L'entreprise 5.0 : impact de l'IA sur les entreprises

LISTE DES RECOMMANDATIONS

« Industrialiser » la formation des salariés à l'IA :

1. offrir aux salariés la possibilité de recevoir une formation aux usages de l'IA préalable à leur emploi.

2. proposer à tous les salariés une formation continue à l'IA, axée sur la culture de l'IA et centrée sur l'apprentissage de la formulation des requêtes.

3. inclure l'IA dans le champ des négociations annuelles obligatoires de l'entreprise et élaborer des chartes sur l'utilisation de l'IA dans les entreprises.

4. considérer les formations à l'IA comme une priorité de financement des OPCO, dans tous les secteurs d'activité et adaptées aux besoins métiers dès lors qu'elles auront été intégrées au plan de développement des compétences.

5. permettre au chef d'entreprise d'imposer à un salarié d'utiliser son Compte Personnel de Formation (CPF) pour une mise à niveau ou son reclassement, lorsque son poste est appelé à subir une modification substantielle ou à disparaître du fait de l'intégration d'outils d'IA dans l'entreprise.

Engager une formation massive à l'IA dans l'éducation nationale :

6. fixer, dans la prochaine Stratégie du numérique pour l'éducation, un objectif de 100 000 formations universitaires annuelles à l'IA à partir de 2030.

7. intégrer un module obligatoire sur l'IA dans la formation de tous les étudiants de premier cycle et faire de l'IA un domaine du certificat de compétence numérique PIX.

Renforcer la recherche sur l'IA et les synergies entre recherche fondamentale et ses applications concrètes dans les entreprises :

8. rétablir le dispositif « jeunes docteurs » du CIR en le recentrant sur l'IA.

9. créer une exception au cadre juridique restrictif afin de permettre aux chercheurs, lorsqu'ils sont agents publics, de créer leur entreprise dans le secteur de l'IA

Aider à la croissance des entreprises innovantes dans l'IA :

10. créer un fonds stratégique souverain alimenté par les investisseurs institutionnels français, et en particulier les compagnies d'assurance permettant d'investir dans des fonds homologués et spécialisés dans le financement par fonds propres des entreprises de l'IA.

11. créer un statut de jeune entreprise innovante en IA (JEIIA) afin d'alléger les charges fiscales et sociales pesant sur les entreprises de ce secteur particulièrement exposé à la concurrence mondiale.

12. prolonger, sans limitation de durée, le crédit d'impôt innovation bénéficiant aux PME et inclure explicitement la modernisation des processus de production par l'IA.

13. intégrer l'IA au régime fiscal de l'IP Box et clarifier le droit fiscal et le plan comptable général relatif à l'IA.

Mieux utiliser la commande publique pour consolider une filière française de l'IA :

14. favoriser le recours à des solutions souveraines dans les marchés publics d'IA afin de contribuer à la structuration de cette filière en France.

15. intégrer l'indice de résilience numérique aux critères non-discriminatoires visés à l'article R.2152-7 du Code de la commande publique.

16. considérer certains marchés de service d'IA comme des marchés de défense et de sécurité au sens de l'article L. 2515-1 du Code de la commande publique.

Mieux coordonner la politique publique en faveur de l'adoption de l'IA par les PME :

17. conforter les CCI dans leur mission d'accompagnement des entreprises, en priorité les TPE-PME, dans l'appropriation de l'IA.

I. L'INTELLIGENCE ARTIFICIELLE DANS LES ENTREPRISES : UNE RÉVOLUTION ÉCONOMIQUE MAJEURE

A. L'IA EST UNE TECHNOLOGIE DE RUPTURE QUI IMPACTE TOUTES LES ENTREPRISES

1. Pour l'économie du XXIe siècle, l'IA est une technologie de rupture redéfinissant marchés, normes et comportements

a) Une technologie de rupture issue d'une longue gestation

(1) Des performances remarquables

Le processus de maturation de l'intelligence artificielle (IA) a été abondamment décrit dans le rapport de l'Office parlementaire d'évaluation des choix scientifiques et technologiques de novembre 2024^21(*).

Depuis la diffusion spectaculaire des modèles dits « génératifs » qui produisent du texte, des images, du son ou du code, l'IA semble être devenue un « couteau suisse numérique », capable de tout faire : rédiger un rapport, générer une image, composer une musique, concevoir un plan marketing ou même écrire du code : « avec son caractère « tout-en-un » l'IA apparaît à la fois comme un outil universel et un levier d'automatisation et de créativité généralisée »^22(*).

Le principe repose sur des probabilités. L'IA prédit le mot suivant ou le pixel voisin, en fonction de ce qui lui semble le plus vraisemblable. Pour cela, l'IA générative s'appuie sur un grand modèle de langue, c'est-à-dire un réseau profond de neurones artificiels qui a été entraîné sur une vaste quantité de données. Ainsi, le logiciel identifie les correspondances les plus probables selon le contexte.

Ce fonctionnement permet aux IA génératives de réaliser des performances remarquables. Celles-ci parviennent à établir des liens entre de multiples éléments, à partir d'un énorme volume de données. Ce processus complexe implique un grand nombre d'opérations mathématiques, exécutées très rapidement.

Il ne s'agit cependant pas d'intelligence humaine ni d'une « IA générale », qui serait capable d'apprendre n'importe quelle tâche réalisée par un être humain. Aujourd'hui, l'IA générative s'apparente plutôt à « une multiplication d'IA étroites, réunies au sein d'un même modèle »^23(*).

Toutefois, certains experts^24(*) rappellent la nécessité de « l'alignement », c'est-à-dire l'adéquation entre le but poursuivi par la machine et l'objectif souhaité par ses concepteurs. L'IA ne doit pas seulement être robuste, c'est-à-dire fiable même face à des situations imprévues, mais également sûre, c'est-à-dire dont l'objectif explicite reflète les valeurs humaines et optimise ce but sans dérive^25(*). Un objectif mal spécifié ou un critère d'optimisation inadéquat peut conduire l'IA à adopter des stratégies non désirées, voire à exploiter des failles pour atteindre ces objectifs de manière néfaste. La métaphore de l'usine de trombone illustre les risques d'un alignement catastrophique : « une IA super-intelligente programmée pour maximiser la production de trombones finirait par convertir toutes les ressources disponibles en trombones, et chercherait à neutraliser toute tentative humaine pour l'arrêter »^26(*).

Les modèles de langue initialement utilisés pour capturer la sémantique des mots peuvent aujourd'hui générer du texte, répondre à des questions, traduire du contenu, ou encore générer du code. Mais ces outils possèdent tout de même leurs limites, liées notamment aux jeux de données utilisés durant leur apprentissage. Les corrélations identifiées à cette étape peuvent, en effet, conduire à des erreurs au moment de la génération. De plus, les éventuels biais rencontrés lors de la phase d'entraînement transparaissent dans les résultats^27(*).

Par ailleurs, les IA génératives n'affichent pas toujours une grande stabilité. Une même question peut être posée à ChatGPT en variant la formulation, et des réponses différentes seront obtenues. Les systèmes reposent sur des opérations mathématiques qui transforment l'information en vecteurs de grande dimension, ce qui rend complexe l'explicabilité de ces systèmes. Des recherches sont d'ailleurs en cours sur ce sujet.

IA agentique et IA générative : quelles différences ?^28(*)

L'IA agentique et l'IA générative améliorent la productivité en facilitant et en optimisant les tâches et les processus. Ces deux formes d'intelligence artificielle s'appuient sur de grands modèles de langage (Large language model, LLM). L'IA agentique est proactive, tandis que l'IA générative est réactive.

L'IA agentique est un système capable de fixer et d'atteindre des objectifs de manière proactive, presque sans intervention humaine. Si un objectif implique de créer des contenus, ce sont les outils d'IA générative qui se chargent de cette tâche. L'IA agentique devient un agent de l'utilisateur et/ou du système.

L'IA générative est un outil qui crée des contenus sur la base d'une instruction. Bien qu'elle puisse faire partie d'un système agentique, elle ne réalise aucune tâche de manière autonome. Elle n'a pas la faculté d'agir seule.

L'IA agentique et l'IA générative se complètent. Les systèmes agentiques peuvent utiliser l'IA générative afin de dialoguer avec un utilisateur, de créer des contenus de manière indépendante pour atteindre un objectif plus large ou de communiquer avec des outils externes. L'IA générative joue donc un rôle essentiel dans le processus « cognitif » de l'IA agentique.

La différence entre IA agentique et IA générative n'est pas forcément évidente. Les deux se présentent le plus souvent sous la forme d'un dialogueur (ou chatbot) et répondent aux demandes ou instructions d'un utilisateur. En outre, de plus en plus d'applications autrefois purement génératives évoluent vers une forme hybride qui inclut des éléments agentiques.

Par exemple, de nombreuses plateformes de dialogueur très utilisées (ChatGPT, Gemini, Claude, etc.) lancent automatiquement une recherche sur le Web, analysent les données et les renvoient dans le cadre de la conversation. Il s'agit d'une forme primitive d'IA agentique.

Source : « IA agentique et IA générative », RedHat, 18 août 2025

Un cas d'utilisation en entreprise pour mieux comprendre la différence
entre ces deux technologies :

Un représentant commercial souhaite utiliser l'IA pour rédiger un e-mail de suivi à l'attention d'un client potentiel.

Avec l'IA générative, le représentant commercial ouvre une interface et saisit une instruction générative, par exemple : « Écris un e-mail de suivi poli et professionnel à Maria Wang à propos de notre proposition ». L'outil produit instantanément une ébauche d'e-mail et atteint ainsi son objectif. Il revient maintenant au représentant de copier ce texte, de le coller dans un e-mail, de saisir l'adresse du destinataire et d'envoyer le message.

Avec l'IA agentique, ce scénario se déroulerait autrement. Avec un système agentique, le représentant commercial définit une règle ou une commande dans son système de gestion de la relation client, par exemple : « Pour tout client potentiel auquel j'attribue la mention "Suivi requis", attendre deux jours ouvrables, puis envoyer un e-mail de suivi ».

Si le représentant commercial attribue la mention « Suivi requis » à Maria Wang, le workflow agentique se déclenche. Le système suit les instructions fournies (l'instruction générative initiale) et élabore indépendamment un plan à mettre en oeuvre avec l'aide d'outils externes. Voici un exemple de plan :

1) Après deux jours ouvrables, le système envoie une demande au workflow agentique ;

2) Le système récupère les informations de Maria Wang dans la base de données ;

3) Un autre outil cherche des données supplémentaires sur Maria Wang (historique client, détails personnalisés, informations sur l'entreprise, etc.) afin d'ajouter du contexte à l'instruction générative qui lance la rédaction de l'e-mail de suivi ;

4) Le système génère une instruction pour l'e-mail de suivi et la transmet à un modèle d'IA générative intégré, qui rédige le message ;

5) Le système fournit une ébauche d'e-mail de suivi au représentant commercial, qui la valide ou la renvoie pour modification ;

6) En cas d'approbation, le système envoie un appel d'interface d'API^29(*) au service de messagerie de Maria Wang ;

7) Le système envoie l'e-mail à Maria Wang ;

8) Le système met à jour le logiciel de gestion de la relation client pour indiquer que l'e-mail a bien été envoyé.

Source : idem

Un « agent IA » se caractérise par une capacité d'action sur son environnement (logiciel ou même physique) et par d'autonomie gradué. Cette notion ne signifie pas absence de supervision mais désigne la capacité à enchaîner des étapes, à planifier et exécuter des actions dans un cadre de règles et de garde-fous. À l'inverse, de nombreux produits sont couramment qualifiés d'« agents » dans les communications, mais relèvent plutôt d'assistants LLM qui ne disposent pas d'outils, de droits d'action et d'une orchestration (mémoire, planification, déclencheurs). Un agent repose au minimum sur des modèles génératifs, mais pas uniquement. On retrouve également des agents multimodaux, intégrant aussi bien l'apprentissage automatique traditionnel que des modèles conversationnels.

On distingue^30(*) généralement trois grandes catégories d'agents IA :

• les assistants conversationnels (ChatGPT, Gemini, Claude, Microsoft Copilot, Mistral Le Chat, etc.), centrés sur l'interaction en langage naturel et l'aide à la décision ;

• les copilotes bureautiques (Microsoft 365 Copilot, Google Duet AI, Notion AI, Zoho Zia, GrammarlyGO, etc.), centrés sur la productivité dans des suites applicatives ;

• les agents experts, spécialisés sur une tâche ou un processus métier précis, capables d'exécuter des actions via des outils/API dans un cadre de règles et de supervision.

À partir des agents experts IA, il devient possible de concevoir des systèmes multi-agents (SMA), dans lesquels plusieurs agents, chacun doté d'une expertise métier ou fonctionnelle spécifique, communiquent, se coordonnent (notamment par la collaboration) et s'organisent pour contribuer à exécuter des tâches complexes. Un agent orchestrateur coordonne l'affectation d'objectifs aux agents experts en fonction de la nature des requêtes et de la compétence spécifique de chaque agent. Ces systèmes se distinguent par leur capacité à répartir les rôles, à s'adapter dynamiquement aux contextes, à interagir avec des environnements multiples (ERP^31(*), CRM^32(*), bases de données, API^33(*), etc.), et à fonctionner de manière distribuée, évolutive et résiliente. Chaque agent reste strictement limité à son périmètre fonctionnel et agit selon des règles métier préétablies par l'humain, garantissant ainsi la fiabilité, la traçabilité et la conformité des actions menées dans un environnement distribué et évolutif.

(2) Quelle fiabilité pour les IA ?

Les résultats produits par l'IA ne garantissent jamais un taux de détection ou de précision de 100 %. En pratique, un agent IA est considéré comme fiable à partir d'un certain niveau de performance, qui dépend fortement de la qualité des données et de la complexité du processus métier.

Une IA générative ne vise pas à livrer la vérité, mais à maximiser une vraisemblance, à partir de ses données d'entraînement. Elle fait quelquefois émerger de fausses corrélations entre les mots. De plus, si les données d'entraînement contiennent des erreurs ou des biais, le système pourra les reproduire car il ne cherche pas à savoir si l'information fournie est exacte ou sourcée. Ce fonctionnement conduit à l'apparition fréquente et imprévisible d'« hallucinations », c'est-à-dire de réponses erronées ou d'images incohérentes.

Selon une étude de l'université de Hong Kong, ChatGPT (version GPT 3.5) affichait, lors de sa publication en août 2023, un taux de pertinence de 64 %, soit une chance sur trois de se tromper.

Un taux d'erreur de 60 % a même été cité pour les citations des recherches sur le web.

Dans cette étude^34(*) conduite en mars 2025, 200 tests ont été réalisés sur chacun des huit moteurs sélectionnés : ChatGPT Search, Perplexity, Perplexity Pro, Gemini, DeepSeek Search, Grok-2 Search, Grok-3 Search et Copilot. Chaque requête consistait à fournir une citation extraite d'un article existant, puis à demander au chatbot d'identifier précisément son titre, sa date de publication, le nom du média concerné ainsi qu'une URL valide.

Sur un total cumulé de 1600 requêtes effectuées durant ces tests, plus de six réponses sur dix se sont révélées incorrectes. Bien sûr, toutes les IA ne sont pas logées à la même enseigne. Perplexity obtient ainsi le meilleur résultat relatif avec un taux d'erreur tout de même élevé (37 %). À l'opposé se trouve Grok-3 Search qui affiche un taux d'échec particulièrement alarmant atteignant 94 %, malgré son positionnement haut de gamme auprès des abonnés X Premium+. 

