La progression ne se limite plus à produire du texte ou des images
La progression récente de l'intelligence artificielle ne se résume plus à des réponses mieux rédigées ou à des images plus réalistes. Les modèles les plus avancés peuvent désormais enchaîner des opérations, utiliser des outils, parcourir des fichiers, modifier du code, effectuer des recherches et poursuivre un objectif au travers d'une succession d'étapes.
Cette évolution est particulièrement visible dans le développement logiciel, où les systèmes peuvent prendre en charge des tâches qui dépassent largement la simple génération de quelques lignes de code. Les évaluations menées par METR montrent une augmentation rapide de la durée et de la complexité des tâches que les agents sont capables d'accomplir avec un niveau de réussite donné.
Sur son indicateur de « time horizon », qui mesure la durée qu'une tâche demanderait à un expert humain lorsqu'un agent dispose de 50 % de chances de la réussir, METR observait historiquement un doublement approximatif tous les sept mois. En 2026, les modèles les plus avancés ont commencé à atteindre les limites de certains benchmarks utilisés pour mesurer cette progression, au point de rendre leur évaluation plus difficile.
Il faut cependant interpréter ce résultat avec précaution. Ces évaluations portent principalement sur des tâches de développement logiciel, d'apprentissage automatique et de cybersécurité, avec des objectifs relativement bien définis. Elles ne signifient pas qu'un modèle peut remplacer un professionnel pendant plusieurs heures dans n'importe quel métier ou conduire seul un projet réel de même durée.
Les agents peuvent désormais accomplir certaines tâches qui demandaient des heures ou des jours
Le changement devient néanmoins difficile à réduire à une simple amélioration marginale. Dans son rapport publié en mai 2026, METR indique que les agents les plus performants évalués au début de l'année étaient capables de mener à bien certains projets logiciels qui auraient demandé des heures ou des jours de travail humain. Sur une première version d'un autre benchmark, MirrorCode, certains systèmes ont même réussi des tâches de réimplémentation logicielle estimées à plusieurs semaines de travail humain.
Cela ne signifie pas qu'ils savent désormais réaliser de manière autonome plusieurs semaines de travail professionnel ordinaire. Les tâches évaluées sont précisément définies et leur résultat peut être vérifié. Dès que l'environnement devient moins cadré, que les critères de réussite deviennent plus difficiles à mesurer ou qu'une décision demande davantage de jugement, les performances diminuent.
Plus capables ne signifie toujours pas également fiables
C'est l'une des particularités de la situation actuelle. Les capacités progressent très rapidement sans que la fiabilité progresse nécessairement au même rythme dans tous les domaines. Un même système peut réussir une tâche technique complexe puis échouer sur une étape apparemment plus simple, mal interpréter une consigne ou produire un résultat convaincant mais incorrect.
Les travaux de METR illustrent précisément cet écart. Les agents évalués en 2026 se montrent particulièrement performants lorsque les tâches sont vérifiables et bien définies, mais leurs résultats restent nettement moins solides sur des problèmes plus ambigus ou nécessitant davantage de jugement. Les capacités de l'IA restent donc très inégales selon la nature du travail demandé.
Cette distinction est essentielle pour comprendre la suite de la course. L'industrie ne cherche plus seulement à produire des modèles capables de générer de meilleurs contenus. Elle cherche à augmenter leur capacité à raisonner, utiliser des outils, agir plus longtemps et accomplir des tâches de plus en plus complexes avec moins d'intervention humaine.
Le progrès existe donc bien, mais il ne raconte qu'une partie de l'histoire
Il serait difficile de soutenir que les capacités sont simplement stagnantes : sur plusieurs catégories de tâches mesurables, la progression est rapide et documentée. Mais cette progression ne signifie ni que toutes les limites ont disparu, ni que chaque génération rend immédiatement la précédente inutile.
C'est précisément là que commence le paradoxe de ce dossier. Alors que les systèmes disponibles savent déjà accomplir des tâches qui étaient hors de leur portée quelques années auparavant, les principaux acteurs continuent d'investir pour aller beaucoup plus loin. Cette recherche de capacités supplémentaires entraîne une augmentation considérable des besoins en calcul, en infrastructures et en capitaux.
La question suivante n'est donc plus seulement de savoir si l'IA progresse, mais pourquoi cette progression nécessite désormais une course industrielle d'une telle ampleur.
Pourquoi la course à la puissance continue
La puissance supplémentaire continue encore d'améliorer les capacités
La course actuelle ne repose pas uniquement sur l'idée qu'un modèle plus grand serait automatiquement meilleur. Elle repose sur un constat plus large : augmenter les ressources consacrées à l'entraînement, améliorer les architectures et permettre aux modèles d'utiliser davantage de calcul lorsqu'ils répondent continuent, dans de nombreux cas, à produire des gains de capacités.
