Le panorama de l’IA du Lowy Institute place les États-Unis devant la Chine, avec des limites

Le panorama de l’IA du Lowy Institute place les États-Unis devant la Chine, malgré les avantages chinois en matière de minerais et de distribution de modèles ouverts. Publiée le 8 novembre 2026, l’évaluation compare 14 indicateurs couvrant les ressources, la technologie, les capacités en IA et l’adoption. Sa conclusion remet en cause un raccourci courant : la popularité auprès des développeurs n’établit pas automatiquement un leadership sur l’ensemble du marché de l’IA.

Les chercheurs Jack Sato et Hunter Marston distinguent les atouts américains dans le calcul informatique et la distribution auprès des consommateurs des forces chinoises dans d’autres domaines. Leur comparaison donne aux États-Unis une avance globale tout en montrant pourquoi certains indicateurs peuvent étayer des titres très différents. Aucun des deux pays ne contrôle toutes les ressources, tous les canaux de distribution ou toutes les sources d’influence.

Pour les développeurs et les acheteurs en entreprise, l’enjeu dépasse les classements nationaux. Choisir un système d’IA revient à choisir des dépendances liées à l’infrastructure, à l’accès aux logiciels, aux exigences d’exploitation et à la gouvernance. Le rapport fournit un point de départ pour examiner ces dépendances. Il ne détermine pas quel modèle convient au flux de travail de chaque organisation.

Ce que le panorama de l’IA du Lowy Institute change réellement

La nouvelle évaluation modifie davantage le cadre de comparaison que le paysage concurrentiel sous-jacent.

La comparaison de la puissance en IA de Lowy rassemble des indicateurs habituellement abordés dans des débats distincts. Elle place les matériaux, l’infrastructure, les capacités des modèles et la distribution dans un même cadre. Ses mesures reçoivent un poids égal à chaque niveau, et les scores des indicateurs comparent les pays à leurs totaux combinés.

Cette approche avance une thèse sur la manière de comprendre la puissance technologique. La position d’un pays ne peut pas reposer entièrement sur le lancement réussi d’un chatbot. De même, les seules ressources industrielles ne permettent pas d’établir que ses logiciels atteignent davantage d’utilisateurs ou offrent de meilleures performances.

Cette distinction importe parce que la concurrence nationale se transforme souvent en une succession d’annonces isolées. Une sortie de modèle produit un titre sur les performances. Une restriction sur les puces produit un titre sur la sécurité. Un jalon de téléchargements produit un titre sur l’adoption. Les lecteurs rencontrent alors chaque évolution comme la preuve d’un unique vainqueur global.

Ces évolutions répondent à des questions différentes. Les combiner exige un jugement explicite sur leur importance relative. Lowy rend son cadre visible, permettant aux lecteurs d’examiner ce jugement au lieu de le traiter comme une hypothèse implicite.

Un score global devrait donc servir d’interprétation structurée. Il ne devrait pas devenir un substitut à l’examen des catégories sous-jacentes. Une organisation qui sélectionne un logiciel a besoin d’une pondération différente de celle d’un gouvernement évaluant sa vulnérabilité industrielle.

Prenons l’exemple d’une équipe qui évalue un assistant destiné à des documents d’ingénierie confidentiels. La popularité auprès des consommateurs fournirait peu d’éléments pour savoir si ce système répond à ses exigences. Le contrôle du déploiement, le traitement des documents, la qualité des réponses et les obligations de maintenance auraient un poids plus immédiat.

Une entreprise qui introduit un assistant auprès de ses clients ferait face à un autre calcul. La facilité d’accès, la fiabilité des réponses, le soutien à l’intégration et la continuité pourraient l’emporter sur la capacité à exploiter le modèle de manière indépendante. Aucune de ces décisions ne contredit une évaluation nationale. Chacune applique un objectif plus restreint.

La publication crée également une base utile pour les reportages ultérieurs. Les futures affirmations de leadership peuvent être vérifiées au regard de la dimension qu’elles affectent réellement. Un gain de distribution devrait actualiser le débat sur la distribution. Il ne devrait pas devenir silencieusement la preuve de progrès équivalents dans la fabrication.

