La dernière opération de financement d’OpenAI illustre un changement de ton dans le secteur : les investisseurs demandent désormais à l’intelligence artificielle un modèle économique soutenable et une valeur mesurable, là où la promesse technologique suffisait jusqu’ici. Selon l’analyse publiée, ce tournant pourrait être favorable à l’avenir de l’IA.
OpenAI a réuni 11 milliards de dollars lors d’une première clôture de financement, alors que son ambition initiale portait sur un montant pouvant atteindre 30 milliards de dollars. Sa valorisation ressort à environ 1 250 milliards de dollars, en dessous des objectifs initialement envisagés. Ces chiffres restent considérables, mais c’est désormais l’écart entre les ambitions et la réalité qui retient l’attention.
L’entreprise qui a contribué à déclencher la révolution mondiale de l’IA générative constate que l’enthousiasme technologique ne suffit plus à garantir un accès illimité au capital. Faut-il y voir le début de l’éclatement d’une bulle ? L’auteur ne le pense pas « nécessairement ». Il y voit plutôt le passage d’une économie de la promesse à une économie de la preuve, une transition qui ne concerne pas uniquement OpenAI.
Progrès technologique, adoption et création de valeur
Depuis l’arrivée de ChatGPT, l’industrie avance à une vitesse exceptionnelle. Les modèles gagnent en performance, les capacités multimodales progressent, et les agents savent utiliser des outils, produire du code et exécuter des séquences d’actions complexes. Ces progrès sont incontestables, mais une confusion s’est installée : on considère que la hausse des capacités techniques entraîne mécaniquement une création de valeur proportionnelle.
Un modèle plus intelligent n’est pas nécessairement plus rentable, et une technologie largement adoptée n’est pas forcément soutenable économiquement. Le nombre d’utilisateurs, le volume de tokens consommés (unités de texte traitées par un modèle) ou le nombre d’agents déployés sont des indicateurs d’activité. À eux seuls, ils ne démontrent pas la création de valeur.
Une organisation peut multiplier les expérimentations et constater des gains de productivité individuels sans amélioration notable de ses résultats opérationnels. Le temps gagné par un développeur n’accélère pas automatiquement la mise en production, et un agent qui automatise dix tâches ne crée pas forcément de valeur si le processus global reste inchangé. Comme le résume l’auteur : « Nous avons appris à mesurer ce que l’IA produit. Il est désormais temps de mesurer ce qu’elle transforme. »
Le paradoxe économique de l’IA
D’un côté, le coût d’utilisation de nombreuses capacités d’inférence (faire fonctionner un modèle déjà entraîné) diminue grâce aux optimisations matérielles, logicielles et architecturales. De l’autre, la course aux modèles de pointe exige des investissements importants dans les infrastructures, l’énergie, les centres de données et la capacité de calcul. Chaque unité de traitement devient moins chère, mais les dépenses nécessaires pour rester compétitif augmentent.
Les investissements ne garantissent pas non plus une différenciation durable. Les modèles concurrents progressent, les alternatives ouvertes gagnent en performance, et les entreprises apprennent à orchestrer plusieurs modèles selon leurs besoins et leurs coûts. Où se situera la valeur, dans les modèles, les infrastructures, les plateformes ou la transformation des processus métiers ? L’auteur estime qu’elle se déplacera progressivement vers cette dernière dimension, sans faire disparaître la valeur des autres couches.
Pour les entreprises utilisatrices, la nécessité de mesurer les résultats s’accompagne d’une exigence de souplesse. Leur stratégie ne doit pas dépendre entièrement d’un fournisseur unique, et il leur faut conserver la capacité de changer de modèle, de contrôler leurs données et de suivre leurs coûts. La première phase de la révolution de l’IA a consisté à rendre cette technologie accessible à tous ; la seconde devra démontrer qu’elle peut créer une valeur économique durable.
