Jasjeet Sekhon pionnier académique nommé chief strategy officer chez Google DeepMind

Les grands laboratoires d’intelligence artificielle recrutent désormais leurs stratèges au croisement de la science, de la finance et de la politique publique. La nomination de Jasjeet Sekhon comme chief strategy officer (CSO) de Google DeepMind illustre ce déplacement du centre de gravité de l’IA vers des profils hybrides, capables d’orchestrer recherche fondamentale, produits et régulation.

Un profil atypique pour un poste clé chez Google DeepMind

L’annonce est passée relativement inaperçue auprès du grand public, mais elle a fait tiquer l’écosystème IA et finance : Jasjeet S. Sekhon, universitaire de renom et cadre dirigeant de Bridgewater Associates, rejoint Google DeepMind en tant que directeur de la stratégie.

Sa mission : piloter des initiatives stratégiques couvrant à la fois la recherche, la commercialisation et les enjeux de politique publique au sein du laboratoire d’IA de Google, aujourd’hui au cœur de la bataille mondiale des modèles de pointe (frontier models).

De l’université aux hedge funds, puis à l’IA de pointe

Le parcours de Sekhon tranche avec celui des dirigeants classiques de la tech :

- Universitaire de haut niveau : spécialiste de statistiques appliquées, causalité et science des données, il a enseigné notamment à l’Université de Californie, Berkeley, et a joué un rôle important dans le développement de méthodes de machine learning causal et d’inférence causale pour les sciences sociales et l’évaluation de politiques publiques.

- Expert de la rigueur méthodologique : ses travaux ont porté sur la qualité des données, la robustesse des modèles, les biais de sélection et la validité causale – des enjeux devenus centraux pour l’IA moderne, de l’entraînement des modèles à leur évaluation.

- Passage par la finance quantitative : chez Bridgewater Associates, l’un des plus grands hedge funds au monde (plus de 100 milliards de dollars d’actifs sous gestion à son pic), Sekhon a contribué à structurer et exploiter des systèmes algorithmiques de décision, dans un environnement où la moindre erreur statistique se mesure en centaines de millions de dollars.

- Convergence science–business–policy : ce mélange de culture académique, de pratique quantitative extrême et d’exposition à des environnements régulés prépare un profil rare, capable de parler à la fois aux chercheurs, aux dirigeants d’entreprise et aux régulateurs.

Ce type de trajectoire est particulièrement adapté à la mutation actuelle de l’IA : les grands modèles ne sont plus seulement un problème d’ingénierie, mais un enjeu stratégique intégrant gouvernance, monétisation et sécurité.

Pourquoi Google DeepMind a besoin d’un chief strategy officer

La création (et le remplissage) de ce poste de chief strategy officer au sein de Google DeepMind est un signal fort. Elle intervient dans un contexte de compétition féroce avec OpenAI, Anthropic, Meta et d’autres acteurs, et dans un moment où Google tente de réaffirmer son leadership après avoir été bousculé sur le terrain des modèles génératifs.

Un laboratoire au centre de la stratégie IA d’Alphabet

Depuis la fusion de Google Brain et DeepMind en 2023 sous la bannière Google DeepMind, dirigée par Demis Hassabis, le laboratoire est devenu :

- le pilier de la R&D IA de pointe d’Alphabet ;

- le moteur derrière les modèles Gemini, les systèmes de jeux (AlphaGo, AlphaZero), la biologie computationnelle (AlphaFold) et d’autres projets à forte intensité scientifique ;

- un acteur central dans les discussions de sûreté des modèles, alignement et gouvernance.

Ce repositionnement s’est accompagné d’une intégration plus serrée avec les produits Google : Gemini dans la recherche, Workspace, Android, le cloud, etc. Dans ce cadre, la stratégie ne peut plus se limiter à « publier des articles et entraîner des modèles ».

Trois fronts stratégiques à aligner

Le périmètre annoncé de Sekhon – recherche, commercialisation, politique publique – correspond à trois fronts que les laboratoires d’IA tentent désormais d’aligner :

1. Recherche

- Priorisation des ressources de calcul (GPU/TPU) sur les modèles les plus prometteurs.

- Arbitrages entre recherche fondamentale (nouveaux paradigmes) et optimisation des architectures existantes.

- Stratégie de publication : ce qui est ouvert, ce qui est gardé propriétaire, ce qui est partagé avec les partenaires.

2. Commercialisation

- Modèles économiques autour des grands modèles génératifs : API, intégration dans le cloud, offres sectorielles (santé, finance, industrie).

- Positionnement face à la concurrence : OpenAI intégré à Microsoft, Anthropic lié à Amazon et Google Cloud, Meta misant sur l’open source.

- Gestion du risque de cannibalisation interne : chaque nouvelle capacité IA peut menacer une activité existante de Google (publicité, recherche, YouTube).

3. Politique publique et régulation

- Anticipation des cadres comme l’AI Act européen, les Executive Orders américains ou les lignes directrices de l’OCDE.

- Participation aux forums multilatéraux sur les modèles de pointe (exigences de tests, reporting, audits).

- Définition de standards de sûreté, transparence, responsabilité susceptibles de devenir des références de marché.

Un CSO comme Sekhon, par sa maîtrise des enjeux statistiques et de la gouvernance des systèmes complexes, est précisément positionné pour coordonner ces trois dimensions.

Un spécialiste de la causalité dans un monde gouverné par les corrélations

Un point frappe particulièrement : la spécialisation de Sekhon en inférence causale, à rebours de la nature essentiellement corrélative des grands modèles actuels.

