IA mondiale : les signes d’un ralentissement derrière la course aux milliards

L’intelligence artificielle donne l’impression d’avancer à toute vitesse : nouveaux modèles, centres de données géants, recrutements de chercheurs et annonces d’investissements se succèdent. Pourtant, à la rentrée de septembre 2025, plusieurs signaux invitent à tempérer le récit d’une progression automatique et sans limite. Les difficultés de Meta, les doutes suscités par GPT-5 et le bilan sévère des projets pilotes en entreprise posent une question simple : l’IA ralentit-elle, ou entre-t-elle dans une phase plus exigeante de son développement ?

La nuance est essentielle. Un recul de l’enthousiasme financier, un retard de produit ou l’échec d’un projet mal préparé ne prouvent pas que la recherche en IA est à l’arrêt. En revanche, ces éléments peuvent signaler que la transformation de démonstrations technologiques impressionnantes en outils rentables, fiables et réellement adoptés est plus difficile que ne le laissait entendre l’euphorie initiale.

Le ralentissement concerne surtout la promesse économique

Parler d’un ralentissement mondial de l’IA peut recouvrir trois réalités très différentes. La première est technologique : les modèles progressent-ils moins vite que prévu ? La deuxième concerne les entreprises : les outils déployés améliorent-ils effectivement la productivité, le service rendu ou les revenus ? La troisième est financière : les investisseurs accepteront-ils durablement des valorisations fondées sur des profits futurs encore incertains ?

Les informations disponibles en septembre 2025 nourrissent surtout les deux dernières interrogations. La demande en puissance de calcul demeure forte et les grands groupes continuent d’investir. Mais la capacité à convertir ces dépenses en résultats concrets est devenue un test beaucoup plus visible.

Cette coexistence de signaux contradictoires est au cœur du débat. L’IA peut rester une priorité industrielle tout en décevant, à court terme, les attentes de certaines entreprises et de certains investisseurs.

Meta illustre les difficultés de la course aux modèles

Meta fait partie des entreprises qui ont le plus investi pour attirer des spécialistes de l’IA. Le gel des embauches intervenu au cours de l’été 2025 a donc été particulièrement remarqué. Après une période de recrutement très offensif, cette décision suggère une volonté de reprendre la main sur le rythme de développement, les coûts ou l’organisation des équipes.

Un gel des recrutements ne doit pas être interprété mécaniquement comme un renoncement. Il peut répondre à des contraintes budgétaires, à une réorganisation ou au besoin de stabiliser des équipes qui ont grandi rapidement. Mais, dans un secteur où la compétition pour les chercheurs les plus expérimentés a longtemps été présentée comme déterminante, le signal est significatif.

Le report de Llama 4 Behemoth ajoute à ces interrogations. Ce grand modèle de langage était attendu comme une nouvelle vitrine technique de Meta. Or les améliorations obtenues par les ingénieurs auraient été marginales par rapport aux versions antérieures, malgré des moyens considérables. Les grands modèles de langage fonctionnent en prédisant la suite la plus probable d’un texte ou d’autres données. Leur entraînement exige donc d’immenses volumes de données, de calcul et d’énergie. Augmenter leur taille ou leur budget de calcul ne garantit pas, à lui seul, un saut de qualité perceptible pour les utilisateurs.

Le partenariat conclu par Meta avec la start-up Midjourney, connue pour ses outils de génération d’images, montre aussi que l’innovation ne passe pas seulement par le développement interne. Pour les géants du numérique, s’allier à des équipes spécialisées peut permettre d’accélérer certaines capacités, notamment dans l’IA générative multimodale, c’est-à-dire capable de traiter ou de produire plusieurs types de contenus.

Pourquoi 95 % des pilotes d’IA ne produisent-ils pas de résultats significatifs ?

Le chiffre est frappant : une étude du MIT indique que 95 % des projets pilotes d’IA en entreprise échouent à générer des résultats significatifs. Il ne faut pas en conclure que 95 % des technologies d’IA sont inutiles, ni que tous les projets sont voués à l’échec. Le constat porte sur des pilotes, c’est-à-dire des expérimentations limitées qui doivent encore démontrer leur valeur avant un déploiement plus large.

La distinction est importante. Un assistant conversationnel peut impressionner lors d’une démonstration, rédiger un résumé ou répondre à des questions générales. Mais il devient beaucoup plus difficile à intégrer dans un processus professionnel quand il faut garantir l’exactitude de ses réponses, protéger des données sensibles, se connecter aux outils existants, former les salariés et définir qui reste responsable en cas d’erreur.

Les professionnels interrogés dans le cadre de l’étude expriment notamment une défiance envers des outils perçus comme fragiles ou mal adaptés aux besoins réels. Cette fragilité peut prendre plusieurs formes : réponses inexactes, difficulté à reproduire un bon résultat, incompréhension du contexte métier ou coûts d’utilisation supérieurs aux gains attendus.

Pour qu’un projet ne reste pas au stade du test, une entreprise doit notamment pouvoir répondre à trois questions concrètes :

• Quel problème précis l’outil doit-il résoudre, et comment mesurer le gain obtenu ?
• Quelles données peut-il utiliser sans compromettre la confidentialité ou la qualité du travail ?
• Comment les équipes vont-elles contrôler ses résultats et l’intégrer dans leurs pratiques quotidiennes ?

L’enjeu n’est donc pas seulement de choisir le modèle le plus puissant. Il consiste à repenser un processus de travail de bout en bout. Une IA très performante en laboratoire peut apporter peu de valeur si elle ajoute des vérifications, ralentit les équipes ou ne s’insère pas dans les logiciels déjà utilisés.

