La SASAC approfondit les plans d’IA des entreprises publiques centrales, mais l’exécution compte désormais plus que l’ambition

La Commission chinoise de supervision et d’administration des actifs publics, ou SASAC, a ordonné aux entreprises publiques centrales d’approfondir leurs programmes d’intelligence artificielle malgré des pressions opérationnelles et financières croissantes.

Selon un rapport du 31 juillet, le régulateur souhaite que ces entreprises intensifient la recherche originale, s’attaquent aux goulets d’étranglement technologiques critiques et développent des industries émergentes en fonction de leurs atouts propres. La directive associe également les investissements dans l’IA au contrôle des coûts, à la génération de trésorerie, à la supervision des risques et aux objectifs opérationnels annuels.

C’est cette combinaison qui crée la véritable tension. La SASAC ne demande pas simplement aux entreprises publiques d’investir davantage dans l’IA. Elle attend d’elles qu’elles transforment leurs capacités techniques, leurs données industrielles et leurs infrastructures en valeur opérationnelle mesurable tout en préservant leur stabilité financière.

La politique place donc les entreprises centrales entre deux objectifs exigeants. Elles doivent agir comme des bâtisseurs technologiques de long terme, tout en améliorant leur efficacité et en préservant leur trésorerie. Leur réussite dépendra de leur capacité à convertir les priorités politiques en systèmes de production reproductibles, plutôt qu’en démonstrations isolées.

Il s’agit de la dernière étape d’une campagne lancée avant la réunion actuelle. La SASAC a lancé son initiative d’IA pour les entreprises centrales en 2024 et a élargi son programme de mise en œuvre en 2025 et 2026. La directive de juillet relève à nouveau les exigences en liant plus étroitement le déploiement de l’IA aux performances des entreprises, à une stratégie industrielle différenciée et à la gestion des risques.

Pour les développeurs, fournisseurs et acheteurs d’entreprise, la question importante n’est plus de savoir si les groupes publics chinois adopteront l’IA. Ils en ont déjà reçu l’instruction. La question est de déterminer quels projets résisteront à un examen plus strict et deviendront partie intégrante des opérations industrielles quotidiennes.

La SASAC fait passer l’IA d’une priorité politique à une exigence opérationnelle

La directive de juillet transforme l’IA, d’un thème stratégique, en l’un des éléments d’un mandat opérationnel plus large pour les entreprises centrales.

Le comité du Parti de la SASAC aurait tenu une réunion élargie le 31 juillet. Il a appelé les entreprises centrales à s’aligner activement sur la politique nationale et à soutenir la poursuite de l’amélioration économique. La réunion a également demandé aux responsables d’étudier directement la situation des entreprises, d’identifier les difficultés opérationnelles et d’y répondre par des mesures ciblées.

L’IA s’inscrivait dans ce cadre de gestion plus vaste. Le régulateur a appelé à renforcer la recherche fondamentale, l’innovation originale et les travaux sur les technologies clés essentielles. Il a également demandé aux entreprises d’approfondir l’initiative d’IA pour les entreprises centrales et de développer des industries émergentes ou d’avenir selon leurs capacités spécifiques.

La formule « selon leurs capacités spécifiques » est importante. Elle suggère que la SASAC ne s’attend pas à ce que chaque groupe public développe le même modèle, la même plateforme ou la même activité de robotique. Un producteur d’énergie, un opérateur de télécommunications, une entreprise ferroviaire et un sous-traitant aérospatial disposent de données, d’équipements, de savoir-faire d’ingénierie et d’obligations de sécurité différents.

Une entreprise de télécommunications peut apporter une infrastructure cloud, des réseaux, de la capacité de calcul et des services de modèles. Une entreprise énergétique peut appliquer l’IA à la gestion des réseaux, à l’inspection des équipements, aux prévisions ou à la maintenance. Un fabricant peut se concentrer sur le contrôle des processus, l’inspection qualité, la conception industrielle et la planification des approvisionnements.

