Il y a quelques semaines, Uber a annoncé que ses dépenses en intelligence artificielle avaient dépassé l'ensemble de son budget annuel prévu en quelques mois à peine. Une entreprise a reçu une facture d'un demi-milliard de dollars d'Anthropic pour un seul mois d'utilisation. Microsoft a résilié sa licence Claude Code parce qu'elle coûtait trop cher. GitHub a vu le coût de son outil IA multiplié par cinq à neuf en quelques semaines.

Ces faits ne sont pas des anomalies. Ils sont les symptômes d'un effondrement annoncé.

L'industrie de l'IA générative américaine a construit son modèle économique sur un pari : que ses systèmes remplaceraient le travail humain à une échelle suffisante pour rembourser des dettes qui s'élèvent, selon les estimations les plus prudentes, à plusieurs milliers de milliards de dollars. Ce pari est en train de perdre pour des raisons documentées, mesurables, et publiées — et non pour des raisons d'opinion.

Sur les hallucinations. Xu, Jain et Kankanhalli (2024) ont formalisé mathématiquement le problème et démontré, par des résultats issus de la théorie de l'apprentissage, qu'il est impossible d'éliminer les hallucinations dans les grands modèles de langage ¹⁾. Tout système qui génère du texte par prédiction statistique produira nécessairement, par construction, des sorties non ancrées dans les faits. Ce n'est pas un défaut d'ingénierie corrigible : c'est une propriété structurelle. Computerworld a rapporté en février 2026 qu'OpenAI avait lui-même reconnu cette limite dans ses propres publications de recherche ²⁾.

Sur les agents IA en entreprise. L'équipe de recherche de l'université Carnegie Mellon (CMU), en collaboration avec Salesforce, a publié en décembre 2024 le benchmark TheAgentCompany ³⁾, qui évalue les agents IA sur des tâches professionnelles réelles dans un environnement de simulation d'entreprise. Résultat : le meilleur agent (Claude 3.5 Sonnet d'Anthropic) n'a pu mener à terme que 24 % des tâches assignées de manière autonome. Gemini de Google a obtenu 11 %, Amazon Nova 1,7 %. Pour des tâches longues et multi-étapes, le taux d'échec approche 70 %.

Sur l'emploi. Oxford Economics a publié en janvier 2026 un rapport de synthèse concluant que les entreprises ne remplacent pas les travailleurs par l'IA à une échelle significative ⁴⁾. Sur les quelque 55 000 suppressions d'emplois attribuées à l'IA aux États-Unis durant les onze premiers mois de 2025, ce chiffre ne représente que 4,5 % de l'ensemble des suppressions d'emplois déclarées. Oxford Economics soupçonne certaines entreprises d'utiliser la rhétorique de l'IA pour habiller en bonne nouvelle des licenciements liés à une demande faible ou à des sur-embauches passées.

Sur la dette. En octobre 2025, la dette liée à l'IA avait atteint 1 200 milliards de dollars, faisant de ce secteur le plus grand segment du marché obligataire investment grade américain, dépassant les banques américaines dans l'indice JPMorgan US Liquid ⁵⁾. Selon les analystes de Vontobel, les émissions obligataires liées à l'IA pourraient atteindre 1 500 milliards de dollars sur cinq ans, représentant 15 à 20 % de la plupart des indices obligataires d'entreprise ⁶⁾. JPMorgan projette que d'ici 2027, les investissements en IA dépasseront les dépenses militaires mondiales ⁷⁾.

Il faut ajouter un argument que les analyses financières classiques négligent souvent, et qui aggrave encore le pronostic pour les laboratoires de pointe, indépendamment de la question de la fiabilité technique.

Le plan de blitzscaling n'a fonctionné pour Uber et Airbnb que parce qu'il n'existait pas de substituts bon marché et de qualité comparable : une fois la concurrence éliminée, le monopole permettait d'imposer ses prix. Cette condition est absente dans le cas de l'inférence de grands modèles de langage. Des modèles open source de qualité croissante — Mistral, LLaMA et leurs dérivés — sont disponibles gratuitement, s'exécutent localement, sans abonnement, sans transfert de données, et à un coût marginal tendant vers zéro. Ils s'améliorent rapidement, portés par une communauté mondiale que personne ne finance et que personne ne peut racheter.

