L’intelligence artificielle générative a concentré un investissement monumental, stimulé la demande pour les centres de données et placé NVIDIA, TSMC ainsi que les grands hyperé scalaires au centre des discussions technologiques. Toutefois, une question demeure : où se situe réellement la valeur ? Benedict Evans, analyste technologique de renom et ancien partenaire chez Andreessen Horowitz, a abordé cette interrogation lors de sa conférence AI Eats the World durant SuperAI Singapore 2025, proposant une lecture plus structurée et moins euphorique du contexte actuel.

Sa perspective ne réduit pas l’IA à une mode passagère, mais ne abdique pas non plus face au récit d’une transformation immédiate de toute l’économie. Selon Evans, l’IA générative pourrait représenter le prochain grand changement de plateforme après le PC, le web et le smartphone. Elle pourrait aussi aboutir à une couche supplémentaire de logiciel, intégrée dans des produits du quotidien pour devenir invisible. La différence entre ces deux scénarios ne se déterminera pas simplement par davantage de titres, mais par un déploiement réel, une adoption par les entreprises et l’émergence de nouveaux modèles économiques.

L’IA se résout toujours en logiciel

Evans rappelle une idée attribuée à Larry Tesler, figure emblématique de l’histoire de l’informatique : l’intelligence artificielle, c’est ce que les machines ne peuvent pas encore faire. Lorsqu’elles parviennent à accomplir une tâche efficacement, on cesse de la qualifier d’IA pour la considérer comme un simple logiciel.

Cette observation explique une part significative de l’évolution technologique récente. Par exemple, les bases de données, qui disposaient d’une capacité de mémoire « hors-norme », ne sont plus perçues comme de l’IA aujourd’hui. La reconnaissance d’images sur mobile, qui paraissait de la magie il y a dix ans, fait partie aujourd’hui du quotidien. Le machine learning, longtemps considéré comme la grande promesse de l’IA, est désormais intégré comme un outil standard dans de nombreuses applications et systèmes.

La question est de savoir si les grands modèles de langage suivront cette même trajectoire. ChatGPT a semblé provoquer un changement radical à son arrivée, mais le passage de l’émerveillement à une utilité durable n’est pas automatique. Evans envisage deux scénarios extrêmes : d’un côté, une multitude de modèles similaires à l’abondance de bases de données ou de feuilles de calcul ; de l’autre, l’émergence d’un « super-ordinateur mondial » capable de résoudre des tâches complexes de manière globale. Entre ces extrêmes, de nombreuses possibilités intermédiaires existent.

Capex important, modèles plus abordables et barrières moindres que prévu

L’un des points essentiels de la présentation est le volume d’investissement. Evans indique que les quatre grandes plateformes technologiques ont dépensé environ 220 milliards de dollars l’année dernière en infrastructure, et pourraient dépasser les 300 milliards cette année pour les centres de données. Microsoft, selon lui, a passé d’un modèle basé sur la vente de logiciels à une allocation de plus de 30 % de ses revenus en capex, une part même supérieure à celle de nombreuses télécoms.

Le gainateur visible principal de ces dépenses est NVIDIA, qui s’est positionnée au cœur de la chaîne d’approvisionnement de l’IA avec des ventes trimestrielles de puces pour centres de données supérieures à 45 milliards de dollars, selon les chiffres cités par Evans. La montée de l’IA a engendré une course à la capacité de calcul, alimentant des modèles et soutenant des services de plus en plus gourmands en infrastructure.

Cependant, cette dépense n’a pas encore permis de créer un monopole clair sur les modèles. Evans souligne que certains modèles frontière commencent à ressembler à des commodités. OpenAI a changé la perception du marché avec ChatGPT, mais plusieurs entreprises sont désormais capables d’offrir des modèles de qualité comparable. DeepSeek, par exemple, démontre qu’avec quelques centaines de millions de dollars, une entreprise peut s’approcher de cette frontière – une somme considérable, mais abordable pour beaucoup de grandes entreprises technologiques globales.

Par ailleurs, le coût de production d’un résultat spécifique avec des modèles de langage baisse très rapidement, peut-être d’un ou deux ordres de grandeur par an. La contradiction est frappante : bien que les investissements en infrastructure IA soient colossaux, le coût unitaire pour utiliser cette intelligence diminue. Cela peut entraîner une homogénéisation des modèles, reléguant la différenciation à d’autres niveaux, comme la construction de produits ou d’applications.

De la simple évaluation (benchmark) au produit fini

Evans compare cette phase à l’industrie PC des années 1990, quand les acheteurs devaient comprendre processeurs, MHz, mémoire, modems et un vocabulaire technique dense. Avec le temps, cette complexité s’est abstraite. Les utilisateurs ont cessé d’acheter selon des spécifications minutieuses pour privilégier applications, expérience, marque, écosystème et utilité.

L’IA pourrait suivre un parcours similaire. Aujourd’hui, la conversation est dominée par les benchmarks, tokens, agents, modèles ouverts ou fermés. Mais si ces modèles deviennent peu coûteux et similaires, la vraie valeur ne résidera pas tant dans le modèle lui-même, mais dans ce qui s’y construit par-dessus.

La marque conserve une importance. Evans note que ChatGPT tend à devenir un verbe, comme Google à ses débuts. Cependant, il rappelle que MySpace a aussi été un verbe pendant un certain temps. La notoriété confère un avantage considérable, mais ne garantit pas une domination pérenne.

