Le PDG d’OpenAI vient de lancer un avertissement qui a de quoi surprendre : « Beaucoup de gens vont perdre énormément d’argent dans l’IA. » Ce n’est pas un concurrent jaloux ni un sceptique marginalisé. C’est Sam Altman lui-même — le dirigeant de la société la plus emblématique de cette révolution, valorisée à plus de 300 milliards de dollars, qui vient de signer un accord titanesque de 300 milliards avec Oracle. Une entreprise qui génère 12 milliards de revenus annuels et perd de l’argent à chaque requête traitée. Soit Altman est en train de saboter son propre projet. Soit il sait quelque chose que le marché refuse encore d’admettre.
Sam Altman tire la sonnette d’alarme sur sa propre industrie
Pour comprendre le paradoxe, il faut regarder les chiffres en face. OpenAI est passé d’une valorisation d’un milliard de dollars en 2019 à 29 milliards en 2023, 157 milliards en 2024, puis à 500 milliards en 2025. Une trajectoire qui défie toute logique comptable. Car derrière ces chiffres vertigineux se cache une réalité moins flatteuse : l’entreprise perd de l’argent sur chaque requête que vous envoyez à ChatGPT.
ChatGPT a atteint les 100 millions d’utilisateurs en seulement deux mois — là où Netflix a mis 18 ans, Facebook 4 ans et demi, Instagram 2 ans et demi. La vitesse d’adoption est réelle. Mais vitesse d’adoption ne signifie pas viabilité économique. Aujourd’hui, ChatGPT dépasse les 700 millions d’utilisateurs actifs hebdomadaires. Impressionnant pour les slides de présentation. Mais combien cela coûte-t-il réellement ?
Trois acteurs coexistent dans ce marché et ils ne vivent pas dans le même film. L’ingénieur sait que la technologie plafonne — les progrès deviennent marginaux. Le commercial continue de vendre l’AGI de demain pour lever des centaines de milliards sur ces promesses. Et le client final, celui qui est censé payer, attend simplement un outil qui fonctionne. C’est ce décalage fondamental qu’Altman a, peut-être involontairement, mis en lumière.
Marché primaire vs secondaire : qui vend vraiment les pelles ?
Pour analyser la bulle IA avec précision, il faut segmenter l’industrie en deux marchés distincts. Le marché primaire regroupe les entreprises qui innovent réellement sur les modèles : OpenAI, Anthropic, Google, Mistral, xAI. Le marché secondaire comprend celles qui prennent ces modèles et les exploitent pour créer des applications concrètes : Cursor, Notion, Harvey, ou encore Claude Code.
L’analogie la plus pertinente reste celle de la ruée vers l’or du XIXe siècle. Savez-vous qui s’est vraiment enrichi ? Pas les chercheurs d’or, mais ceux qui leur vendaient les pelles, les pioches et les jeans — comme Levi Strauss. Aujourd’hui, l’histoire se répète. Sauf que les chercheurs d’or ont compris la leçon : regardez ce que fait OpenAI avec Codex et ses nouveaux outils. Anthropic développe des outils d’intégration directe. Google pousse Gemini partout. Ils deviennent leurs propres Levi’s.
Ce n’est pas de l’innovation pure. C’est de l’instinct de survie. Ces entreprises construisent leurs canots de sauvetage pendant que le Titanic prend l’eau. Anthropic a d’ailleurs adopté cette stratégie avec succès, faisant passer ses revenus annuels de 1 à 5 milliards de dollars, notamment grâce à des outils comme Claude Code qui s’intègrent directement dans le workflow des développeurs. Le marché secondaire offre une voie de sortie réelle de la bulle du marché primaire.
