L’IA est partout. La valeur s’est déplacée.

Le point de bascule

Pendant dix ans, voir « IA » accolé à une entreprise voulait dire quelque chose. Construire un produit qui exploitait des modèles statistiques avancés demandait des compétences rares, du temps, de l’infrastructure, et beaucoup d’échecs avant le premier résultat. Une démonstration qui tournait était en elle-même une preuve sérieuse : la preuve qu’une équipe avait franchi des obstacles que la plupart ne franchissaient pas.

Ce régime est terminé, du moins pour une partie de l’IA. En 2026, une démonstration convaincante se fabrique en quelques jours. Les modèles fondationnels s’appellent par interface programmable, les briques d’orchestration comme LangChain, LlamaIndex ou MCP ont mûri, les assistants de codage abrègent l’assemblage de semaines à quelques jours. Un prototype tourne en quarante-huit heures. Un produit minimum viable en deux semaines. Ce « du moins pour une partie » mérite un arrêt.

Deux étages qu’il ne faut pas confondre

Le mot « IA » recouvre deux métiers que presque tout sépare.

Au sous-sol, la fabrication des modèles. Entraîner un modèle de machine learning classique sur des données métier, un moteur de vision, un système de recommandation. Entraîner surtout un grand modèle de langage : des mois de calcul, des jeux de données massifs, des équipes de recherche, des budgets en dizaines ou centaines de millions. Ce métier n’a pas changé de nature. Il reste rare, lent, coûteux. Personne n’improvise un modèle fondationnel en un week-end, et les acteurs capables de le faire se comptent sur les doigts d’une main en Europe.

Au-dessus, l’usage de ces modèles. Brancher un grand modèle de langage existant sur des documents internes, orchestrer des agents, exposer une interface utilisable. C’est cet étage qui s’est effondré en coût, pas le premier. Construire une application convaincante par-dessus un modèle entraîné par d’autres se fait désormais en quelques jours.

La confusion entre les deux est partout. Quand un dirigeant, un investisseur ou un acheteur public dit « cette boîte fait de l’IA », il parle presque toujours du deuxième étage. C’est là que se joue l’essentiel du marché, et c’est là que la démonstration a cessé de prouver quoi que ce soit. Ce texte parle de cet étage. Le premier, celui de la recherche et de l’entraînement, suit d’autres règles que je laisse de côté ici.

La conséquence est méthodologique. À ce deuxième étage, la démonstration est devenue une commodité. La question qui guidait jusqu’ici la qualification des acteurs, « cette entreprise a-t-elle de la technologie IA ? », ne discrimine plus rien : tout le monde en a, ou sait en avoir l’air. Il faut un autre angle de lecture.

Ce déplacement, beaucoup ne l’ont pas intégré. Je croise chaque mois des décideurs, publics et privés, qui regardent encore le marché avec les instruments d’avant : ils s’émerveillent devant une démonstration, prennent au sérieux un site soigné, valorisent une promesse fabriquée en un week-end. Le résultat est une mauvaise allocation de l’attention et du capital, de l’acheteur à l’investisseur, du référencement à la valorisation. Je propose ici un cadre pour corriger cette lecture.

Où s’est déplacée la valeur

Quand la démonstration se banalise, la valeur ne disparaît pas. Elle se déplace vers ce qui ne se reproduit pas en quelques jours. Vers le temps, les cycles répétés, la confrontation au réel. Plusieurs lieux la concentrent désormais, et aucun n’est accessible d’un coup.

• Les données propriétaires, pour commencer. Un corpus métier accumulé sur des années, que personne ne peut acheter ni recréer vite. Sa valeur ne tient pas au volume mais à la qualité de l’annotation, à la couverture des cas limites, au droit d’usage qui l’entoure. Une base volumineuse et mal tenue ne vaut rien. Une base précise et bien gérée vaut une fortune.
• Viennent les canaux d’acquisition : intégrations, partenariats, relation client déjà installée, que personne ne peut acheter au même coût. Une distribution établie pèse souvent plus que la technologie, parce qu’elle conditionne la possibilité même de monétiser. C’est pourquoi un cabinet de conseil qui se met à l’IA crée parfois plus de valeur qu’une startup mieux équipée techniquement : il a déjà ses clients.
• L’expertise verticale demande des années. La connaissance d’un métier, santé, juridique, finance, industrie, transforme un modèle générique en outil utilisable. Elle se mesure à la capacité de saisir les processus réels d’un secteur, ses contraintes réglementaires, son langage, ses zones d’ombre. Sans elle, un modèle puissant produit des réponses correctes en apparence et fausses sur le fond.
• L’expertise technologique fondamentale est la plus sous-estimée. La maîtrise réelle des modèles, des architectures d’orchestration, des stratégies de récupération augmentée, des protocoles d’interopérabilité agentique sépare les équipes qui assemblent des briques de celles qui savent pourquoi et comment chaque brique fonctionne. Donc quoi faire quand ça casse, quand optimiser, quand arbitrer entre deux architectures. Cette compétence ne se télécharge pas et ne se proclame pas. Elle se prouve aux cycles d’ingénierie traversés.
• L’expérience du déploiement ferme le volet technique. Entre un prototype qui brille en démonstration et un système en production qui sert des utilisateurs métier sur des données critiques, la distance est immense, et c’est l’une des plus sous-estimées du marché. Gouvernance des accès, observabilité, maîtrise des coûts à l’échelle, gestion des montées de version des modèles, résilience opérationnelle. Cela s’accumule projet après projet. Je le mesure à chaque chantier : un acteur qui a une trentaine de déploiements derrière lui n’a pas le même profil de risque qu’un acteur qui en a deux.
• Les coûts de bascule comptent ensuite. Plus une solution est tissée dans les opérations métier, connecteurs sur mesure, modèles ajustés sur les données du client, agents qui ont appris les conventions internes, plus la remplacer coûte cher avec le temps. C’est la défense par l’intégration, et elle tient bon.
• Reste l’exécution. La vélocité de livraison, la qualité produit, la discipline opérationnelle. Ce qui sépare une équipe qui livre chaque semaine d’une autre qui annonce sans livrer. L’exécution est l’enveloppe qui rend le reste possible. La meilleure expertise ne vaut rien si elle ne devient pas du code en production, un client servi, un problème résolu.