Cette approche différenciée reflète une orientation politique déjà établie. Lors d’une réunion de déploiement en février 2025, la SASAC a demandé aux entreprises centrales de tirer parti de leur forte demande, de leurs chaînes d’approvisionnement industrielles complètes et de leurs nombreux contextes d’application pour accélérer le développement de l’IA. Le résumé officiel du déploiement mettait l’accent sur des résultats visibles plutôt que sur la seule activité de recherche.

Une note d’orientation ultérieure a organisé le programme autour de trois fondations : les applications à forte valeur, les données industrielles et l’infrastructure de calcul. Les groupes publics devaient ouvrir des scénarios utiles, constituer des jeux de données de haute qualité et soutenir la base de calcul nécessaire à l’entraînement et à l’inférence.

L’ordre de juillet ajoute des contraintes opérationnelles plus strictes. La même réunion a appelé à réduire les coûts sur l’ensemble des chaînes industrielles et de valeur. Elle a également mis l’accent sur la génération de trésorerie, l’accumulation de capital, la gestion de trésorerie et des contrôles de supervision couvrant toutes les strates des entreprises.

Cette association est lourde de conséquences. Les équipes d’IA seront sous pression pour expliquer comment leurs systèmes influencent la disponibilité des équipements, la consommation énergétique, l’allocation du travail, les achats, la sécurité ou les revenus. Un projet doté d’un modèle impressionnant mais sans voie vers la production deviendra plus difficile à défendre.

La SASAC souhaite également que les entreprises centrales stabilisent leurs secteurs par leurs propres performances. Ces entreprises occupent des positions importantes dans l’énergie, les transports, les télécommunications, l’industrie manufacturière, la construction et d’autres secteurs d’infrastructure. Leurs décisions d’achat peuvent façonner la demande au sein de vastes réseaux de fournisseurs.

L’adoption de l’IA au sein de ces groupes peut donc influencer davantage que les budgets logiciels internes. Elle peut créer des normes, des exigences d’approvisionnement, des architectures de référence et des pratiques de données qui affectent les fournisseurs privés et les petites entreprises industrielles.

La réunion de juillet n’annonce ni programme d’achat unique, ni montant de financement, ni échéance de mise en œuvre. Elle renforce plutôt le principe directeur : les travaux sur l’IA doivent simultanément soutenir l’indépendance technologique, le développement industriel et la résilience opérationnelle.

Pourquoi la Chine mobilise les entreprises centrales maintenant

La Chine utilise les entreprises centrales pour combler l’écart entre des modèles d’IA performants et un déploiement industriel difficile.

Le calendrier s’inscrit dans une séquence politique nationale plus large. Le Conseil des affaires d’État chinois a publié son plan d’action détaillé AI Plus en août 2025. Ce plan fixait des objectifs d’intégration étendue de l’IA dans six domaines prioritaires et appelait à une plus grande adoption des appareils et agents intelligents.

Le plan national pour l’IA a fixé un objectif d’adoption supérieur à 70 % pour les terminaux et agents intelligents de nouvelle génération d’ici 2027. Il relevait cet objectif à plus de 90 % pour 2030. Le document couvre la science, l’industrie, la consommation, les services publics, la gouvernance et la coopération internationale.

L’adoption industrielle fait l’objet d’un traitement particulièrement détaillé. Le plan appelle à utiliser l’IA dans la conception, les essais pilotes, la production, les services et les opérations. Il soutient également les logiciels industriels, les équipements de fabrication intelligents, la coordination des chaînes d’approvisionnement, l’optimisation des processus et une intégration plus étroite avec l’internet industriel.

Ces objectifs nécessitent l’accès à des systèmes dont les entreprises d’IA grand public disposent souvent rarement. L’IA industrielle dépend des historiques d’équipements, des flux de capteurs, des règles d’ingénierie, des dossiers de maintenance et d’environnements opérationnels soigneusement contrôlés. Une grande partie de ces ressources se trouve au sein de grands opérateurs d’infrastructures et de fabricants.

