Le marché de l’IA grandit vite, mais les entreprises face à des défis durables

L’intelligence artificielle n’est plus seulement un sujet de laboratoires ou de démonstrations spectaculaires. Elle devient une composante des logiciels professionnels, des chaînes d’approvisionnement, du service client et de la prise de décision. À mesure que les investissements et les usages se multiplient, la promesse économique est immense. Mais la croissance du secteur ne garantit ni des projets rentables, ni une transition simple pour les salariés et les entreprises.

Les prévisions citées pour le marché mondial de l’IA évoquent une valorisation de 740 milliards de dollars d’ici à 2030. Ce chiffre résume l’ampleur des attentes placées dans la technologie. Il ne doit toutefois pas faire oublier une réalité plus concrète : déployer une IA utile suppose de disposer de données exploitables, de compétences, d’infrastructures et de règles de fonctionnement claires. Pour les organisations, l’enjeu n’est donc pas seulement d’acheter un outil, mais de transformer une promesse technique en amélioration mesurable.

Un marché à 740 milliards de dollars, mais que mesure cette prévision ?

Une prévision de marché donne un ordre de grandeur, pas une certitude. Dans l’IA, les estimations peuvent couvrir des réalités très différentes : vente de logiciels, services de conseil, hébergement dans le cloud, composants matériels, plateformes de données ou encore solutions sectorielles. C’est pourquoi deux études peuvent aboutir à des montants distincts tout en décrivant la même accélération générale.

La projection de 740 milliards de dollars en 2030 traduit avant tout une demande qui s’étend à de nombreux domaines économiques. Les entreprises cherchent à automatiser certaines tâches répétitives, à mieux exploiter leurs données et à fournir des réponses plus rapides à leurs clients. Dans les secteurs industriels, elles espèrent aussi réduire les pannes, les délais et les pertes liées à une planification imprécise.

Cette distinction compte particulièrement pour les dirigeants. L’IA générative, par exemple, peut produire du texte, du code ou des synthèses très rapidement. Mais elle peut aussi commettre des erreurs convaincantes, restituer une information incomplète ou donner une réponse inadaptée au contexte. Un déploiement professionnel doit donc prévoir des contrôles, définir les usages autorisés et mesurer l’utilité réelle du dispositif.

Pourquoi la logistique est-elle l’un des premiers terrains d’adoption ?

Le transport et la logistique figurent parmi les secteurs où les gains potentiels sont les plus faciles à identifier. Une chaîne d’approvisionnement repose sur une multitude de décisions : prévoir les commandes, gérer les stocks, choisir un itinéraire, répartir les marchandises, anticiper un retard ou organiser la maintenance d’un véhicule. Lorsqu’elles sont alimentées par des données fiables, les méthodes d’IA peuvent aider à traiter ces variables à grande échelle.

Dans un entrepôt ou un réseau de distribution, l’IA peut par exemple contribuer à estimer la demande à venir, signaler une anomalie dans les flux ou proposer une meilleure répartition des ressources. Le bénéfice recherché est double : gagner du temps dans la planification et limiter les coûts liés aux ruptures de stock, aux trajets inutiles ou à l’immobilisation d’équipements.

La conduite autonome est également souvent associée à cette transformation. Elle illustre néanmoins l’écart entre une capacité technique et une généralisation commerciale. Faire circuler un véhicule dans des environnements complexes suppose de résoudre des questions de sécurité, de responsabilité, de cartographie, d’assurance et de réglementation. Les déploiements ne suivent donc pas tous le même rythme selon les territoires et les usages.

L’IA ne remplace pas, à elle seule, une organisation logistique. Une mauvaise qualité de données sur les stocks ou les livraisons produit de mauvaises recommandations, même avec un modèle sophistiqué. Les entreprises doivent aussi prévoir le rôle des équipes opérationnelles, qui connaissent les exceptions et les contraintes du terrain.

Les entreprises doivent passer de l’expérimentation à la maîtrise

Pour une société technologique, ignorer l’IA peut devenir un risque concurrentiel. Ses clients peuvent attendre de nouvelles fonctionnalités, ses équipes peuvent chercher des outils plus efficaces et ses concurrents peuvent accélérer leur production. Pour autant, se lancer sans stratégie est une autre forme de risque.

La maîtrise de l’IA repose sur plusieurs éléments complémentaires :

• Des données gouvernées, c’est-à-dire identifiées, sécurisées et suffisamment fiables pour l’usage visé.
• Une infrastructure adaptée, qu’elle soit interne ou louée auprès d’un fournisseur de cloud, capable de supporter les coûts de calcul et de stockage.
• Des compétences métiers et techniques, car les spécialistes de l’IA ne peuvent pas seuls définir ce qui est utile à une activité.
• Des procédures d’évaluation, pour comparer les résultats de l’outil avec la pratique existante et détecter les erreurs.
• Une formation des salariés, afin que l’outil complète leur travail au lieu d’ajouter une couche de complexité.

Le choix entre développer une solution en interne et s’appuyer sur un prestataire dépend de la sensibilité des données, du budget, de la vitesse attendue et du caractère stratégique de l’usage. Une petite structure peut démarrer avec un service existant. Un grand groupe traitant des informations sensibles peut vouloir exercer davantage de contrôle sur ses données et ses modèles.

Réglementer l’IA sans freiner les usages utiles

L’expansion de l’IA s’accompagne d’un encadrement plus strict. Les régulateurs cherchent à réduire les risques liés à la protection des données, à la discrimination, à la sécurité ou au manque de transparence. Pour les entreprises, ces exigences peuvent représenter un coût et rallonger la préparation d’un projet. Elles peuvent aussi éviter des erreurs coûteuses, des atteintes à la réputation ou des litiges.

