Les investissements dans l’IA augmentent malgré la lassitude du secteur
L’intelligence artificielle attire encore beaucoup d’argentne vous laissez pas abuser par le bruit. Alors que certains acteurs de la technologie se disent fatigués du battage médiatique, les chiffres montrent que l’intérêt des investisseurs n’est pas seulement vivant, mais qu’il s’accélère. L’IA n’est plus une tendance. C’est une force économique, et les acteurs qui la soutiennent ne ralentissent pas.
Rien qu’en 2024, 72 milliards de dollars ont été investis à l’échelle mondiale dans des entreprises d’IA. Sur cette somme, 31 milliards de dollars sont allés directement à l’IA générative, couvrant tout, des modèles de langage aux outils créatifs. Selon Crunchbase, l’investissement total dans l’IA a désormais franchi le seuil des 100 milliards de dollars. Ces chiffres sont importants parce qu’ils nous disent ceci : les investisseurs ne font pas de petits paris. Ils misent tout.
Les dirigeants doivent comprendre ce qui se passe ici. L’IA générative n’est pas seulement une technologie tape-à-l’œil qui fait les gros titres. Elle est appliquée à des défis concrets, à l’optimisation des soins de santé, à l’automatisation des API d’entreprise et aux tests de sécurité de nouvelle génération. Il ne s’agit plus de preuves de concept. Elles sont pratiques, évolutives et déjà déployées par des entreprises de tous les secteurs.
Les prochaines années récompenseront les décideurs proactifs. Les entreprises qui attendent que l’IA « s’installe » seront dépassées. Le signal est clair : l’argent n’afflue pas parce que c’est à la mode, mais parce que l’IA modifie la façon dont les industries fonctionnent et créent de la valeur.
Consolidation et acquisition rapides de startups spécialisées dans l’IA
Nous assistons à la transformation la plus rapide d’un nouveau secteur de mémoire récente. Les startups de l’IA apparaissent et disparaissent à une vitesse record. Si vous êtes à la tête d’une grande entreprise, vous devez reconnaître qu’il s’agit d’une phase de maturité.
C’est ce qui arrive lorsque les grandes entreprises ont besoin de technologies plus rapidement qu’elles ne peuvent en construire. Les équipes de développement des entreprises suivent, analysent et acquièrent activement des entreprises d’IA en phase de démarrage. Avec des feuilles de route internes qui s’étendent sur des années, elles utilisent leurs bilans pour acheter du temps et des talents. Crunchbase et HumanX prévoient que près de 30 % des startups d’IA présentées à la conférence HumanX, soit environ 45 entreprises, seront rachetées au cours des 12 prochains mois. Ce n’est pas une hypothèse. C’est déjà le cas : Nvidia a racheté Run:ai et OctoAI, Databricks a racheté MosaicML et ServiceNow a acquis Moveworks. Des transactions sont conclues chaque semaine.
Ce n’est pas un signal d’alarme. C’est le signe d’une valeur réelle. Des équipes solides sont rachetées parce qu’elles ont construit quelque chose d’utile, de précoce et d’évolutif. Ce phénomène est courant dans les secteurs technologiques en expansion, et les dirigeants doivent comprendre que la sortie d’une startup n’est plus considérée comme un échec à atteindre le statut de licorne. Il s’agit souvent d’un résultat calculé et réussi.
L’idée est la suivante : rester à la pointe de l’innovation ne signifie plus tout faire en interne. Il s’agit d’identifier très tôt les bonnes capacités d’IA et d’agir assez rapidement pour les intégrer ou les acquérir. La vitesse est importante. Il en va de même pour la vision. Si vous êtes trop lent, quelqu’un d’autre achètera ce dont vous avez besoin, avant même que vous ne réalisiez que vous en avez besoin.
Schémas historiques d’exubérance et de maturation du cycle dans le secteur technologique
Il n’y a rien d’anormal à ce qui se passe actuellement sur les marchés de l’IA. Si vous travaillez dans la technologie depuis un certain temps, vous avez déjà connu ce cycle : enthousiasme précoce, afflux massif de capitaux, croissance rapide et prise de risque importante. Cela fait partie de la façon dont les nouvelles industries prennent forme.
