IA : comment distinguer l’innovation durable des bulles spéculatives locales

L’intelligence artificielle est devenue, en 2025, l’un des principaux moteurs de transformation des entreprises et des marchés financiers. Elle promet d’automatiser des tâches, d’accélérer la recherche, d’améliorer les services et de renouveler des pans entiers de l’économie. Mais cette promesse s’accompagne d’une autre dynamique, plus fragile : des investissements massifs sont engagés avant que les revenus et les gains de productivité ne soient pleinement démontrés.

C’est cette coexistence qui explique la notion de « bulle locale » appliquée à l’IA. Il ne s’agit pas nécessairement d’une bulle géographique. L’expression désigne plutôt des segments précis du marché, une catégorie de jeunes entreprises, une technologie très médiatisée ou une action cotée, dans lesquels les attentes peuvent se détacher de la réalité économique. L’enjeu n’est donc pas de choisir entre croire ou non à l’IA, mais de distinguer les usages solides de l’emballement spéculatif.

L’IA change déjà l’économie, mais pas au même rythme partout

L’IA désigne un ensemble de techniques capables de traiter des données, de reconnaître des motifs, de produire du texte, du code ou des images, et d’aider à la décision. Depuis l’essor des modèles d’IA générative, les entreprises ont multiplié les expérimentations : assistants conversationnels, aide à la programmation, analyse documentaire, prévision logistique, outils de création et automatisation du service client.

Ces usages peuvent avoir une valeur très concrète. Dans une entreprise, l’intérêt d’un outil ne se mesure pas à la sophistication de sa démonstration, mais à des critères simples : fait-il gagner du temps ? Réduit-il des erreurs ? Améliore-t-il un service ? Son coût de déploiement est-il inférieur au bénéfice obtenu ? Cette étape de validation est essentielle, car l’IA mobilise souvent des ressources importantes, notamment en données, en expertise, en puissance de calcul et en formation des équipes.

La diffusion technologique n’est jamais homogène. Certaines organisations disposent déjà de données bien structurées, d’équipes techniques et de processus adaptés. Elles peuvent intégrer l’IA plus rapidement. D’autres se heurtent à des obstacles moins visibles : données incomplètes, outils informatiques anciens, règles de confidentialité, difficulté à vérifier les réponses générées ou manque de compétences internes.

Pourquoi parle-t-on de bulles locales autour de l’IA ?

Une bulle financière apparaît lorsque le prix d’un actif, ou la valeur attribuée à une entreprise, progresse surtout sous l’effet d’anticipations très optimistes. Dans le secteur de l’IA, le phénomène peut concerner une start-up qui se présente comme un futur leader sans avoir encore trouvé de clients réguliers, un fournisseur d’infrastructure dont la croissance attendue est déjà largement intégrée dans le cours de Bourse, ou une entreprise qui met l’IA au centre de sa communication sans bénéfice démontré.

Le parallèle avec la période dot-com ne signifie pas que l’IA serait une illusion. L’Internet a profondément transformé l’économie malgré l’éclatement de nombreuses valorisations excessives au début des années 2000. La leçon est différente : une technologie peut être durable tandis que certaines entreprises, certains modèles économiques et certaines anticipations échouent.

Dans l’analyse évoquée par Dan Buckley, de DayTrading.com, le climat autour de l’IA est marqué par un fort optimisme. 560 milliards de dollars auraient été investis dans le secteur au cours des deux années précédentes. En regard, les revenus supplémentaires attendus sont évalués à environ 35 milliards de livres sterling, ce qui fait apparaître un écart de 525 milliards de dollars dans le raisonnement cité.

Ces montants doivent être interprétés avec prudence : ils comparent des dépenses et des revenus attendus, sur des périmètres qui peuvent différer, et ils sont exprimés dans deux monnaies différentes. Ils illustrent néanmoins le cœur du débat : les marchés financent aujourd’hui une capacité future, alors que les recettes immédiates restent, dans de nombreux cas, limitées au regard des sommes investies.

Les dépenses d’infrastructure précèdent-elles les revenus ?

L’IA générative requiert une infrastructure lourde. Entraîner et exploiter de grands modèles nécessite des puces spécialisées, des centres de données, de l’électricité, des réseaux et des équipes d’ingénieurs. Les grandes entreprises technologiques investissent donc avant même que tous les usages ne soient stabilisés. Elles parient sur une demande future de services d’IA, de capacités de calcul et de logiciels intégrant ces modèles.

Cette logique n’est pas absurde. Dans de nombreux secteurs, l’infrastructure est construite en anticipation de la demande. Elle devient en revanche risquée si la croissance des ventes ralentit ou si les clients ne sont pas prêts à payer durablement le coût des services proposés.

Des acteurs comme CoreWeave et OpenAI mobilisent des ressources importantes pour répondre à la demande attendue. Les groupes déjà très rentables disposent, eux, d’un avantage considérable : ils peuvent financer leurs investissements grâce à leurs activités existantes. La publication d’origine cite notamment Microsoft et Nvidia, dont les flux de trésorerie et les marges bénéficiaires offrent une capacité de résistance supérieure à celle de nombreuses jeunes pousses.

