"AI for Life" : quand l’investissement en IA rencontre les limites du réel
Des narratifs à l'infrastructure : pourquoi l'IA doit être financée dans les limites du monde vivant.
AI Wars : épisode 2
Dans le premier épisode d’AI Wars, nous avons cartographié les narratifs qui façonnent l’avenir de l’IA. Ce second essai passe des narratifs à l’allocation, en examinant comment les hypothèses sur l’intelligence se traduisent en infrastructure et en déploiement de capital (ainsi que l’approche d’investissement propre à Asterion).
Cet article s’appuie sur des échanges au sein de l’écosystème Asterion et a été co-écrit par Antonin Léonard (partner chez Asterion) et Arthur De Grave.
En moins d’une décennie, l’IA est devenue l’une des sources de pression les plus rapides sur les systèmes physiques qui soutiennent la vie.
Les data centers sont désormais en concurrence avec les villes et les industries pour l’électricité, l’eau, le foncier et les minerais critiques. Dans certaines régions, les workloads IA absorbent déjà une part significative de l’alimentation électrique nationale. Les émissions indirectes augmentent plus vite que les engagements de décarbonation ne peuvent le dissimuler. La pollution locale autour des infrastructures de compute produit des effets sanitaires comparables à ceux de l’industrie lourde.
Et pourtant, l’IA continue d’être discutée comme si elle était immatérielle, un univers de code, de modèles et d’abstraction, détaché des conditions du monde vivant.
Ce décalage n’est pas accidentel. Il reflète une hypothèse plus profonde : que l’intelligence peut scaler indépendamment du vivant.
Cet article part d’une prémisse différente.
L’intelligence n’a pas émergé en dehors du monde vivant. Elle en est issue et elle reste contrainte par lui.
Traiter l’IA comme une force autonome, plutôt que comme une extension de systèmes liés au vivant, conduit à une erreur structurelle dans la façon dont nous construisons, déployons et finançons « l’intelligence ».
AI for Life est un cadre d’investissement sous cette contrainte. Non pas comme posture morale, mais comme condition de viabilité.
Intelligence vs. Vie
Un contrepoint bergsonien
Le philosophe français Henri Bergson offre un point d’entrée plus exigeant. Dans L’Évolution créatrice, l’intelligence n’est pas présentée comme une alliée naturelle de la vie. Au contraire, Bergson décrit l’intelligence comme façonnée par l’action sur la matière inerte et non par une compréhension intuitive des processus vivants.
« L’intelligence est caractérisée par une incompréhension naturelle de la vie. »
L’intelligence excelle à isoler, mesurer et manipuler. Elle découpe la continuité en éléments discrets et transforme le mouvement en structure. Ces opérations sont puissantes, mais elles ont un coût : appliquées aux systèmes vivants, elles tendent à aplatir ce qui est fluide, réduire ce qui évolue, et confondre optimisation et compréhension.
De ce point de vue, il n’y a aucune raison de croire que l’IA s’écarterait de cette logique. Bien au contraire : l’IA la radicalise. En poussant l’abstraction, la formalisation et l’optimisation à des niveaux sans précédent, l’IA transforme une limitation structurelle de l’intelligence en force systémique, creusant ainsi l’écart entre intelligence et vie.
C’est pourquoi l’intelligence ne peut être laissée sans contraintes. Une fois détachée des conditions du vivant, sa capacité d’action s’étend plus vite que sa capacité à percevoir ce qu’elle érode.
Cette tension ne peut être évacuée. Si l’intelligence tend à mal interpréter le vivant, alors toute tentative d’aligner l’IA avec le monde vivant ne peut reposer sur la spontanéité ou les bonnes intentions seules. Elle requiert des limites et des contraintes (et des choix explicites ! Nous y reviendrons).
AI for Life
Un principe général de continuité
C’est ici que l’idée d’AI for Life prend forme.
L’IA peut étendre les capacités du vivant, affiner ses modes d’action, et améliorer les conditions dans lesquelles la vie se développe. Cela ne tient que tant que l’intelligence reste située dans le monde sur lequel elle agit, plutôt que positionnée au-dessus de lui.
