L’Europe peut-elle briser la domination américaine sans copier la Silicon Valley ?

1. Question de recherche et cadre méthodologique

Idée directriceL’Europe peut-elle développer son propre ChatGPT ?

Un chatbot européen serait techniquement possible. Il ne constituerait toutefois pas encore une industrie européenne de l’IA autonome.

Idée directriceL’Europe peut-elle construire une structure d’IA économiquement viable, socialement utile et contrôlable en toute sécurité, qui concurrence les plateformes américaines sur certains marchés, limite les dépendances critiques et conserve en Europe une part significative de la création de valeur ?

Cette question comporte au moins cinq dimensions :

• Capacité technologique : l’Europe peut-elle développer, exploiter, évaluer et adapter des modèles performants ?

• Viabilité économique : peut-il en résulter durablement des produits et des entreprises pour lesquels des clients sont disposés à payer ?

• Effet industriel : la technologie augmente-t-elle la productivité des entreprises européennes et des institutions publiques ?

• Répartition : qui bénéficie des gains de productivité – exploitants de plateformes, propriétaires, clients, salariés ou collectivité ?

• Sécurité et contrôle : qui évalue les systèmes et comment limiter les capacités dangereuses ou inattendues ?

Une stratégie qui ne poursuit que le premier objectif reste incomplète. L’Europe pourrait développer un modèle techniquement performant tout en échouant économiquement. Elle pourrait créer des entreprises d’IA rentables tout en dévalorisant les capacités humaines. Elle pourrait exploiter des serveurs européens tout en demeurant structurellement dépendante pour les puces, les logiciels cloud ou les architectures de modèles.

1.1 Limites des données disponibles

Il est actuellement impossible d’évaluer avec exactitude la viabilité économique des principales entreprises d’IA.

Les entreprises ne publient que des informations incomplètes sur :

• les coûts d’inférence par utilisateur,

• les marges brutes des différents produits,

• les prix internes de la puissance de calcul,

• le taux d’utilisation de leurs centres de données,

• la durée d’amortissement des puces,

• le coût des offres gratuites,

• les budgets de recherche des différentes générations de modèles,

• l’ampleur des subventions croisées.

La transparence technique diminue elle aussi en partie. Le Stanford AI Index souligne que, précisément pour les modèles particulièrement performants, les volumes de données, la durée d’entraînement, le code d’entraînement, le nombre de paramètres et la puissance de calcul mobilisée ne sont souvent pas intégralement divulgués.

Calculer avec précision le chiffre d’affaires nécessaire au secteur des modèles ou déterminer quels fournisseurs actuels existeront encore en 2030 relèverait donc d’une précision illusoire.

Il est en revanche possible d’analyser de manière robuste :

• les tendances en matière d’investissement et d’infrastructures,

• la structure du marché et les barrières à l’entrée,

• les écarts de performance technologique,

• les déficits de financement européens,

• les besoins énergétiques,

• les exigences de gouvernance et de sécurité,

• différents scénarios de politique industrielle.

2. Que signifie remporter la compétition en matière d’IA ?

L’affirmation « l’Amérique gagne la course à l’IA » est inutilisable sans définition du marché considéré.

La création de valeur de l’IA se compose de plusieurs niveaux.

2.1 Infrastructure de calcul

Les fondements matériels de l’IA comprennent :

• les centres de données,

• les accélérateurs d’IA,

• le stockage,

• les réseaux à haute performance,

• le refroidissement,

• la production d’électricité et les raccordements au réseau,

• les plateformes cloud.

Les entreprises américaines disposent ici d’un avantage structurel considérable. Amazon, Microsoft et Google possèdent des centres de données mondiaux, une clientèle d’entreprises existante et des activités rentables grâce auxquelles ils peuvent cofinancer l’expansion de leur infrastructure d’IA.

L’IEA estime que la consommation mondiale d’électricité des centres de données pourrait passer d’environ 485 térawattheures en 2025 à quelque 950 térawattheures en 2030. Une énergie abordable et fiable deviendrait ainsi un facteur d’implantation déterminant pour l’IA.

À ce niveau, l’Europe ne dépassera guère les États-Unis à court terme.

