Les inquiétudes concernant une bulle spéculative autour de l'IA se sont intensifiées depuis le début de l'année 2026, les investisseurs et les décideurs politiques se concentrant sur la question de savoir si, et quand, elle pourrait éclater. Mais la véritable question n'est pas de savoir si les valorisations actuelles sont surévaluées, mais si le modèle économique émergent de l'IA diffère de ceux des révolutions technologiques précédentes.
Pendant des décennies, l'échelle a été le principal moteur des performances et des valorisations des entreprises technologiques. À mesure que les applications, les sites web, les détaillants en ligne et les plateformes de médias sociaux ont élargi leur base d'utilisateurs, les coûts marginaux ont diminué, les effets de réseau se sont installés et le pouvoir de fixation des prix s'est accru. Les valorisations en sont venues à refléter le potentiel de croissance à long terme plutôt que la rentabilité à court terme.
Les forces qui ont défini les gagnants technologiques du passé ne devraient pas dominer le déploiement de l'IA, car la dynamique concurrentielle diffère sur six dimensions essentielles. Premièrement, les dépenses d'investissement ne constituent plus un fossé peu profond, mais un obstacle redoutable. Lors des vagues technologiques précédentes, les besoins en capitaux étaient largement limités à la phase de démarrage et relativement modestes. Facebook, par exemple, n'a initialement levé que 500 000 dollars de fonds d'amorçage.
Mais ces innovations antérieures s'appuyaient sur des infrastructures existantes telles que Linux, Apache, MySQL et PHP (la pile LAMP), ce qui réduisait considérablement les coûts initiaux. L'IA, en revanche, est extrêmement gourmande en capitaux. Les investissements en capital à l'échelle du secteur devraient dépasser les 7 000 milliards de dollars d'ici 2030, à mesure que les entreprises construisent des centres de données, augmentent leur capacité de calcul et investissent dans du matériel spécialisé. Contrairement aux cycles technologiques précédents, ces besoins d'investissement ne diminueront pas à mesure que le secteur mûrira, et pourraient même s'intensifier.
De plus, ces coûts pourraient ne jamais diminuer de manière significative, car la durée de vie des centres de données se mesure souvent en années et non en décennies. Si le cloud computing a également nécessité des investissements massifs dans des serveurs à usage général, l'IA exige une infrastructure entièrement nouvelle, comprenant des processeurs graphiques et des processeurs tensoriels (TPU), afin de traiter le grand nombre de calculs simultanés nécessaires à l'entraînement et à l'exécution des modèles d'IA.
Ces systèmes sont coûteux et gourmands en énergie. Un seul cycle de formation à l'IA à grande échelle devrait coûter plus d'un milliard de dollars d'ici 2027. Seules les entreprises qui peuvent se permettre le prix d'entrée survivront, ce qui confère aux géants technologiques actuels – avec leurs énormes flux de trésorerie, leurs bilans solides et leur accès aux marchés des capitaux – un avantage décisif.
Deuxièmement, la structure des coûts d'exploitation de l'IA sape les économies d'échelle traditionnelles. Au cours des cycles technologiques précédents, les coûts marginaux par utilisateur ont chuté à mesure que les plateformes se développaient. Qu'il s'agisse des réseaux sociaux, des logiciels ou des applications de covoiturage comme Uber, les coûts étaient répartis sur une base de clients en expansion, ce qui permettait aux plateformes de maintenir des marges élevées à mesure qu'elles se développaient.
Ces modèles se caractérisaient également par de faibles dépenses d'exploitation. Une fois que Facebook a atteint une taille suffisante, le coût marginal de l'ajout d'utilisateurs est devenu négligeable. En conséquence, les entreprises accordaient peu d'attention au coût de la desserte de chaque utilisateur, car cela ne menaçait que rarement leur viabilité financière.
L'IA renverse cette dynamique. Le contrôle des coûts marginaux n'est plus facultatif, car les grands modèles linguistiques et autres systèmes d'IA engendrent des coûts importants à chaque interaction, qui nécessite des milliards de calculs. C'est pourquoi les entreprises d'IA se concentrent sur la réduction des coûts par requête grâce à du matériel personnalisé comme les TPU et en développant des modèles plus légers et plus efficaces, tels que DeepSeek en Chine.
La taille ne suffit pas
Le troisième domaine dans lequel l'IA se distingue des précédentes révolutions technologiques est la faiblesse et la fragilité des effets de réseau. Les plateformes technologiques traditionnelles ont bénéficié d'une croissance auto-renforcée. Les acheteurs et les vendeurs ont été attirés par la place de marché d'Amazon précisément parce que l'activité y était déjà concentrée.
Les utilisateurs d'IA peuvent facilement passer d'un modèle à l'autre, en utiliser plusieurs à la fois (un pour le texte, un autre pour les images, un troisième pour le codage) ou même créer leur propre modèle. Les coûts de transition sont faibles et la fidélité est faible, ce qui rend les effets de réseau beaucoup moins influents pour déterminer les gagnants à long terme de l'.
Pour les entreprises technologiques traditionnelles, la combinaison de la baisse des coûts marginaux et des effets de réseau a amplifié les avantages d'échelle, alimentant une course pour capter le plus grand nombre possible de regards. Cette stratégie était logique pour des entreprises comme Facebook, qui ont créé de la valeur en monétisant l'attention des consommateurs grâce à la publicité.
