Les trois niveaux de transformation de la narration par l'IA

Depuis 2026, la narration mondiale sur l’IA connaît une transformation marginale importante, avec au moins trois niveaux de changement.

Premier niveau de narration : des divergences commencent à apparaître dans la loi de mise à l’échelle (Scaling Law).

Les années précédentes, la principale impulsion des investissements en IA reposait sur la règle empirique de la Scaling Law : plus le modèle est grand, plus les données sont abondantes, et plus la puissance de calcul est forte, meilleures sont les performances. Mais cette règle montre désormais des fissures :

1. Des contraintes physiques, telles que l’approvisionnement en électricité, les transformateurs et autres composants.
2. Un goulot d’étranglement des données, car les données textuelles publiques de haute qualité pour le pré-entraînement s’épuisent.
3. Une décroissance de l’efficacité marginale des investissements : bien que la direction de la Scaling Law reste valable et qu’il y ait encore des raisons d’augmenter les investissements, la contribution marginale (l’amélioration des capacités du modèle par unité d’investissement) pourrait diminuer.

Ainsi, au-delà de la puissance de calcul, l’expansion algorithmique devient progressivement une autre priorité technologique, par exemple en se tournant vers l’expansion du raisonnement (Test-Time Compute) (comme la chaîne de pensée CoT, l’extension du scaling lors de l’inférence), le post-entraînement, l’efficacité architecturale (mécanismes d’attention linéaire LinearAttention, modèles à espace d’état SSM, etc.) et l’intelligence côté terminal (SLMs).

Deuxième niveau de narration : du CAPEX “de récompense” à l’angoisse du retour sur investissement.

Selon les dernières directives, les grandes entreprises technologiques américaines ont annoncé que leurs dépenses en capital liées à l’IA en 2026 pourraient dépasser 700 milliards de dollars, mais le marché est passé d’une récompense pour “les dépenses en capital” à une inquiétude quant à la “lenteur de la monétisation”. Deux référentiels permettent de comprendre cette ampleur d’investissement :

(1) La référence historique : en 2025, la part des dépenses en capital des entreprises technologiques américaines dans le PIB atteignait environ 1,9 %, et en 2026, elle devrait continuer à dépasser 2 %, ce qui équivaut presque à la somme des grands projets d’infrastructure du 20e siècle : au début du siècle, la construction du réseau large bande national représentait environ 1,2 % du PIB ; l’expansion électrique de 1949, le programme Apollo et le réseau autoroutier inter-États des années 1960 représentaient chacun environ 0,6 %. L’investissement dans l’infrastructure IA aux États-Unis est donc à un niveau exceptionnellement élevé dans l’histoire économique.

(2) La référence à la trésorerie propre des entreprises, qui est devenue une source majeure d’inquiétude récente : selon les estimations, en 2026, environ 90 % des flux de trésorerie opérationnels des cinq plus grands fournisseurs de cloud américains seront consacrés aux dépenses en capital (contre 65 % en 2025). Certaines entreprises prévoient même que leurs dépenses en capital dépasseront leur flux de trésorerie opérationnel, ce qui pourrait entraîner un flux de trésorerie libre négatif en 2026, rendant les avertissements financiers plus réalistes. Par ailleurs, l’exposition à l’endettement augmente rapidement, le marché anticipant que l’émission totale d’obligations des géants technologiques américains en 2026 pourrait atteindre 400 milliards de dollars, avec des émissions de dettes à échéance centenaire, ce qui suscite aussi l’attention.

Troisième niveau de narration : des inquiétudes plus profondes liées à la disruption potentielle de l’IA, qui impacte de nombreux secteurs récemment.

L’évolution de cette narration suit une progression claire : du changement dans la recherche et l’accès à l’information, à la transformation des applications logicielles et des processus commerciaux, jusqu’à une réflexion sur un paradigme macroéconomique, en lien étroit avec le développement de l’IA.

La première étape est l’ère du Chat, qui transforme la recherche et l’accès à l’information. Depuis la sortie de ChatGPT jusqu’au début de 2025, l’IA existait principalement sous forme d’assistants conversationnels — répondre aux questions, générer du texte, aider à la recherche. Cette étape a eu un impact modéré, sans remplacer directement des logiciels commerciaux ou des emplois spécifiques, la narration du marché se concentrant sur “qui peut entraîner le meilleur modèle” et “qui fournit la puissance de calcul sous-jacente”.

