La vague IA submerge la tech : qui saura garder la tête hors de l’eau ?

En marge des grands raouts technologiques de l’été 2026, un constat traverse toutes les discussions du secteur : l’intelligence artificielle est en train de changer de nature. Après deux années dominées par la course aux modèles toujours plus puissants, l’attention se déplace vers des questions plus concrètes — qui contrôle les infrastructures, qui capte la valeur réelle, et surtout, qui survivra à cette bascule vers une IA capable d’agir directement dans le monde réel plutôt que de simplement générer du texte.

Cet article revient sur les grandes lignes de force qui structurent ce débat : la nature de la révolution IA elle-même, la montée en puissance des agents autonomes, la bataille pour la souveraineté numérique européenne, et la question, presque philosophique, de ce qui distinguera encore l’humain de la machine dans les années à venir.

L’intelligence artificielle, une révolution comparable à Internet ?

Une rupture d’ampleur historique

Beaucoup d’observateurs qui ont vécu de près l’arrivée d’Internet dans les années 1990 établissent un parallèle direct avec ce que vit aujourd’hui le secteur de l’IA. Le raisonnement est simple : Internet n’a pas seulement changé des outils de travail, il a redéfini en profondeur les rapports sociaux, les manières de communiquer et la structure même de nombreuses industries. Pour ces entrepreneurs chevronnés, l’IA générative et les agents autonomes s’inscrivent dans la même trajectoire — une technologie qui semble d’abord anecdotique, presque ludique, avant de devenir progressivement indispensable, puis complètement invisible tant elle sera intégrée au quotidien.

Ce schéma en trois temps — d’abord perçue comme ridicule, puis comme dangereuse, puis comme une évidence — revient comme une grille de lecture récurrente pour comprendre l’adoption des technologies de rupture. Les réseaux sociaux ont suivi ce chemin. Le mobile aussi. L’IA générative semble aujourd’hui traverser sa phase intermédiaire : celle où l’enthousiasme initial cède la place à une forme d’inquiétude collective, alimentée par les incertitudes sur l’emploi, la fiabilité des systèmes ou les impacts sociétaux.

Les conséquences sur les entreprises et la société

Ce qui frappe dans les discussions actuelles sur l’IA, c’est la difficulté à anticiper précisément ses effets. Les mêmes acteurs qui avaient, dans les années 2000, prédit un monde plus connecté et plus ouvert grâce aux réseaux sociaux, reconnaissent aujourd’hui ne pas avoir anticipé leurs effets délétères sur la santé mentale des plus jeunes. Cette expérience nourrit une forme de prudence face à l’IA : personne ne peut aujourd’hui garantir que cette nouvelle vague technologique n’aura que des effets positifs sur le tissu social.

Il existe cependant une différence notable entre les générations : les plus jeunes, nés avec Internet et le smartphone omniprésents, semblent aborder l’IA avec beaucoup moins de fascination ou de crainte que leurs aînés. Pour eux, un assistant conversationnel capable de répondre à toutes leurs questions n’a rien de magique — c’est simplement un outil de plus dans un monde déjà saturé de technologies. Cette normalisation rapide contraste avec le débat public, souvent plus anxiogène, qui domine la presse généraliste sur le sujet de l’intelligence artificielle.

Les limites actuelles : hallucinations, coûts et fiabilité

Malgré les progrès spectaculaires des derniers mois, les grands modèles de langage conservent des défauts structurels bien identifiés. Le plus connu reste l’hallucination : la tendance d’un modèle à produire une réponse assurée mais factuellement fausse, faute de connaître la bonne réponse. Ce problème n’a pas disparu, il a simplement été mieux maîtrisé au fil des versions successives des modèles.