L'étude souligne également la diversité des erreurs commises par ces chatbots IA, avec notamment la génération fréquente d'URL inexistantes ou menant vers des pages introuvables (erreurs 404). Gemini et Grok-3 font encore « pire ». Il s'agit en effet des seuls moteurs testés ayant fourni davantage de liens fictifs que corrects lors des essais réalisés. Grok-3 a ainsi redirigé ses utilisateurs vers 154 pages inexistantes durant ces tests.

De son côté, ChatGPT Search présente également un nombre non négligeable d'erreurs. Sur 134 citations incorrectes relevées pour ce moteur durant l'étude, seules 15 réponses comportaient un avertissement ou une formulation prudente indiquant une incertitude quant à leur exactitude.

Copilot constitue quant à lui un cas particulier parmi tous ces outils. En effet, il a préféré refuser purement et simplement de répondre à la majorité des requêtes posées plutôt que risquer une réponse approximative ou fausse.

Source : « ChatGPT, Perplexity, Gemini, Grok... : des résultats catastrophiques pour la fiabilité de leurs recherches sur le web », Sofian Nouira, Les Numériques, 14 mars 2025

Ces erreurs ont une explication, admise par les chercheurs d'OpenAI^35(*), à la fois mathématique et économique.

Il ne s'agit pas simplement d'un effet secondaire indésirable de la façon dont les IA sont actuellement entraînées, mais d'un phénomène mathématiquement inévitable : « le problème s'explique en partie par des erreurs dans les données sous-jacentes utilisées pour entraîner les IA. Mais grâce à une analyse mathématique de la façon dont les systèmes d'IA apprennent, les chercheurs prouvent que même avec des données d'entraînement parfaites, le problème persiste. La façon dont les modèles de langage répondent aux requêtes - en prédisant un mot à la fois dans une phrase, sur la base de probabilités - produit naturellement des erreurs. Des chercheurs ont d'ailleurs montré que le taux d'erreur total pour générer des phrases est au moins deux fois plus élevé que le taux d'erreur que la même IA aurait sur une simple question fermée par oui ou non, car les erreurs peuvent s'accumuler au fil des prédictions successives. Autrement dit, les taux d'hallucination sont fondamentalement liés à la capacité des systèmes d'IA à distinguer les réponses valides des réponses invalides ».

Par ailleurs, les applications grand public dominent toujours les priorités de développement de l'IA. Or, les utilisateurs veulent des systèmes qui fournissent des réponses assurées à n'importe quelle question. « Les benchmarks d'évaluation récompensent les systèmes qui devinent plutôt que ceux qui expriment de l'incertitude. Les coûts de calcul favorisent les réponses rapides et confiantes plutôt que les réponses lentes et incertaines ».

b) Un saut technologique qui redéfinit l'économie mondiale

L'IA agentique^36(*), résultante de cinq accélérations technologiques, se traduit par des flux financiers d'un montant considérable et inédits et par une tension croissante entre deux dynamiques économiques.

(1) L'IA agentique résulte de cinq accélérations technologiques

Comme l'a rappelé le Conseil de l'IA et du numérique^37(*), « accoler le mot « agentique » aux systèmes informatiques n'est pas nouveau ».

Dans les années 1960, le robot « Shakey », développé par le Stanford Research Institute, fut considéré comme le premier robot mobile autonome doté d'une intelligence artificielle rudimentaire. Innovant pour son époque, il combinait vision par ordinateur, planification automatique (via le système STRIPS), traitement du langage naturel et navigation autonome, lui permettant d'exécuter des tâches complexes comme déplacer des objets ou éviter des obstacles. Shakey préfigurait les agents IA modernes en intégrant perception, raisonnement et action, trois piliers de l'autonomie décisionnelle.

Le qualificatif « agentique » s'est par la suite endormi jusqu'au milieu de l'année 2024. Andrew Ng, un des pionniers des réseaux de neurones, l'a remis au goût du jour après l'explosion des modèles d'IA génératives à la fin de l'année 2022.

Si le terme « Agents IA » s'est imposé dans le débat public, il nous paraît néanmoins préférable de privilégier celui d'« IA agentique ». Cela évite de réduire la discussion à une opposition binaire entre automatisation (les agents) et contrôle humain : l'intervention de systèmes agentiques n'exclut en rien des interventions humaines, bien au contraire. L'IA agentique bénéficie de validations intermédiaires par des experts humains. Son degré d'autonomie est d'ailleurs variable, allant de la simple assistance à l'automatisation de bout en bout.

Il existe cinq degrés d'autonomie des IA agentiques :

1. Des agents d'automatisation simple fondée sur la reproduction des règles qui exécutent des règles prédéfinies et des flux de travail fixes ;

2. Des agents à automatisation intelligente, capables d'extraire des données ou d'analyser des documents ;

3. Des flux de travail agentiques : les agents à automatisation intelligente et/ou des agents d'IA génératives enchaînent les étapes dans des processus alternant automatisation de tâches et validation humaine ;

4. Des flux d'agents semi-autonomes : le logiciel devient proactif, sensible au contexte et capable de préparer puis de prendre des décisions soumises à validation humaine ;

5. Des flux d'agents entièrement autonomes : auto-dirigés, ils apprennent en continu et s'exécutent de bout en bout sans orientation ni validation humaine. Sur le plan technique, ce degré d'autonomie nécessite l'apprentissage perpétuel (continual learning) et la capacité à décider de ses objectifs propres. Ce niveau n'est pas atteint aujourd'hui et fait encore l'objet de travaux de recherche.

Comme le rappelle le Conseil de l'IA et du numérique, davantage qu'une rupture technologique unique, le déploiement de l'IA agentique résulte de la combinaison de cinq accélérations, dont les progrès ont été spectaculaires au cours des dernières années :

1. L'émergence, depuis septembre 2024, d'une nouvelle génération de modèles d'IA générative capables d'élaborer des raisonnements itératifs et de plus en plus complexes, même s'il est à noter que leur performance décline au-delà d'un certain niveau de complexité. Ces modèles sont capables de suivre des raisonnements logiques, de répondre à des questions, de générer des données synthétiques et de décomposer un processus de décision ;

2. L'émergence d'une science de l'ingénierie des modèles d'IA ou du « post-entraînement » (2023-2026) : les progrès de l'IA dépendent de moins en moins de la croissance de la taille des modèles, mais de plus en plus des opérations réalisées après leur entraînement. Une fois le modèle créé, ce dernier est affiné pour le rendre plus efficace et plus précis en optimisant son comportement en fonction d'objectifs mieux circonscrits. Cela peut par exemple consister à réentraîner le modèle sur un jeu de données plus précis et plus spécifique, souvent lié à un domaine particulier (médical, juridique, technique...)^38(*). Il peut s'agir d'une optimisation grâce à des retours d'annotateurs humains^39(*) qui évaluent les réponses du modèle, lesquelles sont ensuite ajustées pour privilégier les réponses jugées meilleures. Des opérations d'élagage peuvent aussi avoir lieu en supprimant certaines parties du modèle jugées non essentielles afin de réduire la taille du modèle et d'accélérer son exécution sans perdre en performance ;

3. L'allongement des fenêtres de contexte et de la mémoire allouées aux modèles d'IA ainsi qu'aux logiciels agentiques, ce qui permet d'enrichir leur capacité à tenir compte d'un contexte relationnel ou d'un historique de contacts : les systèmes retiennent des informations sur une plus longue période, relient mieux les idées entre elles en tenant compte du passé et du contexte et peuvent s'adapter à des échéances complexes (par exemple sur plusieurs jours ou avec un grand nombre de facteurs). C'est dans ce domaine que les architectures agentiques progressent le plus actuellement ;

4. L'innovation logicielle, considérable en 2025, avec notamment :

- de nouvelles méthodes de dialogue avec l'IA comme c'est le cas avec les agents conversationnels^40(*) ;

- de nouvelles fonctionnalités permettant aux systèmes d'IA de lancer des actions grâce aux « appels de fonction », par exemple envoyer un e-mail, réserver un billet, payer ou chercher une information dans une base de données ;

- de nouvelles boîtes à outils pour combiner plusieurs IA, les connecter à d'autres logiciels, favoriser l'interopérabilité et l'accès à des bases de données externes, intégrer des fonctionnalités d'IA agentiques dans des logiciels classiques, proposer des applications clés en main, développer via des plateformes no-code, des kits de développement logiciel, des studios de conception ou des plateformes d'intégration de bout en bout.

5. La mise à disposition, par des fournisseurs d'infrastructure cloud, de capacités de calcul « scalables » à grande échelle, capables de faire face aux besoins croissants en puissance de calcul des modèles d'IA. Ce nouveau segment de marché du cloud (« inference-as-a-service »^41(*)) permet aux organisations, quelles que soient leur taille ou leurs ressources, d'accéder de façon virtualisée à une puissance de calcul adaptée à leurs besoins, sans investissement propre en matériel. On observe une baisse drastique de ces coûts d'inférence dont le coût moyen, mesuré par jeton (token), a été divisé par 90 en 18 mois^42(*). Cette baisse rapide des coûts est le carburant principal de la croissance des usages de logiciels agentiques.

On constate cependant désormais des rendements décroissants : les améliorations deviennent marginales, tandis que les données de qualité se raréfient et que les besoins énergétiques explosent.

(2) Des flux financiers inédits dans l'histoire économique

En 2026, les hyperscalers^43(*) devraient investir massivement dans l'IA en 2026. Les quatre principaux géants américains de la « tech » -- Amazon, Alphabet, Microsoft et Meta -- prévoient de dépenser entre 635 et 665 milliards de dollars dans l'intelligence artificielle contre 381 milliards de dollars investis en 2025, soit une hausse comprise entre 67 % à 74 %.

Ils devraient consacrer près de 100 % de leur flux de trésorerie disponible^44(*) aux dépenses d'investissement, contre une moyenne d'environ 40 % sur les dix dernières années, ce qui alimente les craintes d'un rythme d'investissement devenu excessif et susceptible de fragiliser le marché haussier.

À moyen terme, les neuf acteurs majeurs du secteur de l'IA (Oracle, Meta, IBM, Apple, Tencent, Microsoft, Alibaba, Amazon, Alphabet) prévoient des dépenses d'investissement de 4 100 milliards de dollars entre 2026 et 2030, soit environ 36 % de plus que le total des dépenses d'investissement de toutes les entreprises non financières américaines en 2025.

Pour sa part, OpenAI envisage 10 000 milliards de dollars d'investissement d'ici 2033, tout en n'annonçant que 13 milliards de chiffre d'affaires en 2025 et en ne prévoyant aucune rentabilité jusqu'à 2030.

Comme la course aux investissements dans l'IA nécessite des investissements colossaux, l'Organisation de coopération et de développement économiques (OCDE), dans son rapport 2026 sur la dette mondiale du 5 mars 2026, prévoit que les principales entreprises du secteur sollicitent de plus en plus les marchés des obligations pour financer leur expansion, notamment pour construire les centres de données. En 2025, les neuf acteurs majeurs du secteur de l'IA (Oracle, Meta, IBM, Apple, Tencent, Microsoft, Alibaba, Amazon, Alphabet) ont ainsi levé ensemble 122 milliards de dollars de dette dont 88 milliards en 54 jours au cours des derniers mois de l'année.

Jusqu'à présent, le secteur technologique s'est davantage appuyé sur ses fonds propres que sur des financements externes. Au cours des deux dernières décennies, cela s'est caractérisé par un faible besoin de capitaux, les dépenses étant concentrées sur le développement de logiciels et les activités de recherche et développement.

En 2024, par exemple, le ratio des dépenses d'investissement sur le chiffre d'affaires de ces entreprises technologiques n'était que de 2,2 %. Leur modèle de développement, associé à des flux de trésorerie forts et constants, a permis à ces acteurs de financer leur expansion sans dépendre significativement des emprunts externes.

Pour l'OCDE, « si la moitié de ces investissements étaient financés par le biais des marchés obligataires, ces neuf entreprises représenteraient 15 % de la moyenne des émissions obligataires des entreprises non financières à l'échelle mondiale ». L'essor de l'IA pourrait entraîner une concentration accrue des marchés de la dette, à l'instar des évolutions observées ces dernières années sur les marchés d'actions, où ces entreprises sont des acteurs majeurs.

Par ailleurs, l'importance des investissements dans l'IA « relève d'autre part de manoeuvres financières qui tournent en rond avec des accords endogames et un nombre restreint d'acteurs et d'entreprises engagés dans l'IA, s'alimentant les uns les autres »^45(*).

(3) Une capitalisation boursière colossale de la tech

Ces investissements considérables sont permis par une capitalisation qui confère aux plus gros acteurs économiques privés de l'IA un poids comparable à celui des États.

Fin février 2026, la capitalisation boursière de Nvidia, à plus de 4 800 milliards de dollars après avoir franchi les 5 000 milliards en octobre 2025, a ainsi dépassé celle d'Apple.

Elle représente à elle seule 1,5 fois toutes les entreprises françaises du CAC 40 et équivaut au PIB annuel de la France.

L'entreprise, leader mondial spécialisé dans la conception^46(*) de processeurs graphiques (GPU) et de cartes graphiques, a vu son chiffre d'affaires décupler en cinq ans, passant de 27 milliards en 2020 à 215,9 milliards de dollars en 2025, en progression de 73 % par rapport à 2024.

Depuis l'adoption par le grand public de ChatGPT d'OpenAI, l'appétit pour les meilleurs processeurs graphiques, devenus cruciaux à la création des IA des clients de Nvidia, laquelle fournit également les smartphones. Cette combinaison confère à l'entreprise un pouvoir de marché considérable, avec une part de marché comprise entre 50 et 80 % selon les critères retenus.

Les variations boursières sont parfois impressionnantes. En janvier 2025, la sortie la sortie du dernier modèle du chinois DeepSeek a fait perdre 1 000 milliards de dollars de capitalisation en vingt-quatre heures à Wall Street. En septembre 2025, Oracle a vu sa valorisation bondir de 230 milliards de dollars en une séance, se rapprochant du seuil symbolique des 1 000 milliards.

Les entreprises de la tech pèsent désormais plus d'un tiers du S&P 500, qui comprend les 500 plus grandes entreprises cotées sur les différentes places boursières des États-Unis et représentent désormais deux tiers de la valeur de l'indice Nasdaq 100. Elles occupent huit des dix premières places^47(*), au côté de la société d'investissement Berkshire Hathaway et de la banque JPMorgan.

Ces évolutions sont comparables à celles de l'époque de la révolution industrielle où, au tournant du XIX^e siècle, les entreprises des nouvelles filières industrielles de John D. Rockefeller, Andrew Carnegie ou J.P. Morgan, dominaient l'économie américaine.

(4) Une tension entre deux dynamiques économiques de l'IA

L'IA se concentre et se déconcentre dans deux dynamiques opposées.

En effet, derrière les grands modèles multimodaux, censés pouvoir tout faire, se déploie une économie de l'IA de plus en plus segmentée, contextuelle et orientée vers ces usages. On assiste à une tension croissante entre deux dynamiques : « d'un côté, il se manifeste une tendance à l'intégration, incarnée par les grands modèles généralistes qui cherchent à construire des plateformes globales d'intelligence artificielle, capables de répondre à tout type de besoin. De l'autre côté, on observe une tendance à la spécialisation, portée par des startups, des laboratoires ou des acteurs sectoriels (santé, finance, industrie, droit, énergie, culture, etc.), qui développent des modèles spécialisés, contextuels et intégrés à des filières et chaînes de valeur spécifique »^48(*).

