Avec quatre scénarios aux chances de se réaliser quasiment identiques, tout et son contraire sont possibles dans l’adoption de l’IA. L’OCDE recommande aux gouvernements de bâtir un cadre assez agile pour pouvoir répondre rapidement à chacun d’entre eux. (Photo: Shutterstock)

Avec quatre scénarios aux chances de se réaliser quasiment identiques, tout et son contraire sont possibles dans l’adoption de l’IA. L’OCDE recommande aux gouvernements de bâtir un cadre assez agile pour pouvoir répondre rapidement à chacun d’entre eux. (Photo: Shutterstock)

Alors que le gouvernement luxembourgeois accélère ses initiatives en matière d’intelligence artificielle, un rapport prospectif publié par l’OCDE rappelle qu’aucune trajectoire technologique à l’horizon 2030 ne peut être exclue. Plateau, ralentissement ou accélération majeure: pour les autorités, l’enjeu est moins de choisir un scénario que de bâtir un cadre capable d’absorber des bifurcations rapides.

Au Luxembourg, l’intelligence artificielle est désormais présentée comme un axe stratégique transversal, de la place financière à l’administration publique. Développement des capacités de calcul, soutien aux start-up, intégration progressive dans les services publics: la pression politique pour ne pas rater une vague technologique majeure est manifeste et ce que le public en voit n’est que la partie émergée de ce que le Premier ministre et le gouvernement subissent pour «accélérer». C’est dans ce contexte qu’est paru le rapport «Exploring Possible AI Trajectories through 2030» de l’Organisation de coopération et de développement économiques (OCDE).

Le document adopte une position inhabituelle par sa prudence méthodologique. L’état des connaissances disponibles, soulignent les auteurs, ne permet d’écarter aucun des quatre scénarios envisagés pour l’intelligence artificielle d’ici 2030. La fourchette des futurs plausibles va d’un plafonnement des capacités proches des niveaux de 2025 à une accélération menant à des systèmes capables d’égaler, voire de dépasser, les performances humaines dans la plupart des dimensions cognitives.

Des preuves insuffisantes pour trancher

Ce constat s’appuie sur des données empiriques solides, mais aussi sur les limites de ces données. Depuis 2010, le nombre de paramètres des modèles de pointe a augmenté en moyenne de 2,4 fois par an, la quantité de données d’entraînement de 2,6 fois par an et la puissance de calcul utilisée pour entraîner ces modèles a plus que quadruplé chaque année. Entre 2015 et 2024, le coût du compute (puissance de calcul) mobilisé pour entraîner les modèles frontières a progressé de 2,8 fois par an, tandis que la consommation électrique associée augmentait de 2,3 fois par an. Sur le plan algorithmique, le budget de calcul nécessaire pour atteindre un niveau de performance donné a été divisé par deux environ tous les huit mois entre 2012 et 2023.

Ces chiffres décrivent une dynamique exceptionnelle. Mais ils ne garantissent pas sa poursuite. Les «scaling laws» observées sont des régularités empiriques, non des lois physiques. Si les rendements marginaux du scaling diminuent fortement, un scénario de stagnation ou de ralentissement devient cohérent avec les tendances observées. À l’inverse, si les gains persistent et restent économiquement soutenables, une accélération demeure plausible. Le rapport souligne explicitement que les preuves disponibles sont insuffisantes pour trancher.

Les progrès récents en matière de raisonnement constituent une deuxième variable décisive. Les modèles entraînés par renforcement pour produire des chaînes de raisonnement étape par étape ont atteint des performances de niveau médaille d’or dans des compétitions mathématiques et de programmation internationales. Dans un benchmark couvrant des tâches numériques issues de 44 professions, les sorties d’un système avancé ont été jugées équivalentes ou préférables à celles d’humains dans 47,6% des cas. Ces résultats attestent d’une progression rapide. La question non résolue est celle de la généralisation: ces capacités s’étendront-elles à des environnements ouverts et dynamiques ou resteront-elles confinées à des domaines fortement structurés?