Le calcul intervient désormais à plusieurs moments. Il est nécessaire pour entraîner les modèles, mais aussi de plus en plus au moment de leur utilisation. Les modèles capables de raisonner peuvent consacrer davantage de calcul à certains problèmes complexes, multiplier les étapes intermédiaires, utiliser des outils ou vérifier une partie de leur travail avant de produire une réponse.
Cela modifie la logique de la course. Il ne s'agit plus seulement de construire une fois un modèle extrêmement coûteux puis de le faire fonctionner à faible coût. Une partie de l'amélioration des performances peut également dépendre des ressources mobilisées à chaque utilisation. L'entraînement et l'inférence deviennent ainsi deux sources distinctes de demande en puissance de calcul.
Les gains deviennent particulièrement importants lorsque l'IA peut agir plus longtemps
Cette puissance supplémentaire est recherchée parce que l'objectif des acteurs de l'IA a lui-même évolué. Produire une réponse correcte à une question isolée n'est plus la seule référence. Les systèmes sont progressivement utilisés comme des agents capables d'enchaîner des actions, de revenir sur leurs erreurs, d'interroger des outils et de poursuivre une tâche jusqu'à son achèvement.
Les mesures de METR montrent que la durée des tâches que les systèmes de pointe peuvent accomplir avec un niveau de réussite donné a fortement progressé. Pour les modèles publics sortis depuis 2024, METR estimait en 2026 une tendance correspondant à un doublement du « time horizon » environ tous les 105 jours. Cette mesure reste limitée à des environnements principalement techniques et bien définis, mais elle montre pourquoi quelques gains supplémentaires peuvent avoir des conséquences importantes : ils ne produisent pas seulement une meilleure réponse, ils peuvent permettre au système de mener à terme une tâche plus longue et plus complexe.
C'est l'une des raisons pour lesquelles les développeurs continuent à rechercher des capacités supplémentaires même lorsque les modèles existants semblent déjà très performants. Le passage d'un système capable d'aider ponctuellement sur une tâche à un système capable d'en prendre en charge une succession complète peut représenter un changement beaucoup plus important qu'une simple amélioration de quelques points sur un benchmark.
La compétition entre les acteurs entretient elle aussi l'accélération
À cette dynamique technique s'ajoute une dynamique industrielle. Lorsqu'un acteur améliore fortement les capacités, le coût ou la vitesse de ses modèles, ses concurrents doivent décider s'ils peuvent se permettre de ralentir. Les laboratoires d'IA, les fournisseurs de cloud et les fabricants de composants sont ainsi engagés dans une compétition où les capacités disponibles aujourd'hui comptent, mais où la capacité à entraîner et exploiter les générations suivantes devient elle-même stratégique.
Cette compétition rend difficile un arrêt volontaire de la course à la puissance. Même lorsqu'un modèle existant pourrait suffire à de nombreux usages, un acteur qui renoncerait à développer la génération suivante prendrait le risque de laisser un concurrent obtenir de meilleures performances, réduire ses coûts ou ouvrir des usages encore impossibles avec les systèmes actuels.
Mais davantage de calcul n'est pas une garantie de progrès proportionnel
La relation entre puissance de calcul et performance n'est cependant ni simple ni illimitée. Donner davantage de ressources à un modèle peut améliorer certains résultats sans produire le même gain partout. Des travaux ont même identifié des situations dans lesquelles laisser un modèle raisonner plus longtemps dégrade ses performances, par exemple lorsqu'il se laisse détourner par des informations non pertinentes ou s'enferme dans une mauvaise interprétation du problème.
La course ne consiste donc déjà plus simplement à empiler toujours davantage de calcul. Elle porte aussi sur l'efficacité des architectures, la qualité des données, les méthodes d'entraînement, les outils mis à disposition des agents et la manière d'utiliser le calcul au moment où il apporte réellement un gain.
La question devient alors autant industrielle que technologique
Tant que des ressources supplémentaires permettent d'ouvrir de nouvelles capacités, la recherche de puissance conserve une logique technique. Mais poursuivre cette trajectoire à grande échelle nécessite désormais bien davantage que des algorithmes : il faut produire et acheter des puces, construire des centres de données, les alimenter en électricité, les refroidir et financer leur fonctionnement.
C'est à ce niveau que la progression spectaculaire de l'IA rencontre une réalité beaucoup plus physique. Un modèle est logiciel, mais la puissance nécessaire pour l'entraîner et le faire fonctionner ne l'est pas. Plus la course s'accélère, plus elle dépend d'infrastructures industrielles capables de suivre son rythme.
La question n'est donc plus seulement de savoir jusqu'où les modèles peuvent progresser. Il faut également déterminer jusqu'où l'infrastructure nécessaire à cette progression peut elle-même s'étendre.
Ce que cette expansion exige en infrastructures
La progression de l'IA se matérialise désormais dans des infrastructures gigantesques
Derrière les modèles accessibles depuis un navigateur se trouve une infrastructure de plus en plus lourde. Entraîner les systèmes les plus avancés, puis les faire fonctionner pour des millions d'utilisateurs, nécessite des milliers de processeurs spécialisés reliés entre eux, des réseaux à très haut débit, des capacités de stockage importantes et des centres de données capables d'alimenter et de refroidir l'ensemble en continu.
