La grande panne : pourquoi les entreprises veulent se débarrasser de leurs agents IA – quand les agents IA coûtent plus cher qu'ils ne valent

Lorsque les agents autonomes prennent le contrôle et que les centres de données consomment plus de capitaux que le marché ne peut en générer

Des milliards investis sans retour sur investissement : les agents d’IA doivent prouver leur utilité

L'intelligence artificielle entre dans une nouvelle phase. La première a été marquée par des avancées technologiques majeures, des démonstrations spectaculaires et la perspective d'une productivité accrue du travail intellectuel. La deuxième a vu des investissements colossaux dans les modèles, les centres de données, les processeurs graphiques, les plateformes cloud et les premières applications d'entreprise. Aujourd'hui, la troisième phase débute : l'épreuve de la réalité économique et organisationnelle. Celle-ci déterminera non seulement quels fournisseurs survivront, mais aussi si les entreprises parviendront réellement à créer une valeur durable et mesurable grâce à l'IA, ou si elles ne feront qu'accumuler de nouveaux risques en termes de coûts, de contrôle et de responsabilité.

Deux évolutions majeures soulignent ce tournant. Au niveau applicatif, les agents d'IA autonomes prolifèrent plus vite que de nombreuses entreprises ne peuvent adapter leur gouvernance, leurs droits d'accès, leur maîtrise des coûts et leurs responsabilités. Parallèlement, au niveau de l'infrastructure, les centres de données et les capacités cloud spécialisées émergent à une échelle pour laquelle il n'existe actuellement aucun marché final suffisamment vaste et disposé pour assurer une rentabilité optimale. Ceci représente la convergence de deux surestimations distinctes : les entreprises surestiment la maturité organisationnelle des systèmes autonomes à court terme, tandis que les investisseurs et les opérateurs d'infrastructures surestiment peut-être la rapidité avec laquelle la demande en IA peut se traduire en revenus.

La question cruciale n'est donc plus de savoir si l'IA fonctionne techniquement, mais plutôt si elle fonctionne de manière fiable, contrôlable et rentable en conditions réelles. Cette évolution modifie la logique du marché. L'autonomie maximale, la taille maximale des modèles ou la puissance de calcul maximale ne suffisent pas à garantir le succès. Les avantages concurrentiels émergent lorsque les capacités techniques s'allient à une conception de processus robuste, une responsabilité clairement définie, des décisions vérifiables, des modèles de coûts réalistes et une valeur ajoutée différenciée pour le client.

La grande désillusion commence au sein des entreprises

La prédiction selon laquelle plus de 40 % des projets d'IA agentielle pourraient être abandonnés, revus à la baisse ou fondamentalement repensés d'ici fin 2027 doit être perçue moins comme un jugement sur l'importance à long terme de cette technologie que comme une critique de sa mise en œuvre actuelle. Nombre de projets débutent par des essais de validation de concept dans des conditions contrôlées. Dans cet environnement, les données sont sélectionnées, les tâches sont limitées, les utilisateurs sont bienveillants et les erreurs ont des conséquences relativement mineures. Cependant, le passage à la production modifie tous les paramètres. Un agent doit alors gérer des données incomplètes, des règles contradictoires, des systèmes existants, des cas particuliers, des autorisations changeantes et des décisions impliquant des responsabilités.

C’est précisément à ce stade que nombre de projets pilotes technologiques échouent. Une démonstration convaincante répond à la question de la faisabilité fondamentale d’une fonction. Elle ne répond pas à la question de savoir si elle peut être exécutée des millions de fois à un coût global acceptable, avec une qualité stable et un risque maîtrisable. Ce problème est exacerbé par les agents autonomes, car ils peuvent non seulement générer du contenu, mais aussi appeler des outils, modifier des données, déclencher des processus et lier des décisions de manière indépendante. Une erreur ne se limite donc pas nécessairement à une réponse textuelle incorrecte. Elle peut se propager sous la forme d’une commande erronée, d’un accès non autorisé à des données, d’une mauvaise décision client ou d’une modification d’un système de production.

L'annulation anticipée du projet est donc économiquement plausible. La hausse des coûts, le manque de clarté quant à la valeur commerciale et l'insuffisance des contrôles des risques ne sont pas des problèmes distincts ; ils s'alimentent mutuellement. Moins un agent fonctionne de manière fiable, plus les efforts requis pour la surveillance, l'audit et les mesures correctives sont importants. Plus l'intervention manuelle est nécessaire, plus le gain de productivité réel est faible. Et plus le gain de productivité est faible, plus il est difficile de justifier les dépenses supplémentaires liées aux modèles, aux intégrations, à la surveillance, à la sécurité et à la conformité. Un système initialement conçu pour l'automatisation peut ainsi créer une nouvelle couche de supervision manuelle, largement invisible.

L'autonomie devient un nouveau type de coût

Les coûts de l'IA à base d'agents sont souvent perçus de manière réductrice. Les entreprises comparent les prix des modèles ou calculent les frais liés aux jetons d'entrée et de sortie, mais cela ne reflète qu'une partie du fardeau économique. Un agent décompose souvent une tâche en plusieurs étapes, accède à divers systèmes, répète les tentatives infructueuses, vérifie les résultats intermédiaires et conserve des contextes plus longs. Les flux de travail complexes peuvent donc nécessiter une puissance de calcul bien supérieure à celle d'un chatbot classique. À cela s'ajoutent les dépenses liées à l'orchestration, la préparation des données, les interfaces, la journalisation, la gestion des identités, les contrôles de sécurité, l'évaluation et l'exploitation des différents modèles.