Des valorisations qui défient toute logique financière
Les chiffres donnent le vertige. OpenAI est valorisé à plusieurs centaines de milliards pour 12 milliards de revenus. X est valorisé à 75 milliards alors qu’il perdrait 1 milliard par mois. Scale AI affiche une valorisation de 29 milliards pour seulement 1,5 milliard de revenus annuels. Anthropic est valorisé à 61 milliards pour 5 milliards de revenus. L’écart entre valorisation et réalité financière est structurellement insoutenable.
Et les dépenses s’emballent. Microsoft, Google et Meta ont chacun annoncé des investissements entre 60 et 100 milliards de dollars pour des centres de données dédiés à l’IA. Le projet Stargate d’OpenAI avec Oracle et SoftBank prévoit 500 milliards pour une installation au Texas. La guerre des talents ajoute une couche de folie supplémentaire : des contrats à 100 millions de dollars avec des primes à la signature dépassant des centaines de millions. Comme le montre notre analyse sur l’impact économique réel du coût de l’IA, cette course aux armements creuse un gouffre financier difficile à combler.
Le problème fondamental est celui du burn rate — la vitesse à laquelle une entreprise brûle son capital. Ces levées de fonds successives créent une obligation structurelle : lever encore plus la prochaine fois. C’est une fuite en avant où ralentir équivaut à mourir. Les valorisations actuelles ne reflètent pas ce que l’IA peut faire aujourd’hui. Elles parient sur l’AGI dans 3 ans. Sauf que 3 ans, c’est peut-être 10.
Le plateau technique : GPT-5 déçoit et les données manquent
Pendant cinq ans, l’IA a progressé en suivant une formule simple : modèles plus grands, plus de données d’entraînement, ordinateurs plus puissants, meilleures méthodes. Tout augmenter, obtenir une meilleure IA. Et ça fonctionnait. Mais aujourd’hui, trois de ces ingrédients ne posent plus de problème. Les modèles peuvent être aussi grands que voulu. Les ordinateurs sont suffisamment puissants. L’argent, avec des valorisations à des centaines de milliards, n’est pas un frein. Pour mieux comprendre la mécanique sous-jacente, notre article sur le fonctionnement des grands modèles de langage explique en détail ces limites architecturales.
Le vrai problème ? Les données. Ilya Sutskever, l’une des figures les plus respectées de l’IA, l’a formulé clairement : les données internet sont le pétrole fossile de l’IA. Nous manquons sérieusement de contenu de qualité pour entraîner ces modèles. C’est comme posséder la plus grande bibliothèque du monde et avoir déjà lu tous les livres. Les données synthétiques générées par des entreprises comme Scale AI offrent une alternative partielle, mais ne remplacent pas complètement les textes humains authentiques pour les LLM.
GPT-5 en est l’illustration la plus frappante. Lancé en août 2025, il représente une déception majeure par rapport aux bonds réalisés lors des itérations précédentes. Les progrès continuent, mais ils deviennent de plus en plus marginaux. Pour autant, cela ne signifie pas la fin de l’innovation. Les percées dans les techniques d’entraînement — comme le fine-tuning par apprentissage par renforcement ou les modèles de raisonnement avec chain-of-thought — montrent que des gains importants restent possibles sans nouvelles données massives.
Les trois horloges qui ne se synchronisent plus
Le vrai problème de marché de l’IA aujourd’hui tient à trois horloges qui tournent à des vitesses radicalement différentes. Quand elles divergent trop, le système se réaligne brutalement.
La première horloge : l’horloge technique. Elle mesure les progrès réels de l’intelligence artificielle. GPT-5 a déçu. Les gains deviennent marginaux. Le manque de données ralentit l’innovation. Cette horloge ralentit.
La deuxième horloge : l’horloge du capital. Elle mesure combien de temps les investisseurs sont prêts à financer des pertes avant d’exiger la rentabilité. OpenAI brûle son trésorerie. X perd un milliard par mois. Les burn rates sont insoutenables. Cette horloge s’emballe.