L'évolution des équipements montre le changement d'échelle. Les nouvelles plateformes destinées à l'IA ne sont plus seulement pensées autour d'un processeur ou même d'un serveur, mais à l'échelle du rack puis de groupes entiers de racks fonctionnant comme un seul système. La plateforme Vera Rubin de Nvidia, entrée en production en 2026, illustre cette évolution : sa configuration POD peut réunir plus d'un millier de GPU au sein d'un même ensemble informatique.
Cette concentration répond directement aux nouveaux usages. Les modèles doivent être entraînés, affinés, évalués puis utilisés à grande échelle, tandis que les systèmes agentiques peuvent multiplier les opérations nécessaires pour accomplir une seule tâche. L'infrastructure doit donc suivre non seulement l'augmentation du nombre d'utilisateurs, mais aussi celle du calcul consommé par certains usages.
L'électricité devient l'une des principales contraintes de cette expansion
Cette infrastructure a une conséquence immédiate : elle consomme de l'électricité. Selon l'Agence internationale de l'énergie, les centres de données ont consommé environ 485 TWh d'électricité dans le monde en 2025. Dans son scénario central, cette consommation atteindrait environ 950 TWh en 2030, soit presque un doublement en cinq ans et environ 3 % de la consommation mondiale d'électricité.
Toute cette hausse ne provient pas de l'intelligence artificielle. Les centres de données hébergent également le cloud, les services numériques classiques, le stockage et de nombreux autres usages. Mais la consommation des centres spécifiquement orientés vers l'IA progresse beaucoup plus rapidement : l'AIE prévoit qu'elle pourrait tripler entre 2025 et 2030.
Le problème n'est d'ailleurs pas uniquement la quantité totale d'électricité disponible à l'échelle mondiale. Les centres de données se concentrent dans certaines régions et peuvent demander une puissance considérable au même endroit. Un réseau électrique peut donc rencontrer des difficultés locales bien avant qu'une pénurie globale d'électricité existe.
Le réseau électrique ne peut pas progresser au rythme d'un processeur
C'est ici qu'apparaît un décalage important entre l'industrie numérique et les infrastructures qui doivent la soutenir. Un centre de données peut être construit en quelques années, alors que de nouvelles lignes électriques, centrales, postes de transformation ou capacités de raccordement nécessitent souvent des délais beaucoup plus longs.
Ce décalage est déjà visible aux États-Unis. Dans la zone couverte par PJM, l'un des plus grands réseaux électriques du pays, la demande liée aux centres de données devrait fortement augmenter d'ici 2030. Leur développement est devenu suffisamment important pour que le gestionnaire du réseau cherche désormais à mieux recenser ces installations et à anticiper leur consommation.
L'expansion de l'IA dépend donc d'une infrastructure qui dépasse largement l'industrie informatique. Produire davantage de GPU ne suffit pas si les centres qui doivent les accueillir ne peuvent pas être raccordés assez rapidement, si le réseau ne peut pas transporter l'électricité nécessaire ou si de nouvelles capacités de production ne sont pas disponibles au bon endroit.
La course porte aussi sur l'efficacité, pas seulement sur la consommation
Cette augmentation des besoins ne signifie cependant pas que chaque nouvelle génération de matériel consomme davantage pour accomplir la même tâche. Une part importante de la compétition technologique consiste au contraire à obtenir davantage de calcul utile pour chaque unité d'énergie consommée.
Les fabricants travaillent simultanément sur les processeurs, la mémoire, les interconnexions, les méthodes de refroidissement et l'organisation complète des centres de données. Nvidia affirme par exemple que sa génération Vera Rubin améliore fortement les performances par watt par rapport à la génération précédente. Les progrès logiciels peuvent eux aussi réduire la quantité de calcul nécessaire pour obtenir un même résultat.
Cette efficacité est essentielle, mais elle ne garantit pas une diminution de la consommation totale. Si le coût d'une tâche baisse tandis que le nombre de modèles, d'utilisateurs et d'opérations augmente encore plus rapidement, la demande globale peut continuer à progresser malgré des systèmes individuellement plus efficaces.
L'IA entre ainsi dans une phase où sa croissance dépend du monde physique
La course à l'IA ne se joue donc plus uniquement dans les laboratoires. Elle dépend désormais de chaînes d'approvisionnement en composants, de capacités industrielles, de terrains, de centres de données, de réseaux électriques, de production d'énergie et de capitaux capables de financer ces infrastructures avant même de connaître précisément les revenus qu'elles généreront.
Cela ne signifie pas que cette expansion va nécessairement s'arrêter. Les investissements restent considérables et de nouvelles infrastructures continuent d'être annoncées et construites. Mais une différence fondamentale apparaît avec les premières années de l'IA générative : augmenter les capacités nécessite désormais de résoudre simultanément des problèmes technologiques, industriels, énergétiques et financiers.
