Le laboratoire central

Le mardi de la semaine dernière, l’agence Bloomberg a rapporté qu’OpenAI envisageait un nouveau tour de financement, à l’occasion duquel l’entreprise serait valorisée à plus de 1200 milliards de dollars. Le New York Times avançait 1500 milliards. Les deux indications diffèrent de 300 milliards ; c’est plus que ce que valent la plupart des entreprises du Dax. En mai, le concurrent Anthropic avait levé 65 milliards de dollars, sur la base d’une valorisation de 965 milliards. J’ai placé ces chiffres à côté du budget fédéral de cette année, un peu plus de 500 milliards d’euros. La comparaison n’est pas recevable, je le sais ; une valeur boursière n’est pas un budget. Mais elle donne l’ordre de grandeur. Une entreprise fondée il y a près de onze ans et qui, d’après tout ce que l’on sait, est aujourd’hui encore déficitaire, passe aux yeux de ses bailleurs de fonds pour valoir à peu près le double de tout ce que la République fédérale dépense en un an.

On peut y voir une bulle, et peut-être en est-ce une. Les doutes des investisseurs grandissent, le financement renchérit, des modèles chinois montrent que l’on peut obtenir des résultats semblables avec une puissance de calcul bien moindre. Mais ce qui m’occupe est moins la question de savoir si ces valorisations tiendront que celle de savoir ce que l’on achète là, au juste. Non pas un produit au sens ordinaire. Les entreprises déclarent ouvertement vouloir construire une intelligence artificielle générale, une machine capable de faire de la recherche comme un homme, seulement plus vite et sans relâche. Meta a fondé tout exprès à cette fin un département qui porte dans son nom le mot superintelligence. Personne ne sait si le but sera atteint, et je me méfie de quiconque prétend le savoir. Mais il n’est pas nécessaire de croire à l’arrivée pour remarquer les conséquences du voyage.

La conséquence qui m’intéresse ici est plus discrète que les gros titres. Dans quelques rares entreprises se constitue un appareil de recherche privé, ce que l’on appelle en anglais un research stack : des centres de calcul, des modèles, leurs propres fonds de données et, par-dessus, un nombre croissant de programmes qui cherchent, lisent, calculent et rendent compte de manière autonome. Un service de recherche qui ne dort pas, ne démissionne pas et ne bavarde pas dans les congrès. D’après le rapport annuel de l’université Stanford, plus de 90 pour cent des modèles d’IA importants provenaient en 2025 de l’industrie, et non du monde universitaire. Un indice qui mesure ce que les développeurs divulguent de leurs modèles est tombé en peu de temps de 58 à 40 points ; les laboratoires de pointe n’indiquent ni le nombre de paramètres, ni le volume des données, ni le code d’entraînement. La recherche la plus lourde de conséquences de notre temps est donc menée, pour une part croissante, dans des maisons qui ne publient pas leurs résultats. Sous cette forme, pour autant que je puisse en juger, cela ne s’est encore jamais vu.

On pourrait objecter que la recherche privée n’a rien de nouveau, et que le pays où j’écris l’a inventée. C’est exact. En 1889, la direction des Farbenfabriken Bayer décida d’édifier son propre laboratoire central ; il fut inauguré en 1891 à Elberfeld, avec des postes de travail pour plus de 50 chimistes. Il servit d’étalon à ce que l’on appela bientôt la recherche industrielle. Qui voulait, vers 1900, fabriquer des colorants sans rien posséder de comparable se trouvait distancé. La chimie allemande dominait le marché mondial des colorants, et elle le faisait avec une matière première que d’autres tenaient pour un déchet : le goudron de houille.

Mais ce laboratoire s’inscrivait dans un ordre public. En 1877, quatorze ans après la fondation de la fabrique de colorants de Barmen, la loi impériale sur les brevets était entrée en vigueur. Elle accordait à l’inventeur un monopole temporaire et exigeait en contrepartie la divulgation de l’invention. Les universités formaient les chimistes ; les laboratoires les employaient ; les fascicules de brevet rendaient leurs résultats accessibles à tous au bout de quelques années. C’était un circuit. Le savoir passait du domaine public aux entreprises et, avec retard, en revenait. On pourrait formuler ce paradoxe : le secret était permis parce qu’il était limité dans le temps.