Mais la limite la plus pressante, pour les entreprises qui déploient ces technologies à grande échelle, est d’ordre économique. De nombreuses organisations font désormais face à des factures de tokens vertigineuses — plusieurs millions de dollars par mois pour certaines grandes structures — sans toujours parvenir à mesurer un retour sur investissement clair. L’image employée pour décrire ce phénomène est parlante : on a parfois installé des moteurs d’avion de ligne là où un simple scooter aurait suffi. Cette phase de surinvestissement, portée par l’urgence de ne pas rater le tournant de l’IA, cède progressivement la place à une exigence de rentabilité plus rigoureuse.

L’évolution des modèles d’IA : vers la fin du modèle roi

Un basculement conceptuel majeur s’opère actuellement dans l’écosystème : la valeur n’est plus perçue comme résidant principalement dans le modèle lui-même. Pendant longtemps, la course à l’IA s’est résumée à un affrontement entre laboratoires pour produire le modèle le plus intelligent, le plus polyvalent, capable de briller sur tous les benchmarks possibles — mathématiques, raisonnement, culture générale.

Cette course connaît aujourd’hui un phénomène de commoditisation accéléré. Grâce à des techniques comme la distillation — qui permet de transférer les capacités d’un modèle de pointe vers un modèle plus petit et moins coûteux à entraîner — des acteurs, notamment chinois, parviennent à répliquer les performances d’un modèle frontière en quelques semaines seulement, parfois en quelques jours. Dans ce contexte, la différenciation par la seule puissance brute du modèle devient de moins en moins tenable : à terme, les grands modèles généralistes tendront à se ressembler, quel que soit le laboratoire qui les a conçus.

L’IA agentique : des systèmes qui exécutent, pas seulement qui répondent

Des agents autonomes capables d’exécuter des tâches

La nouveauté véritable de cette phase de l’IA ne réside donc plus dans la capacité à générer du texte convaincant, mais dans la capacité à agir de manière autonome pour accomplir une tâche complète, de bout en bout. C’est ce qu’on appelle désormais l’IA agentique : des systèmes capables de décomposer un objectif en étapes, d’utiliser des outils, de naviguer dans des logiciels, et de produire un résultat concret sans supervision constante d’un humain.

Cette évolution change profondément la proposition de valeur de l’intelligence artificielle en entreprise. On ne demande plus simplement à un modèle de rédiger un texte ou de répondre à une question : on lui délègue l’exécution complète d’un processus, avec les outils nécessaires pour interagir avec les systèmes existants.

L’automatisation des processus métier

Un constat revient de manière frappante dans les discussions consacrées à l’usage réel de l’IA en entreprise : la très grande majorité du travail administratif quotidien, dans n’importe quelle organisation, consiste en réalité en des tâches répétitives et peu valorisantes. Remplir des formulaires, copier des informations d’un logiciel à un autre, naviguer dans des interfaces vieilles de plusieurs décennies conçues pour un usage humain manuel — voilà à quoi ressemble, très concrètement, une large part du travail de bureau, y compris dans des secteurs a priori sophistiqués comme la finance.

C’est précisément ce constat qui a donné naissance à une nouvelle catégorie d’agents IA spécialisés dans ce qu’on appelle le « computer use » : plutôt que de réécrire l’ensemble des logiciels existants pour les rendre compatibles avec l’IA — un chantier qui prendrait des années, voire ne se ferait jamais —, ces agents apprennent à utiliser les interfaces graphiques existantes exactement comme le ferait un humain, avec un clavier et une souris virtuels. Cette approche permet de construire un agent fonctionnel en quelques minutes, contre plusieurs mois auparavant pour développer une intégration logicielle classique.

L’avenir des entreprises avec des agents IA

Cette automatisation des tâches répétitives soulève une question de fond sur la réorganisation du travail. L’objectif affiché n’est pas de remplacer purement et simplement les employés, mais de les libérer des tâches à faible valeur ajoutée pour les recentrer sur ce qui constitue le cœur de leur expertise humaine. L’exemple du secteur hospitalier est régulièrement cité : dans de nombreux établissements, le personnel infirmier passe une part considérable de son temps devant un écran à effectuer des tâches administratives plutôt qu’à prodiguer des soins — alors même que les métiers du soin souffrent structurellement d’un manque d’effectifs.