C'est précisément à cet endroit que commencent à apparaître les premières tensions. Certains projets avancent, d'autres sont redimensionnés ou retardés, tandis que le coût du financement et la question du retour sur investissement prennent une importance croissante.
Les premières limites économiques et opérationnelles
Le problème n'est plus seulement de financer l'expansion, mais de justifier son rendement
Les investissements consacrés à l'intelligence artificielle continuent d'augmenter, mais la manière dont ils sont financés et évalués commence à changer. Tant que les principaux acteurs pouvaient financer une grande partie de leurs infrastructures grâce à leurs propres flux de trésorerie, la course pouvait principalement être lue comme un pari industriel de très long terme.
L'ampleur prise par les besoins en centres de données, en processeurs et en énergie modifie progressivement cette équation. Une partie croissante de l'infrastructure repose désormais sur de la dette, des contrats de très longue durée et des montages financiers dont la rentabilité dépend d'une demande en calcul qui doit rester élevée pendant des années.
En 2026, cette question est devenue plus visible sur les marchés financiers. Les acteurs dont l'expansion repose fortement sur la dette et sur des engagements de long terme sont davantage exposés aux interrogations sur le rythme de construction des centres de données, leur taux d'utilisation futur et les revenus nécessaires pour rentabiliser ces infrastructures.
Cela ne signifie pas que les investissements dans l'IA sont devenus non rentables ou qu'un retournement général est engagé. Les grands fournisseurs de cloud continuent au contraire de défendre la solidité de la demande. Mais une nouvelle question accompagne désormais chaque investissement massif : les revenus futurs progresseront-ils suffisamment vite pour rémunérer les infrastructures construites aujourd'hui ?
Dans les entreprises, disposer d'une IA performante ne suffit pas à créer de la valeur
Une limite différente apparaît chez les organisations qui utilisent ces technologies. Le modèle peut fonctionner correctement et le projet échouer malgré tout. Il faut encore disposer de données exploitables, intégrer l'outil aux logiciels et aux processus existants, contrôler ses résultats, former les équipes et déterminer précisément ce que son utilisation améliore.
Les données publiées par Gartner en 2026 montrent l'ampleur de cet écart. Au moins la moitié des projets d'IA générative avaient été abandonnés après leur phase de preuve de concept à la fin de 2025, notamment en raison de données insuffisantes, de coûts croissants, de contrôles de risque inadaptés ou d'une valeur économique difficile à démontrer.
Ce taux d'abandon montre que la difficulté ne se situe plus seulement dans l'accès à la technologie. Elle apparaît aussi au moment de transformer une expérimentation prometteuse en un usage suffisamment fiable, intégré et rentable pour être déployé durablement.
Les usages les plus ambitieux rencontrent plus rapidement les limites de fiabilité
Le problème devient particulièrement visible lorsque l'on demande à l'IA non plus d'assister un utilisateur, mais d'agir seule sur des processus complexes. Plus une tâche comporte d'étapes, d'exceptions, de décisions ou de conséquences difficiles à annuler, plus une erreur intermédiaire peut compromettre le résultat final.
Dans les infrastructures informatiques, Gartner indiquait en avril 2026 que seulement 28 % des cas d'usage étudiés atteignaient pleinement leurs objectifs de retour sur investissement, tandis que 20 % échouaient. Les difficultés étaient notamment observées sur les ambitions d'auto-réparation des systèmes et de gestion de workflows par des agents, lorsque les capacités réelles de l'IA avaient été surestimées.
Cela ne remet pas en cause les usages qui fonctionnent déjà. Les mêmes enquêtes montrent au contraire que des résultats positifs apparaissent lorsque l'IA est intégrée à des processus clairement définis et associée à un objectif mesurable. La limite semble donc moins être l'absence de valeur de la technologie que l'écart entre ce qu'on lui demande et les conditions dans lesquelles elle peut aujourd'hui fonctionner de manière suffisamment fiable.
Une technologie peut progresser très vite tout en rencontrant des limites économiques
C'est un point essentiel pour lire la situation actuelle. Une difficulté financière, un projet abandonné ou un retour sur investissement décevant ne signifie pas nécessairement que la technologie cesse de progresser. À l'inverse, des modèles toujours plus capables ne garantissent pas que toutes les infrastructures construites pour les exploiter seront rentables.
Les deux phénomènes peuvent parfaitement coexister : les capacités techniques continuent d'augmenter tandis que certains modèles économiques, certains projets d'infrastructure ou certains usages se révèlent trop coûteux, prématurés ou mal adaptés.
C'est précisément ce qui rend la période actuelle intéressante. La première phase de l'IA générative était principalement marquée par la découverte de nouvelles capacités. La suivante oblige davantage à déterminer lesquelles méritent réellement d'être industrialisées, à quel coût et avec quel niveau de risque.
Projets ralentis, réduits ou abandonnés : que montrent les reculs ?
