : “Dans le domaine des modèles, nous ne sommes pas impliqués”. L’entreprise vend l’application qui utilise le modèle, c’est-à-dire l’essence même du modèle.

Liste d’actions à suivre :

1. Pour les secteurs à données sensibles (finances, administration, santé) : Commencez par un déploiement privé pour résoudre les problèmes de conformité. C’est la priorité absolue.

2. Pour la plupart des entreprises :

• Achetez les meilleurs modèles sans économiser d’argent (car les modèles se déprécient).
• Investissez l’argent et l’énergie économisés dans le contexte : nettoyez vos données, définissez clairement les critères et documentez les règles floues.
• Ces trois choses ne doivent pas être externalisées.

3 Pour les entreprises très bien équipées, avec des données abondantes et des scénarios stables : Vous pouvez essayer le fine-tuning, mais considérez-le comme un projet et non comme une stratégie à long terme.

4 Exploitez l’expérience des experts : Pourquoi payer plus cher pour une entreprise qui utilise simplement des connaissances non écrites ? Ces connaissances sont les vrais atouts. Les extraire et les documenter est essentiel.

Une dernière recommandation :

La puissance de calcul peut être louée, les modèles peuvent être achetés, mais les données et les processus sont les investissements les plus rentables. Ces choses ne sont pas présentées lors de conférences de presse ou de cérémonies ; elles se développent lentement, mais de manière solide. Les modèles deviennent obsolètes, mais le contexte unique de votre entreprise ne le sera pas.

La prochaine fois que quelqu’un parlera de “modèles propriétaires”, ne vous précipitez pas pour demander le prix ; demandez plutôt : “De quel élément parlez-vous exactement ?”

---

Cette traduction tente de conserver la structure originale du texte chinois tout en utilisant un langage français naturel et adapté au contexte financier et professionnel.