C’est la contribution centrale du panorama de l’IA du Lowy Institute : il rend plus difficile d’ignorer les définitions concurrentes du leadership. L’évaluation favorise globalement les États-Unis, tout en laissant place à des avantages chinois importants pour certains utilisateurs et secteurs.

Les lecteurs devraient conserver ces deux volets de la conclusion. Retirer la conclusion globale minimiserait l’argument du rapport. Retirer les disparités transformerait un cadre analytique en annonce de victoire que les éléments disponibles ne peuvent étayer.

La concurrence entre les États-Unis et la Chine en IA passe par différents canaux de distribution

Gagner l’attention des développeurs et atteindre les utilisateurs au quotidien sont des réussites liées, mais elles mesurent des formes d’influence différentes.

Lowy indique que les modèles chinois représentaient 78 % des téléchargements combinés de modèles américains et chinois dans sa comparaison. Les modèles américains ont attiré plus de 90 % du trafic web combiné et plus de 80 % de l’utilisation mesurée des applications. Ces chiffres décrivent des canaux distincts, plutôt que des estimations interchangeables de la part de marché totale.

Un modèle à poids ouverts rend ses paramètres appris disponibles au téléchargement, sous réserve de sa licence. Cette disponibilité permet à une autre organisation de l’exploiter ou de l’adapter. Un assistant hébergé fournit au contraire un accès par l’intermédiaire d’une infrastructure gérée par un prestataire de services.

Cette différence modifie la relation entre le développeur du modèle et l’utilisateur final. Une personne qui utilise un assistant hébergé rencontre généralement un produit identifiable. Une personne qui utilise une application construite autour de poids de modèle téléchargés pourrait ne jamais voir le nom du développeur d’origine.

L’adoption de l’IA en Chine peut donc progresser sans s’accompagner d’une croissance équivalente des visites sur les sites web de chatbots chinois. L’inverse est également vrai. Un trafic important vers un assistant américain ne démontre pas que les modèles américains téléchargeables dominent les déploiements indépendants.

Les téléchargements exigent toutefois une interprétation prudente. Les règles de comptage des téléchargements de Hugging Face expliquent que ses statistiques comptabilisent les requêtes adressées à des fichiers désignés. Elles ne comptent pas directement les personnes uniques, les organisations actives ou les déploiements de production achevés. Le comportement de comptage varie également selon les formats de fichiers et les bibliothèques.

Cette limite ne rend pas les statistiques de téléchargement dénuées de sens. Elles fournissent des éléments sur l’activité autour de la distribution des modèles. L’erreur survient lorsqu’un événement de distribution devient, sans éléments supplémentaires, une affirmation sur une utilisation opérationnelle durable.

Un modèle téléchargé peut servir à l’évaluation, à l’expérimentation, à l’adaptation ou à un service déployé. Ces activités ont des implications commerciales et stratégiques différentes. Le nombre de téléchargements seul ne peut pas les distinguer de manière fiable.

Le trafic web a aussi ses limites. Une visite ne prouve pas qu’une personne a accompli un travail utile, est revenue régulièrement ou a choisi un service payant. L’activité des applications exige la même prudence lorsque les comparaisons utilisent des systèmes de mesure ou des conditions d’accès différents.

La question utile est celle de ce que permet chaque canal. La distribution hébergée donne aux fournisseurs une relation directe avec les utilisateurs et le contrôle des mises à jour du produit. Les modèles téléchargeables confient davantage de responsabilités de déploiement aux opérateurs en aval et leur offrent une plus grande latitude pour façonner l’application environnante.

Aucune de ces modalités ne garantit de meilleurs résultats. Exploiter un modèle de manière indépendante introduit des responsabilités de maintenance et de sécurité. Dépendre d’un service hébergé expose aux changements de disponibilité, de comportement du produit et de conditions d’accès.

Pour les développeurs, l’implication est pratique. Un titre national sur l’adoption ne devrait pas trancher un choix technique. La comparaison pertinente porte sur la capacité d’une configuration de distribution donnée à répondre durablement aux exigences de l’application.