L’investisseur Tomasz Tunguz, se référant à l’économiste Carlota Perez, spécialiste des cycles d’innovation, l’a clairement exposé lors de la conférence HumanX. Chaque vague de perturbation technologique, qu’il s’agisse des chemins de fer, des télécommunications ou de l’internet, a suivi un schéma. Il y a d’abord des dépenses excessives pour construire quelque chose de grand et d’inconnu. Puis vient une correction. Ce qui reste ensuite, ce sont les entreprises dont les produits sont réellement adaptés au marché et dont les modèles d’entreprise sont viables.
C’est vers cela que se dirige l’IA. À l’heure actuelle, nous sommes encore au début de ce que Perez appelle la phase « d’installation », où l’infrastructure, les plateformes et les preuves de concept sont financées de manière agressive. Cela inclut les LLM, les microprocesseurs personnalisés, les API natives de l’IA, les pipelines d’étiquetage des données et d’autres piles fondamentales. Certains de ces paris échoueront. D’autres domineront des secteurs entiers.
Pour les dirigeants, il est important d’agir sur la base d’une reconnaissance des schémas. Lorsque les capitaux circulent aussi rapidement, la question n’est pas de savoir s’il s’agit d’une bulle. La question à se poser est plutôt : « À quel stade en sommes-nous et où une valeur durable est-elle créée ? » Examiner l’IA à travers le prisme des cycles d’innovation précédents permet de filtrer le bruit. La correction viendra, mais ce qui est vraiment important, c’est ce qui y survivra.
L’innovation en matière d’IA risque d’être perturbée par la rapidité des progrès technologiques
La vitesse des progrès de l’IA bat des records. Les performances ne cessent d’augmenter et les coûts de diminuer. Cela crée un deuxième niveau de perturbation, les perturbateurs eux-mêmes étant désormais susceptibles d’être remplacés rapidement. Si vous construisez ou investissez dans l’IA, partez du principe que ce qui est à la pointe du progrès aujourd’hui pourrait être dépassé dans quelques mois, et non dans quelques années.
Le matériel s’améliore rapidement. Les nouveaux microprocesseurs permettent d’augmenter considérablement les performances en matière d’inférence. Selon Tomasz Tunguz, le rapport prix/performance pour l’exécution de l’IA a déjà été multiplié par 1 000, et un autre facteur de 1 000 pourrait encore être atteint. Si vous êtes une entreprise qui optimise ses coûts, ce type de gain d’efficacité vous donne une marge de manœuvre considérable pour développer rapidement l’utilisation de l’IA.
L’autre facteur est l’open source, et il est déjà en train de remodeler le jeu. Lorsque DeepSeek a publié son modèle de raisonnement en janvier 2025, il a égalé les performances du benchmark o1 d’OpenAI tout en coûtant 96 % de moins en production. Ce n’était pas non plus sur du matériel de pointe, les restrictions à l’exportation les ayant obligés à utiliser des GPU de niveau inférieur. Malgré cela, le projet a fonctionné et l’action de Nvidia a chuté de 17 % en réaction au marché.
De tels chiffres devraient modifier la façon dont les équipes de direction envisagent les paris technologiques. Un investissement important dans des systèmes fermés n’est pas toujours sûr, car le prochain modèle ouvert peut le surpasser avant même que le retour sur investissement n’arrive à maturité. Cela ne signifie pas qu’il faille abandonner les modèles fermés ou les infrastructures payantes. Cela signifie que votre stratégie d’IA doit être optionnelle. Gardez une voie ouverte pour des outils moins coûteux et plus performants qui ne vous enferment pas dans un système fermé.
Le taux d’auto-perturbation de l’IA complique les décisions à long terme des fournisseurs. La flexibilité n’est plus optionnelle, elle est nécessaire d’un point de vue opérationnel.