Les entreprises d'IA sont confrontées à une structure de coûts différente. Chaque nouvelle itération de leur produit nécessite des investissements supplémentaires. Chaque utilisateur supplémentaire augmente les coûts, en particulier les coûts d'inférence. Si les frais de formation peuvent être amortis sur une base d'utilisateurs plus large et que certaines économies d'échelle peuvent apparaître, la croissance de l'utilisation entraîne toujours une augmentation des coûts d'exploitation.
La quatrième différence réside dans le passage d'une fragmentation du marché à une saturation instantanée. Les premières plateformes technologiques se sont développées sur des marchés largement cloisonnés : Google dominait le secteur de la recherche, Amazon se concentrait sur la vente au détail. En recherchant des niches distinctes comme les étudiants (Facebook) et les professionnels (LinkedIn), les entreprises ont eu le temps de mûrir avant que la concurrence ne s'intensifie.
L'IA, en revanche, est une technologie polyvalente qui touche tous les secteurs. Les utilisateurs pouvant y accéder instantanément via des applications ou des interfaces de programmation d'applications, les entreprises n'ont plus le luxe d'atteindre leur maturité avant l'arrivée de concurrents. Cette dynamique donne à l'IA le potentiel de bouleverser non seulement des secteurs individuels, mais aussi tous les modèles commerciaux technologiques existants.
Cinquièmement, l'influence politique est désormais aussi importante que le pouvoir de marché. Les vagues d'innovation précédentes n'exigeaient pas des entreprises qu'elles s'engagent auprès des gouvernements et des régulateurs autant que l'IA doit le faire. Si les plateformes de réseaux sociaux ont finalement été soumises à un examen minutieux en raison de leurs effets addictifs, les risques perçus liés aux technologies émergentes actuelles sont plus profonds et, à bien des égards, existentiels, étant donné le potentiel de l'IA à provoquer des suppressions d'emplois, à exacerber les inégalités et à saper la gouvernance démocratique. Les entreprises d'IA étant confrontées à la fois aux forces du marché et aux pressions politiques, celles qui sont en mesure de façonner la réglementation, d'influencer l'opinion publique et d'absorber les risques liés à leur réputation sont mieux placées pour réussir.
Microsoft est un excellent exemple de ce type d'entreprise. Dans un effort manifeste pour gagner en légitimité politique et sociale, l'entreprise s'est récemment engagée à couvrir les coûts d'électricité de ses centres de données, afin que la hausse des prix ne soit pas répercutée sur les consommateurs.
La fin du « winner-take-all » ?
Enfin, l'IA pourrait être moins sensible à la dynamique du « tout au vainqueur ». L'échelle, les coûts marginaux proches de zéro et les effets de réseau puissants ont permis à des entreprises comme Facebook, Google, Amazon et Apple de dominer respectivement les réseaux sociaux, la recherche, le commerce électronique et les smartphones. Le secteur de l'IA, du moins au début, ne devrait pas suivre ce modèle. Plutôt que de converger vers un seul vainqueur monopolistique, il pourrait soutenir plusieurs acteurs dominants, chacun contrôlant son propre créneau.
Certes, une entreprise d'IA pourrait atteindre un point où son avance technologique s'auto-renforce et devient pratiquement insurmontable. Grâce à une amélioration continue et à une supériorité écrasante de ses produits, voire au développement d'une intelligence artificielle générale, une telle entreprise pourrait acquérir un pouvoir de marché durable, lui permettant de dominer le secteur.
D'ici là, les investisseurs doivent reconnaître que l'IA suit une nouvelle logique stratégique. Appliquer les mesures technologiques traditionnelles à ce paysage en rapide évolution est non seulement contre-productif, mais aussi potentiellement coûteux. Les investisseurs qui s'appuient sur les stratégies passées risquent de devenir les perdants du marché actuel axé sur l'IA.
Prenons l'exemple de la rémunération en actions. Historiquement, les incitations sous forme d'actions ont permis aux entreprises technologiques d'embaucher et de retenir des talents, d'acquérir des propriétés intellectuelles et de se développer grâce à des fusions et acquisitions. Mais les options sur actions ne peuvent pas financer les centres de données, la puissance de calcul ou les infrastructures énergétiques. Pour répondre à ces besoins, les entreprises d'IA ont besoin d'investissements réels, de flux de trésorerie établis et d'un accès fiable aux marchés des capitaux.
De même, les investisseurs toléraient autrefois des marges négatives tant que la croissance du nombre d'utilisateurs était forte et que les revenus publicitaires augmentaient. Mais l'incertitude qui entoure l'IA et l'ampleur des dépenses d'investissement nécessaires limitent leur capacité à évaluer quand ces investissements atteindront leur seuil de rentabilité ou comment les transformations induites par l'IA augmenteront finalement les marges. Il en résulte une importance croissante accordée à la solidité des bilans et à la résilience financière démontrable.
Ainsi, la course au leadership en matière d'IA ne sera pas remportée par les entreprises qui comptent le plus d'utilisateurs ou qui affichent les taux de croissance les plus rapides. Les vainqueurs seront plutôt les entreprises capables de combiner des produits de qualité supérieure avec une solidité financière et une influence politique.
En ce sens, l'IA ressemble davantage aux industries à forte intensité capitalistique du milieu du XXe siècle qu'aux modèles technologiques à faible intensité capitalistique de ces dernières années. Avec l'augmentation des coûts d'exploitation et la facilité avec laquelle les consommateurs passent d'un modèle à l'autre, la rentabilité dépendra de la capacité à capter une demande élastique tout en transformant le capital politique et l'influence réglementaire en un avantage concurrentiel durable.
By Dambisa Moyo
JDF TV
L'actualité en vidéo
