Eduardo Ferreira Lima
La course à la superintelligence
Les États-Unis et la Chine se disputent la maîtrise de l’IA. Mais où se trouve la ligne d’arrivée ?
Imaginez que vous vous réveilliez un lundi matin et découvriez que l’action Nvidia s’effondre à Wall Street. C’est ce qui s’est produit le 27 janvier 2025. Le déclencheur n’était ni une fraude, ni une défaillance, ni l’arrêt d’une usine : c’était un modèle d’intelligence artificielle lancé par une entreprise chinoise encore peu connue en dehors du secteur quelques semaines auparavant.
Cette entreprise s’appelait DeepSeek. Son nouveau modèle de raisonnement, R1, obtenait des résultats compétitifs dans les tests utilisés pour comparer certains des systèmes les plus avancés de l’époque. Ses poids, c’est-à-dire les valeurs issues de l’entraînement qui permettent d’exécuter le modèle sur sa propre machine, étaient disponibles pour être utilisés et adaptés. Mais le plus dérangeant tenait au chemin emprunté : l’équipe semblait avoir obtenu des performances de pointe avec moins de ressources que la Silicon Valley ne le jugeait nécessaire.
Le choc de ce lundi-là en dit moins sur une entreprise chinoise que sur une question à laquelle personne ne parvient à répondre. Dans cette course à la superintelligence, où se trouve exactement la ligne d’arrivée ?
Le jour où l’avance américaine a semblé se réduire
Pendant des années, la course à l’IA a paru obéir à un calcul simple. Plus un laboratoire réunissait de puces avancées, plus les modèles qu’il pouvait entraîner étaient grands et meilleurs tendaient à être les résultats. L’avantage devait revenir à celui qui disposait de l’argent et des infrastructures nécessaires pour continuer à changer d’échelle.
La trajectoire semblait si évidente que l’industrie a commencé à organiser l’avenir autour d’elle. Des entreprises ont réservé des centres de données, de l’énergie et de nouvelles générations de processeurs avant même de savoir quels produits naîtraient de cette capacité. L’intelligence artificielle progressait dans des lignes de code, mais le pari se mesurait déjà en usines, en centrales électriques et en milliards de dollars.
Et les États-Unis semblaient bâtis pour remporter cette compétition. Ils disposaient des laboratoires qui travaillent à la frontière technologique, de grands fournisseurs de cloud, de marchés capables de financer des paris colossaux et de Nvidia au centre de l’écosystème. Washington pouvait en outre restreindre la vente des processeurs les plus avancés à la Chine et rendre la progression de son rival plus lente et plus coûteuse.
DeepSeek est apparue précisément du côté qui aurait dû être en train de perdre. Elle n’a prouvé ni que les restrictions étaient inutiles, ni que la Chine avait atteint l’intelligence artificielle générale, encore moins la superintelligence. Elle a montré quelque chose de plus précis et, pour cette raison même, de plus gênant : le rapport entre les puces, l’argent et les capacités n’était pas aussi prévisible qu’il le semblait, et la rareté pouvait pousser un laboratoire vers une autre voie.
Les États-Unis et la Chine se disputent la technologie, les infrastructures, les talents et l’influence. Mais l’image d’une course masque une question préalable : avant de chercher qui est en tête, il faut savoir où se situe l’arrivée.
La ligne d’arrivée que personne n’a tracée
Cette ligne tient généralement en trois lettres : AGI, le sigle anglais d’intelligence artificielle générale. Le nom évoque une destination claire, comme si tous les laboratoires cherchaient à construire la même machine. Mais dès que l’on examine leurs propres définitions, la piste commence à se diviser.
Pour OpenAI, l’AGI désigne des systèmes hautement autonomes capables de surpasser les êtres humains dans la plupart des activités ayant une valeur économique. Google DeepMind classe la généralité et la performance par niveaux et traite l’autonomie séparément. Anthropic, de son côté, évite généralement de donner une définition formelle de l’AGI et préfère décrire une « IA puissante » à travers un ensemble de capacités. Résultat : un même système peut sembler proche de l’arrivée selon une définition et loin d’elle selon une autre.