Les modèles open source, une force perturbatrice dans l’IA
L’open source est en train de réécrire les règles de l’accessibilité et de la rapidité du développement de l’IA. Il progresse plus vite que prévu et réduit de plus en plus l’écart de performance avec les modèles propriétaires. Ce qui prenait des mois en 2023 prend aujourd’hui des semaines. Ce taux d’amélioration n’est pas théorique, il est documenté. En 2024, le temps moyen nécessaire aux modèles ouverts pour égaler ou dépasser les performances des modèles propriétaires n’était que de 41 jours. En 2023, ce délai était de 140 jours.
La publication de DeepSeek en janvier 2025 a constitué un argument de poids. Leur modèle de raisonnement a égalé le modèle o1 d’OpenAI sur les principaux points de référence, tout en coûtant 96 % de moins à l’exécution. Il ne s’appuyait pas sur des GPU haut de gamme, mais il était tout de même performant. L’action de Nvidia a chuté de 17 %, ce qui montre à quel point les investisseurs prennent au sérieux les changements crédibles en matière de technologie ouverte.
Pourtant, le coût et la rapidité ne sont pas tout. Dans les entreprises en particulier, la confiance est le moteur de l’adoption. Cela inclut la confiance dans la sécurité, la fiabilité, les licences et la viabilité à long terme du modèle. Stefan Weitz, PDG de HumanX, a souligné que les entreprises restent prudentes. Nombre d’entre elles veulent des accords de service, une assistance et des garanties sur l’écosystème, et pas seulement des téléchargements gratuits de modèles. Jager McConnell, PDG de Crunchbase, s’est fait l’écho de ce sentiment. Lorsque de nouveaux outils apparaissent, les clients se demandent « Ai-je confiance ? » avant « Ai-je les moyens de me les offrir ? ».
Pour les dirigeants, il s’agit de considérer l’open source comme une force concurrentielle plutôt que comme une idée marginale. Elle n’est pas réservée aux petits acteurs. Elle produit rapidement des résultats de niveau entreprise. Les entreprises intelligentes intégreront le meilleur de l’open source à des modèles de support stables. C’est ainsi que vous conserverez une grande flexibilité et un faible risque, sans dépassement de budget.
Vulnérabilité des modèles SaaS et logiciels face aux changements de flux de travail induits par l’IA
Les flux de travail des logiciels ne se contentent pas de s’améliorer, ils changent fondamentalement. L’IA générative élimine de nombreuses couches d’interface traditionnelles. La valeur n’est plus dans l’interface utilisateur, mais dans ce qui se trouve derrière. Cette évolution pousse les sociétés SaaS à devenir des services back-end, accessibles par API, tandis que les interactions front-end sont générées ou gérées dynamiquement par des systèmes d’IA.
Jager McConnell, PDG de Crunchbase, a résumé cette transition en ces termes : « Et si un LLM créait simplement l’interface utilisateur dont j’ai besoin pour la chose que j’essaie de faire ? » C’est vers cela que les choses se dirigent. À l’heure actuelle, les agents d’IA interagissent activement avec les systèmes logiciels pour le compte des utilisateurs. Avec l’émergence de protocoles normalisés tels que le Model Context Protocol, l’IA peut interroger les systèmes et générer ce dont les utilisateurs ont besoin sans ouvrir une application ou toucher un écran.
Cette évolution remet en question la manière dont les entreprises SaaS définissent la valeur. Si votre entreprise s’appuie fortement sur l’interface utilisateur comme principal canal d’engagement, la différenciation est menacée. Dans ce nouveau modèle, votre API devient votre produit. L’exécution, le temps de fonctionnement et l’accessibilité des fonctionnalités deviennent rapidement des indicateurs clés, et non pas des flux d’intégration ou un aspect visuel soigné.
Les dirigeants doivent commencer à penser en termes d’API, si ce n’est déjà fait. La couche d’IA réduit la nécessité pour les utilisateurs de « cliquer » sur les logiciels. Au lieu de cela, les utilisateurs commencent à dire aux systèmes ce qu’ils veulent, et la couche d’IA s’en charge. Les entreprises qui veulent survivre doivent aligner leurs produits et leurs modèles de tarification sur cet avenir. Celles qui résisteront se verront dépassées par des outils plus simples à utiliser, plus rapides à intégrer et moins coûteux à exploiter.
