Industrie de l'IA9 octobre 20269 min de lecture

ALL IN 2026 : des blocs Lego, une pile d'IA sous tension et beaucoup de souveraineté

Par Jacob Cossette

Notes d'ALL IN 2026 à Montréal : Factiverse, Mistral, la pile d'infrastructure de l'IA, et pourquoi le Canada doit voir grand en matière d'IA souveraine.

J'ai passé une journée à la plus grande conférence sur l'IA au Canada, et le message le plus fort ne portait pas sur des modèles plus intelligents. Les problèmes difficiles se trouvent désormais autour du modèle : les données, l'énergie, les gens qui doivent tout relier, et la question de savoir qui contrôle l'ensemble.

Une journée au Palais des congrès

ALL IN s'est tenu les 16 et 17 septembre au Palais des congrès de Montréal, et j'y étais le premier jour, le 16 septembre. Les organisateurs ont compté plus de 6 500 participants venus de plus de 40 pays, et plus de 200 conférenciers. En parcourant les lieux, je suis passé devant des kiosques et des scènes de NVIDIA, de Google, de Cohere et de bien d'autres bâtisseurs de modèles et acteurs de l'infrastructure.

J'ai passé la journée à courir d'une conférence à l'autre, et quelques idées me sont restées en tête. Je les note pendant qu'elles sont fraîches, dans l'ordre où elles m'ont frappé.

Factiverse : 22 minutes au lieu de 20 jours

La présentation à laquelle je repense sans cesse était celle de Factiverse. L'entreprise est norvégienne, établie à Stavanger, et est issue de recherches sur la vérification des faits à l'Université de Stavanger. Son PDG a présenté une plateforme qui réalise en 22 minutes une analyse qui prenait auparavant 20 jours, avec des données sécurisées et, au bout du compte, une décision qu'on peut défendre. Les chiffres viennent de leur présentation : il faut donc les lire comme des affirmations de l'entreprise.

Ce qui rend l'approche intéressante, c'est la manière d'y arriver. Factiverse ne s'en remet pas à un immense modèle généraliste pour deviner la vérité. Elle utilise un modèle bâti autour de la recherche d'information et entraîné à partir de sources triées sur le volet et du travail de vérificateurs de faits. L'entreprise affirme repérer les affirmations à vérifier dans 114 langues, avec un taux de réussite d'environ 80 %, et dépasser les modèles généralistes sur cette tâche précise. Elle a aussi assuré une vérification des faits en direct pendant les débats présidentiels américains de 2024, et a remporté le prix de la meilleure présentation de sa catégorie au TechCrunch Disrupt Battlefield 200.

Ce que j'en retiens : un outil ciblé, bâti sur des données fiables, peut comprimer des semaines de travail humain sans demander à quiconque de faire confiance à une boîte noire. La vitesse ne compte que si l'on peut défendre le résultat.

Mistral : l'IA appliquée devrait se construire comme des Lego

Marjorie Janiewicz, cheffe des revenus (Chief Revenue Officer) de Mistral, a offert le cadre le plus clair de l'IA en entreprise que j'aie entendu de la journée. L'IA appliquée, selon elle, devrait se construire comme des Lego : des blocs modulaires qu'on assemble pour une tâche précise. Ce qui comble l'écart entre une démonstration et un système qui fonctionne, c'est d'adapter le modèle à la propriété intellectuelle de l'entreprise. C'est là que Mistral dit se diriger dans les prochains mois, avec des modèles plus petits et très spécialisés plutôt qu'un seul modèle géant pour tout faire.

Son exemple m'est resté : si vous êtes une banque, il vous faut un excellent modèle de reconnaissance de caractères (OCR), parce que lire correctement les documents est au cœur du métier. Le changement qu'elle a décrit était frappant. Environ la moitié des conversations de Mistral avec ses clients ne portent plus sur les limites du modèle de base. Elles portent sur la façon d'adapter le modèle aux besoins du client.

Cela rejoint ce que Mistral a annoncé en mars à la conférence NVIDIA GTC. Sa plateforme Forge permet aux entreprises et aux gouvernements de bâtir des modèles à partir de leurs propres données, et Mistral affirme qu'elle prend en charge l'entraînement à partir de zéro, et non seulement le réglage fin ou les couches de recherche. La responsable produit de Mistral a résumé le compromis simplement : les modèles plus petits ne peuvent pas être aussi bons en tout, donc la personnalisation permet de choisir ce qu'on met en valeur et ce qu'on laisse tomber.

L'avantage concurrentiel se déplace du modèle vers les données, les processus et le savoir institutionnel qui l'entourent.