2.2 Modèles de fondation généralistes

Les modèles généralistes associent de plus en plus :

• traitement du langage,

• programmation,

• mathématiques,

• images et vidéo,

• recherche,

• utilisation d’outils,

• exécution agentique de tâches.

Là encore, les entreprises américaines sont majoritairement en tête. Dans le même temps, l’écart entre les meilleurs systèmes américains et chinois se réduit sur certains benchmarks. Le Stanford AI Index chiffre l’écart entre les modèles les plus performants en mars 2026 à 2,7 points de pourcentage, tout en avertissant de problèmes croissants de fiabilité et de manipulabilité des benchmarks courants.

Les États-Unis sont en tête. On ne peut toutefois pas en déduire une avance technologique impossible à rattraper.

2.3 Plateformes et distribution

Un modèle devient particulièrement puissant sur le plan économique lorsqu’il est diffusé par l’intermédiaire de plateformes existantes.

Microsoft peut associer l’IA à Azure, Microsoft 365, Windows et GitHub. Google dispose de la recherche, de la publicité, d’Android et de Workspace. Amazon possède AWS ainsi que de vastes systèmes de commerce et de logistique. Meta contrôle des plateformes mondiales de communication.

Ces entreprises n’ont pas à construire une nouvelle relation client à partir de zéro. Elles peuvent proposer des modèles comme composantes de produits existants et répartir leurs coûts entre plusieurs activités.

Un fabricant européen indépendant de modèles ne dispose initialement pas de cette possibilité.

2.4 Intégration dans les entreprises

Les entreprises achètent rarement un modèle seul.

Elles ont besoin de :

• connexions aux données,

• gestion des accès,

• contrôles de sécurité,

• supervision,

• support,

• garanties de disponibilité,

• responsabilité,

• adaptation aux processus internes.

À ce niveau, les entreprises européennes peuvent contrôler une grande partie de la création de valeur même si le modèle de fondation sous-jacent provient des États-Unis.

2.5 Applications spécialisées

Dans des domaines tels que la médecine, l’industrie, l’énergie, le droit, la logistique ou la traduction, la performance générale du modèle n’est pas le seul facteur décisif.

Sont déterminants :

• l’expertise,

• les données propriétaires,

• la certification,

• la fiabilité,

• l’intégration,

• la responsabilité,

• les relations clients existantes.

Les États-Unis peuvent donc dominer les couches de l’infrastructure et des modèles de fondation sans contrôler automatiquement chaque couche applicative.

3. Pourquoi les États-Unis restent les grands favoris

3.1 Capital

L’avance américaine en matière d’investissement est considérable. Pour 2025, le Stanford AI Index fait état d’une forte hausse des investissements mondiaux des entreprises et d’un rôle particulièrement dominant des États-Unis.

Le capital permet :

• des entraînements à plus grande échelle,

• des recherches parallèles,

• des salaires élevés,

• le financement de pertes à long terme,

• l’achat précoce de capacités de calcul rares,

• une distribution mondiale.

3.2 Intégration verticale

Les grandes entreprises américaines contrôlent simultanément :

• l’infrastructure,

• les modèles,

• les plateformes,

• les applications,

• les interfaces clients.

Un fournisseur de modèles isolé doit monétiser directement son modèle. Un groupe technologique intégré peut aussi utiliser stratégiquement un modèle lorsque celui-ci ne dégage temporairement aucun rendement autonome élevé.

3.3 Le déficit européen de financement des scale-ups

La faiblesse de l’Europe ne concerne pas seulement la création d’entreprises, mais surtout leur changement d’échelle.

Selon les analyses de la Banque européenne d’investissement, les scale-ups européennes lèvent, jusqu’à leur dixième année d’existence, environ 50 pour cent de capitaux de moins que des entreprises comparables de la région de San Francisco. Ce déficit persiste quels que soient les secteurs et les cycles économiques.

L’EIB souligne également que le volume européen de capital-risque est nettement inférieur au volume américain et que les entreprises prospères deviennent souvent dépendantes d’investisseurs étrangers.

3.4 Vitesse

Les entreprises technologiques américaines lancent souvent leurs produits tôt, les testent sur le marché, puis les améliorent.

Cette stratégie peut créer des problèmes considérables de sécurité et de qualité. Sur le marché des logiciels, qui évolue rapidement, elle procure toutefois aussi une avance temporelle.

