Les géants de la tech accélèrent leurs dépenses en IA à mesure que les modèles de raisonnement prennent le dessus

Les plus grandes entreprises technologiques augmenteront leurs dépenses en intelligence artificielle à plus de 500 milliards de dollars d'ici le début de la prochaine décennie, notamment grâce aux méthodologies d'IA plus récentes de DeepSeek et d'OpenAI. 

Microsoft, Amazon et Meta Platforms, collectivement appelés hyperscalers, devraient investir 371 milliards de dollars dans les centres de données et les ressources informatiques dédiés à l'IA en 2025, soit une hausse de 44 % par rapport à l'année précédente. D'ici 2032, ce chiffre devrait atteindre 525 milliards de dollars.

Historiquement, la majeure partie des investissements en IA était consacrée aux centres de données et aux puces pour entraîner ou créer de nouveaux modèles d'IA complexes. Désormais, les entreprises privilégient une approche différente. Dans cette optique, les sociétés technologiques devraient consacrer davantage de ressources à l'inférence, c'est-à-dire au processus d'exploitation de ces systèmes après leur entraînement.

Comment DeepSeek et OpenAI façonnent les tendances de dépenses en IA

Les sociétés chinoises DeepSeek, OpenAI et plusieurs autres ont introduit de nouveaux modèles de raisonnement, intensifiant la concurrence entre les entreprises qui n'ont pas encore adopté d'approche similaire.

Ces systèmes imitent la résolution de problèmes humaine en prenant plus de temps pour traiter et calculer les réponses aux requêtes des utilisateurs.

L'essor de DeepSeek, qui affirmait pouvoir créer un modèle compétitif à moindre coût que certains de ses principaux concurrents américains, a suscité des inquiétudes quant aux investissements massifs dans le développement de l'IA au sein du secteur technologique américain. De ce fait, certaines entreprises technologiques de premier plan privilégient des systèmes d'IA plus performants, capables de fonctionner avec moins de ressources matérielles.

Cependant, les modèles de raisonnement offrent également de nouvelles opportunités de rentabiliser les logiciels et de potentiellement transférer une partie des coûts de développement après leur déploiement. Ceci devrait encourager davantage d'investissements dans cette stratégie et, plus généralement, accroître les dépenses en IA.

Mandeep Singh, analyste chez Bloomberg Intelligence, a écrit : « La croissance des dépenses d’investissement pour la formation en IA pourrait être beaucoup plus lente que prévu. »

Il a toutefois noté que l'attention considérable portée à DeepSeek incitera probablement les entreprises technologiques à « accroître leurs investissements » dans l'inférence, ce qui en fera le segment de marché affichant le taux de croissance le plus rapide en matière d'IA générative.

D'après les estimations, plus de 40 % des budgets IA des hyperscalers devraient être consacrés à l'entraînement cette année ; toutefois, en 2032, ce pourcentage devrait tomber à seulement 14 %. En revanche, près de la moitié des dépenses annuelles totales en IA pourraient être allouées aux investissements axés sur l'inférence.

D'un autre côté, Singh a écrit que Google (Alphabet Inc.) semble le mieux placé pour opérer rapidement cette transition, grâce à ses puces internes dédiées à l'apprentissage et à l'inférence. D'autres entreprises technologiques, comme Microsoft et Meta, pourraient avoir moins de flexibilité, car elles dépendent fortement des puces de Nvidia Corp.

Comment les modèles de raisonnement transforment l'IA grâce à une pensée structurée et logique

Les modèles de raisonnement sont des modèles de langage spécialisés conçus pour résoudre des problèmes grâce à un raisonnement logique explicite qui ont émergé comme un nouveau paradigme en IA, surpassant les modèles de langage conventionnels dans les tâches complexes en décomposant les problèmes, en « réfléchissant » avant de répondre et en améliorant itérativement les solutions.

Historiquement, les modèles de raisonnement logique généralistes pouvaient fournir des réponses simples. Avec l'introduction de ces modèles, les réponses suivent un processus de pensée plus structuré, et la démarche pour y parvenir est clairement indiquée. Cependant, si certains modèles affichent clairement leur phase de raisonnement logique, d'autres ne le font pas.

La phase de raisonnement montre comment le modèle peut décomposer le problème énoncé en problèmes plus petits (décomposition), essayer différentes approches (idéation), choisir les meilleures approches (validation), rejeter les approches invalides (éventuellementtracen arrière), et enfin choisir la meilleure réponse (exécution/résolution).