Les coûts indirects sont encore plus importants. Ils comprennent le temps consacré par les spécialistes à l'analyse des résultats, à la résolution des erreurs, à la mise en place de contrôles internes supplémentaires, à la formation, aux vérifications juridiques et à l'adaptation des processus. Si un agent effectue une tâche pour quelques centimes seulement, mais que le résultat nécessite un contrôle régulier par une personne qualifiée, le prix de référence perd toute signification en tant qu'indicateur. Ce qui compte, c'est le coût total du processus pour chaque tâche correctement réalisée. Ce coût doit également inclure les répétitions, les conséquences des erreurs, les exceptions et le coût de la supervision humaine.

Le fait que seulement 21 % des DSI interrogés disposent d'une transparence totale concernant les coûts de leurs agents et charges de travail d'IA révèle un manque fondamental de contrôle. Sans répartition des coûts par cas d'usage, unité commerciale et processus, il est impossible d'évaluer les bénéfices économiques ou de gérer un budget fiable. Le risque est que les dépenses liées à l'IA augmentent de manière décentralisée entre les comptes cloud, les abonnements logiciels et les budgets départementaux, tandis que la DSI centrale n'en perçoit qu'une partie. La facture n'apparaît alors qu'avec un certain retard, lorsque l'utilisation, le volume de données et le nombre d'agents ont déjà considérablement augmenté.

Pour une évaluation pertinente, les entreprises doivent donc passer d'une analyse limitée aux coûts techniques d'utilisation à un modèle de valeur global. Il convient de mesurer le coût par processus mené à bien, le taux de traitements réussis sans intervention humaine, les taux d'erreur et de répétition, le temps de traitement, l'effort de contrôle et le bénéfice financier réel. Ce n'est que lorsque ces indicateurs restent stables sur une période prolongée qu'il est possible d'évaluer l'opportunité de déployer un agent à plus grande échelle. L'autonomie n'est pas une fin en soi, mais un facteur d'investissement : elle n'est économiquement viable que si les avantages supplémentaires compensent l'augmentation des risques liés au contrôle et aux erreurs.

Shadow IT gagne en influence

La prolifération des agents d'IA transforme le problème classique de l'informatique parallèle. Auparavant, les services se procuraient des logiciels non autorisés ou stockaient des données sur des plateformes non contrôlées. Aujourd'hui, les employés peuvent créer rapidement leurs propres agents qui accèdent aux données de l'entreprise et agissent de manière autonome. Une enquête menée auprès de 685 DSI d'entreprises a révélé que 84 % d'entre eux constatent que les employés développent des agents d'IA plus rapidement que les services informatiques ne peuvent mettre en place des règles de gouvernance appropriées. Le problème réside donc non seulement dans la multiplication des applications, mais aussi dans celle des acteurs numériques.

Ces acteurs possèdent souvent des identités techniques, des clés API, des comptes de service ou des droits d'utilisateur délégués. Ceci crée une nouvelle catégorie d'identités non humaines qui, dans de nombreuses organisations, ne sont pas soumises aux mêmes règles que les employés. 59 % des organisations interrogées n'ont pas encore pleinement intégré les agents d'IA à leurs politiques de gestion des identités et des accès. Parallèlement, 72 % d'entre elles signalent un écart important entre les accès théoriquement autorisés pour un agent et les accès que l'organisation peut réellement lui accorder.

Sur le plan économique, cet écart est particulièrement dangereux car il modifie l'équilibre attendu entre efficacité et risque. Un agent peut agir 24 h/24 et à grande vitesse. Cette caractéristique, censée garantir la productivité, accroît l'ampleur des dégâts en cas d'erreur. Des permissions étendues, des clés d'accès à longue durée de vie et une journalisation insuffisante peuvent conduire à la répétition systématique d'une simple erreur. Le coût marginal d'une nouvelle action incorrecte est quasi nul pour l'agent, tandis que les coûts induits pour l'entreprise s'accumulent.

La conséquence est claire : chaque agent productif doit posséder une identité formelle, une finalité documentée, un responsable humain et des privilèges limités. L’accès doit être accordé selon le principe du moindre privilège, limité dans le temps et surveillé en permanence. Les actions particulièrement importantes doivent être approuvées par un humain avant leur exécution. Des mécanismes d’arrêt centralisés sont tout aussi essentiels afin d’éviter la désactivation fastidieuse et individuelle des agents dans plusieurs systèmes en cas de dysfonctionnement. Bien que ces mesures puissent légèrement ralentir le système à court terme, elles améliorent son évolutivité globale en limitant les dommages, l’incertitude et les frictions réglementaires.

Responsabilité sans contrôle réel

Une enquête mondiale menée auprès de 3 200 DSI révèle des tensions organisationnelles. 88 % d'entre eux constatent que l'adoption opérationnelle de l'IA progresse plus rapidement que l'adaptation de sa gouvernance. Parallèlement, 90 % présument que la DSI centrale sera tenue responsable des failles de sécurité ou de conformité, même si les outils à l'origine de ces failles ont été acquis indépendamment des autres unités opérationnelles. Il en résulte un décalage entre le pouvoir de décision et la responsabilité.

Une telle structure engendre des incitations perverses. Les unités opérationnelles bénéficient à court terme d'une expérimentation rapide, tandis qu'une part importante du risque demeure à la charge de l'informatique, de la protection des données, de la sécurité de l'information et de la gestion. L'informatique centralisée peut devenir un goulot d'étranglement si elle doit approuver chaque application individuellement. À l'inverse, si elle abandonne tout contrôle, un paysage complexe de modèles, d'agents, d'accès aux données et de contrats se met en place. Ces deux extrêmes sont inefficaces. Une approche purement centralisée étouffe l'innovation, tandis qu'une approche totalement décentralisée multiplie les risques et les doublons.

