L’Intelligence Artificielle en 2025 décryptée par le Rapport de Stanford

Je suis ce rapport sur l’intelligence artificielle depuis 2023 et en trois ans tout a changé.

Si les années précédentes étaient marquées par la fascination pour les capacités des LLM et la frénésie des démonstrations techniques.

Depuis, l’IA est entrée dans l’ère de l’industrialisation.

Chaque année, l’Institut pour l’IA centrée sur l’humain de l’Université de Stanford (Stanford HAI) publie le AI Index Report. Cette référence mondiale mesure les avancées techniques, l’impact économique et les mutations sociétales de cette technologie.

La 8e édition de ce rapport brosse un portrait saisissant. Ainsi, l’IA ne cherche plus seulement à nous impressionner. Elle façonne désormais nos systèmes de santé, nos découvertes scientifiques, nos marchés financiers et nos débats politiques.

Premier indicateurs publié sur le site de Stanford qui pose de suite le sujet de l’innovation, le nombre de projet Github générés par IA. C’est à dire le nombre d’applications déposées qui sont issues de création avec de l’IA. L’échelle est en million.

Derrière cette expansion, une transformation de la société se met en œuvre. Pourquoi les modèles les plus récents échouent-ils sur des problèmes de logique enfantins alors qu’ils résolvent des olympiades de mathématiques ? Comment la baisse des coûts d’utilisation rebat-elle les cartes de l’innovation ? Et pourquoi la confiance du public s’effrite-t-elle alors même que l’utilité économique de l’IA est enfin prouvée ?

Voici les cinq grands points clés à retenir du rapport Stanford AI Index 2025, analysés pour comprendre ce qui se joue réellement au cœur de cette révolution.

Quand l’IA pulvérise les benchmarks… mais se heurte au mur de la logique

Pendant longtemps, la communauté scientifique s’est demandé si les systèmes d’IA finiraient par égaler les capacités cognitives humaines sur des tâches complexes. En 2024, la réponse des données est sans appel : les bancs d’essai (benchmarks) les plus exigeants introduits à peine un an plus tôt ont été littéralement submergés par la nouvelle génération de modèles.

En 2023, les chercheurs avaient conçu des tests d’une difficulté inédite comme MMMU (compréhension multimodale de niveau expert), GPQA (questions scientifiques de niveau doctorat résistant aux recherches Google) et SWE-bench (résolution autonome de problèmes de programmation réels). En l’espace de douze mois seulement, les performances des modèles se sont envolées :

• Sur MMMU, le score a progressé de 18,8 points de pourcentage.
• Sur GPQA, la progression a atteint 48,9 points de pourcentage.
• Sur SWE-bench, alors que les IA ne résolvaient que 4,4 % des problèmes de code en 2023, elles en résolvent désormais 71,7 % en 2024.

Dans le même temps, la génération vidéo a franchi un saut qualitatif majeur avec l’émergence de modèles comme Sora d’OpenAI, Movie Gen de Meta et Veo 2 de Google DeepMind. Sur des tâches à court terme (budget de 2 heures), les agents IA surpassent désormais les experts humains par un facteur de quatre.

“L’influence de l’IA sur la société n’a jamais été aussi prononcée. L’IA est appelée à être la technologie la plus transformatrice du XXIe siècle, mais ses bénéfices ne seront pas répartis équitablement sans une orientation réfléchie.” — Stanford HAI, 2025 AI Index Report

Analyse & Perspective : Cette accélération masque pourtant une vulnérabilité fondamentale que le rapport met fortement en lumière : l’incapacité persistante des modèles à effectuer un raisonnement logique rigoureux et déterministe. Si les IA brillent dans les olympiades de mathématiques ou l’écriture de code grâce au “test-time compute” (calcul étendu au moment de l’inférence), elles échouent de manière répétée sur des benchmarks de planification comme dès lors que la taille des problèmes dépasse leurs données d’entraînement.