Pour les décideurs publics, l’implication est différente. L’influence peut s’accumuler par l’intermédiaire de produits grand public de marque ou de composants sous-jacents intégrés à d’autres systèmes. Une évaluation utile doit examiner ces deux voies sans prétendre que leurs mesures d’activité décrivent la même population.

L’avantage américain en calcul informatique dépend toujours d’intrants physiques

Une avance dans les logiciels d’IA n’élimine pas la dépendance envers les systèmes industriels qui rendent ces logiciels possibles.

Le calcul informatique désigne les ressources de traitement utilisées pour entraîner et exécuter des systèmes d’IA. Lowy estime que les centres de données américains dédiés à l’IA détiennent une capacité de calcul combinée presque 40 fois supérieure à celle de la Chine. L’institut constate également que la Chine domine la production de 30 minerais figurant sur la liste américaine des minerais critiques, contre huit pour les États-Unis.

La liste des minerais critiques couvre 60 matériaux considérés comme essentiels à l’économie et à la sécurité nationale des États-Unis. Son objectif concerne la vulnérabilité des approvisionnements dans l’ensemble de l’économie. Elle ne constitue pas un classement des matériaux selon leur importance individuelle pour l’IA.

Cette distinction évite un autre raccourci trompeur. Dominer la production d’un plus grand nombre de minerais répertoriés ne se traduit pas automatiquement par un avantage équivalent dans les systèmes d’IA finis. Les matériaux doivent passer par la fabrication, les équipements, l’infrastructure et les processus opérationnels avant de soutenir une capacité de calcul utilisable.

Pourtant, le raccourci inverse est tout aussi fragile. Des modèles supérieurs ne font pas disparaître les dépendances en amont. Un fournisseur peut occuper une position importante sans produire le produit final le plus visible.

Cela crée une tension persistante dans la concurrence entre les États-Unis et la Chine en IA. Différents acteurs peuvent influencer différentes étapes d’un même système industriel. Le leadership au niveau des applications n’offre aucune protection automatique contre les contraintes ailleurs.

L’électricité ajoute une autre dépendance. Les perspectives énergétiques de l’IA de l’Agence internationale de l’énergie projettent une hausse de la consommation électrique des centres de données, de 485 térawattheures en 2025 à 950 en 2030. Elles identifient les goulets d’étranglement dans les équipements énergétiques et d’autres infrastructures comme des contraintes à l’expansion à court terme.

Un térawattheure mesure l’électricité consommée au fil du temps. Il ne mesure ni la qualité d’un modèle d’IA ni l’utilité de ses réponses. Ces perspectives énergétiques expliquent néanmoins pourquoi les équipements informatiques installés ne peuvent pas être évalués séparément des systèmes qui les alimentent.

L’infrastructure annoncée et l’infrastructure opérationnelle méritent d’être traitées séparément. Une installation proposée doit encore réunir les conditions physiques et commerciales nécessaires pour fournir un service fiable. Traiter chaque annonce comme une capacité immédiatement disponible masquerait ces conditions.

Pour un client en entreprise, ce débat industriel importe à travers les engagements de service. La question opérationnelle concerne la fiabilité de l’accès lorsque les charges de travail augmentent ou que les fournisseurs modifient leurs offres. Une estimation de capacité nationale ne peut pas répondre à cette question pour un contrat individuel.

Pour les gouvernements, la question concerne la résilience face à des dépendances liées. Le renforcement d’un intrant peut révéler une autre contrainte. Davantage d’équipements offrent un bénéfice limité si l’infrastructure environnante ne peut pas les soutenir. Une base de fournisseurs diversifiée exige également des alternatives pratiques, et non de simples noms figurant dans un document de politique publique.

Le panorama de l’IA du Lowy Institute est particulièrement utile ici comme rappel de suivre la chaîne de dépendance. Ses catégories identifient différentes sources de force. Les lecteurs ont encore besoin d’éléments sur la manière dont ces forces se relient dans la production et le déploiement réels.