À partir de ce point de départ, plusieurs limites deviennent incontournables.
Lorsque cette perspective est prise au sérieux, elle conduit à un nombre restreint de contraintes qui structurent progressivement les choix technologiques et les décisions d’investissement.
Pilier I : Frontières ontologiques
Ce que nous refusons de demander à l’IA d’être
En l’état actuel des connaissances, la super-intelligence qu’on l’appelle AGI ou ASI, apparaît trop spéculative pour servir d’horizon d’investissement crédible. Elle repose sur des hypothèses assez audacieuses et encourage l’abstraction par rapport au monde qu’elle transforme déjà.
La même dérive apparaît dans les discours techno-messianiques présentant l’IA comme solution au changement climatique, à la santé ou à l’éducation. L’IA peut certes accélérer la recherche, améliorer la coordination et réduire certaines frictions, mais elle ne peut remplacer les décisions politiques, les transformations industrielles ou la responsabilité collective à elle seule.
Une frontière supplémentaire concerne la création : les systèmes d’IA génèrent, recombinent et explorent de vastes espaces de possibilités. La création reste liée à l’intention et au sens. Ces dimensions appartiennent au vivant (Bergson, encore !). Les déplacer ne changerait pas simplement les processus de production ; cela déplacerait le lieu même du sens.
Pilier II : contraintes matérielles
La frugalité comme condition de viabilité
L’IA opère dans des limites physiques strictes. Énergie, hardware, réseaux et foncier définissent son empreinte. Et il est bien connu que les gains d’efficacité déclenchent fréquemment des effets rebond qui augmentent la consommation globale plutôt que de la réduire.
Dans ce contexte, la frugalité devient une condition de durabilité. La taille des modèles, les régimes d’entraînement, l’efficacité de l’inférence, les cycles de vie du hardware et les choix d’infrastructure comptent, et tous les use cases ne méritent pas de scaler. Nous devons collectivement accepter cette vérité inconfortable : les métriques de performance détachées des coûts physiques offrent une vision déformée du progrès.
Les propositions de délocaliser les infrastructures de compute hors de la planète par exemple via des projets de data centers orbitaux illustrent clairement cette tension : en externalisant les limites matérielles plutôt qu’en les intégrant, elles traitent les frontières planétaires comme des obstacles à contourner et approfondissent l’abstraction du monde vivant que cette thèse rejette.
Pilier III : impact situé
Là où l’IA fait vraiment la différence
Toutes les applications d’IA ne méritent pas le même niveau d’attention ou de capital.
Les contributions les plus significatives émergent dans des domaines où la complexité est réelle et où les gains se composent dans le temps : industrie, systèmes énergétiques, mobilité, santé et infrastructures publiques. Dans ces contextes, l’IA agit comme support à la décision et infrastructure de coordination, tandis que le jugement humain reste structurellement central.
À l’inverse, les applications orientées spectacle et la saturation de contenu consomment des ressources sans renforcer les systèmes qu’elles touchent. Elles captent l’attention tout en laissant les capacités sous-jacentes largement inchangées.
Comment passe-t-on de ces principes aux choix d’investissement ?
Ensemble, ces contraintes forment une doctrine d’investissement.
Au cours des dernières années, nous avons analysé plusieurs centaines de startups early-stage revendiquant des solutions « AI-powered ». Environ deux cents plaçaient l’IA au cœur de leur value prop. Seule une petite fraction combinait ambition technique et compréhension claire des contraintes matérielles, des réalités sectorielles et de la viabilité long terme. Ce processus de filtrage a progressivement façonné notre pratique d’investissement.
Chez Asterion, l’IA est abordée comme une infrastructure du monde vivant. Les investissements se concentrent sur l’IA là où elle renforce les systèmes qui soutiennent la vie, améliore les conditions de production et de coordination, et reste compatible avec les réalités matérielles dont elle dépend. À ce jour, cela a donné lieu à un nombre limité d’investissements délibérément concentrés, dans des domaines où l’IA agit comme levier plutôt que comme substitut.