Les entreprises centrales peuvent fournir ces environnements. Elles contrôlent d’importants actifs physiques et emploient des spécialistes disposant d’une connaissance opérationnelle approfondie. Elles peuvent également soutenir des projets dont les périodes de retour sur investissement dépassent l’horizon de planification d’une petite entreprise de logiciels.

Pourtant, l’accès seul ne résout pas le problème. Les données industrielles peuvent être fragmentées entre les filiales, stockées dans des formats incompatibles ou limitées par des règles de sécurité. Les machines anciennes peuvent produire une télémétrie incomplète. Les connaissances expertes peuvent être consignées dans des procédures, des rapports ou l’expérience d’ingénieurs individuels.

La Commission nationale du développement et de la réforme a reconnu ces obstacles. Son explication de politique a identifié une compréhension incohérente, une faible adéquation entre fournisseurs et utilisateurs, ainsi qu’un problème de mise en œuvre du dernier kilomètre.

La commission a également mis en garde contre les programmes précipités qui attirent l’attention avant de disparaître. Sa réponse proposée comprend une mise en œuvre spécifique à chaque secteur, des installations d’essai partagées, des architectures techniques communes, des spécifications de données unifiées et des normes permettant aux systèmes réussis de passer à l’échelle.

L’approche de la SASAC s’inscrit dans cette logique. Les entreprises centrales peuvent servir de premiers clients exigeants pour les systèmes d’IA, tout en apportant des données, de la capacité de calcul et du personnel technique. Leurs projets peuvent vérifier si les modèles fonctionnent sous des contraintes industrielles rarement représentées dans les benchmarks publics.

Elles sont ainsi davantage que de simples destinataires de la politique gouvernementale. Elles sont positionnées comme des coordinateurs industriels. Une entreprise centrale peut réunir des fournisseurs d’équipements, des développeurs de modèles, des instituts de recherche, des intégrateurs de systèmes et des opérateurs en aval autour d’un problème de production défini.

La pression s’est intensifiée en juillet 2026. Lors d’un séminaire destiné aux dirigeants d’entreprises centrales, la SASAC a appelé à la recherche originale, à un transfert plus rapide des résultats techniques, à la transformation intelligente des industries traditionnelles et au développement des industries d’avenir. La directive du séminaire a également introduit un programme axé sur l’ouverture de scénarios industriels et la coordination des entreprises en amont et en aval.

Ce programme réduit la distance entre la politique de recherche et les comportements d’achat. Les fournisseurs devront de plus en plus démontrer que leur technologie peut s’intégrer aux systèmes existants, satisfaire aux exigences de sécurité et produire une amélioration opérationnelle documentée.

Pour les acheteurs d’entreprise hors de Chine, cette politique est également pertinente. Les entreprises centrales exploitent d’immenses systèmes physiques. Leurs expérimentations peuvent révéler où l’IA crée une valeur durable dans les secteurs à forte intensité d’actifs, et où son déploiement échoue encore.

La question centrale est de savoir si l’échelle impulsée par l’État peut surmonter la fragmentation des données, l’intégration difficile et les cultures opérationnelles conservatrices. Ces problèmes ne disparaissent pas parce qu’un régulateur relève la priorité de l’IA. Ils deviennent plus visibles lorsque les dirigeants doivent rendre compte des résultats.

Le principal conflit oppose l’ambition à la discipline opérationnelle

La SASAC veut que les entreprises centrales investissent comme des institutions technologiques de long terme tout en opérant comme des entreprises financièrement disciplinées.

C’est une combinaison exigeante. La recherche fondamentale, le développement de modèles, la préparation des données industrielles et l’infrastructure de calcul exigent des financements durables. Leur valeur apparaît souvent lentement, notamment lorsqu’un projet doit passer des examens de sécurité et s’intégrer à des équipements existants.

Dans le même temps, la réunion du 31 juillet aurait appelé à contrôler les coûts sur l’ensemble des chaînes d’approvisionnement et de valeur. Elle a mis l’accent sur la génération de trésorerie et l’accumulation de capital. Elle a également demandé aux entreprises d’atteindre leurs objectifs annuels et de renforcer la supervision.

