Anticiper un retournement de l’IA sans paniquer

L’éclatement potentiel de la bulle de l’IA est dû à des modèles économiques non viables

Nous sommes au cœur d’une nouvelle vague d’optimisme technique excessif. À l’heure actuelle, l’intelligence artificielle est considérée comme la nouvelle électricité. Tout le monde veut en profiter. Ce n’est pas nécessairement mauvais, c’est ainsi que le progrès se produit, mais cela crée aussi des distorsions. Des entreprises dont les logiciels fonctionnent à peine lèvent des centaines de millions de dollars sur la base d’idées. C’est une voie sans issue.

Le véritable risque n’est pas que la technologie de l’IA échoue. Ce n’est pas le cas. La GenAI fonctionne bien et continuera à s’améliorer. Le problème est d’ordre financier. Les modèles d’entreprise soutenus par le capital-risque sans voie de revenus claire sont fragiles. Ils reposent sur la conviction que l’échelle finira par les sauver. À un moment donné, quelqu’un doit payer pour le calcul, les données, le talent. S’il n’y a pas de moyen évident de recouvrer ces coûts, le modèle s’effondre, quelle que soit la solidité de la technologie sous-jacente.

C’est ce qui s’est passé lors de l’effondrement des dot-com il y a plus de 20 ans. Les entreprises qui n’avaient pas de véritable produit, mais seulement un pitch deck et une infrastructure fragile, ont été anéanties. Le commerce électronique a survécu, bien sûr. Amazon s’en est sorti plus fort. Mais des dizaines d’autres ont disparu. Ce sont celles qui reposaient sur le battage médiatique qui ont été les premières à disparaître. Le même schéma pourrait se répéter avec l’IA.

Brian Jackson, directeur de recherche principal à l’Info-Tech Research Group, a déclaré : « Le modèle commercial de l’IA aujourd’hui est un modèle fortement subventionné ». Pensez-y. Si le fondement économique est artificiel, la survie devient une question de temps. Pas d’innovation. Ni même de la performance des produits.

Pour les dirigeants, la question est simple : Les outils d’IA sur lesquels vous comptez sont-ils soutenus par des revenus durables ? Ou leur durée de vie est-elle prolongée par des taux d’épuisement et de grandes promesses ? Dans le second cas, vous dépendez de quelque chose qui ne sera peut-être plus là dans six mois.

Les grands géants technologiques diversifiés sont considérés comme les paris les plus sûrs.

Parlons des grands acteurs. Microsoft, Google, Amazon, Apple, IBM, ces entreprises ne vont nulle part. Elles ont intégré l’IA dans leurs écosystèmes, en s’appuyant sur des sources de revenus existantes dans l’infrastructure cloud, les logiciels d’entreprise, le matériel et les publicités. Cette diversification les protège. Si un secteur souffre, un autre prend le relais.

À l’heure actuelle, ces acteurs fixent des prix attractifs pour les services d’IA. Qu’il s’agisse d’une stratégie ou d’un investissement temporaire, peu importe. Ce n’est pas durable. La pile d’IA est coûteuse coûteux. À un moment donné, le modèle commercial passe de la croissance à tout prix au profit à l’échelle. C’est à ce moment-là que vos structures de coûts changent, rapidement. Les DSI doivent s’attendre à des augmentations de prix par défaut.

Brian Jackson, d’Info-Tech, prévient qu’il s’agira d’un « changement de modèle d’entreprise ». C’est le terme utilisé par l’industrie technologique pour désigner le rétablissement des marges. Traduction : la phase expérimentale bon marché se termine. La phase stable, centrée sur l’entreprise, commence. Et cette phase devient coûteuse.

Si votre entreprise crée des produits ou des flux de travail qui dépendent d’API d’IA générative à faible coût, il est temps de prendre du recul et de faire des calculs sur la base de nouvelles hypothèses. Que se passe-t-il lorsque les coûts augmentent de 3 à 5 fois ? Les outils offrent-ils toujours un retour sur investissement ?