Dans un cas, l'IA se présente comme un assistant personnel universel, une interface intelligente pour tous. Dans l'autre cas, elle devient une brique fonctionnelle, souvent invisible, intégrée à des processus métiers, des outils d'analyse ou des infrastructures de production.

« Les deux logiques s'entrecroisent et parfois se contredisent. Les grands modèles d'IA sont des infrastructures lourdes, coûteuses, nécessitant d'énormes ressources en calcul et en données ; leur exploitation repose sur des logiques économiques proches des plateformes du cloud ou des écosystèmes logiciels intégrés. À l'inverse, les modèles spécialisés tendent vers une économie d'usage, plus fine, souvent plus éthique et durable, mais fragmentée et dépendante des standards techniques et des interfaces ou API ouvertes par les grands acteurs ».

Les acteurs dominants de l'IA se caractérisent par une stratégie d'intégration verticale : « ils contrôlent simultanément les couches d'infrastructure (cloud, processeurs, réseaux), les couches d'application (outils d'IA, interfaces) et les usages finaux. Ce modèle de « plateformisation systémique » leur permet de capter non seulement la valeur générée par l'innovation, mais aussi les externalités produites par les interactions entre utilisateurs, développeurs et producteurs de données. Ces entreprises opèrent comme des architectes d'écosystèmes, fixant les règles d'accès et de partage des données, les standards d'interopérabilité et les conditions économiques de participation ».

(5) Les trois scenarii pour l'économie française à l`horizon 2031

La Commission Supérieure du Numérique et des Postes (CSNP), dans son avis du 26 mars 2026 sur l'adoption de l'intelligence artificielle par les entreprises Françaises^49(*), a imaginé trois scenarii des conséquences de l'introduction de l'IA dans l'économie française :

Scénario n°1 : le compromis de l'IA frugale et de l'augmentation humaine. Dans cette configuration, la France réussit à transformer le choc technologique en levier de compétitivité durable. Confrontées à l'inflation des coûts d'infrastructure américains, les entreprises nationales opèrent un pivot stratégique vers des modèles d'IA spécialisés, open source et de plus petite taille. Cette approche circonscrit la dépendance financière et garantit une rentabilité rapide. Sur le plan énergétique, les pouvoirs publics instaurent une doctrine de « l'électron prioritaire » : l'implantation des data centers est strictement conditionnée à des critères d'utilité socio-économique et d'intégration territoriale, préservant ainsi l'électrification de l'industrie lourde, des mobilités et du confort thermique. Socialement, la substitution cède la place à l'augmentation. Le pacte de formation est réinventé par les partenaires sociaux. L'IA agentique est intégrée comme un outil de copilotage au sein des fonctions intermédiaires, dégageant du temps pour la stratégie et l'analyse critique. Les jeunes diplômés accèdent à l'emploi par le biais de nouveaux parcours de mentorat axés sur l'orchestration de ces systèmes. L'économie française affiche alors une prospérité renouvelée, conjuguant gains de productivité, plein emploi dans le secteur tertiaire et respect de la trajectoire de décarbonation.

Scénario n°2 : le paradoxe de la stagnation numérique. L'économie française de 2031 illustre ici une variante contemporaine du paradoxe de Solow. L'IA générative est massivement déployée, générant des gains de productivité évidents à l'échelle microéconomique. Les directions fonctionnelles traitent des volumes d'information inédits. Toutefois, cette efficacité est intégralement captée par la tension financière : l'envolée du coût des licences et de l'accès à la puissance de calcul draine la valeur ajoutée hors du territoire européen. L'équilibre énergétique est maintenu, mais au prix d'un ralentissement marqué des autres chantiers de la transition écologique, l'IA absorbant l'essentiel de la marge de manoeuvre électrique disponible. Le marché du travail ne s'effondre pas, mais il se fige. Les entreprises gèlent les recrutements sur les fonctions d'entrée pour rentabiliser leurs investissements logiciels, laissant les agents virtuels pallier les départs naturels. L'accès au premier emploi se complexifie durement pour les jeunes actifs. Le pays modernise son appareil productif pour survivre dans la compétition internationale, mais s'enferme dans un jeu à somme nulle, sans dynamique de croissance véritable.

Scénario n°3 : le déclassement par la dépendance et la fracture sociale. L'adoption subie et dérégulée de l'IA entraîne une crise multisectorielle. La captivité technologique des entreprises françaises se traduit par une vulnérabilité aux hausses tarifaires imposées par les acteurs dominants, laminant les marges et les capacités d'investissement nationales. Parallèlement, l'attractivité du mix électrique français attire une multitude d'hyper-data centers internationaux. Cette surconsommation sature le réseau de transport d'électricité, contraignant l'État à rationner l'énergie destinée aux secteurs manufacturiers et réduisant à néant les efforts de réindustrialisation du pays en raison de l'envolée des coûts de l'énergie. La quête de marges à court terme pousse les grands groupes et les entreprises de taille intermédiaire (ETI) à une substitution brutale de l'emploi cognitif, touchant 20 à 30 % des effectifs dans les services aux entreprises, la banque et l'assurance, et le secteur tertiaire en général. La suppression pure et simple des échelons juniors détruit les mécanismes de transmission des compétences. Face à l'exclusion durable des jeunes diplômés du marché du travail, les systèmes de solidarité nationale et de formation continue ploient sous la charge. La rupture du pacte social engendre une défiance généralisée et un déclassement structurel de l'économie française.

c) Vers un nouveau saut qualitatif de l'IA

(1) De nouveaux modèles de langage

Malgré les avancées spectaculaires de l'IA agentique, les modèles dominants restent confrontés à des limites structurelles profondes.

Qu'il s'agisse de générer du texte, des images ou de prendre des décisions en environnement simulé, les IA actuelles s'appuient sur des mécanismes statistiques, corrélatifs et désincarnés.

Les modèles génératifs actuels tels que les LLM (Large Language Models) se fondent sur l'analyse de très grands volumes de données. Leur principe est essentiellement probabiliste : à partir d'un historique, ils estiment la suite la plus probable -- mot, image, pixel. Ce fonctionnement présente plusieurs limites :

• Corrélation sans compréhension : ces systèmes identifient des motifs fréquents sans compréhension contextuelle. Ils peuvent confondre un avocat (juriste) avec un avocat (fruit), faute d'accès à un modèle du monde ;

• Absence d'incarnation : l'IA n'a pas de perception sensorielle ni de motricité. Elle n'interagit pas avec le monde réel, ce qui rend difficile l'apprentissage de tâches physiques comme plier un linge ou manipuler un objet ;

• Absence de causalité : les modèles sont formés pour compléter, non pour expliquer ni prédire les conséquences d'une action.

Un LLM, aussi performant soit-il, « n'apprend qu'à prédire le mot suivant et n'a ni mémoire structurelle du monde, ni représentation interne des objets, ni compréhension des dynamiques physiques élémentaires. Lorsqu'il décrit un mouvement, il ne mobilise aucune intuition mécanique et lorsqu'il répond à une question complexe, il ne s'appuie sur aucune modélisation causale. Il manipule simplement des corrélations linguistiques, et non des lois du réel. Cette architecture le condamne à demeurer un système réactif, sans doute brillant dans la production de texte, mais incapable de planifier, d'anticiper ou de raisonner de manière robuste »^50(*).

L'approche « Joint Embedding Predictive Architectures » (JEPA) rompt avec cette logique. Son objectif n'est pas de produire du texte ou des images, mais de prédire des représentations internes abstraites (appelées embeddings) à partir de l'observation d'un contexte^51(*).

Cette approche permet d'apprendre la dynamique d'un environnement plutôt qu'un simple enchaînement d'unités symboliques. Elle est directement inspirée de l'apprentissage humain, où la perception d'une situation induit naturellement des attentes sur la suite.

En effet, un enfant de 4 ans, éveillé 16 000 heures, aura intégré via ses 2 millions de fibres sensorielles environ 1,1 × 10¹4 octets d'expériences vécues. Un LLM, lui, est entraîné sur environ 0,9 × 10¹4 octets de données textuelles. L'expérience sensorielle d'un jeune enfant dépasse donc en volume celle d'un modèle linguistique de pointe. Pourtant, l'enfant est capable d'anticiper, d'interagir, de comprendre les intentions et les effets. Ce constat justifie une refonte radicale de l'apprentissage machine afin de passer d'un traitement statistique de corpus à un apprentissage ancré dans l'expérience du monde.

« JEPA marque un tournant stratégique : il ne s'agit plus de générer du contenu, mais de comprendre et anticiper le monde. Cette architecture ouvre la voie à une intelligence artificielle incarnée, économe et adaptative. Elle pourrait constituer l'un des socles techniques d'une IA véritablement cognitive, apte à interagir intelligemment avec la réalité »^52(*).

Cette nouvelle voie a été proposée par Yann Le Cun, qui a quitté META, où il pilotait l'IA. Il estime désormais que : « après l'apprentissage profond il y a douze ans, puis l'avènement des chatbots comme ChatGPT ou Gemini, il y a trois ans, il va y avoir une troisième révolution : celle des IA qui comprennent le monde réel, le monde physique »^53(*).

M. Le Cun part d'une critique des grands modèles de traitement du langage qui relevèrent d'une « intelligence étroite » car « le substrat de la pensée humaine en général, ce n'est pas le langage » et, avec les modèles d'IA actuels, « les robots, les voitures autonomes, les agents IA censés accomplir des tâches ou la génération de longues vidéos » ne fonctionnent pas. Pour permettre aux IA de vraiment raisonner et de planifier une série de décisions afin d'accomplir une tâche complexe, elles doivent prédire les conséquences d'une action. Ce « modèle du monde » est une représentation abstraite, qui permet de comprendre l'environnement, par son observation. Sa méthode consiste à enseigner cette représentation à une machine en lui faisant visionner des millions d'heures de vidéos. Cette nouvelle approche permettra des applications dans des « procédés industriels, une chaîne de montage, une centrale électrique, une usine pharmaceutique ».

Il a fondé à Paris l'entreprise AMI (Advanced Machine Intelligence), laquelle a procédé le 10 mars 2026 à la première levée de fonds de 890 millions d'euros, ce qui valorise l'entreprise à 3 milliards d'euros.

Cette voie nouvelle permettra à terme de produire des IA « opérationnelles » dans l'industrie et notamment la robotique, alors qu'aujourd'hui les robots ne peuvent réaliser que des tâches étroites dans un environnement contrôlés.

La nouvelle entreprise AMI souhaite rendre ce nouveau modèle accessible aux entreprises, en modèle payant à la requête (API) ou en version téléchargeable et adaptable sur ordinateur en « open source », gratuite et modifiable.

(2) Le déploiement de la robotique

L'IA et la robotique sont au coeur de « l'entreprise 5.0 », caractérisée par l'interconnexion entre les machines, les systèmes et les personnes, et qui met l'humain pilotant l'IA au coeur de son modèle économique.

Les robots industriels autonomes réalisent des tâches sans l'intervention directe de l'homme, grâce à des systèmes d'IA sophistiqués. Ils peuvent percevoir leur environnement, prendre des décisions en temps réel ou s'adapter aux changements. Ils peuvent être utilisés dans les entrepôts pour naviguer parmi les obstacles ou transporter des matériaux. Leur choix, qui dépend des besoins de l'industrie, en plus des objectifs de productivité, peut s'effectuer entre :

Les robots mobiles autonomes (AMR), qui se déplacent grâce à des capteurs capables de détecter les obstacles afin de les éviter. Ces robots sont particulièrement utiles pour les tâches logistiques (livraison de composants sur une chaîne de production, par exemple) ;

Les véhicules à guidage automatique (AGV), utilisés pour le transport de matériaux au sein des usines ou des entrepôts. Contrairement aux AMR, les AGV suivent des trajectoires préprogrammées ;

Les robots collaboratifs (cobots), équipés de capteurs détectant la présence humaine, les cobots ajustent leurs mouvements pour éviter les collisions et accomplir différentes tâches, grâce à des algorithmes avancés de navigation et de vision ;

Les bras robotiques ou robots articulés, équipés de capteurs haptiques (dispositifs technologiques permettant de simuler la sensation du toucher ou l'interaction physique), qui permettent une collaboration homme-robot pour assembler des pièces délicates, souder ou peindre ;

Les drones industriels ou robots mobiles, qui inspectent des installations, assurent la surveillance de grands sites industriels ou la maintenance d'équipements difficiles d'accès. Ces robots offrent une grande mobilité avec une autonomie accrue, ils sont utiles dans les environnements industriels étendus ou dangereux ;

Les robots humanoïdes, utilisés dans des tâches nécessitant une interaction humaine directe ou une manipulation complexe.

Leurs usages industriels sont la maintenance prédictive pour anticiper les pannes d'équipement, permettant de réduire les temps d'arrêt imprévus, d'améliorer la durée de vie des équipements, d'assurer une meilleure continuité de la production, l'automatisation industrielle qui renforce la productivité et la sécurité car les robots autonomes effectuent des tâches complexes et répétitives avec une précision accrue, réduisant les erreurs et les coûts de production. Cette automatisation améliore l'efficacité, elle permet aux entreprises de maintenir des prix compétitifs. Par ailleurs, les robots peuvent exécuter des actions dangereuses, comme la manipulation de produits chimiques ou le travail en environnements extrêmes. Les risques pour les travailleurs sont réduits.

L'IA devrait améliorer les performances de la robotique en entreprise en leur permettant d'effectuer des tâches plus complexes avec plus de précision et plus d'autonomie. Les capacités des robots équipés d'une IA sont en effet augmentées par ses capteurs (caméras 2D/3D, capteurs de vibrations, de proximité, accéléromètres ou autres capteurs environnementaux). Ces derniers alimentent les robots en données de détection exploitées en temps réel. L'IA devrait accroître l'autonomie des robots industriels. Grâce à l'IA, ces robots prennent des décisions de plus en plus complexes de manière autonome.

L'IA et la robotique jouent un rôle clé dans la décarbonation des processus industriels en optimisant l'utilisation des ressources ou en réduisant les déchets. L'IA peut ainsi analyser les processus de production pour identifier les inefficacités ou proposer des ajustements en réduisant la consommation d'énergie ou les émissions de CO₂.

2. Pour les États-Unis, l'IA est un levier de croissance tiré par la tech californienne

Les rapporteurs se sont rendus en Californie, notamment à l'Université de Stanford, puis à Washington, afin d'apprécier l'ampleur de l'impact de l'IA sur les entreprises aux Etats-Unis.

a) L'IA, seul facteur de croissance de l'économie américaine

L'IA tire la croissance de l'économie des États-Unis.

L'investissement des entreprises en services numériques et en infrastructures explique le tiers de la croissance américaine en 2025^54(*). Aux investissements en logiciels ou équipements numériques et en infrastructures (data center) s'ajoute un « effet de richesse » lié à la hausse des valorisations boursières, stimulant la consommation des ménages.

