L'Oréal × NVIDIA : dans l'IA beauté, le fossé, c'est la donnée propriétaire — pas le calcul

Le 17 mars 2026, L'Oréal et NVIDIA ont annoncé l'intégration de la simulation moléculaire dans la R&D beauté. Grâce au framework de machine learning ALCHEMI de NVIDIA, le groupe affirme pouvoir mener la découverte de formulation sur ses actifs les plus propriétaires jusqu'à 100× plus vite que les méthodes traditionnelles, en testant des milliers de variables à la fois. C'est un chiffre d'accroche émanant d'une entreprise d'une échelle rare : 44,05 Md€ de ventes en 2025, plus de 4 000 scientifiques, 22 centres de recherche répartis sur sept pôles régionaux, 115 ans d'histoire de la formulation.

Lu avec un regard d'économiste, ce 100× est presque un piège. Il se lit comme une histoire de puissance de calcul — acheter plus de GPU, aller plus vite — et c'est la mauvaise leçon à en tirer. Le calcul brut est une commodité que l'on loue et dont le coût marginal ne cesse de baisser ; n'importe qui, une carte bancaire en main, accède au même silicium que L'Oréal. Si l'avantage de vitesse était purement computationnel, il ne serait pas un avantage du tout, puisqu'il serait offert à chaque concurrent aux mêmes conditions.

Le multiplicateur ne vient pas de la puce. Il vient de ce qui nourrit le modèle : 1,8 million de formules propriétaires utilisées pour l'entraînement, plus de 120 millions d'interactions Beauty Tech dans 66 pays et 31 marques, une plateforme Consumer Loop qui capte des notations produits en temps réel dans plus de 150 pays. C'est l'actif qu'aucun rival ne peut louer ni répliquer — accumulé, exclusif et, contrairement au matériel, qui s'apprécie à chaque nouvelle donnée. Le point économique est net : le modèle est la commodité, la donnée propriétaire est le capital.

Ce recadrage compte surtout pour les entreprises qui n'opéreront jamais à l'échelle de L'Oréal — les fabricants de spécialité, les PME et ETI de la Cosmetic Valley, les façonniers et les acteurs pharma-cosmétiques qui composent une large part de la chaîne beauté française. Elles ne peuvent pas surenchérir sur le leader en scientifiques ou en silicium, et tenter de le faire est un jeu perdant. Mais chacune détient l'actif que le leader n'a pas : ses propres dossiers de formulation, sa télémétrie de production et son historique de contrôle qualité. C'est un véritable fossé concurrentiel — et aujourd'hui l'essentiel en reste inexploité.

Le séquençage de tout programme IA sérieux devrait donc inverser le réflexe habituel. Le premier euro de retour n'est pas une licence de plateforme ni une heure de GPU ; c'est une cartographie. Quelles données propriétaires possédons-nous déjà, et quelle décision chaque jeu de données fait-il réellement bouger — temps de cycle de formulation, taux de rebut au contrôle qualité, traçabilité d'un dossier réglementaire au titre du Règlement cosmétique européen ? Le ROI d'un projet IA se décide largement dans cet exercice de cartographie, avant même d'entraîner le moindre modèle, car il détermine si le modèle est pointé sur une décision qui change la marge, la sûreté ou la conformité.

Il y a un second signal dans les publications de L'Oréal, facile à manquer derrière la science. Le groupe a formé plus de 65 000 collaborateurs à l'IA générative et en fait travailler plus de 60 000 chaque jour sur son L'Oréal GPT interne — un chiffre en hausse de 25% sur un an — aux côtés de 8 000 talents dédiés au digital, à la tech et à la data. Autrement dit, l'IA a cessé d'être un projet de labo pour devenir une force de travail. La leçon organisationnelle se transpose intacte aux structures plus modestes : la valeur se capte quand l'IA se diffuse dans les décisions quotidiennes de toute l'entreprise, pas quand elle est cantonnée à une cellule d'innovation.

Pour un marché qui compose à environ 20% par an, la conclusion est inconfortable pour les suiveurs. Le leader ne dépense pas seulement davantage ; il convertit une dotation exclusive en données en une vitesse structurelle qui s'élargit à chaque cycle. Le vrai risque pour un fabricant de taille intermédiaire n'est donc pas d'être dépassé en budget — ça l'a toujours été — mais d'être moins bien organisé que ses moyens sur une donnée qu'il possède déjà. La question défendable à trancher ce trimestre est étroite et a une réponse : où notre donnée propriétaire crée-t-elle un avantage de décision qu'aucun concurrent ne peut copier, et qu'est-ce qui nous empêche de l'exploiter ?