Living Models (anciennement .omics) applique l’IA à la biologie expérimentale, où la complexité des systèmes vivants résiste à l’abstraction par force brute. Plutôt que de remplacer le raisonnement biologique, sa technologie aide les chercheurs à naviguer dans l’incertitude expérimentale, accélérant la découverte tout en restant ancrée dans les réalités matérielles des sciences de la vie.
Argile.ai opère à l’intersection de l’IA et du bâti. Ses systèmes assistent la rénovation des bâtiments en structurant les choix techniques, les contraintes réglementaires et les scénarios de performance énergétique. Ici, l’IA fonctionne comme infrastructure de coordination, améliorant les conditions dans lesquelles la transformation physique s’opère.
Futurail se concentre sur l’infrastructure ferroviaire, un système critique et hautement contraint. En optimisant les sillons et l’allocation de capacité, sa technologie augmente l’efficacité des réseaux existants, soutenant le report modal sans exiger de nouvelles infrastructures extractives. L’intelligence est déployée au service d’un système dont les limites sont explicites et non négociables.
Ensemble, ces investissements reflètent une logique cohérente : l’IA est déployée là où la complexité est réelle, les contraintes sont binding, et les gains se traduisent en améliorations durables des systèmes qui soutiennent la vie. Au fil du temps, cette approche a imposé sa propre discipline, façonnant non seulement ce qui est soutenu, mais aussi ce qui est délibérément écarté.
Choisir la continuité plutôt que l’hubris
L’IA se trouve à un point de bifurcation. Elle peut approfondir les crises existantes ou aider à les traverser. C’est pourquoi nous avons emprunté le concept de pharmakon au philosophe français Bernard Stiegler. La différence réside moins dans la sophistication des modèles que dans les contraintes imposées à leur développement et leur usage.
AI for Life inscrit l’innovation comme quelque chose qui doit rester ancré dans les conditions du monde vivant.
L’intelligence n’a pas émergé contre le monde vivant. Elle en est issue. Elle a aussi appris, à maintes reprises, à s’abstraire des conditions qui la soutiennent. Tenir ces deux mouvements ensemble est peut-être la forme de progrès la plus exigeante que nous puissions choisir.
C’est pourquoi investir dans l’IA aujourd’hui signifie prendre la responsabilité de la façon dont le capital contraint l’intelligence dans les limites du monde vivant.
Trois questions à… Cyril Véran, CEO & Co-fondateur de Living Models
Cyril Véran est le co-fondateur et CEO de Living Models (opérant actuellement sous le nom .omics), une biotech développant des systèmes d’IA pour modéliser la biologie végétale pour le breeding et l’agronomie. Avec BOTANIC, son foundation model, Living Models vise à réduire l’expérimentation biologique en structurant l’incertitude en amont avant les essais coûteux en laboratoire et au champ. Car en biologie, l’IA n’a d’importance que si elle opère dans les contraintes physiques et délivre un impact réel.
L’impact environnemental de l’IA est de plus en plus débattu. Comment abordez-vous cela chez Living Models ?
Le problème est qu’on parle de « l’IA » comme si c’était une seule chose. Entraîner des modèles massifs et génériques pour générer du contenu est très différent d’entraîner des modèles spécialisés conçus pour remplacer des années d’expérimentation biologique.
En biologie, les erreurs coûtent cher. Une mauvaise prédiction ne gaspille pas seulement du compute elle gaspille des mois de travail en labo, d’essais au champ, de foncier, d’eau et d’intrants chimiques. Cela impose de la discipline. Chez Living Models, nos modèles sont ciblés, contraints et construits pour réduire l’expérimentation réelle, pas pour la multiplier.
La question n’est pas de savoir si l’IA consomme des ressources. C’est de savoir si elle remplace quelque chose de bien plus coûteux. Dans notre cas, oui.
Living Models développe BOTANIC, un foundation model pour la biologie végétale. Qu’est-ce qui distingue cette approche de l’IA générique appliquée à la biologie ?
La biologie ne se comporte pas comme le langage. Les génomes ne sont pas des phrases, et les plantes ne sont pas des systèmes statiques. La même séquence génétique peut se comporter très différemment selon l’environnement, le stress et les interactions.
