Contexte du débat sur le ralentissement de l’IA
Depuis le début de 2024, plusieurs gouvernements et organisations de recherche ont appelé à un frein volontaire du développement des modèles de grande taille. Les arguments portent sur la consommation énergétique, les risques de désinformation et la concentration de capacités entre quelques acteurs. Cette position a conduit à un ralentissement des investissements dans les infrastructures de calcul spécialisées et à une réévaluation des budgets de recherche. Le débat s’est intensifié après la publication de rapports indiquant que les coûts d’entraînement d’un modèle de plusieurs centaines de milliards de paramètres dépassent les capacités de nombreux fournisseurs de cloud.
Répercussions sur les produits Salesforce
Salesforce intègre l’IA sous la marque Einstein, qui alimente la génération de texte, la classification d’opportunités commerciales et la recommandation de contenus. Le ralentissement du financement des GPU haut de gamme limite la fréquence de mise à jour des modèles internes. En conséquence, les équipes produit ont reporté les plans de déploiement de nouvelles versions d’Einstein GPT, tout en conservant les modèles existants en production. Cette contrainte technique se traduit par une moindre capacité à intégrer les dernières avancées en traitement du langage naturel, ce qui peut affecter la précision des réponses automatisées.
Enjeux de sécurité et gouvernance
Le débat sur le ralentissement de l’IA met en avant la question de la sécurité des modèles. Des chercheurs ont démontré que les modèles non contrôlés peuvent être détournés pour générer du code malveillant ou des messages de phishing. Salesforce, qui traite des données client sensibles, a renforcé ses protocoles de validation en introduisant des filtres de sortie basés sur des listes noires de termes à risque. Cette mesure augmente la charge de calcul lors de chaque requête, car chaque texte généré passe par un module de classification supplémentaire avant d’être renvoyé à l’utilisateur.
Perspectives et limites
À moyen terme, Salesforce pourrait adopter une stratégie hybride : conserver les grands modèles centralisés pour les fonctions critiques tout en déployant des modèles plus petits, optimisés pour le edge, afin de réduire la dépendance aux ressources de calcul externes. Cette approche nécessite une refonte de l’architecture de pipeline, notamment la mise en place de caches de résultats et de mécanismes de distillation de modèle. Cependant, l’article source ne fournit pas de données chiffrées sur les performances actuelles d’Einstein ni sur les économies d’énergie attendues, ce qui limite la précision de toute projection quantitative.