Un modèle de gouvernance fédérée est donc nécessaire. Les fonctions centrales définissent des directives techniques et organisationnelles contraignantes, fournissent des plateformes approuvées et assurent le suivi des identités, des coûts et des activités critiques. Les unités opérationnelles peuvent développer et exploiter des applications dans ce cadre, mais doivent documenter les avantages, les sources de données, les risques et les personnes responsables. Ceci permet de maintenir les décisions au plus près des opérations quotidiennes, tandis que des normes communes évitent à chaque équipe de devoir résoudre systématiquement les mêmes problèmes de sécurité et d'intégration.

La pression personnelle exercée sur les DSI illustre à quel point l'IA est passée d'un simple sujet d'innovation à un enjeu de carrière et de gouvernance. 76 % des responsables informatiques interrogés estiment que leur poste est menacé si leur entreprise ne parvient pas à obtenir des résultats concrets grâce à l'IA d'ici fin 2027. Cette pression peut accélérer une priorisation judicieuse, mais elle comporte également le risque d'une mise à l'échelle précipitée. Ceux qui sont soumis à la pression d'un succès à court terme pourraient privilégier les chiffres de mise en œuvre visibles au détriment d'améliorations robustes des processus. Paradoxalement, cette même pression pour démontrer rapidement un retour sur investissement accroît le risque d'erreurs coûteuses.

Lorsque le contrôleur lui-même devient un facteur de coût

Les premiers retours d'expérience en matière de gouvernance et d'audit indiquent que les risques ne sont pas uniquement théoriques. Dans le cadre d'une enquête menée auprès de 417 professionnels de la gouvernance, des risques, de la conformité et de l'audit, 34 % ont déclaré que leur organisation avait agi sur la base d'une décision erronée d'un agent. 30 % ont constaté des actions non intentionnelles, 25 % une défaillance de contrôle et 24 % des répercussions sur les clients. Dans 20 % des cas, deux agents sont entrés en conflit. Près de la moitié des employés ont eu besoin de plus de temps qu'auparavant pour examiner et corriger les résultats de l'IA.

Ces données doivent être interprétées avec prudence, car les enquêtes reflètent les perceptions et les expériences des participants, et non la fréquence de toutes les erreurs sur l'ensemble du marché. Elles révèlent néanmoins une tendance claire : les entreprises délèguent le pouvoir de décision à des agents avant même que les processus, les données et les systèmes de contrôle ne soient conçus pour cette forme d'autonomie. L'IA ne transforme pas automatiquement un mauvais processus en un bon. Elle peut simplement le rendre plus rapide, plus opaque et plus répandu.

L'effort d'audit supplémentaire est particulièrement pertinent d'un point de vue économique. L'automatisation est généralement justifiée par la réduction des coûts de personnel. Cependant, si des spécialistes qualifiés doivent vérifier en permanence les résultats, clarifier les exceptions et reconstituer les décisions des agents, le travail se déplace simplement. Il ne disparaît pas, mais se déplace du traitement proprement dit vers la surveillance et le dépannage. Ces activités peuvent être plus exigeantes et plus coûteuses que le processus initial, car elles requièrent simultanément une expertise technique, professionnelle et réglementaire.

Cela ne signifie pas que la supervision humaine soit intrinsèquement non rentable. Dans les domaines à haut risque, elle est indispensable. L'essentiel est d'adapter le niveau de contrôle aux dommages potentiels. Un agent chargé de catégoriser des documents internes requiert des approbations différentes de celles nécessaires pour un système qui initie des paiements, prend des décisions relatives au personnel ou modifie les comptes clients. Les entreprises doivent donc accorder l'autonomie par étapes. Plus une action est irréversible, plus les données sont sensibles et plus l'impact externe potentiel est important, plus les approbations préalables, la journalisation et les audits indépendants doivent être rigoureux.

Les pistes d'essai font désormais partie intégrante de l'infrastructure économique

Deux tiers des DSI ne savent pas s'ils pourraient fournir à une autorité de régulation un compte rendu complet et détaillé de la décision d'un agent. Il s'agit d'un enjeu qui dépasse le simple cadre de la conformité. Le manque de traçabilité accroît le coût de chaque incident, car les causes sont plus difficiles à déterminer, les processus affectés plus complexes à isoler et les contre-mesures plus lentes à mettre en œuvre. Sans enregistrements fiables, une entreprise peut difficilement prouver qu'un agent a agi dans le cadre de ses fonctions ou qu'une personne responsable est intervenue de manière appropriée.

L'auditabilité doit donc être perçue comme une infrastructure productive, et non comme une exigence de documentation ajoutée a posteriori. L'identité de l'agent, le modèle et la version du logiciel utilisés, les sources de données consultées, les autorisations disponibles, les étapes intermédiaires, les appels à des outils externes, les approbations et le résultat final doivent tous être consignés. Il est tout aussi important de pouvoir reproduire techniquement un processus, ou du moins de le reconstituer de manière plausible. Avec les modèles probabilistes, une réplication exacte n'est pas toujours possible, mais les entrées, les configurations et les chemins de décision pertinents doivent être préservés.

Le défi s'accroît dans les systèmes multi-agents. Lorsque plusieurs agents répartissent les tâches, examinent mutuellement les résultats ou modifient séquentiellement divers systèmes d'entreprise, une chaîne de responsabilité distribuée se met en place. Une erreur peut alors résulter de l'interaction de plusieurs décisions partielles apparemment plausibles. Les systèmes de contrôle classiques, qui analysent les actions individuelles des utilisateurs ou des transactions logicielles isolées, sont insuffisants dans ce cas. Les entreprises ont besoin d'une surveillance continue de l'ensemble de la chaîne de processus.