Les approches IA génériques tendent à aplatir cette complexité. BOTANIC est construit autour d’elle. Il intègre plusieurs couches d’information biologique, génomique, transcriptomique, métabolomique, phénotypes et données environnementales, pour modéliser comment les traits émergent réellement dans les plantes.
Même alors, les prédictions restent des hypothèses. BOTANIC ne remplace pas le labo ou le champ. Il structure les décisions en amont, réduisant l’incertitude avant que les expériences ne commencent.
Quel est le chemin le plus crédible pour passer de modèles plus puissants à un impact mesurable dans le monde physique ?
Le chemin est plus lent et plus fragmenté que la plupart des narratifs ne le suggèrent. Des modèles plus puissants n’ont d’importance que s’ils sont intégrés dans les workflows et institutions existants. Dans le breeding végétal, cela signifie travailler avec les semenciers, les chercheurs et les régulateurs, chacun avec ses propres timelines et contraintes.
Les vrais bottlenecks sont rarement computationnels. Ce sont l’accès à des données de haute qualité, le coût et la durée des cycles expérimentaux, et la capacité à traduire les prédictions en décisions auxquelles les praticiens font confiance. La confiance se gagne quand les modèles échouent visiblement et s’améliorent de façon transparente, pas quand ils promettent trop.
Le changement mesurable arrive quand l’IA raccourcit les feedback loops. Si les breeders peuvent tester moins d’hypothèses, avec une confiance plus élevée, dans des conditions environnementales réelles, alors les traits qui réduisent la consommation d’eau, les intrants chimiques ou la vulnérabilité climatique deviennent économiquement viables plus rapidement.
C’est là que l’IA cesse d’être une capacité abstraite et devient une infrastructure quelque chose qui opère dans les limites biologiques et aide à naviguer la complexité plutôt qu’à prétendre la résoudre.
Un aperçu de trois sociétés de notre portfolio actuellement en levée toutes construisant un impact réel à travers les infrastructures critiques, la mobilité et la biologie.
→ Futurail : construit la prochaine génération d’opérations ferroviaires autonomes et haute fréquence pour augmenter la capacité des trains en Europe.
→ Bubble Robotics : conçoit des robots sous-marins autonomes pour inspecter, monitorer et protéger les infrastructures océaniques critiques.
Si vous êtes intéressé par l’un de ces rounds, contactez-moi : antonin@asterionventures.com
Robots humanoïdes ou connexion humaine ? (The Conversation)
En prenant l’Optimus de Tesla comme case study, The Conversation explore ce que les robots humanoïdes révèlent de nos ambitions profondes en matière d’IA. Au-delà des gains de productivité, la vision de Musk touche à des attentes émotionnelles et culturelles : la compagnie, l’empathie et la présence sociale. L’article soutient que la forme humanoïde n’est pas seulement un choix d’ingénierie, mais un choix symbolique, brouillant la fonctionnalité avec l’intimité. Le risque central n’est pas l’échec technique, mais le déplacement social, l’externalisation du care, de la conversation et de la tolérance vers les machines. Le vrai défi de design, conclut-il, est de savoir si les systèmes d’IA remplaceront silencieusement la connexion humaine ou nous orienteront activement les uns vers les autres.
La crise de mémorisation de l’IA (The Atlantic)
The Atlantic rapporte que plusieurs modèles de langage de premier plan, dont GPT, Claude, Gemini et Grok, peuvent reproduire de longs passages de livres sous copyright sur lesquels ils ont été entraînés, contredisant des années de dénégations publiques des entreprises d’IA. Les chercheurs ont montré que, promptés stratégiquement, les modèles peuvent produire des textes quasi-complets d’œuvres littéraires majeures. Le problème, connu sous le nom de « mémorisation », remet en question l’affirmation selon laquelle les modèles apprennent simplement des patterns plutôt que de stocker du contenu, et soulève de sérieux risques légaux, économiques et réputationnels pour l’industrie. Si les modèles copient plutôt qu’abstraient, les fondements de l’IA générative, des défenses de copyright aux pratiques d’entraînement, devront peut-être être repensés.