Le raisonnement est similaire pour les équipes commerciales, dont la valeur ajoutée réside dans la relation humaine et la négociation, ou pour les acheteurs, dont le métier consiste à obtenir les meilleures conditions plutôt qu’à ressaisir des données dans un tableur. L’IA agentique, dans cette vision, ne vise pas à supprimer l’humain du processus, mais à le repositionner sur les tâches où son jugement, son empathie ou sa créativité font réellement la différence.

La souveraineté numérique européenne, un enjeu devenu stratégique

Une dépendance structurelle envers les géants américains

La question de la souveraineté numérique n’est pas nouvelle, mais elle prend une résonance particulière à l’heure de l’IA. Depuis plusieurs décennies, une large part de l’infrastructure numérique des entreprises européennes — hébergement, stockage, outils de gestion — repose sur des acteurs américains : Microsoft, Amazon (via AWS) ou Google occupent une position dominante sur le marché du cloud, y compris pour des organisations traitant des données particulièrement sensibles, notamment dans le secteur de la santé.

Ce phénomène de dépendance s’est construit progressivement, souvent sans intention délibérée. De nombreuses grandes entreprises de conseil ou d’intégration technologique, même lorsqu’elles affichent une volonté de « acheter français », finissent par orienter leurs achats vers des fournisseurs américains simplement parce que leur volume d’affaires global avec ces géants dépasse largement celui qu’elles pourraient développer avec un acteur européen plus petit. Il ne s’agit pas nécessairement d’un choix stratégique délibéré, mais plutôt d’un manque d’attention systémique à la question du développement de l’écosystème technologique européen.

Patriotisme économique et importance des champions nationaux

La comparaison avec d’autres régions du monde est éclairante. Aux États-Unis, le Small Business Act oriente légalement une partie de la commande publique vers des entreprises américaines. En Arabie saoudite, les appels d’offres exigent explicitement une part de fabrication locale. En Europe, à l’inverse, aucun mécanisme comparable n’existe à l’échelle continentale pour orienter la commande publique et privée vers les acteurs technologiques du continent.

Cette absence de « patriotisme économique » structuré a un coût direct sur la capacité de l’Europe à développer ses propres champions technologiques. Or, disposer d’industries technologiques puissantes n’est pas qu’une question économique : c’est, à un horizon de plusieurs décennies, un enjeu culturel et géopolitique. Un continent qui ne maîtrise pas ses propres outils technologiques stratégiques s’expose à devoir accepter les règles fixées par d’autres.

Protection des données sensibles : le cas concret de la santé

Le secteur de la santé illustre concrètement les enjeux de cette dépendance. Il existe un consensus assez large sur la nécessité de garder les données de santé sur le territoire européen, pour des raisons évidentes de confidentialité et de sécurité nationale. Pourtant, dans la pratique, de nombreux projets, y compris dans ce secteur sensible, continuent d’être confiés à des acteurs américains comme Microsoft — alors même que des alternatives européennes techniquement compétitives existent.

Cette situation n’est pas uniquement due à un manque de capacité technique des fournisseurs européens : elle relève d’un ensemble de facteurs combinant habitudes d’achat, poids historique des grands intégrateurs internationaux, et absence de cadre incitatif favorisant les solutions locales.

Le retour du « on-premise » : reprendre le contrôle des infrastructures

La réinternalisation après des décennies d’externalisation

L’informatique d’entreprise fonctionne depuis des décennies selon un mouvement de balancier entre externalisation et réinternalisation des infrastructures. Après une longue période où le cloud public — hébergé chez les grands hyperscalers américains — s’est imposé comme la norme par défaut, un mouvement inverse se dessine actuellement : celui du retour vers des infrastructures privées, ou « on-premise ».

