L’IA peut-elle grandir sans perdre la confiance ?

Le 9 février 2026, au Collège de France, une conférence réunissant PSL, l’Institut Polytechnique de Paris et HEC Paris a fait le point, un an après le Sommet pour l’action sur l’IA de Paris, et à l’approche du prochain grand rendez-vous international à New Delhi. Chercheurs et décideurs y ont convergé vers une même idée: la nouvelle étape de l’IA ne se joue pas seulement sur des annonces de modèles, mais sur des contraintes concrètes (calcul, énergie, données), et sur la capacité à établir des résultats fiables et discutables publiquement.

Philippe Baptiste, ministre de l’Enseignement supérieur, de la Recherche et de l’Espace, l’a formulé sans détour. La France a renforcé ses investissements en recherche, notamment via des « clusters » comme Hi! PARIS et Pr(AI)rie : « c’est d’abord une prise de conscience des grands enjeux, » confie-t-il après la conférence à Dare. Mais elle ne peut pas se contenter de reproduire la trajectoire dominante d’une IA générative toujours plus gourmande : « on ne pourra pas continuer avec les modèles qu'on a aujourd'hui, avec les data centers qu'on a aujourd'hui, notre modèle ne va pas tenir, ça ne va pas suivre, donc il faut imaginer d’autres projets, d’autres paradigmes. Et nous sommes bien placés pour cela. ». À ses yeux, la limite est d’abord physique : la consommation énergétique des infrastructures et des centres de données. D’où un appel à soutenir des voies de recherche capables d’améliorer les performances tout en réduisant les coûts de calcul, et de clarifier les conditions d’un développement acceptable.

Coopérer pour gagner en échelle

Le propos d’ouverture a insisté sur une stratégie collective. Plutôt que d’opposer les pôles, PSL met en avant une logique de coopération structurée. El-Mouhoub Mouhoud, président de PSL, imagine une autre approche : « J'aime dire que nous faisons de la co-pétition et non pas de la compétition entre les différents curseurs IA, c'est-à-dire que nous coopérons. C'est notre force. » dit-il et poursuit : « Il faut que la recherche française, et parisienne en particulier, soit déployée, soit montrée aussi - et qu'elle soit attractive. Elle l'est déjà, mais il faut que nous fassions encore plus d'efforts. Et pour cela, il faut que nous coopérions. »

Dans les sciences de l’image, la logique dominante reste celle de la taille: davantage de données, de paramètres et de puissance de calcul. Vicky Kalogeiton, professeure à l’École Polytechnique, défend une autre voie: obtenir des résultats compétitifs avec moins de données et moins de calcul. L’enjeu est très concret. D’un côté, certains usages (robotique, systèmes embarqués) ne permettent pas de déployer des modèles gigantesques. De l’autre, l’origine des données devient un sujet central avec les débats sur le droit d’auteur et la vie privée.

Elle donne un exemple parlant : une petite entreprise qui voudrait entraîner un modèle texte-image à partir de contenus qu’elle maîtrise, pour concevoir une nouvelle série de produits, sans incertitude juridique. La « frugalité » devient une condition de déploiement et de traçabilité. Ses travaux récents s’intéressent aussi à un problème fréquent en pratique: les données du monde réel sont imparfaites, parfois incohérentes. Au lieu d’écarter ces exemples, l’objectif est d’apprendre à en tirer parti sans dégrader la qualité du modèle.

IA pour les sciences: la question de la preuve

Dans l’IA pour les sciences, la promesse ne se résume pas à « accélérer ». Tony Lelièvre, professeur à l’École des Ponts et à l’Institut Polytechnique de Paris, rappelle que la simulation scientifique impose une exigence particulière : savoir quand un résultat est fiable, et quand il ne l’est plus. En dynamique moléculaire, l’apprentissage automatique peut aider à approximer des fonctions très haute dimension, à repérer des structures latentes et à proposer de nouveaux mécanismes d’échantillonnage via des modèles génératifs. Mais la difficulté centrale demeure : démontrer la qualité de ces échantillons et préciser le domaine où la méthode reste valide.