La première limite visible n'est pas la demande, mais la capacité à construire assez vite
Les premiers ralentissements observés dans l'expansion de l'IA ne traduisent pas nécessairement une baisse de la demande. Dans de nombreux cas, les projets se heurtent d'abord à une difficulté beaucoup plus concrète : transformer des milliards de dollars d'investissements en centres de données réellement opérationnels.
En 2026, Amazon, Microsoft, Alphabet et Meta devraient consacrer à eux seuls environ 630 milliards de dollars aux centres de données et aux équipements nécessaires à l'IA, selon des estimations de Morgan Stanley rapportées par Reuters. En élargissant aux onze principaux fournisseurs de cloud et d'infrastructures, les dépenses prévues atteindraient environ 811 milliards de dollars.
Mais disposer du capital ne suffit plus. Les projets doivent obtenir des terrains et des autorisations, être raccordés au réseau électrique, recevoir des transformateurs et des équipements de refroidissement, puis intégrer des générations de puces qui évoluent parfois plus vite que les bâtiments conçus pour les accueillir.
Une partie des retards actuels vient donc d'un paradoxe : l'industrie dispose d'une demande et de budgets considérables, mais le monde physique dans lequel cette puissance doit être installée ne peut pas nécessairement progresser au même rythme.
L'accès à l'électricité commence à modifier directement certains projets
La contrainte énergétique n'est plus théorique. Aux États-Unis, les demandes de raccordement de très grands centres de données atteignent dans certaines régions des niveaux que les réseaux existants ne peuvent pas absorber sans nouvelles capacités de production et de transport.
Dans la zone couverte par PJM, qui alimente environ 67 millions de personnes, la consommation des centres de données pourrait tripler pour atteindre environ 29 GW en 2030. La pression est devenue suffisamment forte pour que le gestionnaire du réseau mette en place un registre spécifique permettant de connaître leur localisation, leur calendrier de mise en service et leur montée en puissance.
PJM avait également proposé que certains nouveaux centres de données puissent être temporairement privés d'alimentation lors de situations critiques s'ils n'apportaient pas eux-mêmes suffisamment de nouvelles capacités électriques. Le régulateur fédéral américain a rejeté cette partie du dispositif en octobre 2026, tout en laissant la possibilité à PJM de présenter une nouvelle proposition.
Le simple fait qu'une telle mesure soit désormais discutée montre le changement d'échelle. La disponibilité des processeurs n'est plus la seule variable déterminante : l'accès garanti à plusieurs centaines de mégawatts, voire davantage, peut désormais décider du calendrier et de la viabilité d'un projet.
Certains acteurs commencent donc à produire leur propre énergie
Face aux délais de raccordement, plusieurs groupes cherchent à contourner le problème en sécurisant directement de nouvelles capacités de production. En octobre 2026, American Electric Power a par exemple annoncé environ 4 milliards de dollars d'investissements dans un projet de piles à combustible de 702 MW destiné à alimenter Google dans le Wyoming dans le cadre d'un contrat de vingt ans.
xAI a choisi une autre voie pour alimenter rapidement ses infrastructures. Pour son projet Colossus 2 dans la région de Memphis, l'entreprise a installé des dizaines de turbines à gaz afin de disposer de capacités électriques hors réseau. Cette stratégie a cependant entraîné un conflit réglementaire et environnemental sur les autorisations et les émissions de ces installations.
Ces exemples ne montrent donc pas un arrêt de l'expansion. Ils montrent au contraire jusqu'où certains acteurs sont prêts à aller pour la poursuivre. Mais ils révèlent aussi que construire de la capacité informatique supplémentaire peut désormais nécessiter de résoudre directement un problème de production d'énergie.
Le risque financier augmente lorsque les infrastructures sont engagées pour des décennies
Une autre contrainte apparaît moins directement dans les chantiers : une partie considérable des capacités futures est déjà contractualisée. Une analyse des documents financiers réalisée par Reuters en août 2026 montre que Microsoft, Meta, Oracle, Amazon et Alphabet avaient ensemble environ 1 090 milliards de dollars d'engagements futurs liés à des contrats de location n'ayant pas encore commencé, principalement pour des centres de données.
Ces montants ne correspondent pas à 1 090 milliards de dollars de dette immédiatement exigible. Il s'agit de paiements contractuels étalés sur de nombreuses années et leur traitement comptable est différent. Leur ampleur montre néanmoins qu'une partie importante de l'expansion future est déjà engagée avant même que les installations correspondantes soient opérationnelles.
Oracle illustre particulièrement ce risque. Le groupe déclarait environ 260 milliards de dollars d'engagements de location n'ayant pas encore commencé, principalement liés à des centres de données dont la mise en service est prévue entre 2027 et 2029. L'entreprise avertit elle-même que la durée et les conditions de ces locations peuvent ne pas correspondre exactement à celles de ses contrats clients.
Si la demande continue d'augmenter comme prévu, ces engagements fourniront la capacité nécessaire à la croissance. Si elle ralentit ou se déplace vers des infrastructures différentes, ils peuvent au contraire devenir une charge difficile à réduire rapidement.