Le conflit qui en résulte n’oppose pas simplement le coût à la performance. Il oppose l’ambition à la discipline opérationnelle. La SASAC veut que les entreprises développent des capacités au service de la stratégie nationale sans que l’enthousiasme pour l’IA ne produise des infrastructures dupliquées ou des investissements improductifs.

Les précédents textes politiques montrent comment le régulateur entend atteindre cet équilibre. En mars 2025, des responsables ont déclaré que l’étape suivante mettrait l’accent sur des applications présentant une importance stratégique, un rendement économique ou des liens étroits avec le bien-être public.

Ce cadre de mise en œuvre appelait également à la constitution de jeux de données sectoriels pilotés par de grandes entreprises. Il soutenait l’amélioration des jeux de données généraux, des mécanismes de partage des données, des fondations de calcul et de la coopération avec d’autres organisations.

Ce modèle privilégie les projets reliés à de véritables systèmes opérationnels. La maintenance prédictive peut réduire les arrêts imprévus des équipements. La vision par ordinateur peut faciliter les inspections dans des environnements dangereux. La prévision peut améliorer la planification de l’énergie ou des transports. Les assistants d’ingénierie peuvent aider les spécialistes à retrouver des normes et à comparer des documents techniques.

La valeur doit néanmoins être démontrée. Un système prédictif doit surpasser les règles de maintenance établies sur une période significative. Un modèle d’inspection doit maintenir les faux négatifs dans des seuils de sécurité acceptables. Un assistant d’ingénierie doit citer des sources internes fiables et protéger les informations restreintes.

Un système de connaissances nécessite également une gestion rigoureuse des sources. Les équipes travaillant sur des documents techniques peuvent utiliser une base de connaissances consultable pour organiser les archives locales, mais la recherche seule ne valide pas une décision industrielle. Du personnel qualifié doit rester responsable des actions à haut risque.

Les entreprises centrales font aussi face à des frictions organisationnelles. Leurs filiales peuvent appliquer des processus d’approvisionnement, des piles technologiques et des règles de données distincts. Un projet pilote réussi dans une usine peut ne pas être facilement transférable à une autre.

L’expression « spécifique à l’entreprise » apporte une réponse partielle. Elle décourage l’usage d’un modèle unique pour des secteurs sans rapport entre eux. Toutefois, elle peut également entraîner une fragmentation si chaque filiale développe sa propre architecture et sa propre méthode d’évaluation.

Le modèle de mise en œuvre le plus solide combinera probablement des fondations communes et des applications propres à chaque secteur. Des contrôles d’identité partagés, une gouvernance des données, une évaluation des modèles et des services de calcul peuvent réduire les doublons. Les équipes sectorielles peuvent ensuite adapter les systèmes à leurs équipements, réglementations et flux de travail.

C’est là que les fournisseurs seront soumis à une nouvelle pression. Une démonstration de chatbot générique ne répondra pas au niveau d’exigence implicite de l’agenda opérationnel de la SASAC. Les fournisseurs doivent proposer l’intégration, la supervision, l’auditabilité, des contrôles de déploiement et une méthode crédible de calcul de la valeur.

Les développeurs de modèles font face à un défi similaire. Les organisations industrielles choisissent rarement un système sur la seule base de ses performances aux benchmarks. Elles se préoccupent de la fiabilité, du lieu de déploiement, du coût d’inférence, de la sécurité, de la maintenance et de la compatibilité avec les logiciels existants.

La propriété d’État ajoute une dimension supplémentaire. Les entreprises centrales doivent prendre en compte les objectifs stratégiques nationaux en plus des rendements commerciaux habituels. Certains investissements renforceront la résilience des chaînes d’approvisionnement ou l’indépendance technologique, même si leur retour financier direct demeure incertain.