Les capacités progressent elles aussi de façon irrégulière. Un modèle peut résoudre des problèmes scientifiques difficiles et échouer sur des tâches simples ; il peut écrire un excellent code à partir d’instructions claires, puis se perdre lorsqu’il doit planifier une longue séquence et vérifier son propre travail. Un benchmark, l’un de ces tests standardisés utilisés pour comparer les performances, ne mesure qu’une partie des capacités, jamais leur ensemble. Les chercheurs parlent de frontière irrégulière : à certains endroits, les résultats dépassent ceux des humains ; quelques pas plus loin, la fragilité surprend.
Une autre confusion est fréquente : l’intelligence et l’autonomie sont deux dimensions différentes. Un système peut répondre à des questions complexes tout en dépendant d’une personne pour définir ses objectifs, lui donner accès à des outils et autoriser ses actions. Il peut aussi exécuter de nombreuses étapes seul sans posséder une capacité générale comparable à celle d’un être humain.
La superintelligence se situe au-delà de toute cette discussion. Elle serait largement supérieure aux humains dans les domaines cognitifs pertinents, et non une machine qui accomplirait simplement de nombreuses tâches humaines. Cet horizon contribue à expliquer l’urgence ressentie par les laboratoires et les gouvernements, mais il ne décrit pas une technologie démontrée en 2026 et ne rend pas automatique une amélioration illimitée après l’AGI.
Il n’existe pas non plus de preuve publique que l’atteinte de l’AGI déclencherait, à elle seule, un cycle ouvert dans lequel des machines créeraient des successeures toujours plus capables. Les personnes, les données, les vérifications et les nouvelles infrastructures restent absentes de ce récit automatique.
Les modèles deviennent plus capables, les entreprises investissent des sommes immenses et les gouvernements cherchent à protéger des avantages bien réels. Le problème consiste à traiter des progrès différents comme s’ils pointaient tous vers une arrivée unique, reconnue par tous.
La compétition est réelle, mais elle n’offre aucun instant incontestable où un drapeau franchirait la ligne tandis que tous les autres s’arrêteraient. Il existe plusieurs mesures, plusieurs chemins et plusieurs sortes d’arrivée. DeepSeek a rendu cette incertitude plus difficile à ignorer en surgissant avec un chiffre qui semblait prouver l’existence d’un raccourci : 5,576 millions de dollars.
Le chiffre exact qui raconte une histoire fausse
Ce chiffre figurait dans un tableau du rapport technique de DeepSeek-V3. L’équipe a comptabilisé environ 2,8 millions d’heures de processeurs Nvidia H800 pour le préentraînement, l’extension du contexte et le post-entraînement, puis a converti cet usage en un coût de 5,576 millions de dollars. Le calcul avait un périmètre défini. En dehors du rapport, il a pris une tout autre dimension.
La somme a commencé à circuler comme s’il s’agissait du prix nécessaire pour créer DeepSeek ou développer R1. Ce n’était ni l’un ni l’autre. Le rapport portait sur l’entraînement officiel de V3 et excluait expressément les recherches antérieures ainsi que les expériences écartées en cours de route, celles où l’on teste une variante d’architecture ou de données avant d’abandonner ce qui ne fonctionne pas. Il ne s’agissait pas non plus d’une facture comprenant les salaires, les infrastructures ou l’achat des processeurs.
Cela ne rend pas le chiffre faux. Cela rend la comparaison construite à partir de lui inadéquate. Le placer à côté de l’ensemble des investissements d’un laboratoire américain reviendrait à comparer le carburant consommé pendant un vol au coût nécessaire pour créer et exploiter toute une compagnie aérienne. Le calcul peut être exact tout en ne répondant pas à la question suggérée par le titre.
Cette mise au point ne diminue pas davantage la réussite technique. L’architecture en mélange d’experts de V3 n’active qu’une partie du modèle à chaque étape, et l’équipe a traité les algorithmes, le logiciel et le matériel comme un seul problème, selon une pratique connue sous le nom de co-ingénierie. L’architecture, le code, les données et l’ingénierie déterminent le niveau de performance produit par chaque unité de calcul.
Concrètement, cela a permis de réduire les communications inutiles entre les processeurs et de mieux exploiter la capacité disponible. Aucune frontière n’a été créée presque sans argent. Ce qui a changé, c’est le rendement : une même quantité de calcul produit des résultats différents selon les choix techniques.