En Europe, le règlement sur l’intelligence artificielle, couramment appelé AI Act, est entré en vigueur le 1er août 2024. Son application est progressive. Son approche repose notamment sur le niveau de risque des systèmes : certaines pratiques sont interdites, tandis que les systèmes considérés à haut risque font l’objet d’obligations renforcées. Cela concerne en particulier des usages susceptibles d’affecter fortement les personnes, par exemple dans le recrutement, l’éducation ou l’accès à certains services.

Pour les entreprises, la bonne question n’est pas seulement « peut-on utiliser cette IA ? », mais aussi « quelles données utilise-t-elle, qui en assume la responsabilité et comment vérifier son résultat ? ». L’analyse de Cloudflare souligne cette tension entre la vitesse de l’innovation et la montée des obligations réglementaires. Présenter la conformité comme un frein systématique serait cependant réducteur : des règles claires peuvent aussi renforcer la confiance des clients et faciliter l’adoption.

Chiffre d’affaires et emploi : des effets à examiner avec prudence

Les données citées sont encourageantes pour les entreprises utilisatrices : 86 % d’entre elles signalent une augmentation significative de leur chiffre d’affaires, avec une hausse estimée à plus de 6 %. Ces résultats montrent que l’IA peut produire de la valeur lorsqu’elle est associée à un besoin concret, qu’il s’agisse de personnaliser une offre, d’accélérer un processus ou d’améliorer une prévision.

Ils ne démontrent pas pour autant que l’IA est seule responsable de cette progression. Les entreprises les plus avancées dans son adoption sont souvent aussi celles qui investissent dans le numérique, les données, la formation et l’innovation. Leur croissance peut donc résulter de plusieurs facteurs. Pour évaluer un projet sérieusement, il faut suivre des indicateurs précis : temps gagné, diminution des erreurs, satisfaction des clients, coût total de possession et qualité des décisions prises.

La question de l’emploi est tout aussi importante. L’automatisation peut réduire le temps consacré à certaines tâches, notamment administratives, répétitives ou fondées sur le traitement de grands volumes d’informations. Elle peut transformer des métiers, en créer de nouveaux et fragiliser certains postes. Parler d’un remplacement uniforme des travailleurs ne rend pas compte de cette réalité : l’effet dépend du secteur, de l’organisation du travail et de la capacité à former les personnes concernées.

Le principal défi est celui de la transition. Une entreprise qui introduit l’IA sans accompagner ses équipes risque de provoquer défiance, erreurs d’usage et perte de savoir-faire. À l’inverse, une démarche qui associe les salariés peut mieux identifier les tâches à automatiser, celles qui exigent un jugement humain et les compétences à développer.

Le risque d’une IA à deux vitesses

L’accès aux outils d’IA demeure très inégal. Les grands groupes technologiques disposent de capitaux importants, d’équipes spécialisées, de vastes jeux de données et d’une capacité d’achat élevée en puissance de calcul. Les start-up, les petites entreprises et de nombreuses organisations publiques ne disposent pas toujours des mêmes ressources.

Les services d’IA accessibles par abonnement abaissent une partie de la barrière à l’entrée. Ils permettent de tester des fonctions de rédaction, d’analyse ou d’assistance sans construire un modèle depuis zéro. Mais ils créent aussi une dépendance envers des fournisseurs, dont les prix, les conditions d’utilisation et les capacités peuvent évoluer.

Cette concentration risque d’accentuer les disparités économiques. Une petite entreprise qui ne peut ni financer des experts ni vérifier correctement un outil peut se retrouver en position défavorable face à un concurrent mieux équipé. L’enjeu n’est donc pas uniquement technique. Il concerne l’accès au financement, à la formation, aux infrastructures et à des solutions adaptées aux besoins locaux.

La recherche et l’investissement, un enjeu de souveraineté

La compétition autour de l’IA ne se joue pas seulement entre entreprises privées. Les États cherchent également à renforcer leurs capacités de recherche, leurs infrastructures et leurs viviers de compétences. Au Royaume-Uni, un projet d’IA de 10 milliards de livres, soutenu par le Parti travailliste, est présenté comme un moyen de consolider l’effort de recherche et développement.

Ce type d’initiative illustre une tendance de fond : la puissance de calcul, les données et les chercheurs deviennent des ressources stratégiques. La coopération entre entreprises, universités et pouvoirs publics peut accélérer l’innovation. Elle doit toutefois s’accompagner de garde-fous sur la sécurité, l’intérêt général, l’accès aux technologies et l’utilisation des données personnelles.

Ce qu’il faut surveiller d’ici à 2030

La trajectoire du marché de l’IA dépendra moins des seules annonces que de la capacité des acteurs à résoudre des problèmes concrets. Plusieurs signaux méritent une attention particulière :

• la capacité des entreprises à démontrer des gains réels, au-delà des effets d’annonce ;
• l’évolution des coûts de calcul, d’énergie et d’accès aux infrastructures ;
• la mise en œuvre progressive des règles européennes sur l’IA ;
• la formation des salariés dont les métiers sont transformés par l’automatisation ;
• l’accès des petites entreprises et des territoires moins dotés aux outils et aux compétences.

En octobre 2024, l’IA apparaît ainsi comme un moteur économique puissant, mais non comme une solution automatique. Le secteur peut continuer à croître rapidement tout en rencontrant des limites très concrètes : qualité des données, coût des infrastructures, confiance des utilisateurs, règles juridiques et répartition inégale des bénéfices. Les entreprises qui tireront le mieux parti de cette vague seront probablement celles qui traiteront ces contraintes comme des conditions de réussite, et non comme des sujets secondaires.