Bulle de l’IA : décryptage d’un phénomène économique

L’intelligence arti­fi­cielle (IA) occupe, aujourd’hui, une place cen­trale dans les dis­cours éco­no­miques, poli­tiques et mana­gé­riaux. L’IA est pré­sen­tée comme un moteur de trans­for­ma­tion des socié­tés, un levier inédit de pro­duc­ti­vi­té et un outil de créa­ti­vi­té. Pour­tant, au-delà de l’enthousiasme tech­no­lo­gique, l’économie de l’IA demeure tra­ver­sée par de pro­fondes ambi­guï­tés, car, outre les inves­tis­se­ments mas­sifs qui témoignent de la confiance des acteurs publics et pri­vés dans son poten­tiel, les retom­bées obser­vées sur la crois­sance et la pro­duc­ti­vi­té res­tent, mal­gré tout, inégales et par­fois décevantes.

Cette ten­sion entre pro­messe et réa­li­té inter­roge les condi­tions de créa­tion de valeur dans les éco­sys­tèmes numé­riques à base d’IA. Loin de se réduire à une tech­no­lo­gie uni­ver­selle, l’IA se déploie selon des logiques sec­to­rielles, ins­ti­tu­tion­nelles et ter­ri­to­riales dif­fé­ren­ciées. Les formes d’intégration de l’IA varient selon la dis­po­ni­bi­li­té des don­nées, les com­pé­tences des acteurs et les stra­té­gies orga­ni­sa­tion­nelles. Comme l’ont déjà mon­tré dans le pas­sé les déve­lop­pe­ments de l’informatique, les gains de pro­duc­ti­vi­té ne dépendent pas uni­que­ment des per­for­mances algo­rith­miques, mais aus­si de la trans­for­ma­tion des rou­tines, des com­pé­tences et des dis­po­si­tifs de coordination.

Depuis la dif­fu­sion spec­ta­cu­laire des modèles dits « géné­ra­tifs » — ceux qui pro­duisent du texte, des images, du son ou du code —, l’intelligence arti­fi­cielle semble être deve­nue un cou­teau suisse numé­rique, capable de tout faire : rédi­ger un rap­port, géné­rer une image, com­po­ser une musique, conce­voir un plan mar­ke­ting ou même écrire du code. Avec son carac­tère « tout-en-un » l’IA appa­raît à la fois comme un outil uni­ver­sel et un levier d’automatisation et de créa­ti­vi­té généralisée.

Cepen­dant, les pla­te­formes d’IA ne se contentent pas de four­nir des outils tech­niques : elles struc­turent des mar­chés, des normes et des com­por­te­ments, par­ti­ci­pant ain­si à une redé­fi­ni­tion des rap­ports de pou­voir dans l’économie numé­rique mon­diale. On assiste à la mon­tée en puis­sance d’acteurs glo­baux qui, à tra­vers l’intégration ver­ti­cale des infra­struc­tures, des logi­ciels et des usages, orga­nisent des logiques d’enfermement tech­no­lo­gique (lock-in) qui accen­tuent les asy­mé­tries de dépen­dance entre pays, entre­prises et uti­li­sa­teurs, tout en posant la ques­tion de la sou­ve­rai­ne­té numérique.

Mais, der­rière les grands modèles mul­ti­mo­daux – cen­sés pou­voir tout faire – se déploie une éco­no­mie de l’IA de plus en plus seg­men­tée, contex­tuelle et orien­tée vers ces usages. On assiste à une ten­sion crois­sante entre deux dyna­miques. D’un côté, il se mani­feste une ten­dance à l’intégration, incar­née par les grands modèles géné­ra­listes qui cherchent à construire des pla­te­formes glo­bales d’intelligence arti­fi­cielle, capables de répondre à tout type de besoin. De l’autre côté, on observe une ten­dance à la spé­cia­li­sa­tion, por­tée par des star­tups, des labo­ra­toires ou des acteurs sec­to­riels (san­té, finance, indus­trie, droit, éner­gie, culture, etc.), qui déve­loppent des modèles spé­cia­li­sés, contex­tuels et inté­grés à des filières et chaînes de valeur spécifique.