Ce circuit est aujourd’hui interrompu en trois points. Premièrement, la divulgation fait défaut. Les poids des modèles, les procédés par lesquels on les entraîne, sont des secrets d’affaires, et cela sans limite de temps. Deuxièmement, les universités ne peuvent plus guère former les chercheurs qui travaillent à la frontière du possible, parce qu’il leur manque la puissance de calcul sur laquelle on apprend ce métier ; qui veut y travailler passe dans l’industrie et en revient rarement. Troisièmement, et c’est là le plus étrange : les communs où les modèles ont puisé leur savoir se tarissent. Sur Stack Overflow, le forum où des programmeurs ont, pendant près de deux décennies, répondu aux questions les uns des autres, on posait vers 2014 quelque 200 000 questions par mois. En juin de cette année, on en a compté 1072. Les consultations humaines des pages de Wikipédia ont reculé de huit pour cent en 2025. Les questions n’ont pas disparu. Elles sont désormais posées à une machine, et les réponses restent privées.

Il y a là, si je vois juste, une inégalité comme il n’y en avait encore jamais eu. Autrefois, l’information était largement publique ; ce qui était inégalement réparti, c’était la capacité de l’interpréter. Aujourd’hui s’accumule en quelques endroits ce qui, auparavant, n’était rassemblé nulle part : les questions elles-mêmes. Qui interroge une machine trahit ce qu’il ne sait pas, ce à quoi il travaille, là où son entreprise doute. Isolément, c’est sans importance. À l’échelle de millions d’utilisateurs, cela compose de l’économie une image telle qu’aucun office statistique n’en a jamais possédé. Les grands fournisseurs assurent ne pas utiliser les données d’entreprise pour l’entraînement, et je n’ai aucune raison de mettre leur parole en doute. Mais une étude portant sur des contrats de logiciels a établi que 92 pour cent des contrats conclus avec des fournisseurs d’IA revendiquent sur les données des clients des droits qui vont au-delà de la fourniture de la prestation ; pour les logiciels d’entreprise ordinaires, la proportion est de 63. Il n’est pas besoin de supposer une mauvaise intention. La situation suffit.

Des avances d’information, il y en a toujours eu. En 1850, Paul Julius Reuter organisa à Aix-la-Chapelle une liaison par pigeons voyageurs avec Bruxelles. Berlin et Aix-la-Chapelle étaient reliées par le télégraphe, Bruxelles et Paris de même ; entre les deux manquait un tronçon de ligne. Le chemin de fer mettait six heures pour le trajet, les pigeons deux. Cette avance, Reuter la vendait aux négociants et aux banquiers. En 1851, la lacune fut comblée, et les pigeons devinrent superflus. C’est la règle : les avances qui reposent sur une lacune de l’infrastructure sont passagères. Les coûteux terminaux du monde financier et les états-majors d’analystes des grandes maisons avaient, eux aussi, une limite naturelle. Ils se composaient d’hommes. Les hommes sont rares ; ils changent de place ; ils parlent. La sagacité se laissait louer, mais non multiplier à volonté.

Cette limite tombe. L’interprétation devient un capital. On peut l’acheter sous forme de puissance de calcul, la multiplier à volonté, et elle n’emporte pas son savoir en partant, parce qu’elle ne part pas. L’objection qui se présente d’elle-même est que le contraire serait vrai : la technique démocratiserait le savoir. En juin, Bloomberg a rapporté comment de petits fonds spéculatifs de création récente se mesurent, grâce à elle, aux géants de la branche. L’investisseur particulier porte aujourd’hui dans sa poche un analyste pour lequel il fallait naguère tout un service. Je tiens cela pour exact, et je le tiens pour l’un des grands bienfaits de cette évolution. Mais cela décrit le plancher, non le plafond. Chacun reçoit un modèle qui, il y a trois ans, aurait passé pour un prodige. Les laboratoires, eux, ont toujours, on peut le présumer, le modèle suivant déjà en main, et ils peuvent le faire travailler à leurs propres questions avec une puissance de calcul qu’aucun client ne paierait. Le plancher s’élève. Le plafond s’élève plus vite.

