Yann LeCun quitte Meta pour fonder sa propre structure autour des world models. Un des pères du deep learning, prix Turing, vote avec ses pieds.
Sa conviction : "les LLM sont utiles, pas intelligents". Ils ne mèneront pas à l'IA générale.
Si votre stratégie IA repose à 100% sur les LLM, vous construisez sur du sable mouvant. Pas un tweet provocateur — un signal stratégique que chaque dirigeant devrait intégrer dans sa feuille de route.
Le plafond invisible des LLM
Le problème fondamental des LLM tient à leur architecture même. Ils génèrent du texte jeton par jeton — comme écrire un roman lettre par lettre. C'est lent, coûteux en compute, et ça crée un plafond que ni le scaling ni le fine-tuning ne feront disparaître.
Concrètement, un LLM ne comprend rien. Il prédit le mot suivant avec une précision statistique impressionnante, mais sans modèle interne du monde. Il ne planifie pas. Il n'anticipe pas. Il ne raisonne pas au sens cognitif du terme. Comme le résume LeCun : « les LLM sont utiles, pas intelligents ».
Sur le terrain, j'observe les conséquences directes de cette limite. Des entreprises qui empilent des prompts de plus en plus complexes pour compenser l'absence de raisonnement causal. Des pipelines IA fragiles où le moindre changement de contexte produit des hallucinations. Des coûts d'inférence qui explosent à mesure qu'on pousse les modèles vers des tâches qu'ils n'ont pas été conçus pour accomplir.
Le constat est clair : on ne scale pas l'intelligence en scalant la taille du modèle. Il faut changer de paradigme.
CALM : scaler la bande passante, pas la taille
C'est là qu'entre en jeu CALM (Continuous Autoregressive Language Model). Au lieu de prédire le prochain mot, le modèle prédit le prochain vecteur. La différence est fondamentale.
Imaginez que vous devez envoyer un message. L'approche LLM classique, c'est envoyer chaque lettre dans une enveloppe séparée. CALM, c'est regrouper plusieurs mots dans un seul colis. L'autoencodeur compresse plusieurs jetons en un seul vecteur, puis les reconstruit avec plus de 99,9 % de fidélité. Le modèle avance quatre fois plus vite par étape de génération.
L'Energy Transformer ajoute une capacité décisive : la génération en un seul bond, sans les étapes répétitives qui ralentissent les LLM classiques. On ne scale plus la taille du modèle — on scale la quantité de sens que chaque étape de génération peut transporter.
Soyons lucides : CALM n'est pas encore industrialisé. C'est une preuve de concept prometteuse, pas une solution prête à remplacer GPT en production demain matin. Mais le signal est limpide. Le futur des modèles ne sera pas « plus gros », mais « plus intelligents par étape ».
VL-JEPA et les world models : comprendre avant de parler
L'autre rupture majeure vient des world models, et en particulier de VL-JEPA (Vision-Language Joint Embedding Predictive Architecture). L'idée est simple et puissante : au lieu d'apprendre à générer du texte, l'IA apprend à comprendre le monde — les relations causales, la physique intuitive, la temporalité.
Les LLM sont forts pour produire du texte. Faibles pour comprendre le contexte, la causalité et le timing. Or le travail réel, c'est exactement ça : des signaux faibles, des anticipations, des décisions sous incertitude.
Le langage n'est pas l'intelligence. C'est l'interface. Miser toute sa stratégie IA sur les LLM, c'est optimiser le clavier au lieu de construire le cerveau.
Quand LeCun quitte Meta pour fonder sa propre structure autour de VL-JEPA et des world models, il vote avec ses pieds. Son pari : une IA qui comprend le monde avant de parler sera infiniment plus utile qu'une IA qui parle sans comprendre.
Ce que ça change pour votre stratégie
Si votre feuille de route IA repose à 100 % sur les LLM, vous construisez sur du sable mouvant. Ça ne veut pas dire qu'il faut tout arrêter demain. Les LLM restent extrêmement utiles pour des cas précis : génération de contenu, assistance à la rédaction, synthèse de documents, code assistants.
Mais ça veut dire trois choses concrètes :
1. Découplage stratégique. Vos architectures IA doivent être modulaires. Le jour où CALM, VL-JEPA ou une autre approche post-LLM sera mature, vous devez pouvoir pivoter sans tout reconstruire. Les organisations qui ont fusionné leur stratégie produit avec un seul fournisseur LLM paieront cher cette dépendance.
2. Investissement dans la compréhension, pas dans la génération. Les gains de productivité les plus durables viendront des systèmes qui comprennent le contexte métier — pas de ceux qui génèrent du texte plus vite. Formez vos équipes aux concepts de raisonnement causal, de world models, de représentation vectorielle.
3. Veille active sur l'écosystème post-LLM. CALM, VL-JEPA, les architectures neuro-symboliques, le raisonnement spatial — ces approches sont en laboratoire aujourd'hui. Elles seront en production dans 18 à 36 mois. Les entreprises qui auront fait leur veille seront prêtes. Les autres devront courir derrière.
L'avertissement géopolitique de LeCun mérite aussi d'être entendu : les meilleurs modèles open source sont aujourd'hui chinois. Si l'Occident s'endort sur ses lauriers LLM, il se fera doubler sur la prochaine vague.
Les LLM feront le bruit. Les world models feront la valeur.
Le paradigme change. Ce n'est pas une hypothèse — c'est une convergence de signaux forts venant des meilleurs chercheurs de la planète. Les organisations qui auront compris que l'IA de demain ne sera pas un GPT plus gros, mais un système qui comprend, planifie et agit, prendront une longueur d'avance décisive.
Pas en suivant les buzzwords, mais en construisant des fondations stratégiques modulaires pour l'ère post-LLM.
Votre stratégie IA est-elle architecturée pour pivoter quand CALM ou VL-JEPA passeront en production, ou fermée sur un fournisseur LLM unique ?