Une économie numérique fondée sur la captation de l’attention
Le phénomène du gooning, qui désigne une immersion excessive dans les contenus numériques, illustre parfaitement la direction prise par l’économie digitale. Avec l’arrivée de modèles IA toujours plus puissants, la véritable bataille ne se joue plus uniquement auprès du grand public. Le centre de gravité économique se déplace vers les appels d’API, les agents intelligents et les outils d’intelligence artificielle destinés aux entreprises. Cette évolution reflète une transformation beaucoup plus profonde de l’économie numérique.
Les applications destinées au grand public reposent essentiellement sur des modèles publicitaires ou sur des mécanismes d’extraction de valeur comme les jeux d’argent, la pornographie, les achats intégrés ou encore les DLC dans les jeux vidéo. Sans clientèle professionnelle, ces modèles économiques deviennent difficiles à rentabiliser durablement.
À l’inverse, les entreprises investissent aujourd’hui des sommes considérables dans l’intelligence artificielle. Le PDG d’Anthropic explique notamment que certaines sociétés sont prêtes à payer jusqu’à dix fois plus cher pour disposer de modèles offrant de meilleures capacités de raisonnement. Malgré des coûts d’entraînement extrêmement élevés liés aux GPU, ces investissements deviennent rentables après environ douze mois, donnant naissance à une nouvelle notion, celle de l’économie unitaire de l’IA.
L’économie unitaire de l’IA
Cette économie unitaire révèle toutefois une faiblesse majeure chez les acteurs qui ne disposent pas d’une optimisation suffisante de leurs coûts. C’est dans ce contexte qu’apparaît une menace selon laquelle les laboratoires d’intelligence artificielle exploiteraient progressivement les données produites par leurs clients afin d’alimenter leurs futurs modèles.
Des outils comme Claude Code ou les plateformes de Vibe Coding collectent une quantité considérable d’informations professionnelles. Secrets commerciaux, méthodologies internes, code propriétaire et propriété intellectuelle peuvent ainsi être utilisés dans le cadre des conditions générales d’utilisation afin d’améliorer les modèles tout en renforçant les valorisations des entreprises qui les développent.
Les modèles d’IA modernes sont déjà entraînés sur d’immenses volumes de contenus protégés par le droit d’auteur. Toutefois, l’opacité des poids des modèles rend extrêmement difficile la démonstration juridique d’une éventuelle violation. Les secrets commerciaux, les interfaces utilisateur, les méthodes de travail et d’autres connaissances rarement protégées juridiquement deviennent alors particulièrement vulnérables.
Des outils comme ChatGPT sont capables de reproduire des intrigues de romans, des concepts créatifs ou des éléments visuels issus de films sans qu’il existe aujourd’hui de cadre juridique totalement stabilisé. Cette situation crée un précédent qui facilite l’exploitation massive des données.
Les entreprises entraînent leurs futurs concurrents
Les collaborateurs sont de plus en plus encouragés, voire contraints, d’utiliser des assistants IA propriétaires dans leurs tâches quotidiennes. Sans toujours en mesurer les conséquences, ils enrichissent progressivement les bases de données des laboratoires d’IA avec les connaissances stratégiques de leur entreprise.
À terme, ces données permettront d’entraîner des agents toujours plus performants, capables de reproduire des processus métier complets. Les entreprises verront alors leurs avantages concurrentiels diminuer tandis que leurs marges seront progressivement comprimées.
Ces futurs agents pourraient être exploités depuis des juridictions offshore offrant encore moins de transparence réglementaire. Certains pourraient même fonctionner via des infrastructures décentralisées utilisant des stablecoins et des plateformes cryptographiques, compliquant davantage toute tentative de contrôle.
Pourtant, les indicateurs macroéconomiques ne reflètent pas encore la révolution annoncée. Aux États-Unis, la croissance de la productivité demeure comprise entre 1,2% et 1,5%, bien loin des 5 à 7% généralement observés lors des grands cycles d’expansion économique.