L’évolution de la dynamique des équipes de startups et du développement de logiciels
L’IA modifie la structure de fonctionnement des startups. Les équipes sont de plus en plus légères et la productivité individuelle augmente rapidement. Un développeur compétent ayant accès aux bons outils d’IA peut désormais réaliser des performances qui nécessitaient auparavant une équipe d’ingénieurs entière. Il ne s’agit pas d’un scénario futur, c’est déjà le cas dans les cercles de développement de produits en phase de démarrage.
Tomasz Tunguz, partenaire de Theory Ventures, a souligné ce point lors de HumanX, en indiquant que les ratios d’équipe traditionnels, tels que les ingénieurs par rapport aux ventes ou aux produits, ne sont plus valables. Ce changement a des implications sur la manière dont les startups se construisent, se développent et se financent. Le nombre de personnes nécessaires pour parvenir à un prototype fonctionnel ou à un MVP étant réduit, les taux d’épuisement diminuent et les délais se raccourcissent. Les fondateurs peuvent tester plus d’idées, plus rapidement et avec des investissements initiaux moins importants.
Pour les cadres dirigeants et les chefs d’entreprise, cette évolution exige une réévaluation des modèles de recrutement et des mesures de productivité interne. Les grandes équipes ne sont plus un signe de rapidité ou de capacité. L’accent doit être mis sur les acteurs à fort effet de levier qui savent comment utiliser l’IA de manière efficace. L’allocation des ressources doit refléter la vélocité des logiciels, et non les effectifs.
Les effets en aval toucheront le marché du travail, en particulier les entrepreneurs et les postes de développement de niveau intermédiaire. La demande de codeurs expérimentés qui comprennent la conception, l’évolutivité et l’intégration des systèmes demeurera. Mais le travail peu complexe sera de plus en plus pris en charge ou accéléré par l’IA générative. Les dirigeants doivent se préparer à un marché du travail où la différenciation vient de l’adaptabilité et de la maîtrise des machines, et non du volume des effectifs ou de la production manuelle.
L’avantage concurrentiel réside dans des données exclusives et des informations uniques
Dans un environnement où les modèles peuvent être clonés ou mis en libre accès en quelques semaines, les données propriétaires sont ce qui distingue les entreprises. La valeur réelle du déploiement de l’IA à grande échelle ne réside pas dans la construction du modèle, mais dans sa capacité à s’adapter aux données auxquelles seule votre entreprise a accès et à en tirer des enseignements. Si quelqu’un d’autre ne peut pas utiliser vos données, il ne peut pas reproduire vos résultats.
Jager McConnell, PDG de Crunchbase, l’a clairement exprimé : « Si vous disposez de données exclusives auxquelles personne d’autre n’a accès, il est très difficile de me battre au jeu ». C’est là qu’intervient la défendabilité à long terme. Les modèles d’IA généralisent les connaissances, mais les données personnalisent les résultats. Lorsqu’une entreprise applique à un modèle des données spécifiques à un domaine et difficiles à obtenir, elle crée une véritable différenciation. Les concurrents ne peuvent pas copier cela sans reproduire la profondeur, la structure et le contexte des ensembles de données, ce que peu d’entre eux peuvent faire rapidement.
Pour les dirigeants, la conclusion immédiate est la suivante : procédez à un audit de vos données. Comprenez ce que vous avez et que vos concurrents n’ont pas. Investissez dans la structuration et le nettoyage de ces données afin qu’elles soient prêtes à être modélisées. Créez des couches de protection autour des pipelines de données, de la conformité et de la gouvernance. Ne sous-estimez pas la sensibilité des entreprises clientes à l’égard d’une utilisation fiable des données. Des politiques claires en matière de protection de la vie privée et de formation aux modèles peuvent devenir des facteurs de différenciation à part entière.