Cela signifie que même si les modèles propriétaires devenaient suffisamment fiables pour générer une vraie valeur économique, cette valeur ne serait pas capturable sous forme de rentes par les laboratoires qui ont accumulé les dettes. Elle deviendrait de la valeur diffuse, appropriée par les utilisateurs et les développeurs, non par les actionnaires d'OpenAI ou d'Anthropic. On obtiendrait une création de valeur réelle mais modeste — comparable à celle de l'infrastructure cloud, inférieure à celle d'Internet — dont l'essentiel échappe aux investisseurs qui ont parié sur des marges de monopole.

Le seul récit qui justifie encore les valorisations actuelles est donc purement spéculatif : convaincre les marchés que ces laboratoires sont en route vers l'intelligence surpassant l'humain, puis vers l'intelligence artificielle générale. Ce discours a pris, ces derniers mois, une tonalité franchement messianique. Quand on lit les commentateurs les plus optimistes, on observe que la proportion de leur argumentation portant sur la valeur présente — revenus réels, marges, clients — est devenue marginale face à la valeur future spéculative. Ce n'est plus de l'analyse : c'est de la foi.

La précaution s'impose d'autant plus que cette foi peut se retourner très vite.

Nos hôpitaux, nos administrations, nos universités, nos PME ont été exhortés depuis quatre ans à « intégrer l'IA » sous peine d'obsolescence. Beaucoup l'ont fait, parfois avec discernement, souvent sous pression et sans analyse critique suffisante. Des contrats ont été signés. Des données ont été transférées vers des serveurs américains. Des compétences internes ont été délaissées au profit de services externes.

Trois risques concrets se profilent.

1. Le premier est la rupture de service. Une faillite ou une restructuration brutale d'un grand fournisseur d'IA peut interrompre des services dont des organisations entières dépendent désormais pour fonctionner quotidiennement, sans solution de remplacement disponible à court terme.
2. Le second est l'explosion des coûts. Le passage actuel à une facturation à la consommation, après des années d'abonnements subventionnés destinés à créer la dépendance, annonce des hausses de prix considérables. Des organisations qui ont intégré ces outils dans leurs processus n'ont plus de solution de repli facile.
3. Le troisième est le risque financier systémique. La dette liée à l'IA représente aujourd'hui 15 à 20 % des indices obligataires d'entreprise mondiaux. Une crise de confiance dans ce secteur ne resterait pas confinée à la Silicon Valley. Elle traverserait les marchés financiers auxquels sont exposés les fonds de pension, les assureurs et les épargnants européens.

Il faut poser la question franchement : que se passe-t-il si les grandes firmes d'IA, plutôt que d'admettre l'échec de leur modèle, choisissent de continuer à lever des fonds, à promettre des percées imminentes, et à entraîner dans leur sillage de nouveaux investisseurs, de nouvelles administrations, de nouveaux cadres réglementaires — jusqu'à ce que l'ajustement soit inévitable mais beaucoup plus douloureux ?

Ce scénario n'est pas hypothétique : c'est précisément ce que décrivent les introductions en bourse précipitées d'OpenAI et d'Anthropic. L'objectif déclaré est de lever des capitaux frais auprès d'investisseurs particuliers et institutionnels — fonds de pension, assureurs, épargne retraite — qui n'ont pas nécessairement les outils pour évaluer la solidité réelle du modèle économique sous-jacent.

L'histoire financière récente offre des précédents inquiétants. La crise des subprimes de 2008 n'a pas éclaté parce que les acteurs ignoraient les risques : elle a éclaté parce que chacun avait intérêt, à court terme, à prolonger le jeu. Les banques vendaient des produits qu'elles savaient toxiques. Les agences de notation les validaient. Les régulateurs regardaient ailleurs. Et l'effondrement, quand il est venu, a frappé en priorité ceux qui n'avaient pas participé au festin.

Or, comme le note JPMorgan dans une analyse récente ⁸⁾, un investisseur européen ordinaire qui détient un fonds en actions diversifié et un fonds obligataire est, sans le savoir, exposé deux fois à la même thèse IA : via les Magnificent Seven dans la poche actions, et via la dette hyperscaler dans la poche obligataire. Ce sont les deux faces d'un même pari, dans les deux compartiments d'un portefeuille censé les équilibrer.

Une fuite en avant prolongée de l'industrie pourrait retarder l'ajustement de deux ou trois ans tout en aggravant considérablement son amplitude. Chaque trimestre supplémentaire pendant lequel des organisations européennes migrent compétences, données et budgets vers des systèmes propriétaires dont la pérennité est incertaine est un trimestre de vulnérabilité accumulée de plus.

