La canicule, des fois, pour certains trucs, c’est cool.
Par exemple : scroller jusqu’à deux du mat’ et tomber sur un gars à lunettes qui s’appelle Olivier Hamant. Et appliquer ses principes au champ de l’intelligence artificielle. Tout, dans le monde de l’IA, tourne autour de la performance. Pas que,mais bon. Classements, courses à l’échalotte, Cac 40, Nasdaq et des meilleurs : chaque annonce se mesure à l’aune d’un modèle plus grand, plus rapide, moins cher, meilleur sur tel test. Et patati et patata. Mon nouvel ami – donc – Olivier Hamant défend une thèse qui prend cette obsession à revers : dans le vivant, ce qui dure ne doit presque rien à la performance, et presque tout à la robustesse. Ah oui ?
La robustesse n’est pas la performance
Hamant part d’un constat contre-intuitif : « les organismes vivants sont peu efficaces« . Une plante gaspille, tâtonne, produit en excès. Mais cette absence d’optimalité est précisément ce qui la rend capable d’encaisser l’imprévu. La performance, elle, suppose un monde stable ; elle s’effondre au premier choc.
Le parallèle avec l’IA est presque trop beau. Un modèle hypra-optimisé sur sa distribution d’entraînement est un modèle fragile hors de celle-ci. Nous avons même un nom pour ce piège : le surapprentissage. Un système trop bien ajusté à son environnement spécifique généralise mal ; il excelle sur ce qu’il connaît mais s’écroule comme une merde sur ce qu’il ne connaît pas — un cas limite, une entrée adverse, une situation que personne n’avait prévue et nous voilà planté-ta-mère.
Hamant rappelle que la nature connaît aussi des pointes de performance — mais transitoires, car dangereuses. Exemple : la fièvre améliore la réponse immunitaire ; prolongée, elle tue. Nos entraînements géants, nos modèles taillés pour truster un classement, relèvent de la même logique : impressionnants, coûteux, éphémères, et souvent le cache-misère d’une fragilité de fond. Gilles Babinet et ses amis le plus souvent hautement autorisés ne cessent de nous alerter sur la bulle IA. Crack.
L’économie de la démesure
La performance de l’IA actuelle repose entièrement sur l’abondance : abondance de calcul, de données, d’énergie, de pognon et une chaîne d’approvisionnement en puces d’une stabilité miraculeuse. Retirez l’un de ces piliers, et l’édifice vacille. Badaboum. Ce n’est pas de la force, c’est de la dépendance. Plus un système est optimisé, plus il s’attache à des externalités sur lesquelles il n’a aucune prise : quelques fonderies, quelques fournisseurs d’énergie, quelques acteurs.
Le paradoxe de Jevons décrit exactement ce qui nous arrive. Chaque gain d’efficacité — un modèle plus petit, moins cher à faire tourner — ne réduit pas la consommation : il fait exploser les usages, si bien que la demande totale de calcul et d’énergie augmente. L’efficacité ne soulage pas la ressource, elle nourrit la bête.
Son cousin, en IA, s’appelle la loi de Goodhart : quand une mesure devient un objectif, elle cesse de mesurer quoi que ce soit. Toute une industrie optimise des métriques qui perdent leur sens à mesure qu’on les optimise. Ceux qui suivent l’effondrement progressif des indicateurs SEO à l’ère du zero-click reconnaîtront le motif. On comptabilise le passage à l’échelle comme une création de valeur, pendant que le coût réel — l’énergie, l’eau, la concentration des moyens — est soigneusement externalisé. Comme en économie, où l’on inscrit la destruction du capital naturel dans la colonne des profits.
Un contre-modèle à installer
Cette course concentre l’IA entre les mains de quelques acteurs très riches. Hamant fait une observation voisine à propos des guerres modernes : elles ne naissent pas de la pénurie mais de l’excès, et sont le fait des plus riches — la performance poussée à son terme. La démesure de l’IA obéit à la même pente.
Une IA robuste ressemblerait à l’inverse de ce paysage : distribuée plutôt que centralisée, frugale plutôt que gloutonne, locale, redondante, adaptable. Des petits modèles, embarqués, ouverts, imparfaits mais nombreux — la diversité d’un écosystème plutôt que l’optimum d’un géant unique.
Et surtout, un renversement de regard. L’IA frugale, artisanale, locale n’est pas une IA « en retard ». C’est peut-être le laboratoire du monde qui vient — celui des fluctuations, des pénuries, des chocs que la version performante ne saura pas encaisser. Là où l’on voit un archaïsme, il faut apprendre à voir une avant-garde.
Réenchanter le risque
Le pari d’Olivier Hamant, transposé à nos IA, tient en une phrase : réenchanter le risque. Cesser de construire des systèmes qui prétendent supprimer l’incertitude, pour en concevoir qui sachent l’accueillir. Non pas l’IA la plus performante — celle qui gagne le benchmark du jour — mais celle qui sera encore debout après le choc. Lequel ?
Telle est la question.