Révolution industrielle de l'IA Où en sommes-nous aujourd'hui

L'année dernière, j'ai assisté à plusieurs conférences sectorielles sur l'IA.
Les intervenants sur scène présentent tour à tour des astuces d'IA,
les gens en dessous tiennent leur téléphone pour filmer l'écran,
après avoir publié sur les réseaux sociaux, ils continuent à faire défiler leur fil d'actualité.
Mais en rentrant au bureau, c'est toujours la même réunion hebdomadaire,
les mêmes validations, les mêmes rapports hebdomadaires.
Les grandes entreprises ont déjà intégré la consommation de tokens dans leurs KPI,
certains utilisent des scripts pour faire du volume et deviennent des modèles de travail.
Dans les réseaux sociaux, ceux-là, aujourd'hui Claude révolutionne,
demain Codex déchire, après-demain Gemini est la bienvenue —
est-ce une embrassade de la révolution, ou une course effrénée pour suivre le rythme ?

Ce ne sont que du bruit, ce n’est pas la réponse que je cherche.

Le vrai problème n’est pas de savoir si l’IA est assez puissante —
la machine à vapeur est déjà prête,
la question est : qui sera le premier à démolir l’ancien atelier ?

Le jour où la révolution industrielle a vraiment commencé,
ce n’était pas lorsque Watt a amélioré la machine à vapeur,
mais lorsque le propriétaire d’usine du Lancashire a décidé de quitter la rivière,
et de reconstruire l’atelier autour de la vapeur.
La même chose est valable pour le moment clé de l’IA —
ce n’est pas le jour où le grand modèle a été inventé,
mais celui où la première organisation a décidé de démolir les anciens processus,
et de reconstruire la production autour de l’IA.

Ce jour n’est pas encore arrivé.
Mais il est en route.

Deux personnes ont vu cela très tôt.
Le PDG de Notion, Ivan Zhao, a écrit fin 2025 un article intitulé « Steam, Steel, and Infinite Minds »,
avec un jugement froid : nous sommes encore dans la phase de « remplacement de la roue à eau » —
ajouter un chatbot IA aux outils existants, sans repenser l’usine.
Leopold Aschenbrenner, ancien employé d’OpenAI, a pris une autre voie :
il a écrit 165 pages de « Situational Awareness »,
puis créé un fonds, passant de 225 millions à 13,68 milliards de dollars,
tout en misant sur l’infrastructure de l’IA.
Une vision introspective d’un côté, une autre tournée vers l’extérieur, par pari.

Cet article ne concerne pas eux. Il concerne nous — où en sommes-nous, et quelle partie de l’histoire sommes-nous en train de répéter.

( Tissage à la power-loom, gravure de J. Tingle d’après Thomas Allom, 1835 / Wikimedia Commons )

1. L’atelier est toujours ancien

La plupart des gens vivent leur journée ainsi :
le matin, ils utilisent l’IA pour rédiger un email,
ce qui leur fait gagner dix minutes ;
puis ils passent deux heures à une réunion hebdomadaire qu’ils auraient pu éviter ;
l’après-midi, ils copient-collent la même donnée entre trois outils ;
le soir, ils publient une story disant « l’IA c’est génial ».
Les dix minutes économisées sont immédiatement englouties par l’ancien processus, inchangé.

De même, lors de l’apparition de la machine à vapeur,
les propriétaires d’usine ont d’abord simplement remplacé la roue à eau par la vapeur,
sans changer le reste —
l’usine restait au bord de la rivière,
les bâtiments étaient toujours à plusieurs étages,
et l’arbre de transmission central entraînait toute la ligne de production.
Nous avons intégré ChatGPT dans Slack,
Copilot dans Office,
et intégré la fenêtre de chat IA dans le flux de travail —
c’est la même chose.
L’outil a été amélioré, l’atelier est resté le même.

Mais changer de machine ne signifie pas changer d’atelier.
McLuhan disait justement :

Nous conduisons vers l’avenir en regardant dans le rétroviseur.