Le paysage concurrentiel résiste donc à une séparation nette entre les logiciels et l’industrie. Chacun dépend de l’autre, tandis que les améliorations dans un domaine peuvent laisser irrésolues des vulnérabilités ailleurs.

Le leadership en matière de capacités ne garantit pas le leadership en matière de déploiement

Le modèle généraliste le plus performant ne devient pas automatiquement le système le plus adapté à chaque tâche opérationnelle.

Les scénarios de leadership en IA d’Anthropic distinguent l’intelligence des modèles, l’adoption nationale, la distribution mondiale et la résilience sociétale. L’entreprise soutient que les capacités sont centrales, tout en reconnaissant qu’un déploiement efficace peut compenser un désavantage en matière d’intelligence.

Cette perspective permet une lecture plus large de la concurrence, mais elle exige une attribution claire. Anthropic développe des modèles d’IA et participe au marché qu’elle analyse. Son évaluation stratégique propose un point de vue éclairé, plutôt qu’une confirmation indépendante de chaque affirmation concurrentielle.

La distinction sous-jacente reste utile. Les capacités d’un modèle concernent ce qu’un système peut faire dans des conditions déterminées. Le déploiement concerne la capacité d’une organisation à rendre ces capacités utiles dans ses propres processus.

Un benchmark, une évaluation standardisée utilisée pour comparer des systèmes, peut éclairer un ensemble défini de capacités. Il ne peut pas établir automatiquement les performances dans tous les environnements de travail. Les tâches, les documents, les contraintes opérationnelles et les conséquences des erreurs diffèrent.

Prenons l’exemple hypothétique d’une équipe d’ingénierie comparant des assistants à partir de sa documentation interne. Un système peut produire des explications plus fluides tout en citant la mauvaise version d’une spécification technique. Un autre peut proposer une prose moins soignée tout en retrouvant systématiquement le bon document.

Cet exemple n’établit pas qu’une famille particulière de modèles nationaux soit plus performante. Il montre pourquoi l’évaluation de l’acheteur doit relier les capacités à la tâche réelle. Un classement général laisse ce lien inachevé.

Le contrôle du déploiement introduit une autre considération. Une équipe traitant des données sensibles pourrait préférer une configuration qui conserve le traitement dans un environnement approuvé. Une autre pourrait privilégier des opérations gérées, faute de personnel pour maintenir sa propre infrastructure de modèles.

Ces choix impliquent des coûts en matière d’efforts, de responsabilité et de flexibilité, même lorsqu’aucune comparaison d’abonnements n’entre en jeu. Une exploitation indépendante exige que quelqu’un gère les mises à jour et enquête sur les défaillances. Un accès géré exige que quelqu’un évalue les politiques et les engagements de service du fournisseur.

L’adoption de l’IA en Chine doit être examinée sous cet angle opérationnel. L’intérêt pour les modèles téléchargeables peut refléter une demande de flexibilité et de contrôle. Il n’établit pas que chaque système téléchargé atteigne la production ou remplace un service existant.

La portée des produits grand public américains exige également un angle opérationnel. La familiarité peut faciliter l’introduction d’un produit dans une organisation. À elle seule, elle ne peut établir l’adéquation à un travail confidentiel, à des documents spécialisés ou à des décisions exigeant des preuves fiables.

Pour les travailleurs du savoir, le lien est particulièrement direct. L’utilité d’un assistant dépend souvent des sources qu’il peut retrouver et des preuves qu’il préserve. Un modèle général plus performant ne peut pas compenser des documents sources absents ou obsolètes.

Les équipes qui évaluent une base de connaissances IA devraient donc examiner l’accès à l’information en parallèle du choix du modèle. La concurrence nationale fournit du contexte, tandis que les propres éléments de preuve de l’organisation déterminent si un assistant produit des résultats utiles.

C’est là que les capacités et l’adoption se rencontrent sans devenir identiques. De meilleurs modèles élargissent l’éventail des applications possibles. Un déploiement réussi détermine lesquelles de ces possibilités deviennent un travail fiable. La couverture doit suivre les progrès dans ces deux domaines et éviter d’ériger l’un en substitut complet de l’autre.