Ce retour ne signifie pas un retour en arrière vers les serveurs physiques traditionnels d’il y a vingt ans. Il s’agit plutôt d’un modèle hybride : les entreprises louent des espaces de data centers, avec l’électricité et les puces graphiques (GPU) nécessaires, mais ces espaces leur sont entièrement dédiés et privatisés plutôt que mutualisés dans une infrastructure cloud publique classique.

Ce qui pousse à cette réinternalisation : protéger le « poids » et l' »alpha »

La motivation derrière ce mouvement est directement liée aux tensions géopolitiques qui traversent le secteur de l’IA. Des restrictions d’accès à certains modèles avancés, réservées aux seuls acteurs américains, illustrent concrètement le risque que représente une dépendance excessive à des technologies étrangères pour des activités stratégiques.

Deux éléments sont en jeu pour les entreprises qui envisagent cette réinternalisation : leurs données elles-mêmes (ce que certains désignent par le terme de « poids », en référence aux poids des modèles d’IA entraînés sur ces données) et leur savoir-faire propriétaire, leur « alpha » différenciant. Confier ces deux actifs à des infrastructures et des modèles contrôlés par des tiers, potentiellement soumis à des décisions politiques étrangères, représente un risque stratégique croissant à mesure que l’IA devient centrale dans la création de valeur des entreprises.

Un problème d’ordre historique : la perte de compétences

Ce mouvement de réinternalisation se heurte cependant à un obstacle bien réel : des décennies d’externalisation ont progressivement fait disparaître, au sein de nombreuses entreprises, les compétences techniques nécessaires pour reprendre en main leurs propres infrastructures. Ce phénomène n’est pas propre à l’IA : il s’observe depuis longtemps dans l’histoire de l’informatique d’entreprise, à chaque cycle d’externalisation. Le retour de balancier vers l’internalisation est donc nécessairement progressif et complexe, freiné par ce manque de compétences internes à reconstruire.

Les hyperscalers américains face aux acteurs européens : le cas Scality

Une concurrence technologique réelle sur le stockage de données

Dans ce paysage dominé par les trois grands hyperscalers américains — AWS (Amazon), Microsoft Azure et Google Cloud —, certains acteurs européens du stockage de données affirment être en mesure de rivaliser directement, tant sur le plan technique que tarifaire. C’est le cas de Scality, entreprise française fondée il y a quinze ans, aujourd’hui présentée comme un pionnier mondial du stockage de données à grande échelle, avec une présence historique simultanée à Paris, San Francisco et Tokyo.

Scality revendique une offre technologiquement équivalente à celle des hyperscalers, mais proposée à un coût significativement inférieur — de l’ordre de 30 % moins cher qu’un tarif négocié auprès des géants américains. Cette différence de coût constitue d’ailleurs, selon l’entreprise, l’un des principaux moteurs qui poussent certaines très grandes entreprises à migrer progressivement une partie de leurs charges de travail hors des plateformes des hyperscalers.

Des clients dans des secteurs à très haute criticité

L’entreprise met en avant un portefeuille de clients particulièrement exigeants en matière de fiabilité et de sécurité : des contrats gouvernementaux dans plus de trente-cinq pays, sept des quinze plus grandes banques mondiales, des hôpitaux dont le fonctionnement opérationnel — jusqu’à la capacité des chirurgiens à opérer — dépend directement de la disponibilité du système, ou encore le stockage des archives notariales en France, indispensable au bon déroulement des transactions immobilières.

Un exemple frappant illustre la solidité technologique de ces acteurs européens du stockage : l’infrastructure cloud d’Iron Mountain, l’entreprise américaine qui gère notamment les archives de l’État fédéral américain, repose techniquement sur la technologie développée par Scality. Autrement dit, une brique technologique européenne se retrouve au cœur même d’une infrastructure critique américaine — preuve, selon l’entreprise, que la compétitivité technique n’est pas le facteur limitant dans la bataille contre les hyperscalers.

