LLM, GenAI, IA Agentique, Datacenters… vers un nouvel hiver de l’IA ?

Le 30 novembre 2022 est une date charnière, marquant un véritable changement de paradigme. Depuis la sortie de ChatGPT, le marché de l’IA a grandement évolué et tous les esprits se sont tournés vers l’IA générative, les LLM ou encore l’IA agentique.

Il faut dire que les investissements sont à la hauteur des immenses promesses portées par les entreprises portant ces technologies. Startups, grands groupes, fonds d’investissement et gouvernements semblent se livrer une véritable course à l’IA, chacun cherchant à capter une part de cette révolution technologique annoncée.

Mais lorsqu’on s’intéresse au sujet en détail, on découvre un engouement souvent nourri par d’énormes promesses et campagnes marketing, des investissements qui tournent parfois en boucle et des projets qui n’apportent que très peu de retour sur investissement réel.

Or, quand on se penche sur l’histoire de l’intelligence artificielle, on constate que les phases d’engouement incontrôlées, voire infondées pour certaines, ont presque systématiquement débouché sur de grandes désillusions. Ces périodes sont connues sous le nom d’hivers de l’IA : des moments où les promesses non tenues entraînent une chute brutale des investissements et de l’intérêt pour la discipline.

L’histoire serait-elle en train de se répéter ? C’est la question que nous allons essayer d’élucider dans cet article. 

Un engouement massif et des promesses marketing

Depuis 2023, l’intelligence artificielle est devenue le sujet incontournable de l’innovation technologique. Chaque semaine voit apparaître de nouveaux modèles, frameworks, outils, plateformes ou experts promettant de transformer radicalement les entreprises.

Les discours marketing évoquent une IA capable de :

• remplacer de nombreux métiers intellectuels,
• automatiser des processus complexes,
• révolutionner la productivité,
• créer des agents autonomes capables de gérer seuls des workflows entiers.

Dans ce contexte, les entreprises ressentent une pression croissante : ne pas adopter l’IA serait prendre le risque de se laisser dépasser.

Cette dynamique a entraîné une inflation spectaculaire sur l’offre.

Pourtant, une part importante de cet engouement repose aujourd’hui davantage sur le marketing que sur des résultats économiques tangibles.

Source : L’Express

Les démonstrations sont impressionnantes, les annonces spectaculaires et les levées de fonds colossales. Mais lorsque l’on regarde les projets déployés dans les entreprises, le constat est souvent plus nuancé, pour ne pas dire déceptif : le retour sur investissement reste pour l’instant relativement famélique.

Dans beaucoup d’organisations, les cas d’usage réellement productifs se limitent à quelques applications bien précises comme de l’assistance rédactionnelle, la génération de contenu, la support client automatisé ou encore l’aide à la recherche documentaire

Ces applications peuvent apporter des gains de productivité intéressants, mais elles restent souvent loin des transformations radicales promises par le marketing autour de l’IA générative.

Par ailleurs, le développement des modèles les plus avancés repose sur des ressources et des investissements colossaux. L’entraînement et l’exploitation de ces systèmes nécessitent :

• des centres de données gigantesques
• des milliers de GPU spécialisés
• des infrastructures cloud massives
• des équipes de recherche très coûteuses

Résultat : les entreprises qui développent les modèles les plus en vogue brûlent aujourd’hui des quantités massives de capital.

Même les acteurs les plus visibles du marché restent encore très loin d’un modèle économique rentable. Les revenus issus des abonnements ou des API sont encore loin de compenser les coûts gigantesques liés à l’entraînement et à l’exploitation des modèles.

Source Bloomberg, repris par Chartr

Autrement dit, l’écosystème actuel de l’IA générative est sous perfusion et repose encore largement sur des investissements anticipant une valeur future qui reste à démontrer à grande échelle.

Et c’est précisément ce type de décalage, entre promesses technologiques, hype médiatique et réalité économique, qui, historiquement, a souvent précédé les périodes de refroidissement du secteur.