Mais si tous peuvent louer les mêmes modèles, en quoi consiste encore une avance ? La réponse qui se dessine en ces années est simple : dans les données qui ne se trouvent pas sur le réseau. L’Internet public a été, pour l’essentiel, lu jusqu’à la dernière ligne. Ce qui manque, ce sont des valeurs de mesure, des transactions, des dossiers médicaux, des données de procédé et surtout le jugement exercé des spécialistes. On pourrait les appeler données fondamentales, en un sens plus large qu’à la Bourse : des données qui ne sont pas dérivées d’autres données, mais proviennent directement de la réalité. La chasse à ces données est ouverte. En juin 2025, Meta a payé environ 14,3 milliards de dollars pour 49 pour cent de la société de données Scale AI. News Corp reçoit d’OpenAI, à ce que l’on rapporte, environ 250 millions de dollars sur cinq ans pour l’accès à ses archives ; Reddit a rendu publics des contrats de licence d’une valeur de 203 millions. La société d’intermédiation Mercor, fondée en 2023 par trois étudiants qui avaient abandonné leurs études, verse chaque jour, selon certaines informations, plus de quatre millions de dollars à des médecins, des juristes et des ingénieurs pour concevoir des tâches assez difficiles pour que les modèles y échouent, puis pour fournir la solution exacte. La demande des laboratoires serait trois à quatre fois supérieure à l’offre.

J’ai essayé de me représenter l’opération. Une femme médecin est assise le soir, après son service, à la table de la cuisine, et formule un cas clinique de telle sorte que la machine le juge mal. Puis elle écrit comment on le juge correctement. Elle est pour cela honnêtement payée, une fois. Son jugement, la machine le rendra désormais un nombre illimité de fois. On peut y voir de l’exploitation ; l’intéressée elle-même y voit sans doute un bon revenu d’appoint, et elle n’a pas tort. Mais, à considérer les choses froidement, c’est une vente d’expérience au prix unitaire à quelqu’un qui la revend au prix de gros.

C’est ici que l’affaire devient intéressante pour ce pays, et, je crois, moins sombre qu’on ne le suppose communément. L’Allemagne possède en grande quantité ce qui manque aux laboratoires : des données fondamentales du monde physique. Des machines, des installations, des matériaux, des séries de mesures couvrant des décennies ; un savoir d’ingénieur consigné dans des rapports d’essai, des plans de construction et des comptes rendus de défaillances qu’aucun moteur de recherche n’a jamais vus. Il lui manque en revanche ce que possèdent les laboratoires. En 2025, selon l’Office fédéral de la statistique, 26 pour cent des entreprises allemandes utilisaient l’intelligence artificielle ; parmi les grandes, elles étaient 57 pour cent, parmi les petites 23. Les autres invoquaient le plus souvent le manque de connaissances. À Munich, Deutsche Telekom a mis en service cette année, avec Nvidia, une installation d’environ 10 000 processeurs graphiques, qui doit accroître d’à peu près la moitié la puissance de calcul disponible en Allemagne pour l’IA. C’est un projet considérable. Mais il faut le replacer dans ses proportions.

Il y a une semaine, le Henderson Institute du Boston Consulting Group a présenté une étude sur la politique en matière d’IA de plus de 30 États. Une souveraineté totale, y lit-on, serait pour la plupart d’entre eux une illusion. L’Inde, un pays de près d’un milliard et demi d’habitants, disposait en mars, dans son programme d’État, de 62 000 processeurs graphiques. Microsoft aurait acheté à lui seul, en 2024, quelque 485 000 processeurs de la génération alors la plus récente. Je fais le calcul : pour égaler les achats d’un seul groupe en une seule année, il faudrait construire 48 fois l’installation de Munich. Le calcul est sommaire ; les générations diffèrent, les processeurs plus récents sont plus performants. Mais il donne les proportions. On se souvient de Gaia-X, annoncé en 2019 comme la réponse européenne aux nuages de données américains. La réponse est toujours en cours d’élaboration.

Ce que c’est que de vivre avec une intelligence empruntée, le mois de juin l’a montré. Le 12 juin, en début de soirée, heure de la côte Est américaine, le département du Commerce, à Washington, a enjoint à Anthropic de retirer aux étrangers l’accès à ses deux modèles les plus récents ; le motif en était apparemment un possible contournement de leurs dispositifs de sécurité. Comme l’entreprise ne pouvait pas distinguer de façon fiable les étrangers des Américains, elle a coupé les modèles pour tous ses clients. Au bout de dix-huit jours, l’injonction a été levée. Ceux qui avaient bâti leurs processus sur ces modèles ont dû, pendant ce temps, se rabattre sur des modèles plus anciens ou attendre. Je ne le mentionne pas pour en faire grief à l’entreprise, qui s’est opposée à l’injonction, pour autant qu’on puisse en juger de l’extérieur. Je le mentionne comme une leçon sur la nature du contrat de location. Une intelligence louée peut vous être retirée. Pas seulement par le bailleur ; aussi par son gouvernement.

