IA, intelligente arnaque (5e partie). Fable 5 est une fable, Mythos 5 est un mythe

Les modèles les plus avancés sont inutiles pour plus de 99% des cas d'utilisation. Les modèles open source suffisent amplement.

L’administration Trump a publié un décret d’interdiction d’exportation des deux modèles les plus avancés d’Anthropic, Fable 5 (la version bridée de Mythos 5 incluant tout un tas de gardes-fous) et Mythos 5, les soustrayant à l’usage de tous les citoyens étrangers, y compris aux Etats-Unis. Problème: l’un des directeurs scientifiques d’Anthropic, Andrej Karpathy (co-fondateur d’Open AI et ancien de chez Tesla, responsable du pré-entrainement¹, la phase la plus critique dans le développement d’un modèle) n’est pas citoyen américain et ne peut plus, en théorie, travailler sur les modèles qu’il contribue à créer…

Ca ne vous rappelle pas le microprocesseur PowerPC M4 d’Apple en 1999 et le chiffrement PGP en 1991, interdits à l’exportation pour des raisons de sécurité nationale parfaitement imbéciles? La décision de Donald Trump (dans laquelle Andy Jassy - le patron d’Amazon qui est l’un des principaux actionnaires d’Anthropic, qui est le gros client d’Amazon Web Service pour l’IA, représentant 80% de son backlog² - aurait joué un rôle important) aura des conséquences catastrophiques qui accéléreront l’implosion de la bulle. La Chine se frotte les mains, comme nous l’avons rapporté dès janvier 2025.

[ Republication ] La Chine vient d'annihiler le techno-capitalisme prédateur américain

Face à l'interdiction d'exportation frappant Fable 5 et Mythos 5, les derniers modèles phares d'Anthropic, une sainte terreur s'est emparée de la classe politique et médiatique française, qui a entonné à l'unisson ses grands discours habituels : souveraineté — européenne, bien sûr, ce qui ne veut à peu près rien dire —, géopolitisation de l'IA, guerre technologique. Vu le niveau de connaissance et de compréhension du sujet dont ces gens font preuve, on est globalement au niveau du maire de Champignac dans Spirou.

Extrait du “Rayon Noir”, © Dupuis.

Les techno-neuneus, eux, se roulent par terre, en larmes et en s'arrachant les cheveux — déjà traumatisés par la mise en veille de Siri par Apple en Europe, sans laquelle ils ne savent pas commander leurs sushis et leur tasty crousty.

A lire également :

IA, Intelligente Arnaque (4e partie): c'est quantique

Ah oui, encore une chose: une jurisprudence qui va faire date. Un tribunal munichois a considéré le 11 juin dernier que Google était judiciairement responsable du contenu produit et publié par IA, les fameux “AI overview” qui remplacent le traditionnel moteur de recherche. Le motif? Un algorithme n’a pas de convictions, qu’une production, qui est le résultat de l’activité commerciale de l’entreprise qui le déploie, qui est responsable des préjudices causés par les erreurs et autres hallucinations que commet l’IA.

Il s’agit de contenu créé par Google, non pas de renvois à des liens menant vers des sites tiers ou de contenu produit par les utilisateurs. La stratégie de défense de Google? Les gens savent qu’il faut vérifier les informations générées par IA. C’est un peu comme si nous, journalistes, bidonnions nos articles au motif que, puisqu’il y a internet et les IA, les gens peuvent vérifier nos informations par eux-mêmes.

Google affirme que ses AI Overviews atteignent un taux de précision de 91 %. Sur 9 milliards de recherches quotidiennes, 9% d’imprécision représentent 810 millions d’erreurs par jour — dont certaines ont des conséquences désastreuses pour de vraies personnes et de vraies entreprises.