Dans cette vague à venir, les entreprises qui conserveront les avantages de l’IA sont celles qui peuvent combiner des modèles solides avec des données exclusives, bien gérées et de haute qualité. Tout le reste, l’architecture du modèle, le système d’inférence, et même le talent, peut être égalé. Les données, elles, ne peuvent pas l’être.
Les entreprises expérimentent activement l’IA mais manquent de stratégies cohérentes
La plupart des grandes entreprises qui expérimentent l’IA aujourd’hui le font dans le cadre d’efforts fragmentés, des dizaines, voire des centaines de projets pilotes menés en parallèle par des équipes isolées. Cette approche témoigne d’une certaine excitation, mais pas d’une direction. L’exécution à cette échelle sans stratégie conduit à des résultats déconnectés et à un faible retour sur le temps et le capital.
Stefan Weitz, PDG de HumanX, l’a constaté de visu, soulignant qu’il s’est entretenu avec une entreprise qui menait activement plus de 230 projets pilotes d’IA en même temps, sans feuille de route unifiée. Ce type de déploiement dispersé suggère que les entreprises veulent être perçues comme participant à l’innovation en matière d’IA sans définir clairement ce qu’est le succès ou comment ces projets pilotes sont liés à des résultats commerciaux plus larges.
Le problème n’est pas l’expérimentation, mais le manque de convergence. Si les pilotes ne sont pas alignés sur les objectifs stratégiques, qu’il s’agisse de l’acquisition de clients, de l’efficacité opérationnelle, de la réduction des coûts ou du développement de nouveaux produits, les organisations risquent de s’épuiser en interne et d’être dépassées en externe. Les équipes restent bloquées en mode itération, ne déployant jamais rien d’autre que des démonstrations internes.
Pour les dirigeants, la solution est essentielle mais simple : consolider. Traitez l’IA comme une capacité et non comme une campagne. Définissez où, dans l’organisation, l’IA aura un impact réel, et construisez un cadre central pour prioriser, dimensionner et mesurer ces initiatives. Que ce soit par le biais d’un centre d’excellence interne ou d’une équipe de stratégie d’IA intégrée, l’intégration est ce qui sépare le bruit de l’avantage concurrentiel. L’IA doit être un moteur partagé, et non une liste d’outils déconnectés.
Les applications interdisciplinaires de l’IA apportent des avantages concrets dans le monde réel
Les meilleurs cas d’utilisation de l’IA ne se produisent pas tous au sein de grandes entreprises ou de plateformes logicielles. Certains des développements les plus convaincants proviennent de travaux interdisciplinaires, où des experts dans des domaines tels que les soins de santé, les sciences de l’environnement et les infrastructures publiques appliquent l’IA de manière très ciblée et percutante.
Stefan Weitz a présenté un exemple de TED, où des chercheurs de Caltech se sont associés à des systèmes d’intelligence artificielle pour lutter contre les infections nosocomiales liées aux cathéters. Le résultat n’était pas seulement théorique, il s’agissait d’un produit tangible : une nouvelle conception de cathéter qui empêche activement le déplacement des bactéries grâce à une innovation structurelle élaborée en partie à partir de propositions générées par l’IA. Ce type de résultat est important, rapide, appliqué et pratique.
Ces types de projets reposent souvent sur la collaboration entre les ingénieurs, les chercheurs et les utilisateurs finaux plutôt que sur les équipes de produits technologiques traditionnelles. Lorsque des problèmes à portée étroite rencontrent des ensembles de données précis et des modèles d’IA ciblés, les résultats ne sont pas seulement prometteurs, ils sont transformationnels.
Pour les chefs d’entreprise, il s’agit d’une opportunité plus large : le financement de projets et de partenariats qui réunissent des talents techniques profonds et une expertise spécifique à l’industrie. C’est là que se construisent les nouvelles capacités, celles qui ne se contenteront pas d’optimiser les processus existants, mais les redéfiniront entièrement. Soutenez ces initiatives non seulement pour l’innovation, mais aussi pour l’effet de levier réel qu’elles procurent dans des secteurs qui dépendent encore de calendriers de développement incrémentiels.