Utiliser l’ancien processus pour accueillir le nouvel outil,
c’est comme si, aux débuts du cinéma, on ne faisait que filmer des pièces de théâtre.
La véritable avancée, c’est quand quelqu’un se décide à se débarrasser complètement de la machine à vapeur,
et à repenser toute la production autour de la nouvelle source d’énergie.

Comparer la chronologie de la révolution industrielle à celle de l’IA,
nous permet de situer notre position sur la carte :

Aujourd’hui, cette chronologie est fortement compressée.
Il a fallu 60 ans pour que la révolution industrielle passe de la vapeur au train,
il ne lui a fallu que 7 ans pour que l’IA, du Transformer à la vague de construction des data centers, s’accélère.

La vitesse n’est pas le problème,
c’est où nous bloquons —
les quatre premières étapes restent celles d’un ancien atelier avec de nouvelles machines,
la machine à vapeur est installée, le rail est posé,
mais la méthode de production n’a pas changé.
La sixième étape, elle, est le vrai point de bascule.
Nous sommes probablement coincés entre ces deux étapes.

La machine à vapeur est en main, mais l’atelier est toujours ancien.

2. Tout l’argent est concentré dans la couche la plus éloignée de l’usine

L’infrastructure est toujours surdimensionnée.

La faillite vient toujours des investisseurs, pas de l’infrastructure.

En 1846, le Parlement britannique a adopté 263 lois sur le chemin de fer,
pour construire 9 500 miles de nouvelles voies.
À l’apogée, l’investissement dans le rail représentait 13 % du PIB britannique.
Les actions ferroviaires pouvaient être achetées avec un acompte de 10 %,
et la classe moyenne se ruait dedans.
Le krach a eu lieu en 1847.
Un tiers des lignes approuvées n’ont jamais été construites,
et de nombreux investisseurs ont tout perdu.
Darwin a perdu 60 % sur ses investissements dans le rail,
mais il a eu plus de chance que la majorité.

Mais le rail est resté.

Aujourd’hui, l’infrastructure IA suit le même chemin.
Goldman Sachs estime que, d’ici 2026,
les dépenses mondiales en infrastructure IA atteindront 765 milliards de dollars,
et d’ici 2031, elles dépasseront 1,6 trillion de dollars par an.
Les géants du cloud dépensent en capital plus que leur flux de trésorerie opérationnel,
passant d’environ 40 % en 2023 à près de 70 % en 2025.
Les investissements liés à l’IA représentent déjà environ un quart de l’ensemble des investissements américains.
Les 13,68 milliards d’Aschenbrenner misés,
c’est cette couche-là —
il ne mise pas sur une application gagnante, mais sur la puissance de calcul sous-jacente.

Ce cycle de capital,
est une version financière de la construction immobilière :
construire un centre de données, c’est comme bâtir un immeuble :
le terrain, c’est l’électricité,
les matériaux, ce sont les GPU et le stockage,
les entrepreneurs, ce sont les constructeurs de data centers,
les promoteurs, ce sont les cloud providers,
les locataires, ce sont les entreprises d’IA,
et le loyer, c’est le revenu d’API.
Le modèle commercial des cloud providers, c’est de faire financer la construction par la location —
les revenus d’API couvrent les dépenses en capital,
en attendant que la croissance de l’IA fasse grimper leur valorisation.

( L’immobilier du calcul : une génération d’infrastructures )

Le risque principal est le même :
le prix unitaire de l’API baisse-t-il assez vite pour compenser la croissance du volume d’appels ?
Si le loyer chute en dessous du seuil de remboursement —
c’est le cauchemar des promoteurs immobiliers.
La leçon de 2008, ce n’est pas qu’on a construit trop de maisons,
c’est que la structure des bâtiments ne correspondait pas à la demande réelle.
Le risque équivalent pour l’IA, c’est :
une surcapacité de calcul généraliste,
mais une capacité spécialisée pour traiter des scénarios à haute valeur ajoutée, comme la conformité financière ou le diagnostic médical,
qui reste rare.