La géopolitique de l’intelligence artificielle

États-Unis, Chine, Europe : trois trajectoires distinctes

La compétition mondiale autour de l’IA se structure désormais clairement autour de trois pôles aux logiques différentes. Les États-Unis conservent une avance sur les modèles frontières les plus puissants, mais commencent à restreindre leur diffusion internationale pour des raisons stratégiques. La Chine, de son côté, mise fortement sur les modèles ouverts (open source et open weight), avec une capacité de réplication technique extrêmement rapide. L’Europe, enfin, cherche encore sa place dans cette compétition, avec des atouts réels mais dispersés.

Un exemple concret de cette fragmentation géopolitique concerne la restriction d’accès à certains modèles avancés d’Anthropic aux seuls utilisateurs de nationalité américaine — une décision qui illustre de manière tangible la manière dont les enjeux géopolitiques peuvent directement affecter l’accès aux technologies les plus avancées, y compris pour des acteurs économiques n’ayant aucun lien avec les tensions diplomatiques sous-jacentes.

Le rôle stratégique de Nvidia et des modèles ouverts

Dans ce contexte, Nvidia occupe une position singulière. Fournisseur historique de puces graphiques pour l’ensemble de l’industrie de l’IA — y compris pour les grands laboratoires américains comme OpenAI et Anthropic —, l’entreprise développe également son propre modèle en open weight, nommé Nemotron. Ce projet, longtemps resté en retrait pour ne pas concurrencer ses propres clients, semble aujourd’hui remis en avant, à mesure que ces mêmes clients développent des ambitions applicatives qui empiètent directement sur le terrain commercial de Nvidia.

Cette dynamique s’inscrit dans un mouvement plus large autour des modèles ouverts, perçus par certains comme un moyen de contrebalancer la montée en puissance des modèles chinois open source, particulièrement compétitifs sur ce segment.

Les GPU et les data centers : le vrai goulot d’étranglement

Au-delà des seuls modèles, c’est la disponibilité même des infrastructures de calcul qui constitue aujourd’hui le facteur limitant principal pour de nombreuses entreprises souhaitant internaliser leurs capacités d’IA. L’accès aux puces graphiques les plus performantes reste restreint, mais le véritable obstacle, à moyen terme, pourrait bien être énergétique : l’électricité nécessaire pour faire fonctionner des data centers saturés de GPU représente une contrainte physique difficile à contourner, indépendamment des enjeux purement technologiques ou commerciaux.

L’écosystème français de l’intelligence artificielle : une « Team France » en construction

Quatre piliers technologiques complémentaires

La France dispose aujourd’hui d’un écosystème relativement rare à l’échelle mondiale : au moins quatre entreprises développent chacune leurs propres modèles d’IA, avec des spécialisations distinctes et complémentaires. Mistral se positionne sur les modèles généralistes, à la manière des grands laboratoires internationaux. Gradium développe des modèles spécialisés dans la voix. Amilab travaille sur des « world models », des modèles cherchant à représenter et prédire le fonctionnement du monde physique plutôt que de simplement générer du texte. Enfin, la startup H se distingue sur le segment spécifique du « computer use ».

Cette diversité de spécialisations, réunie sur un seul pays, est présentée comme un atout comparable à ce qu’on observe seulement aux États-Unis et en Chine — la plupart des autres pays ne disposant que d’entreprises appliquant des modèles existants, sans en développer eux-mêmes.

La question de la mutualisation des forces françaises

Cette richesse d’acteurs soulève naturellement une question stratégique : ces quatre entreprises françaises pourraient-elles unir davantage leurs forces pour peser collectivement face aux géants américains et chinois, plutôt que d’avancer chacune de leur côté ? Des collaborations existent déjà, notamment entre certains de ces acteurs sur des projets spécifiques, mais l’idée d’une stratégie nationale véritablement coordonnée, capable de mutualiser les complémentarités entre modèles généralistes, vocaux, de simulation du monde et de computer use, reste encore largement à construire.