L'IA aggrave par ailleurs les inégalités territoriales de sa productivité :

« Une grande partie du secteur technologique américain est concentrée en Californie, ce qui entraîne, comme on peut s'y attendre, une croissance de la productivité bien plus élevée dans cet État que dans le reste du pays. La divergence est énorme - plus importante encore que celle entre l'Union européenne et les États-Unis qui inquiète tant les Européens. Pourtant, on ne voit pas les Texans se tourmenter en se demandant pourquoi ils « décrochent » vis-à-vis de la Californie. Aux États-Unis, on comprend que cette divergence de productivité tient principalement à des effets de composition sectorielle » a estimé Paul Krugman^55(*), prix Nobel d'économie. L'écart de productivité entre l'Europe et les États-Unis s'explique presque exclusivement par la croissance plus forte du secteur technologique américain.

Les investissements dans l'IA américaine sont en partie financés par l'épargne européenne.

La banque d'investissement Goldman Sachs prévoit, par exemple, pour 2026, une dépense en capital supérieure à 500 milliards de dollars (429 milliards d'euros). « Ce montant - 1,7 % du produit intérieur brut environ - est du même ordre que celui des grands booms d'investissement du passé, comme à la fin des années 1990. Il excède même cet étiage, si l'on prend en compte les autres dépenses en capital dans la tech, notamment les investissements dans le software », a estimé l'économiste Jean-Pisany-Ferry^56(*). Ce dernier appelle à « réorienter l'épargne européenne vers le développement de l'IA en Europe même », qui ne manque ni de chercheurs, ni de talents, ni d'entrepreneurs, car « une telle réorientation de l'épargne vers le financement des investissements sur notre sol contribuerait à combler notre écart de productivité avec les États-Unis et à faire de l'Europe un acteur de l'IA au sens plein du terme ».

b) Une nouvelle « ruée vers l'or » en Californie

Alors petit hameau constitué de tentes en toiles, San Francisco s'est développé de façon exponentielle, passant de 1 000 à 25 000 habitants en deux ans, lors de la ruée vers l'or en Californie (California gold rush). Cette période d'environ huit ans (1848-1856) attira en Californie plus de 300 000 aventuriers, Américains et étrangers. L'IA est souvent comparé sur place comme une répétition de ce boom économique, d'une ampleur incomparablement plus vaste.

(1) Une nouvelle frontière technologique et économique

Le développement de l'IA et des technologies numériques aux États-Unis, et en Californie tout particulièrement, s'explique par :

- Une étroite proximité entre recherche fondamentale et appliquée et une rapidité de son déploiement dans l'économie réelle. Il peut ne s'écouler que quatre mois entre la publication d'un article scientifique décrivant une nouvelle application et la création d'une startup dédiée à son développement ;

- La possibilité de cumuler le statut de chercheur dans les universités et centres de recherche publics et celui d'entrepreneur d'une startup ;

- La dynamique du marché de l'investissement industriel, les projets d'investissements industriels dans le monde ayant progressé de 32 % en 2025, à hauteur de 1 800 milliards de dollars (1 530 milliards d'euros), et ont surtout profité aux États-Unis qui ont drainé 44 % de l'investissement mondial^57(*) ;

- La profondeur du marché du capital-risque sans commune mesure. Les États-Unis représentant 50 % du total mondial de la capitalisation boursière - contre seulement 11 % pour l'Europe, disposent d'une meilleure liquidité des actions, des valorisations plus élevées et un réseau plus étendu d'investisseurs prêts à soutenir des entreprises technologiques.

En 2021, les États-Unis ont enregistré plus d'introductions en bourse (initial public offering, ou IPO) d'entreprises technologiques que l'Europe n'en a compté entre 2015 et 2023. Alors que l'Europe abonde de financements au stade de la création (seed) et des premiers tours de financement (séries A), elle souffre d'un manque critique de capital disponible pour les entreprises arrivant au stade de l'IPO. Une startup européenne sur 4 qui lève plus de 100 millions d'euros finit par se relocaliser hors du continent afin de poursuivre sa croissance. Entre 2015 et 2023, 50 entreprises européennes ont choisi de s'introduire en bourse aux États-Unis. Ces « IPO perdues » ont généré un manque à gagner de 439 milliards de dollars pour l'Europe en termes de capitalisation boursière. Cela ne concerne pas seulement les revenus des investisseurs ou la performance du marché boursier : cela se traduit aussi par des emplois qui ne sont pas créés en Europe, des talents qui migrent avec ces entreprises et des revenus fiscaux manquants pour les gouvernements européens.

En 2024, plus de 50 % des investissements mondiaux dans des startups, soit 178 milliards de dollars, ont été réalisés aux États-Unis et la Silicon Valley concentre à elle seule 57 % de ces montants, avec des acteurs majeurs comme Sequoia ou Andreessen Horowitz. La Californie abrite aussi un écosystème unique, où se côtoient géants technologiques, universités d'élite, comme Stanford, et accélérateurs tels que Y Combinator, entreprise internationale de financement précoce de startups créée en mars 2025.

(2) Un état d'esprit pionnier

L'IA, à la suite du numérique et plus généralement, de la tech, est la nouvelle frontière du rêve américain de « dépasser les limites ». Selon le FMI^58(*), « l'IA devient capable d'assister le moteur de la créativité et de la découverte scientifique -- mathématiques, sciences, nouvelles évolutions de l'IA elle-même -- dans une sorte d'auto-amélioration récursive qui relevait jadis de l'exercice mental de science-fiction ».

Dans le secteur de la tech aux États-Unis, il n'est pas rare de voir des fonds investir plusieurs dizaines de millions de dollars dans une dizaine de startup développant la même application IA dans l'espoir que l'une d'entre elles réussissent et que les gains réalisés soient nettement supérieurs aux pertes subies avec l'échec des neuf autres.

« L'échec » n'est pas stigmatisant et représente une « expérience » qui ne disqualifie jamais l'entrepreneur.

Les innovations circulent en réseau et peuvent naître dans une entreprise, mais être développées par une autre, dès lors qu'elle permet « d'accroître la taille du gâteau » pour tous et profiter au plus grand nombre d'acteurs.

(3) Un risque d'emballement

Depuis le dernier trimestre 2025, la croissance des ventes et des investissements dans l'IA a explosé, comme le coût des infrastructures, alimentant des inquiétudes sur la soutenabilité de la trajectoire et le risque industriel.

Les ventes sont supérieures aux capacités de construction, pouvant transformer, en 2026, les promesses de l'IA en risque. Les trois principaux hyperscalers (Google Cloud, AWS et Microsoft) se retrouvent sous contrainte de capacité en ayant fait « le pari de surconstruire avant d'encaisser, en misant sur une demande structurellement supérieure à l'offre »^59(*), rapprochant leur profil de risque des industriels, davantage que celui des éditeurs de logiciels.

Le marché identifie trois tensions simultanées de cette asymétrie risque-rendement : « D'abord, l'ampleur des capex^60(*) IA et le fait qu'ils deviennent structurels, pas conjoncturels. Ensuite, l'incertitude sur la monétisation : l'IA est souvent vendue au départ comme une capacité brute, pas encore comme un logiciel à marge maximale. Enfin, la vitesse : quand tout le monde construit en même temps, l'offre finit par rattraper la demande et l'histoire peut se retourner. Au passage, ces inquiétudes liées aux dépenses IA s'accompagnent d'autres inquiétudes sur l'avenir des solutions SaaS^61(*) dans un monde animé par des agents IA qui rendent obsolètes les anciennes interfaces utilisateurs. Paradoxalement, ces résultats disent aussi que les hyperscalers américains ne sont pas fragiles. Ils sont capables d'absorber des chocs, d'investir à des niveaux qu'aucun autre acteur ne peut suivre, et de tenir la ligne de profit ».

c) Une volonté fédérale d'unifier la régulation de l'IA

État fédéral, les États-Unis sont confrontés au risque de l'adoption de cinquante régulations différentes concernant l'IA.

(1) L'échec d'une première tentative de régulation en Californie

État pionnier de l'IA, la Californie est également pionnier pour sa régulation.

La loi SB 1047, introduite en février 2024, visait à encadrer les systèmes d'IA à haute capacité, définis comme des modèles ayant un coût de développement supérieur à 100 millions de dollars et nécessitant une énorme puissance de calcul (supérieure à 10²⁶ opérations). La loi se concentrait spécifiquement sur les modèles d'IA dits « avancés », capables de traiter d'énormes quantités de données et d'effectuer des opérations complexes. Elle visait à combler le vide réglementaire pour des technologies dont l'impact potentiel sur la société pouvait être immense.

i) Le gouverneur de Californie Gavin Newsom a opposé son veto en octobre 2024, soulignant que la loi, bien qu'ambitieuse, n'était pas adaptée aux risques actuels car, elle fixait des seuils basés principalement sur le coût de développement (100 millions de dollars) et la puissance de calcul des modèles. Le Gouverneur a estimé que ces critères étaient trop restrictifs et qu'ils offraient une fausse impression de sécurité. Selon lui, même des modèles moins coûteux ou moins puissants pourraient représenter des risques importants.

ii) Elle ne prenait pas en compte les IA de petite échelle qui, bien que plus simples, peuvent être utilisées dans des domaines sensibles comme les décisions médicales ou juridiques. Le gouverneur a souligné la nécessité d'une régulation plus flexible, capable de s'adapter à l'évolution rapide de la technologie.

(2) Une deuxième loi « Transparency in Frontier Artificial Intelligence Act » (SB 53)

Publiée le 29 septembre 2025, elle atteint, selon le gouverneur Gavin Newsom, un équilibre « qui aide l'État de Californie à encourager l'innovation tout en protégeant la sécurité publique ».

Avant la promulgation du texte, plusieurs géants californiens de l'IA, dont Meta, Google, OpenAI et Anthropic avaient pris des engagements volontaires pour mener des tests de sécurité et bâtir des protocoles robustes. La nouvelle loi californienne codifie et étend ces engagements.

Le texte, décrit par ses promoteurs comme inédit à l'échelle mondiale, oblige les entreprises à signaler les comportements trompeurs dangereux de l'IA pendant les tests. Par exemple, si un modèle ment sur l'efficacité des contrôles conçus pour l'empêcher d'aider à fabriquer des armes biologiques ou nucléaires, les développeurs doivent dévoiler l'incident s'il augmente considérablement les risques de dommages^62(*).

Cette loi oblige à rendre publics les protocoles de sécurité, alors que l'Union européenne limite leur transmission aux autorités. Elle marque ainsi le passage d'une autorégulation essentiellement volontaire à un cadre législatif contraignant, imposant aux acteurs les plus puissants de l'IA de se soumettre à des obligations de gouvernance et de reddition de comptes. La loi impose aux grands développeurs de modèles d'« IA de frontière » de publier et de mettre à jour régulièrement une politique interne de gouvernance, comportant :

· les méthodes d'évaluation des capacités dangereuses des modèles et les stratégies de réduction des risques ;

· la prise en compte des normes internationales et des bonnes pratiques sectorielles ;

· les procédures de contrôle avant tout déploiement ou usage interne à grande échelle ;

· les mesures de sécurité informatique visant à protéger les paramètres essentiels des modèles contre les intrusions et détournements ;

· les dispositifs de détection et de traitement des incidents graves, tels que les pertes de contrôle ou les comportements autonomes imprévus.

Avant le déploiement d'un nouveau modèle ou d'une version substantiellement modifiée, le développeur doit également publier un rapport de transparence exposant les risques identifiés, les mesures correctives mises en oeuvre et, le cas échéant, le recours à des évaluations indépendantes.

Lorsque certaines informations sensibles doivent être protégées pour des raisons de sécurité ou de secret des affaires, le développeur est tenu d'en expliquer la nature et de conserver l'intégralité des données pour les mettre à disposition des autorités en cas de besoin.

Le défaut de publication des politiques de gouvernance, de dépôt des rapports ou de signalement des incidents peut entraîner des sanctions civiles importantes, pouvant atteindre un million de dollars par violation.

Au-delà des obligations imposées aux entreprises privées, le législateur californien a confié à l'administration la mission d'étudier la création d'une infrastructure publique de calcul haute performance, baptisée « CalCompute ». Cet outil vise à favoriser un accès plus équitable aux ressources de calcul, indispensable au développement de l'IA, et à soutenir des projets d'« IA de frontière », qui sont les modèles d'IA les plus avancés, pouvant égaler ou même surpasser les performances humaines sur un grand nombre de tâches différentes, en leur conférant une dimension éthique, durable et conforme à l'intérêt général.

La loi renforce par ailleurs la protection des salariés exerçant un rôle d'alerte en matière de sécurité. Elle interdit toute clause contractuelle ou pratique d'entreprise visant à restreindre ou sanctionner les signalements faits de bonne foi concernant des activités présentant un danger grave pour la santé ou la sécurité publiques. Les grands développeurs doivent mettre en place un canal interne de signalement anonyme et assurer un suivi régulier des alertes reçues, tout en informant clairement les salariés de leurs droits. En cas de représailles, les salariés peuvent saisir le juge pour obtenir des mesures d'injonction et le remboursement de leurs frais de justice.

Les entrepreneurs de l'intelligence artificielle, quant à eux, avaient également tout intérêt à ce qu'une loi vienne encadrer leur activité, en raison de l'attention croissante portée à leurs chatbots et à leur influence sur le jeune public.

La loi SB-53 californienne illustre une approche novatrice de gouvernance des risques systémiques liés à l'« IA de frontière », complémentaire des règles existantes en matière de protection des données et de transparence algorithmique. Elle peut préfigurer un dialogue transatlantique sur les standards de sécurité applicables aux modèles d'« IA de frontière », susceptible d'interagir avec le Règlement européen sur l'IA (AI Act).

Bien qu'il s'agisse d'un texte californien, certaines obligations pourraient produire des effets extraterritoriaux pour les développeurs internationaux proposant leurs modèles à des utilisateurs situés en Californie.

(3) Une troisième loi (SB-243) régule les « chatbots IA »

Promulguée le 13 octobre 2025, elle encadre les agents conversationnels d'intelligence artificielle, ou chatbots. Présentée comme une réponse aux suicides d'adolescents liés à des chatbots dits « companions », cette initiative marque une étape majeure dans la réflexion juridique sur les risques psychosociaux de l'IA.

La loi californienne introduit un régime d'obligations spécifiques à la charge des développeurs et des opérateurs de chatbots companions. Elle impose notamment une vérification d'âge obligatoire pour tous les utilisateurs de même que l'affichage régulier d'un message rappelant à l'utilisateur que son interlocuteur est une IA (toutes les trois heures pour les mineurs). En outre, la loi ordonne la mise en place de protocoles de détection des propos suicidaires ou d'automutilation ainsi qu'un accès obligatoire à des programmes de prévention. Enfin, la transmission de statistiques sur ces signaux au Département de la Santé Publique de Californie est exigée. Elle interdit également aux chatbots de se présenter comme des professionnels de santé et impose des avertissements sur les risques psychologiques liés à leur utilisation prolongée, notamment chez les jeunes. Cette loi demande aussi aux entreprises d'intégrer des « rappels de pause » pour les mineurs et des filtres de contenu explicite pour bloquer les échanges à caractère sexuel ou violent afin de prévenir les dérives déjà constatées sur certaines plateformes.

Si les autorités californiennes et les associations de protection de l'enfance saluent une « avancée historique », certaines entreprises de l'IA ont dénoncé une régulation prématurée.