Rail, immobilier, IA —
trois investissements dans l’infrastructure,
partagent la même règle :
la surconstruction est la norme,
les fournisseurs de matériaux perdent toujours leur pouvoir de fixation des prix,
et la rentabilité à long terme revient toujours aux propriétaires de « bons emplacements ».
Regardez la composition des fonds de Wall Street au premier trimestre :
80 % de leurs positions sont probablement dans cette couche d’infrastructure :
NVIDIA, data centers, cloud.
Mais la fièvre du rail nous a appris :
ce n’est pas toute la révolution IA,
et ce n’est même pas la couche la plus rentable.

Le vrai « emplacement stratégique » de l’IA, c’est quoi ?
La donnée sectorielle unique,
et l’intégration profonde dans le flux de travail.

Pour un individu, le véritable « emplacement stratégique » n’est pas dans ses actions,
mais dans sa capacité irremplaçable à juger,
et dans sa connaissance sectorielle —
à condition d’avoir déjà reconstruit sa façon de l’utiliser autour de l’IA.

Le vrai rendement se trouve dans la couche suivante.
Mais entre infrastructure et création de valeur,
il y a un décalage —
et dans l’histoire, ce décalage a englouti plusieurs décennies.

3. Qui démolit l’atelier

Ceux qui démolissent l’atelier,
et ceux qui « améliorent leur efficacité avec l’IA »,
ne font pas la même chose.

Simon, le cofondateur d’Ivan Zhao,
était autrefois un « programmeur dix fois plus rapide » —
aujourd’hui, il écrit rarement du code lui-même —
il contrôle trois ou quatre agents d’IA pour coder,
et il atteint une productivité 30 à 40 fois supérieure.
Notion compte aujourd’hui 1 000 employés et plus de 700 agents IA.
La différence, ce n’est pas l’outil,
c’est que Simon a démoli son ancien atelier,
alors que la majorité des gens ont simplement changé de roue à eau.

600 millions d’utilisateurs chinois ont utilisé des outils d’IA générative,
en croissance de 142 % —
le plus grand marché mondial pour la demande IA.
Mais presque aucune entreprise chinoise n’a reconstruit ses processus clés autour de l’IA.
Le plus grand marché mondial,
avec une organisation de l’offre presque inchangée.
Ce contraste est un signal :
ce n’est pas l’outil qui manque, c’est l’organisation qui ne suit pas.
Le contexte du travail de connaissance est dispersé dans des dizaines d’outils,
et dans des dizaines de cerveaux,
les résultats sont non vérifiables,
personne ne sait comment juger si une note stratégique est efficace.

(L’impact de l’IA sur le marché du travail : une nouvelle mesure et premières preuves)

Anthropic a déjà commencé à une échelle plus grande.
Ils ont publié un « Indice Économique » basé sur des données réelles d’utilisation,
pour décrire quels sont les premiers métiers et secteurs à être remplacés par l’IA,
puis ils ont lancé :
une coentreprise de services d’IA native, avec Goldman Sachs, Blackstone, Hellman & Friedman ;
un partenariat mondial avec KPMG, 276 000 employés connectés à Claude ;
Accenture a créé un groupe d’affaires, 30 000 personnes formées,
axé sur la finance, la science de la vie et la santé.

Ces cabinets de conseil jouent le rôle d’ingénieurs ferroviaires de l’IA —
ils ne construisent pas la machine à vapeur,
ni ne posent les rails,
ils aident les entreprises à démolir leurs anciens ateliers,
et à reconstruire la ligne de production autour de la nouvelle énergie.
Sans ce rôle, la plupart des propriétaires d’usine ne sauraient pas par où commencer.

Les signaux sont là.
Le plus aigu vient du marché de l’emploi.

Les jeunes de 22 à 25 ans,
qui entrent dans des métiers très exposés à l’IA,
ont 14 % moins de chances de trouver un emploi que leurs pairs dans des métiers peu exposés.
Les postes de début de carrière sont déjà sous pression.

Si j’étais un jeune diplômé, ce chiffre influencerait directement ma recherche d’emploi.
Si j’étais un manager,
la prochaine vague de recrutements de débutants pourrait ne pas inclure d’humains.