Elles échouent à garantir des solutions prouvables en arithmétique ou en logique pure, ce qui limite considérablement leur fiabilité dans des applications à haut risque (aéronautique, diagnostic médical critique, justice). Nous assistons ainsi à un paradoxe fascinant : nous disposons de systèmes capables de réussir un examen de niveau doctorat, mais auxquels nous ne pouvons pas entièrement faire confiance pour exécuter un plan d’action logique sans hallucination.

C’est a ce niveau qu’il ne faut pas confondre performance et intelligence. Les LLM sont performants mais ils ne comprennent pas ce qu’il font. L’intelligence générale est un objectifs des créateurs d’IA mais actuellement on n’est pas encore à ce stade. Les LLM seront décevants à ce niveau. C’est la position de Yann LE CUN sur l’intelligence générale.

• Les LLM sont des modèles statistiques qui ne comprennent pas le monde
• L’entraînement ne rattrape pas le quantité de connaissance acquise par un enfant de 4 ans

La démocratisation des modèles: des coûts d’inférence divisés par 280 et le sacre des petits modèles

La tendance économique et technique qui redéfinit l’écosystème en 2025, c’est l’effondrement spectaculaire du coût d’utilisation de l’IA. Alors que le rapport 2024 alertait sur l’explosion des coûts d’entraînement des modèles frontières (dépassant parfois les 100 millions de dollars), l’édition 2025 révèle une chute vertigineuse des prix d’inférence — c’est-à-dire le coût pour exécuter une requête auprès d’un modèle.

Pour interroger un modèle affichant une performance équivalente à GPT-3.5 sur le benchmark MMLU (score d’environ 64,8), le coût est passé de 20,00 $ par million de tokens en novembre 2022 à seulement 0,07 $ par million de tokens en octobre 2024 (avec Gemini-1.5-Flash-8B). Il s’agit d’une réduction supérieure à 280 fois en 18 mois. Selon le type de tâche, les prix d’inférence des modèles de langage chutent désormais à un rythme de 9 à 900 fois par an.

Parallèlement, l’efficience algorithmique et matérielle a réalisé un bond prodigieux :

• Efficience des paramètres : En 2022, le plus petit modèle capable de dépasser 60 % de réussite sur MMLU était PaLM de Google, fort de 540 milliards de paramètres. En 2024, le modèle Phi-3-mini de Microsoft atteint ce même seuil avec seulement 3,8 milliards de paramètres — soit une taille divisée par 142 !
• Matériel & Énergie : Au niveau matériel, les coûts d’équipement diminuent de 30 % par an tandis que l’efficacité énergétique s’améliore de 40 % par an.

“Guidée par des modèles réduits de plus en plus performants, la baisse des coûts d’inférence et les gains d’efficacité matérielle réduisent rapidement les barrières à l’entrée vers une IA avancée.” — Rapport AI Index 2025

Cette miniaturisation et cette chute tarifaire changent radicalement la donne industrielle. L’IA n’est plus le privilège exclusif des géants de la Tech capables d’aligner des milliers de GPU énergivores. En permettant d’exécuter des modèles très performants en local, sur des smartphones, des ordinateurs portables ou des puces embarquées (Edge AI), cette évolution déverrouille l’intégration massive de l’IA dans les objets du quotidien, l’automobile et l’équipement médical, tout en diminuant la dépendance au cloud.

Cette affirmation est à mettre en regard de la hausse du nombre d’utilisateurs et d’usages qui nécessitent des investissements massifs en data center.

Le grand nivellement

L’histoire récente de l’IA a souvent été racontée comme le règne incontesté de quelques propriétaires de modèles fermés américains (OpenAI, Anthropic, Google). Le rapport Stanford 2025 montre que cette époque est révolue : le marché assiste à une convergence inédite des performances et à un resserrement spectaculaire des écarts.