Pour les entreprises et startups, la conclusion est à la fois déroutante et pleine d’opportunités : il ne suffit pas de clamer qu’un produit utilise de l’IA. La vraie exigence consiste à résoudre une tâche concrète plus efficacement qu’auparavant. Automatiser la facturation, migrer un code legacy, améliorer le support, organiser la documentation ou accélérer le marketing peut paraître moins spectaculaire que de parler de superintelligence, mais c’est précisément là que beaucoup commencent à percevoir un retour sur investissement.

L’adoption réelle demeure encore dispersée

L’engouement technologique ne doit pas être confondu avec une adoption massive. Evans cite des enquêtes indiquant que seulement entre 7 % et 10 % des personnes utilisent quotidiennement des chatbots d’IA générative. Un autre groupe, proche de 20 %, y recourt une fois toutes les deux semaines ou plus rarement. Beaucoup de nouveaux utilisateurs ont essayé sans toujours savoir quoi faire après.

Ce phénomène n’a rien d’étonnant. La feuille de calcul Excell avait aussi une courbe d’adoption initiale limitée, réservée à ceux qui faisaient déjà des modèles financiers manuels. Pour un comptable, VisiCalc pouvait économiser des journées; pour un avocat, ce n’était pas évident. Avec les grands modèles de langage, une dynamique similaire s’observe. Certains perçoivent immédiatement l’utilité, d’autres restent perplexes face à une boîte de texte vide sans idée claire de la demande.

Les développeurs constituent souvent le premier groupe où l’usage devient évident : Evans compare la génération de code à un « nouveau AWS », réduisant l’effort pour créer et déployer un logiciel. On observe aussi une adoption croissante dans le marketing, la relation client et parmi ceux qui utilisaient déjà des outils flexibles comme Notion, Airtable ou des plateformes no-code.

Dans les entreprises, la barrière principale dépasse la simple compréhension de l’utilité. Beaucoup savent qu’il y a du potentiel, mais doivent faire face à des enjeux pratiques : sécurité, données désorganisées, manque de compétences internes, coûts, conformité réglementaire ou intégration avec des systèmes existants. Comme pour le cloud, le déploiement effectif peut prendre plusieurs années, bien au-delà des discours de marché.

L’IA ne se limite pas à répondre à des questions : elle transforme la question

Une idée clé d’Evans concerne la recherche d’informations. Traditionnellement, on se demande ce qui se passe si l’utilisateur va sur ChatGPT plutôt que sur Google et reçoit une réponse immédiate, sous forme de résumé ou de synthèse. Mais l’évolution la plus profonde pourrait résider ailleurs : l’IA permet de poser des questions qui n’étaient pas envisageables auparavant.

Imaginez simplement : montrer une photo du contenu d’un réfrigérateur et demander ce qu’on peut cuisiner. Cela ne correspond pas au mode de recherche classique. Il ne s’agit pas de trouver dix liens, mais d’interpréter l’image, comprendre le contexte, suggérer des options et éventuellement relier cela à des listes d’achats, des préférences ou des disponibilités en temps réel. Si ce type d’interaction devient courant, la façon même de rechercher, d’acheter ou de cibler la publicité sera bouleversée.

Evans souligne que chaque année, environ un billion de dollars sont investis en publicité, principalement concentrés chez Google, Meta et Amazon. Si l’IA modifie notre manière de chercher, de décider et d’acheter, une partie de ce marché pourrait muter. Toutefois, la question demeure quant à la destination précise de ces flux financiers.

Sa conclusion prudent explique que certaines questions sur l’IA seront résolues selon des patterns déjà connus, notamment lors de précédents changements de plateforme : adoption progressive, intégration, compétition. D’autres aspects, en revanche, restent encore incertains. En 1995, il était difficile d’imaginer que le web générerait de la valeur par le biais de moteurs de recherche, de publicité ou de réseaux sociaux. Aujourd’hui, il est clair qu’il y aura des évolutions dans le domaine de l’IA, mais la structure finale du marché reste imprévisible.

La IA générative pourrait transformer une partie du monde, mais probablement de façon plus lente, plus fragmentée et plus concrète que ce que certains discours alarmistes laissent entendre. En attendant, les opportunités économiques majeures continueront de naître là où l’on transforme une technologie puissante en produits pragmatiques, intégrés et capables de modifier des tâches réelles.

Questions fréquentes

Qui est Benedict Evans ?

Benedict Evans est un analyste technologique spécialisé dans les plateformes numériques, l’investissement, Internet, mobiles, cloud, logiciels et intelligence artificielle. Il est reconnu pour ses tribunes et présentations sur les transformations structurelles en technologie.

Que défend-il dans « AI Eats the World » ?

Evans argue que l’IA générative peut représenter un changement de plateforme majeur, tout en soulignant que la localisation du vrai valeur reste incertaine et que les modèles pourraient ne pas offrir un avantage durable.

Pourquoi compare-t-il l’IA au PC ou au web ?

Parce que ces grands changements technologiques suivent souvent des cycles : d’abord une période d’incertitude, puis l’intégration dans des produits existants, et enfin la création de nouveaux usages, entreprises et modèles économiques.

Où se situe la véritable opportunité économique de l’IA ?

Les applications concrètes, l’intégration dans les processus, les données, l’expérience utilisateur et les workflows spécifiques seront probablement les terrains privilégiés, plutôt que le simple modèle isolé.