CoreWeave montre ce qui se produit lorsque la croissance dépend fortement de la dette
Le cas de CoreWeave permet d'observer cette tension sous une forme particulièrement nette. L'entreprise s'est développée très rapidement en finançant des infrastructures spécialisées dans l'IA avant de percevoir les revenus générés par leur exploitation.
En octobre 2026, CoreWeave disposait encore d'un carnet de commandes supérieur à 100 milliards de dollars et la demande pour ses capacités restait importante. Pourtant, ses actions et surtout ses obligations ont fortement chuté lorsque les investisseurs se sont inquiétés de son endettement et du rythme de construction des centres de données.
Reuters évaluait alors ses passifs à environ 50 milliards de dollars. Le rendement de certaines obligations arrivant à échéance en 2030 a approché 16 %, signe d'une perception beaucoup plus élevée du risque par les marchés.
Le cas est intéressant précisément parce qu'il ne correspond pas à une absence de clients. CoreWeave dispose de contrats importants avec plusieurs des plus grands acteurs de l'IA. La difficulté vient du décalage entre les sommes qu'il faut engager immédiatement pour construire les infrastructures et les revenus qui seront perçus progressivement pendant leur exploitation.
Il n'y a donc pas encore de retrait général, mais une sélection beaucoup plus sévère
Pris séparément, aucun de ces éléments ne démontre que l'expansion de l'intelligence artificielle s'arrête. Les investissements restent gigantesques, de nouveaux centres sont toujours annoncés et la demande de calcul demeure élevée.
Ce qui change est plutôt la marge d'erreur. Un projet peut disposer de processeurs et de clients mais manquer d'électricité. Il peut disposer d'électricité mais attendre plusieurs années un raccordement. Il peut être techniquement viable mais devenir beaucoup plus coûteux lorsque les taux d'intérêt augmentent. Et une infrastructure rentable avec un taux d'utilisation très élevé peut devenir beaucoup moins intéressante si la demande future a été surestimée.
Les « reculs » observés ne racontent donc pas encore l'effondrement d'une technologie. Ils montrent quelque chose de plus subtil : la course entre dans une phase où annoncer de nouvelles capacités ne suffit plus. Il faut désormais pouvoir les construire, les alimenter, les financer et les remplir suffisamment longtemps pour justifier leur coût.
Mais cette question en entraîne une autre. Alors que l'industrie mobilise des centaines de milliards de dollars pour augmenter encore les capacités disponibles, les entreprises et les utilisateurs exploitent-ils déjà réellement tout ce que les modèles actuels permettent de faire ?
Utilisons-nous déjà réellement les capacités disponibles ?
La frontière technologique avance plus vite que son adoption réelle
Il existe un décalage important entre ce que les systèmes d'intelligence artificielle les plus avancés peuvent accomplir et la manière dont ils sont intégrés dans la majorité des organisations. Les modèles savent désormais travailler avec des documents, analyser des données, produire et modifier du code, utiliser des outils et enchaîner plusieurs opérations pour atteindre un objectif. Pourtant, disposer de ces capacités ne signifie pas qu'elles sont immédiatement intégrées aux processus de travail.
Une enquête mondiale publiée par Gartner en septembre 2026 illustre cet écart. Parmi 1 303 répondants appartenant à des organisations réalisant au moins 50 millions de dollars de chiffre d'affaires annuel, seulement 22 % déclaraient avoir réussi à déployer l'IA à l'échelle de plusieurs unités opérationnelles ou avoir adopté une approche véritablement centrée sur l'IA.
Dans le même temps, 85 % des responsables fonctionnels interrogés prévoyaient d'augmenter leurs dépenses dans l'IA en 2026. L'industrie investit donc pour disposer de capacités toujours plus importantes alors qu'une grande partie des organisations n'a pas encore réussi à généraliser celles qui existent déjà.
Utiliser un chatbot n'est pas encore transformer un processus de travail
Cette différence tient en partie à ce que recouvre le mot « utilisation ». Demander à un modèle de résumer un document, rédiger un message, rechercher une information ou proposer quelques lignes de code permet déjà de gagner du temps. Mais ces usages restent ponctuels : l'utilisateur conserve l'essentiel du processus et sollicite l'IA à certaines étapes.
Exploiter les capacités plus avancées demande autre chose. Il faut permettre au système d'accéder aux bonnes données, de travailler avec les logiciels de l'entreprise, d'utiliser des outils, de conserver le contexte nécessaire et parfois d'effectuer lui-même une succession d'actions. L'IA cesse alors d'être seulement une interface à laquelle on pose une question pour devenir une composante du processus de travail.
Cette évolution existe déjà. Une étude menée par Anthropic et Material auprès de plus de 500 responsables techniques indiquait que 57 % des organisations interrogées utilisaient des agents pour des workflows comportant plusieurs étapes. Mais seulement 16 % déclaraient avoir atteint des processus transversaux impliquant plusieurs équipes.
