Les inquiétudes concernant la bulle de l’intelligence artificielle (IA) se sont accrues depuis le début de cette année, alors que les investisseurs et les décideurs politiques se demandent si et quand elle éclatera. Toutefois, la vraie question n’est pas de savoir si les valorisations actuelles sont gonflées. La question est de savoir si le nouveau modèle économique de l’IA sera différent de celui des révolutions technologiques précédentes.
Pendant des décennies, la taille a été le principal facteur de performance et de valorisation des entreprises technologiques. À mesure que les applications, les sites Web, les détaillants en ligne et les plateformes de médias sociaux élargissent leur base d’utilisateurs, les coûts marginaux ont diminué, les effets de réseau se sont installés et le pouvoir de fixation des prix a augmenté. Les valorisations reflètent désormais le potentiel de croissance à long terme plutôt que la rentabilité à court terme.
Il est peu probable que les forces qui ont défini les gagnants technologiques du passé dominent le déploiement de l’IA, car les dynamiques concurrentielles diffèrent selon six dimensions clés. Premièrement, l’investissement en capital n’est plus un fossé superficiel. C’est un formidable obstacle. Lors des premières vagues technologiques, les besoins en capitaux se limitaient largement à la phase de démarrage et étaient relativement modestes. Par exemple, Facebook n’a initialement collecté que 500 000 $ en financement de démarrage.
Cependant, ces premières innovations reposaient sur des infrastructures existantes telles que Linux, Apache, MySQL et PHP (appelée pile LAMP), ce qui réduisait considérablement les coûts initiaux. En revanche, l’IA est très gourmande en capital. Les dépenses d’investissement à l’échelle du secteur devraient dépasser 7 000 milliards de dollars d’ici 2030, à mesure que les entreprises construisent des centres de données, augmentent leur puissance de calcul et investissent dans du matériel spécialisé. Contrairement aux cycles technologiques précédents, ces besoins d’investissement ne diminueront pas à mesure que l’industrie mûrit et s’intensifieront probablement encore.
De plus, la durée de vie des centres de données se mesure souvent en années plutôt qu’en décennies, de sorte que ces coûts ne diminueront probablement jamais de manière significative. Alors que le cloud computing nécessite également d’énormes investissements dans des serveurs à usage général, l’IA nécessite une infrastructure entièrement nouvelle, telle que des unités de traitement graphique et des unités de traitement tensoriel (TPU), pour gérer le nombre massif de calculs simultanés impliqués dans la formation et l’exécution des modèles d’IA.
De tels systèmes sont coûteux et gourmands en énergie. Une seule formation à grande échelle sur l’IA devrait coûter plus d’un milliard de dollars d’ici l’année prochaine. Seules les entreprises qui peuvent se permettre de payer le prix d’entrée survivront, donnant aux géants technologiques d’aujourd’hui un avantage décisif avec d’énormes flux de trésorerie, des bilans solides et un accès aux marchés des capitaux.
Deuxièmement, la structure des coûts d’exploitation de l’IA mine les économies d’échelle traditionnelles. Dans les premiers cycles technologiques, le coût marginal par utilisateur s’effondrait à mesure que la plateforme se développait. Qu’il s’agisse des réseaux sociaux, des logiciels ou des applications de covoiturage comme Uber, les coûts sont répartis sur une clientèle croissante, permettant aux plateformes de maintenir des marges bénéficiaires élevées à mesure de leur évolution.
Ces modèles se caractérisaient également par de faibles coûts d’exploitation. Une fois que Facebook a atteint une taille suffisante, le coût marginal de l’ajout d’utilisateurs est devenu négligeable. En conséquence, les entreprises accordaient peu d’attention au coût du service à chaque utilisateur, car le coût du service à chaque utilisateur menaçait rarement leur survie financière.
L’IA inverse cette dynamique. Le contrôle des coûts marginaux n’est plus une option, car les grands modèles de langage et autres systèmes d’IA entraînent des coûts importants pour chaque interaction, nécessitant des milliards de calculs. Pour cette raison, les sociétés d’IA se concentrent sur la réduction du coût par requête grâce à du matériel personnalisé tel que les TPU et sur le développement de modèles plus simples et plus efficaces tels que DeepSeek en Chine.
Un troisième domaine dans lequel l’IA s’écarte des révolutions technologiques précédentes concerne la faiblesse et la fragilité des effets de réseau. Les anciennes plates-formes technologiques ont bénéficié d’une croissance auto-entretenue. Les acheteurs et les vendeurs ont été attirés par le marché d’Amazon précisément parce qu’il présentait déjà une forte concentration d’activité.
Les utilisateurs d’IA peuvent facilement basculer entre les modèles, utiliser plusieurs modèles en même temps (un pour le texte, un pour les images et un troisième pour le codage), ou même créer leurs propres modèles. Les coûts de changement sont faibles et la fidélité est faible, de sorte que les effets de réseau ont un impact bien moindre sur la détermination des gagnants à long terme.
Pour les entreprises technologiques traditionnelles, la combinaison de coûts marginaux plus faibles et d’effets de réseau a amplifié les économies d’échelle et accru la concurrence pour attirer autant d’attention que possible. Cette stratégie était logique pour une entreprise comme Facebook, qui crée de la valeur en monétisant l’attention des consommateurs grâce à la publicité.
