IA : essor technologique réel, mais les investissements font planer le risque de bulle

L’intelligence artificielle est devenue le terrain d’une double course. D’un côté, les entreprises veulent mettre les modèles génératifs au travail, automatiser certaines tâches et mieux exploiter leurs données. De l’autre, les fournisseurs de puces, les opérateurs de centres de données et les créateurs de modèles investissent à une échelle rarement vue dans la technologie. Cette accélération rend une chose certaine : l’IA n’est plus une démonstration de laboratoire. Elle ne permet pas encore de trancher une autre question, bien plus délicate : les montants engagés correspondent-ils à une activité durable, ou à des attentes financières trop élevées ?

Au 16 octobre 2025, les signaux sont contrastés. Les progrès des modèles sont rapides et leurs usages se multiplient. Mais les partenariats qui organisent la chaîne de valeur, entre fabricants de composants, concepteurs de logiciels et jeunes pousses très valorisées, forment un système étroitement imbriqué. Comprendre cette mécanique est essentiel pour distinguer le potentiel technologique réel d’une possible bulle spéculative.

Une course aux infrastructures à très grande échelle

Fin septembre 2025, Nvidia a annoncé un engagement pouvant aller jusqu’à 100 milliards de dollars envers OpenAI. L’objectif affiché est de soutenir le développement d’une nouvelle génération de centres de données. En parallèle, OpenAI s’est engagé à acquérir des millions de puces Nvidia destinées à faire fonctionner ces infrastructures.

Ce type d’annonce illustre un changement d’échelle. Les grands modèles de langage, capables de produire du texte, du code ou des images, ne sont pas de simples applications installées sur un ordinateur personnel. Leur entraînement et leur utilisation nécessitent des flottes de processeurs spécialisés, beaucoup d’électricité, des réseaux très rapides et des bâtiments capables de refroidir ces équipements. Les puces graphiques, ou GPU, sont particulièrement recherchées car elles effectuent en parallèle les très nombreux calculs requis par ces modèles.

OpenAI a également conclu un partenariat financier similaire avec AMD, autre acteur majeur des puces de calcul. Ces accords montrent à quel point les fabricants de matériel cherchent à sécuriser des clients de très grande taille, et à quel point les laboratoires d’IA cherchent, eux, à sécuriser un accès durable à la puissance de calcul.

Pourquoi ces accords font-ils craindre un financement circulaire ?

L’inquiétude ne porte pas sur le fait que des entreprises coopèrent. Dans un secteur industriel complexe, il est normal qu’un fournisseur soutienne un client prometteur, et qu’un client commande les produits de son fournisseur. Elle naît de l’intensité de ces relations et de leur effet possible sur les valorisations.

Lorsqu’un fabricant finance, directement ou indirectement, un acteur qui achète ensuite ses équipements, l’argent peut circuler à l’intérieur d’un même écosystème. Les annonces renforcent alors la confiance des marchés, facilitent de nouveaux financements et soutiennent des prévisions de ventes très ambitieuses. Cette dynamique peut être saine si les utilisateurs finaux paient réellement pour des services qui créent de la valeur. Elle devient plus fragile si les dépenses sont surtout alimentées par l’espoir que la croissance future absorbera les investissements actuels.

Le parallèle avec la fin des années 1990 tient à cette possibilité de transactions croisées entre fournisseurs et clients. À l’époque, certaines entreprises de la technologie avaient vu leurs valorisations s’envoler sur la promesse d’Internet, avant que le marché ne réévalue brutalement celles qui ne disposaient pas d’un modèle économique suffisamment solide. La comparaison a toutefois ses limites. L’Internet de cette période reposait sur des infrastructures et des usages encore émergents ; en 2025, l’IA est déjà déployée dans de nombreux logiciels et services.

La bonne question n’est donc pas de savoir si toute l’IA serait une bulle ou si tout investissement serait justifié. Un secteur peut connaître une innovation profonde tout en accueillant des paris excessifs. L’électricité, le chemin de fer ou Internet ont tous suscité des cycles d’euphorie financière, sans que leur utilité à long terme soit remise en cause.

Pour évaluer la solidité de la dynamique, il faut regarder plusieurs éléments : la capacité des entreprises à convertir leurs démonstrations en contrats récurrents, le coût réel de fonctionnement des modèles, la qualité des produits proposés et la diversité des clients finaux. Une valorisation élevée n’est pas à elle seule une preuve de fragilité, mais elle augmente l’exigence de résultats.

Des usages déjà concrets, bien au-delà des conversations avec un chatbot

Réduire l’IA à ChatGPT ou à la génération automatique de textes serait trompeur. Les systèmes d’apprentissage automatique sont utilisés depuis longtemps dans la recommandation de contenus, la détection de fraude, la vision par ordinateur, la traduction ou l’optimisation de processus. Les modèles génératifs ajoutent une interface plus simple : chacun peut formuler une demande en langage courant plutôt que manier un logiciel spécialisé.