Le bon côté des choses, c’est que les grandes technologies ne disparaîtront pas. Un partenariat avec des entreprises de grande taille vous assure une certaine continuité. Mais cela leur donne aussi un effet de levier. Vous devez concevoir des options, prévoir la possibilité de changer de modèle, de renégocier les conditions ou de réduire vos dépendances. En effet, lorsque la technologie demeure mais que les prix explosent, votre flexibilité devient votre stratégie de survie.

Les petits fournisseurs spécialisés dans l’IA pourraient résister à la tempête

La plupart des startups spécialisées dans l’IA ne sont pas conçues pour durer. Le marché est saturé d’entreprises qui semblent intéressantes aujourd’hui mais qui ne survivront pas lorsque les financements se tariront. Il y a des exceptions, et ce sont celles qui se concentrent sur des cas d’utilisation très spécifiques. Les entreprises qui résolvent clairement un problème et qui le font mieux que quiconque. Il ne s’agit pas de plateformes à usage général. Pas une autre API de chatbot. Pensez à des fonctions étroitement liées avec une valeur mesurable.

Ricardo Carreon, responsable de la technologie chez Almacenes Distribuidores de la Frontera, l’a clairement souligné : « Parmi les petites entreprises, il y en a qui font des choses spécialisées, comme la genAI pour le juridique ou l’aérospatial… Tant qu’ils résolvent un problème étroit et que ce créneau est intéressant, ils peuvent avoir beaucoup de succès.

Son point de vue est essentiel. Les entreprises qui survivront ne seront pas les plus bruyantes. Il s’agira d’opérateurs discrets opérant dans des secteurs que la plupart des investisseurs en capital-risque ne comprennent pas entièrement. Si elles développent une technologie qui résout un réel problème, qui offre un retour sur investissement élevé à un type de client particulier et que le marché n’est pas envahi par les imitateurs, elles peuvent prospérer, même lors d’un bouleversement plus large.

Les DSI doivent mieux identifier les partenaires qui entrent dans cette catégorie. Vous ne misez pas sur la taille, mais sur la pertinence. Évaluez vos fournisseurs et vos fournisseurs d’IA en fonction du problème qu’ils résolvent et en vous demandant si quelqu’un d’autre peut le faire mieux qu’eux. Si votre partenaire en IA apporte une valeur unique à une fonction cruciale, l’approvisionnement, l’automatisation des documents juridiques, le risque de conformité, continuez à investir. S’il prétend pouvoir « servir tous les secteurs et tous les cas d’utilisation », il est temps de réévaluer la situation.

Les vendeurs spécialisés n’ont pas le filet de sécurité d’un revenu diversifié. Ce qu’ils ont, c’est la concentration. C’est leur levier de survie.

Les DSI doivent évaluer et atténuer la dépendance à l’égard des modèles d’IA externes.

Beaucoup d’équipes d’entreprises ne savent pas à quel point elles dépendent d’un seul modèle d’IA jusqu’à ce que quelque chose se brise. Il s’agit là d’un dangereux angle mort. Qu’il s’agisse de GPT d’OpenAI, de Gemini de Google ou de Claude d’Anthropic, si vos systèmes sont trop liés à l’API ou au modèle de tarification d’un fournisseur, vous êtes désavantagé.

Les DSI intelligents font déjà le travail. Ils réalisent des audits internes pour cartographier les dépendances et tester sous pression la facilité avec laquelle leurs solutions peuvent s’adapter à de nouveaux modèles. Cela signifie qu’il faut construire des systèmes modulaires, découpler les applications du comportement spécifique au modèle et créer une infrastructure capable de se recharger, de se reformer ou de se réorienter en cas de besoin.

Srini Pagidyala, cofondateur de la plateforme d’IA Aigo.ai, le dit clairement : testez maintenant ou risquez de perdre le contrôle plus tard. Les entreprises devraient profiter de cette fenêtre pour remplacer ou réacheminer des éléments de leur pipeline, simplement pour connaître la résilience réelle de leur architecture. Une fois les modèles échangés et les flux de travail testés à nouveau, la plupart des entreprises découvrent qu’elles ne sont pas aussi agiles qu’elles le pensaient.