Disposer de davantage de capacité de calcul permet toujours d’entraîner des systèmes plus grands et de tester plus d’hypothèses. Les restrictions américaines ont préservé un avantage pour ceux qui accédaient aux processeurs les plus avancés, mais elles ont aussi rendu plus précieuses les solutions qui économisaient le calcul et tiraient davantage des équipements disponibles. La rareté n’a pas disparu ; elle a commencé à orienter les priorités techniques.
Un laboratoire ayant accès aux processeurs les plus avancés peut explorer une zone plus vaste et absorber davantage de tentatives infructueuses. Un autre, contraint par des limites, doit éviter les gaspillages et peut trouver une voie plus courte. L’avantage matériel demeure, mais il ne se transforme pas automatiquement en performance.
Les puces et le capital restent essentiels. Ce que DeepSeek a défait, c’est l’idée qu’ils fonctionnent comme un classement linéaire : l’argent doit être transformé en capacité par des choix techniques. Et pour comprendre jusqu’où chaque voie peut mener, il faut quitter le prix de l’entraînement et descendre dans les couches physiques qui rendent tout modèle possible.
La pile physique sous l’intelligence
Suivez l’un des processeurs H800 utilisés par DeepSeek dans le sens inverse, depuis le modèle déjà en fonctionnement jusqu’à son origine. Avant d’exécuter quoi que ce soit, cette puce a traversé une chaîne qu’aucun pays ne contrôle seul. L’intelligence semble naître dans le logiciel, mais son parcours commence bien plus bas.
Nvidia conçoit l’architecture et fournit l’écosystème logiciel, mais ne fabrique pas la puce qui porte son nom. Cette étape passe principalement par TSMC, l’entreprise taïwanaise qui produit presque tous les processeurs d’IA de premier plan. Autrement dit, la compétition entre les laboratoires américains et chinois converge vers des usines installées à Taïwan.
Ces usines ne sont pas autonomes non plus. Elles dépendent d’équipements de lithographie produits aux Pays-Bas et de matériaux issus d’un réseau international. Le processeur a encore besoin de mémoire à large bande passante et d’un conditionnement avancé, l’étape qui assemble et relie les puces déjà fabriquées. Sans connexions rapides, la capacité de calcul attend les données.
TSMC développe sa production dans d’autres pays, notamment aux États-Unis, mais une nouvelle usine ne recrée pas du jour au lendemain l’écosystème accumulé à Taïwan. En 2025, les procédés les plus avancés et une grande partie du conditionnement critique y restaient concentrés.
Réduire cette concentration exige plus que de construire un bâtiment. Les fournisseurs, les professionnels et les capacités de conditionnement se sont accumulés au fil du temps ; ils n’apparaissent pas tous le jour où une nouvelle usine commence à fonctionner.
Une fois fabriquée, la puce doit entrer dans un serveur, communiquer avec des milliers d’autres processeurs et rester froide pendant son fonctionnement. Cela exige des baies, du refroidissement, des sous-stations et une alimentation électrique continue, le tout réservé avant que le rendement financier ne soit garanti.
Et le modèle entraîné continuera à dépendre de cette même base pour répondre aux utilisateurs. L’infrastructure ne disparaît pas lorsque l’entraînement se termine : serveurs, réseaux et énergie soutiennent chaque utilisation ultérieure et rendent l’intelligence dépendante du territoire où le centre de données a été installé.
Chaque réponse dissimule plusieurs géographies : propriété intellectuelle américaine, fabrication et mémoire asiatiques, machines européennes, énergie locale et capitaux mondiaux. Qualifier ce système d’américain décrit l’endroit où se concentrent des entreprises décisives, pas une quelconque autosuffisance. La Chine cherche à remplacer les composants qui peuvent lui être refusés, mais elle rencontre encore des goulets d’étranglement avancés ; aucun des deux camps ne contrôle une pile complète à l’intérieur de ses propres frontières.
Les contrôles à l’exportation exploitent précisément ces goulets d’étranglement. Ils n’ont pas besoin d’empêcher tous les progrès chinois ; il leur suffit de rendre chaque avancée plus chère, plus lente ou plus incertaine. Dans le même temps, ils renforcent l’incitation de Pékin à construire des solutions nationales.
Deux stratégies, aucun classement commun
Les deux pays organisent cette pile de façons différentes. Aux États-Unis, des laboratoires privés cherchent à repousser la frontière des modèles, tandis que les grands fournisseurs de cloud apportent les infrastructures et la distribution. Les marchés financiers permettent de réserver les ressources avant d’avoir démontré l’ensemble du rendement attendu.
