The Conversion Gap: How China, Japan and South Korea Turn AI Inputs into AI Capability, 2017–2025
Cet article soutient que la souveraineté nationale en matière d'IA dépend davantage de la capacité de politique publique d'un État à convertir efficacement les ressources en capacités que de l'accumulation de ressources seule, révélant que le retard du Japon par rapport à la Chine et à la Corée du Sud provient d'inefficacités systémiques dans la transformation des connaissances et de la puissance de calcul en modèles d'IA plutôt que d'un manque d'intrants.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans la course à la construction de l'intelligence artificielle, les nations sont souvent jugées sur ce qu'elles peuvent rassembler. Elles comptent les chercheurs dans leurs laboratoires, les milliards de dollars injectés dans les projets et les immenses parcs d'ordinateurs vrombissant dans les centres de données. C'est une logique d'accumulation : si vous possédez davantage de matières premières, vous devriez construire la meilleure machine. Pendant des années, cela a été la méthode standard pour comparer des pays comme la Chine, le Japon et la Corée du Sud, qui ont tous injecté des ressources immenses pour devenir des leaders dans cette technologie. Mais posséder les ingrédients ne garantit pas un repas fini. Un pays peut posséder un vaste stock de talents et de puissance de calcul, tout en échouant à transformer ces ressources en systèmes intelligents et fonctionnels qui changent le monde. La véritable question n'est pas seulement de savoir combien une nation possède, mais avec quelle efficacité elle peut transformer ce qu'elle a en une capacité réelle.
C'est l'énigme qu'Alfredo Merlet s'est donné pour mission de résoudre dans une nouvelle étude examinant les années 2017 à 2025. Il a regardé au-delà des simples totaux d'argent et de personnes pour mesurer quelque chose de plus subtil : le taux de conversion. Imaginez une usine dont l'objectif est de transformer le minerai brut en voitures finies. Une usine peut acheter deux fois plus de minerai qu'une autre, mais si elle produit moins de voitures, elle est clairement moins efficace dans sa tâche. Merlet a appliqué cette même logique à l'intelligence artificielle, décomposant le processus en trois étapes distinctes. La première est l'invention, où les chercheurs créent de nouvelles idées et publient des articles. La deuxième est l'industrialisation, où ces idées sont transformées en véritables modèles logiciels utilisables. La troisième est l'opérationnalisation, où ces modèles sont adoptés par le grand public et les entreprises. En suivant la quantité de production issue de chaque unité d'apport à chaque étape, l'étude a révélé une histoire surprenante sur la raison pour laquelle certaines nations progressent rapidement tandis que d'autres, malgré des ressources plus importantes, sont laissées pour compte.
Les résultats brossent le portrait de trois chemins très différents empruntés par les voisins d'Asie de l'Est. La Chine, partant d'une main-d'œuvre massive et d'un gouvernement qui fixe des objectifs clairs et agressifs, a réussi à accélérer son progrès de manière spectaculaire. En 2024 et 2025, les développeurs chinois publiaient des centaines de nouveaux modèles d'IA, passant du statut de suiveur à celui de pair des États-Unis. Ils y sont parvenus non seulement en dépensant plus, mais en coordonnant leurs efforts pour que la recherche se transforme rapidement en produits déployables. La Corée du Sud, malgré moins de chercheurs et moins de puissance de calcul que le Japon, a atteint l'efficacité la plus élevée du groupe. Le pays a réussi à produire 87 modèles d'IA, dont 23 considérés comme notables ou révolutionnaires, un chiffre qui dépasse de loin celui de son voisin plus grand. Ce succès a été porté par une relation hautement coordonnée entre le gouvernement et les grandes entreprises, leur permettant de concentrer leurs ressources intensément sur des technologies spécifiques et d'obtenir des résultats rapidement.
Le Japon, cependant, présente un contraste frappant et déroutant. Sur le papier, il devrait être le plus performant. Il possède une main-d'œuvre de recherche plus importante, plus de puissance de calcul et une plus longue histoire d'excellence industrielle que la Corée du Sud. Pourtant, entre 2017 et 2025, les organisations japonaises n'ont publié que 52 modèles d'IA, et seulement six d'entre eux ont été considérés comme notables. Au cours des deux dernières années de l'étude, aucune organisation japonaise n'a publié un seul modèle classé comme notable par les chercheurs. Les données montrent que le Japon n'échoue pas par manque d'argent ou de scientifiques. En fait, lorsqu'on examine la capacité des chercheurs japonais à transformer leur travail en brevets, ils s'en sortent plutôt bien. La rupture se produit plus tard dans la chaîne. Le fossé apparaît lorsque les chercheurs japonais tentent de transformer leurs articles publiés en modèles fonctionnels, et à nouveau lorsqu'ils tentent d'utiliser leur immense puissance informatique pour construire ces modèles. Ils ont les ingrédients, mais la cuisine ne produit pas le plat.
L'étude suggère que la raison de cet écart ne réside pas dans la technologie elle-même, mais dans la manière dont le gouvernement gère le processus. Les chercheurs ont comparé la performance des pays par rapport à une mesure de la « capacité de politique publique », qui est essentiellement la capacité d'un gouvernement à fixer une direction claire, à coordonner différents groupes et à agir rapidement pour soutenir de nouvelles industries. La Corée du Sud a obtenu un score extrêmement élevé sur cette mesure, reflétant un gouvernement assertif et organisé dans son approche de l'IA. Le Japon, en revanche, a obtenu un score nettement inférieur. Pendant la majeure partie de la période étudiée, le Japon s'est appuyé sur une orientation douce et des directives volontaires plutôt que sur des objectifs contraignants ou des programmes concentrés. Ce n'est qu'en 2025 que le Japon a établi un siège dédié et une nouvelle loi pour propulser l'IA, un mouvement que l'étude interprète comme une reconnaissance tardive du problème. Les preuves indiquent que posséder la meilleure recherche et les ordinateurs les plus puissants ne suffit pas si l'État ne peut pas les organiser efficacement pour produire des résultats.
Cette conclusion remet en question l'hypothèse commune selon laquelle la domination de l'IA est simplement une question de savoir qui peut dépenser le plus d'argent ou embaucher le plus d'experts. L'étude montre que la souveraineté sur l'intelligence artificielle ne consiste pas seulement à posséder les outils ; il s'agit de la capacité de gouverner la manière dont ces outils sont utilisés. Un pays peut investir massivement dans la recherche et les infrastructures et produire très peu si le système de transformation de ces investissements en applications concrètes est faible. Pour les économies émergentes qui observent cette course, la leçon est claire : bâtir un avenir solide dans l'IA pourrait dépendre moins de l'alignement sur les budgets massifs des leaders mondiaux que de la construction d'une capacité administrative pour coordonner efficacement les ressources. La différence entre une nation qui finance l'IA et une nation qui la construit réellement peut tenir à la qualité de sa planification et à la rapidité de son exécution, plutôt qu'à la taille de son compte bancaire.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.