Dans le même temps, la consommation de jetons d’intelligence artificielle progresse de près de 400% chez certains acteurs comme Microsoft. Salesforce affirme que 30 à 40% de son code est désormais généré par l’IA mais ses flux de trésorerie opérationnels continuent d’augmenter d’environ 10% tandis que ses effectifs restent relativement stables. Même si l’automatisation atteignait un jour 100% de la production logicielle, ses conséquences sur l’emploi restent encore difficiles à anticiper.
Une adoption massive mais souvent inefficace
Des outils comme VSCode ou Copilot sont désormais largement utilisés dans les entreprises. Pourtant, leur déploiement demeure fréquemment inefficace. Une mauvaise utilisation peut même accroître la dette technique au lieu d’améliorer la qualité des développements.
Dans de nombreuses organisations, les managers imposent l’utilisation de l’intelligence artificielle sans accompagner suffisamment les équipes. Les employés exploitent alors ces outils de manière superficielle, limitant fortement les gains de productivité espérés.
Malgré ces difficultés, la demande reste extrêmement forte. Toutefois, une croissance de la productivité limitée à 1,5% paraît difficilement compatible avec une explosion à trois chiffres de la consommation des services d’IA. Si les gains économiques promis ne se matérialisent pas, le retour sur investissement pourrait rapidement décevoir les marchés.
Un ralentissement économique provoquerait probablement une forte baisse de la consommation des jetons d’intelligence artificielle, mettant sous pression les entreprises ayant levé plusieurs milliards de dollars sur la base de valorisations particulièrement ambitieuses.
Un nouvel équilibre économique
Une fois tout ça en place, le chômage des cols blancs pourrait fortement progresser. Les entreprises ayant partagé involontairement leur savoir-faire verraient leurs avantages compétitifs disparaître au profit d’agents IA beaucoup plus efficaces et nettement moins coûteux.
À terme, l’AGI pourrait ne plus être distribuée principalement via des API mais directement sous la forme d’agents autonomes capables d’exécuter des missions complètes, rendant progressivement obsolètes les modèles actuels.
Les entreprises les plus prudentes privilégieront alors des modèles open source auto-hébergés. Même légèrement moins performants, ces systèmes offriront un meilleur contrôle des données stratégiques et limiteront les risques liés à leur exposition.
La Chine pourrait d’ailleurs accélérer massivement le financement de l’open source afin d’imposer sa propre vision technologique, même si cette stratégie pourrait s’accompagner d’un contrôle idéologique renforcé. Dans cette nouvelle configuration, de nombreuses entreprises migreront vers des solutions sécurisées comme Proton Docs afin de protéger leurs informations sensibles.
Les géants du cloud, les cabinets de conseil et les fournisseurs de logiciels d’entreprise, notamment Accenture, pourraient subir de lourdes conséquences si leurs investissements massifs dans l’intelligence artificielle ne produisent pas les rendements espérés. L’ensemble du secteur des services informatiques risquerait alors de connaître une forte baisse de ses multiples boursiers, accompagnée d’une hausse du chômage.
À l’inverse, seuls quelques leaders disposant des meilleures données et des modèles propriétaires les plus avancés, comme OpenAI, Anthropic ou DeepMind, conserveraient une position dominante.
Et l’avenir?
Il y a donc cette menace potentiellement existentielle pour les entreprises qui adoptent l’intelligence artificielle sans mettre en place une véritable stratégie de protection de leurs données. Cette forme d’attaque silencieuse exploite progressivement les secrets commerciaux, la propriété intellectuelle et le savoir-faire afin d’entraîner des agents toujours plus performants qui finiront par concurrencer directement leurs propres créateurs.
À long terme, cette dynamique pourrait effectivement accroître la productivité mondiale. Toutefois, elle risque également d’entraîner une destruction considérable de valeur pour les entreprises insuffisamment préparées. Les organisations doivent dès aujourd’hui investir dans des infrastructures sécurisées, privilégier les modèles open source lorsque cela est pertinent et protéger activement leurs données stratégiques.