La confiance du public ne peut pas être déduite du leadership technique

Produire des systèmes d’IA largement utilisés ne confère pas automatiquement l’autorité d’écrire les règles qui les régissent.

La question de la gouvernance porte sur ceux qui établissent les pratiques acceptables, la responsabilité et la supervision. Elle diffère de la question de savoir quel pays produit le modèle le plus capable. Les utilisateurs peuvent s’appuyer sur un produit tout en se méfiant des institutions qui lui sont associées.

L’enquête sur la régulation de l’IA de septembre 2026 du Pew Research Center a relevé une confiance médiane de 43 % pour la Chine, de 35 % pour les États-Unis et de 34 % pour l’Union européenne. Ces résultats provenaient de 12 pays interrogés, principalement des économies à revenu intermédiaire.

La portée de l’enquête compte autant que les pourcentages. Pew a posé des questions connexes dans un autre groupe de 25 pays en 2025. Une évolution des résultats agrégés entre ces échantillons n’établit pas, à elle seule, que les mêmes populations ont changé d’avis.

Cette prudence méthodologique a des conséquences pour le panorama de l’IA du Lowy Institute. Sa discussion sur la gouvernance devrait inciter à examiner plus attentivement les attitudes selon les pays. Elle ne devrait pas encourager une affirmation universelle sur l’opinion publique mondiale.

La confiance dépend également de la question posée. La conviction qu’un gouvernement peut réguler l’IA n’établit pas une préférence pour ses produits commerciaux. De même, utiliser un assistant étranger n’exprime pas nécessairement l’approbation des politiques de ce gouvernement.

Pour les acheteurs en entreprise, la gouvernance devient concrète à travers la responsabilité. Quelqu’un doit décider à quelles informations un assistant peut accéder. Quelqu’un doit enquêter sur les résultats nuisibles ou incorrects. Quelqu’un doit déterminer quand une vérification humaine est obligatoire.

Ces décisions ne peuvent pas être déléguées à un classement national. Une organisation a besoin de dispositifs qui restent compréhensibles lorsqu’un problème survient. Les éléments pertinents comprennent les procédures opérationnelles, les engagements exécutoires et une responsabilité clairement attribuée.

Pour les gouvernements situés en dehors des États-Unis et de la Chine, la même distinction ouvre la voie à des choix indépendants. Ils peuvent évaluer les systèmes importés au regard des exigences nationales sans considérer les achats comme un soutien inconditionnel au pays du fournisseur.

Cela ne rend pas les choix politiquement simples. Les dépendances techniques et les relations politiques peuvent interagir. Néanmoins, traiter chaque achat comme un alignement géopolitique complet effacerait les différences pratiques entre les applications et les institutions.

La structure globale du panorama présente également une limite. Une pondération égale rend le cadre lisible, mais des poids égaux constituent un choix analytique. Ils ne prouvent pas que chaque catégorie exerce un effet égal sur les résultats futurs.

Un gouvernement confronté à des perturbations d’approvisionnement pourrait accorder davantage de poids aux intrants industriels. Une entreprise de logiciels en expansion internationale pourrait mettre l’accent sur la distribution. Une agence publique traitant des dossiers sensibles pourrait prioriser la responsabilité et le contrôle opérationnel.

Aucune de ces priorités n’invalide le rapport. Elles montrent pourquoi les lecteurs devraient distinguer son évaluation globale de leurs propres critères de décision. Le cadre favorise un examen critique lorsque ses hypothèses restent visibles.

La conclusion sceptique est donc précise : le panorama organise les éléments de preuve relatifs au leadership, tout en laissant sans réponse des questions importantes sur les résultats. Il n’établit ni une supériorité universelle des produits, ni une domination future inévitable, ni un droit internationalement reconnu à gouverner l’IA.

Ce qu’il faut surveiller après le panorama de l’IA du Lowy Institute

Les prochains éléments utiles relieront les affirmations concurrentielles à une utilisation durable, à des infrastructures opérationnelles et à des choix d’exploitation exécutoires.