La situation est très différente pour une start-up. Lorsqu’une entreprise dépend principalement du capital-risque ou de l’endettement, elle doit régulièrement convaincre de nouveaux investisseurs. Si les conditions de financement se durcissent, si les taux d’intérêt restent élevés ou si les promesses commerciales tardent à se réaliser, son développement peut être brutalement freiné. Une bonne technologie ne protège pas automatiquement d’un manque de liquidités.

L’IA washing, un risque pour les investisseurs et les clients

Dans un marché très concurrentiel, l’étiquette « IA » est devenue un argument commercial puissant. Certaines entreprises peuvent être tentées de surestimer le rôle réel de l’intelligence artificielle dans leurs produits afin d’attirer des clients, des partenaires ou des financements. On parle parfois d’« AI washing », par analogie avec le greenwashing : la communication donne l’image d’une transformation technologique plus avancée que ce que les usages effectifs permettent d’établir.

Ce risque ne concerne pas uniquement les investisseurs. Un client qui achète une solution présentée comme autonome, performante et immédiatement rentable peut découvrir que l’outil demande en réalité une surveillance humaine importante, des données supplémentaires ou une intégration coûteuse. L’écart entre la promesse et l’usage peut alors dégrader la confiance dans l’ensemble du secteur.

Pour séparer un projet crédible d’un discours essentiellement promotionnel, plusieurs questions sont utiles :

• quel problème précis la solution résout-elle ?
• quels résultats mesurables peut-elle présenter ?
• quel est son coût total, y compris l’intégration et le contrôle humain ?
• les clients utilisent-ils réellement le produit de manière récurrente ?
• l’entreprise peut-elle financer son activité sans dépendre indéfiniment de nouvelles levées de fonds ?

Une réponse claire à ces questions ne garantit pas le succès. Elle permet toutefois de replacer l’évaluation d’une entreprise sur des bases plus concrètes que la seule popularité de l’IA.

Pourquoi l’enthousiasme boursier peut-il amplifier le risque ?

Les marchés financiers ne valorisent pas seulement les résultats présents. Ils intègrent aussi ce qu’ils anticipent des revenus futurs. Cette logique favorise les entreprises capables de démontrer une croissance rapide, mais elle peut aussi amplifier les mouvements collectifs. Lorsque les investisseurs craignent de manquer une occasion, ils peuvent acheter des titres à des niveaux élevés parce que d’autres investisseurs font de même.

L’arrivée d’investisseurs débutants, influencés par les récits médiatiques et les tendances sur les réseaux sociaux, peut accentuer ce phénomène. Dans ce contexte, les fondamentaux économiques, comme le chiffre d’affaires, les marges, le niveau d’endettement ou la fidélité des clients, risquent de passer au second plan.

Le danger n’est pas seulement la hausse excessive d’un cours. C’est aussi la violence potentielle du retournement. Si les résultats publiés ne confirment pas les attentes, si la demande ralentit ou si un concurrent propose une solution moins coûteuse, la confiance peut se dégrader rapidement. Les entreprises les plus dépendantes du financement externe sont généralement les plus exposées.

Une correction n’effacerait pas l’utilité de l’IA

L’histoire économique montre qu’un ajustement financier et une révolution technologique peuvent coexister. Les entreprises qui survivent à une phase de correction sont souvent celles qui disposent d’un produit utile, de clients récurrents, d’une gestion prudente et d’une capacité à réduire leurs coûts sans abandonner leur feuille de route.

Pour l’IA, les applications les plus robustes seront probablement celles qui s’insèrent dans un processus clairement identifié. Dans la finance, la logistique ou les médias, par exemple, la technologie peut assister l’analyse, accélérer le tri de documents, améliorer la planification ou faciliter certaines tâches de production. Mais son déploiement durable suppose des contrôles humains, une évaluation de la qualité des résultats et une gouvernance des données.

Eric Schmidt, ancien dirigeant de Google, considère l’IA comme une infrastructure d’une nouvelle ère industrielle appelée à durer. Cette vision de long terme explique la poursuite des investissements, même dans un environnement de taux d’intérêt élevés. Des rendez-vous professionnels tels que l’AI & Big Data Expo illustrent également cette maturité progressive du débat : les acteurs du secteur ne discutent plus seulement des capacités spectaculaires des modèles, mais aussi de l’intégration, de la sécurité, des coûts et du retour sur investissement.

Ce qu’il faut surveiller pour évaluer la solidité du marché

La trajectoire de l’IA dépendra moins des annonces que de preuves concrètes d’adoption. Les investisseurs, les entreprises et les décideurs publics devront observer la vitesse à laquelle les expérimentations deviennent des outils utilisés quotidiennement, ainsi que la part des gains réellement attribuable à ces outils.

Quatre signaux méritent une attention particulière. D’abord, l’évolution des revenus récurrents issus de services d’IA, qui permettra de savoir si les clients paient durablement pour ces solutions. Ensuite, le rapport entre les dépenses d’infrastructure et la croissance des ventes. Il faudra également suivre la situation financière des start-ups, très sensible au niveau du capital-risque et aux conditions de crédit. Enfin, la transparence des entreprises sur les performances et les limites de leurs produits restera décisive.

L’IA peut devenir une composante structurelle de l’économie sans que toutes les valorisations actuelles soient justifiées. La prudence ne consiste pas à se tenir à l’écart de l’innovation. Elle consiste à chercher les usages qui créent une valeur vérifiable, à accepter que l’adoption prendra du temps et à ne pas confondre une promesse technologique avec un bénéfice déjà acquis.