Des investissements massifs… qui tournent en rond

Comme nous venons de le mentionner, et outre les promesses principalement marketing, l'écosystème IA actuel n’est pas viable économiquement.

Les montants investis dans l’intelligence artificielle donnent le vertige. Des centaines de milliards de dollars sont aujourd’hui injectés dans un système qui tourne en boucle. 

À première vue, cette dynamique peut donner l’impression d’une explosion de valeur et d’un marché en pleine expansion. Mais lorsqu’on regarde de plus près la structure de ces investissements, on observe un phénomène particulier : les géants de la tech se financent largement les uns les autres.

L’écosystème de l’IA générative fonctionne en grande partie comme une boucle d’investissements circulaires.

Prenons l’exemple du deal conclu entre OpenAI, Oracle et Nvidia : 

• OpenAI → Oracle : OpenAI s'engage à verser 300 milliards de dollars à Oracle pour des services de cloud computing, obtenant ainsi un accès garanti aux capacités de formation et d'inférence sur Oracle Cloud Infrastructure.
• Oracle → Nvidia : Oracle dépense au moins 40 milliards de dollars, voire jusqu'à 100 milliards, pour acheter des GPU Nvidia afin de développer ses centres de données Stargate.
• Nvidia → OpenAI : Nvidia réinvestit jusqu’à 100 milliards de dollars dans OpenAI elle-même ou dans des entreprises liées, liant ainsi encore plus étroitement son destin au succès d’OpenAI.

‍

Au final, une grande partie de l’argent injecté dans l’IA circule entre les mêmes acteurs technologiques, chacun alimentant la croissance de l’autre.

Ce mécanisme peut parfois donner l’impression d’un marché en explosion, alors qu’il s’agit en réalité d’un écosystème fortement interdépendant, où les flux financiers restent concentrés autour de quelques entreprises.

À cela s’ajoute un autre phénomène typique des périodes de hype technologique : les annonces spectaculaires d’investissements qui ne se concrétisent pas toujours à la hauteur des promesses initiales.

Les partenariats et accords financiers sont souvent annoncés avec des montants colossaux afin de marquer les esprits, de booster les valorisations boursières et d’alimenter la dynamique médiatique autour de l’IA.

Reprenons l’exemple révélateur présenté plus haut et concentrons nous sur les investissements annoncés autour de OpenAI. À un moment donné, des discussions ont évoqué un engagement pouvant atteindre 100 milliards de dollars d’infrastructures et de financement impliquant notamment NVIDIA et Oracle.

Mais comme c’est souvent le cas dans ce type de mégadeals technologiques, les montants réellement engagés peuvent être bien inférieurs aux annonces initiales. Dans ce cas précis, les investissements évoqués se rapprocheraient finalement d’environ 30 milliards de dollars, soit un écart considérable avec les chiffres initialement avancés.

Ce type de décalage entre annonces spectaculaires et réalité des investissements effectifs est fréquent dans les cycles d’innovation fortement médiatisés.

Il ne signifie pas nécessairement que la révolution de l’IA n’aura pas lieu. Mais il montre que l’enthousiasme actuel repose encore en grande partie sur de la spéculation, nourri par des anticipations et des promesses futures, plus que sur une création de valeur déjà solidement établie.

Et c’est précisément ce type de dynamique où investissements, marketing et attentes s’alimentent mutuellement qui, par le passé, a souvent précédé les phases de refroidissement du secteur technologique.

Des applications et un retour sur investissement déceptifs

Malgré l’enthousiasme autour de l’IA générative, de nombreuses entreprises constatent un décalage entre les promesses technologiques et la réalité opérationnelle.

Dans la plupart des organisations, les cas d’usage restent relativement limités et très génériques.

Des usages encore peu métiers

La majorité des applications actuelles repose sur des capacités génériques des modèles de langage, centrées sur le traitement du texte. Les cas d’usage réellement spécifiques aux métiers restent rares.

