Dans les coulisses de l’essor de l’IA prête à l’emploi en Chine : praticité, obstacles liés aux coûts et course à la standardisation

Pourquoi l’IA prête à l’emploi décolle en Chine

Une nouvelle vague d’IA prête à l’emploi déferle sur la Chine, des halls d’hôtel aux ateliers d’usine, en passant par les guichets des services locaux. Soutenus par de grandes plateformes cloud, une volonté nationale de numériser l’industrie et une offre croissante de grands modèles de langage à bas coût, des outils qui nécessitaient autrefois des équipes d’ingénieurs sont désormais proposés sous forme d’appareils prêts à installer et de tableaux de bord accessibles depuis un navigateur. Les entreprises saisissent une demande en langage courant et le système réserve une chambre, planifie une équipe ou rédige un rapport. Cette formule séduit par sa rapidité, son coût d’accès réduit et ses résultats qui s’intègrent au travail quotidien.

La Chine s’est fixé des objectifs ambitieux en matière d’adoption. Avec la stratégie « IA+ », les responsables politiques veulent que l’IA soit intégrée dans 90 % des principaux secteurs d’activité d’ici à 2030. L’accent est mis sur les usages concrets. Hôtels, hôpitaux, constructeurs automobiles et administrations installent des outils prêts à l’emploi capables de lire des documents, de répondre à des questions et d’agir pour le compte du personnel. Ces systèmes reposent sur de grands modèles de langage, la même technologie générale que celle qui alimente les chatbots populaires. En termes simples, un modèle est entraîné sur un vaste ensemble de données afin de prédire quel texte devrait suivre. Avec les garde-fous et les intégrations appropriés, il peut résumer des dossiers, rechercher dans des fichiers internes ou déclencher un processus de travail.

L’IA prête à l’emploi désigne des solutions matérielles et logicielles préconfigurées, rapides à installer. On peut penser à une machine tout-en-un faisant tourner un modèle validé, associée à une console simple qui se connecte aux données de l’entreprise et aux outils courants. Au lieu d’écrire du code sur mesure, les professionnels utilisent des requêtes en langage naturel et un catalogue d’actions fiables. L’échelle du marché intérieur et la rapidité des cycles d’amélioration confèrent un avantage aux fournisseurs chinois. Les grands prestataires cloud ont bâti une infrastructure solide et rivalisent pour rendre ces solutions aussi simples que possible pour les clients qui ne disposent pas d’équipes techniques spécialisées.

Des hôtels aux hôpitaux : à quoi ressemble l’IA prête à l’emploi

Dans l’hôtellerie, des concierges numériques accueillent les clients sur des écrans et dans des applications de messagerie. Le service d’une chaîne, alimenté par un prestataire cloud chinois, peut prendre en charge plus de 30 tâches courantes à la réception. Il vérifie la disponibilité des chambres, explique les règles de départ tardif, suggère des restaurants à proximité et transmet les demandes particulières au personnel. Le système repose sur un grand modèle de langage adapté aux activités hôtelières : il s’exprime sur un ton chaleureux, conserve des journaux et respecte les paramètres de confidentialité définis par l’établissement.

Les constructeurs automobiles utilisent des outils similaires pour réduire les appels au service client et soutenir les ventes en ligne. Une grande coentreprise a montré qu’un robot conversationnel bien entraîné pouvait répondre aux questions sur les garanties, planifier des opérations d’entretien et transmettre les cas complexes à des agents humains. Les administrations ont adopté des assistants capables d’analyser les demandes, de retrouver des archives et de rédiger des projets de réponses officielles. Dans les hôpitaux, des chatbots d’admission peuvent recueillir les symptômes, vérifier la couverture d’assurance et préparer des notes pour les médecins, tandis que des systèmes administratifs rédigent des comptes rendus de sortie et attribuent des codes de facturation. Ces déploiements visent à réduire l’attente et les tâches répétitives, et à permettre au personnel de se concentrer sur le discernement et les soins.

Les ventes progressent là où les données sont sensibles et les processus répétitifs. Les organismes publics et les établissements médicaux accordent de l’importance au contrôle local et aux pistes d’audit ; ils choisissent donc souvent des systèmes qui conservent les données dans leurs propres réseaux. Les fournisseurs qui proposent des plans d’intégration clairs, des formations et une assistance sur site remportent des contrats. Les meilleurs résultats sont obtenus lorsque les équipes repensent leurs processus en tenant compte de l’IA, plutôt que de simplement ajouter un chatbot à une file d’attente existante.