La troisième horloge : l’horloge de l’adoption. Elle mesure la vitesse à laquelle le marché adopte réellement l’IA. ChatGPT a 700 millions d’utilisateurs ? Impressionnant. Mais combien d’entreprises ont restructuré leurs processus autour de l’IA ? L’adoption profonde est bien plus lente qu’annoncé. Cette horloge traîne. Comme le montrent nos analyses sur l’impact réel de l’IA sur les métiers, la transformation prend beaucoup plus de temps que les promesses de la Silicon Valley.
C’est là que prend tout son sens l’avertissement d’Altman. Il ne prévient pas d’un crash technique. Il prévient d’un crash temporel — le moment où le marché réalisera que la route est trois fois plus longue que promis. Ce qui vient n’est pas un hiver de l’IA. C’est un tri darwinien entre ceux qui ont un vrai modèle économique et ceux qui vivent de promesses.
4 principes concrets pour ne pas être du mauvais côté
La brutalité de la situation mérite une franchise équivalente : vous n’avez pas le luxe d’attendre. L’IA est en train de restructurer l’ensemble des métiers et de la société. Pas dans dix ans — maintenant. Voici quatre principes que vous pouvez appliquer dès aujourd’hui.
Premier principe : miser sur le marché secondaire, pas le primaire. Oubliez l’idée de devenir expert en architecture LLM ou en entraînement de modèles. Vous n’avez ni les centaines de milliards, ni les talents à 100 millions, ni le temps. En revanche, vous pouvez devenir le Levi’s de votre secteur. Trouvez un problème spécifique dans votre domaine que l’IA peut résoudre — pas une IA généraliste pour tout le monde, mais une solution ultra-ciblée pour une tâche précise dans un secteur précis. Harvey, par exemple, n’a pas créé un produit pour résoudre tous les problèmes. Ils ont créé une IA spécifiquement pour les cabinets d’avocats. Ils valent plusieurs milliards aujourd’hui. La spécificité tue la généralité.
Deuxième principe : suivre l’horloge de l’adoption, pas celle du capital. Ne construisez jamais pour ce que l’IA pourra faire dans deux ans. Construisez pour ce qu’elle fait aujourd’hui et ce pour quoi les gens paient aujourd’hui. Les entreprises paient déjà pour automatiser leur support client, analyser leurs données, résumer leurs réunions. Ce sont des besoins immédiats avec des budgets alloués. L’AGI qui remplacera tous les employés reste une fantaisie de la Silicon Valley. Le vrai argent est dans les petites victoires immédiates : gagner deux heures sur une tâche répétitive, réduire les erreurs d’un processus de 30%.
Troisième principe : diversifier vos outils, ne pas s’attacher à un seul. Le marché de l’IA est instable. Ces entreprises perdent de l’argent. Leurs modèles économiques restent fragiles. Demain, le prix, la qualité ou les biais peuvent basculer du jour au lendemain. Apprenez à utiliser au moins deux ou trois outils différents. Si vous utilisez ChatGPT tous les jours, prenez une heure cette semaine pour essayer Claude. Comprenez les différences. Développez ce sens du sommelier de l’IA — savoir choisir avec discernement l’outil adapté à chaque situation. Cette flexibilité vous protégera.
Quatrième principe : commencer par ce qui n’a pas d’importance. Il y a fort à parier que vous effectuez des tâches par obligation qui ne sont pas vraiment cruciales — emails de suivi, notes de réunion que personne ne lit, courts résumés administratifs. C’est exactement là qu’il faut démarrer avec l’IA. Si ça marche, vous gagnez du temps. Si ça ne marche pas, peu importe — la tâche n’était pas importante. Ce n’est qu’après avoir compris les forces et faiblesses de ces outils sur des tâches sans enjeu que vous pourrez les utiliser sur des choses sérieuses. Comme l’explique notre analyse sur les dernières évolutions des modèles IA, la maîtrise progressive reste la meilleure stratégie d’adaptation.
0 Commentaires
Aucun commentaire pour le moment. Soyez le premier à commenter !