Troisième variable, la boucle d’auto-amélioration. En décembre 2024, l’IA aurait généré environ 29% du code Python produit par des développeurs américains. Des essais contrôlés randomisés cités dans le rapport font état de gains de productivité de l’ordre de 26 à 30% dans certaines entreprises, mais une étude distincte observe un ralentissement d’environ 20% chez des développeurs expérimentés dans leur domaine. Les résultats sont divergents. Si l’effet net devient substantiellement positif, le cycle d’innovation pourrait se raccourcir. S’il reste hétérogène, l’effet multiplicateur pourrait être limité.

Énergie, eau, capital: le trio magique

Les contraintes matérielles forment la quatrième variable structurante. L’Agence internationale de l’énergie estime que les centres de données pourraient représenter 20% de la croissance de la demande d’électricité dans les économies avancées d’ici 2030. L’accès à l’énergie, à l’eau et au capital devient ainsi un déterminant direct de la trajectoire technologique. Un environnement favorable à l’expansion des infrastructures soutient l’hypothèse d’accélération; des arbitrages énergétiques ou environnementaux plus restrictifs renforcent la plausibilité d’un ralentissement.

Cinquième facteur, les rendements économiques. La poursuite du scaling dépendra du retour sur investissement observé. Si les gains de productivité et de compétitivité sont tangibles, l’investissement pourrait rester massif. Si les promesses se traduisent difficilement en valeur mesurable, un ajustement financier pourrait intervenir. Les experts consultés expriment d’ailleurs une forte incertitude et une faible confiance dans leur capacité à prédire la vitesse future des progrès.

Enfin, la dimension politique et géopolitique pèse sur l’ensemble. Régulation, fragmentation des marchés, accès aux semi-conducteurs et politiques industrielles peuvent infléchir la trajectoire. L’impact exact de ces facteurs à l’horizon 2030 est qualifié d’incertain dans le document.

Différents scénarios possibles

Pris ensemble, ces éléments expliquent pourquoi des scénarios opposés restent simultanément crédibles. Les données empiriques soutiennent une dynamique d’accélération, mais aucune d’elles n’exclut un plafonnement dû à des rendements décroissants, à des contraintes physiques ou à un ralentissement économique. Les scénarios présentés sont décrits comme plausibles mais incertains, sans attribution de probabilités.

Pour un petit État ouvert comme le Luxembourg, cette incertitude est stratégique. Une trajectoire d’accélération impliquerait une vigilance accrue sur la supervision de systèmes à haute autonomie, notamment dans la finance, la cybersécurité ou les infrastructures critiques. Un scénario de stagnation poserait davantage la question du retour sur investissement public, de la compétitivité des acteurs locaux et du positionnement industriel dans une chaîne de valeur dominée par de grands groupes internationaux.

La difficulté tient à un désalignement structurel: les infrastructures de calcul avancé, la production de semi-conducteurs et les capacités d’entraînement à grande échelle sont largement extraterritoriales, tandis que les responsabilités réglementaires demeurent nationales et européennes. Le gouvernement peut accélérer sa stratégie, mais il ne maîtrise pas l’ensemble des variables technologiques et géopolitiques identifiées par l’OCDE. Le rapport ne prescrit pas une ligne d’action unique. Il suggère implicitement une approche adaptative: mécanismes de révision régulière, seuils liés aux capacités effectives des systèmes, coordination énergétique et industrielle. À cinq ans de l’échéance étudiée, les indicateurs empiriques permettent de soutenir des trajectoires opposées sans contradiction logique.

Pour les autorités luxembourgeoises, le défi n’est donc pas de parier sur un futur précis, mais de concevoir une gouvernance capable de fonctionner dans des mondes technologiques radicalement différents. L’incertitude documentée par l’OCDE n’est pas un vide: elle devient le paramètre central de la politique publique en matière d’intelligence artificielle.