a16z : l'IA a réécrit la « méthodologie de l'innovation » des 75 dernières années

Les associés d'a16z estiment que l'IA réécrit la logique économique fondamentale de l'innovation : on passe d'une contrainte d'ingénierie à une contrainte de capital, et une équipe de 20 personnes peut désormais déployer efficacement 1 milliard de dollars. Ce constat influence directement l'analyse de la concurrence entre startups et géants de la tech, la logique du capital-risque et les limites des capacités de l'IA. Les trois intervenants reconnaissent aussi que face à des modèles entraînés avec des dizaines de milliards de dollars, personne ne sait vraiment ce qui en résultera : « c'est un objet numérique que l'humanité n'a jamais créé ».

Dans le dernier podcast d'a16z, les associés commandités Martin Casado, Erik Torenberg et l'associé du conseil d'administration Steven Sinofsky ont eu une conversation approfondie : que signifie la percée de l'IA en mathématiques ? La logique fondamentale de l'innovation est-elle en train d'être réécrite ? Comment évoluera la concurrence entre startups et géants de la tech ?

Les trois intervenants estiment que les hypothèses de base qui ont soutenu l'industrie informatique pendant 75 ans sont en train d'être réexaminées une à une par l'IA. La plus cruciale — l'innovation est un problème d'ingénierie, pas de financement — est déjà caduque. L'IA réécrit la logique économique fondamentale de l'innovation : on passe d'une contrainte d'ingénierie à une contrainte de capital, et une équipe de 20 personnes peut désormais déployer efficacement 1 milliard de dollars. Ce constat influence directement l'analyse de la concurrence entre startups et géants de la tech, la logique du capital-risque et les limites des capacités de l'IA.

Du boulier à l'IA : 75 ans de montée en abstraction

Sinofsky sort une brochure IBM de 1953.

En couverture, des orbitales atomiques entourent une tête humaine, et la première phrase est : « Il a fallu des millions d'années à l'humanité pour reconnaître l'utilité de la roue. »

Dans cette brochure, IBM consacre une page entière à expliquer ce qu'est un « ordinateur numérique » — entrée, stockage, calcul, contrôle, sortie.

Sinofsky dit : « C'est ainsi que nous comprenons l'ordinateur depuis 75 ans. »

Du boulier à la règle à calcul, de la machine à différences à l'ordinateur personnel, de la calculatrice graphique au cloud computing — chaque saut technologique est essentiellement une « montée du niveau d'abstraction ». Les problèmes de bas niveau sont encapsulés, et l'humanité résout de nouveaux problèmes à un niveau supérieur.

Quand la calculatrice graphique TI-85 est apparue, les professeurs de mathématiques ont paniqué collectivement : « Notre profession est finie. » Sinofsky dit :

Mais ils ne se sont pas plaints de l'apparition du calcul infinitésimal, car pour eux, c'était déjà le point de départ. Les gens réagissent beaucoup plus violemment au changement qu'à la référence.

La panique suscitée par l'IA qui résout des problèmes mathématiques est identique à celle provoquée par la calculatrice graphique.

L'IA et les mathématiques : percée ou « champion de jeu » ?

Récemment, quelqu'un a demandé à Claude de tenter de résoudre l'hypothèse de Riemann, ce qui a suscité un large débat dans la communauté mathématique.

Casado a immédiatement douché l'enthousiasme.

Si on additionne les salaires de tous les postdocs qui ont travaillé sur ces problèmes au fil des ans, le montant total n'est pas énorme. Cela signifie que le marché n'a jamais vraiment fait de la résolution de ces problèmes une priorité. Je ne suis donc pas sûr que résoudre ces problèmes prouve que l'IA a franchi un seuil de valeur économique significatif.

Il compare les capacités mathématiques de l'IA à un champion de StarCraft : « C'est le meilleur joueur de StarCraft de tous les temps — impressionnant, mais j'ai du mal à le relier directement à une valeur économique réelle. »

Sinofsky offre une autre perspective. Il pense que les percées en mathématiques pourraient « engendrer de nouveaux outils d'abstraction ».

Comme la preuve du théorème des quatre couleurs — pas une belle dérivation mathématique, mais une énumération exhaustive de tous les cas finis par ordinateur, la réponse obtenue par la puissance de calcul.

Une fois que vous avez un nouveau niveau d'abstraction, tout le monde n'a plus besoin de repartir de zéro et peut construire des outils directement à ce niveau.

Le plus grand changement de paradigme : du goulot d'étranglement d'ingénierie au goulot d'étranglement de capital

L'idée la plus centrale de cette conversation vient d'une expérience de pensée de Casado.

