Les 10 investisseurs révèlent les secrets incroyables de l’IA post-ChatGPT et le futur qui vous laissera sans voix !

La montée en puissance de l’IA

Lorsque j’ai mentionné « la montée de l’IA » dans un récent e-mail aux investisseurs, l’un d’entre eux m’a envoyé une réponse intéressante : « La ‘montée de l’IA’ est un peu trompeuse », a déclaré Rudina Seseri, associée directrice chez Glasswing Ventures.

Ce que cet investisseur veut dire, c’est que des technologies sophistiquées telles que l’IA et l’apprentissage profond existent depuis longtemps maintenant, et que tout ce battage autour de l’IA ignore le simple fait qu’elles sont en développement depuis des décennies. « Nous avons vu les premières entreprises adopter ces technologies en 2010 », a-t-elle souligné.

Cependant, nous ne pouvons pas nier que l’IA bénéficie d’une attention sans précédent, et que les entreprises de tous les secteurs du monde entier réfléchissent à l’impact qu’elle pourrait avoir sur leur industrie et au-delà.

Le Dr Andre Retterath, associé chez Earlybird Venture Capital, estime que plusieurs facteurs travaillent de concert pour générer cet élan. « Nous sommes témoins de la tempête parfaite de l’IA, où trois ingrédients majeurs qui ont évolué au cours des 70 dernières années se sont finalement réunis : des algorithmes avancés, des ensembles de données à grande échelle et un accès à des calculs puissants », a-t-il déclaré.

Cependant, nous ne pouvons nous empêcher d’être sceptiques quant au nombre d’équipes qui ont présenté une version de « ChatGPT pour X » lors de la journée de démonstration d’hiver de Y Combinator plus tôt cette année. Quelle est la probabilité qu’elles soient encore là dans quelques années ?

Karin Klein, associée fondatrice chez Bloomberg Beta, pense qu’il vaut mieux participer à la course et risquer l’échec que de s’y soustraire, car il s’agit d’une tendance que les entreprises ne peuvent pas se permettre d’ignorer. « Bien que nous ayons vu un tas de ‘copilotes pour [insérer l’industrie]’ qui pourraient ne plus être là dans quelques années, le plus grand risque est d’ignorer l’opportunité. Si votre entreprise n’expérimente pas l’utilisation de l’IA, c’est le moment ou votre entreprise sera à la traîne », a-t-elle déclaré.

Et ce qui est vrai pour une entreprise moyenne l’est encore plus pour les start-ups : ne pas réfléchir ne serait-ce qu’un peu à l’IA serait une erreur. Mais une start-up a également besoin d’être en avance sur le jeu plus que l’entreprise moyenne, et dans certains domaines de l’IA, « maintenant » peut déjà être « trop tard ».

Pour mieux comprendre où les start-ups ont encore une chance, et où les dynamiques d’oligopole et les avantages des premiers entrants se dessinent, nous avons interrogé un groupe sélectionné d’investisseurs sur l’avenir de l’IA, les domaines où ils voient le plus de potentiel, comment les LLMs multilingues et la génération audio pourraient se développer, et la valeur des données propriétaires.

Ceci est la première partie d’une enquête en trois parties qui vise à plonger plus profondément dans l’IA et dans la façon dont l’industrie se dessine. Dans les deux prochaines parties à paraître bientôt, vous entendrez d’autres investisseurs sur les différentes parties du puzzle de l’IA, où les start-ups ont le plus de chances de gagner, et où l’open source pourrait surpasser le closed source.

Nous avons parlé avec :

• Manish Singhal, associé fondateur, pi Ventures
• Rudina Seseri, fondatrice et associée directrice, Glasswing Ventures
• Lily Lyman, Chris Gardner, Richard Dulude and Brian Devaney from Underscore VC
• Karin Klein, associée fondatrice, Bloomberg Beta
• Xavier Lazarus, associé, Elaia
• Dr. Andre Retterath, associé, Earlybird Venture Capital
• Matt Cohen, associé directeur, Ripple Ventures

---

Manish Singhal, associé fondateur, pi Ventures

Les modèles d’IA générative de dernière génération et les entreprises qui les soutiennent conserveront-ils leur leadership dans les années à venir ?

