Alors que des milliards affluent vers les technologies de type ChatGPT, l'IA traditionnelle, moins spectaculaire, continue d'alimenter tout, des bénéfices de Meta à la conception de fusées.
David Paul Morris/Bloomberg via Getty Images
Meta $META a réalisé plus de 18 milliards de dollars de bénéfices le dernier trimestre, mais ce n’est pas le type d’IA dont tout le monde parle qui a provoqué ce coup de pouce. Alors que le PDG Mark Zuckerberg a dépensé des milliards pour créer une "superintelligence" infrastructure et poursuivre ses rêves d'IA générative, les gains réels de l'entreprise provenaient de l'apprentissage automatique traditionnel - également connu sous le nom de mêmes algorithmes de recommandation qui ont discrètement alimenté le ciblage publicitaire de Facebook et Instagram pendant des années.
Alors que la frénésie autour de l'IA se poursuit, un fossé croissant est apparu. D'un côté se trouvent les promesses et les investissements : vers l'IA générative et les grands modèles de langage. De l'autre, là où les entreprises voient réellement des résultats. Tandis que des milliards sont investis dans des technologies à la ChatGPT, des techniques traditionnelles, moins tape-à-l’œil, non génératives continuent de discrètement alimenter tout, des bénéfices publicitaires de Meta
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.
Cette division crée à la fois des opportunités négligées pour les investisseurs et un décalage entre l'IA qui reçoit des fonds et l'IA qui fonctionne réellement.
Les chiffres de l'appel de résultats du deuxième trimestre de Meta racontent une histoire brutale. La directrice financière de Meta, Susan Li, a été directe : "Nous ne pensons pas que le travail sur la GenAI sera un moteur significatif de revenus cette année ou l'an prochain”, a-t-elle déclaré. Pendant ce temps, les systèmes d'apprentissage automatique traditionnels de l'entreprise ont permis d'augmenter d'environ 5 % les conversions publicitaires sur Instagram et de 3 % sur Facebook.
La différence réside dans ce que font ces systèmes d'IA. L'IA générative qui attire l'attention aujourd'hui - des grands modèles de langage comme ChatGPT et des générateurs d'images comme Midjourney - crée de nouveaux contenus en prédisant ce qui devrait suivre. Tout le reste représente un vaste ensemble d'outils de différentes technologies, y compris des réseaux neuronaux qui classifient les images, des algorithmes qui détectent la fraude, des systèmes qui recommandent des produits et des modèles qui optimisent les chaînes d'approvisionnement. L'IA générative est relativement nouvelle, tandis que ces autres approches ont été développées depuis des années, voire, dans certains cas, des décennies.
La nouveauté de l'IA générative explique à la fois l'excitation et les résultats limités jusqu'à présent. Lors de la discussion des expériences de Meta avec Llama 4 pour construire des agents IA autonomes, Zuckerberg a reconnu que le travail "a lieu à faible volume pour le moment, donc je ne suis pas sûr que ce résultat, en soi, ait été un contributeur majeur aux résultats de ce trimestre." La trajectoire, a-t-il dit, est "très optimiste."
Cet optimisme est partagé dans l'ensemble du monde de l'investissement. Les investissements privés dans l'IA générative ont atteint 33,9 milliards de dollars en 2024, en hausse de 18,7% par rapport à 2023 et plus de 8,5 fois plus élevés qu'en 2022, selon Stanford's AI Index reportLe secteur représente désormais plus de 20 % de tous les investissements privés liés à l'IA, qui ont eux-mêmes atteint un record de 252,3 milliards de dollars. Les États-Unis dominent ce paysage, avec un investissement privé américain dans l'IA atteignant 109,1 milliards de dollars, soit presque 12 fois plus que les 9,3 milliards de dollars de la Chine.
Mais l'intense concentration de la communauté du capital-risque sur l'IA générative ne signifie pas que l'apprentissage automatique traditionnel a été entièrement abandonné. Le paysage du financement est plus nuancé et révèle la complexité d'investir dans un secteur technologique en rapide évolution.
"Cela ressemble vraiment à un changement radical et nous en sommes encore aux premiers jours", a déclaré Amy Cheetham, une investisseuse en phase de démarrage chez Costanoa Ventures, comparant l'IA générative aux précédents changements technologiques comme l'Internet, le mobile et le cloud computing. "Il va être vraiment difficile de construire toute sorte d'entreprise sans intégrer quelque composant que ce soit, quelque part dans leur produit, ou dans leurs outils internes."
Le problème est que le succès de l'IA générative crée sa propre dynamique, croissant à des rythmes que le monde n'a jamais connus auparavant avec moins de personnes. Cela rend les entreprises irrésistibles pour les investisseurs, mais cela signifie aussi que certaines entreprises fondées après l'engouement pour l'IA générative qui a pris de l'ampleur en 2023 sont négligées - même si certaines devraient recevoir plus d'attention.
"Je pense que beaucoup d'entre elles sont ignorées par les investisseurs pour de mauvaises raisons, et c'est simplement parce qu'il y a quelque chose de légèrement plus sexy dans la catégorie de l'IA générative", a déclaré Cheetham.