(4) Une quatrième loi, le California AI Transparency Act (SB 942)

Entrée en vigueur le 1?? janvier 2026, elle vise à créer un cadre de confiance autour de l'utilisation de l'IA en établissant des obligations de transparence pour les fournisseurs d'IA générative et en imposant des mesures de détection et d'identification des contenus générés artificiellement.

La loi s'applique aux « covered providers », définis comme les personnes créant, codant ou produisant des systèmes d'IA générative comptant plus d'un million de visiteurs ou d'utilisateurs mensuels et accessibles publiquement dans les limites géographiques de l'État.

Les fournisseurs doivent mettre à disposition gratuitement un outil permettant d'évaluer si un contenu (image, vidéo ou audio) a été créé ou modifié par leur système d'IA générative. Les fournisseurs doivent également permettre d'identifier les contenus générés (image, vidéo, audio) par une mention explicite et par des métadonnées permettant de connaître le système d'IA d'origine.

L'impact de ces législations dépasse les frontières de la Californie et a influencé l'État de New York, qui a promulgué le 19 décembre 2025, une loi sur la transparence des risques de l'IA, inspirée du règlement californien signé en septembre.

La loi dite Raise Act (Responsible AI safety and education act) définit des cadres de sécurité et de transparence pour les modèles d'IA de pointe. Le règlement sera effectif le 1^er janvier 2027. Elle s'inspire de l'AI Act européen, et vient surtout contrer les orientations du président des États-Unis, favorable à l'autorégulation des fournisseurs de solutions.

Selon l'ONG et think tank de politique internationale Carnegie Endowment for International Peace, l'adoption de la loi SB-53 et celle de l'État de New York auront des répercussions nationales aux États-Unis en matière d'IA, malgré leurs insuffisances. En effet, selon les analystes du Carnegie Endowment for International Peace, seuls sont pour l'instant concernées les offres les plus récentes d'OpenAI et de X AI. L'ONG regrette ainsi que la définition « d'éditeur de frontière AI » exclut des modèles considérés comme tout aussi dangereux, comme le modèle chinois Deepseek, et occulte le fait que des modèles tout aussi risqués, voire plus dangereux, puissent désormais être conçus avec des puissances inférieures à 10²⁶ Tflops^63(*).

(5) La volonté de préempter au niveau fédéral la régulation de l'IA

Cette multiplication des législations des États fédérés inquiète les acteurs de l'IA et l'administration Trump. En 2025, selon la National Conference of State Legislatures, trente-huit États américains ont adopté ou promulgué près d'une centaine de réglementations applicables à l'IA.

Le sénateur Ted Cruz a tenté, sans succès, d'introduire une loi fédérale, nommé S. 2750 - Sandbox Act, le 10 septembre 2025, laquelle aurait gelé toute future réglementation sur l'IA au niveau des États et au niveau fédéral pour les dix prochaines années - une initiative soutenue par de nombreux dirigeants du secteur de l'IA.

Dans le même sens, le 26 août 2025, Meta et le fonds d'investissement Andreessen Horowitz ont promis 200 millions de dollars à deux super PAC (Political Action Committee)^64(*) visant à soutenir l'élection de responsables politiques favorables à l'intelligence artificielle. Meta s'est engagé à verser des dizaines de millions de dollars à sa super PAC intitulée Meta California. Une seconde super PAC, Leading the Future, est financée à hauteur de 50 millions de dollars par Andreessen Horowitz et de 50 millions supplémentaires par Greg Brockman, cofondateur d'OpenAI.

Le 11 décembre 2025, Donald Trump a signé un décret visant à centraliser la régulation de l'IA au niveau fédéral, avec pour objectif d'empêcher les 50 États américains de le faire à leur niveau.

Le texte vise à « assurer que l'intelligence artificielle puisse opérer dans un seul cadre dans ce pays plutôt que d'être sujette à des régulations au niveau des États qui pourraient paralyser le secteur », a expliqué Will Scharf, secrétaire général de la Maison Blanche.

Quelques heures après son investiture, en janvier 2025, Donald Trump avait annulé un décret pris par son prédécesseur, Joe Biden, concernant la sécurité en matière d'intelligence artificielle. Le texte initial, dévoilé en octobre 2023, imposait notamment aux entreprises du secteur de transmettre au gouvernement fédéral certaines données relatives à leurs modèles d'IA. Il leur obligeait à communiquer les résultats de tests lorsque les programmes présentaient « un risque sérieux en termes de sécurité nationale, de sécurité économique nationale ou de santé publique ».

Un projet d'ordre exécutif intitulé « Eliminating State Law Obstruction of National AI Policy » promet une offensive juridique et budgétaire contre les États qui osent légiférer sur l'IA^65(*).

Le document ordonnerait au procureur général de créer une AI Litigation Task Force, avec pour mission exclusive de contester en justice les lois étatiques sur l'IA. Les motifs invoqués seraient l'atteinte au commerce interétatique, la préemption par les normes fédérales, et l'inconstitutionnalité présumée. Toute tentative locale de cadrer les usages de l'IA, notamment dans la transparence ou la modification de ses réponses, serait considérée comme une nuisance.

L'exécutif projette par ailleurs de priver de financements fédéraux les États qui persistent à vouloir encadrer l'IA, comme le programme BEAD (Broadband Equity, Access and Deployment), doté de 42 milliards de dollars. Initialement conçu pour lutter contre les déserts numériques. Le projet dispose que les États disposant de lois « contraires » à la politique fédérale ne pourraient recevoir que la moitié des fonds. L'autre moitié serait distribuée à des conditions strictes, voire gelée ou redirigée vers d'autres usages.

L'ordre exécutif propose par ailleurs que toutes les agences fédérales réévaluent leurs programmes de subventions discrétionnaires afin de vérifier s'il est légalement possible de les conditionner à l'absence de lois étatiques sur l'IA. Ce serait un précédent majeur, étendant la préemption fédérale à une multitude de champs : santé, transports, cybersécurité, éducation.

Le texte prévoit aussi des actions concrètes de la Federal Communications Commission (FCC) et de la Federal Trade Commission (FTC), chacune chargée de publier des normes ou déclarations qui rendraient caduques certaines lois étatiques, en invoquant des conflits avec les principes de libre commerce ou d'interdiction de pratiques trompeuses.

En somme, l'administration Trump propose une verticalisation totale de la gouvernance de l'IA, en marginalisant les initiatives locales. La diversité réglementaire, pourtant inhérente au fédéralisme américain, est perçue comme une menace à l'unité stratégique dans la course à l'IA.

(6) La récusation d'une gouvernance mondiale de l'IA

Au Sommet pour l'action sur l'IA qui s'est tenu à New Delhi en février 2026, le secrétaire général des Nations unies Antonio Guterres a proposé le lancement d'une commission scientifique destinée à faire « du contrôle humain » de l'IA « une réalité technique » : « Nous fonçons dans l'inconnu. L'innovation liée à l'IA avance à la vitesse de la lumière et dépasse notre capacité collective à la comprendre et encore plus à la gouverner ».

S'inscrivant en total désaccord, Michael Kratsios, conseiller de l'administration présidentielle américaine aux sciences et technologies a déclaré : « Nous rejetons totalement la gouvernance mondiale de l'IA. Nous estimons que son développement ne peut pas conduire à un avenir meilleur si elle est soumise à la bureaucratie et un contrôle centralisé ».

Pour l'administration Trump, l'idée même d'une gouvernance mondiale de l'IA est un non-sens stratégique qui risque d'étouffer le potentiel disruptif de cette technologie. Le futur de l'IA doit rester entre les mains des acteurs privés et relever de régulations purement nationales.

Pourtant, le patron d'OpenAI, Sam Altman, avait déclaré que cette technologie en plein essor avait un besoin urgent de régulation, alors que grandissent les inquiétudes quant à son impact sur la société et l'environnement.

À l'opposé, pour le représentant de la Maison-Blanche, l'intelligence artificielle a le potentiel de « favoriser l'épanouissement humain et de générer une prospérité sans précédent. Les obsessions idéologiques axées sur les risques, comme le climat ou l'équité, sont des prétextes à une gestion bureaucratique et à la centralisation ». Le gouvernement américain refuse d'encadrer les accès et les contenus sur les plateformes, au nom de la liberté d'expression notamment.

(7) La volonté d'assurer une domination américaine sur l'IA66(*)

Dans un moment de rivalité technologique avec la Chine, l'envoyé spécial de Donald Trump au sommet de l'intelligence artificielle en Inde, Michael Kratsios, a indiqué le 20 février 2026 que : « Les États-Unis veulent exporter l'IA américaine dans le monde » « Cette technologie est l'occasion de mener - comme l'ont fait les Pères fondateurs de notre nation il y a deux cent cinquante ans - une révolution dans l'histoire de l'humanité. L'IA américaine établit une nouvelle frontière, mais l'Amérique ne cherche pas à construire ce futur seul. Alors je vous demande de nous rejoindre ».

Derrière ces accents messianiques se trouve une politique mercantile visant à soutenir l'industrie américaine de l'IA « en promouvant l'export de packages complets de toutes les couches de cette technologie », comme l'indique le décret présidentiel.

Pour soutenir cette offensive, devrait être créé un « Tech Corps »^67(*), composé de diplômés en sciences ou en IA - jusqu'à 5 000 selon l'agence de presse Bloomberg - qui seront envoyés chez les « partenaires » pour aider à mettre en service des applications dans « l'énergie, l'éducation, l'industrie et la médecine, le transport et l'agriculture », a expliqué le responsable. Il a aussi annoncé des mécanismes de soutien au financement destinés aux pays clients.

Enfin, le programme « pax silica » de coopération vise à « sécuriser les chaînes d'approvisionnement », notamment dans les semi-conducteurs, signé vendredi par l'Inde, après le Royaume-Uni, l'Australie, les Émirats arabes unis, la Corée du Sud, le Qatar, le Japon ou Israël.

L'administration de Donald Trump ne cache pas la portée géopolitique évidente de cette initiative, face à la Chine notamment^68(*). Il s'agit d'assurer la domination américaine dans l'IA et de « réduire la dépendance internationale aux IA développées par nos adversaires ».

Projeter activement l'IA américaine hors des frontières des États-Unis est pour l'administration Trump une rupture revendiquée avec les politiques de contrôle des exportations mises en place sous Joe Biden, notamment sur les puces IA de dernière génération, dans l'espoir de limiter l'avancée de rivaux comme la Chine.

Les États-Unis se défendent de tout « colonialisme numérique », en considérant que, comme l'IA américaine est la « meilleure », il est inutile et vain de vouloir s'isoler en essayant de « reconstruire » toutes les couches technologiques à partir de zéro.

3. Pour chaque État, les enjeux de l'IA sont vitaux

a) L'IA est un enjeu géopolitique majeur pour tous les États

La capacité de calcul est devenue un objectif stratégique majeur.

Alors que l'intelligence artificielle s'impose comme un enjeu stratégique majeur, la capacité de calcul est devenue un critère central de puissance entre États.

« Socle d'une nouvelle grammaire de la puissance, elle redéfinit les hiérarchies mondiales : désormais, la souveraineté se mesure autant en teraFLOPS^69(*) et en exaFLOPS^70(*) qu'en PIB et en capacités militaires »^71(*).

Dans la course à l'IA, la bataille ne se joue pas seulement dans le code ou les algorithmes, mais aussi et surtout dans la maîtrise d'infrastructures physiques gigantesques : « derrière chaque modèle de langage performant se cache en effet une machinerie massive, conçue dans le but de maximiser une ressource devenue centrale : la capacité de calcul -- c'est-à-dire la quantité d'opérations qu'un système informatique peut exécuter en un temps donné, exprimée en FLOP (floating point operations per second) ».

Le récent supercalculateur anglais Isambard-AI, inauguré en juillet 2025, a atteint ainsi près de 21 exaFLOPS, soit vingt milliards de milliards d'opérations par seconde, grâce à l'accumulation méthodique de processeurs spécialisés (GPU), à l'installation de refroidissement liquide et à une alimentation électrique haute performance.

L'entraînement d'un modèle comme GPT-4 a nécessité plus de 10 000 puces graphiques, chacune facturée autour de 30 000 €, soit près de 300 millions d'euros à laquelle s'ajoute la consommation électrique, la logistique et les milliers d'heures de travail humain, allant des ingénieurs de pointe aux annotateurs de données.

Dans ce contexte, il apparaît clair que la notion de capacité de calcul dépasse le cadre purement technique : elle devient un instrument de puissance : « contrôler les architectures matérielles, les flux de données et les infrastructures d'entraînement, c'est détenir un levier stratégique majeur, capable d'influencer l'économie, la sécurité et la recherche scientifique. Cette nouvelle centralité du compute [calcul] est en train de reconfigurer les hiérarchies entre États, entreprises et blocs géopolitiques. Elle redéfinit les contours mêmes de la souveraineté.

« Dès lors, c'est notre conception de la puissance qu'il devient urgent de revisiter. Longtemps pensée à partir de critères classiques -- démographie, ressources naturelles, force militaire, influence culturelle --, elle se redessine aujourd'hui autour de critères technologiques et « computationnels ». Les facteurs traditionnels ne disparaissent pas, mais ils sont désormais subordonnés à un nouveau socle : celui des infrastructures de calcul. En 2025, maîtriser la production de puces, disposer de supercalculateurs et sécuriser l'accès à l'énergie bas-carbone est peut-être plus stratégique que posséder des champs pétrolifères ».

Historiquement confinée aux laboratoires et aux cercles d'experts de l'ère informatique naissante, la notion de « capacité de calcul » a quitté le domaine technique pour devenir désormais un enjeu politique et géopolitique majeur : « à mesure que le monde se transforme en un immense graphe algorithmique, la souveraineté ne se mesurera plus seulement en frontières, en traités ou en PIB, mais aussi en teraFLOPS, petaFLOPS ou exaFLOPS. L'Europe a commencé à réagir, investissant dans ses propres infrastructures de calcul. Mais l'enjeu est immense et dépasse la simple réduction du retard : il s'agit de reprendre la maîtrise de notre destin technologique. Sans un effort soutenu et coordonné, l'Europe risque de cesser d'être une puissance influente pour devenir une simple zone d'exploitation technologique, au service d'intérêts extérieurs », selon Jonathan Koskas.

b) L'IA est un défi pour toutes les économies

(1) L'IA est un facteur de productivité

Selon McKinsey, les entreprises qui déploient l'IA de manière stratégique enregistrent des gains de productivité de 20 à 40 % sur leurs processus clés. Le potentiel d'automatisation des tâches pourrait atteindre 27 % à l'horizon 2030 et jusqu'à 45 % en 2035, selon le rapport McKinsey réalisé avec l'Institut de l'Entreprise^72(*).

Le plan « Osez l'IA » du gouvernement retient un gain attendu moyen de 20 % par entreprise.

Selon le Capgemini Research Institute^73(*), les agents experts IA pourraient générer jusqu'à 450 milliards de dollars de valeur économique d'ici 2028.

Parallèlement, Gartner prévoit que 33 % des applications d'entreprise incluront l'IA agentique d'ici 2028, contre moins de 1 % en 2024.

Cette accélération conduit 93 % des dirigeants d'entreprise à penser que le déploiement rapide des Agents experts IA constituera un avantage concurrentiel majeur.

(2) De l'IA partout, sauf dans les statistiques de productivité et les bilans

La richesse supplémentaire mondiale créée par l'IA pourrait être colossale.