L'évolution de la réglementation accentue la pression en faveur de l'action. Le cadre juridique européen relatif à l'intelligence artificielle, la réglementation sur la protection des données et les obligations de surveillance sectorielles renforcent les exigences en matière de gestion des risques, de documentation et de contrôle humain. Les autorités de protection des données hors Union européenne examinent également de plus près la manière dont les systèmes automatisés traitent les données personnelles. En conclusion, la gouvernance n'est pas un centre de coûts supplémentaire pouvant être ajouté après une mise à l'échelle réussie. Elle constitue une condition préalable pour garantir une mise à l'échelle conforme à la législation et durable.

Les risques liés à l'IA se hissent au sommet du classement

D'après une enquête menée auprès de 1 330 membres de conseils d'administration et dirigeants, les nouveaux risques liés à l'introduction de l'IA à partir de 2027 se classent déjà au deuxième rang des risques d'entreprise à court terme, juste derrière les cybermenaces. Ce classement montre que l'IA n'est plus perçue comme une simple initiative informatique isolée. Elle affecte simultanément la stabilité opérationnelle, la réglementation, la protection des données, les relations avec les tiers, le personnel, la réputation et l'allocation des capitaux.

Les risques liés à l'IA et à la cybersécurité ne doivent pas être analysés séparément. Les agents augmentent la surface d'attaque numérique car ils nécessitent un accès aux données, aux applications et aux outils. Les attaquants peuvent tenter de manipuler les entrées, d'inciter les agents à effectuer des actions non autorisées ou d'utiliser abusivement leurs identifiants. Parallèlement, un agent correctement authentifié peut lui-même commettre des actions risquées si son objectif est mal défini, son contexte manipulé ou ses permissions trop étendues. La sécurité informatique traditionnelle ne résout donc qu'une partie du problème. Au-delà de la simple vérification de l'autorisation d'accès aux données, il est crucial d'évaluer si l'action envisagée est permise et appropriée dans le contexte spécifique.

Cela implique des responsabilités accrues pour la direction de l'entreprise. Celle-ci n'a pas besoin de maîtriser tous les aspects techniques de chaque modèle, mais elle doit s'assurer de la clarté des responsabilités, de la classification des risques, des procédures d'escalade et des objectifs économiques pour les applications d'IA clés. Le contrôle ne saurait se limiter au nombre de projets lancés ni à la taille du budget. Il est essentiel de disposer d'informations fiables sur les processus automatisés de manière productive, les données concernées, la fréquence des interventions humaines, les dommages potentiels et la réalisation effective des bénéfices escomptés.

La solution quasi-interne : comment Xpert.Digital comble les lacunes opérationnelles du marketing et des ventes B2B – Entreprise axée sur le contenu intelligent – ​​Image : Xpert.Digital

Xpert.Digital est une plateforme B2B axée sur les données, dirigée par Konrad Wolfenstein . L'entreprise propose aux partenaires industriels une solution externe quasi intégrée, comblant leurs lacunes opérationnelles en matière de marketing, de contenu et de ventes, sans nécessiter de ressources supplémentaires de leur côté.

Plus d'informations ici :

• La solution quasi-interne : comment Xpert.Digital comble les lacunes opérationnelles du marketing et des ventes B2B – Smart Content-Driven Business

Un problème de capital se développe en coulisses

Alors que les entreprises peinent à maîtriser leurs agents, le secteur technologique développe l'infrastructure physique de l'IA à une échelle sans précédent. Près de mille milliards de dollars d'investissements dans cette infrastructure sont prévus pour 2026. Entre 2027 et 2030, six mille milliards de dollars supplémentaires pourraient y être ajoutés. Ces sommes sont investies dans les centres de données, les processeurs graphiques (GPU), les technologies de réseau, le stockage, le refroidissement, l'alimentation électrique et l'immobilier. Cette expansion s'explique par la prévision d'une croissance significative des besoins en matière d'entraînement et d'exécution des modèles d'IA au fil des ans.

La croissance à elle seule ne garantit toutefois pas un retour sur investissement suffisant. Les opérateurs de centres de données d'IA devraient générer un chiffre d'affaires cumulé d'environ 8 500 milliards de dollars d'ici 2030 pour couvrir les investissements annoncés, les coûts de financement et un retour sur investissement estimé à 12 %. Le chiffre d'affaires potentiellement attribuable aux activités d'IA destinées aux entreprises et aux consommateurs est estimé à un maximum de 3 600 milliards de dollars pour la même période. Bien que ces chiffres soient sujets à une incertitude considérable en raison de leur horizon de prévision à long terme, l'ampleur de l'écart est remarquable.

Il serait toutefois erroné de comparer directement les investissements et les revenus liés à l'IA. La durée de vie des centres de données s'étend sur plusieurs années, l'infrastructure peut gérer diverses charges de travail et une partie des avantages économiques profite aux entreprises utilisatrices plutôt qu'à l'opérateur d'infrastructure. De plus, la baisse des coûts informatiques peut générer une nouvelle demande. Néanmoins, le message central demeure valable : pour atteindre le retour sur investissement escompté, le marché doit non seulement croître fortement, mais aussi produire exceptionnellement rapidement des applications monétisables pour toutes les capacités prévues.

Cette situation est complexe. Nombre d'applications d'IA actuelles permettent de réduire les coûts ou d'améliorer les produits existants, mais ne génèrent pas automatiquement de revenus supplémentaires équivalents aux investissements dans l'infrastructure sous-jacente. De plus, les gains de productivité peuvent être partagés entre fournisseurs et clients. Une concurrence intense fait baisser les prix, les modèles open source abaissent les barrières à l'entrée et des modèles plus efficaces réduisent les besoins de calcul par tâche. Si cela est bénéfique pour l'économie en général, cela peut impacter négativement la rentabilité des exploitants de centres de données.