Kjell Carlsson, VP Analyst chez Gartner, reconnaît le besoin de flexibilité des modèles, mais prévient que « le passage d’un modèle à un autre est beaucoup plus douloureux que cela ». Rediriger un appel API semble facile en théorie, mais en pratique, vous devez reconstruire le code, revalider la logique et absorber les frais généraux liés aux tests, à l’intégration et aux temps d’arrêt.

Voici ce que cela signifie pour les dirigeants : N’attendez pas qu’un modèle disparaisse ou qu’une structure tarifaire change pour découvrir que vous êtes trop engagé. La solution n’est pas d’éviter les modèles externes, mais de se prémunir contre un engagement excessif. La résilience à long terme dépend de l’assurance que vos déploiements d’IA sont tout aussi interchangeables et modulaires que le reste de votre pile.

Poussez vos équipes à tester. Si elles ne peuvent pas changer de modèle sans réécrire la moitié de l’application, il faut changer quelque chose.

Les modèles d’IA open source offrent des avantages en termes de contrôle et de coûts, mais introduisent une complexité juridique et opérationnelle.

L’élan l’IA en code source ouvert, pour une bonne raison. à code source ouvert. Elle permet aux entreprises de mieux contrôler les données, l’infrastructure et l’intégration. Lorsque vous construisez sur des modèles open-source, vous n’attendez pas la feuille de route de quelqu’un d’autre. Vous déployez sur votre propre matériel, exécutez vos propres mises à jour et conservez vos données au sein de votre écosystème. C’est important à l’échelle de l’entreprise.

Ricardo Carreon, responsable de la technologie chez Almacenes Distribuidores de la Frontera, le dit clairement : « En construisant sur la base d’un modèle open-source, vous pouvez vous approprier votre avenir. Vous pouvez le déployer dans votre infrastructure et avoir un contrôle total sur vos données ». Pour de nombreuses organisations, en particulier celles qui sont soumises à des exigences réglementaires ou de souveraineté, ce type de contrôle est essentiel.

Mais l’open source n’est pas synonyme d’absence de friction. Il est faux de croire qu’il s’agit d’une technologie libre sans aucune contrainte. Brian Jackson, directeur de recherche principal à l’Info-Tech Research Group, met en garde : « L’open source n’est pas un laissez-passer pour tout et n’importe quoi ». Selon lui, les entreprises doivent être prudentes quant aux risques liés à l’octroi de licences. Certains modèles n’autorisent pas certains types de dérivés commerciaux sans redevances. Concrètement, cela signifie que vous pourriez créer quelque chose de précieux et finir par payer le propriétaire du modèle original pour l’exploiter ou le distribuer.

En outre, les frais généraux d’exploitation sont réels. Les projets open source manquent souvent d’une documentation ou d’une assistance de niveau entreprise. Vous aurez besoin de votre propre équipe pour les gérer. Ce n’est pas un obstacle, c’est simplement une exigence. Vous devez être prêt à assumer la pleine responsabilité du projet.

Il y a aussi l’imprévisibilité juridique. Les récentes batailles juridiques concernant le contrôle de WordPress nous rappellent que les projets communautaires ne sont pas à l’abri des litiges entre entreprises. Les dirigeants d’entreprise doivent savoir d’où viennent les contributions, qui détient la propriété intellectuelle et si l’on peut faire confiance à la gouvernance à long terme.

Si vous voulez avoir un contrôle total, l’open source est une voie légitime. Mais pour emprunter cette voie de manière responsable, il faut faire preuve de diligence juridique, disposer d’équipes compétentes et d’une stratégie architecturale claire. Sans ces éléments, vous ne réduisez pas les risques, vous ne faites que les déplacer.

Une préparation proactive à un ajustement du marché de l’IA procure un avantage stratégique

Se préparer à une perturbation ne consiste pas seulement à survivre à des scénarios défavorables. Il s’agit d’améliorer l’exécution avant que le marché ne l’exige. Les entreprises qui considèrent les tests de dépendance, l’évaluation des fournisseurs et l’audit de déploiement comme des pratiques standard, et non comme un nettoyage réactionnel, acquièrent des avantages structurels plus rapidement que leurs concurrents.

