L'essor de l'IA est tiré par deux langues : l'anglais et le chinois mandarin. Les principaux développeurs d'IA — OpenAI, Anthropic, DeepSeek, Moonshot AI, Z.ai et d'autres — sont presque tous installés aux États-Unis ou en Chine continentale, et leurs modèles fonctionnent donc le mieux dans leur langue d'origine. Conséquence : d'innombrables autres langues et dialectes, même ceux parlés par des dizaines de millions de personnes, restent au bord du chemin.

« Toute la révolution de l'IA se déroule en anglais et en mandarin », déclare Pak-Sun Ting, PDG de Votee AI, une startup hongkongaise qui s'efforce de construire des modèles d'IA pour le cantonais et d'autres langues délaissées. « Il n'existe qu'une très petite fraction qui représente les autres langues. »

Votee fait partie d'un nombre croissant d'entreprises qui tentent de remédier à la négligence de l'IA envers les autres langues. Elle prend des modèles à poids ouverts issus de développeurs comme Meta et Alibaba, les réentraîne sur des données en cantonais et vend le résultat à des banques, des universités et des services gouvernementaux. En pratique, cela compte, car les utilisateurs les plus susceptibles d'avoir besoin d'un support en cantonais travaillent souvent dans des environnements en contact avec le public, où une gestion précise de la langue locale peut affecter les opérations quotidiennes, et pas seulement la conversation informelle.

« C'est plus qu'une question de culture. Le cantonais est utilisé dans l'éducation, la santé et les communications de la police », explique Ting. « Si ces domaines ne sont pas couverts, alors l'IA est essentiellement inutile. »

En quoi le cantonais est différent

Le cantonais est souvent qualifié de « dialecte » du chinois, mais cette appellation sous-estime à quel point il diffère du mandarin, la variété du chinois la plus parlée. Le cantonais utilise une grammaire différente de celle du mandarin, ainsi qu'un vocabulaire différent — en particulier à Hong Kong, où les locuteurs alternent souvent entre mots anglais et cantonais, parfois au sein d'une même phrase.

Plus de 80 millions de personnes parlent le cantonais, soit environ autant que de locuteurs du coréen, et davantage que de locuteurs de l'italien ou du thaï. Pourtant, cette vaste base de locuteurs n'a pas produit un gisement de données écrites standardisées d'une profondeur comparable, en particulier pour le cantonais familier, ce qui aide à expliquer pourquoi les modèles généralistes peuvent sembler compétents sur des requêtes basiques tout en passant à côté des nuances nécessaires à un usage local.

Les modèles de pointe ne sont pas totalement inutiles face au cantonais. HKCanto-Eval, un ensemble de benchmarks développé par des chercheurs de l'université de Kyushu, de l'Education University of Hong Kong et de la communauté IA locale hon9kon9ize, et sponsorisé par Votee, indique que si les modèles grand public gèrent le cantonais courant à un niveau raisonnable, ils échouent régulièrement dès qu'il s'agit de connaissances culturelles et locales.

Un entraînement à moindre coût

Selon Ting, construire un LLM en cantonais revient « essentiellement à suivre les mêmes étapes que si l'on entraînait un modèle à partir de zéro » : prendre un modèle open source existant, comme Llama de Meta ou Qwen d'Alibaba, et lui faire suivre un entraînement supplémentaire avec des données en cantonais.

Votee obtient ses données en cantonais par du scraping en ligne, y compris du contenu de Radio Television Hong Kong (RTHK), le service public de radiodiffusion de la ville. La startup reçoit également des données de la communauté et des universités, puise dans le contenu de son ancienne activité d'entreprise de big data et utilise des données synthétiques, en créant ses propres jeux de données en cantonais pour entraîner son modèle.

Grâce à l'ensemble de ces efforts, le corpus de données en cantonais est passé de 100 millions de tokens à plus de 500 millions.

Les modèles de Votee AI comptent environ 70 milliards de paramètres, une taille nettement inférieure à celle des meilleurs modèles du marché. Ting affirme néanmoins qu'ils sont suffisamment performants pour comprendre et raisonner en cantonais. Plus important encore, les coûts d'entraînement de Votee, sans être négligeables, restent bien inférieurs à ceux des laboratoires de pointe. Ting estime que l'entreprise utilise entre 500 millions et 1 milliard de tokens pour entraîner ses modèles, contre des milliers de milliards pour les modèles en anglais, pour un coût d'environ 250 000 dollars.