Le rythme de l'amortissement est plus rapide que celui de la demande

Le matériel dédié à l'IA se distingue des infrastructures de base pérennes par ses cycles d'innovation courts. Les nouvelles générations d'accélérateurs offrent souvent des performances nettement supérieures ou une meilleure efficacité énergétique. De ce fait, le matériel plus ancien peut perdre de la valeur économique, même s'il reste techniquement fonctionnel. Un opérateur doit donc rentabiliser son investissement au plus vite grâce à un taux d'utilisation élevé et une tarification attractive. Si la demande est inférieure aux prévisions, la valeur comptable et les modèles de financement sont mis à rude épreuve.

D’ici 2030, environ 3 500 milliards de dollars d’actifs liés à l’IA pourraient être menacés de dépréciation ; d’ici 2032, ce chiffre pourrait dépasser les 4 000 milliards de dollars. Une dépréciation ne signifie pas la disparition physique des serveurs. Elle indique plutôt que les flux de trésorerie futurs attendus ne justifient plus la valeur comptable de l’actif. Pour les entreprises fortement endettées, cela peut durcir les conditions de crédit, éroder les fonds propres et rendre les investissements futurs plus difficiles.

La dynamique est similaire aux cycles d'infrastructures précédents. Les nouvelles technologies fondamentales entraînent souvent une expansion, créant initialement une surcapacité. Les chemins de fer, les réseaux de télécommunications et la fibre optique ont connu des phases comparables. Une partie du capital investi a été perdue, tandis que l'infrastructure, facilement disponible et peu coûteuse, a permis par la suite l'émergence de nouveaux modèles économiques. Par conséquent, deux affirmations peuvent être vraies simultanément : l'IA peut engendrer une profonde transformation économique, et pourtant, une part importante des investisseurs actuels risque de ne pas obtenir de rendements suffisants.

Pour l'économie dans son ensemble, une correction de marché n'est pas forcément négative. Les dépréciations d'actifs et les faillites peuvent faire baisser le coût de la puissance de calcul et permettre à des acheteurs plus efficaces d'accéder aux infrastructures. Les entreprises peuvent ainsi bénéficier de prix plus bas, même si les investisseurs initiaux subissent des pertes. La situation devient problématique lorsque le surinvestissement est lié à un endettement élevé, à des contrats énergétiques à long terme ou à une concentration régionale des capacités. Dans ce cas, les corrections peuvent affecter les banques, les fournisseurs d'énergie, le marché immobilier et les budgets publics locaux.

Néoclouds entre croissance et sélection

Les fournisseurs de néocloud spécialisés, qui fournissent de la puissance de calcul pour les charges de travail d'IA, sont les plus vulnérables. Leur avantage réside dans leur haut niveau de spécialisation technique, leur accès rapide aux processeurs graphiques les plus recherchés et des offres souvent plus flexibles que celles des grandes entreprises de cloud généralistes. Des sociétés comme CoreWeave et Nebius illustrent ce segment. Le marché potentiel des offres d'infrastructure en tant que service (IaaS) optimisées pour l'IA pourrait passer de 66 milliards de dollars en 2027 à 174 milliards de dollars en 2030. Cette augmentation serait impressionnante, mais pourrait ne pas suffire à exploiter de manière rentable la capacité développée simultanément.

La prévision selon laquelle plus de 80 % des néoclouds pourraient cesser leur activité indépendante d'ici 2030 n'implique pas nécessairement la disparition complète de leurs ressources informatiques. Faillites, acquisitions, fusions, partenariats à long terme ou intégration à des plateformes plus importantes sont autant d'éventualités. Le facteur économique sous-jacent est une consolidation importante. Les fournisseurs qui ne bénéficient pas d'un financement favorable, d'un approvisionnement énergétique sûr, d'un taux d'utilisation élevé et d'une offre de services clairement différenciée auront du mal à rester indépendants.

Le modèle économique est fragile pour plusieurs raisons. Premièrement, il exige des investissements initiaux considérables dans du matériel qui vieillit rapidement. Deuxièmement, la clientèle peut être concentrée, ce qui signifie que la perte de quelques gros clients seulement peut modifier drastiquement le taux d'utilisation des capacités. Troisièmement, les néoclouds se positionnent entre les fabricants de puces et les clients, sans nécessairement disposer du même pouvoir de négociation. Quatrièmement, les hyperscalers peuvent rivaliser grâce à des services de plateforme complets, une infrastructure mondiale et des relations clients établies. Cinquièmement, la pression sur les prix menace à mesure que les capacités disponibles augmentent ou que les modèles économiques deviennent plus efficaces.

Tous les néoclouds ne se valent donc pas. Ceux qui ont le plus de chances de survivre sont les fournisseurs qui bénéficient d'avantages structurels : un accès durable à une énergie moins chère, un taux d'utilisation des technologies particulièrement élevé, un accès à des capitaux rares, des services spécialisés ou une position dominante dans certaines régions et secteurs réglementés. Une infrastructure souveraine, sous contrôle national ou européen, peut également constituer un facteur de différenciation si les clients privilégient la confidentialité des données, leur localisation et l'indépendance stratégique au prix le plus bas.