Dans un cas, l’IA se pré­sente comme un assis­tant per­son­nel uni­ver­sel, une inter­face intel­li­gente pour tous. Mais dans l’autre cas, elle devient une brique fonc­tion­nelle, sou­vent invi­sible, inté­grée à des pro­ces­sus métiers, des outils d’analyse ou des infra­struc­tures de production.

Les deux logiques s’entrecroisent et par­fois se contre­disent. Les grands modèles d’IA sont des infra­struc­tures lourdes, coû­teuses, néces­si­tant d’énormes res­sources en cal­cul et en don­nées ; leur exploi­ta­tion repose sur des logiques éco­no­miques proches des pla­te­formes du cloud ou des éco­sys­tèmes logi­ciels inté­grés. À l’inverse, les modèles spé­cia­li­sés tendent vers une éco­no­mie d’usage, plus fine, sou­vent plus éthique et durable, mais frag­men­tée et dépen­dante des stan­dards tech­niques et des inter­faces ou API ouvertes par les grands acteurs.

L’illusion d’une pro­messe d’IA uni­ver­selle ou géné­rale s’appuie sur deux fac­teurs impor­tants. C’est d’abord la fas­ci­na­tion pour les modèles géné­ra­listes. Les “grands modèles” que consti­tuent ChatGPT, Gemi­ni, Claude, Lla­ma, Mis­tral se pré­sentent comme des pla­te­formes uni­ver­selles grâce à l’argument de la poly­va­lence et de la mul­ti­mo­da­li­té ain­si que par l’imaginaire du “tout-en-un”.

Les acteurs domi­nants de l’IA — prin­ci­pa­le­ment les grandes entre­prises amé­ri­caines et chi­noises — se carac­té­risent par une stra­té­gie d’intégration ver­ti­cale : ils contrôlent simul­ta­né­ment les couches d’infrastructure (cloud, pro­ces­seurs, réseaux), les couches d’application (outils d’IA, inter­faces) et les usages finaux. Ce modèle de « pla­te­for­mi­sa­tion sys­té­mique » leur per­met de cap­ter non seule­ment la valeur géné­rée par l’innovation, mais aus­si les exter­na­li­tés pro­duites par les inter­ac­tions entre uti­li­sa­teurs, déve­lop­peurs et pro­duc­teurs de don­nées. Ces entre­prises opèrent comme des archi­tectes d’écosystèmes, fixant les règles d’accès et de par­tage des don­nées, les stan­dards d’interopérabilité et les condi­tions éco­no­miques de participation.

Mais, l’IA est aus­si mar­quée par deux phé­no­mènes déjà ren­con­trés avec l’informatique et le numé­rique. C’est d’abord le para­doxe de Solow : on trouve de l’IA par­tout… sauf dans les sta­tis­tiques de pro­duc­ti­vi­té. Les gains éven­tuels ne concernent que des seg­ments très spé­ci­fiques et sont vites absor­bés par les inves­tis­se­ments et le déploie­ment de nou­veaux ser­vices et acti­vi­tés. L’IA ne génère de gains durables que si elle s’accompagne d’une recon­fi­gu­ra­tion du tra­vail et de la pro­duc­tion, d’une mon­tée en com­pé­tence et d’un appren­tis­sage col­lec­tif. Or, il faut du temps entre l’acquisition de tech­no­lo­gies et la capa­ci­té de savoir les uti­li­ser efficacement.