Le langage financier de la SASAC n’élimine pas ces investissements. Il oblige les dirigeants à les relier à une mission claire et à en maîtriser l’exécution. C’est une exigence plus élevée que d’annoncer un laboratoire, un modèle ou un partenariat.

Le signe le plus crédible de progrès sera une évolution du portefeuille. Les entreprises devraient arrêter les pilotes peu performants, étendre les applications validées et réutiliser les composants techniques efficaces entre unités opérationnelles. Les seuls montants d’investissement révéleraient peu de choses sur ce processus.

Ce que le mandat AI Plus ne résout toujours pas

Un mandat renforcé ne peut se substituer à des données fiables, à une responsabilité clairement établie ou à des preuves indépendantes qu’un système d’IA améliore les opérations.

L’annonce de juillet fournit une orientation, mais peu d’engagements mesurables. Elle n’identifie ni nouveaux budgets, ni projets nommés, ni calendriers de déploiement, ni indicateurs de performance. Elle n’explique pas non plus comment la SASAC comparera les résultats d’entreprises aux missions très différentes.

Ce manque de détail est compréhensible au niveau des politiques publiques. Il laisse néanmoins aux entreprises la possibilité de comptabiliser des activités plutôt que des résultats. Les sessions de formation, l’enregistrement de modèles, les achats de capacité de calcul et le lancement de pilotes sont plus faciles à déclarer que des gains de productivité durables.

L’évaluation de l’IA industrielle est particulièrement difficile. Un modèle de maintenance peut sembler efficace dans des conditions ordinaires, puis échouer lors d’états rares des équipements. Un assistant de planification peut faire gagner du temps tout en introduisant des erreurs subtiles. Un système de vision peut fonctionner dans un site et se dégrader avec un éclairage ou du matériel différents.

La sécurité et la gouvernance des données ajoutent une incertitude supplémentaire. Les entreprises centrales exploitent des infrastructures sensibles et détiennent des informations importantes sur le plan commercial ou stratégique. Connecter ces systèmes à des services d’IA soulève des questions concernant les contrôles d’accès, la journalisation, les mises à jour des modèles et la réponse aux incidents.

La politique nationale chinoise reconnaît ce compromis. Le plan du Conseil des affaires d’État prévoit une surveillance technique, des alertes de risque, une réponse d’urgence et une évaluation renforcée. Il soutient également l’IA dans les lieux de travail à haut risque, tout en demandant aux autorités d’évaluer les effets sur l’emploi et de réduire les perturbations préjudiciables.

La SASAC a renforcé l’association entre développement et sécurité après la Conférence mondiale sur l’intelligence artificielle de 2026. Sa réunion du 20 juillet a appelé à poursuivre le déploiement de l’IA, à développer une coopération industrielle ouverte et à coordonner développement et sécurité.

Ces principes ne définissent pas de seuil de mise en œuvre. Chaque entreprise a encore besoin de règles concernant l’exactitude acceptable, l’examen humain, l’accès aux données, le retour en arrière du système et la responsabilité lorsqu’une décision assistée par l’IA échoue.

Les achats peuvent devenir un autre point faible. Les grands programmes publics encouragent parfois les organisations à acheter des infrastructures avant d’avoir identifié le problème qu’elles doivent résoudre. Cette séquence peut produire une capacité de calcul sous-utilisée, des plateformes incompatibles ou des applications coûteuses sans utilisateurs engagés.

L’avertissement de la NDRC contre une mise en œuvre superficielle répond directement à ce risque. Son soutien aux centres de test et aux normes communes vise à réduire les expérimentations répétées. L’efficacité de ces mécanismes dépendra de la transparence des évaluations et de la volonté d’arrêter les projets infructueux.

La concurrence entre entreprises technologiques publiques et privées demeure également incertaine. Les entreprises centrales disposent de données, d’infrastructures, de capitaux et de relations clients. Les entreprises privées d’IA avancent souvent plus vite et concentrent des talents spécialisés dans les modèles ou les logiciels.

