Blogue · 59 min de lecture

L'économie de l'IA : qui empochera le profit, et qui restera avec la facture

D'ici 2030, les réseaux de neurones broieront 120 millions de milliards de jetons par mois. Vingt-quatre fois plus qu'aujourd'hui. Et ce ne sont pas les laboratoires qui conçoivent les modèles qui paieront la facture. Ce sont les entreprises qui les utilisent. Autrement dit, vous.

J'ai récemment terminé un agent IA qui décharge le propriétaire d'une petite entreprise d'une partie de sa routine quotidienne. En tant qu'économiste et architecte en IA, j'ai épluché une quantité énorme d'études, d'articles, de synthèses et d'entrevues sur la façon dont l'IA transforme l'économie, à l'échelle de l'entreprise comme à l'échelle mondiale. Aujourd'hui, presque tout ce qu'on écrit sur l'IA est soit une démonstration de ses capacités, soit une discussion sur ses risques. Je vous propose de parler de l'IA du côté de l'argent.

Histoire 1la « bulle »

Regardez ce qui se passe en ce moment.

Les uns disent : c'est la plus grande technologie du siècle. Les modèles deviennent plus intelligents chaque trimestre, les réseaux de neurones écrivent la moitié du code, et des milliers de milliards se déversent dans les centres de données et les puces.

Les autres répondent : voyons, c'est une bulle. Les entreprises brûlent des centaines de milliards, presque personne ne fait de profit, et on colle les deux lettres IA sur tout et n'importe quoi, comme on collait le mot « blockchain » il y a quelques années. À mon avis, à ce stade, les deux camps ont leur logique.

On nous disait : « Internet va tout changer : le commerce, les médias, les communications, la publicité. » Et alors? Oui, il a tout changé. Aujourd'hui, une bonne partie de l'économie mondiale n'existe que grâce à Internet : commerce en ligne, publicité numérique, services infonuagiques, diffusion en continu, technologie financière, places de marché et plateformes sociales. Sans le réseau mondial, ces marchés ne seraient tout simplement pas nés, ou seraient restés plusieurs fois plus petits.

Les principaux leviers sont pourtant concentrés entre les mains d'un groupe d'entreprises relativement restreint. Amazon fixe les normes du commerce électronique et de l'infonuagique (AWS). Google (Alphabet) contrôle la recherche et une part énorme de la publicité numérique, sans compter YouTube. Meta détient les plus grands réseaux sociaux et l'inventaire publicitaire qui va avec. S'y ajoutent Apple (l'écosystème d'appareils et l'App Store), Microsoft (le nuage Azure, les logiciels d'entreprise et l'IA), ainsi que les géants chinois Alibaba, Tencent et ByteDance (Douyin/TikTok), qui dominent leur marché et en débordent activement. Netflix et les autres services de diffusion en continu ont redessiné notre façon de consommer les médias, et des entreprises comme Shopify et Stripe sont devenues l'infrastructure de millions de petites entreprises.

Ce sont ces joueurs qui déterminent comment les gens trouvent l'information, achètent, communiquent et paient. Pourtant, ils sont loin d'avoir tous bâti l'infrastructure d'Internet dans les années 1990 : beaucoup sont arrivés plus tard et ont raflé l'essentiel de la valeur créée.

Révolution technologique et bulle financière ne sont pas des contraires. On dirait plutôt des jumeaux siamois.

1 / 6

Pourquoi? Parce qu'une technologie vraiment révolutionnaire crée les conditions idéales d'une bulle. Elle ouvre un immense espace de possibilités où personne ne comprend encore la taille réelle du marché à venir. Personne ne connaît les futurs gagnants, ne sait quels modèles d'affaires survivront et lesquels disparaîtront, ni à quelle vitesse les habitudes des gens ordinaires vont changer. Mais pour absolument tout le monde, une chose est déjà évidente : il se passe quelque chose de très gros.

Et cette énorme incertitude, le marché se met à la remplir fébrilement de ses fantasmes et de ses attentes. Une belle histoire sur l'avenir apparaît. Puis s'enclenche la bonne vieille peur de manquer le bateau, le fameux effet FOMO. Et ensuite arrive le capital.

Autrement dit, le marché a souvent raison sur la direction que prend l'histoire, et se trompe lourdement sur autre chose. En réalité, la technologie ne fait qu'élargir les possibilités. La capacité à garder des profits et à survivre, elle, dépend uniquement de choses fondamentales. Pourquoi un vrai client a besoin de votre produit, et si votre modèle d'affaires dégage la moindre marge.

Rappelez-vous l'époque où Internet commençait à peine à entrer dans nos vies. On nous disait : Internet va tout changer, le commerce, les médias, la publicité. Et alors?

OUI! Il a tout changé. La moitié de l'économie mondiale vit aujourd'hui grâce à lui seul. Mais au printemps 2000, la bulle point-com a éclaté, l'indice boursier a plongé de près de 80 %, et des milliers d'entreprises « prometteuses » se sont évaporées avec l'argent des investisseurs. Ceux qui sont restés se sont partagé les grands marchés d'une main de fer.

C'est arrivé avec les chemins de fer. C'est arrivé avec l'aviation. Un investisseur a fait une blague célèbre : si les capitalistes du début du siècle dernier avaient voulu faire de l'argent avec l'aviation, ils auraient dû abattre les frères Wright pendant leur premier vol. L'avion s'est révélé une technologie formidable. Seulement, l'immense valeur qu'il a créée n'est pas allée aux propriétaires des compagnies aériennes. Elle est allée aux passagers, aux hôtels, au tourisme, au commerce mondial. À tout le monde, sauf à ceux qui avaient mis leur argent dans les avions eux-mêmes.

Pourquoi? Parce qu'une technologie vraiment révolutionnaire crée les conditions idéales d'une bulle. Elle ouvre un immense champ de possibilités où personne ne comprend encore ni la taille du marché à venir, ni les futurs gagnants, ni les modèles d'affaires qui survivront. Mais tout le monde voit déjà qu'il se passe quelque chose de très gros. Et cette énorme incertitude, le marché se met à la remplir fébrilement de fantasmes. Une belle histoire sur l'avenir apparaît. Puis s'enclenche la peur de manquer le bateau. Ensuite arrive le capital. Le marché a presque toujours raison sur la direction. Et il se trompe presque toujours sur les délais et sur le nom des gagnants.

Voici donc la grande leçon pour votre entreprise. La technologie ne fait qu'élargir les possibilités. La capacité à garder des profits et à survivre, elle, dépend de choses ennuyeuses : 1 – « pourquoi un vrai client a besoin de votre produit » et 2 – « votre modèle dégage-t-il la moindre marge ». Tout le reste, on le décortique maintenant.

Histoire 2ici, pas de mise à l'échelle gratuite

Pour commencer, voyons ce qu'est au juste un modèle d'IA.

1 / 7

Quand vous ouvrez ChatGPT, par exemple, et que vous y tapez votre question, votre requête part vers ce qu'on appelle un LLM, Large Language Model, un grand modèle de langage. Et c'est là que ça devient intéressant. Ce modèle ne lit pas vos textes comme vous et moi. Il découpe n'importe quel texte en petits fragments : les jetons (tokens). Un jeton peut être un mot entier, un morceau de mot ou simplement un signe de ponctuation.

Au fond, ce réseau de neurones super intelligent fonctionne comme un gigantesque système de suggestion statistique, incroyablement perfectionné. Il calcule la probabilité de chaque jeton qui pourrait venir ensuite et choisit le plus approprié. Quand il reçoit votre requête, il modélise des millions de probabilités et calcule, tout simplement, qu'à 84 % par exemple, le prochain jeton devrait être tel mot.

Voilà pourquoi les modèles font des erreurs absolument enfantines. Comme ils manipulent des jetons et non des concepts mathématiques, l'IA peut rester complètement bloquée devant une simple opération sur de grands nombres, ou ne pas réussir, même au troisième essai, à compter les « r » dans le mot « transformateur ».

Alors, comment ce modèle est-il vraiment devenu si intelligent? On l'a gavé de masses astronomiques de données : des pétaoctets de livres, d'articles, Wikipédia et, au fond, tout Internet. Avec tout ça, il a appris à repérer des motifs extrêmement complexes, à saisir la grammaire et la logique de la pensée humaine.

1 / 7

Mais cet apprentissage a deux conséquences cruciales, auxquelles bien des enthousiastes préfèrent ne pas penser.

