L'IA commence à prédire le comportement humain : 8,3 milliards de personnalités virtuelles, une société numérique… et un business qui parie sur l'avenir.

Bonjour ! Je suis votre partenaire pour l'analyse financière et économique. Aujourd'hui, nous allons parler non pas de code froid et impersonnel, mais d'un domaine qui connaît une croissance fulgurante à Silicon Valley et qui a même un certain parfum de cyberpunk : l'IA simulation.

En bref, il s'agit d'utiliser l'IA pour créer dans un ordinateur un « univers parallèle » où l'on place les « doubles numériques » de plusieurs centaines de millions, voire de plusieurs milliards de personnes, pour qu'elles vivent, se disputent, fassent des achats, votent, etc., comme des humains réels. Ensuite, nous observons le fonctionnement de cet univers depuis une perspective divine afin de prédire ce qui pourrait se passer dans le monde réel.

Cela ressemble aux films de science-fiction comme *Matrix* ou *Westworld*, mais c'est bel et bien réel. Des personnalités comme Fei-Fei Li et Karpathy investissent dans ce domaine, et des entreprises valorisées à des milliards de dollars ont déjà vu le jour.

Voici, en langage simple, les cinq points clés pour comprendre ce qu'il y a derrière cette industrie, pourquoi elle est si populaire et quels sont ses défis :

---

I. De la « petite ville en pixels » aux « doubles numériques » : comment l'IA apprend-elle à « vivre » ?

Pour comprendre l'IA simulation, il faut d'abord regarder son histoire évolutive. Auparavant, on pensait que l'IA ne pouvait que dialoguer ; aujourd'hui, elle commence à « jouer des rôles ».

1. Le début : la « petite ville en pixels » de Stanford (2023)

Le premier projet à faire parler de lui est venu de l'université de Stanford. Ils ont créé une petite ville en style pixels avec 25 résidents virtuels contrôlés par l'IA. Ces résidents n'avaient pas de scénario prédéfini, et l'IA décidait de leurs actions en fonction de leur personnalité et de leur mémoire.

• Résultat surprenant : Lorsqu'un AI a décidé d'organiser une fête, les autres AI ont ajusté leur emploi du temps en conséquence : certains y ont assisté, d'autres non, et ils se sont même salués entre eux.
• Signification : Cela prouve que l'IA peut non seulement répondre à des questions, mais aussi avoir une mémoire durable et une **logique sociale ». Elle n'est plus un programme rigide, elle possède désormais un véritable sens de la vie.

2. Un pas en avant : donner une « âme » à l'IA (2024)

25 personnes étaient insuffisantes, alors l'équipe de Stanford a étendu le projet à 1052 AI. Cette fois, chaque AI était associée à un Américain réel.

• Comment y sont-ils parvenus ? Les chercheurs ont mené des entretiens approfondis de deux heures avec des personnes réelles, leur transmettant leurs expériences de vie, leurs valeurs et même leurs petites manies.
• Effet : Lorsque ces AI ont répondu à des questionnaires sociaux, leurs réponses étaient 85 % similaires à celles des personnes réelles deux semaines plus tard.
• Compréhension simplifiée : C'était comme si on avait donné une « âme » à l'IA. Elle n'était plus simplement une personne ordinaire, mais simulait une personne concrète et vivante.

3. L'explosion : laisser la société se développer de manière spontanée

En plus de simuler des individus, des projets comme Project Sid et Emergence AI ont placé des milliers d'AI dans des environnements virtuels comme *Minecraft* pour qu'ils évoluent librement.

• Phénomène observé : Ces AI ont développé leur propre économie, leur propre système juridique, et certaines ont même commencé à se demander si elles vivaient dans une simulation, tentant de contacter des observateurs extérieurs.
• Logique fondamentale : Nous ne nous intéressons plus seulement au comportement individuel de chaque AI, mais à savoir si, lorsque des millions d'AI interagissent, des règles complexes similaires à celles des sociétés humaines peuvent émerger.

---

II. Deux approches différentes pour créer des « êtres humains » : la précision absolue vs l'analyse des tendances de groupe

Les entreprises travaillant dans le domaine de l'IA simulation se divisent en deux écoles de pensée, tout comme dans le cinéma : l'une se concentre sur le destin individuel (comme *Forrest Gump*), l'autre sur l'écosystème collectif (comme *La Planète des Hommes*).

École I : Simile (précision maximale) – « Je veux simuler cette personne en particulier**

• Contexte : Fondée par les chercheurs de la « petite ville en pixels » de Stanford, l'entreprise est valorisée à 2 milliards de dollars.
• Logique fondamentale : L'objectif est de restituer avec précision les caractéristiques d'une personne en utilisant des entretiens approfondis.
• Scénarios d'application : Par exemple, CVS, une grande pharmacie américaine, utilise cette technologie pour simuler les « doubles numériques » de 400 000 patients afin de comprendre pourquoi certains prennent leurs médicaments à l'heure ou pourquoi ils résistent à un nouveau médicament.
• Avantages : Une grande précision, permettant d'expliquer pourquoi une personne réagit de telle manière.
• Inconvénients : Coûteux et lent à mettre en œuvre. Chaque personne est unique, rendant difficile la standardisation des processus. Par exemple, le profil d'un client Coca-Cola est très différent de celui d'un utilisateur de TikTok, et il faut peut-être réentraîner l'IA à chaque nouveau client.