Les entreprises d’IA sont confrontées à des structures de coûts différentes. Chaque nouvelle version de produit nécessite un investissement en capital supplémentaire. Chaque utilisateur supplémentaire augmente les coûts, notamment les coûts d’inférence. Bien que les coûts de formation puissent être amortis sur une base d’utilisateurs plus large et que certaines économies d’échelle puissent émerger, une utilisation accrue entraînera toujours une augmentation des coûts d’exploitation.
La quatrième différence réside dans le passage de la segmentation du marché à la saturation instantanée. Les précédentes plateformes technologiques se développaient au sein de marchés largement cloisonnés. Google a dominé la recherche. Amazon s’est concentré sur la vente au détail. En recherchant des marchés de niche clairs, comme ceux des étudiants (Facebook) ou des professionnels (LinkedIn), les entreprises ont eu le temps de mûrir avant que la concurrence ne s’intensifie.
En revanche, l’IA est une technologie à usage général qui touche tous les secteurs. Avec un accès instantané des utilisateurs via des applications et des interfaces de programmation d’applications, les entreprises n’ont plus le luxe d’atteindre la maturité avant l’émergence de concurrents. Cette dynamique donne à l’IA le potentiel de bouleverser non seulement des secteurs individuels, mais aussi tous les modèles économiques technologiques existants.
Cinquièmement, l’influence politique est désormais aussi importante que le pouvoir de marché. Les vagues d’innovation précédentes n’obligeaient pas les entreprises à s’engager auprès des gouvernements et des régulateurs dans la mesure où l’IA l’exige. Alors que les plateformes de médias sociaux ont fini par faire l’objet d’un examen minutieux en raison de leurs effets addictifs, les risques perçus posés par les technologies émergentes d’aujourd’hui sont encore plus graves et, à bien des égards, existentiels, étant donné que l’IA a le potentiel de provoquer des pertes d’emplois, d’exacerber les inégalités et de saper la gouvernance démocratique. Alors que les entreprises d’IA sont confrontées aux forces du marché et aux pressions politiques, celles qui peuvent façonner la réglementation, influencer l’opinion publique et absorber les risques de réputation sont les mieux placées pour réussir.
Microsoft est un excellent exemple d’une telle entreprise. Dans le but d’acquérir une légitimité politique et sociale, l’entreprise s’est récemment engagée à couvrir les coûts d’électricité des centres de données afin d’éviter de répercuter la hausse des prix sur les consommateurs.
Enfin, l’IA pourrait être moins sensible à la dynamique du vainqueur. Des entreprises comme Facebook, Google, Amazon et Apple ont réussi à dominer respectivement les médias sociaux, la recherche, le commerce électronique et les smartphones, en raison de leur taille, de leurs coûts marginaux proches de zéro et de leurs puissants effets de réseau. Il est peu probable que le secteur de l’IA suive ce modèle, du moins dans un premier temps. Plutôt que de se concentrer sur un seul gagnant exclusif, il est probable qu’il soutienne plusieurs acteurs dominants, chacun contrôlant sa propre niche.
En effet, les entreprises d’IA pourraient atteindre un point où leurs avantages technologiques deviendront auto-renforcés et pratiquement insurmontables. Grâce à une amélioration continue et à une supériorité écrasante des produits, ainsi qu’au développement de l’intelligence artificielle générale, ces entreprises peuvent acquérir un pouvoir de marché durable et dominer le domaine.
D’ici là, les investisseurs doivent être conscients que l’IA répond à une nouvelle logique stratégique. Appliquer des mesures technologiques traditionnelles à ce paysage en évolution rapide peut s’avérer contre-productif et coûteux. Les investisseurs qui s’appuient sur des stratégies passées risquent d’être perdants sur le marché actuel axé sur l’IA.
Envisagez une rémunération à base d’actions. Historiquement, les incitations en actions ont permis aux entreprises technologiques d’embaucher et de retenir des talents, d’acquérir de la propriété intellectuelle et de se développer par le biais de fusions et d’acquisitions. Toutefois, les stock-options ne peuvent pas financer les centres de données, la puissance de calcul ou les infrastructures énergétiques. Pour répondre à ces besoins, les entreprises d’IA ont besoin d’investissements réels, de flux de trésorerie établis et d’un accès fiable aux marchés des capitaux.
De même, les investisseurs toléraient des rendements négatifs tant que la croissance du nombre d’utilisateurs était forte et que les revenus publicitaires augmentaient. Cependant, l’incertitude entourant l’IA et l’ampleur des investissements requis limitent la capacité d’évaluer quand ces investissements atteindront le seuil de rentabilité ou comment la transformation rendue possible par l’IA augmentera les bénéfices. En conséquence, l’accent a été mis de plus en plus sur des bilans solides et une résilience financière avérée.
Par conséquent, la course au leadership en matière d’IA ne sera pas gagnée par les entreprises comptant le plus d’utilisateurs ou les taux de croissance les plus rapides. Les gagnants seront plutôt ceux qui sauront combiner des produits de qualité supérieure avec une solidité financière et une influence politique.
En ce sens, l’IA ressemble plus aux industries à forte intensité de capital du milieu du XXe siècle qu’aux modèles technologiques à actifs légers de ces dernières années. À mesure que les coûts d’exploitation augmentent et que les consommateurs passent facilement d’un modèle à l’autre, la rentabilité dépend de la captation de la demande élastique tout en convertissant le capital politique et l’influence réglementaire en avantage concurrentiel durable.
L’économiste Dambisa Moyo est l’auteur de Edge of Chaos : Pourquoi la démocratie ne parvient pas à assurer la croissance économique – et comment y remédier.
Droits d’auteur : Syndicat du projet