Premièrement : le modèle ne sait de notre monde que ce qui est entré dans ses données d'entraînement avant un moment bien précis, ce qu'on appelle la date limite des connaissances. Si quelque chose s'est passé hier ou ce matin, le modèle avouera honnêtement qu'il n'est pas au courant, ou bien, avec un aplomb parfait, il se mettra à compléter et à inventer. À moins, bien sûr, d'avoir un accès direct à la recherche sur Internet.

Deuxièmement : la qualité de la réponse est le miroir de votre question. Vous donnez une invite floue, vague et générale : vous récoltez du vide et des banalités. Vous donnez un contexte clair, un rôle et des consignes strictes : vous obtenez un outil de travail précis.

Enfin, dernier point. Le modèle n'a ni raison, ni opinion propre, ni émotions. Toute son empathie, sa politesse ou sa « personnalité » ne sont qu'une imitation réussie du style des textes sur lesquels on l'a entraîné.

1 / 8

Quand on travaille avec des réseaux de neurones, il faut distinguer deux processus.

Le premier, c'est l'entraînement dont on vient de parler. C'est quand des géants comme OpenAI, Anthropic ou Google dépensent des milliards de dollars pour créer les modèles fondamentaux les plus avancés, ce qu'on appelle les frontier models. Un modèle « frontière », ce n'est pas un principe de fonctionnement physique particulier. Le mot désigne simplement ceux qui se trouvent, en ce moment, à la limite des capacités intellectuelles.

Le second processus, c'est l'inférence (inference), c'est-à-dire l'exécution d'un modèle déjà entraîné. Vous envoyez une requête, le modèle calcule à la volée et produit une réponse. Et cette inférence, chaque éternuement, chaque ligne générée, vous ou votre start-up devrez la payer encore et encore.

C'est pourquoi tout un écosystème d'applications pousse aujourd'hui en un éclair autour des modèles frontières. Que font ces applications? Elles relient les capacités de l'IA aux données, aux outils et aux processus de travail. Par exemple, elles aident à écrire un programme, à analyser des documents, à traiter la demande d'un client, et ainsi de suite. Le nombre d'utilisateurs, de requêtes et d'intégrations de ces applications d'IA grimpe à toute vitesse.

Et c'est là que ça devient intéressant : à mesure que l'utilisation augmente, le coût de l'inférence grimpe exactement au même rythme effréné. La grande particularité économique de l'inférence, c'est qu'elle coûte de l'argent à chaque requête.

Dans un logiciel ordinaire, ajouter des utilisateurs ou des requêtes ne coûte presque rien. Ici, chaque réponse du réseau de neurones est un processus physique. Dans les centres de données, des milliers de processeurs graphiques se mettent en marche et exécutent des milliards d'opérations mathématiques. Chaque seconde de travail du modèle coûte de l'argent bien réel : elle consomme une énorme quantité d'électricité coûteuse, et les serveurs et les puces s'usent avec le temps et doivent être amortis.

1 / 11

Au bout du compte, la différence entre l'économie des produits informatiques traditionnels et celle des produits d'IA tient au coût de service de chaque utilisateur. Dans un logiciel classique, l'essentiel du budget de l'équipe passe dans le développement initial. Par exemple, vous créez une messagerie, vous automatisez un système ou vous lancez une application bancaire mobile. Une fois le programme prêt, servir chaque nouveau client coûte à l'entreprise littéralement quelques sous. Résultat : ce genre d'entreprise dégage des marges très élevées. Plus il y a d'utilisateurs, plus le bénéfice net augmente, puisque les coûts d'infrastructure ne bougent presque pas. C'est d'ailleurs comme ça que naissent les monopoles numériques.

Dans les applications d'IA, par contre, ce modèle familier s'effondre complètement. Chaque fois que le modèle répond à un utilisateur, écrit du code, reconnaît la parole ou exécute une étape d'agent, une puissance de calcul coûteuse tourne quelque part. Résultat : une entreprise d'IA ne profite d'aucune mise à l'échelle gratuite. Quand l'auditoire grandit d'un million de personnes, les dépenses de calcul augmentent presque en proportion et mangent une bonne partie de la marge.

Puis les agents entrent en scène. Un agent, ce n'est plus un simple robot conversationnel. Un agent, c'est un système qui utilise le modèle comme cerveau pour accomplir une mission complexe. Il planifie lui-même l'étape suivante, fait appel aux bons outils, regarde le résultat, corrige ses erreurs et continue. Le modèle ne fait que générer des réponses. Le système agentique, lui, organise autour du modèle une action complète.

1 / 4

Avec les agents d'IA, le coût de l'inférence devient encore plus visible. Par exemple, l'utilisateur peut donner une seule commande : « Analyse le marché et prépare une présentation. » Mais à l'intérieur, le système peut faire des dizaines de requêtes d'inférence : construire un plan, trouver les données, les lire, les comparer, les revérifier, rédiger le texte, le réviser. Autrement dit, l'utilisateur a fait une seule action, mais il a payé des dizaines d'opérations de calcul du modèle.

1 / 5

D'où une conclusion très intéressante pour l'économie de l'IA. Comparer seulement le prix d'un million de jetons ne suffit pas. Les dépenses sont le produit du nombre de tâches, de la consommation moyenne de ressources et du prix de ces ressources.

Prenons un exemple fictif. Le prix du jeton a baissé de 80 %, mais la consommation par tâche a été multipliée par 10. Le coût de la tâche a donc, en réalité, doublé. Mais la tâche est peut-être aussi devenue beaucoup plus utile pour l'utilisateur.

Pourquoi c'est important? Parce que ni la baisse du prix du jeton ni la hausse de la facture totale de jetons ne disent, à elles seules, si l'implantation est efficace.

Tout l'enjeu de la conception du système est triple. D'une part, que le prix du jeton reste acceptable pour ta marge. D'autre part, que le nombre de requêtes reste raisonnable et que l'agent ne génère pas 10 000 requêtes pour rien. Enfin, que tout ça se transforme en résultat qui a de la valeur pour toi. La formule est complexe. Et c'est ce qui distingue les modèles d'affaires de l'IA du logiciel traditionnel ordinaire.

D'où un effet intéressant sur la monétisation des applications. Si vos dépenses dépendent directement de la quantité de calcul que fait le réseau de neurones, vendre à vos clients un accès illimité contre un abonnement fixe semble très risqué.

1 / 6

Imaginez deux clients avec exactement le même abonnement, disons 20 $ par mois. Le premier est un développeur tranquille, discret. Deux fois par semaine, il se connecte au service et demande où il s'est planté dans son code. Le servir coûte quelques cents à l'entreprise.

Le second est un fan d'automatisation sans complexe. Tous les jours, il fait tourner à plein régime un agent qui laboure pendant des heures l'architecture du projet, lance des centaines de tests et réécrit des milliers de lignes.

Les deux clients vous rapportent exactement 20 $ chacun, mais leur coût de service ne diffère pas de quelques pour cent : il est des centaines de fois plus élevé pour l'un que pour l'autre. Surtout si l'agent se met à travailler en autonomie. Pendant que l'humain boit son café ou dort carrément, le réseau de neurones brûle des heures coûteuses, et c'est vous qui les payez.

C'est là que s'effondre le modèle d'abonnement classique. Vendre un accès illimité à l'IA pour un montant fixe, disons 20 $ par mois, c'est un suicide financier pour le modèle d'affaires. Les services changent donc leur monétisation en vitesse. Par exemple, Cursor vend un environnement de développement pratique, mais y intègre des limites et des frais supplémentaires pour une utilisation intensive des modèles. Ou un service comme ElevenLabs, qui travaille avec la voix et les avatars numériques : il vend des forfaits de crédits. Tu n'achètes pas de l'illimité, tu achètes un nombre précis de minutes ou de caractères de génération audio.

Cela dit, le bon vieil abonnement ne disparaît pas complètement. Mais il faut maintenant le concevoir beaucoup plus soigneusement, en gardant toujours un œil sur le coût réel.

Ce que comprend exactement le forfait, où passe la limite stricte, combien coûte le dépassement et quel bénéfice réel le client en tire.