L’IA qui permet de réduire le nombre d’hospitalisations, d’atténuer les incendies de forêt ou d’éliminer les inefficacités coûteuses n’apportera pas seulement une victoire morale, elle ouvrira de nouveaux marchés plus rapidement que la R&D interne ne pourra jamais le faire à elle seule. Restez à la pointe de la technologie.
La confiance reste le facteur crucial de l’adoption de l’IA par les entreprises
Sur un marché où les capacités d’IA se développent et évoluent rapidement, la confiance devient la variable la plus importante dans la prise de décision des entreprises. La vitesse, le prix et les fonctionnalités sont importants, mais rien de tout cela n’est adopté à grande échelle si les principales parties prenantes ne font pas également confiance à la solution.
Jager McConnell, PDG de Crunchbase, l’a dit clairement : « Ce qui va guider l’action des clients pendant au moins les cinq prochaines années, c’est la question de savoir à qui je fais confiance ». C’est un signal clair et précis. La confiance dans l’IA ne se limite pas à l’exécution du produit. Elle inclut la fiabilité du fournisseur, les garanties de sécurité, l’alignement réglementaire, la transparence du modèle et le soutien à long terme. Lorsque des options moins chères et plus rapides apparaissent, comme c’est souvent le cas, la première question que posent les clients n’est pas de savoir si les performances sont meilleures. Il s’agit de savoir si le système est sûr, robuste et bien géré.
Le lancement du logiciel libre DeepSeek en janvier 2025 a constitué une réponse performante et peu coûteuse aux modèles propriétaires. Mais le scepticisme n’a pas disparu. Même avec des avantages tangibles en termes de performances, de nombreuses entreprises sont restées fidèles aux fournisseurs existants par manque de confiance dans les origines, la gouvernance ou la fiabilité du nouveau modèle. Vous pouvez vous attendre à ce que ce schéma se répète.
Pour les dirigeants de haut niveau, la confiance n’est pas un vague idéal. C’est un facteur de différenciation commerciale. Les fournisseurs qui démontrent constamment la sécurité des modèles, des droits d’utilisation clairs, des pipelines de formation éthiques et des performances prévisibles sont ceux qui remportent des contrats d’entreprise à long terme. Cela signifie également que les dirigeants qui construisent ou vendent de l’IA doivent intégrer la responsabilité dans chaque aspect de la pile de solutions, des données d’entraînement aux opérations d’inférence.
L’entreprise acheteuse d’aujourd’hui peut expérimenter à grande échelle, mais elle s’engage avec prudence. Si votre stratégie d’IA implique des fournisseurs externes, des clients ou des intégrations, concentrez-vous sur la mise en place de signaux de confiance tangibles : documentation, certifications, audits, accords de niveau de service et assistance humaine. Car dans cet environnement, la confiance ne suit pas le succès, elle le précède.
Récapitulation
L’IA ne ralentit pas, et les personnes qui l’utilisent ne ralentissent pas non plus. La vitesse, l’échelle et l’imprévisibilité de ce qui nous attend ne sont pas des problèmes à résoudre, mais simplement l’environnement dans lequel nous évoluons aujourd’hui. Les cycles du marché changeront, les modèles s’amélioreront et les outils que nous utilisons aujourd’hui deviendront obsolètes plus rapidement que quiconque ne le souhaite.
Pour les dirigeants, le véritable défi n’est pas de choisir entre un système ouvert ou fermé, SaaS ou API, des paris sur des startups ou des fusions-acquisitions. Il s’agit d’être clair, de savoir dans quoi investir, dans quoi ignorer, et où votre organisation peut créer un effet de levier à long terme. Cela commence par la confiance, la possession de vos données et l’intégration d’options dans chaque décision technologique majeure.
Vous n’avez pas besoin de suivre tous les signaux. Mais vous devez construire un système capable de s’adapter lorsque le prochain signal arrive. Les entreprises qui réussiront dans ce cycle ne seront pas seulement rapides, elles seront délibérées, préparées et difficiles à reproduire. Choisissez ce qui est défendable. Déployez ce qui fonctionne. Et lorsque la prochaine vague déferlera, soyez prêt à bouger.