Il s’agit d’un paysage en constante évolution en ce qui concerne les applications des LLM. De nombreuses entreprises se formeront dans le domaine des applications, mais seules quelques-unes réussiront à se développer. En ce qui concerne les modèles de base, nous nous attendons à ce qu’OpenAI soit en concurrence avec d’autres acteurs à l’avenir. Cependant, ils ont une longueur d’avance solide et il ne sera pas facile de les déloger.

Quelles entreprises liées à l’IA ne sont pas suffisamment innovantes pour être encore présentes dans 5 ans ?

Je pense que dans l’espace de l’IA appliquée, il devrait y avoir une consolidation significative. L’IA devient de plus en plus horizontale, il sera donc difficile pour les entreprises d’IA appliquée, qui sont construites sur des modèles prêts à l’emploi, de conserver leurs avantages compétitifs.

Cependant, il y a beaucoup d’innovations fondamentales qui se produisent à la fois dans le domaine appliqué et sur le plan de l’infrastructure (outils et plates-formes). Elles devraient mieux s’en sortir que les autres.

L’open source est-il la voie la plus évidente pour les start-ups d’IA sur le marché ?

Cela dépend de ce que vous résolvez. Pour les entreprises de la couche infrastructure, c’est un chemin valide, mais cela peut ne pas être aussi efficace dans tous les cas. Il faut considérer si l’open source est une bonne voie ou non en fonction du problème que l’on résout.

Souhaiteriez-vous qu’il y ait plus de LLM formés dans d’autres langues que l’anglais ? Outre la différenciation linguistique, quels autres types de différenciations prévoyez-vous de voir ?

Nous voyons également des LLM dans d’autres langues, mais bien sûr, l’anglais est la langue la plus largement utilisée. En fonction des cas d’utilisation locaux, les LLM dans différentes langues ont certainement du sens.

Outre la différenciation linguistique, nous nous attendons à voir des variantes de LLM spécialisées dans certains domaines (par exemple, la médecine, le droit et la finance) afin de fournir des informations plus précises et pertinentes dans ces domaines. Il y a déjà du travail en cours dans ce domaine, comme BioGPT et Bloomberg GPT.

Les LLM souffrent d’hallucinations et de pertinence lorsqu’on veut les utiliser dans des applications réelles de production. Je pense qu’il y aura un travail considérable réalisé dans ce domaine pour les rendre plus utilisables dès le départ.

Quelles sont les chances que la méthode actuelle de construction des réseaux neuronaux des LLM soit perturbée dans les trimestres ou les mois à venir ?

Cela peut certainement arriver, bien que cela puisse prendre plus de quelques mois. Une fois que l’informatique quantique deviendra courante, le paysage de l’IA changera de manière significative à nouveau.

Étant donné le battage médiatique autour de ChatGPT, les autres types de médias tels que la génération audio et la génération d’images sont-ils comparativement sous-estimés ?

L’IA générative multimodale gagne en importance. Pour la plupart des applications sérieuses, il sera nécessaire d’utiliser ces types de médias, surtout pour les images et le texte. L’audio est un cas particulier : il y a beaucoup de travail en cours dans l’auto-génération de musique et le clonage vocal, ce qui a un large potentiel commercial.

En plus de cela, l’auto-génération de code devient de plus en plus populaire, et la génération de vidéos est une dimension intéressante – nous verrons bientôt des films entièrement générés par l’IA !

Les start-ups disposant de données propriétaires sont-elles plus précieuses à vos yeux de nos jours qu’avant la montée de l’IA ?

Contrairement à ce que le monde peut penser, les données propriétaires donnent un bon coup d’envoi, mais il est très difficile de garder vos données propriétaires à long terme.

Par conséquent, le fossé technologique provient d’une combinaison d’algorithmes intelligemment conçus qui sont produits et affinés pour une application spécifique, ainsi que des données.

Quand l’IA générale pourrait-elle devenir une réalité, si jamais elle le devient ?