1 / 4

Plus encore, le sens même de la croissance des revenus change complètement. Dans un logiciel ordinaire, sur chaque dollar encaissé, environ 70 cents restent à l'entreprise pour le marketing, les salaires et le développement. Dans les applications d'IA, c'est souvent autre chose : sur chaque nouveau dollar de ventes, 80 à 90 cents partent chez le fournisseur du modèle, pour les appels et la puissance de calcul. Une entreprise peut faire grimper son chiffre d'affaires rapidement tout en ne gagnant presque rien.

Avec les agents, le tableau se complique encore. Un agent n'a pas besoin que vous soyez assis devant l'écran. Vous lui confiez une tâche, le soir vous fermez votre portable et vous allez vous coucher, et lui travaille seul toute la nuit : il fouille les bases de données, étudie le marché, écrit du code, lance des tests, corrige les erreurs, trie les courriels et fait approuver des documents. Le matin, le résultat vous attend.

Pour ceux qui louent de la puissance de calcul, c'est commode : les serveurs tournent 24 heures sur 24. Pour votre modèle d'affaires, c'est un risque : le coût de tous ces appels nocturnes retombe sur l'économie de chaque client et peut vite manger le profit.

Histoire 3Qui est qui dans la nouvelle économie de l'IA : puces, infrastructure, modèles et applications

Vous savez ce qui change tout dans cette histoire? Le client se fiche des jetons. Le client paie pour une tâche accomplie. Les jetons, c'est comme un compteur d'essence. Il montre ce que vous avez consommé. Il ne montre pas si vous êtes arrivé. Il faut donc distinguer quatre rôles différents dans l'économie de l'IA. À chaque niveau, l'argent et les risques se répartissent autrement.

1 / 11

D'un côté, il y a les fabricants de matériel, c'est-à-dire de puces. Ce sont Nvidia, Broadcom et les fabricants de mémoire spécialisée. Ils vendent les « pelles » de la ruée vers l'or : ces fameux accélérateurs sur lesquels tout s'entraîne et tourne.

De l'autre, il y a l'infrastructure. Ce sont les fournisseurs infonuagiques : Microsoft Azure, Amazon Web Services, Google Cloud, Oracle et d'autres. Il y a aussi des services très spécialisés pour exécuter les modèles, comme Together AI. Ils achètent le matériel, construisent des centres de données gigantesques et louent la puissance de calcul.

Troisième acteur : les concepteurs des modèles les plus avancés, OpenAI, Anthropic et d'autres.

Quatrième niveau : les créateurs d'applications. Par exemple, Cursor pour la programmation, ElevenLabs pour le travail sur la voix, des applications de recherche dans les connaissances internes des entreprises, Harvey pour les juristes, et ainsi de suite.

Tout le truc, ici, c'est que l'argent et les risques fonctionnent autrement à chaque niveau. Nvidia encaisse ses milliards dès la vente de la puce. Le fournisseur infonuagique qui a acheté cette puce compte récupérer sa mise seulement après quelques années de location. Et le créateur d'application doit retenir ses clients chaque mois pour qu'ils continuent de payer leur abonnement.

C'est pourquoi les profits records de Nvidia ne veulent pas du tout dire que les acheteurs de ses puces rentabiliseront un jour leurs investissements. Ils disent une seule chose : le matériel est en demande, là, maintenant.

On accuse souvent Nvidia de gonfler la bulle. La demande pour ses puces n'existe que tant que tout le domaine de l'IA se développe. Elle finance donc ses partenaires et leur accorde des prêts, pour qu'avec cet argent ils achètent ces mêmes puces Nvidia. En économie, on appelle ça le financement circulaire, et bien des économistes y voient un signal inquiétant. Mais pour l'instant, personne ne peut rien y faire.

1 / 4

La grande question économique est la suivante : la demande réelle, solvable, suivra-t-elle l'ampleur énorme des investissements qui se déversent en ce moment dans l'infrastructure?

En ce sens, l'économie actuelle de l'IA ressemble beaucoup à la construction des chemins de fer. Il faut d'abord poser les rails, investir un capital énorme, construire les gares, les ponts, les tunnels et le matériel roulant. Ce n'est qu'ensuite que suffisamment d'activité économique se met à circuler sur ce réseau : ces fameux trains remplis de passagers qui ont acheté leur billet.

Warren Buffett a fait une blague célèbre : si les capitalistes du début du XXe siècle avaient vraiment voulu faire de l'argent avec l'aviation, ils auraient dû abattre les frères Wright pendant leur premier vol. Bien sûr, le problème n'est pas que l'avion se soit révélé une mauvaise technologie. Au contraire, il s'est révélé formidable. Mais l'immense valeur créée par l'aviation est allée moins aux propriétaires des compagnies aériennes qu'aux passagers, aux constructeurs d'avions, aux hôtels, au tourisme et au commerce mondial. Bref, à tous ceux qui ont eu la possibilité de se déplacer à travers le monde.

On peut dire la même chose de l'IA. Même si l'IA devient une infrastructure aussi importante que l'électricité, les chemins de fer ou les avions, il ne s'ensuit pas du tout que les entreprises d'IA deviendront automatiquement les plus rentables de l'histoire.

Ici surgit une autre question importante : et si les modèles eux-mêmes devenaient peu à peu une simple marchandise? Ça ne veut pas dire que tous les modèles sont pareils ni qu'on n'en aura plus besoin. Ça veut dire une seule chose : pour la plupart des tâches, l'acheteur pourra choisir entre plusieurs options assez bonnes, et il se mettra à les comparer plus scrupuleusement sur le prix, la vitesse et la facilité d'accès.

Apparaît alors un scénario désagréable pour les concepteurs de modèles. La technologie devient plus utile, on s'en sert plus souvent, mais maintenir un prix élevé devient très difficile. Ça ressemble à la situation des compagnies aériennes : des investissements énormes, une production complexe et une lutte constante pour remplir les capacités. C'est une évolution possible, pas la preuve que tous les laboratoires d'IA finiront forcément avec de faibles marges.

Le principal signe que les modèles deviennent une marchandise, ce n'est pas le bas prix en soi. C'est le moment où le client dit : « Pour ma tâche, il n'y a presque pas de différence. Je vais prendre le moins cher. »

C'est là que l'économie bascule. Les capacités technologiques continuent de croître, mais la capacité à faire de l'argent grâce à son caractère unique se réduit. C'est le principe du « c'est déjà bien assez ». Si vous sentez que le modèle actuel fait déjà le travail, vous n'avez aucune raison d'acheter le nouveau et de payer plus cher.

1 / 8

La hausse de l'utilisation compense-t-elle à temps la baisse du prix? Si le prix a baissé, disons, de 80 %, l'entreprise doit vendre cinq fois plus pour retrouver le même revenu. Mais chaque requête supplémentaire doit aussi être servie. Un volume multiplié par cinq ne garantit donc pas encore le maintien du profit.

Pour simplifier, toute l'économie de l'IA dépend de trois choses : à quelle vitesse le prix baisse, à quelle vitesse le coût de revient diminue et à quelle vitesse l'utilisation payante augmente. Ce sont les trois grands leviers.

Si le coût de revient baisse plus vite que le prix, l'entreprise peut gagner davantage même avec des tarifs plus bas. Si le prix baisse plus vite que le coût de revient, la hausse de la demande doit compenser la baisse du gain sur chaque opération.

C'est pourquoi une croissance impressionnante du nombre de requêtes traitées ne dit pas, à elle seule, combien d'argent reste au fournisseur du modèle une fois tout le travail fait. Voyez la conclusion qui découle de cette idée : la concurrence s'intensifie d'abord pour les usages de masse. Pour compenser la baisse du prix, il faut se battre pour l'utilisateur de masse et pour les tâches d'affaires courantes, là où il faut allier une qualité suffisante à un coût acceptable pour un usage répété.

Histoire 4Est-il rentable d'acheter l'accès par API, et où se crée la vraie valeur

Il y a les entreprises qui conçoivent les modèles d'IA les plus avancés : OpenAI, Anthropic, Google et d'autres. Elles investissent des sommes énormes dans la recherche et l'entraînement, réunissent des équipes solides et s'assurent l'accès à de grandes capacités de calcul. Ensuite, elles donnent à d'autres entreprises l'accès aux capacités de leurs modèles par API.

Voilà le point de croissance : une masse de nouvelles start-ups poussent en ce moment comme des champignons après la pluie… environ 90 % d'entre elles sont des applications d'IA pour toutes sortes de tâches. Ces applications envoient une requête, le modèle la traite sur les serveurs d'un OpenAI quelconque et renvoie le résultat. Pour une start-up, ce modèle abaisse radicalement la barrière à l'entrée. Le modèle le plus avancé devient un simple bloc de construction de base.