Il y a 20 ans, si vous donniez 1 milliard de dollars à une startup de 10 personnes, ils ne pourraient pas le dépenser. En achetant des serveurs, l'argent disparaîtrait.

Il y a 10 ans, avec 1 milliard de dollars, vous embauchiez des ingénieurs, écriviez du code, mais le mythe du mois-homme est réel — plus de gens, plus de lenteur.

Maintenant, donnez 1 milliard de dollars à 20 personnes, ils peuvent vraiment le dépenser efficacement.

Sa conclusion :

Nous avons transformé cette industrie d'un problème de goulot d'étranglement d'ingénierie en un problème de goulot d'étranglement de capital. C'est une différence fondamentale. Nous n'avons jamais été dans cet état auparavant.

Sinofsky ajoute que ce n'est pas la première fois qu'il y a un goulot d'étranglement de capital — les 30 à 40 premières années de l'industrie informatique étaient précisément une époque de contrainte de capital. « Si vous vouliez faire quelque chose avec un ordinateur, la première étape était d'en obtenir un. »

Puis est venue l'ère du goulot d'étranglement d'ingénierie, et maintenant, nous revenons au goulot d'étranglement de capital.

Pourquoi les startups ne sont-elles pas encore écrasées par les géants de la tech ?

Selon le bon sens, Microsoft, Google et Meta, avec leur capital, leurs données et leurs canaux de distribution, devraient tout écraser.

Mais la réalité est que Cursor, Anthropic et OpenAI croissent à une « vitesse fulgurante ».

Casado donne deux raisons.

Premièrement, l'IA a résolu le problème de la distribution.

Avant, vous ne saviez pas si votre budget marketing était efficace. Maintenant, la demande de puissance de calcul et de GPU est illimitée, vous pouvez décider directement combien investir pour stimuler la croissance.

Deuxièmement, les startups peuvent désormais lever suffisamment d'argent pour se retrouver réellement sur la même ligne de départ que les géants de la tech.

Et les géants de la tech ? Sinofsky est direct :

Microsoft s'inquiète davantage de ce que font Amazon et Google, et ne se soucie absolument pas des startups. Les startups n'attaquent pas directement les géants de la tech, et les géants de la tech ne remarquent pas les startups.

Il révèle aussi un détail : certaines grandes entreprises, pour donner la priorité à la puissance de calcul pour leurs clients entreprises, laissent leurs équipes produits internes dans un état de « famine d'IA », « alors qu'aucun de leurs concurrents n'est en famine ».

Sinofsky cite son expérience personnelle chez Microsoft. Quand il a apporté la première Surface aux dirigeants d'Intel, dès qu'ils ont entendu qu'elle contenait une puce ARM, leur attitude s'est immédiatement refroidie.

Ils pensaient que c'était une puce pour imprimante. Ils ne font que la loi de Moore, comme Google ne fait que l'hyperéchelle — si l'IA se déplace vers l'informatique en périphérie, ce n'est pas leur affaire.

Sinofsky conclut :

L'essence de la disruption, ce sont les constantes culturelles des grandes entreprises. Les tableaux de bord, les systèmes de vente, les structures de rémunération, le poids de l'histoire, les engagements clients — tout cela ne peut pas changer. C'est une loi de la physique.

20 milliards investis, personne ne sait ce qui en sortira

À la fin de la conversation, les trois abordent une inconnue plus profonde.

Casado admet avoir commis une erreur :

Je pensais que l'auto-amélioration récursive et le décollage rapide ne se produiraient pas, et c'était vrai. Mais je n'avais pas prévu que nous pourrions y injecter de l'argent indéfiniment, et que les lois de mise à l'échelle continueraient de se vérifier.

Vous prenez 20 milliards de dollars, vous les injectez dans un modèle. Nous deux, nous le regardons, nous le testons au hasard — je ne pense pas que nous puissions comprendre ce que cela signifie. Tant de puissance de calcul, tant de données, je ne sais pas ce qu'il peut faire.

Sinofsky est d'accord et compare cela à la croissance exponentielle : « Personne ne peut modéliser une croissance exponentielle. »

Il donne un exemple concret : l'énumération exhaustive des combinaisons de protéines, autrefois un « problème infini », peut maintenant devenir un « problème de capital ».

Nous pouvons transformer des problèmes autrefois infinis en problèmes finis grâce au capital. C'est une chose très étrange.

Casado dit que c'est aussi la raison pour laquelle il n'essaie plus de prédire les limites des capacités de l'IA :

J'ai décidé que je ne peux pas prédire les limites des capacités d'une chose créée avec 20 milliards de dollars.