Les géants du cloud gagnent du temps

Les géants du cloud et des technologies bénéficient d'un avantage décisif sur les fournisseurs spécialisés : ils financent le développement de l'IA grâce à des secteurs d'activité vastes et rentables. Les plateformes cloud, la publicité, le commerce, les abonnements logiciels, les réseaux sociaux et les services aux entreprises existants génèrent des revenus qui permettent de pérenniser les investissements. Cela permet à Amazon, Google, Microsoft, Meta et autres grands fournisseurs de mieux traverser une période de faibles retours sur investissement directs liés à l'IA.

La diversification, cependant, ne résout pas le problème du retour sur investissement. Même les grandes entreprises doivent expliquer à long terme comment leurs investissements créent de la valeur. Elles disposent simplement de plus de temps et de canaux de monétisation supplémentaires. L'IA peut accroître l'utilisation du cloud existant, améliorer les produits publicitaires, fidéliser les clients sur les plateformes, accélérer les processus de développement et consolider d'autres secteurs d'activité. Par conséquent, certains avantages ne se traduisent pas par des revenus IA publiés séparément. Ces effets stratégiques indirects rendent difficile une comparaison directe avec les néoclouds, dont le succès économique repose davantage sur la location de puissance de calcul.

Le pouvoir de marché des hyperscalers pourrait s'accroître davantage suite à la consolidation. Lorsque les petits fournisseurs quittent le marché, les grandes plateformes acquièrent clients, personnel qualifié et infrastructures à forte valeur ajoutée. Cela peut générer des économies d'échelle, mais aussi exacerber les dépendances. Les entreprises et les gouvernements doivent donc trouver un équilibre entre efficacité et résilience. Une infrastructure fortement concentrée est souvent moins coûteuse à court terme, mais peut influencer les prix, les voies d'innovation et la souveraineté numérique à long terme.

Cela crée un dilemme stratégique pour l'Europe. Développer ses propres capacités en IA est énergivore et coûteux, tandis que les fournisseurs américains et asiatiques bénéficient déjà d'importantes économies d'échelle. Se contenter de copier les géants du cloud serait peu prometteur. Une approche plus judicieuse consiste à se concentrer sur des applications industrielles spécifiques, des espaces de données fiables, des secteurs réglementés, l'efficacité énergétique, les modèles linguistiques et techniques européens, ainsi que des solutions d'exploitation souveraines. La justification économique doit reposer sur des avantages différenciés, et non sur une tentative d'imiter sans discernement la course mondiale aux capacités.

Six mille milliards de dollars ne constituent pas une prévision de la demande

Un autre modèle illustre l'ampleur du défi. Si les dépenses annuelles consacrées à l'infrastructure de l'IA devraient atteindre environ 1 500 milliards de dollars d'ici 2031, et que les investissements devraient représenter environ un quart du chiffre d'affaires du secteur, le marché mondial de l'IA devrait générer près de 6 000 milliards de dollars par an. Les applications grand public et professionnelles existantes pourraient y contribuer à hauteur de 1 200 à 1 800 milliards de dollars. Il resterait donc un déficit d'environ 4 200 milliards de dollars à combler par de nouveaux marchés.

Ce chiffre de six mille milliards de dollars américains doit être perçu comme un obstacle économique, et non comme une prévision de revenus fiable. Il illustre l'ordre de grandeur nécessaire pour financer durablement l'expansion, compte tenu de certaines hypothèses de rentabilité et d'investissement. Il ne prédit en aucun cas que ces revenus seront effectivement générés. Cette distinction est cruciale, car les volumes de marché potentiels élevés sont souvent assimilés à des revenus attendus dans les débats technologiques.

Parmi les autres marchés en forte croissance figurent la recherche et la publicité basées sur l'IA, les véhicules autonomes, les camions et les drones, l'automatisation industrielle, la robotique, les jumeaux numériques, le développement de médicaments, les services médicaux, la recherche sur les matériaux et l'énergie. Les systèmes autonomes devraient représenter un marché potentiel d'environ 400 milliards de dollars américains, tandis que l'IA physique, qui englobe les simulations, les jumeaux numériques et la robotique, est estimée à environ 900 milliards de dollars américains. Ces domaines possèdent une valeur économique considérable, mais leur développement est plus lent que celui des produits purement logiciels. Ils nécessitent du matériel, des autorisations réglementaires, des tests de sécurité, une intégration dans les processus physiques et, souvent, de nouvelles réglementations en matière de responsabilité.

Le délai est donc potentiellement plus important que le potentiel de marché à long terme. Même si la robotique et l'IA industrielle génèrent des revenus considérables, leur développement doit être suffisamment rapide pour justifier les investissements actuels. Les centres de données, les puces et les coûts de financement sont engagés immédiatement ; les nouvelles applications physiques mettent souvent des années à atteindre une large maturité commerciale. Une perspective d'avenir fondamentalement solide peut donc se transformer en un mauvais investissement si le prix, la structure de financement ou le calendrier sont inadaptés.

L'IA physique déterminera la seconde moitié de l'essor

Les succès de l'IA générative jusqu'à présent se sont principalement concentrés sur le travail intellectuel numérique. Textes, images, code logiciel, recherche et communication client peuvent être intégrés relativement rapidement aux applications existantes. Le potentiel de revenus de ces marchés est substantiel, mais insuffisant à lui seul pour justifier l'ensemble des investissements d'infrastructure prévus. La prochaine phase de croissance doit donc s'étendre davantage à l'économie physique.

