LONDRES — Après des années d’attentes démesurées, le secteur de 

l’IA arrive à un tournant décisif. Malgré des investissements records, 

les investisseurs, les dirigeants et les conseils d’administration se 

montrent de plus en plus sceptiques quant à la capacité de l’IA à 

générer des gains de productivité significatifs dans un avenir proche.

Ce scepticisme à l’égard de l’IA s’explique par plusieurs facteurs. Tout 

d’abord, le coût d’utilisation des grands modèles linguistiques (LLM) 

ne cesse d’augmenter, souvent sans apporter d’avantages mesurables. 

Selon le Silicon Data Token Expenditure Index, les dépenses liées aux 

LLM ont doublé depuis 2025, alors même que le coût par jeton a chuté 

de plus de 90 % au cours des trois dernières années. 

En d’autres termes, l’utilisation de l’IA s’est développée si rapidement 

que la baisse des prix des tokens n’a pas suffi à réduire les dépenses 

globales, ce qui oblige les entreprises à payer plus cher que jamais. À 

l’échelle de l’économie, la Banque fédérale de réserve d’Atlanta estime 

que les entreprises augmenteront leurs dépenses en IA de 50 % en 

2026, pour atteindre 280 milliards de dollars.

Cette flambée des dépenses a mis en évidence une asymétrie 

fondamentale. Alors que les entreprises subissent une pression 

croissante pour justifier la hausse des coûts liés à l’IA, les fournisseurs 

de LLM dépendent de plus en plus de la consommation de jetons pour 

soutenir la croissance de leur chiffre d’affaires et justifier des 

valorisations boursières élevées. La question qui se pose naturellement est de savoir quand — et si — ces investissements commenceront à générer des gains de productivité 

significatifs ou des économies de coûts. Un rapport du MIT publié en 

2025 a révélé que 95 % des programmes pilotes d’IA générative, dont 

beaucoup visaient à accélérer la croissance du chiffre d’affaires, n’ont 

pas atteint leurs objectifs déclarés.

Une autre source de préoccupation réside dans le risque croissant que 

les entreprises déployant des outils d’IA ne cèdent involontairement 

leur propriété intellectuelle, leurs données et leur savoir-faire 

commercial, accumulés au fil des décennies, à de grands fournisseurs 

de modèles tels qu’OpenAI et Anthropic. Bien que les accords de 

licence et les garanties contractuelles limitent cette exposition, les 

fournisseurs de LLM peuvent néanmoins avoir accès à des 

informations révélant comment les entreprises créent, fixent le prix et 

capturent de la valeur.

Le différend entre Anthropic et Figma illustre bien cette tension. Figma 

s’était associé à Anthropic pour développer des assistants de 

conception basés sur l’IA, mais cette relation s’est tendue lorsque des 

informations ont révélé qu’Anthropic développait un outil concurrent, 

qu’il a ensuite lancé sous le nom de Claude Design.

Ce phénomène n’est pas nouveau. L’histoire regorge d’exemples 

d’entreprises technologiques tirant parti de leur envergure, de leurs 

capacités et de leur position sur le marché pour pénétrer des marchés 

adjacents, notamment lorsque Microsoft a supplanté Lotus 1-2-3 et 

WordPerfect avec Excel et Word dans les années 1990. Les entreprises 

auraient tout intérêt à garder cela à l’esprit à mesure qu’elles renforcent 

leur dépendance à l’IA.

Au-delà de ces risques commerciaux, l’IA est également susceptible 

d’entraîner, à plus long terme, des coûts économiques et sociétaux plus 

larges. Parmi ceux-ci figurent une demande croissante en électricité, en 

eau et en infrastructures de centres de données, ainsi qu’une 

augmentation des suppressions d’emplois et des inégalités, à mesure 

que l’IA automatise une part toujours plus importante des tâches 

routinières.

Relever ces défis nécessitera des investissements publics plus 

importants et, en fin de compte, une hausse de la fiscalité des 

entreprises, pouvant inclure de nouvelles formes d’aide sociale telles 

qu’un revenu de base universel. De nombreux chefs d’entreprise 

craignent que le secteur privé ne soit de plus en plus tenu pour responsable des conséquences imprévues de l’IA, ce qui exercerait une 

pression en faveur d’une augmentation de l’impôt sur les sociétés.

