Contexte et chiffres clés
Karpathy estime que 6 milliards de personnes – soit environ 75 % de la population mondiale – n’ont pratiquement jamais interagi avec un grand modèle de langage (LLM). Il situe ensuite 1 à 2 milliards d’utilisateurs (≈ 20 %) dans la catégorie « casual », qui utilisent occasionnellement des services gratuits du type ChatGPT, souvent comme un moteur de recherche amélioré ou un assistant d’écriture. Le segment professionnel commence à émerger avec 20 millions de personnes (0,2 %) qui exploitent des LLM de pointe pour des tâches complexes en mathématiques et en code, tandis que environ 5 000 personnes (0,00006 %) disposent d’un accès interne à des systèmes de pointe.
Mécanismes de différenciation d’accès
Cette stratification repose sur trois leviers. Premièrement, l’impact augmente avec l’ambition et la taille du problème : des requêtes simples ne sollicitent pas les capacités maximales du modèle, alors que des projets de plusieurs semaines peuvent être résolus en quelques minutes grâce à des agents pilotés par prompts. Deuxièmement, la « jaggedness » du système signifie que les performances culminent dans des domaines numériques, vérifiables et économiquement rentables, où le renforcement par apprentissage (RLHF) bénéficie de récompenses claires. Troisièmement, l’accès varie entre les niveaux gratuit, payant et interne, créant un entonnoir où les utilisateurs les plus avancés sont très peu nombreux mais très puissants.
Implications techniques et limites
Les utilisateurs professionnels constatent que des projets autrefois chronophages – construction, traduction ou même décompilation d’applications – sont désormais automatisés. Cette accélération se traduit par des agents collaborant à grande échelle, capables de générer des vulnérabilités zéro‑day, de mener des cyber‑attaques à vitesse machine ou de produire des avancées scientifiques. Cependant, la relecture humaine peine à suivre le rythme : l’archeologie du scandale OpenAI‑HF et l’analyse de 722 manuscrits de mathématiques de pointe illustrent le retard de la compréhension humaine face à la production automatisée.
Perspectives et défis futurs
Le fossé d’usage s’élargit tant que les barrières d’accès et les incitations économiques restent inchangées. Une diffusion plus large des modèles de pointe pourrait réduire l’écart, mais elle augmenterait aussi les risques de mauvaise utilisation. Les organisations devront donc investir dans des outils de vérification, de gouvernance et de formation afin de garder la capacité de contrôle humain sur des systèmes qui, aujourd’hui, dépassent déjà les compétences de la plupart des professionnels.
