L’industrie de l’intelligence artificielle a atteint un point étrange.
La technologie progresse rapidement. De plus en plus de personnes utilisent l’IA au travail, les entreprises expérimentent l’automatisation, et de nouveaux modèles apparaissent presque chaque semaine. Dans le même temps, les montants investis sont devenus difficiles à appréhender.
Les entreprises d’IA lèvent des milliards de dollars. Les géants de la tech construisent des centres de données qui consomment autant d’électricité que de petites villes. Des entreprises privées qui perdent encore de l’argent obtiennent des valorisations qui auraient semblé absurdes il y a seulement quelques années.
Il n’est donc pas surprenant que l’on se demande si l’IA est devenue une bulle financière.
Un argument récent qui circule en ligne affirme que l’industrie américaine de l’IA a déjà accumulé des milliers de milliards de dollars de dette et doit remplacer chaque année des millions de travailleurs de bureau simplement pour couvrir ses paiements d’intérêts.
La préoccupation plus générale mérite d’être prise au sérieux. Le calcul qui la sous-tend, non.
Il peut y avoir une bulle de l’IA, mais il est important de comprendre où se situent les vrais risques.
Le chiffre de plusieurs milliers de milliards de dollars est détourné
L’une des affirmations les plus spectaculaires est qu’entre 3 000 et 4 000 milliards de dollars ont déjà été investis dans l’industrie américaine de l’IA, principalement via de l’argent emprunté.
Il existe peu d’éléments pour étayer cette interprétation.
Le Stanford AI Index estime que l’investissement privé dans l’IA aux États-Unis a atteint environ 285,9 milliards de dollars en 2025. C’est une somme extraordinaire, mais on est très loin de 3 000 milliards.
Le chiffre beaucoup plus élevé semble provenir de prévisions de dépenses mondiales en infrastructures IA sur plusieurs années.
Morgan Stanley, par exemple, a estimé que près de 3 000 milliards de dollars pourraient être investis dans les infrastructures IA dans le monde d’ici 2028. La majeure partie de cet argent n’avait pas encore été dépensée lorsque l’estimation a été publiée.
Une prévision d’investissement futur n’est pas la même chose qu’une dette existante.
L’estimation inclut aussi plus que les entreprises qui développent des modèles d’IA. Elle couvre les centres de données, les puces informatiques, les infrastructures électriques, les équipements réseau, la construction et d’autres maillons de la chaîne d’approvisionnement de l’IA.
Il est donc trompeur de présenter l’ensemble comme de l’argent emprunté par des entreprises comme OpenAI et Anthropic.
L’IA n’a pas besoin de remplacer 10 millions de travailleurs
L’argument se poursuit généralement avec un calcul simple.
Si le secteur a environ 2 500 milliards de dollars de dette et paie 4% d’intérêts, il lui faudrait environ 100 milliards de dollars par an rien que pour couvrir les intérêts. Avec une marge bénéficiaire de 10%, il lui faudrait 1 000 milliards de dollars de chiffre d’affaires.
De là vient l’affirmation selon laquelle l’IA doit remplacer environ 10 millions d’employés de bureau chaque année.
Le calcul tient. Les hypothèses, non.
Il n’existe aucune preuve fiable que les entreprises d’IA, collectivement, aient 2 000 ou 3 000 milliards de dollars de dette d’entreprise en circulation.
Le calcul traite aussi l’industrie de l’IA comme s’il s’agissait d’une seule entreprise très endettée, sans autres activités ni sources de revenus.
Une grande partie des infrastructures actuelles est construite par Microsoft, Amazon, Alphabet, Meta et Oracle. Ces entreprises génèrent déjà des revenus importants grâce au cloud, à la publicité, aux logiciels, au commerce de détail, aux bases de données et aux abonnements.
Microsoft n’a pas besoin que chaque nouveau centre de données soit financé exclusivement par des employés perdant leur emploi à cause de Copilot. Amazon n’a pas besoin de classer chaque dollar généré par AWS comme un revenu IA distinct avant de pouvoir rembourser sa dette.
Plus important encore, l’IA peut créer de la valeur financière sans supprimer un emploi.
Une entreprise peut utiliser l’IA pour répondre plus vite aux questions des clients, produire plus de logiciels avec la même équipe, détecter la fraude, améliorer la publicité, traduire du contenu ou réduire le temps nécessaire à l’analyse de documents.
L’employé peut rester dans l’entreprise tout en produisant davantage.
Il est donc faux de supposer que le seul retour possible sur l’investissement en IA provient du remplacement des salaires.
