IA en 2025 : pourquoi les coûts baissent et la course mondiale s’intensifie

L’intelligence artificielle n’est plus seulement une promesse technologique réservée aux laboratoires et aux grandes plateformes. En avril 2025, les chiffres disponibles montrent un double mouvement : l’argent investi atteint des sommets, tandis que les modèles deviennent nettement moins coûteux à utiliser. Pour les entreprises, le sujet n’est donc plus seulement de savoir s’il faut essayer l’IA, mais où elle apporte une valeur réelle, avec quelles données et sous quelles règles.

Cette accélération ne signifie pas que toutes les organisations disposent soudainement des mêmes moyens. Concevoir un modèle de pointe demeure une entreprise industrielle très coûteuse. En revanche, exploiter des modèles existants, les intégrer à des outils métiers ou adapter des modèles dont les poids sont accessibles devient possible pour davantage d’acteurs. C’est ce décalage, entre concentration de la recherche de frontière et démocratisation progressive des usages, qui dessine le paysage de l’IA en 2025.

Les chiffres de 2024 éclairent l’année 2025

Les tendances observées en 2025 reposent largement sur les données de l’année 2024, dernière année complète mesurée. Elles révèlent une adoption beaucoup plus large de l’IA dans les organisations : 78 % d’entre elles déclarent l’avoir intégrée à leurs processus, contre 55 % en 2023.

Cette progression ne veut pas dire que 78 % des entreprises ont entièrement automatisé leur activité, ni que toutes utilisent les mêmes outils. Une organisation peut, par exemple, employer un assistant de rédaction, un outil de synthèse documentaire, une solution de prévision ou un système d’analyse de données dans une seule fonction. Mais le changement d’échelle est net : l’IA quitte le stade de l’expérimentation isolée pour entrer dans les arbitrages opérationnels.

Des investissements privés records, concentrés aux États-Unis

Les États-Unis restent le centre de gravité financier de l’intelligence artificielle. Les investissements privés américains dans ce domaine ont atteint 109,1 milliards de dollars en 2024, un record et un montant près de douze fois supérieur à celui enregistré en Chine. Cette puissance financière permet de financer à la fois le calcul informatique, les équipes de recherche, les jeux de données, les infrastructures de centres de données et le déploiement commercial des produits.

L’IA générative, c’est-à-dire les systèmes capables de produire du texte, du code, des images ou d’autres contenus à partir d’une instruction, concentre une grande partie de l’attention. À l’échelle mondiale, elle a attiré 33,9 milliards de dollars d’investissements privés en 2024, soit une hausse de 18,7 % par rapport à l’année précédente.

Cet afflux de capitaux répond à une attente simple : améliorer la productivité et accélérer certaines tâches intellectuelles. Les usages cités dans les entreprises couvrent notamment la rédaction de documents, l’assistance au développement informatique, le service client, la recherche dans les bases documentaires, l’analyse de données et la préparation de contenus marketing. Les effets ne sont toutefois ni automatiques ni uniformes. Une réponse convaincante en démonstration peut devenir peu fiable si elle s’appuie sur des informations incomplètes, obsolètes ou mal structurées.

Pour une direction d’entreprise, la question stratégique consiste donc à distinguer les cas d’usage où l’IA fait gagner du temps sans introduire un risque disproportionné. Les tâches répétitives, les premiers brouillons, le classement d’information et l’aide à la recherche sont souvent plus faciles à encadrer que les décisions engageant directement la santé, le droit, les finances ou l’accès à un service essentiel.

Les États-Unis dominent encore les modèles, la Chine réduit l’écart

La compétition ne porte pas seulement sur les financements. Elle concerne aussi la capacité à créer les modèles les plus avancés, ces systèmes généraux entraînés sur de très grands volumes de données et capables de remplir une large variété de tâches. En 2024, les États-Unis ont produit 40 modèles notables, contre 15 pour la Chine.

L’avance américaine ne doit pas masquer une évolution importante : l’écart de performances entre les modèles chinois et américains s’est réduit sur des évaluations comme MMLU et HumanEval. Le premier benchmark mesure les capacités d’un modèle à répondre à des questions couvrant de nombreux domaines de connaissance. Le second évalue notamment la génération de code. La quasi-parité observée sur certains tests signifie que la compétition technologique est devenue plus serrée, pas que tous les modèles se valent dans tous les usages réels.

Les benchmarks restent indispensables pour comparer des systèmes, mais ils ont leurs limites. Ils ne suffisent pas à mesurer la robustesse d’un modèle face à des documents internes, sa capacité à respecter des consignes complexes, le coût de son intégration ou le niveau de contrôle offert à l’entreprise qui l’utilise. Un modèle très bien classé n’est pas automatiquement le meilleur choix pour une PME, une administration ou un métier réglementé.

Pour l’Europe, l’enjeu n’est pas seulement de faire émerger des modèles généralistes rivalisant à tous points de vue avec les plus grands acteurs américains et chinois. Il est aussi de transformer ses compétences scientifiques, ses secteurs industriels, ses langues et ses exigences réglementaires en solutions utiles, spécialisées et fiables.

Les modèles open-weight élargissent les choix des entreprises

La baisse des coûts s’accompagne d’une autre évolution majeure : la progression des modèles dits « open-weight ». Cette expression signifie que les paramètres entraînés du modèle, appelés poids, sont mis à disposition sous certaines conditions de licence. Elle ne signifie pas nécessairement que tout est ouvert, notamment les données d’entraînement, le code complet ou le droit de réutiliser le système sans restriction.

