Réglementation de l’IA : Un changement dans la course à l’IA
Une nouvelle étude économique soutient que la réflexion réglementaire actuelle est mal adaptée à la structure émergente de l’industrie de l’IA, où de puissants développeurs de modèles fondamentaux et des entreprises d’application opèrent au sein d’une chaîne d’approvisionnement étroitement interconnectée. Les décisions politiques affectant la concurrence, les ressources informatiques et la dynamique de tarification peuvent façonner non seulement les bénéfices des entreprises mais également le bien-être des consommateurs.
La montée de l’économie de la chaîne d’approvisionnement de l’IA
Le développement de l’IA tourne de plus en plus autour des modèles fondamentaux, de vastes réseaux neuronaux formés sur d’énormes ensembles de données capables d’exécuter une large gamme de tâches. Ces modèles constituent l’épine dorsale technologique des produits modernes d’IA mais leur développement et leur maintenance sont extrêmement coûteux. Par exemple, entraîner un modèle à l’échelle de GPT-4 peut coûter plus de 100 millions de dollars, rendant impraticable la création de modèles par la plupart des organisations.
En raison de ces coûts élevés, l’industrie de l’IA a évolué vers une chaîne d’approvisionnement structurée verticalement. Dans cet écosystème, de grandes entreprises technologiques construisent et maintiennent des modèles fondamentaux, tandis que des entreprises en aval les adaptent pour des applications spécialisées telles que des outils de recherche juridique, des assistants médicaux ou des systèmes d’analyse financière.
Les mécanismes de la chaîne d’approvisionnement de l’IA
Le mécanisme clé qui permet cette structure est le fine-tuning, un processus par lequel des entreprises en aval réentraînent un modèle fondamental en utilisant des données spécifiques à leur domaine. Cela permet aux entreprises de personnaliser des systèmes d’IA à usage général pour répondre aux exigences de secteurs ou de tâches spécifiques. Bien que le pré-entraînement du modèle nécessite d’énormes ressources informatiques, le fine-tuning nécessite généralement moins de puissance de calcul, le rendant accessible aux petites entreprises.
Cependant, le processus implique toujours des coûts significatifs. Les entreprises en aval doivent prétraiter de grands ensembles de données pour éliminer le bruit et les incohérences avant qu’elles puissent être utilisées pour l’entraînement. En même temps, les fournisseurs de modèles fondamentaux doivent fournir l’infrastructure informatique nécessaire pour l’entraînement et l’inférence. Par conséquent, les deux parties encourent des dépenses qui influencent leur comportement stratégique sur le marché.
Politiques de concurrence et bien-être des consommateurs
Les régulateurs tentent souvent d’accroître la concurrence en améliorant la transparence des prix ou en exigeant que les entreprises divulguent des informations précises sur la performance des produits. L’étude identifie deux catégories principales d’interventions politiques : les politiques de concurrence par les prix et les politiques de concurrence par la qualité.
Les politiques promouvant la concurrence par les prix se concentrent sur l’amélioration de la transparence des prix, facilitant ainsi la comparaison des produits par les consommateurs. Cependant, l’étude constate que le résultat est plus complexe dans les chaînes d’approvisionnement de l’IA. Lorsque la concurrence s’intensifie et que les entreprises réduisent les prix, leur incitation à investir dans l’amélioration des modèles peut diminuer, ce qui pourrait réduire le bien-être des consommateurs.
En revanche, les politiques promouvant la concurrence par la qualité consistent à exiger des déclarations précises sur les produits ou à empêcher les entreprises de cacher des avis négatifs, améliorant de manière constante les résultats pour les consommateurs. Ces politiques encouragent les entreprises à investir davantage dans l’amélioration des modèles, augmentant la qualité des services d’IA tout en maintenant une pression sur les prix.
Subventions informatiques et économie de l’infrastructure de l’IA
Une autre mesure réglementaire gagnant en popularité est la subvention informatique. Plusieurs pays ont commencé à subventionner l’accès à l’infrastructure informatique utilisée pour l’entraînement des IA. L’étude montre que ces subventions augmentent généralement le bien-être des consommateurs en abaissant les coûts des ressources informatiques.
Cependant, les avantages dépendent fortement des conditions de coût. Si les coûts de calcul restent élevés, les subventions peuvent devenir inefficaces. Les décideurs doivent donc calibrer soigneusement les taux de subvention pour éviter des investissements excessifs sans gains proportionnels en bien-être des consommateurs.
Perspectives d’avenir
Les avancées technologiques continuent de réduire le coût de l’entraînement et du déploiement des modèles d’IA. À mesure que les coûts de calcul diminuent, l’efficacité des différentes politiques réglementaires évoluera. L’étude prévoit que les politiques de concurrence par les prix, efficaces aujourd’hui, pourraient devenir moins utiles à l’avenir, tandis que les subventions informatiques pourraient devenir de plus en plus bénéfiques.
Pour les consommateurs, les perspectives restent positives : la baisse des coûts de calcul augmente de manière constante le surplus des consommateurs en permettant des produits d’IA de meilleure qualité à des prix plus bas.