  • Vous ne construisez pas votre propre centre de données, vous prenez le nuage.
  • Vous n'entraînez pas un modèle à partir de zéro, vous payez l'API à l'usage.

En une semaine ou deux, on voit si les clients ont besoin d'un tel produit. Oui, aujourd'hui, au lieu de bâtir une énorme infrastructure pour leur idée ou leur service, les start-ups testent leur hypothèse sur un vrai client.

Autrefois, le nuage a permis aux entreprises de lancer des services sans acheter leurs propres serveurs. Aujourd'hui, l'accès à des modèles prêts à l'emploi permet de créer des produits sans entraîner son propre modèle. Vous louez en fait ses capacités : vous envoyez une requête et vous payez à l'usage. Au début, c'est souvent rationnel. Au lieu de gros investissements dans votre propre modèle, vous payez à l'usage et vous vérifiez vite votre hypothèse. La tâche principale d'une start-up, c'est de valider l'idée avec le moins de moyens possible et en peu de temps.

Les modèles les plus avancés produisent quelque chose d'important : ils réduisent le coût des essais et de l'entrée sur le marché. Ils permettent à des milliers d'entreprises d'expérimenter. C'est l'un des mécanismes par lesquels une technologie fondamentale crée un marché autour d'elle. Mais ensuite apparaît un effet intéressant. Quand vous commencez à grandir et à calculer la vraie économie, la question « quel modèle est le plus intelligent » cesse d'être la principale. Une autre question passe au premier plan, cruciale pour l'entreprise : comment faire pour que l'économie du produit tienne la route?

1 / 4

Pour une entreprise, l'indicateur qui compte, c'est la marge brute : ce qui reste après les coûts directs de la prestation. Si vous vendez un service 10 $ à un client et que vous donnez tout de suite 8 $ de ces 10 $ à OpenAI ou à Google pour l'API, vous avez peut-être un excellent produit, mais une mauvaise entreprise. Vous devenez un intermédiaire qui achète de l'intelligence en gros, l'enveloppe dans un bel emballage et la revend au détail. Plus vous grandissez vite, plus vous devez brûler l'argent des autres pour financer cette croissance.

Ça touche tous les modèles d'affaires à faible marge brute. Là où les coûts variables sont nombreux (livraison, coursiers, etc.), il est très difficile de bâtir un modèle durable. Ces marchés finissent souvent avec un ou deux grands joueurs. Les autres ne survivent pas.

Comment contourner cet obstacle? Il faut faire au client une autre promesse. L'utilisateur se fiche du nombre de jetons qu'il a dépensés. Il paie pour une tâche accomplie.

Oui, un agent autonome peut dépenser 10 fois plus de jetons qu'un simple robot conversationnel. Mais si, au lieu d'une réponse toute faite, il a écrit lui-même une application qui fonctionne, trouvé une erreur critique dans le code ou mené une étude de marché, la valeur perçue de ce résultat bondit.

L'indicateur principal, c'est le coût d'obtention d'un résultat réussi. Les jetons ne sont qu'un compteur de consommation de calcul. Ils montrent combien d'« essence » on a brûlée, mais ne disent pas si vous êtes arrivé à destination.

Et regardez autour de vous. Les entreprises qui utilisent déjà activement les LLM se heurtent, en début de parcours, à un problème : un modèle ouvert bon marché peut se révéler terriblement cher si, après lui, quelqu'un doit passer trois heures à réécrire le texte. Et un modèle cher devient manifestement rentable s'il règle la tâche de façon fiable du premier coup.

Les clients peuvent être prêts à payer davantage, parce que l'IA cesse d'être une simple barre de recherche évoluée ou un générateur d'images. Elle se met à régler des problèmes complexes. Tant que ChatGPT n'était qu'un outil commode pour résumer, sa valeur économique restait limitée. Mais dès qu'apparaissent des outils qui remplacent cinq heures de travail d'un analyste qualifié, on parle d'une tout autre somme et d'une tout autre valeur.

Si le système a dépensé 10 $ de calcul pour une tâche, est-ce cher ou pas cher? S'il a écrit trois paragraphes banals, oui, c'est cher. Mais s'il remplace le travail d'un analyste financier payé 3 000 à 4 000 $ par mois, c'est un équivalent très avantageux.

Quand le coût d'obtention d'un résultat utile baisse grâce à l'optimisation, et que la qualité et la valeur augmentent, l'économie du produit d'IA finit par tenir la route. Une entreprise qui, hier encore, semblait douteuse à cause du coût du calcul se met à afficher de bonnes marges.

Histoire 5Comment naissent les bulles technologiques : l'écart entre les attentes et l'économie réelle

D'où viennent alors les bulles financières? Une bulle ne se forme pas seulement parce que les investisseurs surestiment la vitesse à laquelle baisse le prix du matériel ou des jetons. Elle naît d'un écart gigantesque entre la valeur attendue et la valeur réelle du résultat.

À quoi ressemble ce piège des attentes gonflées?

D'abord, le battage et la peur de manquer le bateau créent une illusion. Le marché évalue les entreprises d'aujourd'hui comme si, dès demain, l'agent devenait un employé autonome. Vous lui donnez la tâche « augmente les ventes de 20 % », il fait tout parfaitement, et l'entreprise économise des millions en personnel. En pratique, pour les tâches complexes et lourdes de conséquences en droit, en médecine, en finance ou en développement, le modèle livre encore un résultat de stagiaire à l'imagination fertile.

Ensuite, il y a un coût caché : le coût du contrôle. Pour transformer la réponse brute du réseau de neurones en résultat qu'on peut remettre à un client sans rougir ou intégrer au travail, l'entreprise doit mettre un spécialiste qualifié à la tâche : il revérifie, peaufine et corrige les erreurs. Si le travail du modèle a coûté 2 $ et qu'ensuite un expert a passé 2 heures à vérifier et à corriger, le coût réel est énorme, et l'économie ne tient pas.

On bute sur la différence fondamentale entre « fait vite » et « a créé ce qu'il fallait ». Un réseau de neurones peut générer en 5 secondes un rapport de 10 pages ou 500 lignes de code. C'est impressionnant. Mais si personne ne lit le rapport et que le code contient une faille cachée qui fera tomber le système dans un mois, la valeur économique de ce résultat est nulle, voire négative.

1 / 3

Le cœur de la bulle, c'est la surévaluation du résultat utile et fini, au stade actuel. Le marché tient pour acquis que l'IA livre déjà un résultat de spécialiste chevronné, fiable à 95 %. La réalité dit qu'elle livre un résultat de junior, fiable à 70 %, et que les 30 % d'erreurs restants peuvent coûter à l'entreprise sa réputation ou ses profits.

Nous sommes-nous trompés en croyant que l'IA apprendra un jour à livrer un résultat utile et irréprochable? Elle y arrivera sans doute. Mais le marché a déjà payé aujourd'hui des milliers de milliards de dollars pour cet avenir, en comptant que l'employé idéal arrivera demain matin. Quand on découvre qu'il faut encore plusieurs années de réglage des processus, de tests et de pertes avant d'obtenir un résultat fiable, la capitalisation de bien des produits surévalués va inévitablement baisser.

La grande question qui préoccupe les analystes en ce moment : la vitesse à laquelle cet avenir arrivera. Le marché n'évalue pas la technologie d'aujourd'hui, mais l'attente de ce qu'elle deviendra demain. Si le coût de revient est vraiment divisé par 10 en deux ans, avec un résultat utile et stable, tant mieux. Mais que se passe-t-il si la capitalisation des entreprises suppose déjà des prix divisés par 100 ou par 1 000? Ou si le client ne se met à payer généreusement que dans 10 ou 20 ans, alors que les prêts des centres de données doivent être remboursés dès ce mois-ci? C'est exactement comme ça que naît la dynamique d'une bulle.

Les bulles technologiques les plus intéressantes sont celles où l'on se trompe de moment. Le marché de l'époque point-com ne s'est pas trompé en pensant que le commerce électronique deviendrait une affaire gigantesque. Il s'est simplement trompé sur la vitesse à laquelle ça arriverait. Les investisseurs ne se sont pas trompés en pensant qu'Internet changerait toutes les affaires dans le monde. Ils se sont trompés en croyant que n'importe quelle entreprise avec le suffixe « .com » méritait une valorisation d'un milliard, tout de suite.