L’affaire jugée à Munich en est l’illustration parfaite : deux maisons d’édition ont été présentées par l’outil comme peu fiables, voire criminelles, simplement parce que l’IA les avait confondues avec d’autres portant des noms similaires. Voilà ce qui arrive quand on sacrifie la fiabilité sur l’autel de la rapidité de déploiement et de son cours en bourse.

Les procès vont pleuvoir sur toutes les entreprises d’IA générative — et c’est amplement mérité. Lancer un produit sans atteindre les 6 Sigma, soit un maximum de 3,4 erreurs par million de recherches, relève de l’inconscience pure, d’autant que les moyens techniques d’y parvenir existent.

Les entreprises d'IA résistent à toute régulation pour des raisons qu'elles préfèrent taire : éviter de rémunérer les auteurs dont elles pillent allègrement les œuvres pour entraîner leurs modèles, continuer à déployer des fonctionnalités peu fiables sans en assumer les conséquences, et esquiver leur responsabilité face aux préjudices réels qu'elles causent — une responsabilité qu'elles fuient autant pour des raisons financières que d'image.

Retour à nos moutons. Les modèles d’IA avancés ne sont d’aucune utilité dans plus de 99% des cas d’utilisation. Explications.

Question emphase, le pompon pompeux revient comme d’habitude au Grand Continent - que nous surnommons méchamment le Grand Incontinent - qui nous gratifie d’une “pièce de doctrine” (on n’en a déjà plein la bouche) affirmant que l’IA, c’est l’ère de la rareté.

Les pompeux ont été rapidement recadrés par Philippe Silberzhan, professeur à l’EM Lyon, dans ces termes aussi judicieux que limpides:

Raisonnement étonnant.

Il repose sur une hypothèse: la valeur d'une technologie se situerait à sa frontière.
C'est l'inverse qui est vrai. Ce qui transforme une économie n'est pas l'accès au modèle le plus avancé, mais la diffusion de capacités « suffisamment bonnes » ("good enough" cf C.Christensen), peu coûteuses et largement disponibles. L'article traite d'ailleurs ces modèles « assez bons » avec une forme de dédain. C'est précisément le mépris que les acteurs en place ont toujours manifesté envers les ruptures par le bas, juste avant d'être dépassés : le transistor jugé trop médiocre pour la radio, les voitures japonaises, la photo numérique.

L'article se contredit ensuite. Après avoir annoncé une rareté structurelle, il reconnaît que les solutions ne sont « pas des idées nouvelles » : construire des centres de données, chaque processeur mis en service cette année rendant la diffusion plus probable dans trois ans. Autrement dit, la rareté décrite n'est pas une loi de la technologie mais un goulet d'approvisionnement temporaire doublé de restrictions délibérées. Le titre dramatise ce que la conclusion dément.

Là réside le mécanisme le plus discutable. Les restrictions citées, Glasswing, Daybreak, projet de préemption américain (cf Fable5 hier), sont des décisions politiques et réglementaires, présentées comme des dynamiques de marché inéluctables.

L'article redoute la capture par l'État tout en proposant des remèdes qui passent par davantage de coordination étatique. Habiller des choix réversibles en destin permet surtout de les soustraire au débat.

La présence même de suiveurs rapides comme DeepSeek, à quelques mois de la frontière, montre que la diffusion est déjà à l'œuvre. L'article la requalifie en menace plutôt qu'en mécanisme.

Au fond, le travers est ancien : juger une technologie à sa frontière plutôt qu'à sa diffusion, et confondre l'état d'un instant avec la trajectoire d'un processus.

Chaque technologie majeure a d'abord été annoncée comme un privilège réservé à quelques-uns. Ce qui les a rendues historiques, c'est que cette prédiction s'est toujours révélée fausse.

Poussons le raisonnement jusqu'au bout. L'IA n'est pas le progrès technique — elle en est le produit. Le vrai progrès technique, c'est la progression continue des capacités de calcul parallèle et de stockage, c'est l'avancée incessante dans le domaine des semi-conducteurs. L'IA ne fait qu'exploiter ce socle — elle ne le constitue pas.