ElevenLabs : une « licorne » européenne qui rivalise avec la Silicon Valley

Parmi les success stories de la tech européenne dans l’IA, ElevenLabs occupe une place particulière. Fondée par des entrepreneurs polonais, avec un siège social à Londres et des bureaux dispersés à travers l’Europe, l’entreprise s’est imposée en quelques années comme un acteur de référence de la synthèse vocale par IA, au point d’être régulièrement perçue de l’extérieur comme une entreprise américaine tant sa dynamique de croissance et son ambition rappellent les codes de la Silicon Valley.

Le succès de l’entreprise est attribué à une combinaison de facteurs : des ambitions élevées dès sa création, un recrutement de profils passionnés (souvent d’anciens fondateurs de startups ou des personnes ayant travaillé dans des structures en très forte croissance), une organisation sans hiérarchie rigide de titres, et une culture de travail particulièrement intense. L’entreprise revendique aujourd’hui affronter directement, sur son segment, des concurrents aussi puissants qu’OpenAI, Google ou Microsoft.

Bases de données et graphes de connaissances : la structure contre les hallucinations

Pourquoi le monde réel n’est pas un tableau Excel

Une partie importante des limites actuelles des modèles de langage provient d’un problème plus fondamental : le monde réel n’est pas naturellement structuré en tableaux à deux dimensions, mais plutôt en réseaux de relations complexes — qu’il s’agisse de processus biologiques, de chaînes d’approvisionnement ou de hiérarchies organisationnelles. Les bases de données traditionnelles, conçues autour de la logique tabulaire, peinent à représenter fidèlement cette complexité relationnelle.

C’est précisément le problème que cherchent à résoudre les bases de données orientées « graphe », comme celle développée par Neo4j, entreprise fondée en Europe et aujourd’hui présente chez la quasi-totalité des grandes organisations mondiales. Plutôt que de stocker l’information dans des tableaux, ces systèmes la représentent sous forme de nœuds et de relations, reproduisant plus fidèlement la structure réelle des connaissances d’une entreprise.

L’ontologie, le pont entre le langage de l’IA et les données de l’entreprise

Ce type de structuration des données prend une importance particulière à l’ère des grands modèles de langage. Un modèle IA, aussi puissant soit-il, ne dispose par défaut d’aucune connaissance spécifique du contexte propre à une entreprise donnée. Pour combler ce manque, il devient nécessaire de construire ce qu’on appelle un graphe de connaissances, associé à une ontologie — c’est-à-dire une définition précise des concepts et de leurs relations propres à l’organisation concernée.

Cette ontologie fait office de pont entre le langage naturel utilisé par les modèles d’IA et les données réelles de l’entreprise, permettant de savoir précisément à quels concepts internes correspondent tel ou tel mot employé par un utilisateur. C’est justement sur cette maîtrise de l’ontologie que des acteurs comme Palantir bâtissent une part importante de leur avantage concurrentiel, démontrant qu’une structuration rigoureuse des connaissances peut constituer un différenciateur stratégique majeur, potentiellement réplicable par d’autres organisations qui investiraient dans cette même approche.

L’humain face à la machine : le dernier avantage différenciant

Quand les modèles et les agents se ressemblent tous

À mesure que les modèles d’IA généralistes tendent à converger et que les systèmes d’agents se banalisent — les grandes plateformes proposant toutes, à terme, des capacités comparables —, une question de fond émerge : qu’est-ce qui continuera à différencier une entreprise d’une autre, si tout le monde utilise fondamentalement les mêmes outils technologiques ?

Cette interrogation n’est pas nouvelle : elle s’était déjà posée lors de la généralisation du cloud, lorsque l’ensemble des entreprises d’un même secteur avaient fini par utiliser les mêmes bases de données, les mêmes outils de gestion de la relation client, les mêmes plateformes e-commerce, réduisant progressivement leurs différences technologiques apparentes.