La règle principale de ces révolutions : le gagnant n'est presque jamais l'entreprise qui a été le symbole éclatant de la première bulle.

Toute la valeur économique réelle, elle, a été raflée par de tout autres joueurs, arrivés plus tard ou qui ont su se réorienter à temps : Google, Amazon, Meta, Netflix, les fournisseurs infonuagiques.

Une bulle financière peut interpréter l'avenir tout à fait de travers et se tromper complètement sur ceux qui finiront par en être les maîtres.

Histoire 6Modèles compacts, spécialisation et agents d'IA : comment réduire les coûts et créer un avantage concurrentiel

Voici trois grands constats pour survivre dans l'économie de l'IA sans se ruiner.

Premier constat : les modèles ouverts réduisent souvent les coûts de 70 à 90 %, mais demandent du travail d'ajustement.

Bien des analystes notent que les modèles ouverts n'ont aujourd'hui que quelques mois de retard sur la couche la plus avancée (par exemple, ChatGPT ou Claude). Et leur exploitation coûte de 70 à 90 % moins cher. La logique est simple : pourquoi payer le « cerveau » d'élite d'un modèle phare si vous avez seulement besoin de trier les demandes adressées au soutien technique?

Vous prenez un modèle ouvert, vous faites ce qu'on appelle un post-entraînement sur vos propres données réelles et vous transformez une intelligence générale qui appartient à d'autres en une intelligence à vous, très spécialisée.

N'attendez pas « le prochain modèle ». Il ne réglera pas votre problème

Tout le monde parle des nouveaux modèles : « Quand GPT-6 va sortir, tout va fonctionner. » En réalité, les géants ont déjà dépensé des milliards pour créer un cerveau universel. Il connaît la langue, le code et le fonctionnement général du monde. C'est la fondation. Elle existe déjà. Ce qui vous rend plus fort que vos concurrents, ce n'est pas la fondation. C'est le plafond. La différence est simple

1 / 7

Le pré-entraînement, c'est quand des entreprises brûlent des milliards pour créer un modèle universel qui « en sait un peu sur tout ».

Le post-entraînement (l'ajustement fin), c'est quand vous prenez ce modèle tout fait et que vous le peaufinez pour vos tâches, vos risques et vos critères de qualité.

Imaginez : il vous faut une excellente voiture de taxi dans votre ville. Vous pouvez attendre que quelqu'un sorte « la voiture parfaite du futur ». Ou prendre une bonne voiture de base et l'adapter : la logique des trajets dans votre ville, la façon de parler aux clients, les règles pour traiter les plaintes, les particularités des routes et des lois locales. La deuxième option est en général plus rapide et moins chère. C'est pareil avec les modèles.

Quand l'ajustement fin a du sens, et quand il n'en a pas

Le conseil est simple : ne restez pas assis à attendre le prochain modèle « révolutionnaire ». Prenez un bon modèle de base ouvert et peaufinez-le jusqu'à la perfection, précisément sur vos tâches. Mais il y a une nuance. L'ajustement fin et son entretien coûtent aussi de l'argent. Donc :

Au début, il est presque toujours plus avantageux d'acheter simplement l'accès à un service tout fait.

Entraîner davantage votre propre modèle n'a de sens que lorsque les économies réalisées sur des millions de tâches répétitives dépassent les coûts de développement et d'entretien.

Si vous traitez 50 demandes par jour, une solution toute faite suffira sans doute. Si vous avez 50 000 documents ou demandes du même type par mois et qu'une erreur de 2 % vous coûte de l'argent bien réel, là, ça vaut la peine de calculer.

La grande question que l'équipe doit savoir poser

Pas « quel modèle installer », mais plutôt :

Où un raisonnement de meilleure qualité change-t-il vraiment le résultat, et combien sommes-nous prêts à payer pour ça? Voici trois situations typiques :

Extraire des champs d'un document (facture, contrat, demande). Un modèle rapide et bon marché suffit souvent. Une erreur ici est rarement critique, et on peut la revérifier.

Préparer l'ébauche d'une réponse ou d'une lettre. Ici, le style et la précision des formulations comptent davantage. On peut prendre un meilleur modèle.

Analyser un cas client ambigu (plainte, situation litigieuse, demande complexe). Ici, une erreur coûte cher : réputation, argent, temps. C'est là qu'il vaut la peine de payer pour un raisonnement plus solide ou un modèle ajusté.

Le choix du modèle cesse d'être un réglage technique. Il devient une décision de gestion et de produit :

La consigne « on utilise toujours le meilleur » ne répond pas à cette question. Elle ne fait que brûler le budget.

Deuxième constat : ce n'est pas l'intelligence la plus brillante qui gagne, c'est le meilleur « harnais » (harness).

Le choix du modèle n'est plus depuis longtemps un réglage technique, c'est une décision de gestion. Vous avez plusieurs critères importants : la qualité, le prix et le délai de réponse.

1 / 3

Imaginez un agent qui évalue des entreprises. Dans un produit, le modèle réinvente à chaque lancement l'ordre de l'analyse, lit tous les documents et calcule les indicateurs. Dans un autre produit, l'ordre des étapes est déjà fixé : du code ordinaire récupère les données et calcule les ratios, le modèle analyse seulement les renseignements ambigus, et des vérifications repèrent les oublis. Le client reçoit l'analyse dont il a besoin, mais le volume de travail payé au modèle peut varier considérablement.

Troisième constat : l'architecture d'un produit d'IA moderne, c'est un ensemble.

Les ressources coûteuses, seulement là où elles changent le résultat

L'erreur la plus coûteuse dans les systèmes d'IA, ce n'est pas quand le modèle se trompe.

C'est quand vous avez envoyé une tâche simple à un modèle cher. Ou une tâche complexe à un modèle bon marché. Imaginez le traitement de contrats.

1 / 4

Un modèle rapide et bon marché peut déterminer le type de document.

Extraire les clauses standard : un modèle plus petit, ajusté spécialement pour vos gabarits.

Démêler une contradiction ou une ambiguïté inhabituelle : un modèle déjà plus puissant.

Et la décision d'accepter ou non un risque juridique revient à un humain.

Voilà un flux de travail normal. Pas « un seul modèle intelligent pour tout », mais une répartition précise des tâches. Les ressources coûteuses n'entrent en jeu que là où elles pèsent de façon critique sur la qualité du résultat. Tout le reste se fait plus vite et à moindre coût. Si le système envoie un travail simple à un modèle cher, vous payez tout simplement trop.

S'il envoie un travail complexe à un modèle pas assez fiable, l'économie se dissout dans les reprises, les corrections et les conséquences de l'erreur. La meilleure option économique est toujours la même : celle qui fait le travail précis avec la fiabilité voulue et un coût total acceptable. L'avantage ne vient pas du nombre d'agents, mais de la précision avec laquelle vous répartissez le travail entre eux.

Mais il y a une question plus importante que l'aiguillage

Même un flux parfaitement réglé ne sert à rien si vous ne savez pas ce que « bien » veut dire pour vous.

1 / 10

Prenons la transcription des conversations entre médecin et patient. Une fonction ordinaire de « voix vers texte » optimise une seule chose : le minimum d'erreurs dans les mots. Pour un produit médical, ça ne suffit pas. Une coquille dans une préposition, c'est un détail. Mais une erreur de dosage, ou « aucune allergie » écrit au lieu de « allergie présente », c'est déjà une poursuite potentielle. L'entreprise ne se contente donc plus de recueillir des données : elle construit une fonction d'utilité. Celle-ci répond à une question simple : qu'est-ce qui compte exactement pour nous comme un bon résultat dans ce scénario? Pour une entreprise, ça peut être : réduire de 70 % le temps de remplissage des dossiers sans laisser passer d'erreurs médicales critiques.

Pour une autre (un assureur, par exemple) : extraire le plus précisément possible les diagnostics, les actes et les codes pour calculer le remboursement. La conversation de départ avec le médecin est la même. Le modèle de base peut être le même. Les données se ressemblent. Mais la notion de « bon résultat » est complètement différente.

Les evals, c'est déjà un actif stratégique

Pour que la fonction d'utilité fonctionne, il faut la traduire en vérifications concrètes. Pas un vague « travaille bien », mais un ensemble de critères clairs qui permettent de distinguer le bon comportement du modèle du mauvais. C'est ça, les evals : un système d'évaluation.