Il existe des modèles d’IA en open source (en open weight³ pour être plus précis) qui sont disponibles gratuitement, et dont les licences sont très permissives en matière d’utilisation commerciale.

Un abonnement donnant accès à un modèle propriétaire comme ChatGPT ou Claude coûte au bas mot 200 euros par mois et par utilisateur, soit 2 400 euros par an. Pour une équipe de vingt personnes, la facture grimpe à 48 000 euros annuels.

Mais voilà, Anthropic, ChatGPT et consort ont commencé à facturer, non pas le prix réel de l’IA (peu d’entreprises auraient les moyens) mais la consommation réelle de tokens⁴ . Et là, stupeur : Uber a brûlé son budget annuel IA en quatre mois, et son patron a mis la pédale pas vraiment douce mais a mis fin aux frais.

Uber est loin d'être un cas isolé — mesurer le retour sur investissement des dépenses en IA s'avère en effet quasiment impossible, ce qui pousse de nombreuses entreprises à revoir leurs ardeurs. D'où la décision d'OpenAI de casser le prix du token. Les pertes d'OpenAI pour 2026 devraient dépasser les 14 milliards de dollars — soit trois fois les prévisions. Brader ses tarifs dans ces conditions ressemble davantage à une fuite en avant qu'à une stratégie.

Une entreprise qui opte pour un modèle open weight — LLaMA de Meta, dont le développement a été dirigé par Yann LeCun, DeepSeek, Kimi K2 ou certains modèles de Mistral AI — devra investir dans du matériel spécialisé pour les faire tourner. Ces modèles dépassent le millier de milliards de paramètres et soutiennent sans rougir la comparaison avec les grands modèles propriétaires, à défaut de les égaler. L’interdiction d’exportation de Fable et Mythos est absurde: dans quelques mois, les modèles open source feront la même chose. On n’arrête pas le progrès.

La preuve. GML 5.2, un modèle open source chinois, bat à plate couture Fable 5 pour le raisonnement et le Beam Search⁵ (ce qu’on demande à une IA), pour dix fois moins cher et à 300 tokens par seconde. On va voir Fable 5 réapparaître très vite.

Concrètement, il faudra miser sur des cartes graphiques Nvidia H100, dont le prix varie selon la version entre 25 000 et 40 000 euros. En fonction des besoins en capacité de calcul, plusieurs cartes pourront être nécessaires.

Avec vingt utilisateurs et en posant que le besoin de calcul impose deux cartes à 25 000 euros, vous aurez sur cinq ans le coût annuel d’exploitation suivant:

• Coûts matériels

  • Deux cartes H100 : 50 000 euros, soit 10 000 euros/an

  • Serveur hôte : 10 000 à 15 000 euros, soit 2 000 à 3 000 euros/an

  • Infrastructure réseau et stockage : 3 000 à 5 000 euros, soit 600 à 1 000 euros/an

• Coûts d’exploitation annuels

  • Électricité (serveur complet) : 4 000 à 6 000 euros/an

  • Maintenance et support matériel : 2 000 à 4 000 euros/an

  • Administration système : 5 000 à 10 000 euros/an

Total annuel estimé : 23 600 à 34 000 euros pour vingt utilisateurs, contre 48 000 euros par an pour un abonnement propriétaire équivalent.

Avec deux cartes Nvidia H100 (2 × 80 Go de VRAM, 160 Go au total, une configuration très sérieuse pour un laboratoire de recherche, une PME ou une université), vous disposerez d’une puissance de calcul suffisante pour:

• Faire tourner LLaMA 70B ou Mistral Large en full precision (70 milliards de paramètres en mémoire simultanément) ou des modèles encore plus grands quantizés (faire un tenir un grand modèle en réduisant le nombre de bits utilisé par paramètre, ce qui a son tour réduit la précision, donc augmente la probabilité d’erreur).