L’Europe ne peut donc pas répondre à la concurrence américaine par des procédures de concertation politique s’étendant sur plusieurs années.

4. Pourquoi l’avance américaine ne détermine pas automatiquement l’ensemble du marché

4.1 La performance des modèles devient plus rapidement reproductible

Les écarts de performance entre les principaux systèmes se sont réduits dans plusieurs évaluations. Parallèlement, les benchmarks classiques sont épuisés de plus en plus rapidement et sont parfois vulnérables à la contamination des données ou à l’optimisation stratégique.

Une avance technologique peut donc être considérable sans rester durablement stable.

4.2 Le marché des modèles reste dynamique

L’OECD constate certes des risques manifestes de concentration concernant le compute, l’infrastructure cloud, les données et les spécialistes. Elle observe en même temps une baisse des prix, une multiplication des modèles et la poursuite de nouvelles entrées sur le marché.

Le tableau le plus probable n’est donc pas celui d’un monopole intégral, mais celui :

• d’un noyau oligopolistique de très grandes plateformes,

• de plusieurs fournisseurs régionaux ou soutenus par l’État,

• d’écosystèmes de modèles ouverts,

• d’entreprises spécialisées.

4.3 Les modèles ouverts limitent la dépendance

Les poids ouverts des modèles permettent :

• un déploiement local,

• une adaptation propre,

• des tests indépendants,

• des coûts de changement plus faibles.

L’International AI Safety Report 2026 souligne toutefois que les restrictions de sécurité peuvent être supprimées plus facilement dans les modèles ouverts et que les poids publiés ne peuvent pratiquement pas être rappelés. L’ouverture favorise la concurrence et la recherche, mais accroît aussi les risques d’utilisation abusive pour les systèmes très performants.

4.4 Le routage des modèles crée un marché multifournisseur

Les entreprises n’ont pas à confier chaque tâche au modèle le plus performant.

Un système peut :

• traiter localement les cas simples,

• acheminer les tâches standard vers des modèles peu coûteux,

• conserver les données sensibles en interne,

• envoyer les cas exceptionnels complexes à des modèles de pointe.

La nécessité de s’en remettre entièrement à un fournisseur unique diminue ainsi.

5. Le problème des coûts pour les fabricants indépendants de modèles

La tension économique du marché des modèles découle de deux évolutions opposées.

5.1 Les performances déjà atteintes deviennent moins coûteuses

Des architectures plus efficaces, du matériel plus performant, des modèles plus petits et la concurrence réduisent le coût des capacités déjà connues.

5.2 La frontière technologique reste fortement capitalistique

Quiconque souhaite rester à la frontière des modèles doit :

• s’assurer de vastes clusters de calcul,

• employer des équipes hautement qualifiées,

• développer de nouvelles méthodes d’entraînement,

• financer les tentatives infructueuses,

• mettre en place des systèmes de sécurité et d’évaluation.

Le chiffre d’affaires des principales entreprises croît rapidement. Dans le même temps, les dépenses d’infrastructure et de compute augmentent fortement, tandis que les données fiables sur les marges brutes et les flux de trésorerie disponibles font défaut.

5.3 L’inférence engendre des coûts récurrents

Chaque utilisation supplémentaire nécessite de la puissance de calcul. Sont particulièrement exigeants :

• les longs contextes,

• le traitement de la parole et de la vidéo,

• le reasoning approfondi,

• les systèmes agentiques effectuant de nombreux appels d’outils.

L’IEA indique que la consommation électrique des centres de données a augmenté de 17 pour cent à l’échelle mondiale en 2025. Dans le même temps, la consommation d’énergie par tâche diminue rapidement. La croissance globale de l’utilisation et les applications à forte intensité de calcul peuvent toutefois plus que compenser ces gains d’efficacité.

5.4 La publicité est une possibilité, pas la seule

Un assistant grand public gratuit ou très peu coûteux a besoin d’un payeur. Il peut s’agir :

• de l’utilisateur,

• d’une entreprise cliente,

• d’un annonceur,

• d’un exploitant de plateforme,

• d’un partenaire commercial,

• d’un donneur d’ordre public.