Deux entreprises d'un même marché peuvent utiliser le même modèle de base et avoir des données semblables, mais définir de façon complètement différente ce qu'est une bonne décision. Une banque a son appétit pour le risque et ses normes, une autre a les siens. Des evals spécifiques deviennent le savoir formalisé de l'organisation sur la façon dont le travail doit se faire, ici précisément.

C'est là que se forme le vrai avantage concurrentiel. Si votre produit a recueilli pendant des années des signaux sur les erreurs qui comptent et celles qui ne comptent pas, sur ce que les utilisateurs considèrent comme un bon résultat, et qu'il a systématiquement transformé cette rétroaction en amélioration, il se crée un écart difficile à rattraper.

Il s'est passé la même chose avec la recherche en ligne. Au début, presque n'importe qui pouvait faire son moteur de recherche. Mais Google n'a pas pris l'avantage grâce à une ligne de code secrète. Il l'a pris parce que l'utilisation du système générait sans cesse des signaux : ce que les gens cherchent, sur quoi ils cliquent, quel résultat se révèle pertinent. Ce genre de boucle est très difficile à reproduire. Un concurrent ne doit pas simplement copier le produit : il doit reproduire l'histoire des interactions du produit avec le marché.

La même chose se produit aujourd'hui avec les produits d'IA. Ce n'est pas celui qui a « le modèle le plus intelligent » qui gagne. C'est celui qui comprend le plus précisément ce que « bien » veut dire pour sa tâche, et qui sait le mesurer et l'améliorer de façon systématique.

Histoire 7La grande peur des start-ups d'IA : être avalées par la plateforme

Tant que vous êtes petit, vous construisez avec enthousiasme un beau service par-dessus l'API de quelqu'un d'autre. Vous dépensez l'argent des investisseurs, vous cherchez votre public, vous tâtonnez jusqu'à trouver un usage gagnant, par exemple la vérification automatique de contrats juridiques. Autrement dit, vous prouvez à tout le monde que le marché existe.

Ensuite surgit un risque classique, qu'on appelle platform envelopment, l'enveloppement par la plateforme. D'abord, la plateforme (OpenAI, par exemple) vous aide à bâtir votre entreprise. Puis elle découvre que ce que vous faites par-dessus elle a assez de valeur pour l'intégrer à son propre produit. Le modèle de base d'OpenAI ou de Google devient un peu plus puissant, et la plateforme ajoute, directement dans son système, un petit bouton « Analyser les risques du contrat ». Et c'est tout. Votre entreprise, qui n'était qu'un bel emballage autour de l'API d'un autre, s'évapore.

C'est exactement la même histoire que lorsque Apple ou Microsoft ont tué des dizaines d'utilitaires tiers avec une fonction intégrée au système d'exploitation. Ce risque est particulièrement intéressant, parce que la technologie fondamentale élargit elle-même ses capacités. Aujourd'hui, les modèles frontières savent écrire du texte. Demain, ils analysent déjà assez bien des documents. Ensuite, ils savent utiliser un navigateur, travailler avec des fichiers et exécuter seuls un processus en plusieurs étapes. Chaque nouveau bond de capacités risque de manger une partie de la couche d'applications construites sur ces modèles.

Le marché de l'IA est une frontière mobile. Et elle écrase vite ceux qui se sont contentés d'emballer joliment le modèle d'un autre

Si toute votre valeur consistait à prendre un modèle de base, à y ajouter une belle interface et à vendre l'accès, l'espace entre la plateforme et l'utilisateur devient de plus en plus mince. Les plateformes avancent elles-mêmes vers l'utilisateur. Ce qui était un produit hier devient une simple fonction aujourd'hui. Pour rester sur le marché, vous devez avoir ce que la plateforme universelle n'aura jamais. Pas « une invite un peu meilleure », ni « un agent de plus ». Quelque chose qu'on ne peut pas copier rapidement. Ce qui protège vraiment une entreprise :

1 / 6

Des données fermées, que les réseaux publics ne peuvent pas atteindre.

Un processus spécifique, déjà intégré à la routine quotidienne du client, et sans lequel il ne voit plus comment travailler.

Une intégration profonde aux logiciels d'entreprise, aux bases internes et aux systèmes de travail.

La distribution : des canaux directs où vous êtes déjà installé et où un concurrent paierait cher pour entrer.

L'expérience accumulée de centaines de milliers d'opérations et de scénarios réels, déjà transformée en compréhension de ce qui marche et de ce qui ne marche pas.

Votre propre modèle spécialisé, taillé pour une tâche précise dont l'économie est claire, et non « pour tout ».

Tout le reste est temporaire. Le portrait de la concurrence change donc en profondeur. Laissons de côté les débats du genre « qui a le modèle le plus intelligent » ou « qui a le meilleur score aux bancs d'essai ». Ce n'est plus là que ça se joue. Le vrai avantage ne se trouve plus en un seul point. Il est réparti dans tout le système : des données fermées et des contrôles de qualité stricts jusqu'à la façon dont vous aiguillez les tâches entre les modèles, dont vous reliez les outils et dont vous transformez systématiquement la rétroaction en amélioration. Ce n'est pas celui qui a « le modèle le plus intelligent » qui gagne. C'est celui dont tout le système comprend le mieux le travail du client, et le fait au moindre coût.

Histoire 8Plus l'intelligence devient bon marché, plus elle dévore d'énergie

Jusqu'ici, nous avons regardé l'économie d'une entreprise prise isolément. Additionnons maintenant des milliers d'entreprises de ce genre et voyons ce qui arrive à la réalité physique. Au début, il y avait le robot conversationnel : une question, une réponse.

1 / 3

Puis sont venus les agents : une seule mission engendre des dizaines de requêtes internes, de recherches et de vérifications.

Aujourd'hui arrive l'ère des systèmes multiagents. Un seul clic de l'utilisateur lance toute une orchestration : un agent étudie les entreprises, un deuxième vérifie les faits, un troisième rassemble les conclusions. De l'extérieur, ça ressemble à une seule action. À l'intérieur, des dizaines de processus parallèles se déclenchent.

C'est pourquoi l'idée que « l'inférence est un problème temporaire, qui se réglera tout seul quand les modèles coûteront moins cher » est sans doute fausse. La demande d'inférence va croître à une vitesse énorme, justement parce que les applications deviennent de plus en plus agentiques, en même temps que les modèles et leur utilisation progressent. Goldman Sachs prévoit une consommation de 120 millions de milliards de jetons par mois d'ici 2030, soit 24 fois le niveau actuel.

C'est ici que joue le paradoxe classique de Jevons : « Plus une ressource devient bon marché et accessible, plus on en consomme. » Quand les moteurs d'automobile sont devenus plus économes, nous n'avons pas brûlé moins d'essence : nous nous sommes simplement mis à rouler des centaines de fois plus. Quand une inférence unitaire coûte moins cher, les entreprises n'économisent pas. Elles se mettent à empiler autour d'elles plus de modèles, de tests automatiques, d'aiguillage entre agents et de vérifications supplémentaires.

Pour chaque entreprise prise isolément, il reste avantageux d'acheter l'accès par API et de réduire le coût de sa tâche. Mais à l'échelle de toute l'industrie, ces améliorations élargissent tellement l'éventail des usages rentables que le besoin total en capacité ne fait qu'augmenter.

D'où un risque direct. Si l'inférence devient indisponible, lente ou trop chère au moment d'un pic de charge, la fonction principale d'un grand nombre de produits s'arrête, tout simplement. Le dialogue vocal devient une conversation pleine de pauses. L'agent qui devait régler une tâche en quelques secondes se met à y passer des minutes. Les utilisateurs attendent en file ou essuient un refus.

Au bout du compte, la qualité d'un produit d'IA ne dépend plus seulement de l'intelligence du modèle. Ce qui compte, c'est qu'il puisse faire le travail voulu à temps, sous charge et à un prix acceptable.

Les débats se déplacent donc peu à peu. On parle de moins en moins de savoir quel modèle est le « plus intelligent ». Et de plus en plus de savoir s'il y aura assez de centres de données, d'énergie et d'infrastructure normalisée quand des milliers d'applications se mettront, en même temps, à engendrer des dizaines d'agents et une inférence 24 heures sur 24.