Ces résultats ne sont pas directement comparables à ceux de Gartner, car les populations interrogées et les définitions utilisées diffèrent. Ils montrent néanmoins la même transition : les usages avancés existent, mais passer d'une tâche isolée à une intégration profonde dans l'organisation constitue encore une étape supplémentaire.
Le principal obstacle n'est pas toujours le modèle
Ce décalage permet aussi de mieux comprendre pourquoi réclamer immédiatement un modèle plus puissant ne résout pas nécessairement le problème rencontré par une entreprise. Si l'IA ne dispose pas des données nécessaires, ne peut pas communiquer avec les logiciels existants ou intervient dans un processus mal défini, quelques points supplémentaires de performance du modèle peuvent avoir beaucoup moins d'effet qu'une meilleure intégration.
Dans l'enquête d'Anthropic et Material, 46 % des répondants citaient l'intégration aux systèmes existants parmi les obstacles au déploiement des agents. L'accès aux données et leur qualité étaient mentionnés par 42 %, le coût de mise en œuvre par 43 %, les questions de sécurité ou de conformité par 40 % et les besoins de formation ou la résistance des salariés par 39 %.
Une partie des limites attribuées à l'IA relève donc en réalité de l'environnement dans lequel elle doit fonctionner. Un modèle peut être capable d'effectuer une opération sans que l'organisation soit encore prête à lui fournir les accès, les données ou le niveau d'autonomie nécessaires pour l'accomplir en production.
La fiabilité impose également de conserver des limites à l'autonomie
Toute sous-exploitation apparente n'est cependant pas un retard qu'il faudrait nécessairement combler. Dans certains domaines, limiter volontairement l'autonomie de l'IA reste rationnel. Plus un système peut agir sur des données, des comptes, du code ou des infrastructures sensibles, plus une erreur peut avoir des conséquences difficiles à corriger.
Les capacités progressent donc plus rapidement que la confiance que l'on peut raisonnablement leur accorder dans certains environnements. Une organisation peut techniquement permettre à un agent d'effectuer davantage d'actions tout en choisissant de maintenir une validation humaine avant une opération importante.
La sécurité ajoute une contrainte supplémentaire. Connecter un agent à des outils internes lui donne précisément les accès nécessaires pour être utile, mais augmente également ce qu'il faut protéger : identités, permissions, données sensibles, services internes et actions qu'un système compromis ou mal dirigé pourrait déclencher.
Les modèles précédents ne deviennent pas inutiles à chaque nouvelle génération
La course technologique donne facilement l'impression qu'un modèle devient obsolète dès que son successeur apparaît. Pour de nombreux usages, ce n'est pourtant pas ainsi que se pose le problème. Une tâche de classification, d'extraction, de résumé, de traduction ou d'automatisation simple peut ne pas nécessiter le modèle le plus puissant disponible.
À mesure que l'offre se diversifie, choisir le modèle adapté devient même une forme d'optimisation. Un système plus petit, plus rapide ou moins coûteux peut être préférable lorsqu'il atteint déjà le niveau de qualité nécessaire. Les modèles les plus avancés peuvent alors être réservés aux tâches pour lesquelles leurs capacités supplémentaires produisent réellement une différence.
Le progrès de l'IA ne consiste donc pas nécessairement à remplacer en permanence tout ce qui existait auparavant. Il peut également permettre de construire un ensemble de modèles spécialisés par coût, vitesse, niveau de raisonnement ou sensibilité des données.
La prochaine rupture pourrait venir autant des usages que des modèles eux-mêmes
C'est peut-être le paradoxe le plus important de la situation actuelle. L'industrie dépense des centaines de milliards de dollars pour construire les capacités nécessaires aux prochaines générations de systèmes, alors qu'une partie du potentiel économique et opérationnel des générations déjà disponibles reste encore à intégrer.
Cela ne rend pas inutile la recherche de modèles plus performants. Certaines tâches restent hors de portée, la fiabilité doit encore progresser et des capacités nouvelles peuvent ouvrir des usages qui n'existent pas aujourd'hui. Mais la valeur produite dans les prochaines années pourrait également venir d'un mouvement moins spectaculaire : apprendre à connecter, encadrer et utiliser correctement des capacités qui existent déjà.
La question de la course à la puissance doit donc être regardée dans les deux sens. Jusqu'où faudra-t-il augmenter les capacités des modèles ? Mais aussi : jusqu'où pouvons-nous aller avec celles dont nous disposons déjà avant que davantage de puissance soit réellement nécessaire ?
Évolution de la situation
Cette chronologie rassemble les évolutions qui modifient réellement la trajectoire décrite dans ce dossier : progression des capacités, changement d'échelle des infrastructures, apparition de nouvelles contraintes économiques ou énergétiques et évolution des usages. Elle n'a pas vocation à recenser chaque nouveau modèle ou chaque annonce d'investissement.