La publicité n’est donc pas un modèle économique nécessaire pour l’ensemble de l’IA. Elle peut toutefois contribuer au financement d’offres gratuites destinées au grand public.

Pour les entreprises européennes, les modèles de revenus directs sont probablement plus attrayants :

• licences d’entreprise,

• tarification à l’usage,

• installation locale,

• intégration,

• contrats de service,

• rémunération liée aux résultats.

L’Europe n’a pas à tenter de copier la logique américaine de gratuité et de publicité.

6. Ce qu’Airbus prouve réellement

Airbus ne prouve pas que l’Europe construit fondamentalement de meilleurs produits.

Airbus prouve :

Idée directriceUne domination américaine établie peut être brisée par une politique industrielle coordonnée, la mise en commun des compétences, un financement à long terme et une intégration entrepreneuriale.

6.1 Mise en commun des capacités existantes

L’Europe disposait déjà d’entreprises aéronautiques, d’ingénieurs, d’établissements de recherche et de fournisseurs. Ces compétences étaient toutefois fragmentées à l’échelle nationale.

6.2 Marché clairement défini

Airbus a développé un produit précis pour des clients clairement identifiables : des avions de ligne sûrs, homologués et économiquement exploitables.

6.3 Demande ferme

Les compagnies aériennes européennes et les acteurs publics constituaient un important marché intérieur.

6.4 Intégration organisationnelle

Airbus est passé d’un consortium à une entreprise davantage intégrée, dotée d’une direction commune. Cette intégration était essentielle pour subordonner les intérêts nationaux particuliers à une stratégie unifiée de produit et d’entreprise.

6.5 Erreurs du concurrent

Les problèmes de qualité documentés de Boeing ont renforcé le succès européen.

Le NTSB a attribué l’incident de 2024 relatif à l’obturateur de porte à une formation, des instructions et une supervision insuffisantes de la part de Boeing. La FAA a constaté de nombreuses violations du système qualité et renforcé sa surveillance.

Ces conclusions concernent Boeing. Elles ne prouvent pas que les entreprises américaines sont généralement incapables de fournir de la qualité.

7. Pourquoi l’organisation d’Airbus ne peut être transposée telle quelle à l’IA

7.1 Des cycles de produit différents

Un programme aéronautique s’étend sur plusieurs décennies. Un modèle d’IA peut perdre relativement en compétitivité en quelques mois.

7.2 Des coûts de changement différents

Une compagnie aérienne ne peut pas remplacer sa flotte à court terme. L’homologation, la maintenance, la formation et les pièces détachées créent une forte dépendance.

Un modèle d’IA peut techniquement être remplacé par l’intermédiaire d’une interface. Les coûts de changement augmentent toutefois dès que les données, les agents et les processus sont profondément intégrés.

7.3 Une modularité accrue

Une application d’IA peut combiner des composants d’origines diverses :

• un modèle de fondation américain,

• un hébergement européen des données,

• une expertise sectorielle allemande,

• une adaptation française du modèle,

• une structure d’évaluation indépendante.

7.4 Une définition imprécise du produit

Un « Airbus de l’IA » européen pourrait désigner :

• un modèle de fondation,

• un cloud,

• un centre de données,

• une plateforme industrielle,

• un assistant pour les administrations,

• un modèle ouvert,

• un produit grand public.

Une entreprise chargée d’accomplir toutes ces missions serait probablement dépassée sur le plan organisationnel.

Idée directriceL’Europe a besoin du principe Airbus, pas nécessairement d’une entreprise Airbus unique.

8. La qualité européenne doit devenir mesurable

L’Europe ne peut gagner en s’attribuant elle-même une supériorité morale ou technique.

La qualité de l’IA doit être évaluée selon des critères concrets :

Exactitude technique

À quelle fréquence le système produit-il des résultats factuellement erronés ?

Fiabilité

Fournit-il des résultats cohérents pour des tâches comparables ?

Étalonnage

Le modèle peut-il reconnaître ses incertitudes ?

Traçabilité

Les sources, les versions de modèle, les données et les étapes de traitement peuvent-elles être documentées ?

Contrôlabilité

L’exploitant peut-il limiter les outils, les sources de données et les actions autorisés ?

Protection des données et contrôle juridique

Où les données sont-elles traitées et de quel droit les exploitants et l’infrastructure relèvent-ils ?