Résultat : l’IA générative reste principalement un outil d’assistance, plutôt qu’un levier de transformation métier et de compétitivité.

Un avantage concurrentiel quasi inexistant

Les modèles avancés sont accessibles à quasiment toutes les entreprises via API ou cloud. Ainsi, aucune entreprise n’obtient de différenciation durable simplement en utilisant ces outils. L’IA générative agit pour l’instant comme un levier d’optimisation marginale, et non comme une rupture stratégique.

Des gains de productivité difficiles à mesurer

Les bénéfices sont souvent diffus et modestes : quelques minutes gagnées sur la rédaction, la recherche d’informations ou le support client. Comparés aux coûts d’intégration, licences et infrastructure, le ROI global reste encore limité.

Des coûts d’exploitation qui vont exploser

L’exploitation de l’IA générative ne peut, intrinsèquement, être bon marché.

Le fonctionnement d’un système d’IA générative empilent les postes de coûts : 

• l’infrastructure cloud et les GPU nécessaires à l’inférence et à l’entraînement des modèles
• les licences API pour accéder aux LLM et aux outils d’IA générative
• la supervision humaine pour corriger les erreurs et valider les résultats
• la sécurisation des données et la conformité réglementaire

Dans le contexte actuel, ces coûts ne sont pas directement répercutés sur les prix publics. Les géants de la tech adoptent une posture d’investisseurs, pour booster leur acquisition et capter la plus grosse part de marché possible. Après quoi, la tarification évoluera très largement à la hausse. 

En sachant cela, le rapport coût / impact restera très défavorable pour de nombreuses entreprises. Même des gains de productivité tangibles peineront à justifier les budgets colossaux nécessaires à un déploiement généralisé.

Un manque de fiabilité

Les modèles génératifs souffrent de limites techniques importantes, et notamment d’un manque de déterminisme :

• hallucinations fréquentes 
• biais issus des données d’entraînement
• incohérences sur des tâches complexes ou critiques

Dans les environnements sensibles (juridique, médical, militaire), ce manque de fiabilité empêche de déléguer totalement les décisions à l’IA, et oblige à une supervision humaine constante, réduisant d’autant les gains de productivité.

Une facilité de déploiement qui induit un manque de réflexion et de structuration

L’accès simplifié et, encore une fois, financé, aux plateformes de GenAI permet de lancer des projets en quelques heures, souvent sans planification ni réflexion stratégique :

• création d’applications IA sans analyse des besoins réels
• multiplication des projets pilotes non coordonnés
• absence de structuration autour des processus métier et des objectifs stratégiques

Cette accessibilité a un effet pervers : elle peut diluer l’impact global des initiatives IA et conduire à des projets mal conçus, sans valeur tangible ni levier compétitif.

En synthèse, les cas d’usage actuels de l’IA générative offrent pour l’instant surtout des gains ponctuels et génériques, avec un ROI souvent faible, des coûts élevés et des risques liés à la fiabilité et au manque de structuration.

Un marché frustré qui sature

Enfin l'avènement de l’IA générative et l’accès simplifié à des technologies d’IA et d’automatisation ont créé un véritable effet d’aubaine. 

Depuis quelques années, les experts IA autoproclamés saturent le marché et font la course à celui qui fera le plus de bruit et portera les promesses les plus folles.

Malheureusement, lorsqu’il faut passer à l'exécution, les problèmes s’accumulent et les lacunes techniques limitent grandement la faisabilité de certains projets IA.

En résultent des sociétés et organisations qui ont le sentiment de s’être fait bercer de douces promesses et qui perdent confiance quant aux capacités de l’IA. 

Pas de boule de cristal, un simple exercice de pensée et d’esprit critique

Soyons clairs : nous ne nous prenons pas pour Nostradamus. Personne ne peut prédire avec certitude l’avenir du marché de l’IA, et cet article n’a pas cette prétention.