Le langage des politiques favorise la collaboration, mais le pouvoir de négociation ne sera pas égal. Une entreprise centrale peut définir les exigences techniques et contrôler l’accès à des cas d’usage précieux. Un fournisseur plus modeste peut apporter une technologie essentielle tout en faisant face à de longs cycles d’approvisionnement ou à un accès incertain aux données produites.

Il existe également un risque de duplication interne. Les groupes des télécommunications, de l’énergie, de l’industrie manufacturière et des transports peuvent chacun développer leurs propres plateformes de modèles, cadres d’agents et services de calcul. Une certaine duplication soutient la résilience et la spécialisation sectorielle. Un excès accroît les coûts et complique l’interopérabilité.

Les décideurs politiques semblent conscients de ce problème. Ils ont appelé à plusieurs reprises à la collaboration, à l’ouverture de scénarios, au partage des ressources de données et à une capacité de calcul coordonnée. Le test pratique sera de savoir si les entreprises réutilisent les actifs au-delà des frontières organisationnelles.

Les preuves indépendantes restent limitées. Les annonces publiques décrivent souvent des applications prévues et des dispositifs institutionnels, mais elles fournissent moins de mesures auditées de la productivité, de la fiabilité ou du retour sur investissement.

Les lecteurs devraient donc considérer les objectifs officiels comme des indications de direction, non comme la preuve d’une transformation accomplie. L’annonce actuelle démontre un engagement politique et managérial durable. Elle n’établit pas que les entreprises centrales ont résolu le déploiement de l’IA industrielle.

La position sceptique appropriée n’est ni le rejet ni la confiance automatique. Les entreprises centrales disposent de ressources et d’environnements opérationnels capables de soutenir des systèmes d’IA sérieux. Elles portent également une complexité organisationnelle susceptible de ralentir l’adoption et de masquer les résultats médiocres.

Qui subit la pression à mesure que les entreprises centrales déploient l’IA à grande échelle

Cette politique soumet les dirigeants, les fournisseurs de technologie, les entreprises privées d’IA et les travailleurs industriels à différentes formes de pression.

Les dirigeants au sein des entreprises centrales font face à la responsabilité la plus directe. Ils doivent sélectionner des projets compatibles avec les missions de l’entreprise, conformes aux politiques stratégiques et améliorant les performances. Un projet justifié uniquement par son association à l’IA paraîtra de plus en plus fragile.

Les départements technologiques doivent aller au-delà de l’expérimentation. Ils ont besoin d’architectures reliant les modèles aux logiciels industriels, aux données opérationnelles, aux contrôles d’identité et aux systèmes de supervision. Ils doivent aussi conserver des dossiers que les auditeurs et les équipes de sécurité peuvent examiner.

Les unités opérationnelles ont une obligation différente. Elles doivent définir les problèmes opérationnels avec une précision suffisante pour que les équipes techniques puissent les résoudre. Sans responsables de processus engagés, les projets d’IA peuvent rester des démonstrations maintenues par des fournisseurs externes.

Les fournisseurs devront approfondir leur connaissance de l’industrie. Les capacités des modèles restent importantes, mais elles ne constituent qu’une partie de l’achat. Les fournisseurs doivent comprendre les équipements, les flux de travail, la qualité des données et les contraintes réglementaires.

Les entreprises privées d’IA peuvent accéder à de grands clients et à des scénarios précieux. Elles peuvent aussi se heurter à des examens de sécurité plus stricts, à des cycles de vente plus longs et à la pression de déployer au sein d’infrastructures contrôlées. Leur capacité à proposer des produits reproductibles déterminera si les projets dépassent le stade du conseil.

Les fournisseurs de cloud et de capacité de calcul verront une demande accrue pour l’entraînement, l’inférence, le stockage et les réseaux. Toutefois, les exigences de la SASAC en matière de coûts et de capital devraient renforcer le contrôle de l’utilisation. Les acheteurs demanderont si la capacité de calcul réservée soutient des charges de production ou reste inutilisée après un pilote.