Le danger, pour ce pays, n’est donc pas de ne posséder aucune intelligence propre. Il consiste à céder ses données fondamentales comme matière première et à racheter le produit raffiné, mois après mois, sous forme d’abonnement. Les données de procédé d’un constructeur de machines de taille moyenne sont aujourd’hui ce qu’était le goudron de houille au XIXe siècle : un sous-produit auquel personne ne prête attention, jusqu’à ce que quelqu’un apprenne à le raffiner. Qui raffine garde la valeur. On connaît ce schéma par l’histoire des pays producteurs de matières premières. Il a rarement bien tourné pour ceux qui livraient.

Que doivent donc faire les entreprises qui ne possèdent pas d’intelligence propre et ne peuvent s’en construire une ? Il me semble qu’il y a trois voies. La première est la location : rapide, bon marché, commode. On y livre ses questions, et l’on dépend d’un droit étranger. La deuxième est la construction : elle est ouverte à quelques dizaines de groupes, non aux autres. La troisième est plus discrète, et elle n’est pas nouvelle dans ce pays. Le 22 juin 1954, des représentants de huit associations de recherche fondèrent la Communauté de travail des associations de recherche industrielle. L’idée était simple : des entreprises moyennes du Mittelstand appartenant à une même branche mènent ensemble une recherche qu’aucune ne pourrait financer seule, et cela en amont de la concurrence, non en son sein. La Communauté compte aujourd’hui 59 associations. Cinq ans plus tôt était née la Fraunhofer-Gesellschaft, près d’un siècle auparavant Raiffeisen avait fondé ses premières caisses de prêt. Le Mittelstand allemand n’a jamais résolu le problème de la taille par la taille. Il l’a résolu par le regroupement.

Transposé au présent, cela signifierait : une puissance de calcul exploitée en commun, des modèles à poids ouverts que l’on peut faire tourner chez soi et que nul ne peut débrancher, et des espaces de données où les données fondamentales restent chez leurs propriétaires et sont pourtant raffinées en commun. Les matériaux existent ; dans l’industrie automobile, on travaille depuis des années, avec Catena-X, à un tel espace de données. Le cabinet de conseil recommande dans son étude de viser la résilience plutôt que l’autonomie : la capacité d’exploiter soi-même l’IA, de l’adapter et de la contrôler, sans l’avoir inventée soi-même. Je ne sais pas si cela réussira. L’histoire des projets communs européens dans l’économie numérique n’est guère encourageante. Celle de la recherche collective allemande, si.

Il en va à peu près de même pour l’État, et là, je suis moins confiant. Lorsque des entreprises en savent plus sur leurs marchés, leurs clients et leurs concurrents que les autorités qui les surveillent, quelque chose se déplace qui n’apparaît dans aucun bilan. Une autorité de la concurrence qui établit l’analyse d’un marché avec les mêmes outils loués que ceux dont se servent les entreprises surveillées pour concevoir leur stratégie n’est pas impuissante. Mais elle n’est plus supérieure. Le contrôle a toujours reposé sur l’hypothèse tacite que l’État, s’il le veut, peut regarder de plus près que quiconque. Cette hypothèse ne va plus de soi.

Et enfin l’espace public. Les Lumières ne furent pas seulement une affaire d’idées, mais aussi d’institutions : les sociétés de lecture, les bibliothèques de prêt, les journaux, plus tard les universités populaires et la statistique publique. Elles ont veillé à ce que des citoyens qui se disputaient sur une question se disputent du moins sur les mêmes faits. Une société dans laquelle les uns pensent avec un appareil de recherche privé et les autres avec ce qu’on leur laisse gratuitement reste une démocratie. Mais ses citoyens ne savent plus la même chose.

Je ne veux pas conclure sans dire ce qui me donne confiance. Le XIXe siècle n’a pas répondu au laboratoire privé par une interdiction, mais par un ordre : par le droit des brevets, qui imposait la divulgation, par des universités publiques, qui fournissaient la relève, par des institutions communes pour ceux qui étaient trop petits pour posséder leur propre laboratoire. Aucune de ces trois réponses n’existe encore, sous une forme appropriée, pour l’intelligence artificielle. Le règlement européen encadre les risques, non la circulation du savoir. La tâche n’est pas technique, mais institutionnelle. En cela, ce pays, malgré tout ce qu’on peut lui reprocher, n’est pas sans expérience.

Entre la fondation de la fabrique de colorants de Barmen et la loi impériale sur les brevets, quatorze années s’écoulèrent. ChatGPT est apparu il y a à peine quatre ans.