Sortir de la course aux géants
Face à l’essor fulgurant de l’intelligence artificielle générative, le Royaume-Uni gagnerait à renoncer à la bataille frontale contre les hyper-scalers américains et chinois. L’idée centrale est simple : à ressources inégales, la compétition directe pour construire les plus grands modèles ne mène nulle part. Mieux vaut choisir une voie différente pour rester pertinent, alors que l’IA recompose déjà l’industrie, les services publics et les rapports géopolitiques.
Le message de Llion Jones
Le chercheur gallois Llion Jones, co-auteur en 2017 chez Google de l’article fondateur “Attention Is All You Need” à l’origine de l’architecture Transformer, plaide pour un repositionnement stratégique. Selon lui, ni le Pays de Galles ni même la Grande-Bretagne ne battront les géants qui misent sur le “toujours plus grand, toujours plus cher”. Il invite les décideurs à être courageux et à miser sur d’autres voies, plutôt que de courir après une victoire impossible dans la surenchère de puissance de calcul.
Miser sur une recherche différente
Aujourd’hui directeur technique de Sakana AI à Tokyo, qu’il a cofondée avec un autre ancien chercheur de Google, Jones défend une approche qui s’éloigne des recettes dominantes. Son entreprise explore des pistes spéculatives et non conventionnelles, loin des modèles de langage géants optimisés pour la monétisation immédiate. Pour lui, le Pays de Galles et le Royaume-Uni ont une carte à jouer en créant un écosystème où laboratoires et entreprises disposent de la liberté scientifique et des ressources ciblées nécessaires pour produire une recherche vraiment différenciée. C’est un pari de long terme : si l’une de ces voies fonctionne, le pays peut revenir dans la course par l’originalité plutôt que par la taille.
Sur le terrain : l’adoption s’accélère déjà
Pendant que la stratégie se discute, les entreprises galloises avancent. Des usages émergent sur les plateaux de tournage, dans le BTP ou au cœur de projets de transformation numérique. Les pouvoirs publics encouragent cette diffusion, arguant que l’IA n’est pas “une” technologie mais une boîte à outils applicable à une multitude de cas concrets. L’enjeu majeur pour les PME : des gains de productivité même modestes peuvent se traduire, à l’échelle du pays, par des retombées économiques de l’ordre de centaines de milliards de livres.
L’obstacle n°1 : l’électricité et le réseau
La mise à l’échelle de l’IA exige une infrastructure électrique robuste. Or une large partie du Pays de Galles, en particulier les zones rurales, souffre d’un réseau sous-dimensionné. Les projets d’extension — comme de nouvelles lignes à haute tension à travers le centre du pays — rencontrent une forte opposition locale. Pour Green GEN Cymru, qui porte l’un de ces projets, sans modernisation du réseau, le pays passera à côté des data centers et des installations indispensables à l’économie de l’IA. Au-delà du numérique, ces liaisons sont également cruciales pour décarboner les activités, électrifier les transports et accueillir davantage de renouvelables. Cette tension n’est pas propre au Pays de Galles : partout, l’appétit énergétique de l’IA se heurte aux contraintes environnementales, à l’urbanisme et aux réalités politiques locales.
Des IA moins “complaisantes”
Jones pointe un autre problème immédiat : les chatbots actuels sont souvent trop enclins à acquiescer. Par la façon dont ils sont entraînés, ils ont tendance à conforter l’utilisateur, au risque d’entretenir la désinformation et de miner la confiance. Il faut des systèmes capables de contredire, de corriger et d’argumenter, pas seulement de valider ce qu’on leur propose. Construire des IA “qui osent dire non” devient un axe clé de sécurité et de fiabilité.
Argent et ambitions
Preuve que les approches alternatives plaisent aux investisseurs, Sakana AI vient de lever environ 135 millions de dollars, portant sa valorisation à près de 400 milliards de yens (environ 2,6 milliards de dollars). Ces moyens doivent soutenir des voies de recherche différenciantes, loin de la simple course à la taille.
L’Europe à la croisée des chemins
Le raisonnement de Jones rejoint les inquiétudes de l’Europe, souvent prise en étau entre la puissance d’investissement de Silicon Valley et l’appui étatique massif en Chine. L’issue n’est pas de copier les plus riches, mais de cultiver l’originalité scientifique, la qualité des données, la sobriété énergétique et des cas d’usage ciblés où l’excellence peut primer sur la démesure.
Ce que cela implique pour le Royaume-Uni et le Pays de Galles
- Prioriser des programmes de recherche atypiques et interdisciplinaire.
- Financer des plateformes communes (données, outils, compute partagé) au service d’équipes agiles.
- Accélérer des infrastructures électriques modernes et acceptables localement.
- Former des talents capables de passer de la recherche à l’application concrète dans les secteurs clés.
FAQ
Comment un petit pays peut-il s’imposer en IA sans data centers géants ?
- En visant des niches à forte valeur ajoutée (santé, industrie, cyber, énergie), en misant sur des modèles plus petits mais mieux spécialisés, et en capitalisant sur des données de qualité difficiles à reproduire ailleurs.
Qu’est-ce qu’un modèle Transformer, simplement ?
- C’est une architecture qui utilise un mécanisme d’attention pour repérer rapidement les informations importantes dans une séquence (texte, code, etc.). Elle permet un entraînement parallèle efficace et a rendu possible les grands modèles modernes.
Quelles compétences développer en priorité au Pays de Galles ?
- Un socle en maths appliquées et statistiques, des bases solides en apprentissage automatique, des savoir-faire en ingénierie des données et en MLOps, et une culture de gouvernance (sécurité, éthique, conformité).
Par où commencer pour une PME qui veut adopter l’IA ?
- Identifier un problème métier précis, constituer un petit jeu de données propre et pertinent, tester une preuve de concept avec des modèles existants, puis industrialiser progressivement avec des garde-fous (mesure de performance, sécurité, protection des données).
Comment réduire l’empreinte énergétique de l’IA ?
- Utiliser des modèles compacts, pratiquer la mise au point (fine-tuning) plutôt que l’entraînement intégral, recourir à des centres de données alimentés en renouvelables, et optimiser l’inférence (quantification, distillation, caching).