Avant la démocratisation des modèles de fondation, certaines études, comme celle de McKinsey de 2018^74(*), estimaient qu'elle pourrait générer une activité mondiale supplémentaire d'environ 13 000 milliards de dollars, soit une croissance moyenne supplémentaire du PIB d'environ 1,2 point par an entre 2018 et 2030.

Selon une étude plus récente de Goldman Sachs de 2023^75(*), l'IA générative, pourrait à elle seule augmenter la croissance annuelle de la productivité du travail aux États-Unis de presque 1,5 point sur une période de 10 ans après une adoption généralisée. À titre de comparaison, la croissance annuelle de la productivité du travail aux États-Unis était de 1,3 point sur la période 2005-2018, et 0,8 point sur la période 2010-2018. « Ces estimations dépendent souvent d'hypothèses très fortes et prospectives (adoption massive, relativement rapide et accompagnée de frictions limitées), ce qui fragilise leurs conclusions »^76(*). 

Ces extrapolations ont une portée relative, d'autant que plusieurs freins aux gains de productivité sont constatés. Ainsi, le volume colossal des investissements dans l'IA absorbe les gains de productivité qui peinent à se diffuser dans l'économie réelle.

Par ailleurs, si l'impact de l'IA sur la productivité est avéré, elle reste invisible dans les bilans comptables des entreprises.

Ils n'apparaissent que rarement dans les états financiers, et ce en raison de contraintes normatives, car « le Plan Comptable Général (article 212-1)^77(*) prévoit que les frais de développement ne peuvent être immobilisés que si un faisceau de conditions cumulatives est respecté : faisabilité technique, intention de finaliser et d'utiliser le projet, démonstration d'une rentabilité future attendue, capacité à identifier et à mesurer les coûts avec fiabilité. Or, dans le cas d'une IA, le caractère souvent expérimental et itératif du développement complique la distinction entre recherche et développement. Par ailleurs, les coûts engagés sont souvent multidimensionnels (mobilisation de données internes, ressources humaines transverses, infrastructure logicielle partagée), rendant difficile une traçabilité financière directe et isolable »^78(*).

Dans l'IA, la distinction entre recherche et développement reste floue : la phase de test, d'ajustement, d'entraînement, ou d'amélioration du modèle, peut se prolonger de manière continue sur plusieurs mois voire années, ce qui empêche une reconnaissance claire de l'instant de basculement entre expérimentation et développement finalisé.

« Les comptabilités actuelles valorisent les murs, les machines, les brevets, mais peinent à intégrer la richesse algorithmique ou cognitive pourtant, destinée à devenir la véritable mesure du capital professionnel à l'ère digitale » et ce décalage crée un angle mort majeur : « l'entreprise se prive ainsi de la reconnaissance de ses investissements stratégiques, ce qui peut fausser l'analyse économique faite par des tiers (banques, investisseurs, acheteurs potentiels). Elle se prive également de la possibilité d'amortir ces investissements sur le plan fiscal, et donc de lisser leur charge sur plusieurs exercices. En cas de cession ou de réorganisation, cette non-inscription comptable empêche souvent toute valorisation explicite de l'IA, ou à tout le moins, fragilise celle-ci face au contrôle fiscal ».

Sur le plan fiscal, l'IA développée en interne par une entreprise n'a pas de qualification spécifique dans le Code général des impôts ni dans les instructions de l'administration fiscale. « Elle est ainsi appréhendée par analogie : tantôt assimilée à un logiciel, tantôt à une base de données, ou encore à une oeuvre protégée par le droit d'auteur, selon sa nature et sa finalité ».

Or, comment valoriser un actif qui ne figure pas au bilan, dont la création n'est pas traçable comptablement, et dont l'existence juridique n'est attestée par aucun titre de propriété intellectuelle enregistré ? « La réponse fiscale dépendra ici de la qualité de la documentation produite par l'entreprise : fiches de conception, feuilles de route de développement, preuves de tests, ventilation analytique des coûts, captations de performances ».

En l'absence d'éléments probants permettant d'établir la réalité, la consistance et la valeur économique de l'IA concernée, l'administration fiscale pourrait « rejeter la valorisation déclarée, procéder à une réintégration de la valeur estimée de l'actif en cas de sous-évaluation manifeste lors d'une opération patrimoniale, voire, dans les cas les plus sensibles, remettre en cause le régime fiscal applicable à ladite opération - notamment en contestant l'éligibilité au régime de faveur prévu en matière d'apports partiels d'actif ou de fusions placées sous le bénéfice de l'article 210 A du Code général des impôts », qui permet de bénéficier d'un régime de neutralité fiscale, permettant un report d'imposition des plus-values latentes.

4. Pour les entreprises, les enjeux de l'IA sont multiples

a) L'IA a un impact pour toutes les entreprises

(1) Un enjeu de compétitivité globale

L'IA est avant tout un enjeu de compétitivité pour chaque entreprise, même celle dont le coeur de métier n'est pas le numérique.

La commission de l'IA recommandait en mars 2024 de « déployer massivement l'IA dans notre économie pour gagner en productivité et en compétitivité » :

L'écosystème français et européen spécialisé dans l'intelligence artificielle doit se développer parallèlement à l'adoption massive des systèmes d'IA par les entreprises qui composent actuellement notre tissu productif. Il faut donc miser sur l'économie de l'IA, mais aussi sur l'économie avec l'IA. Le potentiel de gains de productivité est effectivement immense. Les particularités de l'IA générative (réalisme, simplicité, rapidité, aptitudes) ouvrent la voie à d'importants gains de productivité rapides, presque immédiats. Cependant, les principaux bénéfices nécessiteront des actions de transformation (des infrastructures de données, de l'organisation, des ressources humaines, etc.). L'impact des précédentes innovations majeures sur la productivité française est souvent considéré comme modéré. Le retard à l'adoption de ces technologies par rapport aux autres pays, notamment les États-Unis, constitue une des raisons principales. Afin de tirer les bénéfices de l'IA, les entreprises françaises doivent donc adopter rapidement les systèmes d'IA. Si elles sont plus lentes dans cette adoption, elles perdront des parts de marché vis-à-vis des entreprises qui auront recours plus vite à l'IA. L'inverse est tout aussi vrai : si la France se mobilise plus vite, elle pourra gagner des parts de marché national ou à l'export.

McKinsey^79(*) estimait en 2023 que les entreprises ayant adopté l'IA générative enregistraient des gains de productivité de 30 % en optimisant le temps consacré à la génération de contenu (+ 63 %) et aux tâches administratives des entreprises (+ 44 %).

Selon une enquête de mai 2023^80(*), l'IA offre de puissants leviers de productivité et de performance. Les entreprises qui se sont appropriées l'IA se montrent globalement satisfaites de ce changement. Leurs dirigeants estiment que l'IA fait gagner en rapidité les salariés (87 %) ; améliore la performance des salariés (72 %) ; réduit les tâches fastidieuses et améliore ainsi les conditions de travail (63 %) ; fait progresser la relation client (58 %).

Une autre enquête du Labor IA publiée par le ministère du travail en mars 2023^81(*), identifie sensiblement les mêmes items et met en avant deux autres avantages : la réduction du risque d'erreur (pour 85 % des répondants) et la garantie de sécurité des salariés (dans l'industrie).

Elle souligne également le très haut niveau de satisfaction des dirigeants d'entreprises vis-à-vis de l'IA. Ainsi, 96 % des entreprises ayant déclaré utiliser une IA estiment qu'elle a eu un impact très positif ou plutôt positif sur leur travail.

Enfin, une étude du MIT et de l'université de Stanford d'avril 2023 révèle une hausse moyenne de la productivité de 14 % grâce à l'IA. Ce chiffre masque des disparités selon le niveau des salariés. Moins les emplois sont qualifiés (plus ils proposent des tâches répétitives), plus les gains de productivité sont importants.

Selon l'IFOP^82(*), 43 % des salariés déclarent utiliser les IA génératives au travail en 2025, lesquelles génèrent des gains de productivité parfois spectaculaires. 29 % d'entre eux affirment que leur productivité et leur efficacité ont augmenté de plus de 40 % grâce à ces technologies.

Les applications concrètes de l'IA dans les entreprises

Sur les processus de production. L'IA transforme profondément l'industrie manufacturière à travers la maintenance prédictive (réduction des coûts de 20 à 30 % selon McKinsey^83(*)), le contrôle qualité automatisé par vision par ordinateur, l'optimisation des chaînes logistiques et la planification de production. L'IA agentique commence à passer des pilotes aux déploiements réels, avec 23 % des entreprises mondiales en phase de montée en échelle. 70 % de la valeur créée par l'IA provient de fonctions opérationnelles bien définies : ventes, marketing, supply chain^84(*), production et pricing^85(*).

Sur les fonctions support et l'administration. L'IA générative a un impact considérable sur les fonctions transversales. En finance, 76 % des entreprises françaises utilisent désormais l'IA dans la production de l'information financière, en progression de 8 points en six mois^86(*). Selon Bpifrance^87(*), les cas d'usage les plus répandus dans les TPE-PME sont la génération de contenus (72 % des utilisateurs) et l'analyse de données (67 %). S'y ajoutent la recherche d'informations (56 %), la traduction, l'analyse de documents juridiques et contractuels, l'automatisation de la facturation et le service client via des chatbots^88(*). Le service desk IT bénéficie également d'avancées majeures : certaines entreprises traitent déjà 80 % de leurs tickets de niveau 1^89(*) par des agents IA.

Sur le management RH, les ressources humaines constituent l'un des domaines où l'IA se diffuse le plus rapidement. Les cas d'usage couvrent le tri et la présélection (matching) de candidatures, la personnalisation des parcours de formation, la gestion prévisionnelle des emplois et des compétences (GEPP), l'évaluation des collaborateurs. 78 % des dirigeants souhaitent mettre en place des formations en ligne assistées par l'IA, et 60 % des responsables en ressources humaines considèrent la gestion des transitions liées à l'IA comme une compétence clé à court terme. Cependant, 55 % des directions des ressources humaines soulignent le risque de déshumanisation des processus et la nécessité de détecter les biais algorithmiques. L'AI Act classe d'ailleurs plusieurs usages en matière de ressources humaines (tri de CV, scoring^90(*) des candidats) dans la catégorie des systèmes « à haut risque », imposant des obligations renforcées de transparence et d'audit^91(*) .

Source : contribution de l'Institut de l'entreprise, audition du 4 février 2026.

(2) Des métiers diversement impactés

Selon l'enquête INSEE publiée en juillet 2025 et portant sur l'année 2024^92(*), alors que 10 % des entreprises implantées en France déclaraient utiliser au moins une technologie d'IA, 28 %, les entreprises utilisant l'IA la mobilisait pour le marketing ou les ventes, en progression de 11 points en un an. L'usage de l'IA pour les processus de production ou de services était également nettement plus courant en 2024, avec 27 % des entreprises concernées, soit 7 points de plus par rapport à 2023. L'utilisation de l'IA pour l'organisation des processus d'administration a plus que doublé : de 11 % en 2023 à 24 % en 2024. L'usage de l'IA pour la logistique suit la même tendance, bien qu'il reste le moins fréquent (3 % en 2023 à 6 % en 2024).

Même si le nombre d'entreprises utilisant l'IA pour la comptabilité, le contrôle de gestion ou la gestion financière augmente en 2024, la part de cet usage parmi l'ensemble des entreprises utilisant l'IA est en recul par rapport à 2023 (25 % en 2024, contre 31 % en 2023). Enfin, l'utilisation de l'IA pour la sécurité informatique et pour la recherche et le développement demeure stable en 2024.

Les principales finalités d'utilisation de l'IA varient selon les secteurs d'activités. Une entreprise sur deux du secteur de l'information et de la communication ayant recours à l'IA l'utilise pour la recherche et le développement ou l'innovation. Les entreprises du secteur des activités immobilières en font davantage usage pour le marketing ou les ventes (pour plus d'une entreprise sur deux utilisant l'IA). Les entreprises du secteur des activités spécialisées, scientifiques et techniques, utilisent majoritairement l'IA pour les processus de production ou de services. Enfin, l'usage le plus courant dans les transports et l'entreposage, secteur qui utilise peu l'IA, est la sécurité informatique.

L'acquisition des technologies d'IA par les entreprises repose majoritairement (69 %) sur l'achat de logiciels ou systèmes du commerce prêts à l'emploi. Dans une proportion allant de 23 à 29 %, les entreprises acquièrent les technologies d'IA en passant des contrats avec des prestataires, en les développant en interne ou en modifiant des logiciels libres. Plus rarement (14 %), elles achètent des logiciels ou systèmes d'IA du commerce qui sont ensuite modifiés en interne par leurs employés.

Dans le secteur financier, les agents peuvent déjà aider des commerciaux à contrôler les risques afin d'accorder ou non un crédit à un client, puis préparer le dossier. Ils peuvent aussi suggérer des placements à un conseiller client de banque d'affaires ou réaliser du contrôle de gestion.

L'IA se diffuse même dans le secteur de l'artisanat

Les résultats d'une enquête d'Astarès effectuée en 2024^93(*) font état de gains de temps substantiels pour l'ensemble des chefs d'entreprise artisanale. Sur les 46 heures de travail hebdomadaire des chefs d'entreprise artisanale, ceux-ci déclarent occuper 10 heures soit 22 % de leur temps de travail total à la réalisation de tâches liées à la gestion de l'entreprise. Ces tâches constituent le terreau principal d'utilisation de l'IA. L'enquête révèle que 27 % des chefs d'entreprise artisanale en France ont recours à l'IA dans le cadre de leur travail. Ils sont 15 % à l'utiliser de manière régulière (tous les jours ou toutes les semaines) et 12 % de manière plus occasionnelle. Les usages sont plus répandus dans l'artisanat de fabrication et de services (30 % d'utilisateurs), puis dans l'alimentation (25 %) et moins dans le bâtiment (16 %). En moyenne, avec l'aide d'un outil d'IA générative, le temps d'exécution d'une tâche diminue de 33 %. De fait, les tâches pour lesquelles l'utilisation de l'IA est actuellement la plus intensive sont la création de supports de communication et la relation client. En moyenne, avec ces usages, les chefs d'entreprise artisanale utilisateurs d'IA gagnent déjà 2,1 heures par semaine, et ce seulement deux ans après la mise en ligne de ces outils.

L'IA pourrait permettre de gagner entre 1,7 et 4,3 heures par semaine pour les chefs d'entreprise artisanale, soit un gain de productivité compris entre 4 % et 9 %.

Trois scénarios sont proposés.

Le scénario conservateur part du principe que les usages des non-utilisateurs s'aligneraient sur les usages moyens des utilisateurs actuels, qui eux, ne progresseraient pas. La hausse de la productivité serait de 4%, soit 1,7 heure d'économisée par semaine pour chaque chef d'entreprise.

Dans le scénario intermédiaire ce sont à la fois les non-utilisateurs et les utilisateurs qui s'alignent sur ceux d'entre eux qui utilisent déjà l'IA pour chacune des 8 tâches de gestion proposées. La productivité augmente alors de 7%, soit 3,2 heures économisées par semaine.