Le projet Stargate a porté cette logique à l’échelle d’une politique industrielle en annonçant l’intention de mobiliser jusqu’à 500 milliards de dollars en quatre ans. Cette somme n’a pas déjà été dépensée, mais elle révèle l’ambition américaine d’accélérer la construction des infrastructures et de préserver l’accès aux meilleurs processeurs.
La stratégie extérieure complète le mouvement. Washington cherche à proposer à ses alliés des puces, du cloud, des modèles et des standards américains. Les contrôles à l’exportation sont l’envers de cette offre : ils limitent les composants destinés à la Chine et transforment l’accès à la pile en instrument d’influence.
La Chine répond par l’efficacité sous contrainte, la substitution nationale et des modèles dont les poids peuvent être exécutés et adaptés. Des entreprises comme DeepSeek et Alibaba ouvrent une voie de distribution moins dépendante d’un cloud chinois mondial, tandis que les fabricants nationaux cherchent à remplacer les composants susceptibles d’être bloqués.
Pékin appelle « AI+ » une stratégie plus vaste : intégrer l’intelligence artificielle à la science, aux usines et à l’administration. Cette orientation s’appuie sur l’échelle industrielle, la formation des chercheurs et une base robotique capable de relier les systèmes numériques au monde physique.
La coordination étatique peut accélérer les infrastructures et l’adoption, mais elle ne garantit pas que le capital ira vers les bons projets. La Chine dispose également de clouds à la portée internationale plus limitée et reste dépendante de maillons avancés de la chaîne extérieure. Aux États-Unis, le capital et la distribution mondiale sont plus puissants, même si la concurrence privée peut produire des doublons et des capacités excédentaires.
Les chiffres changent selon l’indicateur observé. En 2025, les États-Unis ont enregistré environ 286 milliards de dollars d’investissements privés dans l’IA, contre environ 12 milliards pour la Chine, soit plus de vingt fois plus. Mais ce calcul ne saisit pas de la même manière les fonds publics, le crédit dirigé et les infrastructures financées par l’État chinois.
Du côté des modèles, le tableau est bien plus serré. Les meilleurs systèmes des deux pays ont alterné en tête depuis 2025 et, en mars 2026, le meilleur modèle américain devançait le meilleur modèle chinois de moins de trois points de pourcentage dans le classement de l’AI Index. Un quasi-équilibre. Et cette note ne mesure ni les coûts, ni les puces, ni l’adoption industrielle, ni la distribution.
Les brevets, les robots et le cloud produisent encore d’autres résultats. Les États-Unis peuvent dominer un maillon de la chaîne et dépendre de leurs alliés dans un autre ; la Chine peut se rapprocher dans les modèles tout en restant limitée par des composants critiques. Aucun indicateur isolé ne dit quel système est le plus puissant, et la comparaison masque encore une dépendance qui traverse les deux camps : les personnes.
Les talents qui traversent la carte
Imaginez un chercheur né et formé en Chine, ayant effectué son doctorat aux États-Unis avant de rejoindre un laboratoire américain. Lorsqu’il améliore un modèle de pointe, à quel pays appartient cette capacité ? La réponse change selon que l’on mesure la formation, la citoyenneté ou le lieu de travail.
Dans l’étude de MacroPolo sur les auteurs de premier plan de NeurIPS en 2022, 47 % avaient obtenu leur premier diplôme universitaire en Chine. Il ne s’agit pas d’un recensement actuel de l’ensemble de la main-d’œuvre. Cette origine éducative était néanmoins la plus représentée dans l’échantillon.
Au sein de l’écosystème américain du même relevé, les chercheurs d’origine chinoise représentaient environ 38 % du groupe ; ceux d’origine américaine, approximativement 37 %. Ici, l’origine désigne la formation initiale, pas la citoyenneté. Une partie de la puissance américaine a été formée dans le pays que Washington cherche à contenir sur le plan technologique.
Dépendre de personnes formées ailleurs constitue aussi un avantage. Les universités, les laboratoires et le capital américains ont attiré des professionnels du monde entier et transformé une partie de leur travail en science produite aux États-Unis. Mais l’AI Index 2026 indique que l’arrivée de chercheurs et de développeurs en IA dans le pays a chuté de 89 % depuis 2017 : ils sont aujourd’hui environ dix fois moins nombreux à y entrer qu’à l’époque. Il s’agit d’une baisse du flux, pas du stock. Personne ne disparaît des laboratoires du jour au lendemain, mais il devient plus difficile de reproduire le réseau qui a soutenu cet avantage.