L’organisation se démantèle, et l’individu ?
Mon diplôme, mon parcours, mon expérience —
ce sont mes roues à eau.
Elles ont autrefois entraîné toute ma ligne de production,
mais la machine à vapeur est là.
Les universités de renom ne sont plus un rempart,
elles ne prouvent que que j’ai déjà construit une belle usine au bord de la rivière.

Le vrai problème, c’est :
sommes-nous capables de quitter cette rivière ?

Les données d’Anthropic montrent que, pour les utilisateurs ayant utilisé l’IA plus de 6 mois, le taux de réussite des tâches est supérieur de 10 % à celui des nouveaux utilisateurs.
Ceux qui ont commencé il y a six mois ont déjà une avance de 10 %,
et cet écart s’accumule avec le temps.

Mais aucune entreprise n’a encore fait faillite parce qu’elle n’utilise pas l’IA,
du moins pas mon cabinet d’avocats, qui continue à avancer à toute vitesse autour de l’IA.
Les gagnants ne sont pas encore désignés par le marché.
La courbe d’apprentissage est réelle —
ceux qui ont commencé en premier ont déjà un avantage,
mais la majorité est encore au début.

4. Mon prochain métier n’a pas encore de nom

Le titre que j’ai aujourd’hui, existera-t-il dans dix ans ?
Combien des outils que j’utilisais il y a cinq ans existent encore ?
La réponse est probablement non.
Mais je ne sais pas comment s’appelle ce qui va les remplacer —
parce que ces choses n’existent pas encore.

C’est toujours ainsi dans l’histoire.
Les nouveautés ne sont pas planifiées, elles apparaissent quand les anciennes contraintes disparaissent.

Avant la construction du chemin de fer,
la Grande-Bretagne était une collection d’économies locales isolées.
Le prix du coton à Manchester pouvait différer de celui de Londres de 30 %.
Chaque ville avait son propre fuseau horaire, personne ne trouvait cela problématique.
Après la construction du chemin de fer, en vingt ans, tout a changé.
Un marché national unifié est apparu pour la première fois,
les écarts de prix ont été effacés ;
l’heure standard a été imposée par le chemin de fer,
pas inventée.
Les postes de chef de gare, les télégraphistes, les agents de voyage —
ces métiers n’existaient pas avant le chemin de fer.

Personne ne prévoyait les grands magasins avant la construction du chemin de fer.
Personne ne prévoyait l’heure standard avant la machine à vapeur.

(L’histoire des villes : vapeur, acier, et l’intelligence infinie de l’IA)

L’histoire des villes raconte toujours la même chose.
Il y a quelques siècles, une ville était à l’échelle humaine —
quarante minutes à pied pour traverser Florence.
Les structures en acier ont permis la naissance des gratte-ciel,
les chemins de fer ont connecté la ville à la campagne,
l’ascenseur, le métro, l’autoroute ont suivi.
Tokyo, Chongqing, Dallas —
ne sont pas des versions plus grandes de Florence,
ce sont de nouveaux modes de vie.

Le travail de connaissance d’aujourd’hui est aussi à l’échelle humaine.
Une équipe de quelques dizaines de personnes,
des réunions, des emails rythment la cadence,
au-delà de quelques centaines, c’est ingérable.
Nous construisons Florence avec de la pierre et du bois.
L’IA rend possible « Tokyo » —
des organisations composées de milliers d’agents IA et de personnel,
qui fonctionnent en flux continu, en décalage horaire.
Les anciennes réunions hebdomadaires, planifications trimestrielles, revues annuelles —
peuvent ne plus avoir de sens.

Simon ne code plus —
son travail, c’est « gérer des agents IA ».
Ce poste n’existait pas il y a deux ans.
Mon prochain titre professionnel, peut-être, n’a pas encore de nom.
Mais quelqu’un construit déjà ce futur dont on ne peut pas encore nommer le nom.

5. À quoi ressemble un nouvel atelier

Après avoir démoli l’ancien atelier, que construire ?
YC répond : faire en sorte que l’entreprise s’améliore elle-même.

