Après des années d’attentes démesurées, le secteur de l’IA arrive à un tournant décisif. Malgré des investissements records, les investisseurs, les dirigeants et les conseils d’administration se montrent de plus en plus sceptiques quant à la capacité de l’IA à générer des gains de productivité significatifs dans un avenir proche.
Ce scepticisme à l’égard de l’IA s’explique par plusieurs facteurs. Tout d’abord, le coût d’utilisation des grands modèles linguistiques (LLM) ne cesse d’augmenter, souvent sans apporter d’avantages mesurables. Selon le Silicon Data Token Expenditure Index, les dépenses liées aux LLM ont doublé depuis 2025, alors même que le coût par jeton a chuté de plus de 90 % au cours des trois dernières années.
En d’autres termes, l’utilisation de l’IA s’est développée si rapidement que la baisse des prix des tokens n’a pas suffi à réduire les dépenses globales, ce qui oblige les entreprises à payer plus cher que jamais. À l’échelle de l’économie, la Banque fédérale de réserve d’Atlanta estime que les entreprises augmenteront leurs dépenses en IA de 50 % en 2026, pour atteindre 280 milliards de dollars.
Cette flambée des dépenses a mis en évidence une asymétrie fondamentale. Alors que les entreprises subissent une pression croissante pour justifier la hausse des coûts liés à l’IA, les fournisseurs de LLM dépendent de plus en plus de la consommation de jetons pour soutenir la croissance de leur chiffre d’affaires et justifier des valorisations boursières élevées.
La question qui se pose naturellement est de savoir quand — et si — ces investissements commenceront à générer des gains de productivité significatifs ou des économies de coûts. Un rapport du MIT publié en 2025 a révélé que 95 % des programmes pilotes d’IA générative, dont beaucoup visaient à accélérer la croissance du chiffre d’affaires, n’ont pas atteint leurs objectifs déclarés.
Une autre source de préoccupation réside dans le risque croissant que les entreprises déployant des outils d’IA ne cèdent involontairement leur propriété intellectuelle, leurs données et leur savoir-faire commercial, accumulés au fil des décennies, à de grands fournisseurs de modèles tels qu’OpenAI et Anthropic. Bien que les accords de licence et les garanties contractuelles limitent cette exposition, les fournisseurs de LLM peuvent néanmoins avoir accès à des informations révélant comment les entreprises créent, fixent le prix et capturent de la valeur.
Le différend entre Anthropic et Figma illustre bien cette tension. Figma s’était associé à Anthropic pour développer des assistants de conception basés sur l’IA, mais cette relation s’est tendue lorsque des informations ont révélé qu’Anthropic développait un outil concurrent, qu’il a ensuite lancé sous le nom de Claude Design.
Ce phénomène n’est pas nouveau. L’histoire regorge d’exemples d’entreprises technologiques tirant parti de leur envergure, de leurs capacités et de leur position sur le marché pour pénétrer des marchés adjacents, notamment lorsque Microsoft a supplanté Lotus 1-2-3 et WordPerfect avec Excel et Word dans les années 1990. Les entreprises auraient tout intérêt à garder cela à l’esprit à mesure qu’elles renforcent leur dépendance à l’IA.
Au-delà de ces risques commerciaux, l’IA est également susceptible d’entraîner, à plus long terme, des coûts économiques et sociétaux plus larges. Parmi ceux-ci figurent une demande croissante en électricité, en eau et en infrastructures de centres de données, ainsi qu’une augmentation des suppressions d’emplois et des inégalités, à mesure que l’IA automatise une part toujours plus importante des tâches routinières.
Relever ces défis nécessitera des investissements publics plus importants et, en fin de compte, une hausse de la fiscalité des entreprises, pouvant inclure de nouvelles formes d’aide sociale telles qu’un revenu de base universel. De nombreux chefs d’entreprise craignent que le secteur privé ne soit de plus en plus tenu pour responsable des conséquences imprévues de l’IA, ce qui exercerait une pression en faveur d’une augmentation de l’impôt sur les sociétés.