Le vrai risque financier reste sérieux
Le fait que le calcul viral sur la dette soit faux ne signifie pas que le marché de l’IA est sain.
Les chiffres réels sont déjà suffisamment élevés pour susciter des inquiétudes.
OpenAI, Anthropic et d’autres développeurs de modèles lèvent des montants énormes tout en continuant à dépenser massivement pour l’entraînement, la recherche et l’infrastructure de calcul.
Dans le même temps, Microsoft, Amazon, Alphabet et Meta investissent des dizaines de milliards de dollars chaque trimestre dans des centres de données et des équipements associés.
Ces investissements reposent sur une hypothèse majeure : la demande de services d’IA continuera de croître assez vite pour justifier les infrastructures construites aujourd’hui.
Cela peut arriver. Ce n’est pas garanti.
Les centres de données sont coûteux à construire et à exploiter. Ils nécessitent des puces, de l’électricité, de l’eau, des systèmes de refroidissement et un accès au réseau électrique. Le matériel qu’ils contiennent peut devenir obsolète étonnamment vite.
Si l’efficacité des modèles s’améliore plus vite que prévu, les entreprises pourraient avoir besoin de moins de capacité de calcul que ne le suggèrent les prévisions actuelles. Si les entreprises estiment que les outils d’IA n’offrent pas un retour sur investissement suffisant, une partie des nouvelles infrastructures pourrait rester sous-utilisée.
C’est là que commence l’argument le plus solide en faveur d’une bulle.
Le problème n’est pas que l’industrie de l’IA doive remplacer un nombre précis de travailleurs l’an prochain. Le problème, c’est que les entreprises dépensent des sommes énormes aujourd’hui sur la base de profits qui pourraient n’apparaître que dans plusieurs années.
Les entreprises d’IA perdent-elles de l’argent à chaque requête ?
Une autre affirmation courante est qu’OpenAI et Anthropic perdent de l’argent chaque fois que quelqu’un envoie un prompt à l’un de leurs modèles.
C’est possible pour certains abonnements ou des utilisateurs extrêmement intensifs, mais cela n’a pas été démontré comme règle générale.
Il existe une différence importante entre perdre de l’argent sur une requête individuelle et perdre de l’argent en tant qu’entreprise.
Une requête API peut être vendue plus cher que le coût direct d’exécution du modèle. L’entreprise peut malgré tout afficher de lourdes pertes après avoir payé la recherche, l’entraînement des modèles, les salaires d’ingénierie, les ventes, le marketing et les infrastructures futures.
Autrement dit, un service d’IA peut avoir une marge brute positive tout en restant, pour l’entreprise qui le propose, profondément déficitaire.
La question la plus utile n’est pas de savoir si chaque requête fait perdre de l’argent. C’est de savoir si les revenus actuels pourront, à terme, supporter le coût extraordinaire du développement et de l’exploitation des prochaines générations de modèles.
Pour de nombreuses entreprises d’IA de pointe, la réponse n’est pas encore claire.
Les modèles chinois changent l’économie du secteur
L’amélioration rapide des modèles chinois et des modèles à poids ouverts pourrait être un problème encore plus grand pour les entreprises américaines d’IA que leurs pertes d’exploitation.
Il y a quelques années, il semblait possible qu’un petit nombre d’entreprises américaines contrôlent les modèles les plus performants. Elles avaient accès à des puces avancées, à de grands centres de données et à des milliards de dollars de financement.
Cet avantage compte toujours, mais l’écart s’est réduit.
Des développeurs chinois ont publié des modèles compétitifs en programmation, en raisonnement et sur des tâches basées sur des agents, souvent à des prix bien plus bas.
Beaucoup de ces modèles peuvent aussi être téléchargés et exécutés sur une infrastructure privée. On les décrit souvent comme open source, même si « à poids ouverts » est généralement le terme le plus exact. Les poids du modèle peuvent être disponibles, tandis que les données d’entraînement et le processus complet de développement restent privés.
Leur popularité croissante crée un sérieux problème de prix pour des entreprises comme OpenAI et Anthropic.
Si les clients peuvent obtenir des résultats similaires avec un modèle moins cher, le fournisseur coûteux ne peut pas simplement augmenter ses prix chaque fois qu’il a besoin de plus de revenus.
Les données d’OpenRouter ont montré une forte hausse de l’utilisation de modèles chinois parmi les développeurs utilisant sa plateforme. Cela ne signifie pas que les modèles chinois contrôlent déjà la majeure partie du marché américain. OpenRouter ne représente qu’une partie de l’écosystème IA.