De la prédiction brute à la compréhension des effets

Les grands modèles de langage et vision actuels apprennent des patterns massifs dans les données sans réelle compréhension causale du monde. Les méthodes et travaux de Sekhon portent au contraire sur des questions comme :

- « Que se serait-il passé si cette politique publique n’avait pas été mise en œuvre ? »

- « Comment isoler l’effet propre d’une variable dans un système fortement confondu ? »

- « Comment corriger les biais de sélection dans des données d’observation massives ? »

Appliqué à l’IA, ce bagage permet d’aborder des sujets cruciaux :

- Évaluation rigoureuse des modèles : au-delà des benchmarks superficiels, comment mesurer l’impact réel de l’IA sur la productivité, l’emploi, la qualité des décisions médicales ou financières ?

- Atténuation des biais : quelles méthodes statistiques permettent de distinguer un biais de données d’un biais de modèle, et de les corriger ?

- Sécurité et alignement : comment concevoir des protocoles d’expérimentation pour tester les comportements adverses des modèles dans des environnements complexes ?

Le pont avec la finance quantitative

L’expérience chez Bridgewater ajoute une couche essentielle : la gestion de systèmes algorithmiques opérant en conditions réelles avec des enjeux financiers gigantesques. Cela implique :

- une culture du backtesting, de la validation croisée, du stress testing des systèmes ;

- une obsession pour la gestion du risque et l’analyse des défaillances rares mais catastrophiques ;

- une articulation fine entre jugement humain et décision algorithmique, ce qui est au cœur des débats sur l’IA générative en entreprise.

Transposé à Google DeepMind, ce type d’expertise peut influencer la manière dont les modèles sont :

- testés avant déploiement à grande échelle ;

- monitorés en production ;

- intégrés dans les chaînes de décision humaines, en particulier dans les secteurs régulés.

Un mouvement qui reflète la maturité (et la tension) du secteur IA

La nomination de Sekhon s’inscrit dans une tendance plus large : les laboratoires d’IA se structurent comme des institutions politiques et économiques, pas seulement comme des équipes de R&D.

La fin de l’innocence des laboratoires d’IA

En quelques années, les grands laboratoires sont passés :

- de structures de recherche quasi-académiques (publication ouverte, culture du partage)

- à des acteurs quasi-géopolitiques, impliquant des investissements de plusieurs dizaines de milliards de dollars, des enjeux de sécurité nationale et de régulation globale.

Dans ce contexte, les fonctions de direction évoluent :

- des CTO et chief scientists concentrés sur la performance technique ;

- vers des CSO capables d’intégrer économie, science, politique publique, perception sociale et diplomatie technologique.

L’arrivée de Sekhon chez Google DeepMind confirme que la stratégie IA ne peut plus être seulement technologique.

Pression concurrentielle et arbitrages internes

Ce choix intervient alors que :

- OpenAI, soutenu par Microsoft, revendique des dizaines de millions d’utilisateurs pour ChatGPT et une forte traction B2B ;

- Anthropic structure son offre autour de la sûreté et de partenariats cloud ;

- Meta pousse une stratégie d’ouverture avec Llama, misant sur l’effet d’écosystème.

Google, qui réalisait encore près de 60 % de ses revenus via la publicité liée à la recherche en ligne ces dernières années, doit composer avec un paradoxe :

accélérer l’IA générative sans fragiliser le cœur de son modèle économique, tout en montrant patte blanche aux régulateurs sur la sécurité, la concurrence et les données.

Un CSO expérimenté en analyse de systèmes complexes, en modélisation causale et en gouvernance pourrait être déterminant dans ces arbitrages.

Quelles implications pour la stratégie IA globale ?

L’arrivée de Jasjeet Sekhon chez Google DeepMind dépasse le simple mouvement de carrière individuel. Elle suggère plusieurs évolutions structurantes.

Vers une IA plus mesurée, quantifiée et gouvernable

D’un point de vue méthodologique, ce type de profil invite à :

- quantifier systématiquement les effets de l’IA sur les organisations et la société, plutôt que de se contenter de démonstrations spectaculaires ;

- concevoir des cadres d’expérimentation inspirés des sciences sociales et de la finance, plus proches du réel que des seuls benchmarks académiques ;

- ancrer la gouvernance de l’IA dans des méthodes statistiques robustes plutôt que dans des slogans ou des engagements volontaires flous.

Un message envoyé aux régulateurs et aux partenaires

Sur le plan politique et industriel, cette nomination envoie aussi un signal :

- aux régulateurs : Google DeepMind investit dans des profils capables de dialoguer sérieusement sur la causalité, le risque systémique et l’évaluation d’impact ;

- aux grands comptes : les offres IA ne se réduisent pas à du marketing technologique, mais s’appuient sur une culture de la mesure et de la gestion du risque ;

- aux universitaires : les grandes entreprises de l’IA sont prêtes à accorder des postes stratégiques à des profils issus de la recherche fondamentale.

À mesure que les modèles de pointe se rapprochent de domaines critiques – santé, finance, énergie, infrastructures –, ce type de profil pourrait devenir la norme plutôt que l’exception.

En creux, la nomination de Jasjeet Sekhon révèle ainsi une transition : l’ère où l’IA de pointe était pilotée avant tout par la performance technique laisse place à une phase où stratégie, gouvernance et compréhension fine des effets réels prennent le dessus. Le débat sur l’IA ne se jouera plus seulement entre ingénieurs, mais entre statisticiens, économistes, juristes, décideurs publics et stratèges capables de naviguer dans cet entrelacs. C’est précisément ce terrain que Google DeepMind prépare en plaçant un profil comme Sekhon au cœur de son dispositif.