Modèles bon marché et effet DeepSeek

L’économie des modèles évolue rapidement. Le modèle de raisonnement d’une start-up chinoise, publié en open source et mis à jour à un rythme soutenu, suscite un vif intérêt : ses performances sont élevées pour une fraction du coût de nombreux systèmes occidentaux. Quelques semaines après son lancement public, les téléchargements ont explosé, dépassant, selon certaines estimations, les 100 millions en un mois, et des centaines d’entreprises ont commencé à le tester ou à l’intégrer. Les grands prestataires cloud se sont empressés de l’héberger, tandis que des acteurs établis d’Internet l’intégraient à leurs applications grand public. Cette dynamique a poussé les concurrents à revoir leurs stratégies et à publier davantage de travaux de recherche, notamment des solutions en open source.

Les modèles moins coûteux changent la façon dont les entreprises déploient l’IA. Si un modèle performant fonctionne sur du matériel modeste, les entreprises peuvent envisager de l’exécuter sur leurs propres serveurs ou d’en multiplier les instances pour absorber les pics de demande. Cette approche réduit la dépendance aux puces les plus avancées, qui restent rares. Elle diminue aussi les coûts d’inférence, un poste budgétaire majeur pour tout service d’IA à grande échelle. De nombreux observateurs du secteur s’attendent à ce que les entreprises qui développent des agents d’IA en Chine atteignent la rentabilité autour de 2026, grâce à une amélioration simultanée des prix et des performances. Cette tendance stimule les éditeurs d’applications, et pas seulement les fabricants de modèles : des fondations moins coûteuses libèrent des budgets pour l’intégration, la sécurité et l’assistance.

Machines d’IA tout-en-un et compromis en matière de sécurité des données

L’une des catégories qui connaît la croissance la plus rapide est celle des machines d’IA tout-en-un. Ces appareils sont livrés avec des modèles validés, une console d’administration et des connecteurs pour les fichiers, les bases de données et les outils de messagerie. L’appareil se trouve sur le réseau de l’entreprise, de sorte que les données sensibles ne quittent jamais ses locaux. La latence est faible, car l’inférence s’effectue localement. Pour les secteurs qui ne disposent pas de grandes équipes informatiques, la promesse est celle de la simplicité. Il suffit de déballer la machine, de la connecter aux systèmes de l’entreprise, de choisir un modèle approuvé et de commencer à la tester sur des tâches réelles.

Cette approche a ses limites. Les modèles s’améliorent rapidement et de nouveaux outils de sécurité apparaissent régulièrement : les appareils peuvent donc nécessiter des mises à jour logicielles fréquentes, voire un renouvellement du matériel. Les acheteurs doivent anticiper les cycles de mise à niveau, la formation du personnel et l’assistance du fournisseur. Le choix entre un appareil installé sur site et un service cloud relève d’un arbitrage entre risques et budget. Nombre d’entreprises finissent par combiner les deux : elles gardent les tâches sensibles en interne et confient les moins sensibles au cloud. Les secteurs réglementés, comme la santé, la finance et les services publics, sont les plus susceptibles de privilégier le matériel local pour les données les plus sensibles.

• Les points forts de ces machines : garder les données sous contrôle local, réduire la latence, simplifier les projets pilotes et permettre des intégrations sur mesure.
• Les points de vigilance : le coût des mises à niveau, la dérive des modèles au fil du temps, la dépendance vis-à-vis d’un fournisseur et la nécessité de procédures claires de gestion des incidents en cas de réponse erronée.

Plateformes d’agents, MCP et quête d’une norme commune

Les plateformes d’agents permettent aux entreprises d’intégrer des collaborateurs numériques dans leurs activités quotidiennes. Au lieu de répondre à une question à la fois, un agent peut planifier une tâche en plusieurs étapes, faire appel à des outils comme un moteur de recherche ou des formulaires, vérifier si les résultats semblent corrects et passer le relais à une personne si nécessaire. Dans les centres de contact, un agent rédige des réponses et met à jour les dossiers. Dans les opérations, un agent peut coordonner les plannings, les notes d’inventaire et les transmissions entre équipes. L’objectif est de réduire le nombre de clics et les reprises de tâches.

Il est plus facile de connecter les agents au monde extérieur lorsque tous parlent le même langage. Un nouveau protocole, appelé Model Context Protocol ou MCP, reçoit le soutien d’entreprises technologiques occidentales et chinoises. Il fonctionne comme une prise universelle pour les outils. Si un fournisseur de cartographie, une plateforme de documents ou un service de paiement publie un serveur MCP, tout modèle compatible MCP peut appeler ces fonctions sans code d’intégration spécifique. Le développement d’applications d’IA devient ainsi plus modulaire et nécessite moins d’intégrations fragiles conçues au cas par cas.

Lors d’une grande conférence de développeurs en avril, Robin Li, président de Baidu, a illustré par une analogie simple le passage aux agents standardisés.

À l’heure actuelle, développer des agents basés sur MCP, c’est comme créer des applications mobiles en 2010.