Cela montre toutefois que les développeurs sont prêts à changer de modèle lorsque l’écart de prix ou de performance devient attractif.
Cela rend plus difficile pour un fournisseur unique de bâtir un monopole durable.
L’IA locale progresse, mais elle n’est pas gratuite
La même pression concurrentielle vient des modèles qui peuvent fonctionner sur des ordinateurs locaux et des serveurs privés.
Les modèles locaux offrent des avantages clairs. Les données peuvent rester au sein de l’entreprise, le système peut fonctionner sans connexion internet, et les utilisateurs ne dépendent pas des tarifs ni des politiques d’un fournisseur externe.
Pour des tâches courantes, un modèle local plus petit peut suffire.
Cela pourrait réduire le nombre de personnes prêtes à payer pour des abonnements IA premium.
Pour autant, l’IA locale n’est pas automatiquement moins chère dans toutes les situations. Une entreprise doit acheter du matériel, payer l’électricité, maintenir le système, installer les mises à jour et surveiller la sécurité.
Les modèles plus petits peuvent aussi nécessiter davantage de corrections ou être moins fiables sur des travaux complexes.
Le scénario le plus probable est un marché mixte.
Les tâches routinières pourront être prises en charge par des modèles locaux ou peu coûteux. Les problèmes difficiles pourront être envoyés vers des systèmes cloud plus performants. Les logiciels traditionnels continueront de gérer les processus prévisibles, tandis que les personnes resteront responsables des décisions où les erreurs coûtent cher.
Cela créerait un grand marché de l’IA, mais pas nécessairement un marché avec des marges extrêmement élevées pour les entreprises qui construisent les modèles sous-jacents.
La productivité n’a pas été à la hauteur du battage médiatique
La question la plus importante est de savoir si l’IA crée suffisamment de productivité pour justifier l’argent dépensé.
Les preuves à ce jour sont mitigées.
Une étude portant sur plus de 5 000 employés du support client a montré que l’accès à un assistant d’IA générative augmentait la productivité d’environ 14% en moyenne.
Les gains les plus importants ont été observés chez les travailleurs moins expérimentés. L’IA les a aidés à accéder à des connaissances et à des techniques que des collègues plus expérimentés avaient acquises au fil du temps.
C’est un résultat significatif.
D’autres recherches ont été moins encourageantes.
Dans une étude menée par METR, des développeurs open source expérimentés ont réalisé certaines tâches plus lentement en utilisant des outils d’IA. Les développeurs pensaient que les outils les aidaient, mais les résultats mesurés ont montré qu’ils mettaient plus de temps.
La différence peut venir du type de travail effectué.
L’IA est souvent utile lorsqu’une tâche implique de rédiger, de résumer ou d’appliquer des schémas familiers. Elle peut devenir moins utile lorsqu’un expert travaille dans un système complexe et doit inspecter soigneusement des suggestions presque correctes.
Le temps gagné à écrire du code peut facilement être perdu à trouver une erreur subtile.
Cela aide à expliquer pourquoi les démonstrations d’IA peuvent sembler spectaculaires alors que les déploiements réels en entreprise avancent plus lentement.
Une démonstration montre généralement le meilleur résultat dans des conditions contrôlées. Un système en production doit gérer des informations incomplètes, des clients atypiques, des règles de confidentialité, des risques de sécurité et la responsabilité juridique.
Un outil correct 95% du temps peut être impressionnant en vidéo et inacceptable dans une banque.
Pourquoi les entreprises retirent des systèmes d’IA pour le service client
Une enquête de 2026 menée par Sinch a révélé que 74% des organisations interrogées avaient retiré ou arrêté au moins un agent d’IA de communication client après son lancement.
Ce chiffre semble catastrophique, mais il faut le remettre en contexte.
Cela ne signifie pas que 74% de tous les agents d’IA ont échoué ni que la plupart des entreprises ont abandonné l’IA. Cela signifie que de nombreuses organisations ont découvert des problèmes dans au moins un déploiement et ont décidé de l’arrêter, de le repenser ou de le remplacer.
Le constat reste important.
Le service client était censé être l’un des domaines les plus faciles à automatiser. Les conversations sont souvent répétitives, les entreprises disposent déjà de grandes bases de données de réponses, et le coût du support humain est significatif.
Pourtant, les vrais clients ne posent pas toujours des questions prévisibles. Ils peuvent fournir des informations incomplètes, mal comprendre les politiques ou faire face à des situations qui n’apparaissent pas dans les exemples d’entraînement.
Un agent d’IA peut aussi faire des promesses que l’entreprise ne peut pas tenir, divulguer des informations privées ou mal comprendre à répétition un client déjà frustré.
