Pourquoi les e-mails d’une compagnie aérienne en faillite valent-ils plus que ses avions

Le problème lié aux données de l’IA n’est pas ce que la plupart des gens pensent. Ce n’est pas que les modèles ont besoin de plus de mots. C’est plutôt que les mots utiles s’épuisent.

Google l’a clairement indiqué aujourd’hui en payant 10 millions de dollars pour obtenir les données internes de Spirit Airlines. Ce ne sont pas des informations sur les avions, ni les places aériennes, ni le nom du logo de l’entreprise. Ce sont des e-mails, des messages sur Teams, les modèles de tarification, les codes informatiques… Des informations que une entreprise génère pendant son propre fonctionnement, et que personne extérieur ne devrait voir.

Il y a100 millions d’e-mailsDans ce jeu de données : 500 millions de messages sur Microsoft Teams. Environ 30 millions de lignes de code logiciel. 7,2 milliards de données concernant les tarifs de vol des concurrents. Environ 7,5 milliards de données relatives aux transactions de passagers, datant de 2008. Des données sur les employés, remontant à 1986. Et des données relatives aux courbes tarifaires – les fonctions mathématiques utilisées par Spirit pour déterminer le montant, le moment et la cible de la facturation.

Ce n’est pas un corpus. Un corpus, c’est ce que l’on obtient en extraire des données d’un site web. C’est plutôt l’intérieur d’une organisation : ce qui se passe lorsque mille personnes, dans différents départements, tentent de gérer une entreprise, discutent de stratégies et prennent des décisions de prix en temps réel. Une IA entraînée sur ces données ne se contente pas de apprendre l’anglais… Elle apprend comment une entreprise pense.

La question plus intéressante est pourquoi Google avait besoin des données spécifiques de Spirit. Cela nous indique aussi les limites du matériel d’entraînement qui a déjà été utilisé.

L’an dernier, Google a payé à Reddit une somme d’environ…60 millionsPour avoir le droit d’utiliser son contenu pour entraîner des modèles d’IA. Reddit dispose de centaines de millions de posts. C’est énorme. Mais c’est un service public – ce qui signifie qu’il a une certaine structure. Les utilisateurs de Reddit disent ce qu’ils sont prêts à dire publiquement. Ils discutent, ils recommandent, ils se chamaillent. Ils ne écrivent pas d’algorithmes de tarification. Ils ne laissent pas de traces d’audit interne. Ils ne documentent pas les raisons derrière un lancement de produit ou une décision de réduction des coûts.

Les données internes de Spirit ne sont pas ces choses-là. Ce sont les informations authentiques sur la manière dont une entreprise réelle a fonctionné, échoué, et finalement s’est effondrée. Spirit a fermé ses portes en mai, en raison des coûts élevés du carburant et des échecs dans les négociations financières. L’entreprise a fait appel à la faillite, avec une dette d’environ 8,1 milliards de dollars, et environ 17 000 employés ont été licenciés. C’était le deuxième cas de faillite de Spirit en deux ans. Cette fois, il n’y a pas eu de réorganisation de l’entreprise : juste une liquidation.

Et la liquidation a donné quelque chose que le Silicon Valley désirait plus que les avions. Spirit est revenu.28 jets Airbus vers leurs propriétairesplutôt que de les mettre aux enchères. Ses 22 slots à l’aéroport de LaGuardia – des actifs qui reçoivent généralement le plus d’attention lors des faillites des compagnies aériennes – ont été vendus à JetBlue pour58,5 millionsMais une entreprise technologique a payé 10 millions de dollars pour ces données. Les places disponibles à LaGuardia valaient environ cinq fois plus, mais les données constituent une sorte d’actif différent. Les places ont une durée de vie limitée et un groupe de acheteurs unique. Les données, quant à elles, peuvent être réutilisées indéfiniment.

L’enchère était compétitive. Mercor, une entreprise qui…Recrute des personnes pour entraîner les modèles d’IA.Le montant offert était de 7,5 millions de dollars. Mercor fut désigné comme le acheteur de remplacement. Google a offert plus que cela, soit 2,5 millions de dollars. C’est un écart significatif. Mercor gagne de l’argent grâce aux expertes qui participent à l’entraînement des modèles d’IA – celles-ci corrigent les résultats des modèles. Google, quant à lui, gagne de l’argent en abordant une autre étape : non seulement les données d’entraînement, mais aussi les informations stratégiques. Ce sont des données qui contiennent des raisonnements, et non simplement des faits.