Le premier signal concerne l’adoption au-delà de l’intérêt initial. Dans les mois à venir, les lancements de modèles et les mises à jour de distribution méritent l’attention lorsqu’ils incluent des preuves de déploiement continu. Les totaux de téléchargements restent utiles, mais des preuves d’utilisation opérationnelle récurrente renforceraient les affirmations concernant une influence durable.

Pour les modèles chinois téléchargeables, la distinction essentielle porte sur l’expérimentation par rapport à la dépendance continue. Un modèle testé pendant le développement occupe une position différente d’un modèle qui soutient les opérations régulières d’une organisation. Une couverture documentant cette transition clarifierait la portée des gains de distribution.

La même norme devrait s’appliquer aux services américains. Une attention accrue ne signifie pas nécessairement une utilité durable. Des preuves d’utilisation organisationnelle continue étayeraient mieux les affirmations selon lesquelles la portée auprès des consommateurs se traduit par une influence opérationnelle pérenne.

Ce signal renforcerait l’interprétation de Lowy si les avantages américains en matière de distribution persistent tandis que l’activité chinoise autour des modèles ouverts reste concentrée sur l’expérimentation. Il affaiblirait une lecture simpliste de cette interprétation si les modèles chinois gagnaient une utilisation documentée et durable dans des applications exploitées de manière indépendante.

Le deuxième signal concerne l’entrée en service des infrastructures. Les mises à jour des entreprises et les informations rendues publiques devraient distinguer les installations proposées de la capacité opérationnelle. Des éléments sur l’accès à l’électricité, la disponibilité des équipements et la mise en service aideraient à déterminer si l’expansion annoncée devient une capacité de calcul utilisable.

Ces éléments comptent des deux côtés de la concurrence. Des infrastructures opérationnelles supplémentaires renforceraient la position de l’écosystème qui peut les utiliser efficacement. Des retards affaibliraient les conclusions reposant sur l’arrivée de la capacité annoncée comme prévu.

Le troisième signal concerne la mise en œuvre opérationnelle de la gouvernance. Surveillez les exigences d’approvisionnement, les garanties mises en œuvre et les évaluations publiées qui modifient la manière dont les organisations peuvent déployer l’IA. Les annonces d’adhésion et les déclarations de politique générale apportent moins d’éléments que les règles assorties de responsabilités définies.

Ce signal remettrait en question l’hypothèse selon laquelle le leadership technique détermine automatiquement l’influence en matière de gouvernance. Les institutions situées hors des pays leaders dans la production de modèles peuvent encore façonner les exigences pratiques. Leur influence apparaît plus clairement lorsque ces exigences affectent des déploiements réels.

Pour les lecteurs qui suivent la concurrence entre les États-Unis et la Chine dans l’IA, ces signaux offrent une alternative rigoureuse à la réaction à chaque affirmation de leadership. Chacun demande si une évolution mesurable modifie la relation entre capacités, distribution et dépendance.

Conservez les éléments de preuve d’origine avec chaque mise à jour ultérieure. Consignez quelle population couvre une statistique d’adoption, quel stade a atteint un projet d’infrastructure et quelles obligations crée une annonce de gouvernance. Ce relevé rend les comparaisons ultérieures plus utiles.

Avant votre prochain achat ou déploiement d’IA, traduisez le panorama de l’IA du Lowy Institute en questions sur votre propre exposition. Quel fournisseur contrôle l’accès au système ? Quels documents peut-il utiliser ? Que se passe-t-il lorsque son comportement change ? Qui gère les défaillances et avec quelle facilité l’organisation peut-elle déplacer son travail ?

Comparez les systèmes candidats à l’aide de tâches représentatives et d’exigences opérationnelles claires. Conservez les résultats afin qu’une nouvelle version soit soumise à la même évaluation. Suivez la concurrence nationale pour le contexte, puis exigez des preuves au niveau où votre organisation travaille réellement. Quelle dépendance serait la plus difficile à remplacer si le paysage concurrentiel évoluait ?