L'IA physique connecte les systèmes d'apprentissage aux machines, aux véhicules, aux installations de production et aux environnements réels. Dans les usines, les jumeaux numériques permettent de simuler de nouveaux processus de production avant la modification d'équipements coûteux. Les robots peuvent ainsi s'adapter plus facilement aux variations des pièces à usiner. Dans les centres logistiques, les flux de matières, la préparation des commandes et le transport autonome sont coordonnés. Dans l'industrie automobile, les délais de développement sont réduits, tandis que les systèmes autonomes permettent de proposer de nouveaux services. La valeur économique provient non seulement de la réduction des coûts de personnel, mais aussi de l'augmentation de la disponibilité des installations, de la diminution des rebuts, de l'accélération des démarrages d'usine et du lancement de nouveaux produits.

Cela représente une opportunité stratégique, notamment pour l'Allemagne et l'Europe. Leur tissu industriel, leur savoir-faire, leurs fabricants de machines spécialisées et leurs chaînes d'approvisionnement complexes offrent des données précieuses et de nombreux domaines d'application. Cependant, cet avantage ne se décrète pas. Une grande partie des données industrielles est fragmentée, propriétaire ou insuffisamment structurée. Les entreprises doivent moderniser leurs architectures de données, standardiser les interfaces et cartographier numériquement leurs connaissances opérationnelles. Sans ce travail préparatoire, l'IA physique restera cantonnée au stade de démonstrateur.

La monétisation diffère également de celle des logiciels cloud classiques. Les entreprises industrielles exigent une fiabilité éprouvée, des cycles de vie longs et une transparence totale. Elles refusent un environnement expérimental permanent pour leurs processus critiques. Par conséquent, les fournisseurs doivent proposer des systèmes robustes et intégrés, combinant modélisation, capteurs, systèmes de contrôle, cybersécurité et maintenance. C'est précisément là qu'un marché de fournisseurs européens spécialisés peut se développer, un marché moins axé sur la taille maximale des modèles et davantage sur l'expertise métier, l'intégration et la confiance.

Le noyau commun des deux crises

Les problèmes liés aux agents d'IA et aux néoclouds semblent de prime abord distincts. D'un côté, on trouve les processus métier, la gouvernance et les décisions erronées ; de l'autre, les centres de données, le financement et l'amortissement. En réalité, les deux reposent sur la même conception économique erronée : celle que les capacités techniques se traduiront presque automatiquement par des avantages rentables et évolutifs.

Dans le domaine des agents, la réussite d'un projet pilote est souvent confondue avec la maturité de la production. Concernant les infrastructures, la croissance rapide des besoins informatiques est assimilée à une volonté de payer suffisante et à un retour sur investissement durable. Dans les deux cas, les étapes intermédiaires sont fréquemment négligées. Entre la performance du modèle et les bénéfices commerciaux se trouvent la qualité des données, la refonte des processus, l'intégration, la sécurité, la supervision humaine et l'acceptation. Entre la capacité de calcul et le retour sur investissement, se trouvent l'utilisation, la tarification, les coûts énergétiques, le vieillissement du matériel, le financement et la concurrence.

Ce constat ne remet pas en cause l'IA. Il plaide plutôt pour une allocation de capital plus professionnelle. Les révolutions technologiques sont rarement linéaires. Les excès de financement servent à l'expérimentation et aux infrastructures, mais entraînent ensuite des corrections et une consolidation. Les entreprises qui réussissent ne sont pas forcément celles qui investissent en premier ou le plus. Bien souvent, celles qui réussissent sont celles qui maîtrisent leurs coûts, tirent les leçons de leurs erreurs initiales et adaptent leur offre à la disposition réelle des consommateurs à payer.

Cet engouement doit se traduire par de saines pratiques commerciales

Les entreprises ne devraient déployer des agents d'IA que lorsqu'un processus clairement défini, des données fiables et un indicateur de performance mesurable sont en place. Le point de départ ne doit pas être l'obtention d'une autonomie maximale. L'essentiel est de déterminer où un goulot d'étranglement spécifique peut être éliminé, un délai réduit, la qualité améliorée ou des revenus supplémentaires générés. Pour chaque cas d'usage, il convient de définir avant le démarrage les coûts et les taux d'erreur acceptables, ainsi que les conditions d'arrêt du projet.

Le déploiement doit être progressif. Dans un premier temps, un agent peut formuler des suggestions, puis agir sous la supervision d'un humain, et ce n'est qu'après avoir atteint une performance stable qu'il peut exécuter des tâches limitées de manière autonome. Ces niveaux de maturité permettent un suivi distinct des avantages et des risques. Un système qui ne génère déjà aucune valeur mesurable en tant qu'assistant ne deviendra pas économiquement viable simplement en se voyant octroyer davantage de privilèges.

Parallèlement, un inventaire centralisé est nécessaire. Les entreprises doivent connaître les agents existants, les modèles qu'ils utilisent, les systèmes auxquels ils accèdent et les responsables. Les coûts doivent être imputés aux différents processus et unités opérationnelles. Les actions critiques requièrent des seuils d'approbation et chaque application de production doit disposer d'un mécanisme d'arrêt fonctionnel. La gouvernance ne doit pas être perçue comme un document rigide ; elle doit être techniquement intégrée aux plateformes, aux identités, aux protocoles et aux processus de développement.

Les pratiques d'approvisionnement évoluent également. Les contrats avec les fournisseurs d'IA et de cloud doivent inclure des clauses relatives à l'utilisation des données, aux modifications de modèles, à l'accès aux journaux, aux incidents de sécurité, aux performances, à la responsabilité et aux possibilités de changement de fournisseur. Les entreprises doivent éviter de rendre leurs processus critiques dépendants d'un fournisseur unique dont les prix, les modèles ou la stratégie commerciale peuvent changer rapidement. Dans la mesure du possible, les architectures modulaires et les modèles interchangeables renforcent le pouvoir de négociation.

