IA : pourquoi l’âge d’or pourrait passer par une phase de désillusion

L’intelligence artificielle suscite deux sentiments apparemment contradictoires : la conviction qu’elle va transformer durablement l’économie et la crainte que les attentes financières placées dans cette transformation aient pris trop d’avance sur la réalité. Ces deux idées peuvent coexister. Une technologie peut être appelée à compter pendant des décennies tout en traversant, auparavant, une période de spéculation, de déceptions et de recalibrage brutal.

En août 2025, le débat ne porte donc plus seulement sur les capacités des assistants conversationnels ou des générateurs d’images. Il porte sur l’infrastructure qui les rend possibles : des centres de données, des puces et une énergie considérable. Les montants annoncés sont si élevés qu’ils posent une question centrale : les revenus tirés de l’IA progresseront-ils assez vite pour justifier cette course aux investissements ?

L’innovation suit-elle vraiment un cycle de chute puis de renouveau ?

L’histoire des technologies montre fréquemment une succession de phases. Une invention convaincante attire des capitaux, de nouveaux concurrents et une attention médiatique intense. Les promesses s’élargissent alors plus vite que les usages réellement déployés. Vient parfois une période de désillusion : certaines entreprises disparaissent, les valorisations baissent et les projets les moins robustes sont abandonnés. Les applications qui répondent à un besoin clair peuvent ensuite s’installer durablement.

Ce mécanisme est souvent rapproché de la « destruction créatrice ». L’expression désigne le renouvellement d’une économie par lequel de nouvelles activités remplacent ou transforment des activités plus anciennes. Il ne s’agit pas d’une loi automatique, ni d’un calendrier permettant de prédire une chute précise. Mais il rappelle un point utile : le destin d’une technologie et celui de chaque entreprise qui s’en réclame ne se confondent pas.

La bulle internet de la fin des années 1990 et du début des années 2000 en fournit une illustration connue. L’éclatement de nombreuses valorisations n’a pas fait disparaître Internet. Il a plutôt écarté ou affaibli des modèles économiques fragiles, tandis que le réseau est devenu une infrastructure essentielle. La comparaison a ses limites, car l’IA repose aujourd’hui sur des capacités de calcul, des données et des contraintes énergétiques très différentes. Elle invite néanmoins à distinguer l’innovation elle-même de l’emballement qui peut l’entourer.

Plus de 750 milliards de dollars misés sur les centres de données

Le signe le plus spectaculaire de l’accélération actuelle est la construction d’infrastructures. Les grands acteurs technologiques investissent dans des centres de données capables d’entraîner et de faire fonctionner des modèles d’IA. Ces installations rassemblent des milliers de processeurs spécialisés, des systèmes de stockage, des réseaux très rapides et des équipements de refroidissement.

Les estimations évoquées dans ce débat font état de plus de 750 milliards de dollars d’investissements dans les centres de données liés à l’IA. Les projections citées montent jusqu’à 3 000 milliards de dollars d’ici 2029. En français, un trillion au sens américain correspond à mille milliards : 3 trillions de dollars représentent donc 3 000 milliards de dollars.

Ces chiffres doivent être lus avec méthode. Un investissement dans un centre de données ne correspond pas automatiquement à un profit, ni même à un usage adopté par le grand public ou les entreprises. Il représente d’abord une capacité disponible. Pour être rentable, celle-ci doit être utilisée de façon suffisamment intensive, avec des clients prêts à payer pour l’entraînement des modèles, l’inférence, le stockage et les services associés.

L’enjeu est aussi matériel. Plus l’IA générative se diffuse, plus la demande en puissance de calcul, en composants et en électricité augmente. Les entreprises ne se livrent pas uniquement une bataille logicielle : elles cherchent à sécuriser des ressources physiques rares, coûteuses et longues à déployer.

Pourquoi parle-t-on d’une bulle de l’IA ?