Les retombées possibles sont faciles à comprendre : la dynamique moléculaire sert en chimie (réactions), en biologie (conformations de protéines, interaction médicament-protéine) et en science des matériaux. Si l’on échantillonne mieux et plus vite, explique-t-il, on peut accélérer la recherche de molécules ou de matériaux prometteurs. À condition, insiste-t-il, que les outils soient validés avec des critères scientifiques solides, et pas seulement par des scores sur des jeux de données.

Pourquoi les sommets de l'IA comptent

Antonin Bergeaud, professeur à HEC Paris, a centré son propos sur la diffusion. Les sommets IA comptent, dit-il, parce que l’IA va mobiliser “beaucoup d’investissement public” et entraîner “un changement radical des politiques publiques.” Il souligne aussi les limites de la certitude. Sur l’avenir du travail “col blanc”, il dit : “On n’a pas la réponse.”

Lors de la table ronde de clôture, Bergeaud a décrit l’arbitrage européen en termes directs. Il qualifie le modèle européen de “très précieux”, parce que l’Europe est “presque le seul endroit au monde” qui “semble encore se soucier de l’environnement” et de “la sécurité des données” et de “notre vie privée.” “En même temps”, ajoute-t-il, “c’est très coûteux économiquement”, car les entreprises font face à “ce tsunami de régulations en Europe” qu’elles n’ont pas “aux États-Unis ou en Chine.” Sa conclusion est nette : “il faut faire un choix”, car “on ne peut pas, d’un côté, avoir les taux de croissance des États-Unis ou de la Chine, et de l’autre, préserver ces valeurs qui nous tiennent à cœur.”

Il ne plaide pas pour abandonner ces priorités. “Il faut les garder parce qu’elles définissent ce que nous sommes”, dit-il. Mais il défend un “juste milieu”, où l’Europe “dérégule un peu” dans certaines directions pour gagner en “croissance et diffusion de l’IA”, et pour “créer nos propres champions économiques”.

Cette idée rejoint des résultats qu’il a co-produits sur la manière dont la régulation modifie les incitations à innover. Dans “The Impact of Regulation on Innovation” (American Economic Review, 2023), Philippe Aghion, Antonin Bergeaud et John Van Reenen mettent en œuvre un modèle à partir de données panel d’entreprises françaises, avec un choc net de charge réglementaire à partir du seuil de 50 salariés. Le contexte n’est pas l’IA, mais le mécanisme éclaire une stratégie industrielle de l’IA : les règles influencent la taille des entreprises, leurs incitations et leurs choix d’innovation.

Son second point de gouvernance porte sur la direction. “Le marché va spontanément investir dans la direction qui maximise les profits”, dit-il, “et ce n’est pas forcément celle qui maximise le bien-être.” Cela implique un rôle pour l’État, non seulement pour éviter les dommages, mais aussi pour orienter les incitations vers une valeur sociale.

Ce que New Delhi peut trancher

À l’approche du "India AI Impact Summit à New Delhi" (19 et 20 février 2026), cette conférence parisienne suggère un déplacement du débat. Il ne s’agit plus seulement d’annoncer des capacités spectaculaires, mais d’expliquer comment elles s’inscrivent dans des contraintes réelles, et comment elles peuvent être vérifiées. Les sujets qui montent sont transversaux : sobriété énergétique, traçabilité des données, méthodes de validation en science et gouvernance des incitations. La question qui s’impose est simple, et plus exigeante qu’elle n’en a l’air : peut-on faire grandir l’IA à grande échelle sans perdre la confiance ?

Pour aller plus loin :

• India AI Impact Summit 2026 (New Delhi): The Impact of Regulation on Innovation (Aghion, Bergeaud, Van Reenen, American Economic Review, 2023)

• Don’t drop your samples! Coherence-aware training benefits Conditional diffusion (Dufour, Besnier, Kalogeiton, Picard, CVPR 2024): 

• Smoothed Biasing Forces Yield Unbiased Free Energies with the Extended-System Adaptive Biasing Force Method (Lesage, Lelièvre, Stoltz, Hénin, Journal of Physical Chemistry B, 2017)

• “Smoothed Biasing Forces Yield Unbiased Free Energies with the Extended-System Adaptive Biasing Force Method” (Journal of Physical Chemistry B, 2017), co-authored with Adrien Lesage, Gabriel Stoltz and Jérôme Hénin.

Une traduction assistée par un LLM.