Disponibilité à long terme

Le système peut-il être entretenu, actualisé et remplacé pendant plusieurs années ?

Viabilité économique

Quel est le coût total de l’ensemble du processus, et pas seulement celui des différents tokens ?

Effet humain

Le système accroît-il les capacités des salariés ou les réduit-il à la surveillance et à la correction des erreurs ?

Un modèle européen n’a pas à être en tête de chaque benchmark généraliste. Il peut être meilleur s’il accomplit une tâche concrète de façon plus contrôlable, plus sûre et plus économique.

9. Première condition : l’IA doit accroître les capacités humaines

Le débat européen se concentre fortement sur les modèles, les centres de données et les valorisations d’entreprises. Il demande trop rarement quel type de travail cette technologie doit faire émerger.

9.1 Des gains de productivité sont possibles, mais pas garantis

Le Stanford AI Index décrit des gains de productivité mesurables dans des activités clairement structurées, notamment le développement logiciel, le service client ou le marketing. À l’échelle macroéconomique, les données probantes demeurent toutefois précoces et hétérogènes.

Daron Acemoglu analyse l’IA dans un modèle fondé sur les tâches. Il distingue l’automatisation, le complément au travail humain et la création de nouvelles tâches. Une technologie peut remplacer certaines activités sans engendrer automatiquement d’importants gains de productivité macroéconomiques.

9.2 L’automatisation n’est pas synonyme de progrès social

Un système d’IA européen serait socialement médiocre si son utilité principale consistait à :

• surveiller les salariés,

• réduire les effectifs,

• centraliser l’expertise dans des systèmes propriétaires,

• remplacer les décisions humaines par des modèles qui ne sont pas traçables.

9.3 L’IA complémentaire comme orientation européenne de développement

L’Europe devrait soutenir en priorité des systèmes qui :

• permettent aux techniciens de poser de meilleurs diagnostics,

• libèrent le personnel soignant des tâches de documentation,

• fournissent de l’expertise aux petites entreprises,

• assistent les salariés dans leur langue maternelle,

• intègrent la formation professionnelle au processus de travail,

• complètent le travail scientifique.

9.4 Répartition des gains de productivité

Les gains de productivité peuvent revenir aux propriétaires, aux exploitants de plateformes, aux clients, aux salariés ou à l’État.

Une stratégie européenne en matière d’IA ne devrait donc pas seulement mesurer le temps de travail économisé. Elle devrait aussi examiner :

• si les salaires augmentent,

• si de nouvelles tâches qualifiées apparaissent,

• si les salariés bénéficient de formations complémentaires,

• si les petites et moyennes entreprises en profitent,

• si la qualité du travail s’améliore.

• Plus un système d’IA transforme le travail humain, plus les salariés doivent être associés à son développement, à son introduction et à son évaluation.

10. Deuxième condition : l’Europe a besoin d’une mission publique

La « souveraineté européenne » ne constitue pas encore une mission complète. Elle décrit une capacité, mais aucun résultat social concret.

L’approche de Mariana Mazzucato orientée vers les missions ne conçoit pas la politique industrielle comme une simple correction des défaillances du marché. L’État et l’économie doivent orienter ensemble les marchés vers des objectifs publics vérifiables.

10.1 Une mission européenne possible

• D’ici 2035, l’Europe développe une infrastructure d’IA contrôlable qui augmente la productivité industrielle, améliore les services publics, accroît les capacités humaines et limite les dépendances critiques envers certaines plateformes non européennes.

• réduction de la consommation d’énergie et de matériaux dans l’industrie,

• réduction de la charge documentaire dans le secteur de la santé,

• raccourcissement des délais de traitement dans les administrations,

• amélioration de la communication multilingue,

• accès des petites entreprises à une IA de haute qualité,

• outils ouverts pour la science et l’éducation.

10.2 Le financement public exige des contreparties

Si la collectivité :

• finance des centres de données,

• paie la recherche,

• assume les risques de développement,

• garantit des commandes à long terme,

la réussite économique ne doit pas être entièrement privatisée.

Mazzucato et d’autres auteurs proposent à cet effet des conditionnalités de politique industrielle. Celles-ci peuvent être inscrites dans les contrats de financement, de marchés publics et de participation.