Dans le tourisme et le commerce en ligne, l’IA sert notamment à lutter contre la fraude. Siddhartha Choudhury a souligné son utilité chez Booking.com pour mieux détecter des tentatives frauduleuses en ligne. Dans ce cas, la valeur ne dépend pas d’une conversation impressionnante avec une machine : elle se mesure à la réduction de faux messages, de paiements douteux ou de réservations frauduleuses. C’est précisément ce type d’usage ciblé qui peut rendre un investissement plus facile à évaluer.

Dans l’éducation, des outils comme ChatGPT modifient déjà la façon dont certains étudiants recherchent, reformulent et organisent l’information. Ils peuvent proposer des explications adaptées au niveau de l’apprenant, suggérer des exercices ou aider à structurer un raisonnement. Cette aide n’est utile que si elle s’accompagne d’un apprentissage de la vérification : un modèle peut produire une réponse fluide, mais inexacte, incomplète ou insuffisamment nuancée.

La santé constitue un autre domaine prometteur. Des travaux exploitent les algorithmes afin d’aider au dépistage précoce et à l’élaboration de traitements plus personnalisés. Les performances de ChatGPT dans certaines tâches liées à la santé ont également été mises en avant, tout en rappelant ses limites actuelles. Un assistant conversationnel n’a ni l’accès garanti à un dossier médical complet, ni la responsabilité clinique d’un professionnel de santé. Son intérêt potentiel se situe dans l’aide à l’information, à la documentation ou à certaines tâches encadrées, pas dans le remplacement du jugement médical.

Ce que disent vraiment les classements de modèles

Les classements des modèles les plus avancés en septembre 2025 témoignent de la vitesse de progression du secteur. En quelques mois, une amélioration dans le raisonnement, la programmation, la compréhension de documents ou la génération multimodale peut modifier la hiérarchie perçue entre les acteurs.

Mais un classement ne résume pas la valeur d’un modèle dans une organisation. Les évaluations mesurent souvent des performances sur des tâches standardisées. Elles sont utiles pour suivre les progrès techniques, mais ne répondent pas seules à des questions pratiques : le système est-il fiable sur les données de l’entreprise ? Son coût est-il compatible avec un déploiement à grande échelle ? Les employés savent-ils contrôler ses réponses ? Les données utilisées sont-elles suffisamment protégées ?

Un modèle qui obtient un excellent score peut se révéler trop coûteux, trop lent ou mal adapté à une tâche particulière. À l’inverse, un modèle moins spectaculaire sur un classement général peut suffire pour résumer des documents, classer des demandes clients ou assister une équipe interne. La compétition technologique est donc réelle, mais la création de valeur dépend autant de l’intégration dans les métiers que de la performance brute.

Jupiter, un signal de l’ambition européenne

L’Europe cherche elle aussi à renforcer ses moyens dans cette compétition mondiale. Le lancement de Jupiter, présenté comme un supercalculateur révolutionnaire, illustre cette ambition. Une telle infrastructure peut servir à des calculs scientifiques, à la recherche, au développement de modèles et à des projets industriels nécessitant une forte puissance de traitement.

Le sujet dépasse la performance symbolique. Disposer de capacités de calcul sur le continent peut aider les chercheurs, les entreprises et les institutions européennes à mener leurs travaux sans dépendre exclusivement d’infrastructures situées ailleurs. Cela ne garantit pas, à lui seul, l’émergence de champions européens de l’IA. Il faut aussi des logiciels, des jeux de données de qualité, des compétences, des financements et des débouchés commerciaux.

La coopération entre pays européens peut néanmoins créer une dynamique utile : mutualiser des infrastructures onéreuses, partager des compétences et soutenir des projets scientifiques ou industriels qui seraient trop coûteux pour un seul acteur. Le défi sera de transformer cette puissance technique en applications accessibles et compétitives.

Ce qu’il faut surveiller

La question de la bulle ne se réglera pas par une seule annonce d’investissement, même spectaculaire. Elle se jouera dans la durée, à mesure que les entreprises publieront des résultats, que les clients renouvelleront ou non leurs contrats, et que les coûts de calcul évolueront. La baisse du prix d’utilisation des modèles pourrait élargir les usages, mais elle pourrait aussi réduire les marges de certains fournisseurs.

Il faudra également suivre le niveau de concentration du marché. Si quelques entreprises contrôlent l’essentiel des puces, des centres de données et des modèles les plus utilisés, les clients pourraient devenir très dépendants de leurs choix technologiques et tarifaires. La concurrence de fournisseurs comme AMD, ainsi que les initiatives publiques européennes, constituent donc des éléments importants de l’équilibre à venir.

Enfin, la réussite de l’IA ne se mesurera pas seulement aux milliards annoncés ou aux performances de démonstration. Elle dépendra de la confiance accordée aux outils, de la protection des données, de la formation des utilisateurs et de la capacité des organisations à conserver un contrôle humain sur les décisions importantes. L’IA peut être à la fois une transformation durable et le théâtre d’excès financiers. Pour les distinguer, il faudra regarder les usages, les coûts et les résultats, plutôt que les seules promesses.