La deuxième étape est l’ère des Agents, qui transforme les applications logicielles et les processus commerciaux. En février 2023, Anthropic a lancé ClaudeCowork, marquant le passage de l’IA d’une réponse générative à une exécution autonome de flux de travail interfonctionnels, provoquant une forte vente des actions de logiciels (le “SaaSpocalypse”, la fin du SaaS), et s’étendant aux services financiers, à la gestion d’actifs alternatifs, au droit, à l’immobilier commercial et même au transport.

La troisième étape est celle de l’ère de l’IA généralisée, une réflexion prospective. L’article de Substack « THE2028GLOBALINTELLIGENCECRISIS » n’apporte pas beaucoup d’idées nouvelles, mais sa lecture est fluide, ses points de vue tranchés, soulignant la problématique du “GhostGDP” et du remplacement des cols blancs, suscitant une discussion sur un changement de paradigme macroéconomique. Lorsque l’IA remplace non pas un secteur précis ou ne sert plus simplement d’outil d’appoint pour la main-d’œuvre, mais remplace directement la “main-d’œuvre” en tant que facteur de production, le paradigme macroéconomique traditionnel pourrait être remis en question de façon disruptive.

Le paradigme classique est la boucle fermée “production → distribution → consommation → reproduction”, où “l’humain” est à la fois producteur et consommateur, représentant à la fois la force de travail et la demande, formant un cycle économique à cinq secteurs. Mais si l’IA remplace directement la main-d’œuvre, cela pourrait entraîner plusieurs conséquences :

① Sur le plan des facteurs, l’importance du travail diminue, tandis que celle des modèles, des données et de la puissance de calcul (essentiellement des facteurs de capital) augmente. ② Sur l’offre, l’IA modifie fondamentalement la courbe d’offre, avec une baisse significative des coûts marginaux, une élasticité de l’offre en forte hausse, et une mise à l’échelle extrême des économies d’échelle. ③ Sur la demande, l’aliénation de la rémunération du travail pourrait affecter la répartition des revenus et la structure de la demande, déformant les relations classiques entre offre et demande, ainsi que la relation entre investissement et épargne. La dynamique économique, les mécanismes de distribution, et même les cycles économiques pourraient être bouleversés, entraînant une possible refonte du système financier et du contrat social.

Ainsi, ces changements marginaux dans la narration de l’IA font que le marché ne répond plus simplement aux “histoires” : d’un côté, on craint que l’IA ne fonctionne pas (monétisation lente), de l’autre, on redoute qu’elle soit trop performante (disruption). Comment comprendre cette attitude apparemment contradictoire ?

Logiquement, les trois niveaux de narration évoquent des problématiques réelles et déductibles, qui soulèvent des questions sérieuses. Mais la question cruciale concerne le calendrier de la transformation et ses limites finales, qui sont très difficiles à prévoir à l’avance. Sur le marché, sous l’effet d’une panique, une extrapolation linéaire est en cours, intégrant le scénario le plus pessimiste.

Une raison importante pourrait également résider dans la surévaluation des valorisations et la fragilité des structures de transaction, amplifiant la panique. Avant cette correction, les valorisations des secteurs liés à l’IA étaient à des niveaux records, tout comme celles du logiciel d’entreprise, ce qui a concentré la détonation dans la narration.

En parallèle, la situation fondamentale de nombreuses entreprises impactées reste robuste : les dernières publications de grandes sociétés de logiciels montrent une croissance stable des revenus et une amélioration des marges, avec des clients profonds, des coûts de changement élevés, des barrières de données et de conformité. Si l’IA peut être internalisée comme une fonction à valeur ajoutée, ces entreprises pourraient même en bénéficier.

Concernant la refonte du paradigme macroéconomique, plusieurs contre-arguments existent. D’une part, le paradoxe de Jevons indique que l’amélioration de l’efficacité entraîne souvent une explosion de la demande plutôt qu’un simple remplacement, et même si la productivité de l’IA augmente fortement, ses “dividendes déflationnistes” (baisse des prix des produits et services) pourraient stimuler de nouvelles demandes et industries. D’autre part, l’IA pourrait créer de nouveaux métiers inimaginables aujourd’hui, et la capacité d’adaptation sociale est souvent supérieure aux prévisions. Enfin, dans des tâches réglementaires, de gestion physique, d’interactions humaines complexes ou de jugements non standardisés, le coût de remplacement par l’IA est souvent bien plus élevé que la panique du marché ne le suppose, et les cadres institutionnels, juridiques et sociaux constituent naturellement des freins à la vitesse.