Mais il faut aussi envisager l'hypothèse inverse, et c'est là que la précaution prend tout son sens : que se passerait-il si nous nous trompions dans l'autre sens ? Si l'industrie parvenait à stabiliser ses coûts, à améliorer substantiellement la fiabilité de ses modèles, et à générer enfin un retour sur investissement positif ? Une Europe qui aurait abandonné toute adoption de l'IA par excès de prudence se trouverait dans une position de retard structurel difficile à combler.

Ce n'est donc pas entre « adopter » et « rejeter » qu'il faut choisir. C'est une question de diversification du risque, de réversibilité des choix, et de maintien des compétences internes — exactement ce qu'on attend de tout gestionnaire responsable face à un risque de concentration documenté.

Pour ne pas être pris par surprise dans un sens ou dans l'autre, les décideurs européens — politiques, économiques, académiques — devraient surveiller attentivement plusieurs signaux.

1. Le premier indicateur est l'évolution des marges opérationnelles des grands laboratoires d'IA. OpenAI affichait au premier trimestre 2026 une marge opérationnelle de -122 % : pour chaque dollar de revenu, la société perdait 1,22 dollar. Si cette trajectoire ne s'inverse pas avant les IPO annoncées, les introductions en bourse pourraient échouer ou déclencher une correction brutale.
2. Le second est le comportement des grands clients entreprises. Le taux de résiliation ou de renégociation des contrats IA dans les grandes entreprises américaines et européennes est un indicateur avancé fiable. Quand Uber, Microsoft et d'autres commencent à reculer publiquement, les autres suivront en silence.
3. Le troisième est l'évolution des prix à la consommation des API. Une hausse brutale des tarifs signale que la période de subvention croisée est terminée et que le fournisseur cherche à réduire ses pertes avant un événement de liquidité (IPO ou faillite).
4. Le quatrième est le volume et la qualité des publications de recherche sur les limites fondamentales des LLM. Des résultats comme ceux de Xu et al. ⁹⁾ sur les limites mathématiques de la fiabilité des IA sont des signaux scientifiques majeurs que la presse généraliste relaie avec retard.
5. Le cinquième est l'adoption des modèles open source dans les grandes organisations. Quand des ministères, des banques centrales ou des groupes industriels européens basculent vers des modèles locaux comme Mistral ou LLaMA, c'est le signe qu'ils ont conduit leur propre analyse de risque — et qu'elle plaide pour la réversibilité.

L'Europe n'est pas sans ressources. Elle dispose de la communauté du logiciel libre la plus structurée au monde, de modèles de langage open source compétitifs, d'un cadre réglementaire — le RGPD, l'AI Act — qui peut être retourné en avantage compétitif plutôt que subi comme une contrainte, et d'une tradition universitaire et de service public qui valorise la durabilité et l'indépendance sur la croissance à tout prix.

Mais cette voie exige des choix politiques clairs :

1. favoriser les marchés publics vers des solutions libres et hébergées localement,
2. investir dans les compétences internes plutôt que dans la dépendance externalisée,
3. exiger la portabilité et l'interopérabilité des données dans tout contrat public lié à l'IA, et
4. financer la recherche publique sur les usages réels de l'IA — pas sur la course aux modèles toujours plus grands.

La question n'est pas de savoir si l'IA générative peut être utile. Elle peut l'être, dans des usages circonscrits, avec une supervision humaine adéquate. La question est de savoir si l'Europe va continuer à financer une bulle financière américaine sans se prémunir contre ses effets — ou si elle va construire, pendant qu'il en est encore temps, une infrastructure numérique résiliente qui lui appartienne.

L'horloge tourne. Les signaux sont là. Il reste à les lire — et à prendre des positions de précaution, que la bulle éclate ou non.

Nicolas Pettiaux est docteur en physique (ULB, 1995), enseignant de mathématiques en secondaire supérieur à l'Athénée Royal de Ganshoren (Bruxelles), collaborateur scientifique au laboratoire LISA (ULB), président de l'ASBL EduCode et représentant officiel de Creative Commons en Belgique. Il milite depuis plus de vingt ans pour la souveraineté numérique, les logiciels libres et les biens communs numériques.

Cet article est publié sous licence CC BY-SA 4.0. Reproduction libre avec attribution.