Le mot « bulle » désigne une situation où les prix des actifs et les anticipations montent davantage que ce que les résultats économiques présents semblent justifier. Cela ne revient pas à nier les progrès techniques. Une entreprise peut disposer d’une technologie impressionnante et rester survalorisée si ses dépenses dépassent durablement ses recettes ou si elle ne trouve pas de marché à la hauteur de ses ambitions.

Parmi les voix citées dans ce débat, Michael Perez alerte sur l’idée que l’IA pourrait traverser une phase de bulle. Plusieurs facteurs nourrissent cette inquiétude : une multiplication de jeunes pousses aux offres proches, des annonces commerciales très ambitieuses, des modèles coûteux à entraîner et à exploiter, ainsi qu’une difficulté persistante à mesurer le retour sur investissement dans certains métiers.

Il faut surtout distinguer trois réalités. D’abord, les capacités des modèles progressent réellement dans de nombreuses tâches. Ensuite, les produits proposés ne trouvent pas tous immédiatement leur public, notamment lorsqu’ils manquent de fiabilité, d’intégration aux outils existants ou de cadre de responsabilité clair. Enfin, les marchés financiers anticipent : ils valorisent aujourd’hui une croissance que les entreprises devront démontrer demain.

Une correction serait douloureuse, mais pas forcément un arrêt de l’innovation

Si les revenus de l’IA ne rejoignaient pas rapidement les prévisions les plus optimistes, un ajustement pourrait prendre plusieurs formes. Des projets de centres de données pourraient être reportés, des start-ups auraient davantage de mal à lever des fonds et les groupes technologiques seraient poussés à mieux justifier leurs dépenses. Les entreprises les moins différenciées, ou celles dont la technologie dépend entièrement de fournisseurs plus puissants, seraient particulièrement exposées.

Cette période pourrait aussi avoir des effets utiles. La rareté du capital pousserait les acteurs à privilégier les applications dont le bénéfice est mesurable : réduction d’un délai de traitement, amélioration de la détection d’erreurs, automatisation d’une tâche répétitive, meilleure qualité de service ou aide à la décision documentée. Elle encouragerait aussi le développement de modèles plus efficaces, capables de produire des résultats utiles avec moins de calcul.

Le risque, lui, ne se limiterait pas à la finance. Un ralentissement trop violent peut freiner la recherche, réduire les recrutements et concentrer davantage le marché entre les mains de quelques groupes disposant de moyens considérables. Une baisse des valorisations n’aurait donc pas les mêmes conséquences pour une grande plateforme déjà rentable, un fournisseur de puces, un laboratoire de recherche et une jeune entreprise sans revenus établis.

Où l’IA peut-elle produire une valeur concrète ?

L’IA ne se résume pas aux interfaces conversationnelles. Ses défenseurs mettent en avant des domaines où elle peut assister des spécialistes face à des problèmes complexes, à condition de conserver un contrôle humain adapté. La médecine figure parmi les secteurs les plus souvent cités. Une étude récente évoquée dans ce contexte suggère que des médecins aux urgences pourraient s’appuyer sur l’IA pour la prise en charge de patients souffrant de traumatismes sévères.

Dans un environnement médical, une telle aide ne signifie pas que la machine remplace le médecin. Son rôle potentiel consiste à organiser des informations, à signaler des éléments à examiner ou à appuyer des décisions dans un contexte où chaque minute compte. L’intérêt clinique dépend toutefois de conditions exigeantes : données de qualité, validation sur des patients représentatifs, intégration dans le travail des soignants et responsabilité clairement définie en cas d’erreur.

L’IA est également mobilisée pour explorer des équations complexes utiles à la découverte de médicaments et à la conception de nouveaux matériaux. Ici, la promesse n’est pas magique : un modèle peut aider à formuler des hypothèses, à trier un grand nombre de pistes ou à simuler certaines propriétés. Les résultats doivent ensuite être vérifiés par l’expérimentation et l’expertise scientifique. C’est précisément dans cette articulation entre calcul et validation que peuvent naître des gains durables.