Il s’agit avant tout d’un exercice de pensée. Notre opinion se forge à partir de deux sources : ce que l’histoire de l’intelligence artificielle nous a appris, et les signaux que le marché nous envoie aujourd’hui.

Et ces signaux sont de plus en plus difficiles à ignorer.

En Chine, la bulle commence à se dégonfler

Fin octobre 2026, l’indice STAR50 de la Bourse de Shanghai, qui regroupe les principales entreprises chinoises de l’IA et des semi-conducteurs, a perdu environ 40 % en moins de quatre mois. Près de 480 milliards de dollars de capitalisation se sont évaporés (source : Siècle Digital, 28 octobre 2026).

Les causes sont révélatrices : des valorisations déconnectées des fondamentaux, avec un indice qui se négociait à près de 250 fois les bénéfices, et des investisseurs qui doutent désormais de la solidité de la demande. Plusieurs entreprises pourraient suspendre, voire abandonner, leurs projets d’introduction en Bourse.

À San Francisco, une concentration jamais vue

À l’inverse, l’écosystème américain n’a jamais été aussi concentré. En 2026, les startups californiennes ont capté plus de 75 % des financements de startups aux États-Unis, soit environ 385 milliards de dollars : plus que l’ensemble des startups américaines sur n’importe quelle année précédente (source : Crunchbase News, 26 octobre 2026). OpenAI et Anthropic, toutes deux basées à San Francisco, en représentent à elles seules plus de la moitié.

Le phénomène se retrouve chez les jeunes pousses : environ 77 % des startups des promotions 2026 de Y Combinator déclarent être installées à San Francisco, soit 366 sur 477.

Une telle concentration de capitaux, de talents et de promesses sur quelques acteurs et une seule ville rappelle les dynamiques qui ont précédé les grandes corrections du passé.

Et le marché semble confirmer cette intuition. En novembre 2026, le NASDAQ a perdu plus de 2 trillions de dollars en quelques heures. Si certains évoquent l’impact des midterms américains, d’autres voient les premières inquiétudes et désillusions vis-à-vis de l’IA version LLM. 

Pris isolément, ces signaux ne prouvent rien. Mis bout à bout, ils nourrissent la question au cœur de cet article.

‍

Vers un nouvel hiver de l’IA ou un retour à la raison ?

Face à tous ces constats, faut-il pour autant prédire un nouvel hiver de l’IA ?

Pas nécessairement.

L’histoire montre que les périodes d’engouement extrême sont souvent suivies de phases de correction. Mais ces phases ne signifient pas la disparition de la technologie au contraire.

Elles permettent généralement :

• d’éliminer les projets superficiels
• de faire émerger des usages réellement utiles
• de concentrer les investissements sur les applications à forte valeur

L’intelligence artificielle continuera à trouver toujours plus de cas d’usage, et à transformer de nombreux secteurs. Mais cette transformation sera plus lente, plus pragmatique et plus ciblée que ce que la hype actuelle laisse penser.

Autrement dit, nous pourrions assister non pas à un hiver de l’IA, mais à une maturation du marché.

Conclusion

L’essor spectaculaire des LLM, de l’IA générative et des agents autonomes marque sans doute l’une des périodes les plus excitantes de l’histoire de l’intelligence artificielle.

Mais cette période est aussi caractérisée par :

• une surenchère marketing
• des investissements massifs bien souvent circulaires
• des attentes souvent irréalistes
• un marché envahi de nouveaux “experts”

Si ces dynamiques persistent, elles pourraient provoquer une désillusion comparable aux précédents hivers de l’IA.

Cependant, il est plus probable que nous assistions à un phénomène plus sain : un retour progressif à la réalité.

Lorsque la hype se dissipera, les entreprises ne chercheront plus à “faire de l’IA” parce que c’est tendance, mais parce que cela crée réellement de la valeur.

Et c’est probablement à ce moment-là que l’intelligence artificielle commencera véritablement à transformer pragmatiquement et durablement les organisations.

‍