Le protocole est encore récent. Certains serveurs MCP manquent de documentation ou proposent trop peu de fonctions pour être utiles. Les plus grandes plateformes gardent le contrôle de l’accès aux services à forte valeur ajoutée et peuvent modifier leurs politiques. La sécurité et la fiabilité exigent une attention particulière, surtout lorsque les agents déclenchent des actions dans le monde réel. Malgré ces obstacles, la dynamique chez les développeurs est bien réelle. Le soutien des fournisseurs de modèles, des éditeurs de code et des plateformes cloud fait du MCP un socle commun pour les écosystèmes d’agents.

Le contexte politique et réglementaire

Les autorités chinoises ont établi un cadre réglementaire détaillé pour les algorithmes et les contenus synthétiques. Des règles sur les systèmes de recommandation ont été adoptées en 2021, suivies de mesures de protection contre la synthèse profonde en 2022 et d’un projet de réglementation de l’IA générative en 2023. Les développeurs doivent enregistrer leurs modèles et leurs services, publier des informations de base sur leur fonctionnement et procéder à des autoévaluations de sécurité. L’Administration du cyberespace de Chine pilote ces efforts. La méthode est progressive et cible des catégories comme les moteurs de recommandation, la synthèse de visages et les générateurs de texte, l’expérience acquise dans ces domaines devant éclairer une loi nationale plus générale sur l’IA.

La gouvernance des données guide de nombreux choix de déploiement. Les entreprises qui traitent des données personnelles, financières ou médicales préfèrent souvent les systèmes qui conservent les données au sein d’un réseau local. Les fournisseurs qui vendent à l’étranger doivent s’adapter aux lois locales sur la protection de la vie privée, aux règles sur les contenus et aux besoins linguistiques. Les entreprises chinoises se développent en Asie du Sud-Est et au Moyen-Orient avec des modèles localisés, un hébergement régional des données et des fonctionnalités tenant compte des réglementations locales. Pour réussir à l’étranger, il faut assurer une conformité continue, fournir une documentation solide et garantir où se trouvent les données et qui peut y accéder.

Les petites entreprises peuvent-elles se le permettre ?

Les grandes chaînes de restauration ou de distribution peuvent justifier des investissements dans l’IA pour optimiser les effectifs, les stocks et la relation client. Pour les petits commerces, la situation est souvent différente. Les coûts initiaux paraissent élevés, les étapes techniques sont peu familières et le personnel craint les erreurs. Les propriétaires veulent des outils qui fonctionnent simplement, sans configuration complexe. Beaucoup attendent aussi des preuves plus nettes des économies réalisées au quotidien, et pas seulement dans le cadre de projets pilotes.

Le marché réagit en proposant des solutions plus légères. Des appareils en abonnement regroupent matériel, logiciels et mises à jour. Les services cloud offrent un accès aux modèles à l’usage, avec des contrôles stricts sur les données. Des modèles par secteur réduisent le temps de configuration. Des intégrateurs locaux assurent la formation et une assistance à la demande. Des subventions et des programmes d’achat peuvent aider, mais le critère décisif reste la capacité du système à faire gagner du temps ou à générer de nouveaux revenus sans créer de frictions importantes. Les outils qui s’imposeront dans ce segment devront être faciles à déployer et à prendre en charge, et proposés à un prix adapté à un usage quotidien.

Comment la Chine se compare aux autres régions

La stratégie européenne met l’accent sur les applications industrielles concrètes. Les fabricants recherchent une IA qui améliore le contrôle qualité, la maintenance et la planification, avec un retour sur investissement rapide. Plutôt que d’investir massivement dans la création de gigantesques modèles de base, de nombreuses entreprises européennes se concentrent sur la couche applicative et les données structurées. La réglementation évolue rapidement : le règlement européen sur l’IA vise à harmoniser les règles en matière de risques, de transparence et de contrôle. La priorité est de déployer des systèmes auditables, sécurisés et conformes au sein de chaînes de valeur complexes. De nombreuses entreprises peinent encore à déployer leurs projets pilotes à grande échelle, ce qui renforce l’importance d’une intégration facile et d’un accompagnement solide des fournisseurs.

Dans la région Asie-Pacifique, les applications de l’IA dans la santé sont à la fois prometteuses et difficiles à mettre en œuvre. L’IA peut faciliter le diagnostic, personnaliser les plans de soins et aider des équipes surchargées, mais son adoption est freinée par les préoccupations liées à la vie privée, la fragmentation des systèmes et le manque de compétences en IA. Les pays dotés d’infrastructures numériques solides et de directives claires, dont la Chine, le Japon et la Corée du Sud, avancent plus vite, tandis que d’autres prennent du retard en raison d’investissements limités et de normes incohérentes. Le coût reste un obstacle pour les petits hôpitaux, d’où l’attrait des produits prêts à l’emploi et des modèles à l’usage, à condition qu’ils s’accompagnent de formations et de garanties claires.