Nous nous rapprochons des niveaux humains avec certaines applications, mais nous sommes encore loin d’une véritable IA générale. Je pense aussi que c’est une courbe asymptotique après un certain temps, il faudra donc beaucoup de temps pour y parvenir dans tous les domaines.

Pour une véritable IA générale, plusieurs technologies, telles que les neurosciences et les sciences du comportement, devront également converger.

Est-il important pour vous que les entreprises dans lesquelles vous investissez s’impliquent dans le lobbying et/ou les groupes de discussion sur l’avenir de l’IA ?

Pas vraiment. Nos entreprises sont davantage axées sur la résolution de problèmes spécifiques, et pour la plupart des applications, le lobbying n’est pas utile. Il est utile de participer à des groupes de discussion, car cela permet de suivre l’évolution des choses.

Rudina Seseri, fondatrice et associée directrice, Glasswing Ventures

Les modèles d’IA générative de dernière génération et les entreprises qui les soutiennent conserveront-ils leur leadership dans les années à venir ?

Les fournisseurs de modèles de la couche fondamentale tels que Alphabet, Microsoft/OpenAI et Meta conserveront probablement leur leadership sur le marché et fonctionneront comme une oligopole à long terme. Cependant, il existe des opportunités de concurrence dans les modèles qui offrent une différenciation significative, comme Cohere et d’autres acteurs bien financés au niveau fondamental, en mettant fortement l’accent sur la confiance et la confidentialité.

Nous n’avons pas investi et ne prévoyons pas d’investir dans la couche fondamentale de l’IA générative. Cette couche se terminera probablement de deux manières : dans un scénario, la couche fondamentale aura des dynamiques d’oligopole similaires à celles que nous avons observées sur le marché du cloud, où quelques acteurs seulement captureront la majeure partie de la valeur.

L’autre possibilité est que les modèles de base soient largement fournis par l’écosystème open source. Nous voyons la couche d’application comme la plus grande opportunité pour les fondateurs et les investisseurs en capital-risque. Les entreprises qui offrent une valeur tangible et mesurable à leurs clients peuvent déplacer de grands acteurs incumbents dans des catégories existantes et dominer de nouvelles catégories.

Notre stratégie d’investissement se concentre explicitement sur les entreprises offrant une technologie à valeur ajoutée qui complète les modèles de base.

Tout comme la création de valeur dans le cloud ne s’est pas arrêtée avec les fournisseurs d’infrastructure cloud, une création de valeur significative reste à venir dans l’ensemble de la pile de l’IA générative. La course à l’IA générative est loin d’être terminée.

Quelles entreprises liées à l’IA ne sont pas suffisamment innovantes pour être encore présentes dans 5 ans ?

Quelques segments de marché dans l’IA pourraient ne pas être durables en tant qu’entreprises à long terme. Un exemple est la catégorie des « enveloppes GPT » – des solutions ou des produits construits autour de la technologie GPT d’OpenAI. Ces solutions manquent de différenciation et peuvent être facilement perturbées par des fonctionnalités lancées par les principaux acteurs dominants de leur marché. Elles auront donc du mal à maintenir un avantage concurrentiel à long terme.

De même, les entreprises qui ne fournissent pas une valeur commerciale significative ou qui ne résolvent pas un problème dans un domaine à forte valeur ajoutée et coûteux ne seront pas durables. Prenons cet exemple : une solution qui rationalise une tâche simple pour un stagiaire ne se développera pas en une entreprise importante, contrairement à une plateforme qui résout des défis complexes pour un architecte en chef, offrant des avantages distincts et à forte valeur ajoutée.

Enfin, les entreprises dont les produits ne s’intègrent pas facilement dans les flux de travail et les architectures actuels des entreprises, ou qui nécessitent des investissements initiaux importants, seront confrontées à des défis lors de la mise en œuvre et de l’adoption. Cela constituera un obstacle important pour générer un retour sur investissement significatif, car la barre est beaucoup plus élevée lorsque des changements de comportement et des changements d’architecture coûteux sont nécessaires.