L’intelligence artificielle crée une nouvelle ruée vers l’or invisible

Pourtant, ce sont les Sam Brannan de leur époque, ces hommes qui n’ont jamais tenu de pic, mais ont su anticiper la folie collective, qui ont fait fortune. Aujourd’hui, l’intelligence artificielle reproduit ce modèle. Les acteurs qui contrôlent les outils, les données ou les infrastructures tirent des revenus bien réels, tandis que ceux qui développent les algorithmes ou forment les modèles peinent à en voir les fruits. La question n’est plus de savoir si l’IA génère de la valeur, mais qui en perçoit les dividendes, et selon quelles règles.

Le parallèle historique : quand la spéculation devance l’innovation

La ruée vers l’or de 1848 illustre un mécanisme économique bien connu : la valeur se crée souvent moins par la découverte elle-même que par l’organisation de son exploitation. Sam Brannan, marchand avisé, n’a pas extrait une once d’or. Il a acheté des pics et des pelles à prix d’or pour les revendre au centuple aux nouveaux arrivants, puis annoncé prématurément la découverte de pépites géantes pour déclencher une panique acheteuse. Résultat : il a fait fortune sans jamais toucher à la terre.

L’IA reproduit ce schéma à une échelle mondiale. Les géants du numérique, ceux qui fournissent les serveurs, les frameworks ou les plateformes d’entraînement, jouent le rôle des marchands de matériel. Ils facturent des coûts d’accès prohibitifs aux startups et aux laboratoires, tandis que les chercheurs, eux, peinent à monétiser leurs propres créations. Selon les observations disponibles, cette asymétrie s’explique par deux facteurs structurels :

1. La propriété des infrastructures : Les modèles d’IA les plus performants nécessitent des capacités de calcul colossales, souvent hébergées sur des clouds privés. Les coûts fixes sont si élevés que seuls quelques acteurs peuvent les amortir, créant une barrière à l’entrée.

2. L’effet de réseau : Plus un modèle est utilisé, plus sa valeur augmente, mais aussi plus son propriétaire peut en tirer des revenus indirects (publicité ciblée, vente de données dérivées, licences d’accès). Les créateurs d’algorithmes, eux, voient leurs contributions diluées dans des écosystèmes où la propriété intellectuelle reste floue.

Qui paie la note ? Les limites d’un modèle économique opaque

Contrairement à la ruée vers l’or, où les coûts étaient visibles (nourriture, outils, transport), l’économie de l’IA repose sur des externalités mal mesurées. Les utilisateurs finaux, entreprises, administrations, particuliers, financent indirectement le système sans toujours en avoir conscience. Trois exemples concrets illustrent cette dynamique :

Ces coûts sont souvent intégrés dans des abonnements ou des forfaits, rendant difficile leur traçabilité.

• La main-d’œuvre non rémunérée : Les datasets utilisés pour entraîner les modèles sont fréquemment constitués de données publiques ou de contributions bénévoles (comme les annotations de textes par des crowdsourcers). Aucune compensation claire n’est prévue pour ces contributeurs, alors que leur travail est indispensable.

• La dépendance aux géants : Les gouvernements et les institutions publiques, qui pourraient jouer un rôle de régulateur, achètent massivement des solutions clés en main auprès des mêmes acteurs. Cette dépendance limite leur capacité à imposer des contreparties équitables.

Les arguments des deux camps : équité vs. innovation

Le débat oppose deux visions irréconciliables sur la répartition des bénéfices de l’IA.

Celle qui défend le statu quo avance que cette concentration des revenus est nécessaire pour financer la recherche et éviter une fragmentation des efforts. Les investissements massifs dans les infrastructures, argumentent ses partisans, ne pourraient être soutenus sans la rentabilité des acteurs dominants. De plus, la complexité technique justifierait une centralisation des ressources : personne ne conteste, par exemple, que les coûts de développement d’un grand modèle de langage dépassent les moyens d’une seule équipe.

Ses détracteurs, en revanche, soulignent que ce modèle favorise une innovation incrémentale plutôt que disruptive. Les petits acteurs, souvent à l’origine des percées les plus audacieuses (comme les modèles open-source), sont marginalisés par des coûts d’accès prohibitifs. Pire : le manque de transparence sur la répartition des revenus décourage les investissements dans des domaines à faible rentabilité immédiate, comme l’IA appliquée à la santé publique ou à l’éducation.

Un exemple récent illustre ce clivage : le lancement d’un nouveau framework d’entraînement d’IA par une coalition de laboratoires européens. Bien que salué pour son approche collaborative, le projet a dû s’appuyer sur des infrastructures fournies par un seul acteur américain, au risque de créer une dépendance similaire à celle qu’il prétendait contourner.

Les questions qui persistent : et maintenant ?

Trois interrogations restent sans réponse claire, alors que les enjeux économiques et géopolitiques s’amplifient.

1. Qui fixe les règles du jeu ? Les gouvernements disposent-ils des outils pour imposer une redistribution équitable des revenus de l’IA, sans étouffer l’innovation ?

2. Comment mesurer la valeur réelle créée par l’IA ? Les indicateurs économiques classiques (PIB, profits) ne capturent qu’une partie des externalités. Par exemple, un modèle d’IA utilisé pour optimiser une chaîne logistique génère des gains pour une entreprise, mais réduit aussi les coûts pour les consommateurs, qui ne sont pas comptabilisés comme des

Photo : BeatingBetting, CC BY 2.0, via Openverse.