La course à l'infrastructure de l'IA est une pile, et cette pile est sous tension

La séance qui a changé ma façon d'imaginer l'IA portait sur l'infrastructure. Pensez à l'IA comme à une pile, où chaque couche dépend de celle du dessous :

Énergie
Refroidissement
Puces
Serveurs
Modèles
IA appliquée

Le refroidissement est la couche que je soulignerais. Presque toute l'électricité qu'une puce consomme ressort sous forme de chaleur, et cette chaleur doit aller quelque part, sans quoi le matériel ralentit et tombe en panne. À mesure que les puces gagnent en densité, l'air ne suffit plus : TrendForce estime que les baies refroidies par liquide représenteront environ 47 % des déploiements cette année, et Futurum place l'énergie et le refroidissement devant l'approvisionnement en puces comme principale contrainte à la croissance de l'IA. L'analyse de Mayfield sur l'infrastructure qualifie l'énergie et le refroidissement de porte par laquelle tout le reste doit passer. Un centre de données doté des meilleures puces, mais incapable de les refroidir, n'est qu'un chauffage très cher.

Jensen Huang, de NVIDIA, a décrit un gâteau à cinq étages semblable : énergie, puces, infrastructure de calcul, modèles et applications. Selon les conférenciers, chaque couche est gérable isolément. En avoir une ou deux est relativement facile. Aligner toute la pile pour qu'aucune couche ne devienne le goulot d'étranglement est vraiment difficile, et le goulot actuel est souvent le manque de liens entre des gens de secteurs différents qui se retrouvent rarement dans la même pièce : les services publics, les spécialistes du refroidissement, les fabricants de puces, les laboratoires de modèles et les entreprises qui déploient le résultat.

Des analystes externes disent la même chose. Les perspectives 2026 de Futurum concluent que les contraintes d'énergie et de refroidissement ont dépassé la disponibilité du silicium comme principal frein à l'expansion de l'IA. TrendForce estime que les baies refroidies par liquide compteront pour environ 47 % des déploiements cette année. Le logiciel évolue en quelques mois, alors que les centrales et les centres de données évoluent en années.

Un autre défi a été soulevé, auquel je n'ai pas de réponse toute faite : comment distribuer l'IA vers l'IA physique, c'est-à-dire les machines, les véhicules et les appareils qui agissent dans le monde réel. Sortir l'intelligence du centre de données pour l'intégrer à ces systèmes est la prochaine version du même problème d'alignement.

Souveraineté, souveraineté, souveraineté

Si la journée avait un seul mot, ce serait souveraineté. Toute la journée, la conversation revenait à la question de savoir qui possède la puissance de calcul, les modèles et les données. Mon avis après une journée sur place : le Canada doit voir grand, et la prochaine année dira s'il le fait.

Les assises sont bien réelles. La Stratégie canadienne de calcul souverain pour l'IA engage environ 2 milliards de dollars, répartis ainsi : 700 millions pour attirer des centres de données privés, 1 milliard pour une installation nationale de superinformatique et 300 millions pour offrir aux petites entreprises un accès abordable à la puissance de calcul. En juin, Ottawa a dévoilé sa stratégie nationale en IA renouvelée, AI for All, dont le pilier de la souveraineté repose sur l'idée que l'IA souveraine commence par une infrastructure souveraine. Elle prévoit notamment un superordinateur public d'ici 2031 et un Fonds de croissance technologique canadien proposé de 500 millions de dollars, afin que les entreprises d'IA prometteuses ne prennent pas leur essor ailleurs.

Ce que la conférence m'a apporté, c'est que la souveraineté dépasse les centres de données. Elle recoupe les autres présentations. Adapter un modèle à sa propre propriété intellectuelle, comme l'a décrit Mistral, est une forme de souveraineté à l'échelle de l'entreprise. Des données vérifiables et triées, comme l'a montré Factiverse, c'est la souveraineté sur ce que l'on croit. Et chaque couche de cette pile d'infrastructure a besoin d'énergie et de refroidissement qui doivent bien venir de quelque part. On peut raisonnablement différer d'avis sur la part à bâtir ici et la part à confier à des partenaires étrangers. Mais si l'on veut aligner la pile, quelqu'un doit décider où le Canada se branche, et le plus tôt sera le mieux.

L'IA n'est pas un outil magique

La dernière idée est celle que je tiens le plus à vous laisser. L'IA n'est pas un outil magique, et ce n'est pas parce qu'on peut résoudre un problème avec elle qu'on devrait le faire.

Chaque exemple que j'ai aimé à ALL IN avait un problème clair, une portée étroite et une raison de faire confiance au résultat : une plateforme de vérification ancrée dans des sources triées, un modèle spécialisé pour les documents d'une banque, un plan d'infrastructure qui reconnaît ses limites physiques. Chaque projet d'IA s'appuie aussi sur cette pile sous tension d'énergie, de refroidissement et de calcul : la vraie question est donc de savoir si le problème vaut les ressources qu'il consomme.

Voici donc ce que je rapporte dans mon propre travail : choisir d'abord le problème, puis se demander si l'IA est le bon bloc pour le résoudre, et savoir selon les règles de qui le système fonctionne. C'est moins flamboyant qu'une démonstration, mais je pense que c'est ainsi que cette technologie mérite la confiance.