Les fournisseurs de logiciels industriels font face à la fois à une opportunité et à la concurrence. Les fonctions d’IA peuvent renforcer les produits établis, car ces produits sont déjà connectés aux données opérationnelles. Les nouveaux fournisseurs d’IA peuvent avoir du mal à remplacer des systèmes profondément intégrés à la production.

Les travailleurs et spécialistes techniques connaîtront un effet plus complexe. Les documents de politique présentent l’IA comme un outil destiné à améliorer les emplois et à réduire l’exposition aux tâches dangereuses. Ces mêmes systèmes peuvent modifier les effectifs, l’évaluation et l’autorité décisionnelle.

Les déploiements les plus utiles capteront les connaissances expertes sans supprimer la supervision humaine. Un assistant peut retrouver l’historique de maintenance ou comparer des procédures. Il ne devrait pas remplacer silencieusement l’ingénieur responsable d’une décision critique pour la sécurité.

Les travailleurs du savoir ont également besoin d’une méthode fiable pour évaluer les résultats produits par l’IA. Des systèmes personnels tels qu’un second cerveau IA peuvent aider à organiser les notes et les documents sources. Dans les environnements réglementés ou industriels, les organisations ont toujours besoin de contrôles d’accès, de sources approuvées et d’un examen formel.

Le réseau élargi de fournisseurs subit une pression indirecte. Les entreprises centrales structurent souvent de grandes chaînes de valeur. Lorsqu’elles exigent des enregistrements lisibles par machine, une meilleure télémétrie ou des systèmes numériques compatibles, les plus petits fournisseurs doivent s’adapter.

Cet effet pourrait étendre l’adoption de l’IA au-delà de l’acheteur initial. Il pourrait aussi alourdir la charge des petites entreprises si les normes changent fréquemment ou imposent une intégration coûteuse. Des interfaces stables et des ressources de test partagées seront donc importantes.

Les concurrents internationaux devraient suivre le programme pour une autre raison. La Chine cherche à faire de son échelle industrielle un atout pour le développement de l’IA. La stratégie dépend moins de l’attention accordée aux chatbots grand public que de l’intégration de l’IA dans l’industrie manufacturière, l’énergie, les transports et les infrastructures.

Cela ne garantit pas des résultats supérieurs. Les déploiements industriels récompensent une intégration patiente, mais exposent aussi les systèmes à des données désordonnées et à des exigences strictes de fiabilité. La même complexité qui crée une opportunité concurrentielle peut retarder les résultats.

Pour les acheteurs d’entreprise mondiaux, les projets des entreprises publiques centrales peuvent devenir des cas de référence utiles lorsque des preuves suffisantes émergent. Un système validé et opérationnel dans plusieurs usines apporterait davantage d’enseignements qu’un nouveau benchmark de laboratoire.

L’impact de cette politique passera, à terme, par les spécifications d’achat et les normes opérationnelles. Les annonces donnent une direction. Les exigences contractuelles, les architectures de déploiement et les résultats mesurés déterminent qui en bénéficie.

Trois signaux montreront si la stratégie fonctionne

La prochaine étape devrait être évaluée à l’aune des déploiements en production, des fondations industrielles partagées et de résultats opérationnels transparents.

Le premier signal sera le passage du nombre de pilotes à des applications à grande échelle. Il faudra surveiller les entreprises centrales qui identifient des systèmes utilisés dans plusieurs sites ou filiales. Les informations utiles incluraient le périmètre de déploiement, la période d’évaluation, les mécanismes de contrôle des erreurs et le processus opérationnel concerné.

Un nombre croissant de pilotes ne constituerait pas le même niveau de preuve. Le volume de pilotes peut refléter une phase d’expérimentation sans adoption organisationnelle. Un déploiement multisite montre que les équipes ont résolu au moins une partie des problèmes d’intégration, de formation et de gouvernance.

Ce signal renforcerait la stratégie de SASAC si les entreprises réutilisent des systèmes validés dans des opérations comparables. Il l’affaiblirait si les annonces continuent de mettre l’accent sur les lancements de modèles, les partenariats ou les laboratoires sans démontrer d’usage en production.