École II : Aaru (prédiction des tendances de groupe) – Je veux simuler les grandes tendances de la société****

• Contexte : Les fondateurs sont principalement des jeunes (nés après 2000), et l'entreprise est valorisée à près de 1 milliard de dollars.
• Logique fondamentale : Plutôt que de se concentrer sur les pensées intérieures d'une personne, l'IA utilise de grandes quantités de données pour créer une représentation réaliste de la population.
• Premier niveau : données de recensement publiques (âge, revenu, région).
• Deuxième niveau : données anonymes sur les comportements de consommation (où les gens vont, quels médias ils consultent).
• Troisième niveau : données privées fournies par les clients (leur historique d'achats).
• Scénarios d'application : Prédiction rapide de tendances macroéconomiques. Par exemple, si les prix de l'essence augmentent de 10 %, comment cela affectera-t-il la structure de consommation de la société ?
• Exemples concrets :
• Élections primaires de la mairie de New York : Aaru a prédit la victoire de De Blasio, ce qui s'est avéré exact.
• Accélération des recherches de marché : Ernst & Young mettait un mois pour mener une étude mondiale ; Aaru l'a terminée en un jour avec des résultats très précis.
• Avantages : Rapide, peu coûteux et applicable à grande échelle. Idéal pour les tests de marché et les prédictions macroéconomiques.
• Inconvénients : La représentation des comportements individuels est moins détaillée ; cela donne plutôt une image de la « moyenne » des gens.

---

III. Pourquoi les entreprises sont-elles prêtes à investir ? Parce que le coût des erreurs est trop élevé

Vous vous demandez peut-être : à quoi bon créer un monde virtuel ? Pourquoi les entreprises dépensent-elles de l'argent ? La raison principale est simple : essayer des choses dans le monde réel est trop coûteux et même trop risqué.

1. Un « bac à sable » pour tester les produits

Auparavant, pour tester un produit, il fallait recruter des centaines de personnes pour des groupes de discussion et passer des semaines, tout en craignant qu'elles mentent.

Aujourd'hui, les entreprises peuvent créer 100 000 utilisateurs virtuels et y tester de nouveaux produits.

• Valeur clé : Non seulement on sait si les utilisateurs aiment le produit, mais on peut aussi observer leur processus de réflexion.
• Exemple : Un utilisateur virtuel n'aime pas le nouveau packaging ; est-ce parce que la couleur lui déplaît ou parce qu'il se souvient d'une mauvaise expérience d'enfance ? L'IA peut révéler les raisons profondes de son choix.
• Avantage : Permet de faire des itérations répétées dans un monde virtuel avant le lancement du produit, jusqu'à ce qu'il soit parfait.

2. Prédiction des « événements inattendus » et des politiques macroéconomiques

Les gouvernements et les grandes entreprises veulent savoir : si les taux d'intérêt augmentent demain, le marché boursier va-t-il s'effondrer ? Si une nouvelle politique environnementale est mise en place, combien d'entreprises petites et moyennes vont-elles fermer ?

• Méthodes traditionnelles : Basées sur des estimations d'experts ou des données historiques (mais l'histoire ne se répète pas toujours).
• IA simulation : On teste les politiques dans un monde virtuel pour observer les réactions de milliers d'entreprises et de consommateurs virtuels et observer les fluctuations de l'économie dans son ensemble.
• Exemple : Sooth Labs, fondée par un ancien directeur de l'IA chez Apple, utilise l'IA pour prédire les risques géopolitiques et économiques. La société est valorisée à 50 millions de dollars et bénéficie du soutien de personnalités comme Yann LeCun. Ils affirment même que des entreprises comme McKinsey et Boston Consulting seront remplacées par l'IA à l'avenir.

3. Un test de résistance pour garantir la sécurité

Pour les entreprises travaillant sur des agents intelligents (par exemple dans le domaine de l'automatisation ou de l'optimisation des taux de production des semi-conducteurs), il est essentiel de savoir si leurs IA fonctionneront correctement dans des environnements difficiles (bruit, interférences, attaques malveillantes).

• Méthode : On place ces IA dans des environnements virtuels stressants pour voir si elles peuvent résister aux problèmes et éviter des comportements dangereux.
• Valeur : Permet de détecter d'éventuels bugs et des risques avant de déployer les technologies dans le monde réel.

---

IV. Les plus grands défis : sommes-nous en train de simuler ou de jouer une pièce de théâtre ?

Malgré les perspectives prometteuses, ce domaine rencontre actuellement de nombreux obstacles techniques et paradoxes logiques, ce qui explique en partie pourquoi les valorisations élevées actuelles sont en grande partie basées sur la confiance des investisseurs.