Le scénario optimiste postule que les usages constatés dans l'enquête hors tâches de gestion (retouche photographique et recherche d'idées principalement) pourraient concerner tous les chefs d'entreprise. Dans ce cas, la hausse de la productivité serait de 9%, soit 4,3 heures économisées chaque semaine. Pour chaque scénario, le gain de productivité peut être utilisé par les chefs d'entreprise pour réduire leur temps de travail, augmenter leur production, ou les deux. Dans l'ensemble, cela correspondrait à des hausses de production comprises entre 2,5 et 6,5 Mds€ par an, ou à un gain de temps à l'échelle du secteur équivalent de 78 000 à 197 000 équivalents temps plein.

b) Les entreprises peinent à maîtriser l'IA

(1) Des gains de productivité difficilement mesurables

Déjà souligné dans le rapport de l'Office parlementaire d'évaluation des choix scientifiques et technologiques de 2024, le « paradoxe de Solow », prix Nobel d'économie, peut également s'appliquer à l'IA : « on voit l'IA agentique partout sauf dans les statistiques de productivité ».

Les conséquences des nouvelles technologies de l'information et de l'IA sur la croissance seraient donc à relativiser, car elles ne conduiraient pas automatiquement à des gains de productivité et des surplus de croissance, mais à l'issue d'un temps de latence.

Une incertitude considérable affecte aujourd'hui l'appréciation du potentiel économique de contribution de l'IA à la croissance.

En mai 2024, Daron Acemoglu^94(*) évaluait au maximum à 0,07 point par an les gains de productivité potentiels qu'allait induire la poursuite du développement de l'IA, soit des gains macroéconomiques bien évidemment beaucoup trop faibles pour justifier d'y investir des montants aussi massifs. Le diagnostic implicite de Daron Acemoglu était que l'IA était une bulle, qui finirait inévitablement par éclater.

En juin 2024, les économistes Philippe Aghion et Simon Bunel ont refait les calculs d'Acemoglu, en appliquant exactement la même méthodologie, mais en prenant des hypothèses plus optimistes, en particulier sur la proportion de tâches exposées à l'IA et sur la part de ces tâches pour laquelle l'investissement dans l'IA allait se révéler profitable. Ils ont abouti à multiplier par dix l'impact potentiel sur la productivité estimée à un gain de 0,7 point par an.

Par ailleurs, sur le plan micro-économique, en facilitant l'imitation et la copie des produits et technologies, voire de sites webs entiers, l'IA peut désinciter à l'innovation en réduisant ses gains potentiels. Une autre pratique frauduleuse sur les plateformes de vente en ligne, consiste en l'utilisation d'applications d'IA générative pour modifier des photos de produits après réception afin de faire apparaître un défaut (un vêtement neuf semble déchiré, un smartphone paraît fissuré, un produit alimentaire apparaît périmé), transmis au service client comme preuve d'un défaut, afin d'obtenir un remboursement ou un remplacement gratuit.

(2) L'IA, mal maîtrisé, peut être mis en pause ou abandonné

Aux États-Unis, 80 % des entreprises ont abandonné certaines initiatives d'intégration de l'IA, confrontées à des problèmes de performance, d'intégration, de coûts et de manque de compétences^95(*). Une étude de S&P Global Market Intelligence, fondée sur un échantillon de 1006 entreprises européennes et nord-américaines, avait évalué un taux d'abandon en hausse de 42 % en 2024 contre 17 % en 2023.

Cependant, la réalité est plus complexe^96(*). Cette hausse du taux d'abandon s'explique en partie par l'intensification du rythme de test de nouveaux projets d'IA. Davantage d'entreprises expérimentent, ce qui mécaniquement augmente le nombre (possible) d'initiatives abandonnées. Si l'étude confirme que moins d'organisations rapportent des résultats positifs de l'IA générative par rapport aux attentes initiales, elle souligne également que certaines entreprises découvrent des applications utiles dans des domaines inattendus. Enfin, ces abandons reflètent souvent un apprentissage organisationnel plutôt qu'un échec technique. Les entreprises affinent leurs stratégies après des phases de test, processus normal dans l'adoption de technologies émergentes.

Une autre étude^97(*) met en évidence un écart important entre les attentes des dirigeants - 82 % anticipent un ROI^98(*) mesurable - et la réalité opérationnelle : 79 % des entreprises sont revenues à des processus centrés sur l'humain après des échecs. Les principales causes identifiées sont des performances insuffisantes, la difficulté à gérer des tâches complexes, l'intégration aux workflows existants et un ROI jugé insuffisant.

Plus son usage est élevé, plus l'IA est jugée positivement par les entreprises comme outil de productivité.

Source : « Les déçus US de l'IA en expliquent les causes », IT for Business, 22 janvier 2026

L'adoption de l'IA dans l'entreprise peut être « passive », portée par l'infusion de fonctions dans les applications, navigateurs et terminaux, ce qui accélère la diffusion de l'IA sans garantir sa maîtrise ou la différenciation qu'elle apporte.

Les causes des échecs sont de deux ordres. Une entreprise peut adopter l'IA comme « solution en quête de problème », sans avoir au préalable clarifié les cas d'usage, la donnée, et l'intégration opérationnelle. Il existe ensuite des « déploiements décevants », quand la maturité des personnes et des processus n'avance pas au même rythme que les outils.

Parmi les entreprises ayant abandonné l'IA, 52 % citent une performance ou une qualité de sortie plus faible qu'attendu, 50 % une difficulté à faire évoluer l'IA vers des tâches plus sophistiquées, 48 % un coût plus élevé que prévu ou un ROI insuffisant, et 47 % une intégration aux workflows existants plus complexe qu'anticipée.

Le scénario le plus fréquent est toutefois une réussite partielle, lorsque l'entreprise conserve certains bénéfices, mais réintroduit de l'humain, renforce le contrôle qualité, formalise un usage, ou revoit son outillage.

En conclusion, « l'IA ne déçoit pas tant qu'elle rappelle une vérité embarrassante : ce n'est pas la machine qui manque de talent, c'est l'entreprise qui manque de méthode », selon une étude^99(*) de la Computing Technology Industry Association (CompTIA) organisme à but non lucratif fondé en 1982 qui s'est donné pour but de valider les compétences d'un professionnel des systèmes informatiques.

(3) Des risques de « boîte noire »

Certains systèmes d'IA sont particulièrement opaques pour leurs utilisateurs en entreprise et la montée en complexité des architectures avec l'interconnexion de multiples agents d'IA produisent un phénomène de « boîte noire » qui recouvre trois enjeux :

· un enjeu de protection pour les entreprises qui acquièrent des systèmes d'IA, car un client doit pouvoir comprendre une décision automatisée prise à son endroit, mais également de gouvernance : « un établissement qui comprend mal les décisions que prennent ses systèmes d'IA ne peut prétendre en maîtriser les risques »^100(*) ;

· un enjeu de souveraineté, car « une entreprise doit pouvoir disposer des compétences internes pour comprendre les technologies qu'elle achète », selon M. Ishan Bhojwani, chef du département intelligence artificielle dans l'État et du pôle accompagnement IA de la Banque de France^101(*) ;

· un enjeu d'organisation des entreprises qui adoptent l'IA.

Celles-ci ont le choix entre l'intégration incrémentale qui consiste à déployer des agents IA au-dessus des systèmes existants, en les connectant via des API aux moteurs métiers sans les remplacer et la transformation complète conduisant à rebâtir l'architecture autour des agents comme composants natifs, en faisant d'eux les exécuteurs primaires de la logique métier. Une troisième voie s'impose en pratique, qui combine les deux approches selon les périmètres fonctionnels et la criticité des systèmes concernés. L'« agentic mesh » désigne la couche d'orchestration qui connecte les agents entre eux et aux systèmes existants, impose des règles métiers communes, maintient une source de vérité partagée et empêche les contradictions entre agents aux objectifs divergents. « Sans cette couche, une architecture incrémentale risque de se transformer en chaos. Sans mécanisme d'arbitrage, un agent optimisant les niveaux de stock pour réduire les coûts peut entrer en conflit avec un autre agent optimisant la satisfaction client »^102(*). L'agentic mesh améliore également un rôle de gouvernance, car il centralise la visibilité sur les comportements des agents, permet d'auditer leurs décisions et d'appliquer des règles de conformité de façon cohérente à l'ensemble du périmètre.

Mettre en place une supervision humaine continue avec des processus d'audits réguliers, une traçabilité des décisions assistées par IA, et des mécanismes de vérification pour les contenus générés (lutte contre les « hallucinations ») compte désormais autant que privilégier des solutions souveraines ou hébergées en Europe, pour limiter l'exposition aux lois extraterritoriales et garantir la conformité RGPD.

Les entreprises doivent mettre en place une gouvernance hybride, où humains et agents travaillent conjointement selon un modèle de supervision dite « human-in-the-loop », garantissant un contrôle humain sur les décisions critiques. Cette transition s'accompagne de l'émergence de nouveaux profils, tels que les « AI orchestrators », chargés de concevoir et piloter les systèmes autonomes.

Or, les PME n'ont souvent pas une surface financière suffisante pour embaucher un expert capable de déployer un système d'IA dans l'entreprise. Pour CCI France^103(*) : « cette difficulté peut être partiellement surmontée en se tournant vers des fournisseurs de services et des éditeurs de solutions d'IA. L'externalisation de l'analyse des données et de la conception de modèles d'IA adaptés offre ainsi une alternative à l'embauche de profils experts. Il faut cependant pouvoir s'assurer que les systèmes proposés soient à la fois conformes à la législation en vigueur (notamment à la réglementation en matière de données et aux réglementations sectorielles) et suffisamment robustes ».

L'acculturation par l'intégration d'agents conversationnels, type ChatPGT, dans les PME peut constituer une première étape vers l'adoption d'autres solutions IA plus complexes.

Pour Hub France IA^104(*), l'autonomisation croissante des agents experts IA « exige la mise en oeuvre d'un contrôle humain instrumenté », concept dépassant la simple supervision pour englober la création de mécanismes de gouvernance. Ces derniers permettent aux acteurs humains de comprendre, d'orienter et de corriger les décisions prises par les agents, tout en préservant les avantages de l'automatisation.

« Cette approche requiert le développement d'outils de visualisation et d'analyse sophistiqués, rendant transparents les processus décisionnels des agents. Les techniques d'IA explicable, les tableaux de bord de monitoring en temps réel et les systèmes d'alerte proactive constituent autant d'instruments permettant aux équipes humaines de maintenir une compréhension et un contrôle effectifs sur les systèmes automatisés.

« La planification de ce contrôle humain doit être intégrée dès la phase de conception des systèmes d'agents, et non ajoutée ultérieurement. Cela implique la définition de points de contrôle critiques, de seuils d'alerte, de procédures d'escalade et de mécanismes de reprise en main manuelle, garantissant ainsi que l'autonomie des agents demeure toujours subordonnée aux objectifs et aux valeurs de l'organisation ».

Pour maîtriser l'IA une formation massive de tous les acteurs de l'entreprise, des dirigeants aux salariés, est indispensable.

---

* 21 « ChatGPT, et après ? Bilan et perspectives de l'intelligence artificielle », rapport n° 170 (2024-2025), déposé le 28 novembre 2024.

* 22 « Bulle de l'IA : décryptage d'un phénomène économique » https://www.polytechnique-insights.com 25 novembre 2025, Pierre-Jean Benghozi directeur de recherche émérite au CNRS et à l'École polytechnique (IP Paris).

* ²³ « Démystifier l'IA générative : le vrai, le faux et l'incertain », Laure Soulier maîtresse de conférences à Sorbonne Université au sein de l'équipe « Machine Learning and Information Access », Polytechnique Insights, 7 février 2024.

* ²⁴ « France 2040, projections pour l'action politique », Institut Montaigne, juillet 2025.

* ²⁵ « Unsolved Problems in ML Safety », Dan Hendrycks, Montreal AI Ethics Institute, 28 mai 2023.

* ²⁶ « AI and the paperclip problem », Joshua Gans, VOX EU - CEPR, 10 juin 2018.

* ²⁷ Le rapport du Conseil de l'IA et du numérique de février 2026 recense parmi les limites de l'IA :

Les « effets de cascade »(compositional generalization) : les logiciels agentiques, mobilisant plusieurs opérations consécutives, voient leurs erreurs de raisonnement se cumuler, se multiplier et s'aggraver mutuellement ;

La « complexité systémique » : à mesure que le nombre et la diversité des agents en interaction augmentent, la probabilité de comportements imprévus augmente ;

La « dérive de l'orchestration » : on désigne ce phénomène lorsque les agents sont connectés à d'autres agents sans cadre commun ni logique de coordination claire, les processus pouvant devenir imprévisibles ;

Le « désalignement sémantique » : deux agents peuvent interpréter différemment une même consigne et prendre des décisions contradictoires ou répéter inutilement les mêmes actions. Ces désalignements sont très fréquents et impliquent de tester régulièrement les logiciels pour vérifier leur performance.

* ²⁸ Un lexique des types d'IA est proposé par Orange :

https://hellofuture.orange.com/fr/lexique-des-intelligences-artificielles-comprendre-les-types-dia-et-leurs-usages/

La Commission d'enrichissement de la langue française et la Délégation générale à la langue française et aux langues de France proposent par ailleurs un lexique des 50 termes clés de l'IA en français.

* ²⁹ Une API (application programming interface ou « interface de programmation d'application ») est une interface logicielle qui permet de « connecter » un logiciel ou un service à un autre logiciel ou service afin d'échanger des données et des fonctionnalités. Les API offrent de nombreuses possibilités, comme la portabilité des données, la mise en place de campagnes de courriels publicitaires, des programmes d'affiliation, l'intégration de fonctionnalités d'un site sur un autre ou l'open data. Elles peuvent être gratuites ou payantes.

* ³⁰ « Agents experts IA », Hub France IA, janvier 2026.

* ³¹ L' « Enterprise resource planning », est un type de logiciel que les entreprises utilisent pour gérer leurs activités quotidiennes telles que la comptabilité, les achats, la gestion de projets, la gestion des risques et la conformité, ainsi que les opérations de supply chain.

* ³² Acronyme de « Customer Relationship Management » : gestion de la relation client. Il s'agit d'un système informatisé conçu pour gérer et améliorer les relations avec les clients d'une entreprise.

* ³³ « Application programming interface » ou interface de programmation d'application : interface logicielle qui permet de « connecter » un logiciel ou un service à un autre logiciel ou service afin d'échanger des données et des fonctionnalités.

* ³⁴ « AI Search Has a Citation Problem. We compared eight AI search engines. They're all bad at citing news ». Klaudia Ja•wiñska and Aisvarya Chandrasekar, Columbia Journalism Review, 6 mars 2025.

* ³⁵ « ChatGPT : la proposition d'OpenAI pour éviter les hallucinations pourrait tuer son propre chatbot », The Conversation, 24 septembre 2025. L'article cite celui publié par quatre chercheurs d'OpenAI : «  Why Language Models Hallucinate », Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, 4 septembre 2025.

* ³⁶ Également connue sous différentes appellations : IA agentique, agents experts ou spécialisés, agents IA experts, agents génératifs ou encore agents experts GenAI. Chaque entreprise choisit sa propre terminologie en fonction de sa stratégie de déploiement de l'IA.

* ³⁷ « Les intelligences artificielles à l'heure de la vague agentique : de quoi parle-t-on ? », février 2026.

* ³⁸ On parle de « fine-tuning » ou d'affinement.

* ³⁹ « Reinforcement learning from human feedback ».

* ⁴⁰ « Prompting » ou « formulation de requête ».

