L’IA et le mirage du plus c’est mieux

Le « mirage des lois d’échelle » est un gouffre financier (et environnemental) qui s’ouvre pour les géants de l’IA. En 2025, les dépenses d’infrastructure IA dépassent déjà les revenus réalisés, et chaque GPU supplémentaire ressemble davantage à un fardeau qu’à une promesse de croissance. Si l’IA reste porteuse d’opportunités, ses fondations économiques et techniques demeurent fragiles, au point de menacer la souveraineté technologique de pays entiers.

À retenir

• Scaling laws : la puissance explose, les gains cognitifs plafonnent
• Gap financier : 840 milliards $ par an à combler, ROI incertain
• Consommation : 10× l’énergie d’une recherche Google, 700 000 L d’eau par entraînement
• Adoption : 5,4 % des entreprises US utilisent l’IA en 2024
• Risque systémique : dépendance à des modèles non rentables

L’IA, un mirage technique et économique

L’obsession des « scaling laws » a imposé l’idée que plus on injecte de données et de puissance, plus l’IA devient intelligente. Cette logique, séduisante pour les investisseurs, montre pourtant ses limites : des modèles récents comme GPT‑4 exigent environ 40 fois plus de calcul sans amélioration proportionnelle. Quand la performance ne suit plus la puissance, c’est l’édifice économique et la promesse de souveraineté numérique qui vacillent.

Les lois d’échelle sous le microscope

Gary Marcus avertit que les grands modèles de langage ne sont que des imitateurs sophistiqués, incapables de véritable compréhension. L’augmentation de la taille des modèles améliore surtout leur capacité à reproduire des motifs statistiques, pas à raisonner. Le coût d’un modèle de type GPT‑4 a explosé, alors que la marge d’amélioration est désormais ténue, ce qui remet frontalement en cause l’hypothèse de proportionnalité entre taille, puissance et intelligence.

La promesse de la puissance contre le coût réel

Chaque GPU supplémentaire représente un investissement lourd, rarement amorti à court terme. Les centres de données, saturés de cartes Nvidia, exigent des systèmes de refroidissement massifs et une électricité bon marché. L’augmentation attendue de la consommation électrique des data centers, estimée à +160 % d’ici 2030, met en évidence une tension déjà palpable : l’IA est devenue un véritable ogre d’eau et d’énergie pour des bénéfices encore flous.

Le prix caché de l’échelle : l’érosion de la rentabilité

Le calcul de David Cahn met en lumière un déficit annuel d’environ 840 milliards $ que le secteur doit combler pour soutenir la course actuelle. Les géants du cloud et des semi‑conducteurs se financent mutuellement dans une « économie circulaire fermée », qui masque une demande finale encore limitée. Si l’IA ne dégage pas rapidement le retour sur investissement promis, cette boucle d’autofinancement pourrait se transformer en crash brutal du secteur, proche d’un « flash crash » technologique.

Entre ambition et réalités climato‑économiques

Le coût environnemental et financier de l’IA n’est plus une marge d’erreur dans un tableur d’analyste. Des chiffres très concrets montrent désormais l’empreinte réelle de ces systèmes sur l’énergie, l’eau et l’investissement productif, bien au‑delà du simple buzz médiatique.

Consommation énergétique et eau – un double défi

Une seule requête ChatGPT consomme environ 10 fois plus d’énergie qu’une recherche Google classique. Entre 2022 et 2026, la consommation électrique mondiale des data centers pourrait purement et simplement doubler, mettant sous pression des réseaux déjà fragiles. L’entraînement de GPT‑3 a nécessité autour de 700 000 litres d’eau, un symbole d’inefficience dans un contexte de stress hydrique croissant pour de nombreux territoires.

Les investissements massifs – 1 000 milliards $ sans garantie de rentabilité

Goldman Sachs anticipe que les leaders de la tech investiront près d’un trillion de dollars en CapEx dédié à l’IA sur quelques années, sans garantie de retour. Or la demande réelle reste modeste : en 2024, seules 5,4 % des entreprises américaines déclarent utiliser l’IA de manière opérationnelle. Ce décalage alimente un véritable « paradoxe de la productivité » : des dépenses records pour des gains encore difficiles à mesurer.

L’économie circulaire de l’IA – un risque de dépendance aveugle

Les hyperscalers investissent dans les fabricants de puces, qui réinjectent ces capitaux dans de nouveaux centres de données, que les mêmes hyperscalers s’empressent de louer. Cette boucle d’investissement interne peut gonfler des valorisations sans rapport avec l’usage réel. La Banque d’Angleterre alerte désormais sur une dépendance aveugle à quelques fournisseurs d’IA : en cas de rupture de confiance ou de baisse de rentabilité, le choc pourrait se propager à l’ensemble de l’économie mondiale.

Le Hype Cycle comme moteur d’innovation

Face à ces signaux d’alerte, les défenseurs de l’IA avancent que ces difficultés sont prévisibles et même nécessaires. Selon eux, chaque vague technologique passe par une phase d’excès, suivie d’un ajustement avant que n’apparaissent les usages réellement utiles.

La désillusion comme étape nécessaire

Gartner place l’IA générative dans le « Trough of Disillusionment » pour 2024‑2025, une phase classique avant la consolidation des usages. Cette désillusion ne traduit pas un échec définitif, mais un tri entre promesses marketing et cas d’usage réellement créateurs de valeur. Des groupes comme Microsoft ou Meta déclarent déjà des gains concrets, notamment sur la productivité interne des équipes.

Productivité et gains macroéconomiques à long terme

Les études de J.P. Morgan et PwC anticipent jusqu’à 15 points de PIB mondial supplémentaires d’ici 2035 grâce à l’IA. Les gains de productivité, évalués à un facteur 2 à 3 dans certains métiers, supposent cependant une phase d’adaptation longue : formation, réorganisation des tâches, refonte des outils. Le cycle de maturité de l’IA pourrait s’étaler sur une quinzaine d’années, soit deux fois plus longtemps qu’Internet, mais les partisans jugent ces délais compatibles avec l’ampleur du chantier.

Les « pousses vertes » – une meilleure intégration

Les entreprises qui intègrent l’IA au cœur de leurs processus, plutôt qu’en gadget, constatent déjà des bénéfices mesurables. La réduction des erreurs, l’automatisation de tâches répétitives et l’aide à la décision fondée sur les données offrent un avantage concurrentiel difficile à ignorer. Le véritable risque pour ces acteurs n’est plus tant l’expérimentation, que l’attentisme prolongé face à des concurrents qui apprennent plus vite.

Une lucidité indispensable pour avancer

L’IA dispose d’un potentiel considérable, mais sa trajectoire actuelle se heurte à un mur technique, financier et environnemental. La communauté technologique doit revoir ses attentes liées aux lois d’échelle, et accepter que la taille n’est plus un modèle de développement soutenable. Redéfinir les modèles d’affaires, ralentir la fuite en avant computationnelle et mesurer rigoureusement les coûts seront indispensables pour éviter un choc systémique. C’est à ce prix que la promesse d’une IA utile et rentable pourra devenir une réalité durable, et non une bulle de plus dans l’histoire des technologies.