Histoire 9Pourquoi les géants de l'IA se sont soudain mis à acheter des centrales électriques

1 / 7

Dans toute cette histoire de l'IA, nous tombons sur l'un des plus vieux scénarios économiques de l'humanité. Les entreprises se mettent à faire quelque chose elles-mêmes au moment précis où le marché extérieur ne suffit plus. Henry Ford a bâti sa propre chaîne, des matières premières jusqu'aux usines. Amazon a construit sa logistique, avec des avions et des camions. Tesla s'est lancé dans la production de batteries. Netflix, après avoir commencé avec les films des autres, s'est mis à produire les siens. La raison est la même. Le marché extérieur fait l'affaire tant qu'il fournit la ressource voulue, dans la qualité voulue, à un prix normal et sans interruption. Dès qu'il devient le principal goulot d'étranglement de la croissance, l'incitation à l'intégration verticale apparaît instantanément.

Quand la pénurie cesse d'être une question de prix

Quand la demande est énorme, vient un moment où la puissance de calcul nécessaire n'existe tout simplement pas sur le marché. Le problème cesse alors d'être « combien ça coûte ». Il devient une question d'accès. Si vos clients vous adressent une demande gigantesque et que vous n'avez pas la capacité, vous ne pouvez physiquement pas transformer cette demande en revenus. La pénurie en amont bloque complètement l'entreprise en aval.

Une entreprise s'intègre toujours là où se trouve sa contrainte critique. Quand Amazon a compris que la logistique gâchait l'expérience client, il s'est mis à bâtir sa logistique. Quand un produit d'IA comprend que la puissance de calcul est devenue sa contrainte, il commence à penser à sa propre capacité. La frontière de l'entreprise se déplace sans cesse à la suite du goulot d'étranglement.

La révolution numérique bute sur des transformateurs et des kilowatts

Au début de l'engouement, on croyait que le principal avantage, c'étaient le logiciel, les algorithmes et l'aiguillage intelligent des requêtes. Mais quand la capacité devient une pénurie aiguë, posséder des ressources physiques devient en soi la principale barrière de protection. Et voilà qu'au fil d'arrivée de la révolution numérique, on découvre que sa principale contrainte, ce sont des choses tout à fait terre à terre : l'électricité, le terrain, les transformateurs, les centres de données, le refroidissement, les puces et le capital.

Regardez ce qui se passe en ce moment. Google achète un géant des infrastructures pour construire des centres de données et les capacités énergétiques qui vont avec. Microsoft signe un contrat d'énergie de vingt ans et, pour ça, ramène à la vie un réacteur nucléaire arrêté. Amazon investit dans des concepteurs de petits réacteurs nucléaires modulaires. OpenAI et ses partenaires lancent Stargate et cherchent des terrains, des gigawatts, des constructeurs et de l'équipement.

Depuis 20 ans, l'industrie des TI nous a habitués au modèle « asset-light » : une belle entreprise sans actifs lourds. Facebook ne possédait pas le contenu, Uber pas les voitures, Airbnb pas les hôtels. Le logiciel prenait de l'ampleur presque gratuitement. Et soudain, l'IA, sommet de la pensée logicielle, nous ramène dans le dur monde matériel.

1 / 2

Pour qu'une réponse intelligente apparaisse une seconde à l'écran, il faut que, quelque part dans la réalité, il y ait une puce fabriquée dans une usine à 20 milliards de dollars. Cette puce est dans un serveur, le serveur dans un centre de données, alimenté par la puissance de sa propre centrale électrique.

L'intelligence numérique s'est révélée l'activité la plus matérielle de toutes celles que nous avons vues depuis vingt ans.

Au bout du compte, plus le produit est abstrait pour l'utilisateur, plus l'industrie physique derrière ce produit est gigantesque. Construire une telle infrastructure physique prend des années, alors que la demande s'envole de façon exponentielle. L'offre physique avance avec un énorme retard. Et quand une demande effrénée percute une offre lente, une pénurie colossale apparaît. La vitesse de la révolution numérique se met à dépendre des délais de construction du monde physique.

Il se pourrait donc fort bien que l'IA, née comme une révolution du logiciel, finisse comme une nouvelle révolution industrielle.

L'électricité devient la matière première de l'intelligence

Les conversations sur l'IA tournent de plus en plus aux conversations sur l'énergie. L'électricité devient peu à peu l'un des intrants de la production d'intelligence.

Un pays ou une région qui dispose d'énergie bon marché, d'infrastructures, de la capacité à construire vite et de capitaux à investir prend l'avantage, et pas seulement dans la production de kilowatts. Il prend l'avantage dans la production de cette capacité sans laquelle la nouvelle économie numérique ne fonctionne pas.

Historiquement, l'offre de travail changeait très lentement. Pour qu'un travailleur qualifié de plus apparaisse dans l'économie, il fallait des années d'études et de croissance. L'IA permet, pour la première fois, d'augmenter en partie la capacité de production en investissant dans le capital et l'électricité. Vous construisez un centre de données, vous installez de la puissance de calcul, vous lancez des agents, et vous obtenez un volume supplémentaire de travail numérique.

En ce sens, on peut voir les centres de données non seulement comme des usines à jetons, mais aussi comme des usines d'employés numériques.

Le profit court toujours là où se trouve le goulot

Le goulot d'étranglement de l'économie voyage sans cesse le long de la chaîne de valeur, et le profit voyage sans arrêt derrière lui. C'est l'une des idées les plus utiles sur l'économie en général. Le profit ne se concentre pas là où naît la technologie la plus belle ou la plus en vogue. Il se concentre là où se trouve le complément rare.

C'est pourquoi l'IA réchauffe en ce moment des marchés tout à fait inattendus et profondément conservateurs : l'énergie, la fabrication de transformateurs, les systèmes de refroidissement industriel, la construction et le financement de projets spécialisé. L'intelligence numérique déclenche un gigantesque supercycle d'investissement physique.

Aujourd'hui, nous voyons un marché avec un large milieu. Une foule de tâches exigent une intelligence assez bonne à un prix abordable, et seule une minorité d'entreprises a besoin des capacités maximales. Les modèles les plus avancés élargissent l'éventail des tâches qu'on peut automatiser tout court. En même temps, la baisse du coût d'une qualité « assez bonne » permet d'implanter à grande échelle les capacités déjà disponibles. Le progrès technique se transforme en économie de l'entreprise de demain.

Deux avenirs. Et dans les deux, quelqu'un se retrouvera sans marge

Dans cinq à dix ans, l'industrie de l'IA prendra sans doute l'une de deux voies. On ne sait pas encore laquelle l'emportera. Mais on voit déjà qui se battra, et pour quoi.

1 / 8

La première voie est centralisée. Quelques laboratoires frontières construisent des modèles universels si puissants que, pour la plupart des entreprises, entretenir leur propre couche d'intelligence n'a plus de sens. Dans ce monde, l'IA ressemble à l'électricité ou au nuage : vous l'achetez « à la prise », par abonnement. Pratique, pas cher, suffisant. Votre propre expertise ne sert presque plus.

La deuxième voie est fragmentée. Les modèles de base restent. Mais autour d'eux pousse un écosystème dense de systèmes spécialisés : médicaux, juridiques, financiers, industriels, robotiques. L'économie se met à ressembler à l'industrie automobile. Il y a quelques grandes plateformes, et autour d'elles, des milliers d'entreprises qui fabriquent des pièces, des sous-ensembles et des solutions pour des tâches précises. Le modèle universel sait faire beaucoup de choses, mais sans couche spécialisée, le résultat reste brut et inutilisable pour le vrai travail.

Il est difficile de dire aujourd'hui quel scénario l'emportera. En revanche, la structure des incitations se voit bien. Les laboratoires qui créent les modèles frontières ont intérêt à ce que leur modèle sache tout faire et garde le maximum de marge. Les entreprises qui bâtissent des produits pour des usages précis ont l'intérêt inverse : prouver que, sans leur processus, leurs données et leurs critères de qualité, le modèle universel produit un résultat inutilisable.

Plus il reste de capacités à l'intérieur du modèle de base, plus la plateforme rafle de profit. Plus la valeur vient d'une compréhension spécifique de la tâche, de l'aiguillage, des vérifications et du processus intégré, plus il en reste à ceux qui font les produits et les applications.

Je fais un petit détour par quelques exemples : pour des entreprises qui gagnent leur argent précisément avec leurs produits d'IA, et pour une entreprise qui a une vraie activité bien concrète, qui coud depuis de nombreuses années des vêtements de travail pour les travailleurs de l'industrie lourde.