Deux phénomènes majeurs illustrent ce grand nivellement :

1. La fermeture de l’écart entre modèles fermés et modèles ouverts (“Open-Weight”) : Au début de l’année 2024, sur le classement très observé de LMSYS Chatbot Arena, le meilleur modèle fermé devançait le meilleur modèle ouvert (open-weight) de 8,0 points. En février 2025, cet écart s’est réduit à seulement 1,7 point. Des modèles comme Llama 3 (Meta), DeepSeek-V3 ou Qwen 2.5 rivalisent désormais directement avec les systèmes propriétaires les plus sophistiqués.
2. Le rattrapage éclair de la Chine vis-à-vis des États-Unis : Fin 2023, les modèles américains distançaient largement leurs concurrents chinois sur les principaux benchmarks (MMLU, MMMU, MATH, HumanEval), avec des écarts allant de 13,5 à 31,6 points de pourcentage. En 2024, ces écarts ont quasiment fondu : la différence n’est plus que de 0,3 point sur MMLU, 1,6 point sur MATH et 3,7 points sur HumanEval.

“Les modèles ouverts rattrapent leur retard, réduisant la différence de performance avec les modèles fermés de 8 % à seulement 1,7 % sur certains benchmarks en une seule année. Les modèles de frontière convergent.” — Rapport AI Index 2025

Cette convergence prouve qu’il n’existe pas de “fossé technologique” infranchissable dans l’IA logicielle. Les avancées architecturales et les méthodologies d’entraînement se diffusent rapidement à l’échelle globale. Pour les entreprises et les gouvernements, cela signifie que la souveraineté numérique devient accessible grâce aux modèles ouverts, limitant le risque de captivité vis-à-vis d’un fournisseur unique. Cependant, cette égalisation des compétences accentue la compétition stratégique et déplace la véritable valeur ajoutée de la simple possession d’un modèle vers l’infrastructure d’exécution, la qualité des données métier et l’intégration logicielle.

L’explosion économique : 250 milliards de dollars d’investissements et l’IA sacrée par la science

Si 2023 était l’année de l’expérimentation, 2024 a été celle du déploiement massif et mesurable dans l’économie réelle et la recherche scientifique.

Sur le plan financier et opérationnel, les chiffres publiés par Stanford atteignent des sommets :

• Investissements mondiaux : L’investissement total des entreprises dans l’IA a atteint 252,3 milliards de dollars en 2024 (+25,5 % sur un an). L’investissement privé a grimpé de 44,5 % pour s’établir à 150,8 milliards de dollars, tiré notamment par l’IA générative (33,9 milliards de dollars, en hausse de 18,7 %).
• Domination des États-Unis : Les États-Unis captent 109,1 milliards de dollars d’investissements privés en IA — soit près de 12 fois la Chine (9,3 milliards) et 24 fois le Royaume-Uni (4,5 milliards).
• Adoption massive en entreprise : 78 % des organisations déclarent utiliser l’IA en 2024 (contre 55 % en 2023). Plus impressionnant encore, l’utilisation de l’IA générative dans au moins une fonction métier a plus que doublé, passant de 33 % à 71 %.

Au-delà des métriques financières, 2024 restera l’année de la consécration scientifique ultime. Deux prix Nobel ont récompensé des travaux pionniers en IA : le Nobel de Physique (décerné à John Hopfield et Geoffrey Hinton pour les bases des réseaux de neurones) et le Nobel de Chimie (attribué à Demis Hassabis et John Jumper de Google DeepMind pour le pliage des protéines avec AlphaFold). Parallèlement, la santé voit une accélération sans précédent : la FDA a approuvé 223 dispositifs médicaux intégrants de l’IA en 2023, contre seulement 6 en 2015.