Ces modèles donnent davantage d’options aux organisations qui souhaitent exécuter une IA dans leur propre environnement, la personnaliser ou mieux maîtriser certains flux de données. Ils peuvent aussi alimenter un écosystème de développeurs, d’intégrateurs et de chercheurs qui adaptent la technologie à des besoins plus précis. En 2024, l’écart de performance entre modèles ouverts et modèles fermés s’est réduit, ce qui rend ce choix plus crédible pour de nombreux usages.

La décision ne se limite donc pas à opposer gratuitement l’ouvert au fermé. Un modèle accessible par une interface en ligne peut être plus rapide à déployer et plus simple à maintenir. Un modèle open-weight peut offrir davantage de contrôle, mais exige des compétences techniques, une infrastructure et une politique de sécurité adaptées. Dans les deux cas, la question des données envoyées au modèle doit être traitée avant le déploiement, surtout lorsqu’il s’agit de documents confidentiels ou de données personnelles.

Pourquoi le coût de l’IA baisse-t-il aussi rapidement ?

Le mouvement le plus spectaculaire concerne le prix d’utilisation des modèles. Entre novembre 2022 et octobre 2024, le coût d’exploitation d’un système au niveau de performance de GPT-3.5 a été divisé par plus de 280. Cette baisse ne veut pas dire que tous les usages d’IA sont devenus presque gratuits. Les modèles les plus puissants, les requêtes très longues, l’analyse de fichiers volumineux et les déploiements à grande échelle peuvent encore représenter des budgets importants. Mais le seuil d’entrée a profondément changé.

Plusieurs mécanismes expliquent ce recul : matériel plus performant, optimisation des logiciels, modèles plus efficaces et concurrence entre fournisseurs. Les coûts matériels ont diminué d’environ 30 % par an, tandis que l’efficacité énergétique des infrastructures a progressé de 40 %. Autrement dit, les mêmes ressources de calcul permettent d’obtenir davantage de capacités, à un coût plus faible.

Pour les PME, cette évolution est particulièrement structurante. Elles n’ont pas besoin d’entraîner un modèle géant pour bénéficier de l’IA. Elles peuvent utiliser un service existant, connecter un modèle à une base documentaire, automatiser une étape précise d’un processus ou faire appel à un intégrateur. L’investissement principal se déplace alors souvent vers la préparation des données, le paramétrage, la sécurité, les tests et l’accompagnement des salariés.

La baisse des prix favorise aussi une multiplication des essais. C’est une opportunité, à condition de ne pas confondre expérimentation et transformation. Un pilote utile doit définir son objectif, les personnes responsables, les informations autorisées, les critères de qualité et une procédure en cas d’erreur. Sans cela, une organisation risque d’accumuler des outils redondants et de créer de nouvelles zones d’ombre dans ses processus.

La recherche de pointe devient une activité industrielle

La création des modèles les plus performants relève de plus en plus du secteur privé. En 2024, près de 90 % des modèles notables provenaient de l’industrie, contre 60 % en 2023. Cette évolution s’explique par les moyens nécessaires : entraîner un modèle de frontière demande des processeurs spécialisés, une infrastructure massive, des volumes de données considérables et des équipes très qualifiées.

Le rôle des universités et des laboratoires publics ne disparaît pas pour autant. La recherche académique demeure essentielle pour faire progresser les connaissances fondamentales, proposer de nouvelles méthodes, étudier les limites des modèles et développer des outils d’évaluation. La concentration industrielle pose néanmoins une question de pluralisme : qui peut décider des priorités techniques, des règles d’accès et des conditions de déploiement des systèmes les plus puissants ?

La concurrence devient également plus homogène au sommet. En un an, l’écart de performance entre le premier et le dixième modèle classé est passé de 11,9 % à 5,4 %. Entre les deux meilleurs modèles, la différence est désormais minime. Pour les acheteurs, cela change l’approche : au lieu de rechercher systématiquement le modèle numéro un, il devient pertinent de comparer le coût, la vitesse, la sécurité, la compatibilité linguistique et la capacité à s’intégrer aux outils existants.

Ce qu’il faut surveiller en 2025

L’IA devrait continuer à se diffuser parce qu’elle est plus accessible et parce que la concurrence pousse les fournisseurs à améliorer rapidement leurs modèles. Mais cette diffusion place les organisations face à des choix concrets. La priorité n’est pas de déployer l’IA partout, mais de l’utiliser là où elle peut être contrôlée, évaluée et réellement utile.

Quatre sujets méritent une attention particulière :

• La fiabilité, car un modèle peut produire une réponse plausible mais inexacte. Les usages sensibles nécessitent une vérification humaine et des procédures de contrôle.
• La protection des données, car l’intégration d’un assistant dans les outils de travail soulève des questions de confidentialité, de conservation et d’accès aux informations.
• Les compétences, car les salariés doivent apprendre à formuler une demande, contrôler un résultat et comprendre les limites d’un système statistique.
• La gouvernance, car l’innovation rapide doit s’accompagner de règles claires sur les responsabilités, les usages autorisés et l’évaluation des risques.

La grande tendance de 2025 tient ainsi moins à l’apparition d’une intelligence artificielle unique qu’à la multiplication de modèles proches en performance, moins chers et plus faciles à mobiliser. Dans ce contexte, l’avantage compétitif ne reposera pas uniquement sur l’accès à la technologie. Il dépendra de la capacité à choisir le bon outil, à l’inscrire dans un processus solide et à conserver une responsabilité humaine sur les décisions qui comptent.