L’avenir de la recherche en IA : de la recette au kit repas

Résumé essentiel (TL;DR)

• Explosion des articles en IA = progrès + en même temps “Noise Tax”

  • 2013 → 2023, articles annuels en IA : ~102,000 → ~242,000
  • Sur la même période, part de l’IA dans les articles en informatique : 21.6% → 41.8%

• Plus les articles se multiplient, plus les coûts de sélection / reproduction / exploitation explosent

  • On lit davantage, mais les produits sont moins stables
  • Plus on poursuit le SOTA, plus la reproductibilité et l’opérabilité baissent

• Quand on met un article en production, 4 modes d’échec apparaissent presque toujours

• Voilà pourquoi le signal pour 2026 est simple :
  DIY (implémenter la recette) ↓ / Packaging (kit repas) ↑

  • Mieux vaut une unité directement déployable que “lire l’article puis implémenter”
  • Des packagings comme NVIDIA NIM / SLM / Ollama créent un mouvement de standardisation

---

Définition du problème : les articles d’IA sont des « recettes Michelin »

L’auteur compare les articles de recherche en IA à des recettes de chefs étoilés Michelin.
Le problème n’est pas la recette en elle-même. C’est juste que notre cuisine n’est pas la même.

Les articles sont élaborés dans une cuisine parfaite.

• Cluster de H100
• Jeux de données propres et soigneusement nettoyés
• Astuces cachées optimisées pour l’environnement expérimental

Puis, quand cette recette descend sur le terrain (on-prem, legacy, conformité, exploitation), le même phénomène se répète.

---

De l’article à la production : 4 modes d’échec

1) Broken Utensils (infrastructure)

• Les résultats des articles sont obtenus avec des milliers de H100

• Dans la réalité, on a de petits GPU / une VRAM limitée / un réseau contraint

• Le problème n’est pas “les performances baissent un peu”
  → le phénomène lui-même n’apparaît pas

• Symptômes fréquents :

  • « Ça tourne, mais il n’y a pas le comportement attendu »
  • Le pipeline se termine, mais le promised behavior n’apparaît pas

2) Spoiled Ingredients (données)

• Les articles supposent des données nettoyées

• Les données réelles, ce sont :

  • des logs, des PDF scannés, des documents legacy, des changements de schéma, des sources floues

• En RAG / raisonnement, dès que la structure, les fondements ou la cohérence se brisent, on bascule vite dans l’hallucination

• Ce qui est encore plus dangereux :

  • c’est fluide, donc on y croit davantage
  • le plus coûteux, c’est quand « ça a l’air correct, mais c’est faux »

3) Missing Salt (détails d’ingénierie)

• La partie “Season to taste” est la plus importante

• Le vrai terrain de jeu, c’est :

  • l’initialisation / le scheduler / le tuning au millième près / les templates de prompt

• Tout cela ne tient pas dans 8 pages d’article

• En pratique, c’est là que tout se joue :

  • ce n’est pas la recette, mais l’assaisonnement secret (les conditions de reproductibilité) qui détermine le résultat

4) Responsibility Gap (responsabilité)

• En cas d’échec, la conclusion ressemble à ceci :

  • « Les maths sont justes. C’est votre environnement le problème. »

• La responsabilité de l’écart est repoussée vers l’aval
  → au final, c’est la personne qui a lu l’article et l’a recommandé qui prend le retour de flamme.

• Quand il y a un incident ou un audit, cela devient « le système que nous avons construit »

---

Deux limites structurelles : pourquoi on finit par renoncer au DIY

A) Paper Explosion = Noise Tax

Plus les articles se multiplient, plus le coût de sélection explose.

• On lit davantage, mais les produits sont moins stables
• Plus on poursuit le SOTA, plus l’opérabilité baisse
• Ce n’est pas une “abondance de connaissances”, c’est un “coût du choix”

B) Changement de direction du capital : des « articles » vers l’« exploitation »

L’argent se déplace des nouvelles recettes vers des packages exploitables en conditions réelles.
Les questions d’investissement ont changé.

• Est-ce une démo ou est-ce exploitable ?
• Est-ce que ça tient en coût / latence / observabilité / audit ?

Les risques d’exploitation se résument en général à ces 3 points :

• Risque de coût : le PoC fonctionne, mais ça casse en production
• Risque de confiance : si les fondements / sources se dégradent, une réponse plausible reste dangereuse
• Risque de responsabilité : en cas d’incident ou d’audit, cela devient notre responsabilité

---

Le signal le plus fort pour 2026 : le Packaging

AI Meal Kit = prêt à déployer + unité de déploiement avec une frontière claire de responsabilité en cas d’échec

Autrement dit, la conclusion pour 2026 est la suivante :

Packaging beats ingenuity.

4 signaux du marché

Signal n°1) NVIDIA NIMs

• La configuration du modèle, les dépendances et les optimisations sont figées dans un conteneur
• Il y a moins de place pour les conjectures sur la toolchain
• L’assaisonnement secret est déjà inclus.
• Message : “Tune less. Run more.”

Signal n°2) SLMs

• Les « recettes adaptées à la cuisine » se multiplient
• Les possibilités d’exploitation en local / à l’edge augmentent
• Direction : bounded / predictable / cheaper to operate

Signal n°3) AI in a Box

• Les serveurs ne se vendent plus comme des « composants », mais comme des « produits finis »
• Avec RAG / sécurité / configuration de base inclus
• Effet : on trace une frontière sur qui porte la responsabilité du gap

Signal n°4) Ollama / LM Studio

• La difficulté de configuration chute fortement
• Le nombre d’opérateurs augmente
• Et quand le nombre d’opérateurs augmente, le marché évolue toujours ainsi : la standardisation s’accélère

---

Point de vue opérationnel : les indicateurs à regarder tout de suite

• Compute Fit : les performances visées sont-elles reproductibles sur « nos GPU / notre VRAM » ?
• Data Fit : les données d’entrée conservent-elles la « structure / les fondements / les sources » ?
• Hidden Salt : les scripts / prompts / valeurs de tuning nécessaires à la reproduction sont-ils figés par version ?
• Owner : en cas d’échec, où se situe la surface de responsabilité ? (nous ? le fournisseur ? le package ?)
• Ops : observabilité (logs / métriques), rollback, plafond de coût, audit : tout cela est-il intégré dans la conception ?

---

Conclusion

En 2026, plus qu’un « modèle plus intelligent »,
ce sont les « unités de déploiement qui cassent moins » qui l’emporteront.

Les articles continueront de sortir, mais le marché achètera de l’intelligence emballée.
Les équipes aussi devront choisir.

• continuer à implémenter des recettes
• ou packager / exploiter au niveau d’un kit repas

One-liner

« Les articles vendent des idées, le marché achète de l’exploitation. »