Leurs systèmes internes modifient leur propre code la nuit.
Un employé envoie une requête le jour, qui échoue.
Un agent de supervision détecte l’échec, en déduit la cause, écrit du code pour réparer, soumet pour validation, déploie.
Le lendemain, la requête fonctionne.
Tout cela se passe pendant que tout le monde dort.

Ce n’est pas l’IA qui augmente la productivité de 30 %.
C’est un système qui boucle tout seul, qui réfléchit à comment s’améliorer.

Tom Blomfield, associé chez YC, appelle cette organisation une « boucle d’amélioration récursive par IA ».
Son jugement est simple :
la majorité des entreprises ressemblent encore à l’armée romaine —
des ordres qui descendent, des rapports qui remontent,
les humains jouent le rôle de conduits d’informations.
Ce que l’IA brise, ce n’est pas l’efficacité d’un maillon,
c’est la structure hiérarchique dans son ensemble.

Sa nouvelle logique : brûler des tokens, pas des têtes.
Le goulot d’étranglement, c’est le calcul, pas la main-d’œuvre.
Les données qu’ils ont vues montrent que, pour les entreprises en démonstration,
le revenu par employé a été multiplié par 5 en 18 mois.
Le rôle de la gestion intermédiaire est remplacé par l’IA —
la « collaboration » n’a plus besoin d’humains.
Chacun doit être un « individual contributor », un bâtisseur, un opérateur,
avec un responsable nommé pour chaque tâche, pas un comité.

Et une condition :
l’entreprise doit être « lisible » par l’IA.
Ce qui n’est pas documenté, n’a pas existé pour l’IA.
YC enregistre toutes les emails, Slack, enregistrements d’heures de bureau.
Une associée a utilisé 2000 heures d’enregistrements pour faire générer par l’IA un manuel interne de 150 pages —
bien meilleur que la version originale.
Ce manuel se met à jour automatiquement chaque mois,
devenant un « cerveau vivant » constamment rafraîchi.

Blomfield pose une question :

Si vous deviez repartir de zéro pour créer votre entreprise, le feriez-vous selon ce modèle ?
Si votre organisation est déjà hiérarchisée,
la question plus difficile est :
la douleur de tout reconstruire serait-elle moindre que celle de continuer à faire fonctionner la vieille armée romaine ?

L’humain n’est plus au centre de l’atelier,
il est en périphérie —
responsable des domaines où l’IA ne peut pas encore intervenir :
jugements hors ligne, nouvelles situations, moments à haute mise en jeu, haute émotion.
Le cerveau central de l’entreprise est constitué de données, de records, de connaissances sectorielles —
c’est le « cerveau d’entreprise » assemblé.
Les logiciels qui tournent dessus sont des consommables,
ils peuvent être régénérés à l’infini.
Ce qui a de la valeur, c’est dans la tête humaine —
comprendre comment le business fonctionne, quelles étapes impliquent des jugements,
ces connaissances sont la vraie richesse.

Ce que décrit Ivan Zhao dans « Steam, Steel, and Infinite Minds »,
c’est cette autre face —
une organisation où 1 000 employés et 700 agents IA collaborent,
les humains jugent,
les agents exécutent.
Aschenbrenner mise sur l’infrastructure de calcul,
Zhao mise sur la reconstruction organisationnelle.
Les deux chemins convergent vers un même but :
reconstruire une nouvelle production autour de l’IA.

6. Conclusion

Entre les années 1840 et 1850 —
le chemin de fer est posé,
les usines ne sont pas encore reconstruites.

Où en sommes-nous ?
Simon ne code plus.
Sa roue à eau, il l’a démolie lui-même.

Le problème n’a jamais été la qualité de la machine à vapeur,
c’est qui sera le premier à démolir l’ancien atelier.

Je ne vais pas prédire la grande nouveauté à venir,
je me contente de faire ce que je peux —
m’assurer d’être sur la voie ferrée,
et non au bord d’une rivière asséchée.

Et toi ?