Prises dans leur ensemble, ces préoccupations expliquent en partie pourquoi de nombreux chefs d’entreprise adoptent une approche plus prudente vis-à-vis de l’adoption de l’IA. Alex Karp, PDG de Palantir, a récemment exprimé ce sentiment lors d’une interview accordée à CNBC, accusant OpenAI et Anthropic de « voler les poids et l’alpha de mon entreprise » par le biais d’une tarification basée sur des jetons.
Dans ce contexte, les chefs d’entreprise devraient envisager quatre mesures lors de l’élaboration de leurs stratégies en matière d’IA. Premièrement, les entreprises devraient revoir et restructurer leurs contrats d’IA afin que les fournisseurs de modèles s’impliquent davantage. Si les fournisseurs de LLM sont convaincus de pouvoir générer des milliards de dollars de gains de productivité et d’économies, ils devraient être disposés à lier au moins une partie de leur rémunération à la valeur qu’ils créent, plutôt que de s’appuyer uniquement sur une tarification basée sur l’utilisation.
Les dirigeants d’entreprise devraient également comparer en permanence le coût et le temps nécessaires à l’IA pour accomplir une tâche avec ceux requis pour qu’un humain l’effectue, en utilisant des indicateurs opérationnels et financiers clairs pour évaluer la valeur économique de l’IA.
Deuxièmement, les entreprises devraient éviter de devenir trop dépendantes d’un seul fournisseur de modèles. De nombreuses entreprises testent déjà plusieurs modèles, en attribuant différentes fonctions à différents fournisseurs ou en déployant des outils d’IA dans des environnements de test opérationnels avant de les déployer à l’échelle de l’entreprise.
Plus généralement, les entreprises devraient envisager des alternatives open source. Bon nombre des principaux modèles open source actuels ont été développés par des entreprises chinoises et surclassent sans doute leurs homologues occidentaux. Ils sont également proposés à un coût nettement inférieur. Les prix des jetons pour MiniMax M3 et DeepSeek V4 Pro, par exemple, représentent moins d’un dixième de ceux de Claude Opus 4.8. C’est pourquoi des entreprises comme DoorDash et Airbnb se tournent vers les modèles chinois. Pour de nombreuses entreprises occidentales, cependant, les préoccupations géopolitiques et de cybersécurité risquent de l’emporter sur ces avantages.
Cela nous amène à la troisième mesure que les dirigeants d’entreprise devraient prendre. Un recours accru à l’IA nécessitera inévitablement des cyberdéfenses plus solides. Au-delà des risques de cybersécurité associés aux grands modèles de langage (LLM) actuels, les progrès en matière de chiffrement, de déchiffrement et d’informatique quantique risquent de rendre les cybermenaces plus fréquentes et plus graves, accélérant ainsi la fragmentation de l’écosystème technologique mondial et rendant de plus en plus difficile toute activité transfrontalière.
Ces menaces retiennent déjà l’attention des décideurs politiques. Dans son dernier rapport sur la stabilité financière, la Banque d’Angleterre a averti que les progrès rapides des capacités de pointe en matière d’IA avaient accru les risques cybernétiques et opérationnels, augmentant ainsi la probabilité de perturbations plus rapides et mieux coordonnées.
Enfin, pour justifier les sommes colossales investies, les dirigeants d’entreprise doivent fixer des délais pour obtenir des preuves tangibles que l’IA tient ses promesses. Alors que les dépenses mondiales en IA devraient atteindre 2 500 milliards de dollars en 2026 et que les factures symboliques des entreprises ont augmenté de 320 % depuis 2023, la pression pour prouver la valeur économique de l’IA ne manquera pas de s’intensifier.
Si ces preuves ne se concrétisent pas, l’impatience croissante des investisseurs pourrait déclencher une réévaluation spectaculaire des actifs liés à l’IA. Plus les attentes devanceront les résultats, plus le risque d’une correction boursière douloureuse sera grand.
By Dambisa Moyo
JDF TV
L'actualité en vidéo