Certains secteurs n'ont jamais abandonné les anciennes approches. La médecine utilise l'IA traditionnelle depuis des décennies. Les réseaux neuronaux pour le dépistage du cancer du col de l'utérus étaient testés dans des essais cliniques dès 1995.
Des recherches récentes poursuivent cette tradition. Une étude a analysé 20 ans de données de tests sanguins de dizaines de milliers de patients pour créer des plages "normales" personnalisées au lieu des intervalles de référence universels que les médecins utilisent actuellement.
"Ce qui est normal pour vous ne l'est peut-être pas pour quelqu'un d'autre", a déclaré Brody Foy, professeur adjoint de médecine de laboratoire et de pathologie à l'Université de Washington, qui a mené la recherche.
La préférence pour des approches éprouvées reflète les contraintes uniques de la médecine. Les lois sur la confidentialité des patients comme HIPAA créent des obstacles supplémentaires pour toute nouvelle technologie manipulant des données de santé. Plus fondamentalement, les erreurs médicales peuvent être fatales, rendant les médecins et les hôpitaux naturellement prudents quant à l'adoption de systèmes expérimentaux d'IA.
Mais au-delà de ces préoccupations de sécurité, le défi n'est pas toujours de trouver une meilleure technologie, mais de faire fonctionner toute technologie au sein des systèmes existants. Les flux de travail médicaux sont notoirement complexes, impliquant plusieurs spécialistes, exigences réglementaires et protocoles de sécurité des patients qui peuvent prendre des années à naviguer.
"Il peut y avoir de très bonnes utilisations pour la nouvelle grande technologie, mais souvent ce n'est pas la technologie qui était le facteur limitant", a déclaré Foy. "Le facteur limitant était comment intégrer cela dans un système vraiment complexe où les gens font des choix complexes ?"
Les mêmes défis d'intégration existent dans des industries où se tromper peut être catastrophique. Dans l'aérospatiale, où les moteurs de fusées fonctionnent parfaitement ou explosent, la startup Leap 71 basée à Dubaï a construit un système d'IA qui opère de manière déterministe basé sur des lois de la physique intégrées plutôt que de faire des suppositions probabilistes comme l'IA générative.
« Ils encapsulent en fait la logique pour construire un moteur de fusée », a déclaré Lin Kayser, cofondateur de Leap 71. « Nous utilisons l'IA générative pour lire des articles et résumer des informations pour nous. Mais sinon, nous n'en avons pas besoin pour créer des fusées pour le moment. »
Cette approche a déjà produit des moteurs de fusée fonctionnels. En 2024, Noyron a conçu un petit moteur de fusée qui a été imprimé en 3D en une seule pièce et testé avec succès. En janvier 2025, la société a conçu un type de moteur encore plus complexe. L'entreprise vise désormais à passer à des moteurs qui pourraient rivaliser avec le moteur Raptor de SpaceX d'ici 2029.
Ce succès a intégré Leap 71 dans la conversation plus large sur le potentiel de l'IA, même si son approche diffère fondamentalement des modèles génératifs. Le battage médiatique peut être une distraction, quelque chose que Kayser a observé en 30 ans en tant qu'entrepreneur.
« La publicité ne me dérange pas parce qu'elle attire les clients vers nous », a-t-il déclaré. "Mais en même temps, nous essayons simplement d'être diligents dans la construction de fusées. »
À l'échelle institutionnelle, le tableau est différent. Les universités maintiennent un espace à la fois pour la recherche expérimentale en IA générative et pour les approches traditionnelles éprouvées afin qu'elles coexistent. Les chercheurs peuvent poursuivre des idées plus risquées et non prouvées tandis que les VC ont besoin de solutions prêtes pour le marché qui peuvent générer des retours, selon Vanessa Parli, directrice de recherche à l'Institut de l'IA centrée sur l'humain de Stanford et membre du comité directeur de l'AI Index.
L'attrait de l'IA générative s'est étendu bien au-delà des départements d'informatique à des domaines tels que la biologie, la psychologie et les sciences de l'environnement. L'interface conviviale de la technologie la rend attrayante pour les chercheurs sans connaissances approfondies en IA. Mais dans des domaines comme la durabilité, les chercheurs continuent de travailler sur des méthodes plus simples qui fonctionnent souvent mieux en raison de plus petits ensembles de données et d'exigences techniques spécifiques.
« [L'IA générative] n'est pas le seul type d'IA en développement », a déclaré Parli. Au-delà de la construction d'outils pour des domaines spécifiques, les chercheurs de Stanford poursuivent quelque chose de plus grand. À Stanford, elle voit les chercheurs continuer de travailler sur des approches qui pourraient représenter la prochaine vague de percées.
Le défi n'est pas que cette recherche disparaisse. C'est que les chercheurs traditionnels en IA doivent concurrencer une machine marketing bien financée qui domine les gros titres et les réunions de présentation. Mais si l'IA générative rencontre des obstacles ou ne tient pas ses promesses, ces chercheurs pourraient être en position d'intervenir s'ils empruntaient certaines tactiques promotionnelles du monde de l'IA générative.
« Les personnes qui travaillent sur des projets non liés à la génétique peuvent envisager de l'aide pour les relations publiques et le marketing », a déclaré Paril.