* ⁴¹ L'inférence correspond à la phase où un modèle d'IA traite une requête pour produire un résultat (réponse, décision, analyse, etc.).

* ⁴² Selon « LLM inference prices have fallen rapidly but unequally across tasks », EPOCH AI, 12 mars 2025.

* ⁴³ On entend par « hyperscaler » l'exploitant d'un centre de calcul proposant des services de Cloud computing évolutifs. Amazon est la première entreprise à avoir occupé ce marché en 2006 avec Amazon Web Services (AWS), filiale de la multinationale permettant à Amazon de mieux répartir la charge de données entre les différents centres de calcul de l'entreprise. AWS propose aujourd'hui de très nombreux services spécifiques. Sa part de marché est d'environ 40 %. Les deux autres grands acteurs de ce marché sont Microsoft avec le service Azure (2010) et la Google Cloud Platform (2010). L'entreprise IBM est elle aussi un grand fournisseur « d'hyperscale computing », dans lequel un très grand nombre de serveurs sont reliés ensemble au sein d'un réseau. Le nombre de serveurs utilisés peut être revu à la hausse ou à la baisse en fonction des besoins, sachant que seuls 25 à 30 % des données présentes dans les entreprises étaient activement utilisées. Parmi les données non utilisées, on trouve notamment les copies de sécurité, les données clients et les données de restauration.

* ⁴⁴ Ou « free cash flow », indicateur financier qui renseigne sur la trésorerie disponible pour les actionnaires d'une entreprise après avoir pris en compte les dépenses d'investissement nécessaires pour le maintien et le développement de l'activité de l'entreprise.

* ⁴⁵ «  Bulle de l'IA : décryptage d'un phénomène économique », Pierre-Jean Benghozi directeur de recherche émérite au CNRS et à l'École polytechnique (IP Paris, Polytechnique Insights, 25 novembre 2025.

* ⁴⁶ L'éditeur de logiciels et une entreprise sans usine qui conçoit des processeurs graphiques (GPU), des interfaces de programmation d'applications (API) pour la science des données et le calcul intensif, ainsi que des systèmes sur une puce (SoC) pour les marchés de l'informatique mobile et de l'automobile. Elle conçoit ses circuits intégrés dans ses centres de recherches, mais sous-traite leur production à d'autres sociétés de semi-conducteurs. À l'origine axés sur les GPU pour le jeu vidéo, Nvidia a élargi leur utilisation sur d'autres marchés, y compris l'intelligence artificielle (IA), les centres de données et les supercalculateurs. Les gammes de produits de la société comprennent les GPU GeForce pour les charges de travail de jeu et de création, et les GPU professionnels pour l'informatique de pointe, la recherche scientifique et les applications industrielles. Ses principaux concurrents sont AMD (anciennement ATI), Intel et Qualcomm. Nvidia est un acteur dominant dans le secteur du jeu vidéo ainsi que le matériel utilisé pour des projets d'intelligence artificielle.

* ⁴⁷ Le top 10 pèse près de 40 % de la valeur totale du S&P 500, contre 25 % à l'aube de l'an 2000.

* ⁴⁸ « Bulle de l'IA : décryptage d'un phénomène économique », Pierre-Jean Benghozi directeur de recherche émérite au CNRS et à l'École polytechnique (IP Paris, Polytechnique Insights, 25 novembre 2025, https://www.polytechnique-insights.com

* ⁴⁹ Voir : https://csnp.fr/wp-content/uploads/2026/03/Avis-n%C2%B02026-04-du-26-mars-2026-sur-ladoption-de-lintelligence-artificielle-par-les-entreprises.pdf

* ⁵⁰ « A : Connaissez-vous les Joint Embedding Predictive Architectures (JEPA) et les World Models ? », FW.MEDIA, 24 décembre 2025.

* ⁵¹ Le principe est le suivant : une situation observée (image, vidéo, séquence sensorielle, etc.) est transformée en une représentation vectorielle simplifiée (embedding A). Une situation future, attendue ou partiellement connue, est transformée de la même façon (embedding B). Le modèle est entraîné à prédire B à partir de A, non en générant un contenu visuel, mais en apprenant la relation conceptuelle entre les deux états. Par exemple, un chat saute d'un mur (image A), puis atterrit sur ses pattes (image B). JEPA apprend à prédire la représentation latente de l'atterrissage à partir de celle du saut, sans jamais avoir besoin de reconstituer les pixels d'une image.

* ⁵² « JEPA : une architecture prédictive pour une intelligence artificielle incarnée », Blog économie numérique 3 juillet 2025.

* ⁵³ « Yann Le Cun : Pourquoi je quitte Meta pour créer ma startup d'IA » par David Larousserie et Alexandre Piquard, Le Monde, 16 janvier 2026.

* ⁵⁴ INSEE, note de conjoncture, 24 mars 2026.

* ⁵⁵ « Les données sur lesquelles repose le prétendu retard européen sont bien plus fragiles qu'on ne l'imagine » Le Monde, Tribune Paul Krugman prix Nobel d'économie, 11 janvier 2026.

* ⁵⁶ « L'IA nourrit-elle une nouvelle croissance ou une bulle ? », Le Monde 17 janvier 2026.

* ⁵⁷ Selon le dixième « baromètre annuel des investissements industriels mondiaux », réalisé par les cabinets d'études Trendeo et McKinsey et l'Institut de la réindustrialisation, qui porte sur les projets de plus de 30 millions de dollars ou créant plus de 50 emplois. Le Monde, 22 février 2026.

* ⁵⁸ « Les enjeux macroéconomiques de l'intelligence artificielle », Erik Brynjolfsson, Gabriel Unger, FMI, décembre 2023.

* ⁵⁹  Cloud et IA : quand la machine à cash des hyperscalers se transforme en machine à capex », Laurent Delattre, IT for Business, 11 février 2026.

* ⁶⁰ Les CAPEX ou dépenses d'investissement (de l'anglais « capital expenditure ») se réfèrent aux immobilisations, c'est-à-dire aux dépenses qui ont une valeur positive à long terme.

* ⁶¹ Le Software as a Service, également connu sous le nom de SaaS, est un service basé sur le cloud où, au lieu de télécharger un logiciel qu'un PC de bureau ou un réseau professionnel peut exécuter et mettre à jour, l'utilisateur accède à une application via un navigateur internet.

* ⁶² Ces risques concernent, entre autres, la perte de contrôle du système, son utilisation malveillante (notamment à des fins de cyberattaques ou de mise au point d'armes biologiques ou chimiques) ou encore sa capacité à contourner la supervision humaine.

* ⁶³ La loi SB-53 impose cependant à l'État de Californie d'établir à partir de 2027, un rapport annuel des déclarations des éditeurs pour éventuellement réévaluer ces seuils.

* ⁶⁴ Une super PAC étant un comité d'action politique apte à recevoir et à dépenser des sommes illimitées pour soutenir ou s'opposer à des candidats dans des élections locales ou fédérales, à condition de ne pas coordonner directement ses actions avec ces derniers

* ⁶⁵ Source : « Quand Trump veut enterrer la régulation de l'IA... (quelle surprise) », CALIPIA Blog, 1^er décembre 2025, Stéphane Sabbague.

* ⁶⁶ L'administration Trump veut « exporter l'IA américaine dans le monde », Le Monde, 21 février 2026, Alexandre Piquard.

* ⁶⁷ En référence au Peace Corps, lancé en 1961 pour envoyer des volontaires américains dans les pays en voie de développement.

* ⁶⁸ Après avoir semblé distancée dans l'IA générative au moment du lancement de ChatGPT par OpenAI fin 2022, la Chine a depuis produit des modèles aux performances très sérieuses émanant d'entreprises comme DeepSeek (R1), Alibaba (Qwen) ou Moonshot AI (Kimi K2). Accessibles et modifiables librement, en open source, ils sont très largement diffusés. Ces modèles chinois ont représenté près de la moitié de l'usage de ces IA ouvertes et 13 % de l'usage total en 2025, confirme le rapport « State of AI ».

* ⁶⁹ Équivalent à 10¹² FLOPS. Cette échelle est souvent utilisée pour les serveurs haute performance et certaines consoles de jeu. Ils peuvent effectuer un trillion d'opérations en virgule flottante (méthode d'écriture de nombres fréquemment utilisée dans les ordinateurs équivalente à la notation scientifique en numération binaire) par seconde. Ils sont indispensables aux superordinateurs modernes et aux installations de recherche de pointe. Ils sont utilisés dans des domaines tels que la modélisation météorologique, la recherche en biologie moléculaire, la conception de médicaments et pour la physique des particules.

* ⁷⁰ Soit 10¹⁸ FLOPS. Cette échelle, à la pointe de la technologie actuelle des supercalculateurs, permet d'effectuer un quintillion d'opérations en virgule flottante par seconde. Cette échelle ouvre la voie à une modélisation encore plus complexe comme la simulation détaillée du comportement des matériaux, la recherche sur la fusion nucléaire ou la compréhension approfondie de systèmes biologiques complexes.

* ⁷¹ TELOS Jonathan Koskas 22 septembre 2025 Consultant en stratégie et technologies numériques

* ⁷² « L'IA et l'évolution des compétences en France », McKinsey Global Institute & Institut de l'Entreprise, décembre 2024.

* ⁷³ « Trust and human-AI collaboration set to define the next era of agentic AI, unlocking $450 billion opportunity by 2028 », Capgemini, 16 juillet 2025.

* ⁷⁴ « Notes from the AI frontier : Modeling the impact of AI on the world economy », Discussion Paper. McKinsey&Company (2018).

* ⁷⁵ « The potentially large effects of artificial intelligence on economic growth », Global Economics Analyst Goldman Sachs (2023).

* ⁷⁶ « Les enjeux économiques de l'intelligence artificielle » Léo Besson, Arthur Dozias, Clémence Faivre, Charlotte Gallezot, Joceran Gouy-Waz, Basile Vidalenc, Trésor-Eco (Direction générale du Trésor) n° 341, avril 2024.

* ⁷⁷ La situation est similaire dans le référentiel IAS/IFRS, où la norme IAS 38 impose de distinguer les phases de recherche (toujours comptabilisées en charges) des phases de développement (seules potentiellement activables).

* ⁷⁸ « Valorisation fiscale des intelligences artificielles développées en interne : un actif incorporel stratégique à la croisée du droit, de l'économie et de la technologie », LEXBASE, Julian Crochet d'Anglade, 23 Avril 2025.

* ⁷⁹ «  The economic potential of generative AI : the next productivity frontier », juin 2023.

* ⁸⁰ Menée par l'institut BVA pour Pôle Emploi auprès d'un échantillon représentatif de 3 000 entreprises d'au moins 10 salariés.

* ⁸¹ Menée auprès de 250 entreprises de plus de 50 salariés représentatives à l'échelle française par leur taille et leur secteur d'activité.

* ⁸² « Les Français et les IA génératives » Baromètre 2025 IFOP pour Talan, Laurent Cervoni, Directeur de la Recherche et de l'Innovation, 11 avril 2025.

* ⁸³ « The State of AI in 2025 », enquête mondiale auprès de 2 000 organisations, McKinsey & Company, 2025.

* ⁸⁴ Ensemble des activités permettant de transformer des matières premières en produits finis, et de remettre ces derniers entre les mains des clients.

* ⁸⁵ Établissement du prix d'un produit ou service.

* ⁸⁶ « Les EnthousIAstes, Trends of AI 2026 », enquête auprès de 356 décideurs français, KPMG, janvier 2026.

* ⁸⁷ « Bpifrance dresse le bilan du déploiement de ses dispositifs développant l'écosystème IA », Bpifrance Le Lab, étude de conjoncture, janvier 2026 ; et communiqué de presse Bpifrance, 10 février 2026.

* ⁸⁸ « Baromètre TPE-PME européennes », étude auprès de 5 032 entreprises dans 5 pays européens, Qonto, 2024.

* ⁸⁹ Les incidents informatiques sont classés en trois catégories :

niveau 1 (N1) : résolution de pannes ou d'incidents, et accompagnement des utilisateurs ;

niveau 2 (N2) : traitement des problèmes à l'origine des incidents ;

niveau 3 (N3) : expertise par domaines de compétences et solutions techniques.

* ⁹⁰ Dans le processus de recrutement, phase consistant à attribuer une note aux candidats selon des critères définis et pondérés.

* ⁹¹ Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l'intelligence artificielle (AI Act), article 4.

* ⁹² « Une entreprise sur dix déclare utiliser l'intelligence artificielle », Clément Lefebvre, INSEE Première, n°2061, juillet 2025.

* ⁹³ Asterès a associé deux méthodes courantes dans les travaux académiques : une collecte de données de terrain sur les usages et une estimation sectorielle à partir des gains de temps par tâche réalisée. Les tâches identifiées concernent les activités de gestion des entreprises artisanales, considérées comme celles étant le plus susceptibles d'être touchées par l'émergence des outils d'IA. Huit tâches ont été choisies : l'élaboration de devis ; la facturation et relance client ; la gestion de trésorerie ; l'achat de fournitures/gestion des stocks ; la relation client ; la gestion des plannings de travail ; la création et mise à jour de supports de communication ; la gestion juridique. Une enquête a ensuite été menée en partenariat avec la FAFCEA afin de capter les usages actuels de l'IA et l'organisation du travail des chefs d'entreprise artisanale. Cette enquête a permis de recueillir plus de 1 200 réponses, lesquelles ont servi à modéliser l'impact potentiel des outils d'IA. L'impact à l'échelle du secteur de l'artisanat a ensuite pu être estimé grâce à l'apport de données statistiques extérieures.

* ⁹⁴ Économiste turco-américain d'origine arménienne, professeur d'économie au Massachusetts Institute of Technology (MIT) fait partie des trois économistes les plus cités au monde et le plus cité des dix dernières années. Il a été co-lauréat du prix dit Nobel d'économie 2024 avec James A. Robinson et Simon Johnson pour leurs travaux sur la manière dont les institutions se forment et affectent la prospérité.

* ⁹⁵ « Les déçus US de l'IA en expliquent les causes », Laurent Delattre, IT for Business Par, 22 janvier 2026.

* ⁹⁶ Selon Renaissance numérique, « Déployer une littératie en IA pour une société inclusive et émancipatrice », octobre 2025.

* ⁹⁷ « AI's Impact on Productivity & the Workforce » du fournisseur de formations et de certifications informatiques CompTIA, menée auprès de plus de 1 100 entreprises américaines.

* ⁹⁸ Le retour sur investissement (RSI), qu'on appelle aussi ROI en anglais (Return on Investment), est un indicateur financier qui permet de mesurer et de comparer le rendement d'un investissement.

* ⁹⁹ «  AI's impact on productivity and the workforce », 2025. CompTIA est

* ¹⁰⁰ « L'intelligence artificielle : bénédiction ou malédiction pour la transformation du secteur financier ? », Denis Beau, Premier sous-gouverneur de la Banque de France, 8 novembre 2024.

* ¹⁰¹ Audition du 14 avril 2026.

* ¹⁰² « L'agentic mesh, la couche d'orchestration de l'IA agentique, crée une dépendance nouvelle », Mourad Krim, ITSOCIAL, 30 mars 2026.

* ¹⁰³ « IA et PME. Accompagner les PME françaises dans l'appropriation de l'intelligence artificielle

Une étude des CCI de France », avril 2024.

* ¹⁰⁴ « Agents Experts IA », janvier 2026.