Les conditions possibles seraient :

• interfaces ouvertes,

• portabilité des données,

• réinvestissements dans la recherche européenne,

• engagements en matière de formation et d’implantation,

• indicateurs énergétiques transparents,

• options d’exploitation européennes,

• conditions de licence équitables pour les organismes publics,

• mécanismes de remboursement ou de participation en cas de réussite exceptionnelle.

La règle fondamentale est la suivante :

Idée directriceQuiconque bénéficie d’une prise de risque publique doit créer de la valeur publique.

Cela ne signifie pas que les ministères devraient prendre les décisions techniques. L’État définit les missions, les conditions et les limites. Les entreprises se font concurrence pour proposer la meilleure mise en œuvre.

11. Troisième condition : la sécurité exige des institutions indépendantes

Un fournisseur européen ne serait pas automatiquement plus sûr qu’un fournisseur américain.

Les entreprises européennes seraient elles aussi incitées à :

• publier rapidement,

• présenter favorablement leurs capacités,

• minimiser les risques,

• gagner des parts de marché.

Le fabricant ne doit donc pas être seul à déterminer si son système est sûr.

11.1 Concepts de sécurité à plusieurs niveaux

L’International AI Safety Report 2026 conclut que les puissants systèmes d’IA généralistes développent de nouvelles capacités, tandis que les mesures techniques de protection continuent de présenter des limites. Le rapport recommande notamment des évaluations des capacités dangereuses, des seuils et des réactions de sécurité définies à l’avance.

11.2 Évaluation indépendante

Les modèles destinés à des applications critiques devraient faire l’objet d’une évaluation externe portant sur :

• les capacités cyber,

• les risques biologiques ou chimiques,

• les capacités de manipulation,

• l’utilisation autonome d’outils,

• la protection des données,

• la fiabilité,

• la possibilité de contourner les mesures de protection.

11.3 Registre des modèles et du compute

Les grands projets d’entraînement et les systèmes particulièrement performants devraient être documentés à partir de seuils définis.

Les critères pourraient être :

• la puissance de calcul utilisée,

• les capacités concrètes,

• le degré d’autonomie,

• l’utilisation dans des domaines critiques.

11.4 Signalement des incidents

Les incidents graves devraient obligatoirement être signalés :

• contournement réussi des mécanismes de protection,

• décisions erronées dangereuses,

• fuites de données,

• actions incontrôlées d’agents,

• utilisation abusive dans des contextes cyber ou biologiques.

11.5 Séparation entre fabricant et évaluateur

Un système européen exige trois rôles distincts :

• fabricant,

• institution technique indépendante d’évaluation,

• autorité de surveillance nationale ou européenne.

Le fabricant ne doit pas être simultanément développeur, expert-évaluateur et garant final de la sécurité.

11.6 Ouverture fondée sur les risques

Les modèles petits et moyens peuvent être proposés de manière largement ouverte. Pour les systèmes particulièrement performants, des accès contrôlés ou des publications échelonnées peuvent être nécessaires.

L’ouverture et la sécurité ne sont pas des opposés absolus. Elles doivent être mises en balance en fonction des capacités et des risques.

12. DeepL comme étude de cas européenne

DeepL revêt une importance stratégique parce que l’entreprise ne cherche pas principalement à développer le plus grand modèle généraliste au monde.

Elle se concentre sur :

• la traduction,

• l’aide à la rédaction,

• la terminologie,

• les documents,

• les processus d’entreprise multilingues.

DeepL affirme être utilisé par plus de 200.000 entreprises. Comme cette donnée provient de l’entreprise elle-même et ne contient pas d’informations complètes sur le chiffre d’affaires ou la rentabilité, elle atteste d’une portée commerciale, mais pas automatiquement d’une robustesse économique.

12.1 Pourquoi ce modèle est intéressant

DeepL répond à un problème existant pour lequel il existe déjà une volonté de payer. Les entreprises disposent déjà de budgets consacrés à la traduction, à la localisation et à la communication internationale.

Le produit ne se limite en outre pas à un appel de modèle. Les API, les glossaires et l’intégration en entreprise peuvent fidéliser la clientèle.