2022-2023 : l'IA générative devient un produit grand public
La diffusion rapide des assistants conversationnels marque un premier changement d'échelle. Des capacités jusque-là principalement observées dans les laboratoires deviennent accessibles à des centaines de millions d'utilisateurs et commencent à être intégrées dans les logiciels, les moteurs de recherche et les outils professionnels.
À ce stade, la compétition porte encore largement sur les modèles eux-mêmes : qualité des réponses, génération de code, traitement d'images, taille des contextes et premières capacités multimodales.
2024 : la compétition se déplace vers le raisonnement et l'infrastructure
L'amélioration des modèles ne repose plus uniquement sur l'entraînement. Une nouvelle génération de systèmes consacre davantage de calcul au moment de résoudre certains problèmes et développe des capacités de raisonnement plus longues. Parallèlement, les besoins en processeurs, centres de données et énergie prennent une importance croissante.
La question commence alors à changer : il ne s'agit plus seulement de savoir qui possède le meilleur modèle, mais qui dispose des capacités de calcul permettant d'entraîner et d'exploiter les générations suivantes.
2025 : les agents deviennent le nouvel objectif
L'évolution vers des systèmes capables d'utiliser des outils, d'enchaîner plusieurs opérations et de poursuivre une tâche avec moins d'intervention humaine devient l'un des principaux axes de développement de l'industrie.
Dans le même temps, l'écart entre démonstration et déploiement à grande échelle devient plus visible. De nombreuses entreprises expérimentent l'IA, mais transformer ces expérimentations en processus fiables et rentables reste beaucoup plus difficile que simplement donner accès à un modèle.
Début 2026 : les capacités continuent de progresser rapidement
Les évaluations consacrées aux agents montrent que certains systèmes peuvent désormais accomplir des tâches techniques beaucoup plus longues qu'auparavant. La progression reste particulièrement visible dans le développement logiciel et les environnements où le résultat peut être précisément vérifié.
Cette évolution renforce la perspective de systèmes capables de prendre en charge des portions toujours plus importantes d'un travail, mais elle maintient également une distinction essentielle : réussir des tâches longues et bien définies ne signifie pas disposer d'une autonomie générale dans des environnements professionnels complexes et ambigus.
2026 : les investissements atteignent une nouvelle échelle
La compétition autour de l'IA devient simultanément une compétition industrielle. Les principaux groupes technologiques engagent des centaines de milliards de dollars dans les centres de données, les processeurs, les réseaux et les capacités énergétiques nécessaires aux prochaines générations de systèmes.
L'électricité et le raccordement au réseau deviennent eux-mêmes des facteurs déterminants. Certains projets cherchent désormais à sécuriser directement leur production d'énergie ou à développer des capacités hors réseau afin de ne pas attendre l'expansion des infrastructures électriques existantes.
2026 : les premières tensions économiques deviennent plus visibles
Cette expansion ne s'interrompt pas, mais son financement commence à être davantage questionné. Les engagements de long terme liés aux centres de données augmentent fortement et les acteurs les plus dépendants de la dette deviennent plus sensibles aux inquiétudes des marchés.
Dans les entreprises utilisatrices, le même décalage apparaît sous une autre forme : les dépenses continuent d'augmenter alors que le passage des expérimentations à des usages déployés à grande échelle reste beaucoup plus lent.
17 octobre 2026 : où en est la situation ?
Rien ne permet aujourd'hui de conclure que la progression de l'IA ou les investissements qui l'accompagnent sont en train de s'arrêter. Les capacités continuent d'augmenter, de nouvelles infrastructures sont construites et les principaux acteurs poursuivent la course.
La situation n'est cependant plus celle des premières années de l'IA générative. La progression technologique dépend désormais d'une infrastructure physique et financière considérable : processeurs, centres de données, énergie, réseaux électriques et engagements de capitaux sur plusieurs années.
En parallèle, les capacités disponibles progressent plus vite que leur intégration dans une grande partie des organisations. La prochaine étape ne dépend donc pas uniquement de modèles encore plus puissants. Elle dépend aussi de la capacité à rendre les systèmes existants suffisamment fiables, accessibles, intégrés et économiquement utiles.
C'est cette double trajectoire qu'il faudra désormais observer. D'un côté, jusqu'où les capacités techniques et les infrastructures peuvent continuer à progresser. De l'autre, si les usages et les revenus générés par l'IA progressent suffisamment vite pour justifier durablement cette course à la puissance.
Pour aller plus loin : données et suivi
En complément des dossiers, Palks Studio suit également différents indicateurs à partir de données publiques, afin d'observer dans le temps certaines évolutions liées à l'énergie, aux infrastructures, au numérique ou aux grands flux.
Consulter les radars et les données publiques →
Suivre les évolutions plus directement
Pour suivre plus directement les évolutions importantes, vous pouvez également retrouver L'Actu sans le Bruit sur Telegram. Le canal permet de suivre les nouveaux événements au fil de l'actualité, tandis que ce dossier n'est mis à jour que lorsque ces évolutions modifient réellement l'état de la situation.