GPT-5 et le doute sur la progression sans fin

La réception de GPT-5, le nouveau modèle d’OpenAI, a elle aussi alimenté les discussions. Les réactions négatives ou déçues montrent combien les attentes étaient élevées. À mesure que les modèles deviennent plus coûteux à entraîner et plus présents dans le débat public, chaque lancement est jugé non seulement sur ses capacités réelles, mais aussi sur sa faculté à justifier la promesse d’une amélioration continue.

Sam Altman, habituellement très optimiste sur les perspectives de l’IA, a exprimé ses préoccupations dans ce contexte. Le sujet dépasse OpenAI. Une partie des valorisations du secteur repose sur l’idée que les modèles avanceront rapidement vers des capacités toujours plus générales, capables d’accomplir une gamme élargie de tâches intellectuelles.

L’ancien dirigeant de Google Eric Schmidt a coécrit une tribune dans le New York Times critiquant l’obsession de la Silicon Valley pour l’intelligence artificielle générale. Son argument est d’abord économique : viser une technologie hypothétique et très générale risque de détourner l’attention des usages immédiatement utiles, des contraintes de déploiement et de la rentabilité.

Les milliards continuent d’affluer vers les infrastructures

Malgré ces réserves, les dépenses ne ralentissent pas au même rythme que l’enthousiasme autour de certains produits. Près de 375 milliards de dollars devraient être consacrés à l’infrastructure de l’IA en 2025. UBS estime que ce montant pourrait atteindre 500 milliards de dollars en 2026. Ces sommes concernent les puces, les serveurs, les centres de données, les réseaux, le cloud et l’ensemble des moyens nécessaires à l’entraînement et à l’utilisation des modèles.

Cette dynamique explique pourquoi l’IA pèse déjà sur l’économie au-delà des seules start-up. Aux États-Unis, les dépenses de logiciels et d’infrastructures informatiques liées à l’IA auraient représenté un quart de la croissance récente. L’IA aurait également contribué à une croissance supérieure aux attentes, de 3,3 % au deuxième trimestre.

Ces chiffres ne signifient pas que l’IA a, à elle seule, transformé tous les secteurs de l’économie. Ils soulignent plutôt un effet de concentration : la construction de capacités informatiques génère immédiatement des commandes, des investissements et de l’activité, même lorsque les bénéfices à long terme des applications restent à établir.

C’est la raison pour laquelle deux rythmes coexistent. D’un côté, les entreprises clientes cherchent des usages rentables et hésitent devant des outils imparfaits. De l’autre, les fournisseurs de calcul et les groupes technologiques investissent pour ne pas manquer une infrastructure qu’ils jugent stratégique. L’écart entre ces deux rythmes est un risque : si les usages ne suivent pas, les dépenses actuelles pourraient être difficiles à rentabiliser.

Une correction pourrait-elle assainir le secteur ?

Des experts envisagent la possibilité d’un krach des valeurs liées à l’IA. Il s’agirait d’une correction des anticipations financières, et non nécessairement d’un effondrement des technologies elles-mêmes. Les deux phénomènes doivent être distingués : une entreprise peut voir sa valorisation reculer tout en continuant à développer des produits utiles, et une technologie peut progresser même si certains projets financés dans l’euphorie échouent.

L’historienne de l’économie Carlota Perez a étudié les grandes révolutions technologiques comme une succession de phases d’enthousiasme, de spéculation, de correction et de diffusion plus large. Dans cette lecture, les périodes de bulle et de krach ne sont pas souhaitables, car elles détruisent de la valeur et fragilisent des entreprises. Elles peuvent toutefois imposer une discipline : les capitaux se concentrent davantage sur les usages solides, les infrastructures se normalisent et les pouvoirs publics disposent de davantage de temps pour construire un cadre adapté.

Appliquée à l’IA, cette grille de lecture ne prédit ni une date ni l’ampleur d’une éventuelle correction. Elle rappelle seulement que l’histoire des technologies n’est pas une ligne droite. Un ralentissement de la spéculation pourrait donner aux organisations le temps de mieux préparer leurs données, d’évaluer les outils et de traiter les conséquences sur l’emploi, la protection des informations et la responsabilité des décisions automatisées.

Ce qu’il faut surveiller dans les prochains mois

La question centrale ne sera pas seulement de savoir quel acteur publiera le modèle le plus impressionnant. Il faudra observer si les entreprises parviennent à documenter des gains réels, durables et reproductibles. Les indicateurs les plus utiles seront la baisse du coût d’utilisation des outils, leur fiabilité dans des tâches précises, l’évolution des budgets d’infrastructure et la capacité des équipes à les adopter sans dégrader la qualité du travail.

Il faudra aussi suivre le comportement des investisseurs. Des dépenses de plusieurs centaines de milliards de dollars peuvent préparer des avancées majeures, mais elles accroissent aussi la pression pour produire des revenus à la hauteur des investissements. Enfin, les régulateurs et les entreprises auront à arbitrer entre accélération et prudence : confidentialité des données, impacts sociaux et contrôle humain ne sont pas des sujets secondaires, mais des conditions de confiance.

Le scénario le plus plausible n’est donc pas forcément celui d’un arrêt brutal de l’IA, ni celui d’une accélération illimitée. Le secteur semble plutôt entrer dans une période où la preuve de valeur compte autant que la démonstration technique. Pour les entreprises comme pour le public, cette phase plus pragmatique pourrait être moins spectaculaire, mais elle sera déterminante pour savoir quelles promesses de l’IA résisteront au réel.