12.2 Le danger des modèles universels

Les modèles généralistes traduisent de mieux en mieux. La traduction simple pourrait donc devenir une fonctionnalité supplémentaire gratuite.

DeepL doit élargir son offre sans devenir un assistant universel interchangeable.

12.3 La dépendance aux infrastructures

DeepL utilise une infrastructure hybride composée de serveurs autogérés dans des centres de données européens et d’une infrastructure cloud AWS. Selon ses propres déclarations, DeepL reste le cocontractant, tandis qu’AWS intervient comme sous-traitant.

Idée directriceL’Europe peut bâtir une entreprise de produits d’IA d’envergure internationale.

Et :

Idée directriceUne entreprise européenne de produits ne possède pas automatiquement une infrastructure entièrement européenne.

13. Mistral et la capacité européenne en matière de modèles de fondation

En plus d’entreprises spécialisées, l’Europe doit disposer au minimum de sa propre compétence en matière de modèles généralistes.

Mistral est actuellement le candidat le plus évident. L’entreprise propose des modèles pouvant être exploités sur une infrastructure propre.

Mistral fait également état d’une collaboration avec Airbus dans l’aviation civile, les hélicoptères, la défense et le spatial. Le déploiement local et le contrôle des données sensibles sont notamment cités. Comme ces informations proviennent du fournisseur, elles attestent d’abord de son orientation stratégique, et non de sa réussite économique à long terme.

L’Europe devrait toutefois éviter de simplement remplacer sa dépendance à une entreprise américaine par une dépendance à un unique fournisseur européen.

Sont nécessaires :

• plusieurs axes de développement technique,

• des alternatives ouvertes,

• des interfaces normalisées,

• de réelles possibilités de changement.

14. L’architecture d’un système industriel européen de l’IA

L’Europe n’a pas besoin d’un unique supergroupe. Elle a besoin d’un système à plusieurs niveaux.

14.1 Infrastructure de calcul

L’UE travaille à la création de 19 AI Factories dans 16 États membres ; la majorité devrait être opérationnelle d’ici fin 2026.

Ces installations doivent relier :

• les supercalculateurs,

• les ressources de données,

• les start-ups,

• la recherche,

• la formation

entre eux.

Elles ne sauraient toutefois être assimilées aux plus grands clusters commerciaux de pointe des hyperscalers américains.

14.2 AI Gigafactories

L’UE entend mobiliser 20 milliards d’euros pour de plus grandes AI Gigafactories. Elles doivent être gérées par le secteur privé et soutenues par les pouvoirs publics, et donner aux entreprises européennes accès à une puissance de calcul à grande échelle.

L’annonce, le financement, la construction et l’exploitation productive constituent toutefois des étapes différentes. L’Europe dispose d’un plan, pas encore d’une preuve définitive de réussite.

14.3 Énergie

Le développement nécessite :

• des raccordements rapides au réseau,

• un approvisionnement électrique fiable,

• des prix compétitifs,

• du refroidissement,

• des sites socialement acceptés.

Sans politique énergétique, une stratégie européenne de l’IA reste incomplète.

14.4 Modèles de fondation et alternatives ouvertes

L’Europe a besoin d’au moins un fournisseur généraliste compétitif et d’au moins une alternative technique crédible.

14.5 Fournisseurs spécialisés

Outre DeepL, des entreprises européennes devraient voir le jour dans les domaines suivants :

• médecine,

• industrie,

• robotique,

• énergie,

• science,

• droit,

• administration.

14.6 Premiers clients industriels

Airbus, SAP, Siemens, Bosch, ainsi que les entreprises européennes de l’automobile, de l’énergie, de la pharmacie et des télécommunications devraient :

• définir des cas d’usage,

• mettre à disposition des données et des environnements de test,

• investir du capital,

• convenir d’achats minimaux.

14.7 Commande publique

L’administration, la santé, l’éducation, la recherche et la défense peuvent créer un vaste marché intérieur.

L’origine européenne ne devrait pas être le seul critère déterminant. Il faudrait exiger :

• des interfaces ouvertes,

• des options d’exploitation locale,

• la possibilité d’audit,

• la possibilité de changer de fournisseur,

• une maintenance à long terme.

