La bulle de l’intelligence chère

Révision du 3 octobre 2026 — Ce texte a été resserré et réorganisé pour supprimer des répétitions et des développements secondaires. Sa thèse centrale est inchangée.

Je développe actuellement Équilibre, un logiciel de comptabilité devenu beaucoup plus ambitieux que je ne l’avais envisagé.

Son moteur doit garantir la cohérence des écritures, préserver leur historique et permettre les corrections sans détruire la piste d’audit. Une erreur d’architecture peut y rester invisible longtemps : le logiciel fonctionne, les chiffres semblent plausibles, mais quelque chose est faux.

Pour construire ses fondations, j’ai utilisé GPT-6 Astra, présenté par OpenAI comme son modèle le plus capable. Puis j’ai commencé à travailler avec GPT-6.1 Sol, avec un niveau de raisonnement élevé. Les résultats demeuraient satisfaisants pour les tâches que je lui confiais, et ma consommation de quota avait considérablement diminué.¹

J’étais heureuse d’avoir Astra pour concevoir le cœur du système. Mais une fois les fondations établies, utiliser le modèle le plus puissant pour chaque modification courante revenait parfois à engager un ingénieur en chef pour serrer chaque boulon.

Les tarifs de l’API donnent une idée de l’écart : à quantité de texte égale, ceux de Sol sont cinq fois plus bas que ceux d’Astra.² Ce rapport ne mesure pas mon économie de quota, mais il éclaire le choix auquel je suis confrontée : quelle capacité vaut la peine d’être payée pour le travail à accomplir?

Le modèle le plus puissant n’est pas nécessairement le plus utile.

Cette observation paraît modeste. Pourtant, elle ouvre une question beaucoup plus large : que deviennent les investissements dans l’IA si une part croissante du travail intellectuel devient bon marché?

Ce que nous achetons vraiment

La course à l’IA se raconte surtout en capacités : des modèles plus puissants, davantage de calcul, de nouveaux centres de données.

Pour l’utilisateur, la mesure décisive est pourtant ailleurs. Combien coûte un résultat utile?

Trouver un bogue, programmer une fonction, rapprocher une transaction bancaire : voilà ce que j’achète réellement. Le coût comprend aussi les vérifications et les corrections. Une réponse plausible n’est pas encore une tâche accomplie.

Or, une capacité qui exige aujourd’hui un modèle coûteux pourrait devenir accessible demain avec un modèle plus efficace. Ce qui était exceptionnel deviendrait courant, puis bon marché.

Repousser la frontière et rendre ses capacités accessibles sont deux formes de progrès. La première occupe les manchettes. La seconde pourrait bouleverser l’économie de l’IA tout autant.

Une infrastructure utile peut être un mauvais investissement

Le risque financier prend alors une autre forme.

Les centres de données pourraient être très utilisés, les applications se multiplier et l’IA transformer réellement l’économie, tout en rapportant moins que prévu à certains investisseurs.

On peut avoir raison sur l’importance d’une technologie et tort sur le prix qu’il faut payer pour y investir.

Si le coût du travail utile baisse rapidement, les fournisseurs devront peut-être vendre beaucoup plus pour obtenir les recettes attendues. Leurs installations peuvent fonctionner à plein régime sans dégager assez de revenus pour couvrir leur exploitation, leur financement et leur renouvellement.

Cela ne suffit pas à annoncer une bulle. Si les coûts baissent plus vite que les prix, ou si la demande augmente suffisamment, l’investissement peut rester très rentable. Tout dépend de ce qui a été payé aujourd’hui en échange des revenus espérés demain.

L’hypothèse fragile serait de confondre la valeur du service rendu avec la rente qu’il permettra de conserver. Une technologie peut devenir indispensable précisément parce qu’elle devient abordable.

Moins cher, donc davantage utilisé

Il reste une objection : la baisse du coût pourrait faire exploser la demande.

Dès 1865, William Stanley Jevons expliquait que rendre l’usage du charbon plus efficace pouvait en accroître la consommation, en ouvrant de nouveaux débouchés.³ C’est le mécanisme du rebond : les usages supplémentaires absorbent une partie des économies, et parfois les dépassent.⁴

Si une tâche passe de cent unités de calcul à vingt, mais que nous l’exécutons dix fois plus souvent, la consommation totale double.

Je vois déjà ce mécanisme à mon échelle. Une IA moins coûteuse ne m’incite pas seulement à économiser mon quota. Elle rend raisonnables des tâches que j’aurais hésité à confier au modèle le plus cher : davantage de tests, de vérifications et de petites itérations.

Le coût unitaire diminue; l’usage augmente.

Mais cette hausse ne règle pas à elle seule la question des rendements. Il faut encore savoir à quel prix ces nouveaux usages seront vendus et qui en recueillera les bénéfices.

La technologie et son prix

Les chemins de fer offrent ici un rappel utile. Dans la Grande-Bretagne des années 1840, la Railway Mania a fait s’envoler les cours avant une longue chute qui a englouti des fortunes.⁵ Le chemin de fer a pourtant continué de transformer l’économie.

La réalité de la révolution technologique n’a pas protégé les investisseurs contre les erreurs de prix.

L’IA pourrait suivre une trajectoire semblable. Son succès pourrait tenir à la diffusion de capacités devenues assez abordables pour entrer dans une multitude d’activités. Une partie de la valeur se retrouverait alors chez ceux qui les utilisent, sans produire les rendements espérés par ceux qui avaient financé leur développement.

Nous regardons beaucoup la puissance de la prochaine génération. Nous devrions regarder tout autant le prix auquel les capacités déjà disponibles deviennent accessibles.

La bulle de l’IA, si elle existe, pourrait ainsi reposer sur une conviction paradoxale : avoir compris que l’intelligence allait devenir omniprésente, tout en ayant parié qu’elle resterait chère.