L'IA souveraine

Plusieurs entreprises s'attachent à construire des modèles pour ce que l'on appelle les « langues à faibles ressources », c'est-à-dire celles qui ne disposent pas d'un vaste corpus de travaux publiés. Indosat, deuxième opérateur télécom d'Indonésie, développe Sahabat AI, un grand modèle de langage open source consacré aux langues indonésiennes comme le bahasa. AI Singapore, soutenu par l'État singapourien, pilote SEA-LION, qui couvre 11 langues d'Asie du Sud-Est sous-dotées en ressources. La Corée du Sud est allée encore plus loin en organisant un tournoi à élimination parrainé par l'État — surnommé le « AI Squid Game » par la presse locale — pour désigner des champions nationaux de modèles de fondation locaux, avec le soutien d'un budget IA 2026 d'environ 6,8 milliards de dollars.

Tout cela s'inscrit sous la bannière de l'« IA souveraine », autrement dit l'idée que les gouvernements et les entreprises voudront posséder leurs propres données, modèles et infrastructures plutôt que de les louer à l'étranger.

« L'IA est devenue un besoin si essentiel que l'on ne veut pas dépendre de quelqu'un d'autre qui pourrait la couper », déclare Ting. Il reconnaît volontiers que la version complète de l'idée d'IA souveraine — où les pays posséderaient chaque maillon de la chaîne d'approvisionnement de l'IA — est « très difficile ». Il suggère plutôt que les pays se concentrent sur la possession des modèles de fondation et des applications construites au-dessus.

Les gouvernements n'ont généralement pas besoin d'un modèle aussi puissant que ceux qui se situent à la frontière de la technologie pour automatiser quelques tâches ; Ting explique qu'un minuscule modèle, même doté d'à peine 1 milliard de paramètres, peut suffire. Si les gouvernements ont besoin de capacités plus avancées, ils peuvent faire transiter les résultats d'un modèle puissant en anglais ou en chinois par une sortie plus réduite, en langue locale.

Ting précise que l'entreprise travaille avec les modèles de MiniMax et SenseTime et peut utiliser des puces Nvidia dans ses opérations. « Nous pouvons utiliser des puces Nvidia, nous pouvons utiliser le modèle de Moonshot ou de DeepSeek », dit-il. « Nous sommes ce lycéen qui est ami avec tout le monde. »

Malgré tous ses discours sur la préservation, Votee est une entreprise à but lucratif. Les gouvernements et les entreprises sont les premiers clients d'un modèle d'IA dans une langue comme le cantonais ou le bahasa. Ting indique que Votee est rentable « au sens où nos revenus dépassent nos coûts », et qu'elle est financée en grande partie par des contrats clients. La startup peut désormais s'enorgueillir de compter parmi ses conseillers Allan Zeman, le magnat hongkongais qui a fait grandir le quartier de vie nocturne de Lan Kwai Fong.

Les ambitions de Votee ne se limitent pas à Hong Kong. Ting indique que la startup est en « discussions actives » avec AI Singapore, l'initiative de recherche en IA du pays, et prévoit ensuite de s'étendre davantage en Asie du Sud-Est. Au-delà, Ting souhaite explorer l'utilisation de l'IA pour protéger les langues en danger dans des régions comme l'Asie de l'Est, l'Amérique du Nord et l'Afrique.

Ting qualifie de « moment machine à écrire » ce que l'IA anglophone fait aux autres langues : un gain de productivité si important que les gens abandonnent leur propre langue pour en bénéficier. « Les gens adopteront l'anglais simplement parce que la productivité de la machine à écrire est si forte par rapport à leur propre langue », dit-il.

Reste à voir si un modèle en cantonais de 70 milliards de paramètres changera la donne. Mais Ting affirme rester animé par la volonté de donner aux autres langues une chance de lutter dans un monde dominé par l'IA en anglais et en chinois mandarin.

« Chaque langue qui disparaît, c'est une manière de voir le monde en plus qui se perd », dit-il. « On pourrait simplement la préserver dans un musée où l'on pourrait plus ou moins la voir. Mais nous pouvons aussi libérer beaucoup de sagesse nouvelle. »

Pak-Sun Ting interviendra au Fortune Leaders Forum, qui se tiendra à Macao le 8 septembre.

Cet article a été initialement publié sur Fortune.