Défense : le paradoxe de Solow version capital-risque

Au premier trimestre 2026, le capital-risque investi dans les technologies de défense a atteint 19,8 milliards de dollars, en hausse de 146% sur un an, selon l'analyse publiée par PitchBook le 27 mai 2026. Les systèmes autonomes — drones, plateformes robotisées, logiciels de commandement assisté par IA — captent à eux seuls près d'un tiers de ce montant, soit environ 6,6 milliards de dollars sur les 19,8 milliards investis.

Ce chiffre mérite d'être mis en regard d'un second document publié la même année : la stratégie IA 2026 du Département de la Guerre américain, qui appelle à une force « AI-first » et identifie le déploiement de confiance — et non plus la capacité technique des modèles — comme la principale contrainte restante. Or ce document de référence budgétaire, cité dans la présentation du budget FY27, ne fournit aucune métrique quantifiée d'adoption réelle ni de gain de productivité mesuré sur le terrain.

Cette configuration rappelle directement le paradoxe formulé par Robert Solow en 1987 : « on voit des ordinateurs partout, sauf dans les statistiques de productivité ». Le capital-risque défense de 2026 en est une variante précoce et plus rapide : le capital privé se déploie massivement en anticipation d'une transformation opérationnelle, avant même que l'acheteur final — ici l'appareil militaire américain — dispose des instruments pour en mesurer la matérialisation.

Du point de vue de la théorie de l'investissement, ce décalage s'apparente à un Q de Tobin très supérieur à 1 pour le secteur : la valorisation que le marché attribue aux actifs defense tech (le capital-risque, ici, en tient lieu de proxy) dépasse largement la valeur de remplacement justifiée par des résultats opérationnels documentés. Un tel écart n'est pas nécessairement le signe d'une bulle — il peut refléter une anticipation rationnelle d'un changement de doctrine budgétaire — mais il concentre le risque sur la vitesse à laquelle l'institution acheteuse rattrapera sa capacité de mesure.

La concentration du financement sur les systèmes autonomes (un tiers du total) est cohérente avec cette lecture : c'est le segment où le lien entre investissement et effet opérationnel visible — un drone qui vole, une plateforme qui patrouille — est le plus immédiatement démontrable à un investisseur, même en l'absence de métriques d'adoption institutionnelles formelles. Les segments plus diffus (IA de soutien logistique, aide à la décision, maintenance prédictive) où l'effet est réel mais moins spectaculaire pourraient rester sous-financés par comparaison.

Pour les prestataires de conseil et d'intégration IA travaillant avec l'écosystème défense, la leçon économique est double. D'abord, un afflux de capital ne vaut pas preuve de valeur d'usage : la due diligence doit porter sur les cas d'usage réellement instrumentés, pas seulement sur le montant des levées de fonds environnantes. Ensuite, l'écart identifié ici — entre financement de conviction et mesure institutionnelle absente — est précisément l'espace où un accompagnement méthodologique (définition de KPI d'adoption, cadres d'évaluation de la confiance algorithmique, protocoles de test opérationnel) crée une valeur différenciante que le capital seul ne produit pas.

À plus long terme, l'écart entre le rythme de financement privé et le rythme de mesure institutionnelle est aussi un signal politique : si le Département de la Guerre ne se dote pas rapidement de métriques d'adoption crédibles, le risque est que l'allocation de capital continue de se faire sur la base du récit plutôt que du résultat démontré — un terrain fertile pour une correction si le cycle budgétaire venait à se resserrer.