L'industrie américaine de l'intelligence artificielle s'est longtemps appuyée sur le modèle Big Data, accumulant des millions d'exemples étiquetés pour entraîner des réseaux neuronaux profonds. En parallèle, les laboratoires européens et japonais expérimentent le Small Data, combinant apprentissage non supervisé et priorisation contextuelle pour réduire la dépendance aux volumes. Cette opposition révèle deux cycles d'innovation : le premier génère des avancées massives mais coûteuses en énergie et en données, le second favorise l'adaptabilité et l'efficacité computationnelle. L'exemple des modèles de vision par ordinateur illustre ce clivage : les systèmes américains nécessitent des bases de données gigantesques pour identifier un objet, tandis que les architectures européennes s'approchent du résultat en quelques dizaines d'images. Le futur de l'IA réside probablement dans l'hybridation de ces deux voies.