Le deuxième signal sera la création de fondations industrielles partagées. SASAC et les documents de politique nationale soulignent à plusieurs reprises l’importance de jeux de données de haute qualité, des infrastructures de calcul, des normes et de cadres d’application ouverts.

Il faudra surveiller l’émergence de jeux de données sectoriels concrets, d’installations de test, de règles d’interopérabilité et de méthodes d’évaluation communes. Ces actifs comptent, car ils peuvent réduire le coût de déploiement pour de nombreuses entreprises et fournisseurs.

La distinction importante est celle entre une plateforme simplement annoncée et une plateforme activement utilisée. Une ressource partagée devrait attirer des organisations participantes, permettre des tests réels et produire des composants réutilisables. Dans le cas contraire, elle devient une couche d’infrastructure supplémentaire à la valeur opérationnelle limitée.

Ce signal renforcerait la stratégie si les fournisseurs et les entreprises peuvent s’appuyer sur des fondations communes sans renoncer aux contrôles sectoriels nécessaires. Il l’affaiblirait si chaque groupe crée des formats de données et des plateformes de modèles incompatibles.

Le troisième signal sera la qualité des rapports de performance. La dernière orientation de SASAC relie explicitement l’IA à l’efficacité, à la génération de trésorerie, au contrôle des coûts et à la gestion des risques. Les futures communications devraient donc se rapprocher davantage de ces résultats.

Les indicateurs pertinents varieront selon les secteurs. Un opérateur énergétique pourrait signaler une réduction du temps d’inspection ou une amélioration des prévisions. Un fabricant pourrait divulguer l’évolution de la détection des défauts, des temps d’arrêt ou de la consommation énergétique. Un groupe de transport pourrait mesurer la précision de la planification ou les intervalles de maintenance.

Ces mesures nécessitent du contexte. Les entreprises devraient décrire les références de départ, les périodes d’évaluation et la supervision humaine. Sans ces informations, une amélioration en pourcentage peut masquer des changements de charge de travail, de sélection des échantillons ou de conditions d’exploitation.

Ce signal soutiendrait fortement l’approche de SASAC si les entreprises publient des preuves cohérentes montrant que l’IA améliore les opérations sans affaiblir la sécurité. Il compromettrait le programme si la discipline financière reste très présente dans le langage politique mais absente des rapports de projet.

Les lecteurs devraient également surveiller la manière dont les entreprises gèrent les projets infructueux. Un programme mature met fin aux pilotes peu convaincants et explique ce qui a échoué. Un système qui ne rapporte que les réussites ne peut pas démontrer que les capitaux sont alloués avec prudence.

La directive du 31 juillet est importante parce qu’elle inscrit l’IA dans l’ensemble du programme de gestion des entreprises centrales. Recherche, développement industriel, réduction des coûts, génération de trésorerie et contrôle des risques apparaissent désormais comme des responsabilités interconnectées.

Cette structure crée un test exigeant mais utile. Les entreprises centrales chinoises disposent de données industrielles, d’actifs physiques, de talents d’ingénierie et d’horizons de planification longs. Elles sont également confrontées à des hiérarchies complexes, à des systèmes hérités et à des obligations stratégiques susceptibles de compliquer l’exécution.

Les un à trois prochains mois devraient apporter des signaux de mise en œuvre à travers les plans d’entreprise, l’activité d’achat, les programmes sectoriels et les communications opérationnelles. Ces annonces identifieront-elles des gains de production reproductibles, ou ajouteront-elles principalement de nouvelles plateformes et de nouveaux pilotes ?

C’est la question que les développeurs, les acheteurs d’entreprise et les observateurs des politiques publiques devraient continuer à poser. SASAC a clairement indiqué la direction. La crédibilité de son programme d’IA dépend désormais de la capacité des entreprises centrales à transformer cette orientation en opérations plus sûres, moins coûteuses et mesurablement meilleures.