Ce qu'on entend ici par « marge »

1 / 6

Dans ce contexte, la marge, c'est la part de l'argent qui reste à l'entreprise une fois qu'elle a payé l'intelligence de base (l'accès au modèle), et qu'un concurrent aurait du mal à lui enlever rapidement. Plus simplement : le client vous paie 100 unités.

Vous payez 20 à la plateforme pour les jetons et le calcul.

Il en reste 80. La question, c'est pourquoi le client est prêt à vous payer ces 100 à vous, et pas directement à la plateforme ou à un autre joueur. Si la réponse est « parce que vous avez ce que le modèle universel n'a pas », la marge vous reste. Si la réponse est « parce que vous avez simplement emballé de façon pratique ce que la plateforme sait déjà faire », la marge finira par passer à la plateforme.

Exemple 1. L'analyse de contrats

Une entreprise vend l'analyse automatique de contrats.

Si le système se contente surtout de bien lire le texte et de repérer les clauses standard, c'est ce que le modèle de base finira par savoir faire lui-même. Il deviendra plus simple et moins cher pour le client de l'acheter directement à la plateforme. Votre marge se resserre.

Mais si le système connaît les règles internes de cette entreprise-là, se souvient des formulations qui ont déjà mené à des litiges, sait vérifier la conformité à sa politique d'achats et ne transmet au juriste que ce qui demande vraiment son attention, c'est une couche que la plateforme ne reproduira pas d'elle-même. Le client paie pour cette couche. La marge vous reste.

Exemple 2. Le traitement des dossiers d'assurance

Un modèle universel peut extraire d'une conversation avec un médecin le diagnostic et les actes. Avec le temps, ça deviendra bon marché et accessible.

Mais si votre système comprend quelles formulations sont critiques pour le calcul du remboursement dans votre compagnie d'assurance précisément, quelles erreurs coûtent cher, comment bien aiguiller les cas complexes et comment réduire les corrections manuelles des spécialistes, le client (ou le donneur d'ouvrage interne) paie pour cette précision et ce processus intégré. Cette part de la valeur reste votre marge.

En bref : la marge reste là où se trouve la raison pour laquelle le client continue de vous payer, vous, et pas la plateforme ou un concurrent qui a simplement branché le même modèle.

Dans l'exemple des « dépenses en jetons », j'ai parlé des entreprises dont le produit lui-même est un service d'IA. Pour une usine de vêtements de travail, l'économie est différente. Ici, l'IA n'est pas ce que vous vendez au client. C'est un outil à l'intérieur de votre coût de revient. Les dépenses en jetons peuvent effectivement représenter moins de 1 à 2 % des coûts totaux. Mais la question « où reste la marge » ne disparaît pas pour autant. Elle se déplace, tout simplement.

Ce que « marge » veut dire ici

La marge de l'usine, c'est l'écart entre le prix auquel vous vendez les vêtements de travail et le coût de revient complet de leur fabrication et du traitement des commandes. L'IA peut agir sur cette marge de deux façons :

Réduire vos coûts internes (traiter les commandes plus vite, moins d'erreurs dans les fiches techniques, moins de travail manuel).

Vous permettre de prendre plus de commandes, ou des commandes plus complexes, sans faire grossir le personnel dans la même proportion.

La question, c'est de savoir si cette économie restera un avantage durable propre à votre usine, ou si vos concurrents la reproduiront sans peine.

À quoi ça ressemble en pratique

Disons que vous confiez à des agents des processus routiniers : le tri des demandes entrantes des clients, la vérification des fiches techniques, la préparation des soumissions, le suivi des échéances, les réponses aux questions courantes sur les tailles et les matériaux.

1 / 6

Si vous branchez simplement un agent universel tout fait, « prêt à l'emploi », vous obtenez déjà une certaine économie. Mais dans un an ou deux, un concurrent pourra installer le même agent. L'économie deviendra commune à tout le secteur. Votre marge n'augmentera pas par rapport aux autres : tout le monde deviendra juste un peu plus efficace, et la pression sur les prix augmentera.

Si, au contraire, vous intégrez les agents à votre processus bien à vous (vos gabarits de commande, vos fournisseurs de tissus, vos règles de composition des commandes, l'historique des erreurs par client, les particularités de la certification des vêtements de travail), et que le système apprend avec le temps de vos vraies commandes, l'économie devient alors une partie de votre modèle opérationnel. Pour obtenir le même effet, un concurrent ne devra pas simplement acheter l'accès au modèle : il devra reproduire votre processus et vos données accumulées. Dans ce cas, la baisse du coût de revient ou la hausse de la capacité de production vous reste plus longtemps et pèse davantage sur la marge.

Pour le dire en bref : même quand les dépenses en IA comme telles ne coûtent presque rien, la question stratégique reste la même. Soit vous accélérez vos processus actuels avec ce qui sera bientôt accessible à tous, soit vous intégrez l'intelligence à ce qui est propre à votre usine et difficile à copier. Dans le premier cas, la marge s'érode avec le temps. Dans le second, elle vous reste.

1 / 6

Il la déplace simplement plus loin dans la chaîne. D'abord, les modèles frontières rendent les expériences bon marché. Des milliers d'applications et d'agents apparaissent. Ceux qui réussissent se mettent à dévorer des jetons. Le problème de marge surgit. Les entreprises cherchent des modèles spécialisés moins chers. La spécialisation exige ses propres données et un post-entraînement. Les données deviennent un avantage. L'entreprise s'enfonce dans son créneau. Et plus elle se spécialise, plus elle a besoin d'inférence.

Puis on découvre que le goulot n'est plus le modèle. Le goulot, c'est la capacité.

Et la capacité exige de l'infrastructure.

Et au bout de la chaîne, on trouve soudain une centrale électrique. C'est toujours comme ça. Les plus grandes occasions des révolutions technologiques n'apparaissent pas dans la technologie elle-même, mais à quelques pas d'elle. Internet n'a pas enrichi seulement les créateurs de sites, mais aussi les centres de données et la publicité numérique. L'automobile n'a pas enrichi seulement les usines, mais aussi les stations-service, les banlieues, les motels et les constructeurs de routes. Si la programmation devient dix fois plus rapide, il y aura pénurie de bonnes décisions de produit.

Si la recherche va dix fois plus vite, les goulots seront les laboratoires et les sites d'essai.

Si les agents se mettent à exécuter des milliards de tâches, on manquera d'abord d'inférence, puis de puces, puis de mégawatts. En ce moment, des milliers de start-ups mettent à l'épreuve des centaines de créneaux en même temps. La plupart vont échouer avec fracas. Comme ces entreprises .com dont plus personne ne se rappelle le nom. Mais c'est justement ce bruit qui montrera quels usages étaient évidents, lesquels sont venus trop tôt, et quelles idées sont mortes comme entreprises indépendantes, pour ressusciter dix ans plus tard dans le produit d'un autre. Quand l'écume de l'argent bon marché retombera et que la peur de manquer le bateau se calmera, il ne restera sur le marché que ce qui sait créer une valeur économique confirmée. Le reste, c'est juste du bruit.

À propos de l’autrice

Je suis maman de trois filles. Et ancienne rédactrice en chef de publications d'analyse.

J'ai imaginé un magazine et je l'ai bâti de A à Z, pour les dirigeants du secteur de l'énergie. Pendant trois ans et demi, il a été leur publication d'analyse la plus populaire. Sont venues ensuite deux revues spécialisées : l'une en santé et sécurité du travail, l'autre pour les médecins-chefs.

À la rédaction, mon rôle allait bien au-delà des textes. J'y ai bâti les relations publiques : tables rondes, conférences, clubs d'experts. Je réunissais à une même table gens d'affaires, experts et fonctionnaires.

Aujourd'hui, je mets la même ténacité à comprendre l'IA. Je conçois des agents qui travaillent en production.

Pas des « robots conversationnels intelligents », mais des rôles précis : administrateur, acheteur, analyste. Chacun connaît ses règles et ne sort pas de leur cadre.

Je vis au Québec. Je crée des outils fondés sur l'IA : ils prennent en charge la routine et vous laissent les décisions.

Si cet article vous donne envie de voir où, dans votre processus, un agent allégerait vraiment la charge, écrivez-moi. On regardera ça calmement et concrètement.