14.8 Capital de croissance

Le déficit européen de financement des scale-ups exige :

• de plus grands fonds européens de capital-risque et de croissance,

• la participation des assureurs et des fonds de pension,

• des instruments de la BEI,

• des investisseurs industriels à long terme.

14.9 Architecture de sécurité

Des organismes de contrôle indépendants et une supervision techniquement compétente doivent faire partie de l’infrastructure dès le départ.

15. Pour et contre le principe Airbus

Les coûts fixes élevés empêchent l’émergence spontanée de la concurrence

Lorsque les coûts d’infrastructure et de recherche sont élevés, de nouveaux concurrents mondiaux n’émergent pas nécessairement par le seul jeu des forces du marché.

L’Europe possède déjà des clients

L’industrie, l’administration et les infrastructures publiques européennes constituent un vaste marché intérieur.

Les infrastructures partagées abaissent les barrières à l’entrée

Toutes les entreprises n’ont pas à financer leur propre centre de données.

La commande crée de la visibilité pour la planification

Des contrats à long terme peuvent rendre la recherche et le développement de produits finançables.

Une alternative européenne crée un pouvoir de négociation

L’Europe n’a pas besoin d’exécuter elle-même chaque contrat. Elle doit pouvoir changer de fournisseur de manière crédible.

La spécialisation correspond à la structure économique de l’Europe

L’industrie, la médecine, l’énergie et la science n’ont pas toujours besoin du plus grand modèle universel.

L’Europe pourrait être trop lente

La technologie évolue plus vite que les processus décisionnels européens.

Réponse : les infrastructures et les normes peuvent être organisées en commun. Le développement de produits doit rester entrepreneurial et décentralisé.

Les aides pourraient protéger la médiocrité

Des entreprises européennes pourraient être soutenues en raison de leur origine plutôt que de leurs performances.

Réponse : les aides nécessitent des objectifs de performance mesurables et des critères de cessation clairs.

Les systèmes internationaux pourraient être moins chers

Une solution européenne développée en interne peut entraîner des coûts plus élevés.

Réponse : les applications non critiques devraient continuer à utiliser les meilleurs systèmes au monde. Des capacités propres sont nécessaires là où la dépendance devient stratégiquement importante.

Les modèles ouverts pourraient suffire

L’Europe pourrait exploiter localement des modèles ouverts étrangers.

Réponse : les modèles ouverts sont importants, mais ne remplacent ni les infrastructures, ni la recherche, ni l’évaluation, ni le développement propre.

Les exigences de sécurité pourraient freiner l’innovation

Les contrôles peuvent retarder le développement.

Réponse : une mauvaise bureaucratie freine l’innovation. En revanche, un contrôle techniquement compétent et fondé sur les risques peut créer de la confiance et faciliter l’accès au marché.

16. Critères de réussite mesurables

Une stratégie européenne de l’IA ne devrait pas être évaluée à l’aune des communiqués de presse, de la taille des modèles ou de la valorisation des entreprises.

Capacité d’action technologique

• au moins deux lignées de modèles exploitables indépendamment,

• des options d’exploitation locale pour les applications critiques,

• une capacité démontrée à changer de fournisseur.

Impact économique

• plusieurs entreprises européennes d’IA réalisant un chiffre d’affaires mondial,

• une hausse des investissements privés de suivi,

• des gains de productivité mesurables dans les petites et moyennes entreprises.

Travail et qualifications

• la proportion de systèmes qui complètent le travail des salariés au lieu de les remplacer exclusivement,

• l’évolution des salaires, de la qualité des tâches et du temps consacré à la formation continue,

• le nombre de nouveaux emplois qualifiés créés.

Valeur publique

• des améliorations dans l’administration, la santé, l’énergie ou l’éducation,

• des retours provenant d’entreprises financées par des fonds publics,

• des réinvestissements dans la recherche et la formation.

Sécurité

• la proportion de systèmes à haut risque audités en externe,

• le nombre et la qualité des incidents signalés,

• le délai entre la détection d’un risque et sa correction,

• des possibilités fonctionnelles d’arrêt et de changement.

Souveraineté

• le nombre de systèmes critiques non liés à un unique fournisseur non européen,

• le degré de contrôle des données, de l’exploitation et des modèles,

• un accès garanti à la puissance de calcul et à l’énergie.

17. Trois scénarios d’avenir européens