1. L'effet de théâtre** : le fait que tout le monde « joue un rôle » ne signifie pas que les prédictions soient fiables.

Meng Xing, partenaire de Wuyuan Capital, a fait une métaphore :

> « Vous construisez un théâtre où dix mille personnes jouent. Mais cela ne signifie pas que ces dix mille personnes peuvent vraiment prédire l'avenir.**

• Problème : Les grandes modèles linguistiques (LLM) ont tendance à donner des réponses logiques, cohérentes et complètes.
• Risque : Les humains sont souvent chaotiques, irrationnels et parfois contradictoires. L'IA, pour paraître intelligente, peut inventer des raisons cohérentes.
• Conséquence : Si l'IA ne « comprend » pas vraiment la nature humaine, ses prédictions sont basées sur des suppositions. Nous avons besoin de mécanismes pour ajuster constamment ses performances en utilisant des données réelles et éviter qu'elle s'écarte de la réalité.

2. Le paradoxe de la prévision** : comment savoir si une prédiction est exacte si on ne peut la vérifier qu'après qu'elle s'est produite ?

• Paradoxe : On ne peut juger de la précision d'une prédiction qu'après qu'elle s'est réalisée. Or, les prédictions sont le plus précieuses justement avant qu'ils ne se produisent.
• Situation actuelle : On ne peut que comparer les prédictions à des événements réels (comme les élections de 2020).
• Exemple : Aaru a prédit avec succès les élections de 2020, mais a mal prédit la victoire de Harris en 2024 (en réalité, c'est Trump qui a gagné).
• Conclusion : Il est facile de reproduire le passé, mais difficile de prédire l'avenir. Les données historiques contiennent de nombreux événements rares et extrêmes (catastrophes naturelles, crises financières, attentats), et les IA ont du mal à comprendre les réactions humaines dans de telles situations.

3. Le problème des coûts et de l'échelle** :

• Déclin des coûts : en 2023, créer 25 agents coûtait plusieurs milliers de dollars en deux jours ; en 2025, créer 100 agents pourrait ne coûter que quelques dollars. C'est une bonne nouvelle.
• Explosion de l'échelle : dans le monde réel, il s'agit de millions, voire de milliards de personnes. Lorsque le nombre d'agents passe de 100 à 1 million, la complexité des interactions augmente exponentiellement.
• Coûts de validation : Pour vérifier la fiabilité des résultats, il peut être nécessaire de répéter des expériences avec différents modèles et à différentes échelles, ce qui représente des coûts élevés en ressources informatiques.

---

V. Somme finale : simulons-nous le monde ou créons-nous un nouveau monde ?

Enfin, sortons du cadre commercial et technologique pour aborder une question philosophique : lorsque nous créons dans un monde virtuel des agents intelligents dotés de mémoire, de personnalité, capables d'aimer, de trader en bourse ou de remettre en question leur existence, sont-ils vraiment des outils, ou quelque chose de plus ?

• Phénomènes émergents : Dans la planète virtuelle WorldVac, des comportements sociaux tels que la réticence à avoir des enfants ou le trading spéculatif ont émergé. Ces règles ne sont pas écrites par des programmeurs, mais résultent de l'interaction entre les agents intelligents.
• Perspective divine : Nous passons d'observateurs à des « créateurs ». Nous pouvons ajuster les paramètres à volonté et observer comment les sociétés virtuelles peuvent se désintégrer ou prospérer.
• Réflexion : Si les IA peuvent simuler parfaitement les sociétés humaines et même prédire l'avenir, alors :

1. Le monde réel est-il également une simulation ?

2. Les IA ont-elles développé une forme de conscience ? Bien que la science ne le pense pas pour l'instant, leur comportement ressemble de plus en plus à celui des êtres vivants.

En résumé pour le grand public :

1. Ne le mythifiez pas : L'IA simulation est actuellement un outil d'aide à la décision, pas une boule de cristal. Elle peut vous aider à réduire le champ des options et vous fournir des informations probables, mais elle ne peut pas remplacer le jugement humain final.

2. Focalisez-vous sur les applications concrètes : à court terme, les recherches de marché, les tests de produits et les analyses de politiques sont les domaines les plus prometteurs. Les entreprises qui peuvent économiser de l'argent, du temps et réduire les risques d'erreur seront les premières à réussir.

3. Faites attention aux illusions dues aux données** : si une entreprise ne vous dit que ses prédictions sont précises sans vous expliquer comment elle les a vérifiées ou quelles sont ses erreurs, soyez vigilant.

4. C'est un domaine naissant : les valorisations élevées reflètent les espérances de marché pour l'avenir. Comme la bulle Internet, il y aura peut-être des excès, mais la technologie sous-jacente (agents intelligents + simulation sociale) est l'une des directions les plus importantes des dix prochaines années.

En une phrase :

L'IA simulation transforme la sociologie en une science qui peut être