Jonathan Suru

La course à l'IA est aujourd'hui dominée par les LLM. Je suis fasciné par les laboratoires qui bâtissent leurs modèles from scratch mais cet idéal heurte notre réalité : peu de moyens, peu de temps, et des géants américains qui creusent l'écart chaque jour, accélérant un lock-in qui rendra toute alternative souveraine quasi impossible demain.

Ma conviction : il nous faut un séquençage stratégique. D'abord, capter le marché par des endpoints performants, en s'appuyant sur des modèles open source (notamment chinois) aux performances comparables et aux coûts d'inférence bien moindres. L'infrastructure cloud, dans un premier temps, sera externe.

Mais une simple couche d'inférence devient rapidement un produit banalisé (OpenRouter, Together AI écrasent les marges). Pour survivre, notre plateforme doit être hyper-locale : tarification adaptée, mobile money, faible bande passante, et surtout prise en charge des langues locales. Elle doit fonctionner sur deux jambes: une API pour les développeurs, une app grand public et cibler les institutions (agriculture, santé, éducation) pour le volume et la légitimité.

L'offre technique doit être complète : STT pour la saisie vocale là où le texte est un frein, TTS pour la restitution en langues locales, OCR pour traiter les documents papiers encore massivement utilisés sur le terrain, le tout adossé à une évaluation systématique des modèles (benchmarks locaux, tests en conditions réelles) pour garantir qualité et confiance. Mais l'argument décisif ne sera ni le mobile money ni le simple fait d'être local : les utilisateurs développeurs comme institutions viendront chez nous parce que nous leur offrons un véritable levier de performance. Des outils comme DSPy changent la donne en permettant d'optimiser prompts et pipelines de manière programmatique, d'itérer rapidement, et d'extraire le meilleur des modèles open source sans entraînement lourd. Au-delà des modèles eux-mêmes, notre plateforme doit intégrer des services complémentaires essentiels à la performance : une base de données vectorielle pour le retrieval-augmented generation (RAG), des systèmes de cache d'inférence pour réduire la latence et les coûts, et des pipelines d'évaluation automatisée pour mesurer en continu la qualité des réponses. Cet ensemble (modèles, optimisation, infrastructure) rend notre plateforme plus intelligente et plus efficace, pas seulement moins chère.

Les métadonnées d'usage ne sont pas un sous-produit marketing : elles sont la matière première stratégique de l'entraînement de demain. Chaque requête formulée par nos utilisateurs, chaque tour de dialogue, chaque reformulation dans une langue locale est une empreinte précise de leurs besoins réels. En agrégeant et en structurant ces traces, nous pouvons générer des données synthétiques hyper-spécialisées, contextualisées et linguistiquement adaptées bien plus riches que n'importe quel jeu de données générique. La frontière entre l'observation passive et la création active d'un dataset d'entraînement s'effondre : nous ne collectons plus seulement pour comprendre, nous collectons pour fabriquer la matière première de notre propre souveraineté.

Avec ces données, un fine-tuning léger et itératif des modèles open source coûte bien moins qu'un entraînement from scratch, mais crée immédiatement un différenciateur défendable. Les revenus, les talents et la crédibilité ainsi gagnés financeront la recherche de demain.

Le piège, c'est l'enfermement dans la distribution. Pour éviter que le laboratoire ne recule sans cesse, il faut une gouvernance stricte : sanctuariser une part des revenus pour la R&D, et fixer des indicateurs de bascule explicites (seuil d'utilisateurs ou de revenus déclenchant la phase de construction pure).

Depuis l'avènement de l'Intelligence Artificielle, tout le monde s'y précipite. En Afrique, comme partout ailleurs, les entreprises se lancent dans une course effrénée. La vision collective est séduisante : l'IA y est perçue comme un accélérateur miraculeux pour opérer un bond technologique et rattraper notre retard de développement.

Mais il faut déconstruire ce mythe. L'IA, tout comme le Cloud avant elle, a réussi à nous faire croire qu'elle était immatérielle. On parle de "nuage", d'algorithmes, comme si cette intelligence flottait dans les airs. Pourtant, à un moment donné, la réalité physique nous rattrape. L'IA ne se trouve pas dans le ciel, elle a besoin d'un sol, de câbles, de ventilation : elle a besoin d'un Data Center.

Pour bien comprendre ce que nous manipulons, il est nécessaire d'arrêter de regarder l'IA comme un concept et de la voir comme une équation mathématique bien réelle :

\[AI = Energy + GPU + Data\]

L'ordre de ces trois inconnues a son importance (c'est un choix délibéré pour comprendre nos priorités réelles). Décortiquons-la :

• Energy : Chaque requête envoyée à un modèle consomme de l'électricité. L'entraînement d'une IA est une voracité énergétique pure. Parler d'IA en Afrique implique inévitablement d'interroger la quantité et la disponibilité de notre électricité, ainsi que son impact sur l'environnement. L'illusion de l'immatérialité s'arrête là : la pensée artificielle a un coût électrique concret. Sans énergie robuste, l'IA n'existe pas.
• GPU : Ici, on pourrait aussi parler de "Silicium". C'est toute l'infrastructure matérielle nécessaire pour entraîner les modèles et faire de l'inférence. Cette capacité de calcul est le bottleneck physique de l'IA : elle définit la taille du modèle qu'il est possible d'entraîner, et donc directement sa qualité, sa précision et ses capacités. Sans ce matériel, l'intelligence reste à l'état de théorie.
• Data : On a tendance à résumer l'IA à la donnée. Pourtant, force est de constater que l'état de l'art a changé. L'époque du simple scraping frénétique du web est révolue. Avec la distillation et les données synthétiques, le volume de données devient plus accessible. La vraie différence se joue aujourd'hui sur un autre palier : les données ultra-spécialisées, créées par des experts humains. C'est là que réside la valeur. De plus, l'usage crée la donnée : dès qu'un produit est utilisé, les interactions des utilisateurs produisent une data qui enrichit et améliore le système.

Mais aucune équation n'existe dans le vide. À cette trinité physique, il faut ajouter les biais de notre réalité : le cadre juridique qui encadre (ou freine) l'innovation, la qualité du réseau et l'accessibilité à Internet, ainsi que la taille du marché qui rend le projet viable.

Cependant, cette équation possède un défaut majeur : elle est statique. Or, l'IA est une course asynchrone. Pendant que l'Afrique cherche à rassembler ses watts et ses GPU pour bâtir ses Data Centers, les modèles continuent d'évoluer à un rythme exponentiel. La vraie question n'est donc pas seulement de savoir si les ressources sont réunies, mais à quel rythme il est possible d'itérer par rapport à ce qui se construit ailleurs.

Pour autant, il ne faut pas abandonner l'idée du bond technologique. Mais avant de pouvoir sauter les étapes, il reste indispensable de regarder cette équation en face, et de l'accepter pour mieux la résoudre à notre manière.