Les États-Unis et la Chine suivent également des trajectoires différentes pour développer l’IA. Washington donne la priorité aux capacités nationales de production de semi-conducteurs, à l’innovation du secteur privé et aux restrictions à l’exportation de puces avancées. Pékin promeut la coopération internationale sur les normes et la sécurité tout en développant une vaste infrastructure nationale. L’approvisionnement en matériel reste un goulot d’étranglement pour tous, les usines de fabrication de Taïwan étant au cœur de la production des puces avancées. L’énergie constitue une autre contrainte, compte tenu des besoins en électricité et en eau des centres de données. Le bouquet électrique chinois, qui comprend dans certaines régions de l’hydroélectricité et du nucléaire, est pris en compte dans la planification des centres de données. Les gains d’efficacité et les énergies plus propres détermineront où et à quel rythme les charges de travail liées à l’IA se développeront.

L’énergie et l’industrie lourde offrent un aperçu de la prochaine étape. Les jumeaux numériques pilotés par l’IA, des systèmes de contrôle plus intelligents et la maintenance prédictive peuvent améliorer la rentabilité de technologies bas carbone comme la production et le stockage de l’hydrogène. Cette approche réduit les temps d’arrêt, équilibre la demande d’électricité et accélère la découverte de matériaux pour mettre au point de meilleurs catalyseurs. La même méthode s’applique aux usines chinoises qui veulent moderniser leurs processus sans remplacer entièrement leurs équipements existants.

Risques, mises à niveau et questions à poser avant d’acheter

Prêt à l’emploi ne signifie pas qu’il suffit d’installer le système puis de l’oublier. Les modèles peuvent halluciner, la réglementation évolue et les données du monde réel changent au fil du temps. Les fournisseurs peuvent mettre à jour les modèles, remplacer les paramètres par défaut ou modifier leurs conditions. Les appareils doivent être corrigés et parfois remplacés. Les audits de sécurité sont indispensables, en particulier lorsque les agents peuvent déclencher des actions. Les projets les plus réussis établissent des garde-fous clairs, définissent les cas où une personne doit vérifier les résultats et mesurent le retour sur investissement à l’aide d’indicateurs concrets, comme le délai de résolution des demandes, le taux d’erreur ou le taux de conversion des ventes.

• Sur quelles données le système est-il entraîné et comment les informations sensibles sont-elles protégées ?
• Le modèle peut-il fonctionner localement et dans le cloud, et qui contrôle ses mises à jour ?
• Comment les requêtes, les résultats et les journaux sont-ils stockés et audités ?
• À quels outils l’agent peut-il faire appel et comment les autorisations sont-elles gérées ?
• À quelle vitesse pouvons-nous revenir à un modèle ou à une configuration antérieurs si la qualité baisse ?
• Que comprend l’assistance du fournisseur, quel est le calendrier des mises à niveau et quel est le coût total de possession ?
• Comment mesurerons-nous l’impact et à quelle situation de référence le comparerons-nous ?

En bref

• La Chine fait entrer l’IA prête à l’emploi dans les entreprises, grâce à une stratégie nationale « IA+ » visant à couvrir la plupart des grands secteurs d’ici à 2030.
• Hôtels, hôpitaux, usines et administrations adoptent des concierges numériques, des robots conversationnels pour le service client et des assistants documentaires afin de réduire les tâches courantes.
• Les modèles chinois moins coûteux, y compris ceux publiés en open source, accélèrent l’adoption et réduisent la dépendance aux puces les plus haut de gamme.
• Les machines d’IA tout-en-un séduisent les secteurs qui ont besoin d’un contrôle local des données, mais impliquent des compromis en matière de mises à niveau et d’assistance.
• Les plateformes d’agents gagnent en maturité et un protocole commun, le MCP, se dessine pour standardiser l’accès aux outils entre les modèles et les applications.
• La réglementation chinoise sur les algorithmes et les contenus synthétiques impose l’enregistrement et des contrôles de sécurité, ce qui façonne la conception et la commercialisation des produits.
• Les grandes entreprises sont les premières à se lancer, tandis que les petites recherchent des outils moins coûteux et plus simples, avec un accompagnement solide et un retour sur investissement clair.
• L’Europe privilégie les retombées concrètes au niveau des applications et la conformité ; l’adoption de l’IA dans la santé est inégale en Asie-Pacifique, tandis que les États-Unis misent sur les puces et le développement du secteur privé.
• Les acheteurs qui réussissent définissent des garde-fous, suivent des résultats mesurables et anticipent les mises à jour régulières des modèles et du matériel.