Ainsi, la transformation par l’IA mérite une approche sérieuse, mais le processus ne sera probablement pas immédiat. Le calendrier, les limites et l’incertitude liés à cette transformation correspondent en réalité à une différenciation et à des opportunités structurelles. En adoptant une vision dynamique et structurée, les investisseurs doivent passer d’une stratégie de “acheter un panier d’IA” à une “sélection plus fine des cibles”. Après la digestion de la panique et la correction des valorisations, la question cruciale est : quels changements sont très probables, lesquels le seront moins ? Quelles évolutions précéderont les autres ? Quelles seront des substitutions ou des complémentarités ? La différenciation s’accentuera.

Nous recommandons de prêter attention à plusieurs angles de sélection :

(1) Au niveau matériel, repérer les “goulots d’étranglement” critiques. Avec des attentes de dépenses en capital déjà très élevées, la marge de profitabilité supplémentaire dans le matériel devient plus faible. Le marché ne récompense plus la dépense en capital, il faut donc cibler les segments où la contrainte d’offre est la plus forte, notamment ceux où la capacité a été lentement développée, avec des cycles d’expansion longs et peu de substituts, comme le stockage, les contraintes du réseau électrique, les transformateurs, les capacités d’emballage avancé, la fibre optique, etc. La pénurie d’offre confère un pouvoir de négociation accru.

(2) Sur le plan des modèles, la compétition devient plus rude. Au-delà des poids des modèles, la sélection doit privilégier : la possession de données privées exclusives pour entraîner des modèles différenciés ; la capacité à disposer d’une infrastructure de raisonnement à faible coût ; et la capacité à transformer rapidement les capacités du modèle en solutions intégrées et applications concrètes, en recherchant la synergie “capacité du modèle + volant d’inertie des données + barrières commerciales”. Depuis mi-2025, la corrélation des cours des grandes entreprises technologiques américaines est passée d’environ 0,8 à environ 0,2, et la différenciation dans le domaine des modèles, notamment via Anthropic ou ByteDance, devrait continuer.

(3) Au niveau des applications : privilégier celles qui peuvent être rapidement déployées, qui ont déjà prouvé leur valeur, qui permettent de quantifier directement les gains de réduction des coûts et d’efficacité (ROI), ou qui s’intègrent rapidement dans les flux de travail clés des entreprises, notamment dans des domaines verticaux.

Pour les secteurs comme le SaaS, qui ont connu récemment beaucoup de corrections, le marché pourrait faire une distinction entre “les SaaS à faibles fonctionnalités facilement remplaçables par l’IA” et “les bases de données et infrastructures essentielles à l’ère de l’IA”, notamment celles qui détiennent des données clés ou des fonctions critiques (sécurité, conformité, pipelines de données, règlements, etc.), qui pourraient être sous-évaluées.

(4) La différence entre la trajectoire de l’IA en Chine et aux États-Unis est un autre angle d’intérêt. La stratégie et la signification macroéconomique de l’IA diffèrent. La Chine privilégie “l’efficacité du calcul”, en misant davantage sur l’optimisation algorithmique, l’écosystème open source et l’ingénierie pour améliorer l’efficacité, malgré un déficit actuel en capacité de calcul. La substitution de capacité de calcul nationale pourrait être plus avantageuse d’un point de vue d’investissement, et la course aux grands modèles reste une priorité. La structure économique différente influence aussi la transmission de l’impact de l’IA : aux États-Unis, avec une forte part de services et des coûts de main-d’œuvre élevés, l’impact de substitution et la pression déflationniste sont plus immédiats, mais la question de la relance de la manufacturing américaine reste difficile. La Chine, avec une base manufacturière solide et des avantages en électricité, voit l’IA comme un levier pour améliorer la productivité totale des facteurs, plutôt qu’un simple remplacement de la main-d’œuvre. Les opportunités structurelles résident dans la diversité des scénarios et la transformation des services productifs, ce qui oriente la logique d’investissement vers “l’autonomisation industrielle” et “l’intégration hardware-software”.

Les années passées, le suivi et la compréhension de la chaîne de l’IA ont apporté un “alpha cognitif” évident pour les investisseurs. La révolution de l’IA reste sans aucun doute le thème majeur de cette époque, mais avec la hausse significative des valorisations, l’émergence de nouvelles IPO de leaders de l’IA, la narration pourrait s’accélérer, apportant de nouveaux défis pour l’investissement.

Source : Huatai Securities

Avertissement de risque et clause de non-responsabilité

Le marché comporte des risques, l’investissement doit être prudent. Cet article ne constitue pas un conseil d’investissement personnel et ne prend pas en compte les objectifs, la situation financière ou les besoins spécifiques de chaque utilisateur. Les utilisateurs doivent juger si les opinions, points de vue ou conclusions présentés ici sont adaptés à leur situation particulière. En investissant sur cette base, ils en assument la responsabilité.