Le concept de « Human Software »

Une réponse à cette question, avancée par plusieurs entrepreneurs expérimentés, consiste à affirmer que la différenciation véritable se déplace en dehors de la machine elle-même. Ce qu’on pourrait appeler le « human software » — la culture propre d’une entreprise, sa façon spécifique de travailler, son éthique, son histoire — constituerait le dernier rempart différenciant à l’heure où les outils technologiques deviennent, eux, largement standardisés.

Cette conviction a donné naissance à des projets entrepreneuriaux entièrement consacrés à cette question de l’intention humaine : comment transformer un désir ou une intention en résultat concret et bien exécuté, à l’aide des outils d’IA disponibles. La thèse sous-jacente considère que l’IA constitue non seulement une révolution technologique, mais également une révolution philosophique et organisationnelle, dont la dimension proprement humaine reste largement sous-exploitée dans le débat public actuel, souvent trop focalisé sur les seules performances techniques des modèles.

Les clones numériques d’entrepreneurs : une nouvelle forme d’IA personnelle

Une illustration concrète de cette réflexion se retrouve dans l’émergence de « clones » numériques d’entrepreneurs, entraînés sur leurs propres écrits, décisions et expériences passées, dans le but de répondre aux nombreuses sollicitations reçues au quotidien. Frédéric Mazella, cofondateur de BlaBlaCar, a par exemple développé un tel clone conversationnel, entraîné sur l’ensemble de son expérience entrepreneuriale et de ses écrits, capable de répondre en quelques secondes à des questions similaires à celles qu’il traite habituellement personnellement en une quinzaine de minutes.

Ce type de clone présente des avantages indéniables : une disponibilité permanente, une mémoire exhaustive de l’ensemble des cas et situations rencontrés au fil d’une carrière, et une capacité à synthétiser rapidement des enseignements tirés de nombreuses expériences passées. Il ne se substitue cependant pas totalement à la personne réelle sur les décisions les plus engageantes, comme un investissement financier, ni sur cette dimension proprement humaine de la relation qui continue de faire la différence — notamment lors d’échanges informels et personnels, impossibles à reproduire par une machine, aussi sophistiquée soit-elle.

Qui survivra vraiment à l’ère agentique ?

En croisant l’ensemble de ces constats, une tendance de fond se dégage nettement pour comprendre qui tirera son épingle du jeu dans cette nouvelle phase de l’intelligence artificielle.

D’abord, les entreprises qui reprennent le contrôle de leurs infrastructures stratégiques — données, calcul, modèles — plutôt que de dépendre entièrement d’acteurs tiers soumis à des logiques géopolitiques qui leur échappent. Ensuite, les startups qui misent sur la spécialisation et l’interopérabilité applicative plutôt que sur la seule course à la puissance brute des modèles généralistes, de plus en plus commoditisés. Également, les organisations capables de structurer rigoureusement leurs connaissances internes, condition indispensable pour tirer une valeur réelle et fiable de l’intelligence artificielle plutôt que de simples effets de démonstration. Enfin, et peut-être surtout, les individus et les entreprises qui sauront cultiver ce qui reste irréductiblement humain — l’intention, la culture, le jugement — à mesure que les outils technologiques eux-mêmes se banalisent.

L’Europe, et la France en particulier, disposent d’atouts réels dans cette compétition mondiale : des pépites technologiques de premier plan, une expertise reconnue sur des segments spécifiques comme le stockage de données, la voix ou le computer use, et un écosystement entrepreneurial dynamique. Reste à savoir si ces forces, aujourd’hui dispersées, sauront se structurer collectivement pour peser véritablement face aux géants américains et chinois — ou si, faute d’une stratégie de souveraineté numérique plus affirmée, le continent continuera de subir les choix technologiques et géopolitiques décidés ailleurs.