Un second phé­no­mène tient d’un effet de bulle. Il relève d’une part d’investissements mas­sifs dans tous les registres : Open AI envi­sage ain­si 10 000 mil­liards de $ d’ici 2033… tout en n’annonçant cette année que 13 mil­liards de chiffre d’affaires annua­li­sé tout en ne pré­voyant aucune ren­ta­bi­li­té jusqu’à 2030. L’importance de ces inves­tis­se­ments relève d’autre part de manœuvres finan­cières qui tournent en rond avec des accords endo­games (voir figure 1) et un nombre res­treint d’acteurs et d’entreprises enga­gés dans l’IA, s’alimentant les uns les autres.

Face aux risques d’éclatement de la bulle, les grands acteurs du numé­rique s’orientent davan­tage vers le monde de l’entreprise.  Les modèles finan­ciers B2B sont plus sains, car ne néces­sitent pas d’investissements dans la puis­sance de cal­cul pour l’inférence. Les mar­chés « entre­prise » et la numé­ri­sa­tion de l’industrie s’avèrent un enjeu plus impor­tant pour l’économie que celui du mar­ché de masse et des indi­vi­dus, pour­tant plus sou­vent évoqué.

Cepen­dant, le déve­lop­pe­ment de l’IA en entre­prise se heurte aux dif­fi­cul­tés plus géné­rales de la numé­ri­sa­tion des entre­prises elles-mêmes. Les tech­no­lo­gies s’organisent et s’entrelacent en « sys­tème » sans qu’il soit pos­sible de les iso­ler les unes des autres. Ils mêlent de façon abso­lu­ment indis­so­ciable « briques tech­niques + élé­ments d’organisation + règles de pro­cé­dures et « pro­ces­sus de mise en œuvre ». Dans leurs pra­tiques, les agents et les col­lec­tifs de tra­vail mobi­lisent simul­ta­né­ment dif­fé­rentes briques sans être en mesure d’identifier les apports spé­ci­fiques de chaque com­po­sante technique. 

La créa­tion de valeur dans le numé­rique repose sur des com­bi­nai­sons spé­ci­fiques entre res­sources tech­niques et usages éco­no­miques (voir figure 2). Il est pos­sible de dis­tin­guer  plu­sieurs  chaî­nons prin­ci­paux  inter­con­nec­tés : le maté­riel qui consti­tue l’infrastructure phy­sique (com­po­sants, infra­struc­tures, équi­pe­ments), le logi­ciel qui per­met l’exploitation de cette infra­struc­ture (sys­tèmes d’exploitation, inter­faces, outils de déve­lop­pe­ment), les don­nées qui en repré­sentent le flux infor­ma­tion­nel (col­lecte, sto­ckage, trai­te­ment), les modèles qui struc­turent la trans­for­ma­tion de ces don­nées en connais­sance ou en déci­sions (algo­rithmes, appren­tis­sage auto­ma­tique, repré­sen­ta­tion des pro­ces­sus), et enfin les appli­ca­tions, qui tra­duisent ces capa­ci­tés en usages éco­no­miques et sociaux concrets (ser­vices, pla­te­formes, usages finaux), sans même évo­quer la régu­la­tion qui fixe le cadre normatif.

La cap­ture de valeur la plus forte s’opère au niveau de la couche des modèles et de leurs appli­ca­tions. Peuvent s’y impo­ser des marges éle­vées via les licences API, les abon­ne­ments et le ver­rouillage des entre­prises uti­li­sa­trices. À un niveau moindre, Cloud et pla­te­formes béné­fi­cient aus­si de reve­nus récur­rents impor­tants par le lock‑in qu’ils peuvent opé­rer de fait de leur inté­gra­tion). Enfin, pour ce qui est des fon­de­ries et fabri­ca­tions de semi­con­duc­teurs (très capi­ta­lis­tiques, aux bar­rières à l’entrée éle­vées), four­nis­seurs de don­nées spé­cia­li­sés (mono­poles locaux ou de niche), s’ils ne cap­turent, en pro­por­tion, qu’une faible part de la valeur de l’IA, leur place reste néan­moins la plus stratégique.