La compétition porte aussi sur les puces. L’entreprise Arago a levé 26 millions de dollars pour développer un composant d’IA présenté comme pouvant être jusqu’à 10 fois plus efficace qu’un GPU conventionnel. Les GPU, initialement conçus pour le calcul graphique, sont devenus la pièce maîtresse de l’entraînement de nombreux modèles. Toute architecture réduisant fortement les besoins en calcul ou en énergie pourrait donc changer l’équation économique de l’IA. Cette promesse reste à confirmer dans des usages industriels concrets et à grande échelle.

L’IA, un enjeu industriel et géopolitique

La bataille pour l’IA dépasse largement le cadre des entreprises technologiques. Elle concerne la capacité d’un pays à disposer de chercheurs, de données, de centres de données, de puces avancées, d’une production électrique suffisante et de règles favorables à l’innovation. Ces ressources déterminent en partie qui pourra développer et utiliser les systèmes les plus puissants.

En août 2025, Donald Trump, revenu à la présidence des États-Unis en janvier 2025, appelle la Silicon Valley à libérer son potentiel dans l’IA afin de préserver la suprématie mondiale américaine. Cette position illustre une tendance forte : l’IA est perçue comme un levier de compétitivité, de souveraineté technologique et de puissance internationale.

Cette rivalité peut accélérer les investissements, mais elle complique aussi la situation. Les chaînes d’approvisionnement des semi-conducteurs sont mondiales, les infrastructures coûtent cher et les règles d’exportation peuvent influencer l’accès aux composants. Pour les entreprises comme pour les États, la question n’est plus seulement de créer un bon modèle : il faut pouvoir l’entraîner, l’exploiter et le maintenir dans la durée.

Comment les entreprises peuvent-elles se préparer ?

Face à l’incertitude, le réflexe le plus risqué consiste à adopter l’IA uniquement parce que les concurrents le font. Une démarche solide commence par un problème précis. Quel processus est trop lent ? Quelle erreur coûte cher ? Quelle information est difficile à retrouver ? Quelle décision mérite une meilleure analyse ? L’outil doit être évalué à partir de ces questions, plutôt qu’à partir d’une promesse générale d’automatisation.

Quelques principes permettent de réduire l’exposition à un retournement du marché :

• commencer par des projets pilotes avec des critères de réussite mesurables ;
• vérifier les coûts complets, y compris l’intégration, la supervision humaine et la sécurité des données ;
• éviter de dépendre d’un seul fournisseur lorsque cela fragilise l’activité ;
• former les équipes afin qu’elles sachent contrôler les résultats plutôt que les accepter aveuglément ;
• privilégier les usages qui améliorent déjà un processus existant au lieu de poursuivre une démonstration sans débouché clair.

Cette discipline ne protège pas de tous les aléas économiques, mais elle évite de confondre fascination technologique et création de valeur. Elle permet aussi de conserver les bénéfices d’un outil lorsque l’environnement financier devient moins favorable.

Ce qu’il faut surveiller d’ici 2029

Les prochaines années diront moins si l’IA est une révolution que sous quelle forme elle s’imposera. Les premiers indicateurs à surveiller seront le taux d’utilisation réel des nouveaux centres de données, l’évolution des coûts de calcul, la capacité des entreprises à facturer des services rentables et la diffusion d’applications validées dans des secteurs sensibles comme la santé.

Il faudra également observer la consolidation du marché. Une phase de refroidissement pourrait éliminer des offres interchangeables tout en renforçant les acteurs qui possèdent une technologie différenciante, des clients fidèles ou une infrastructure difficile à reproduire. L’essor de puces plus efficientes sera tout aussi décisif : il pourrait rendre l’IA moins coûteuse et moins dépendante d’une croissance sans fin des centres de données.

L’« âge d’or » souvent annoncé ne se mesurera donc pas à la seule taille des levées de fonds ou au nombre de modèles publiés. Il se reconnaîtra à des gains concrets, répétés et accessibles, dans le travail, la science, les services publics et les soins. Avant d’y parvenir, l’IA pourrait bien devoir traverser l’épreuve la plus classique des grandes révolutions technologiques : prouver que l’enthousiasme peut devenir une économie durable.