Pour les investisseurs en infrastructures, c'est le client qui compte, pas la puce

Pour les centres de données et les néoclouds, l'accès au matériel actuel ne suffit pas à garantir la viabilité du modèle économique. Les investisseurs doivent avant tout analyser la qualité et la durée de la demande. Les contrats à long terme ne sont intéressants que si les clients sont solvables et que les quantités minimales d'achat peuvent être effectivement fournies. Le prix de l'énergie, les connexions réseau, le refroidissement, les profils d'utilisation, les options de refinancement et la valeur résiduelle du matériel plus ancien sont tout aussi importants.

Une prudence particulière est de mise lorsque la croissance est largement financée par un endettement supplémentaire et que le taux d'utilisation des capacités prévu repose sur un nombre restreint de clients. Une baisse de la demande peut alors impacter simultanément le chiffre d'affaires, la valeur des actifs et la capacité de financement. Les scénarios de crise doivent intégrer une baisse des prix, un report de la mise en service, une diminution du taux d'utilisation des capacités, un vieillissement accéléré du matériel et une hausse des coûts d'investissement. Ce n'est que si un modèle économique demeure viable même dans des conditions moins favorables que le retour sur investissement est fiable.

Pour les fournisseurs spécialisés, l'interchangeabilité mène à la différenciation. Celle-ci se traduit par des datacenters à haute efficacité, des modèles opérationnels européens souverains, des plateformes sectorielles, une résidence des données garantie, des services de sécurité intégrés et une étroite collaboration entre l'expertise en infrastructure et en applications. À mesure que l'offre augmente, la capacité pure devient un bien commercialisable. En revanche, la confiance, l'intégration et la performance démontrable demeurent plus rares.

Le grand nettoyage à venir ne signifie pas la fin de l'IA

Les annulations de projets anticipées et la consolidation potentielle des néoclouds ne signifient pas un rejet de l'intelligence artificielle. Elles sont plutôt caractéristiques de la transition d'une phase d'expansion technologique vers un marché où le retour sur investissement, la fiabilité et la maturité institutionnelle sont primordiaux. Une grande partie des premiers projets disparaîtront car ils étaient mal définis, mal intégrés ou non rentables. Parallèlement, les applications performantes s'intégreront plus profondément dans les processus clés.

Les actifs d'infrastructure ne perdent pas subitement leur valeur. La capacité de calcul reste utilisable après amortissement, acquisitions ou baisse des prix. Pour les utilisateurs, la consolidation du marché peut même s'avérer avantageuse si la concurrence et la surcapacité permettent de réduire les coûts. Toutefois, la répartition des profits évolue : les clients et les acquéreurs ultérieurs peuvent en bénéficier, tandis que les premiers investisseurs en actions et en obligations supportent une partie des pertes.

Le scénario le plus probable n'est donc ni un effondrement total des attentes vis-à-vis de l'IA, ni une poursuite sans heurt de la croissance exponentielle. Une évolution à deux vitesses est plus probable. Les applications de haute qualité et bien maîtrisées continueront de se développer et deviendront la norme en matière d'infrastructure d'entreprise. À l'inverse, les projets d'agents non différenciés, les modèles économiques peu sécurisés et les capacités surévaluées seront mis à rude épreuve. Le marché dissocie désormais le potentiel technologique de la viabilité économique.

La véritable révolution de l'IA ne commence pas avec le prochain modèle spectaculaire, mais avec la capacité pragmatique de transformer la technologie en création de valeur fiable. Les entreprises qui gèrent conjointement les coûts, le contrôle et les bénéfices sortiront renforcées de cette correction. Celles qui développent l'autonomie sans responsabilité ou la puissance de calcul sans demande rentable, en revanche, financent avant tout la prochaine vague de dépréciations.

De la visibilité à la confiance : votre parcours évolutif avec Xpert.Digital - Image : Xpert.Digital

Dans le secteur B2B industriel, les relations commerciales durables se construisent rarement du jour au lendemain. Elles se développent progressivement, grâce à la visibilité, la pertinence professionnelle, des échanges réguliers et une confiance grandissante. Le modèle en quatre étapes de Xpert.Digital répond précisément à ce besoin : il propose un parcours structuré qui débute par une approche simple et peut évoluer vers une collaboration plus approfondie en matière de développement commercial, si nécessaire.

Au lieu de miser sur des promesses marketing tapageuses, ce modèle privilégie la relation. Les entreprises commencent par des indicateurs clairement définis et facilement mesurables, puis décident, en fonction de leur propre expérience, du niveau d'approfondissement de leur collaboration. Un facteur clé de ce processus de construction de la confiance sans interruption : la plateforme exclut toute publicité intrusive, permettant ainsi au contenu éditorial de se concentrer exclusivement sur l'expertise des entreprises.

Plus d'informations ici :

• De la visibilité à la confiance : votre parcours évolutif avec Xpert.Digital

☑️ Notre langue de travail est l'anglais ou l'allemand

☑️ NOUVEAU : Correspondance dans votre langue maternelle !

Konrad Wolfenstein

Mon équipe et moi-même sommes heureux de pouvoir vous accompagner en tant que conseiller personnel.

Vous pouvez me contacter en remplissant le formulaire de contact ici [email protected] :ou simplement m'appeler au +49 7348 4088 965. Mon adresse e-mail est

J'attends avec impatience notre projet commun.

☑️ Accompagnement des PME en matière de stratégie, de conseil, de planification et de mise en œuvre

☑️ Création ou réalignement de la stratégie numérique et de la numérisation

☑️ Expansion et optimisation des processus de vente internationaux

☑️ Plateformes de commerce B2B mondiales et numériques

☑️ Développement commercial pionnier / Marketing / Relations publiques / Salons professionnels