Ces échecs ne prouvent pas que le service client ne sera jamais automatisé. Ils montrent qu’une automatisation fiable nécessite plus de tests, de supervision et d’implication humaine que ce que beaucoup d’entreprises avaient prévu.
Le soutien des gouvernements soulève des questions gênantes
Les entreprises d’IA ont aussi demandé aux gouvernements de soutenir les investissements dans l’énergie, la production de semi-conducteurs et les infrastructures de centres de données.
Certains critiques ont décrit cela comme une demande de sauvetage financier.
Cette description est trop simpliste.
Les gouvernements utilisent régulièrement des incitations fiscales, des garanties de prêt, des contrats publics et des programmes d’infrastructure pour soutenir des secteurs qu’ils jugent stratégiquement importants.
L’industrie des semi-conducteurs, les énergies renouvelables, l’aviation et les transports ont tous bénéficié de politiques similaires.
La question la plus pertinente est de savoir qui supporte le risque.
Si les investisseurs privés encaissent les profits lorsque la demande est forte, les contribuables doivent-ils absorber une partie des pertes si l’infrastructure devient non rentable ?
L’IA peut être suffisamment stratégique pour justifier un investissement public. Cela ne signifie pas que chaque projet privé doit être protégé de l’échec.
Les demandes de soutien public ne prouvent pas que l’industrie de l’IA est sur le point de s’effondrer. Elles suggèrent toutefois que l’expansion prévue est peut-être trop importante pour être financée confortablement par le seul capital privé.
La comparaison avec la bulle internet est pertinente
La comparaison la plus utile est probablement le boom d’internet des années 1990.
Les investisseurs avaient raison : internet allait transformer l’économie et la société. Ils avaient souvent tort sur la vitesse d’apparition des profits, sur les entreprises qui survivraient et sur la valeur réelle de ces entreprises.
Le résultat a été une bulle financière construite autour d’une technologie véritablement révolutionnaire.
L’IA pourrait suivre une trajectoire similaire.
La technologie peut améliorer la productivité, créer de nouveaux produits et s’intégrer au travail quotidien. Dans le même temps, de nombreuses entreprises d’IA peuvent être fortement surévaluées. Certains fournisseurs peuvent disparaître. Les prix des modèles peuvent baisser. Des centres de données peuvent être vendus en dessous de leur coût de construction. Les investisseurs peuvent découvrir que les plus gros profits sont captés par des entreprises qui n’étaient pas considérées comme les gagnants évidents pendant le boom.
Un effondrement des valorisations ne prouverait pas que l’IA a échoué.
Il montrerait que les investisseurs ont payé trop cher des profits attendus qui n’étaient pas encore arrivés.
Alors, l’IA est-elle une bulle ?
Des segments du marché présentent presque certainement un comportement de bulle.
Les valorisations sont extrêmement élevées. Les dépenses d’infrastructure augmentent plus vite que la demande prouvée. Les entreprises engagent des capitaux sur la base de prévisions optimistes concernant l’adoption, la productivité et les prix futurs.
La concurrence s’intensifie aussi. Les modèles chinois, les alternatives à poids ouverts et les systèmes locaux rendent l’IA moins chère, ce qui est bon pour les utilisateurs mais potentiellement mauvais pour les marges des développeurs de modèles.
Dans le même temps, l’argument selon lequel le secteur a déjà emprunté plusieurs milliers de milliards de dollars et doit remplacer 10 millions de travailleurs chaque année n’est pas étayé par les preuves disponibles.
Le scénario le plus solide est moins spectaculaire.
Les entreprises d’IA et leurs partenaires dépensent aujourd’hui des sommes extraordinaires. Pour justifier ces investissements, ils auront besoin de revenus bien plus élevés, d’une adoption beaucoup plus large et de gains de productivité bien plus clairs que ce que nous pouvons observer actuellement.
Ils peuvent y parvenir.
Ils peuvent aussi découvrir que l’IA change le monde tout en produisant des rendements décevants pour de nombreux investisseurs qui l’ont financée.
Ces deux issues ne sont pas contradictoires.
Internet a transformé presque tous les secteurs. Cela n’a pas empêché les investisseurs de perdre des milliards lors de l’éclatement de la bulle internet.
L’IA n’a pas besoin d’être une fraude pour qu’une bulle de l’IA éclate. Il suffit qu’elle soit valorisée comme si rien ne pouvait mal tourner.
Cet article est fourni à titre informatif uniquement et ne constitue pas un conseil en investissement.