L'industrie de l'IA face à la question des rendements : les coûts progressent plus vite que la performance

Le 20 septembre, TechCrunch rapportait, dans un article relayé le jour même par le service de veille Mezha.net, que la course à des modèles d'intelligence artificielle toujours plus grands se heurte désormais à une question plus dure que celle de la seule faisabilité technique : leurs étiquettes de prix croissantes peuvent-elles produire des rendements tout aussi puissants ? L'article documente un doute grandissant, côté investisseurs comme côté laboratoires, quant à la soutenabilité de la trajectoire actuelle de dépense.

Trois facteurs structurels sont cités comme moteurs de cette hausse des coûts : une puissance de calcul considérable et une consommation électrique significative requises pour l'entraînement des systèmes les plus avancés, le coût élevé des infrastructures de calcul dédiées, et une pénurie persistante de semi-conducteurs de pointe. Combinés, ces facteurs font que le coût de développement, d'entraînement et de maintenance d'un modèle progresse plus vite que les revenus qu'il génère — un déséquilibre que l'article présente comme la question centrale de la période actuelle, distincte du débat déjà largement couvert sur l'ampleur brute des montants engagés.

Pour les directions industrielles qui envisagent des investissements en IA — dans l'aéronautique, l'énergie, l'univers O&G ou le luxe — cette bascule du débat, de « combien dépenser » vers « quel rendement en attendre », a une conséquence pratique immédiate : la diligence économique sur un projet d'IA devient aussi importante que la diligence technique. Les cas d'usage à périmètre borné et à retour mesurable (maintenance prédictive, automatisation documentaire, contrôle qualité) sont structurellement moins exposés à ce doute que les paris sur des capacités génératives encore émergentes.

Analyse Cardan-AI : ce ralentissement anticipé de la course aux modèles de pointe rejoint un cadre économique établi sur la productivité déclinante de la recherche, que nous développons dans l'analyse associée.