Ces lieux ont un point commun : ils ne se trouvent pas dans la couche modèle. Ils sont dans le temps, dans l’expérience, dans la confrontation répétée aux problèmes réels. C’est ce qui distingue un acteur durable d’un acteur de la vague. Je n’ai pas de méthode pour les mesurer chacun au cordeau, et certains se chevauchent. Mais la question change, et c’est déjà beaucoup. Elle ne porte plus sur la présence d’une technologie IA. Elle tient en trois points :

• quelle catégorie d’acteur j’ai en face ;
• où il crée sa valeur ;
• combien d’années d’expérience réelle il a accumulées là où ça compte.

Cinq catégories d’acteurs

La valeur s’étant déplacée, encore faut-il classer ce que je vois. Toutes les entreprises qui se réclament de l’IA ne créent pas leur valeur au même endroit. Je les range en cinq catégories, qui forment un spectre, du plus profond et rare au plus accessible et répandu.

Une règle traverse ce spectre : plus un produit se reconstruit vite avec les outils du moment, moins sa valeur tient à la technologie, et plus elle tient à autre chose, données, distribution, exécution, marque.

Type A. Bâtir les briques de base

Entraîner ses propres modèles, opérer sa propre infrastructure de calcul, publier de la recherche. Capital très lourd, talents rares, horizon long. En France, une poignée d’acteurs s’y inscrivent : Mistral, Hugging Face. La valeur réside dans la technologie elle-même. C’est la seule catégorie qu’aucune équipe ne peut improviser. Elle se compte en années de recherche et en dizaines de millions de capital.

Type B. Adosser l’IA à un métier

L’IA appliquée à un domaine vertical, adossée à des données propriétaires et une expertise sectorielle accumulée sur des années. Santé, juridique, finance, industrie. La technologie compte moins que le corpus et la connaissance métier. Le rempart est dans le vertical. Un Type B sérieux résiste à l’arrivée d’un nouveau modèle fondationnel, parce que sa valeur tient à ce qu’il sait des médecins, des avocats ou des industriels, pas à la qualité du modèle qu’il utilise.

Type C. Faire travailler les modèles ensemble

Agents multi-étapes, récupération augmentée industrialisée, connexion aux outils internes via protocoles d’interopérabilité, routage entre plusieurs modèles. La couche technique est sophistiquée et reproductible en quelques mois. La valeur se déplace vers l’exécution, la profondeur d’intégration, la vitesse de livraison. C’est la catégorie où l’adage « seule l’exécution compte » est le plus vrai. C’est aussi le terrain le plus naturel pour l’écosystème français, dont l’ADN penche depuis trente ans vers les services et l’intégration plus que vers le produit ou la recherche fondamentale. Un atout ici, un handicap un étage plus bas.

Type D. Habiller une interface existante

Une surcouche fine sur des modèles tiers. Le produit se reconstruit en quelques jours avec les outils d’aujourd’hui. La valeur tient à l’expérience utilisateur, à la distribution, à la marque, au marché ciblé. Catégorie parfaitement légitime : un Type D bien distribué peut être plus rentable qu’un Type B mal commercialisé. Le piège est de le valoriser comme s’il disposait d’un avantage technologique défendable. C’est la majorité du marché aujourd’hui, et la majorité de ce qui aura disparu dans dix-huit mois.

Type E. Assembler sans coder

L’automatisation montée dans des outils sans code, n8n, Make, Zapier, sans propriété intellectuelle technique. Surfe la vague, vit de missions ponctuelles. Aucune insulte là-dedans : un Type E peut être rentable au bon prix, et certains acteurs très visibles sur les réseaux en relèvent. Mais il n’existe aucune barrière à l’entrée. Ce que l’un assemble, un autre le refait dans la foulée. La valorisation doit en tenir compte.

Comment se servir de cette grille

Les types descendent en profondeur technique de A vers E, et en barrière à l’entrée avec eux. Un Type A demande des années et des dizaines de millions, un Type E quelques jours d’assemblage. Aucun n’est disqualifiant : un wrapper bien distribué ou un assembleur rentable ont leur place.

L’erreur coûteuse est de confondre les niveaux. Payer un Type D au prix d’un Type B, à l’achat, à la valorisation, au référencement. Ou ignorer un Type B parce qu’il communique peu, et passer à côté de la vraie technologie profonde. Cette confusion est partout en 2026, et c’est elle qui rend une grille nécessaire.

Le bon usage de cette typologie n’a rien de binaire. Bon ou mauvais, à recommander ou à éviter, ces étiquettes ne servent à rien. La grille sert à ajuster l’attention, le prix, et le degré de confiance accordé à un acteur. Un Type A se valorise autrement qu’un Type C, qui se valorise autrement qu’un Type D. Une fois la catégorie identifiée, les bons critères s’appliquent :

• pour un Type B, la profondeur des données et l’ancrage vertical ;
• pour un Type C, la vélocité et la profondeur d’intégration ;
• pour un Type D, la distribution et la marge.

Appliquée avec méthode, alimentée par des signaux publics vérifiables, cette grille suffit à lire le marché sans se laisser prendre aux apparences. La démonstration ne prouve plus rien. Le reste, si.