Restreindre les domaines sensibles peut protéger les connaissances ; des barrières générales peuvent éloigner les personnes qui font vivre la recherche et les entreprises. L’expression « talent américain » décrit l’endroit où quelqu’un travaille, pas nécessairement celui où il a été formé. La course nationale repose sur une communauté qui traverse les frontières. Et cela nous oblige à séparer deux choses souvent confondues : la capacité technique et le pouvoir.
La différence entre inventer et gouverner
Une invention ne devient pas un instrument de pouvoir simplement parce qu’elle fonctionne mieux dans un laboratoire. Elle doit traverser les entreprises, les usines, les gouvernements et les habitudes jusqu’à modifier ce que les gens font et ceux dont ils dépendent. Imaginez un moteur puissant posé sur un établi : la force existe, mais le véhicule ne bouge pas tant qu’elle n’atteint pas les roues.
Le modèle est le moteur. Le cloud, les applications et les standards forment la transmission. Un système supérieur, coûteux et difficile à intégrer peut rester confiné, tandis qu’un autre, légèrement moins capable, peut produire beaucoup plus d’effets s’il est bon marché, adaptable et incorporé à des milliers de processus.
Les États-Unis possèdent déjà une part importante de cette transmission. Leurs clouds servent des entreprises et des gouvernements dans de nombreux pays, et leurs plateformes proposent des modèles qui peuvent être intégrés à des produits existants. Lorsque le même écosystème fournit la puce, le cloud et les outils, l’adoption crée une dépendance que l’on ne supprime pas en changeant simplement de fournisseur.
La stratégie américaine consistant à exporter une pile complète cherche à amplifier cet effet. L’avantage ne résiderait pas seulement dans la vente du modèle le plus capable, mais dans la possibilité d’amener les entreprises, les gouvernements et les alliés à construire leurs processus sur les puces, le cloud et les standards du même écosystème.
La Chine emprunte une autre voie. Les poids de modèles comme ceux de DeepSeek et d’Alibaba peuvent être exécutés et adaptés en dehors de la plateforme qui les a créés, ce qui facilite leur adoption par des entreprises en quête de contrôle ou de coûts plus faibles. L’intégration dans l’industrie cherche à transformer l’efficacité technique en usage généralisé dans les usines, les services et l’administration.
Cela réduit la dépendance à l’égard du laboratoire d’origine, sans créer d’indépendance. Quiconque exécute le modèle sur ses propres machines a toujours besoin de puces, d’énergie, de professionnels et de maintenance. Diffuser une technologie signifie ajuster les systèmes, former les personnes, assumer les coûts et transformer une possibilité technique en routine. Rien de tout cela n’arrive avec le fichier téléchargé.
C’est ici que le reste du monde entre en scène. Les pays choisissent où acheter leur puissance de calcul, quels modèles autoriser et envers quels fournisseurs accepter une dépendance. Ils peuvent combiner des composants américains et chinois ou se concentrer sur un seul écosystème. Chaque décision renforce un camp et affaiblit l’autre.
Ces pays ne sont pas les spectateurs d’une dispute réglée à Washington ou à Pékin. Les contrats, les marchés publics et les choix d’infrastructure contribuent à déterminer quels systèmes atteignent une grande échelle et quelles technologies deviennent difficiles à remplacer.
« Dicter les règles » n’est pas la conséquence automatique du fait d’annoncer l’AGI avant les autres. Les règles se consolident aussi dans les contrats, les interfaces et les exigences de sécurité. La question n’est plus de savoir qui construira le meilleur modèle. Elle devient : qui parviendra à rendre son intelligence indispensable ?
La course vue du bon endroit
Le matin où DeepSeek a ébranlé Wall Street, le marché se demandait si les États-Unis disposaient encore d’assez de puces et d’échelle pour conserver leur avantage. Après avoir parcouru toute la chaîne, la question est différente : quel système peut transformer l’échelle ou l’efficacité en une capacité diffusée dans le monde ?