Les modèles d’IA géné­ra­tive reposent sur la col­lecte mas­sive de don­nées hété­ro­gènes — sou­vent issues d’écosystèmes ouverts — puis sur leur réuti­li­sa­tion à grande échelle. Ce pro­ces­sus confère un avan­tage com­pé­ti­tif majeur aux acteurs capables d’accumuler et de trai­ter des volumes consi­dé­rables d’informations. Cepen­dant, la valeur issue de ces don­nées n’est pas uni­que­ment fonc­tion de leur quan­ti­té, mais aus­si de leur qua­li­té et de leur contex­tua­li­sa­tion. Les modèles les plus per­for­mants sont ceux qui par­viennent à arti­cu­ler grande échelle et per­ti­nence locale, en inté­grant des don­nées spé­ci­fiques à un usage, un sec­teur ou une langue.

Au-delà de la concen­tra­tion, l’économie de l’IA voit donc aus­si se des­si­ner une diver­si­té de situa­tions. Les modèles d’infrastructure se fondent sur la four­ni­ture de capa­ci­tés de cal­cul et de sto­ckage (cloud, GPU). Ce modèle, domi­né par quelques acteurs, repose sur des éco­no­mies d’échelle et de réseau. Les modèles d’application se centrent, pour leur part, sur la créa­tion de solu­tions sec­to­rielles (san­té, finance, éner­gie, édu­ca­tion) adap­tées à des besoins spé­ci­fiques. Ce modèle pri­vi­lé­gie la valeur d’usage et la proxi­mi­té client. Enfin, les éco­sys­tèmes publics et indus­triels euro­péens favo­risent des modèles de consor­tium ou de par­te­na­riat dans les­quels des entre­prises coopèrent pour déve­lop­per des solu­tions d’IA contex­tua­li­sées, mutua­li­sant les don­nées et les risques.

Ces tra­jec­toires confirment que la valeur ne se situe pas dans la tech­no­lo­gie en elle-même, mais dans la capa­ci­té à orches­trer un éco­sys­tème d’acteurs hété­ro­gènes autour d’une archi­tec­ture. L’IA devient ain­si un ins­tru­ment de struc­tu­ra­tion stra­té­gique, plus qu’un simple outil de pro­duc­tion : elle redé­fi­nit les rela­tions de dépen­dance, les sources de légi­ti­mi­té et les leviers de dif­fé­ren­cia­tion concur­ren­tielle. Plus pré­ci­sé­ment, on dis­tingue, dans les uti­li­sa­tions de l’IA, des usages por­tant soit sur les pro­ces­sus de pro­duc­tion, soit sur les pro­ces­sus de déci­sion, soit sur les méca­nismes de coopé­ra­tion, soit sur l’appui à l’innovation (voir figure 3).

Ain­si, alors que le dis­cours public sur l’intelligence arti­fi­cielle (IA) se concentre sou­vent sur la dis­rup­tion et le rem­pla­ce­ment du tra­vail humain, son effet le plus tan­gible dans la plu­part des entre­prises contem­po­raines réside dans l’amélioration incré­men­tale de la pro­duc­ti­vi­té. Dans les faits, l’IA agit comme un levier de ratio­na­li­sa­tion des pro­ces­sus, d’accélération des prises de déci­sion, de flui­di­fi­ca­tion de la coor­di­na­tion et d’enrichissement des capa­ci­tés d’innovation. Ces trans­for­ma­tions ne bou­le­versent pas néces­sai­re­ment la struc­ture de l’entreprise, mais en recon­fi­gurent pro­fon­dé­ment les modes d’efficience interne et la créa­tion de valeur. On le retrouve dans la varié­té des cas d’usage exis­tant qui fait écho à l’essor des IA ver­ti­cales et sec­to­rielles : dans la san­té, la finance, le droit, l’industrie, la défense, l’énergie, la culture… Cette varié­té tient à la spé­cia­li­sa­tion des modèles et leur ajus­te­ment aux cor­pus de don­nées et aux contraintes métiers.