Prises dans leur ensemble, ces préoccupations expliquent en partie 

pourquoi de nombreux chefs d’entreprise adoptent une approche plus 

prudente vis-à-vis de l’adoption de l’IA. Alex Karp, PDG de Palantir, a 

récemment exprimé ce sentiment lors d’une interview accordée à 

CNBC, accusant OpenAI et Anthropic de « voler les poids et l’alpha de 

mon entreprise » par le biais d’une tarification basée sur des jetons.

Dans ce contexte, les chefs d’entreprise devraient envisager quatre 

mesures lors de l’élaboration de leurs stratégies en matière d’IA. 

Premièrement, les entreprises devraient revoir et restructurer leurs 

contrats d’IA afin que les fournisseurs de modèles s’impliquent 

davantage. Si les fournisseurs de LLM sont convaincus de pouvoir 

générer des milliards de dollars de gains de productivité et 

d’économies, ils devraient être disposés à lier au moins une partie de 

leur rémunération à la valeur qu’ils créent, plutôt que de s’appuyer 

uniquement sur une tarification basée sur l’utilisation.

Les dirigeants d’entreprise devraient également comparer en 

permanence le coût et le temps nécessaires à l’IA pour accomplir une 

tâche avec ceux requis pour qu’un humain l’effectue, en utilisant des 

indicateurs opérationnels et financiers clairs pour évaluer la valeur 

économique de l’IA.

Deuxièmement, les entreprises devraient éviter de devenir trop 

dépendantes d’un seul fournisseur de modèles. De nombreuses 

entreprises testent déjà plusieurs modèles, en attribuant différentes 

fonctions à différents fournisseurs ou en déployant des outils d’IA dans 

des environnements de test opérationnels avant de les déployer à 

l’échelle de l’entreprise.

Plus généralement, les entreprises devraient envisager des alternatives 

open source. Bon nombre des principaux modèles open source actuels 

ont été développés par des entreprises chinoises et surclassent sans 

doute leurs homologues occidentaux. Ils sont également proposés à un 

coût nettement inférieur. Les prix des jetons pour MiniMax M3 et 

DeepSeek V4 Pro, par exemple, représentent moins d’un dixième de 

ceux de Claude Opus 4.8. C’est pourquoi des entreprises comme 

DoorDash et Airbnb se tournent vers les modèles chinois. Pour de 

nombreuses entreprises occidentales, cependant, les préoccupations 

géopolitiques et de cybersécurité risquent de l’emporter sur ces 

avantages. Cela nous amène à la troisième mesure que les dirigeants d’entreprise 

devraient prendre. Un recours accru à l’IA nécessitera inévitablement 

des cyberdéfenses plus solides. Au-delà des risques de cybersécurité 

associés aux grands modèles de langage (LLM) actuels, les progrès en 

matière de chiffrement, de déchiffrement et d’informatique quantique 

risquent de rendre les cybermenaces plus fréquentes et plus graves, 

accélérant ainsi la fragmentation de l’écosystème technologique 

mondial et rendant de plus en plus difficile toute activité 

transfrontalière.

Ces menaces retiennent déjà l’attention des décideurs politiques. Dans 

son dernier rapport sur la stabilité financière, la Banque d’Angleterre a 

averti que les progrès rapides des capacités de pointe en matière d’IA 

avaient accru les risques cybernétiques et opérationnels, augmentant 

ainsi la probabilité de perturbations plus rapides et mieux coordonnées.

Enfin, pour justifier les sommes colossales investies, les dirigeants 

d’entreprise doivent fixer des délais pour obtenir des preuves tangibles 

que l’IA tient ses promesses. Alors que les dépenses mondiales en IA 

devraient atteindre 2 500 milliards de dollars en 2026 et que les 

factures symboliques des entreprises ont augmenté de 320 % depuis 

2023, la pression pour prouver la valeur économique de l’IA ne 

manquera pas de s’intensifier.

Si ces preuves ne se concrétisent pas, l’impatience croissante des 

investisseurs pourrait déclencher une réévaluation spectaculaire des 

actifs liés à l’IA. Plus les attentes devanceront les résultats, plus le 

risque d’une correction boursière douloureuse sera grand.

* Economiste internationale, est l’auteure de *Edge of Chaos: Why 

Democracy Is Failing to Deliver Economic Growth—and How to Fix 

It*(Basic Books, 2018).