Prenez la conversation actuelle sur l’effondrement potentiel du marché de l’IA. Nous ne savons ni quand ni si cela se produira. Cela n’a pas d’importance. Ce qui compte, c’est de savoir si vos systèmes peuvent continuer à fonctionner si votre principal fournisseur de modèles disparaît, change de prix ou modifie ses priorités. Si la réponse est négative, vous êtes exposé. Vous pouvez l’éviter.

Brian Jackson, de l’Info-Tech Research Group, l’a bien dit : si OpenAI devait faire faillite demain, le fait de travailler avec des fournisseurs d’IA diversifiés et de construire des applications autour de modèles que vous contrôlez rendrait vos systèmes résilients. En planifiant dès maintenant, vous assurez la continuité, quoi qu’il arrive.

Il s’agit également d’une question d’effet de levier. Lorsque vous savez quels systèmes dépendent d’API externes et à quel point ces dépendances vous enferment, vous pouvez négocier des contrats avec plus de confiance. La possibilité de dire « Nous n’avons pas besoin de vous, ce système peut fonctionner sans votre pile » modifie l’équilibre. Il ne s’agit pas de s’en aller. Il s’agit d’être capable de le faire.

Au-delà des négociations, il existe une valeur interne. L’exécution d’expériences sur la flexibilité et la dépendance des fournisseurs aide les équipes techniques à découvrir les goulets d’étranglement architecturaux, les possibilités d’optimisation et à améliorer la documentation. Vous ne vous préparez pas seulement à un effondrement. Vous devenez plus intelligent dans le fonctionnement de votre infrastructure d’IA.

Vous vous positionnez également pour évoluer plus rapidement. Les organisations qui comprennent leur combinaison de modèles, leur exposition aux coûts et leur tolérance aux changements peuvent agir plus rapidement lorsque le marché offre de nouvelles capacités. Dès qu’un meilleur modèle apparaît, plus rapide, moins cher ou plus précis, vous pouvez l’adopter sans refonte coûteuse.

Aucune crise n’est nécessaire. Il suffit d’une meilleure visibilité et d’une meilleure exécution. C’est cela, un bon leadership. C’est construire l’avenir avec détermination.

Principaux enseignements pour les dirigeants

• Évaluez dès maintenant les modèles commerciaux des fournisseurs d’IA : De nombreuses startups d’IA fonctionnent sur des modèles non viables, financés par le capital-risque, sans chemin clair vers la rentabilité. Les dirigeants devraient examiner la viabilité financière de leurs partenaires en matière d’IA afin d’éviter toute perturbation due à un retrait soudain du marché.
• Attendez-vous à une pression sur les prix de la part des grands fournisseurs d’IA : Si les grands fournisseurs comme Microsoft et Google offrent une certaine stabilité, il est peu probable que leurs prix actuels perdurent. Les dirigeants doivent se préparer à des hausses de coûts et évaluer si les déploiements d’IA continueront à générer un retour sur investissement à grande échelle.
• Les fournisseurs d’IA de niche peuvent être fiables si leur valeur est ciblée : Tous les petits fournisseurs ne sont pas en danger, ceux qui offrent une valeur profonde dans des cas d’utilisation spécifiques peuvent survivre et se développer. Les dirigeants doivent identifier les fournisseurs qui résolvent de manière unique les problèmes fondamentaux des entreprises et évaluer leur position à long terme en conséquence.
• Éliminez le risque d’enfermement dans un modèle d’IA : Une dépendance excessive à l’égard d’un seul modèle d’IA limite l’agilité et augmente le risque opérationnel. Les DSI devraient donner la priorité à la conception de systèmes qui permettent des transitions en douceur entre des modèles tels que GPT, Gemini et Claude.
• L’IA open source offre un contrôle mais nécessite une diligence raisonnable : Les modèles open source offrent aux entreprises une liberté de déploiement et de données, mais ils s’accompagnent d’une complexité juridique et opérationnelle. Les dirigeants doivent mettre en place des garanties juridiques et techniques avant de s’engager.
• La préparation permet d’obtenir des avantages, quelle que soit l’issue du marché : Tester les dépendances, les scénarios de tarification et les modèles alternatifs permet aux entreprises d’avoir un effet de levier dans les négociations et de résister aux perturbations. L’évaluation proactive doit être systématique et non réactive.