Les données seront nettoyées par un tiers avant que Google ne les reçoive. Les profils des passagers – environ 97,5 millions de ceux-ci – ainsi que les informations relatives au programme de fidélité Free Spirit ne sont pas inclus dans ces données. Google a indiqué qu’elle ne recevra pas d’informations permettant de reconnaître personnellement les personnes concernées. L’accord nécessite encore l’approbation d’un juge fédéral en matière de faillite, lors d’une audience prévue pour le 19 août.

Je pense que les données tarifaires sont ce qui rend cet accord intéressant. Les données tarifaires des concurrents, s’élevant à 7,2 milliards, combinées aux données tarifaires propres de Spirit et au historique des transactions, constituent une sorte de carte montrant comment l’industrie aérienne a réussi à fixer ses prix au cours des près de deux décennies écoulées. Ce ne sont pas les tarifs publiés sur les moteurs de recherche. C’est plutôt la logique de tarification interne de Spirit : comment elle a réagi aux concurrents, comment elle a optimisé l’inventaire des sièges, comment elle a décidé quand réduire les prix ou rester stables. C’est une sorte de connaissances qui n’existe nulle part ailleurs, du moins pas en un seul endroit.

Et cela vient d’une entreprise qui a échoué dans cette tâche ; cela signifie que le jeu de données contient aussi des erreurs. Un modèle entraîné uniquement sur des décisions de tarification réussies apprendrait à se surajuster aux succès. Un modèle entraîné sur les données de Spirit – y compris les années où le modèle à bas coût de Spirit a rencontré des problèmes liés aux coûts de carburant, à la capacité limitée et aux représailles concurrentes – apprendra donc ce qui se passe lorsque la stratégie de tarification échoue.

C’est peut-être là le véritable point. Le Internet public est rempli de personnes qui parlent des solutions qui ont fonctionné. Les archives d’e-mails d’entreprises sont également remplies de gens qui essaient différentes choses, échouent, mais écrivent tout de même à ce sujet, car on leur paie pour documenter leurs efforts.

Cet accord révèle également dans quelle direction se dirige l’industrie de l’IA. Google, OpenAI et autres ont payé pendant des années pour obtenir des données structurées – les posts sur Reddit, les articles de presse, les contenus licenciés. Ces accords sont annoncés parce qu’ils sont transparents et publics. Acheter l’archive e-mails d’une entreprise en faillite auprès du tribunal de faillite est une opération différente. Ce n’est pas aussi élégant. Il ne nécessite pas non plus de communiqué de presse de la part du vendeur. Mais cela permet d’accéder à des informations qui n’étaient pas destinées à être consommées par qui que ce soit, sauf par ceux qui les ont créées.

Qu’est-ce qui vient après « Spirit » ? Il y a des milliers d’entreprises qui ont fait faillite depuis 2008. Des milliers d’autres opèrent avec des revenus très limités, et produisent chaque jour les mêmes documents internes. Chacune d’elles représente une capsule temporelle montrant comment les personnes travaillant dans un secteur donné pensaient, décidaient… et parfois se trompaient.

La conséquence évidente est que les entreprises qui contrôlent les données corporatives les plus diverses – et non seulement les données les plus publiques – bénéficieront d’un avantage qui ne dépend pas de la puissance de calcul ou de l’architecture technologique. Il s’agit plutôt de matériel de formation qui permet de simuler des décisions réelles à grande échelle, y compris les échecs que le réseau Internet oublie parfois.

Le test est simple : si la prochaine vague de modèles d’IA est entraînée en partie à partir de données internes provenant de sociétés comme Spirit, sera-t-elle nettement meilleure pour effectuer les types de raisonnements qui nécessitent une compréhension des mécanismes réels d’une organisation – prix, stratégie, opérations ? Ou bien ce sera simplement la même chose, avec un autre nom ? Nous ne le saurons que lorsque quelqu’un comparera les résultats.