Les prédictions de la Coupe du Monde deviennent un nouveau champ de bataille pour l'IA

Alors que la Coupe du Monde de la FIFA 2026 rassemble toujours plus de nations, de matchs et d'enthousiasme, une autre compétition s'intensifie en coulisses entre les principaux modèles d'intelligence artificielle (IA) chinois. Ces derniers sont en effet mis à l'épreuve pour prédire les résultats de l'un des plus grands événements sportifs au monde.

La 23e édition de la Coupe du Monde de football, qui réunit 48 équipes, est organisée par les États-Unis, le Canada et le Mexique. Elle a débuté jeudi et se poursuivra jusqu'au 19 juillet.

Plusieurs grands modèles de langage (LLM) chinois, dont Qwen, DeepSeek, Kimi et MiniMax, ont déployé des fonctionnalités de prédiction, transformant le tournoi en un nouveau terrain d'expérimentation pour le raisonnement et l'analyse de données basés sur l'IA.

« En tant que l'un des événements sportifs les plus suivis au monde, la Coupe du Monde offre aux entreprises d'IA une occasion unique de démontrer la puissance de calcul et les capacités analytiques de leurs modèles à un public plus large », a affirmé Guo Tao, membre de l'Association chinoise pour l'intelligence artificielle et expert en IA.

Plusieurs plateformes d'IA ont lancé des campagnes interactives. Par exemple, Kimi, de Moonshot AI, a mis en place une cagnotte de 1 000 milliards de jetons, permettant aux utilisateurs de partager les prix en prédisant correctement les vainqueurs des matchs et le champion final. Un jeton correspond à la plus petite unité de données traitée par les modèles d'IA.

Qwen, du groupe Alibaba, a introduit un assistant de prédiction de matchs dédié, tout en proposant des défis de prédiction entre humains et IA.

Cependant, la Coupe du Monde a également mis en évidence les limites des modèles d'IA actuels en matière d'analyse et de prédiction des résultats sportifs. Par exemple, avant le premier match du Groupe C entre le Brésil et le Maroc dimanche, les principaux modèles d'IA prédisaient une victoire du Brésil, se basant à la fois sur des données historiques et des indicateurs statistiques. Le match s'est soldé par un match nul 1-1.

M. Guo a noté que bien que l'IA peut analyser des données historiques et des modèles statistiques, elle peine encore à prédire avec précision les résultats du monde réel, notamment dans le domaine sportif.

Il a souligné que les matchs de football étaient influencés par une multitude de facteurs du monde physique, et que ces variables étaient extrêmement incertaines et difficiles à quantifier à l'aide de modèles d'IA fixes, ce qui rend les prédictions précises intrinsèquement complexes.

Les limites des modèles d'IA actuels ont également été mises en lumière par Wang Zhongyuan, président de l'Académie d'intelligence artificielle de Beijing (BAAI), lors de la conférence BAAI de cette année, qui s'est tenue la semaine dernière.

Selon lui, bien que les modèles d'IA soient de plus en plus capables de résoudre des problèmes dans le monde numérique, de nombreux défis du monde physique restent hors de leur portée. Par conséquent, la prochaine étape du développement de l'IA passera progressivement de la « prédiction du prochain jeton » à la « prédiction du prochain état physique », a-t-il ajouté.

Interrogé sur les raisons pour lesquelles les entreprises technologiques déploient des fonctionnalités de prédiction par IA pour le sport alors que le taux de précision est relativement faible, Guo Tao a avancé que cette tendance reflétait en partie la pression concurrentielle croissante dans le secteur.

« Face à l'intensification de la concurrence sur le marché des grands modèles de langage, la différenciation technologique devient de plus en plus difficile. Les entreprises cherchent donc activement de nouveaux moyens de se démarquer de leurs concurrents », a-t-il expliqué.

À mesure que la technologie de l'IA mûrit, la simple concurrence par la taille ne suffit plus, a poursuivi M. Guo. « Le marché s'intéresse moins à la taille d'un modèle, mais davantage à sa capacité à fournir des services utiles dans des scénarios concrets et à résoudre des problèmes pratiques pour les utilisateurs », a-t-il ajouté.

Hu Yanping, professeur à l'Université de finance et d'économie de Shanghai, a indiqué que les LLM et les agents d'IA étaient déjà en train d'évoluer de systèmes axés sur la conversation vers des systèmes axés sur les tâches, passant du pré-entraînement à l'apprentissage continu et à une perception plus large du monde réel.

« Les projets exploratoires, tels que les prédictions de matchs de la Coupe du monde, peuvent contribuer à accélérer cette évolution », a affirmé M. Hu. « Un cadre de capacités articulé autour de la perception, de l'interaction, de la prise de décision et de la collaboration sera essentiel aux futurs agents d'IA axés sur les tâches.