274
renforcer largement les effets de plateformisation et de captation de la valeur qui sont déjà caractéristiques
de l’économie numérique : en effet, ce développement nécessite des moyens, en termes de données et de
capacités de calcul, dont peu d’acteurs disposent. De plus, ces technologies pouvant servir d’outils d’aide
à la décision, voire de prise de décision, il est nécessaire de préserver la capacité à en déterminer le sens et
le contenu. Enfin, la diffusion de ces technologies peut avoir un effet important sur l’augmentation des
inégalités territoriales et sociales, du fait notamment de la concentration de la valeur dans certains lieux.
Enjeu de compétitivité internationale
L’intelligence artificielle pourra apporter des gains de productivité (cf. annexe 3 “L’intelligence artificielle
et l’enseignement des technologies génériques”) et un surcroît de valeur à la production. Dans une
économie ouverte, comme celle de la France, la production nationale se devra d’intégrer rapidement cette
innovation pour rester compétitive autant en termes de prix (gains de productivité) que de qualité.
Comme d’autres innovations de l’ère numérique, l’intelligence artificielle est porteuse de changements
radicaux dans les secteurs économiques. La France risque de se trouver confrontée à un conflit de
transition, avec de grandes entreprises qui n’ont pas les moyens (stratégique, logistique, organisationnel)
d’intégrer efficacement les innovations et qui utilisent des verrous institutionnels pour ralentir le
développement de nouvelles entreprises plus innovantes. In fine, ce sont les entreprises qui ont pu se
développer dans un cadre propice qui, en entrant sur le marché français, apportent les innovations et la
disruption. La transition peut alors être assez brutale avec une conquête massive de la part des clients
grâce à des démarches dématérialisées peu contraignantes, comme ce fut le cas avec Uber.
Recommandation : inciter les entreprises, grandes ou petites, à développer et intégrer des briques
d’intelligence artificielle, notamment en fédérant les acteurs des différents écosystèmes autour
d’un réseau thématique ; celui-ci mettrait à disposition, de façon contrôlée, les données
nécessaires et faciliterait l’accès à l’expérimentation (comme pour le véhicule autonome).
Des réseaux de neurones en open source
En juin 2016, le magazine Wired prophétisait « la fin du code » en expliquant qu’à l’avenir, nous ne
programmerons plus des ordinateurs : nous les « dresserons » à la manière dont nous pouvons dresser un
chien
9 . De ce point de vue, l’apprentissage machine (machine learning) – en particulier les techniques
d’apprentissage profond, basées sur des réseaux de neurones – a donné des résultats remarquables, en
rupture majeure par rapport à l’existant, au cours des dernières années. Pour y parvenir, les algorithmes
d’apprentissage profond nécessitent d’allier des moyens de calcul puissants à un accès à des données
massives (big data).
La recherche et le développement des algorithmes de machine learning et de deep learning se font très
largement sur un mode open source. Sur Github, une plateforme de mise à disposition de programmes, les
9 Wired, juin 2016 : https://www.wired.com/2016/05/the-end-of-code/
renforcer largement les effets de plateformisation et de captation de la valeur qui sont déjà caractéristiques
de l’économie numérique : en effet, ce développement nécessite des moyens, en termes de données et de
capacités de calcul, dont peu d’acteurs disposent. De plus, ces technologies pouvant servir d’outils d’aide
à la décision, voire de prise de décision, il est nécessaire de préserver la capacité à en déterminer le sens et
le contenu. Enfin, la diffusion de ces technologies peut avoir un effet important sur l’augmentation des
inégalités territoriales et sociales, du fait notamment de la concentration de la valeur dans certains lieux.
Enjeu de compétitivité internationale
L’intelligence artificielle pourra apporter des gains de productivité (cf. annexe 3 “L’intelligence artificielle
et l’enseignement des technologies génériques”) et un surcroît de valeur à la production. Dans une
économie ouverte, comme celle de la France, la production nationale se devra d’intégrer rapidement cette
innovation pour rester compétitive autant en termes de prix (gains de productivité) que de qualité.
Comme d’autres innovations de l’ère numérique, l’intelligence artificielle est porteuse de changements
radicaux dans les secteurs économiques. La France risque de se trouver confrontée à un conflit de
transition, avec de grandes entreprises qui n’ont pas les moyens (stratégique, logistique, organisationnel)
d’intégrer efficacement les innovations et qui utilisent des verrous institutionnels pour ralentir le
développement de nouvelles entreprises plus innovantes. In fine, ce sont les entreprises qui ont pu se
développer dans un cadre propice qui, en entrant sur le marché français, apportent les innovations et la
disruption. La transition peut alors être assez brutale avec une conquête massive de la part des clients
grâce à des démarches dématérialisées peu contraignantes, comme ce fut le cas avec Uber.
Recommandation : inciter les entreprises, grandes ou petites, à développer et intégrer des briques
d’intelligence artificielle, notamment en fédérant les acteurs des différents écosystèmes autour
d’un réseau thématique ; celui-ci mettrait à disposition, de façon contrôlée, les données
nécessaires et faciliterait l’accès à l’expérimentation (comme pour le véhicule autonome).
Des réseaux de neurones en open source
En juin 2016, le magazine Wired prophétisait « la fin du code » en expliquant qu’à l’avenir, nous ne
programmerons plus des ordinateurs : nous les « dresserons » à la manière dont nous pouvons dresser un
chien
9 . De ce point de vue, l’apprentissage machine (machine learning) – en particulier les techniques
d’apprentissage profond, basées sur des réseaux de neurones – a donné des résultats remarquables, en
rupture majeure par rapport à l’existant, au cours des dernières années. Pour y parvenir, les algorithmes
d’apprentissage profond nécessitent d’allier des moyens de calcul puissants à un accès à des données
massives (big data).
La recherche et le développement des algorithmes de machine learning et de deep learning se font très
largement sur un mode open source. Sur Github, une plateforme de mise à disposition de programmes, les
9 Wired, juin 2016 : https://www.wired.com/2016/05/the-end-of-code/