• Servir une API d’inférence⁶ pour une petite entreprise avec trois à cinq requêtes simultanées sans latence pour plus d’une vingtaine utilisateurs.

Au fond, l'IA présente peu d'intérêt pour rédiger des e-mails ou gérer un agenda — sauf dans les industries de service à forte intensité (banques, assurance, opérateurs télécoms etc). Pour l'écrasante majorité des entreprises, son véritable terrain de jeu est l'analyse de données : simulation et optimisation logistique, de production, financière ou marketing, calculs pour la R&D, contrôle qualité et ainsi de suite. C'est là que la valeur ajoutée est réelle, mesurable, et justifie l'investissement.

Dans ces conditions, qui irait s'embarrasser d'une IA propriétaire en lui confiant par-dessus le marché ses données stratégiques ? Le cloud, rappelons-le, n'est que l'ordinateur de quelqu'un d'autre.

Les entreprises qui tireront véritablement parti de l'IA seront celles qui auront investi dans leur propre infrastructure pour développer des applications métiers sur mesure et construire leur propre “jumeau numérique”. Pour cela, 70 milliards de paramètres suffisent amplement. Les modèles open weight sont gratuits et coûtent bien moins cher à exploiter que les grands modèles propriétaires — à moins de vouloir absolument partir chasser le lapin avec un canon Caesar.

La plupart des entreprises qui se sont lancées dans l'IA en sont encore au stade de la preuve de concept et du prototypage — et c'est une posture prudente. Il s'agit de minimiser les risques sans exposer des fonctions critiques ni des données stratégiques, d'autant que celles-ci sont déjà automatisées par leurs progiciels de gestion intégrés. On ne touche pas à ce qui fonctionne avant d'avoir la certitude que la migration technique suivra.

Une fois le prototypage concluant, les entreprises s'attacheront à déployer progressivement leurs propres infrastructures et solutions — provoquant une contraction du marché Saas (Software as a Service). Il faudra des années, voire plusieurs décennies avant de sérier l’impact réel de l’IA sur le fonctionnement des organisations.

1. Le préentraînement est la première et la plus fondamentale étape de l’entraînement d’un grand modèle de langage (LLM).

Ce qui se passe pendant le préentraînement :

• Le modèle est exposé à une quantité massive de données textuelles — livres, sites web, code, articles, etc.

• Il apprend à prédire le mot/token suivant dans une séquence, encore et encore, des milliards de fois

• Grâce à ce processus, il développe progressivement une compréhension générale du langage, des faits et du raisonnement.

2. Le backlog est le chiffre d’affaires non encore réalisé d’un contrat

3. L’open weight (ou “poids ouverts”) désigne des modèles d’IA dont les poids du modèle sont rendus publiquement disponibles, permettant à quiconque de les télécharger et de les utiliser. Seuls les poids (paramètres) du modèle sont partagés, mais pas nécessairement les données d'entraînement ni le code complet. On peut Télécharger et exécuter le modèle localement sur sa propre machine, l’affiner sur ses propres données etc, ce qui n’est pas le cas des modèles propriétaires comme ChatGPT ou Claude.

4. Un token est l'unité de base que les modèles de langage (LLM) utilisent pour lire et générer du texte. Ce n'est ni exactement un mot, ni une lettre — c'est quelque chose entre les deux. Bonjour fait un token.

5. Un algorithme de décodage utilisé dans les modèles de génération de séquences (comme les LLM ou les systèmes de traduction) qui explore simultanément plusieurs sorties candidates, ne conservant à chaque étape que les plus probables.

6. Une API d’inférence est une interface de programmation (API) qui permet d’utiliser un modèle d’intelligence artificielle déjà entraîné pour obtenir des prédictions ou des résultats (on appelle cela « l’inférence ») sans avoir à gérer soi-même le modèle ou l’infrastructure.