Depuis que ChatGPT a pris d'assaut le monde technologique mondial, l'intelligence artificielle progresse à un rythme sans précédent, entraînant des sauts transformateurs dans de nombreux domaines - de la productivité et de l'automatisation à la prise de décision en temps réel. Ces avancées redéfinissent les économies nationales et même le tissu même de la société humaine. Il n'est pas exagéré de dire que l'IA, dans son évolution rapide et accélérée, a bouleversé les systèmes traditionnels et annoncé l'aube d'une cinquième révolution industrielle.

Cependant, le développement rapide de l'IA entraîne un coût significatif, créant une crise des ressources croissante. Un article du 1er décembre sur le site du Forum économique mondial décrit cela comme le Nexus IA-Énergie, soulignant que les progrès remarquables de la technologie reposent sur une consommation massive d'énergie, d'eau et de minéraux critiques. Les dépenses publiques consacrées à l'IA ont atteint près de 1,5 trillion de dollars en 2025 et devraient atteindre 2 trillions de dollars en 2026. Cette dépense stupéfiante est largement alimentée par la course aux armements IA, désormais une réalité mondiale indéniable. En termes de consommation d'énergie, Gartner estime que les opérations d'IA en 2025 ont nécessité 93 térawattheures, un chiffre qui devrait grimper à 432 térawattheures d'ici 2030.

La consommation d'eau est également une préoccupation majeure. Une étude publiée dans la revue Patterns estime que les opérations d'IA pourraient utiliser entre 312,5 et 764,6 milliards de litres d'eau par an, comparée à la consommation mondiale annuelle d'eau embouteillée, qui s'élève à environ 446 milliards de litres.

Tout cela nous présente une problématique complexe menaçant la capacité des réseaux énergétiques mondiaux à répondre à la demande croissante, en épuisant les ressources en eau essentielles nécessaires aux terres agricoles et aux communautés locales.

La route à venir

Après tout ce qui a été dit, la question pressante demeure : où nous mène l'IA en 2026?

Premièrement, ce que nous ne verrons pas en 2026, c'est l'intelligence artificielle générale - IAG ou superintelligence.

Certains experts soutiennent que l'intelligence artificielle générale (IAG)reste hors de portée, voire peut être impossible. Ils se réfèrent souvent à l'argument de la « salle chinoise » du philosophe John Searle, qui distingue entre syntaxe et sémantique. Selon cette perspective, les systèmes d'IA excellent dans le traitement de contenu symbolique et la manipulation de la syntaxe linguistique, mais ils manquent de véritable compréhension ou de sémantique - une capacité considérée comme uniquement humaine. Concernant la superintelligence, une étape hypothétique qui suivrait l'IAG, l'IA gagnerait la capacité de s'améliorer et d'évoluer de manière continue, rappelant « Andrew » dans l'œuvre d'Isaac Asimov "L'homme bicentenaire", dont le parcours de modification entraîne finalement un défi et une redéfinition du concept d'humanité. Bien que réaliser cette étape puisse être impossible, l'IA continue de progresser rapidement, étendant son influence dans de nombreux secteurs.

Humanoïde AI
En 2025, des avancées significatives ont été réalisées dans les « Modèles du Monde », des systèmes d'IA conçus pour simuler le monde extérieur et comment il fonctionne, permettant à l'intelligence artificielle d'acquérir une conscience plus profonde de son environnement complexe. Ces modèles visent à rapprocher l'IA de l'intelligence humaine en lui donnant une compréhension de son environnement et la capacité de gérer des tâches complexes et imprévisibles semblables à celles effectuées par les humains. Cette avancée a eu un impact majeur sur le domaine de la robotique humanoïde, avec des attentes selon lesquelles les robots humanoïdes seront de plus en plus utilisés dans des environnements comme les hôpitaux, où ils pourront interagir intelligemment avec leur environnement et effectuer des tâches non répétitives et non programmées ressemblant au travail humain.

Modèles de langue spécialisés

Les institutions passent de plus en plus des Large Language Models (LLM) généralistes aux Small Language Models (SLM) ou modèles de langage spécifiques au domaine (DSLM), adaptés à des champs spécialisés tels que le droit ou la médecine.

Ces modèles de langue sont entraînés sur des données liées à ce domaine spécifique, les rendant extrêmement précis et ciblés. Cette restriction de données vise à atteindre deux objectifs principaux :

(1) Améliorer la précision et l'output du modèle en réduisant les "hallucinations" présentes dans les modèles AI généralistes.

(2) Ce changement permet à l'IA d'acquérir une compréhension plus profonde et plus précisedes domaines spécialisés, y compris la terminologie nuancée propre à chaque champ. Des exemples notables incluent Med-PaLM 2 en médecine et BloombergGPT en finance.

IA Souveraine
La souveraineté est apparue comme l'un des thèmes clés de l'IA cette année, et on s'attend à ce qu'elle croisse rapidement dans les années à venir. L'IA souveraine, une priorité pour de nombreux gouvernements, représente un objectif stratégique pour les États cherchant l'indépendance numérique. Cette approche implique le contrôle du cycle de vie complet de l'IA - de la propriété locale de l'infrastructure, telle que les clusters de GPU et le cloud computing national ou régional, à l'assurance que les données restent à l'intérieur des frontières nationales et respectent les réglementations locales sur la confidentialité, telles que le RGPD.

Les pays cherchent de plus en plus à assurer que les systèmes d'IA reflètent leurs identités culturelles, langues, et normes éthiques uniques en développant des talents locaux et en créant des modèles entraînés sur des données d'origine domestique.

Cet accent sur la souveraineté est devenu un élément crucial de la sécurité nationale et de la stabilité économique, aidant les pays à réduire leur dépendance vis-à-vis des géants technologiques étrangers et des puissances rivales potentielles. En transformant l'IA d'un service externe en une base domestique, les États peuvent favoriser l'innovation locale, protéger la confidentialité des données nationales, et maintenir leurs avantages concurrentiels. En même temps, cette approche permet aux pays de préserver leur unicité culturelle sans compromettre la souveraineté numérique ou la sécurité de l'information.