Qu’arrive-t-il à une industrie pesant plusieurs milliards de dollars lorsque la valeur se déplace « vers le haut de la pile » (up the stack) ? Cette question est au cœur de la ruée vers l’or actuelle de l’IA, alors que l’analyste technologique Benedict Evans compare la trajectoire des grands modèles de langage (LLM) à l’histoire de l’internet mobile. Tout comme les entreprises de télécommunications ont dépensé des milliards pour construire l’infrastructure sophistiquée de la 3G et de la 4G pour finalement voir les profits réels capturés par les applications s’appuyant sur ces réseaux, les fournisseurs de « modèles de fondation » pourraient être en train de construire une commodité que d’autres monétiseront à terme.

La preuve la plus immédiate d’une « adéquation produit-marché » (product-market fit) réussie se trouve actuellement dans le codage agentique. Alors que de nombreux secteurs se demandent encore comment intégrer l’IA dans un flux de travail quotidien, les développeurs de logiciels ont déjà franchi le pas. Ce basculement transforme la nature même de l’ingénierie, déplaçant la conversation des gains de productivité théoriques vers l’automatisation concrète des tâches de niveau débutant. Cependant, ce succès dans le codage contraste fortement avec le marché grand public, où la majorité des utilisateurs interagissent avec l’IA sur une base hebdomadaire plutôt que quotidienne, suggérant que le « Nirvana » d’un outil d’IA quotidien véritablement indispensable n’est pas encore arrivé.

À l’avenir, la véritable transformation ne résidera probablement pas dans l’exécution plus rapide d’anciennes tâches, mais dans la réalisation de choses qui étaient auparavant impossibles. Evans suggère que la prochaine vague de valeur se trouvera dans des problématiques « moitié IA, moitié industrie » — là où la solution requiert une expertise approfondie dans un domaine tel que le droit, la finance ou les médias, combinée aux capacités de l’IA. L’objectif n’est pas simplement de créer un meilleur tableur ou un e-mail plus rapide, mais d’identifier les « trous dans l’univers » — des problèmes dont les entreprises ne réalisaient même pas l’existence jusqu’à ce qu’un nouveau niveau d’abstraction rende la solution possible.

Perspectives Surprenantes

• Le piège de l’infrastructure : Il existe un précédent historique fort où les couches d’« infrastructure » (comme les télécoms ou les fabricants de puces) deviennent des commodités à faible marge, tandis que la couche applicative capture presque toute la valeur économique.


• Le problème de la « moyenne » : Les LLM sont exceptionnellement doués pour fournir la réponse « moyenne » — la manière dont n’importe qui ou n’importe quel collaborateur effectuerait une tâche — mais ils peinent dans les domaines où la valeur provient du fait de faire quelque chose de spécifiquement différent de la norme.


• Le paradoxe de Jevons appliqué à l’IA : Rendre une tâche moins coûteuse (comme la génération d’un modèle financier) ne permet pas nécessairement d’économiser de l’argent ; cela conduit souvent à une explosion du volume de cette tâche, ce qui peut maintenir les coûts stables tout en augmentant la production totale.


• Progrès non linéaires : Contrairement aux transitions précédentes (comme le PC ou le mobile), les limites physiques de l’IA ne sont pas encore connues. Nous ne connaissons ni le plancher des prix ni le plafond des capacités, faisant des valorisations actuelles un pari sur un équilibre inconnu.

Enseignements Pratiques

• Évitez le « meilleur » et visez le « nouveau » : Ne vous concentrez pas sur l’utilisation de l’IA pour accomplir d’anciennes tâches 10 % plus rapidement. Demandez-vous plutôt : « Qu’est-ce qui est désormais possible alors que c’était totalement prohibitif en termes de coûts ou physiquement impossible il y a deux ans ? »


• Concentrez-vous sur la « périphérie » (the edge) : Recherchez des opportunités dans l’IA embarquée (on-device). À mesure que la puissance de calcul devient « gratuite » pour le développeur grâce au matériel de l’utilisateur, le coût marginal d’exécution des modèles chute, ouvrant de nouveaux modèles économiques.


• Combinez l’IA avec une expertise sectorielle approfondie : La valeur la plus élevée se trouve actuellement à l’intersection de l’IA et de connaissances industrielles spécifiques (par exemple, le fonctionnement interne réel d’un cabinet d’avocats), plutôt que dans des outils de chatbots généralistes.


• Auditez vos flux de travail « juniors » : Pour les managers, évaluez si vous recrutez du personnel débutant pour les tâches qu’ils effectuent ou pour les résultats qu’ils apportent. Si les tâches sont automatisées, le modèle de recrutement et de formation de la prochaine génération de professionnels doit être fondamentalement repensé.