Ce lundi-là n’a ni mis fin à la course, ni rendu les infrastructures obsolètes. Il a révélé quelque chose de plus précis : les restrictions modifient la trajectoire technique, et l’écart entre les modèles ne suit pas de façon prévisible l’écart entre les investissements. Le choc tenait moins à un vainqueur qu’à une autre manière de progresser.
Le prochain record provoquera la même tentation. Un laboratoire annoncera une avancée, les benchmarks seront comparés et les gouvernements chercheront à la transformer en leadership national. Le système méritera peut-être le nom d’AGI selon une définition et pas selon une autre ; la superintelligence restera un horizon plus lointain, pas une capacité démontrée par cette annonce.
Pour voir ce qui change réellement, il faudra séparer quatre étapes. L’invention repousse la frontière. L’infrastructure permet d’entraîner et d’exploiter les modèles. La diffusion porte cette capacité jusqu’aux usines, aux gouvernements et aux entreprises. Et le pouvoir apparaît lorsque l’adoption crée de la productivité, des standards et des dépendances.
Les deux pays cherchent à réduire leurs propres dépendances tout en exploitant les goulets d’étranglement de l’autre. Aucun ne contrôle seul les usines de Taïwan, l’énergie, les talents et les accords qui transforment une capacité technique en influence. C’est pourquoi il n’existe aucun instant où un drapeau franchit la ligne et où tous les autres s’arrêtent.
Lorsque le prochain modèle dépassera tous les benchmarks, le titre de l’article demandera où il a été créé. La question décisive sera différente : qui parviendra à le faire sortir du laboratoire pour l’installer dans les usines, les gouvernements et les entreprises ?
Questions fréquentes
Qu’est-ce que la superintelligence artificielle ?
C’est l’hypothèse d’une intelligence artificielle largement supérieure aux êtres humains dans les domaines cognitifs pertinents. Elle n’est pas synonyme d’AGI et ne décrit pas une technologie publiquement démontrée en 2026.
Quelle est la différence entre l’AGI et la superintelligence ?
L’AGI désigne généralement des systèmes dotés de capacités larges et générales, même s’il n’existe pas de définition universelle. La superintelligence serait une étape supplémentaire : une capacité largement supérieure à celle des humains, et pas seulement comparable ou applicable à de nombreuses tâches.
Les États-Unis ou la Chine sont-ils en tête dans l’intelligence artificielle ?
La réponse dépend de l’indicateur. Les États-Unis dominent l’investissement privé, le nombre de modèles de pointe, le cloud et la conception des puces. La Chine s’est rapprochée dans les performances des meilleurs modèles et dispose d’atouts dans la recherche, la formation, la robotique, l’industrie et les modèles dont les poids sont disponibles.
Qu’a prouvé DeepSeek sur la course à l’IA ?
DeepSeek a montré que l’efficacité algorithmique et la co-ingénierie peuvent tirer davantage de performances de la capacité de calcul disponible. Elle n’a pas prouvé que les puces, le capital ou les contrôles à l’exportation avaient cessé de compter.
DeepSeek-V3 n’a-t-il coûté que 5,576 millions de dollars ?
Cette somme estime l’utilisation des GPU H800 pendant l’entraînement officiel de V3 : préentraînement, extension du contexte et post-entraînement. Elle ne représente ni le coût total de l’entreprise, de la recherche, des infrastructures, des salaires ou de l’achat des processeurs, ni celui du développement de R1.
Pourquoi Taïwan est-il important pour l’intelligence artificielle ?
TSMC, dont le siège se trouve à Taïwan, fabrique presque toutes les puces d’IA de premier plan. Malgré son expansion internationale, les procédés de pointe et le conditionnement avancé restent fortement concentrés sur l’île et dépendent d’équipements, de mémoire et de matériaux provenant de plusieurs pays.
Les contrôles américains empêchent-ils la Chine de développer une IA avancée ?
Pas de façon absolue. Ils restreignent l’accès aux puces et aux équipements avancés, ce qui augmente les coûts, les délais et l’incertitude. Dans le même temps, ils encouragent l’efficacité, la substitution nationale et de nouvelles voies techniques en Chine.
Pourquoi le meilleur modèle ne garantit-il pas la puissance mondiale ?
Parce qu’une invention doit être diffusée. Le cloud, les applications, les professionnels, les usines, les institutions, les standards et les alliances transforment une capacité technique en productivité, en dépendance et en influence.