“L’IA n’est plus seulement une histoire de ce qui est possible — c’est une histoire de ce qui se passe maintenant et de la façon dont nous façonnons collectivement l’avenir de l’humanité.” — Yolanda Gil & Raymond Perrault, Co-directeurs du Stanford AI Index

Les études économiques rassemblées dans le rapport confirment que l’IA commence enfin à démontrer des impacts mesurables sur la productivité globale, en particulier pour automatiser les tâches cognitives répétitives et combler les écarts de compétences entre travailleurs débutants et expérimentés. Cependant, la concentration massive des capitaux aux États-Unis crée un déséquilibre mondial majeur. Alors que l’Europe et d’autres régions peinent à financer des champions à la hauteur des infrastructures américaines, le fossé économique risque de se transformer en dépendance structurelle.

Le grand paradoxe : fermeture du Web, défiance citoyenne et urgence réglementaire

Malgré ces victoires économiques et scientifiques incontestables, le rapport de Stanford met en lumière une fracture grandissante au sein de l’écosystème : l’IA avance plus vite que la confiance qui lui est accordée.

Cette crise de maturité s’articule autour de trois signaux d’alarme majeurs :

1. La rétractation brutale du Web public (Shrinking Data Commons) : Pour entraîner leurs modèles, les développeurs ont puisé sans compter dans les données ouvertes d’Internet. En réaction, les créateurs de contenu et éditeurs ont massivement verrouillé leurs accès. Entre 2023 et 2024, la proportion de tokens restreints sur le jeu de données C4 (Common Crawl) a bondi de 5–7 % à 20–33 %. Les données de haute qualité deviennent rares et payantes.
2. L’érosion de la confiance du public : Si l’optimisme global progresse légèrement (55 % des personnes interrogées dans le monde estiment que l’IA apporte plus de bienfaits que de risques), des gouffres régionaux subsistent. L’enthousiasme dépasse 80 % en Chine et en Indonésie, mais sombre à 39 % aux États-Unis, 40 % au Canada et 36 % aux Pays-Bas. Plus inquiétant : la confiance du public dans la capacité des entreprises d’IA à protéger les données personnelles a chuté de 50 % à 47 % au niveau mondial.
3. La pression réglementaire percute le terrain : Alors que les incidents liés à l’IA augmentent, un décalage persiste entre la prise de conscience des risques et la mise en œuvre de pratiques d’IA responsable chez les industriels. En réaction, les décideurs politiques s’emparent fermement du sujet : aux États-Unis, 73,7 % des élus locaux soutiennent désormais une régulation gouvernementale de l’IA (contre 55,7 % en 2022).

Ce paradoxe montre que l’IA entre dans sa phase la plus délicate : celle de l’acceptabilité sociale et juridique. La fermeture du Web va forcer les chercheurs à développer des modèles capables d’apprendre avec moins de données ou à recourir massivement aux données synthétiques.

Mais sur le plan sociétal, sans une gouvernance transparente, sans évaluation rigoureuse de la sécurité et sans garanties claires sur la confidentialité, le rejet citoyen et l’empilement réglementaire risquent d’enrayer la dynamique d’adoption.

Vers une IA omniprésente

Le Stanford AI Index Report 2025 dresse le portrait d’une technologie arrivée à maturité industrielle : l’IA est désormais moins chère, plus accessible, omniprésente dans les entreprises et sacrée par les institutions scientifiques. Les écarts entre modèles fermés et ouverts s’amenuisent, rendant la puissance de calcul plus démocratique que jamais.

Pourtant, cette expansion crée de nouvelles tensions critiques :

• Des modèles capables d’exploits intellectuels impressionnants mais encore incapables d’assurer une logique parfaite sans faille.
• Une dépendance financière écrasante envers les capitaux américains.
• Un Web qui se ferme à mesure que la défiance des citoyens grandit face à l’usage de leurs données.

L’IA n’est plus un sujet du futur : elle est le socle de notre présent. La question n’est plus de savoir jusqu’où la technologie peut aller, mais bien quelle société nous souhaitons construire avec elle.