Contexte technique
J’ai regardé l’interview originale de Karp sur CNBC du 1er juillet et une chose est cruciale : il n’a pas seulement attaqué émotionnellement OpenAI et Anthropic. Il a mis le doigt sur une douleur que je vois régulièrement dans les projets d’implémentation d’IA : les entreprises achètent l’accès aux modèles, mais n’obtiennent pas un système gouvernable.
Sa thèse principale sonne durement, mais elle est exacte. Le marché a trop longtemps vendu des jetons comme s’ils étaient le produit, alors que pour l’entreprise, le produit réel devrait être une couche applicative fonctionnelle au-dessus des données, des droits d’accès, des logs, du routage et des SLA, pas seulement la génération de texte.
Karp a littéralement dit que « quelque chose a complètement mal tourné », et les entreprises en ont assez de payer pour des jetons qui ne créent aucune valeur. Il a particulièrement insisté sur le contrôle du calcul, des modèles, du stack de données et de l’alpha. Et ce n’est plus une phrase de relations publiques, mais un véritable débat architectural.
Ses propos sur les modèles open-weight sont souvent paraphrasés de façon plus agressive. Mais le sens converge : si une entreprise ne veut pas exposer ses processus sensibles, elle se tourne vers un stack plus contrôlé où l’on peut gérer le modèle, l’environnement et le coût d’inférence.
Je traduirais sa pensée encore plus simplement. Si toute votre intégration d’IA se résume à « branchons une API et voyons », vous finirez presque certainement dans le tokenmaxxing : beaucoup de requêtes, des pilotes tape-à-l’œil, une économie faible et des limites floues en matière de propriété intellectuelle.
Ce qui m’a frappé, ce n’est pas l’indignation de Karp, mais qu’il ait enfin dit tout haut ce qui se murmure lors des appels confidentiels entre PDG. Là-bas, on ne demande plus « quel modèle est le plus intelligent », mais « que contrôlons-nous exactement, quel est le coût à l’échelle et qu’apprenons-nous au système de quelqu’un d’autre avec nos données ».
Impact sur le business et l’automatisation
Pour le business, je vois trois conséquences directes. Premièrement : moins d’expérimentations aveugles avec des API coûteuses et plus d’intérêt pour les modèles open-weight et les schémas hybrides. Deuxièmement : l’automatisation IA sera évaluée sur la réduction du temps de cycle et des erreurs, pas sur le nombre de prompts.
Troisièmement : les gagnants seront ceux qui savent construire une architecture IA autour du processus, pas autour d’un modèle à la mode. Les perdants seront les équipes qui ont bâti toute leur logique sur un seul fournisseur sans prévoir la portabilité, l’audit et l’accès aux données.
C’est exactement dans ces bifurcations que je freine généralement les projets pour éviter d’entraîner le client dans un piège clinquant. Chez Nahornyi AI Lab, nous abordons ces questions concrètement : où une API privée est nécessaire, où une boucle locale, où un agent étroit suffit, et où il vaut mieux ne pas toucher à un LLM.
Si votre IA dévore actuellement le budget sans fournir de résultat pilotable, décomposons le processus couche par couche. Chez Nahornyi AI Lab, je peux vous aider à structurer le développement de solutions IA pour que vous gardiez le contrôle des données, des coûts et de la valeur réelle, pas seulement un compteur de jetons.