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

Rédigé par : Will 阿望

Au cours de l’année écoulée, j’ai assisté à plusieurs conférences sectorielles sur l’IA. Sur scène, les invités enchaînaient les démonstrations de tours d’IA, tandis que dans la salle, les gens tenaient leur téléphone pour filmer l’écran, puis partageaient leur vidéo sur les réseaux sociaux avant de continuer à faire défiler leur fil d’actualité. Mais une fois de retour au bureau, c’était 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, et certains utilisent des scripts pour faire gonfler leur volume, devenant ainsi des modèles de travail. Sur les réseaux sociaux, ceux qui suivent la tendance, aujourd’hui Claude révolutionne, demain Codex déchire, après-demain Gemini est roi — est-ce une véritable révolution ou simplement une course effrénée ?

Ce sont tous 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 — mais 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 ses ateliers autour de la vapeur. La même logique s’applique à 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 ses anciens processus et de reconstruire sa 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, Zhao Yiwan, a écrit fin 2025 un article intitulé « Steam, Steel, and Infinite Minds », avec une analyse froide : nous sommes toujours dans la phase de « remplacement de la roue à eau » — ajouter un chatbot IA aux outils existants, sans repenser la conception de l’usine. Leopold Aschenbrenner, ancien employé d’OpenAI, a choisi 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, en misant tout sur l’infrastructure IA. L’un regarde vers l’intérieur, l’autre parie vers l’extérieur.

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 machine à tisser, gravure de J. Tingle d’après Thomas Allom, 1835 / Wikimedia Commons )

1. L’atelier ou l’ancien

La majorité 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 pourraient très bien ne pas faire ; l’après-midi, ils copient et collent la même série de données entre trois outils ; le soir, ils publient une story disant « L’IA, c’est génial ». Les dix minutes économisées sont immédiatement englouties par le processus ancien, inchangé.

De même, lorsque la machine à vapeur est apparue, les propriétaires d’usine ont d’abord simplement remplacé la roue à eau par une machine à vapeur, sans changer le reste — l’usine restait construite au bord de la rivière, avec des bâtiments à plusieurs étages, et une transmission centrale entraînant toute la ligne de production. Nous avons intégré ChatGPT dans Slack, Copilot dans Office, une fenêtre de chat IA dans le flux de travail — c’est la même chose. L’outil a été amélioré, mais 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 le cinéma naissant n’était qu’une scène de théâtre filmée. La véritable avancée, c’est quand quelqu’un se débarrasse complètement de la machine à vapeur, et reconçoit toute la production autour de la nouvelle source d’énergie.

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

Aujourd’hui, cette chronologie est fortement compressée. La révolution industrielle, de la machine à vapeur au train, a duré 60 ans ; l’IA, du Transformer à la vague de construction de data centers, n’a pris que 7 ans.

La vitesse n’est pas le problème, c’est où nous bloquons — les quatre premières étapes restent celles de l’ancien atelier avec de nouvelles machines : la machine à vapeur est installée, le rail est en cours de pose, mais la méthode de production reste inchangée. La sixième étape est le vrai point de basculement. 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 investi dans la couche la plus éloignée de l’usine

Les infrastructures sont toujours surdimensionnées. C’est l’investisseur qui fait faillite, pas l’infrastructure.

En 1846, le Parlement britannique a adopté 263 lois sur le chemin de fer, autorisant la construction de 9 500 miles de nouvelles voies. À l’apogée de l’investissement ferroviaire, cela représentait 13 % du PIB britannique. Les actions ferroviaires pouvaient être achetées avec un acompte de 10 %, et la classe moyenne affluait. 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 % de ses investissements dans les actions ferroviaires, mais il s’en est sorti mieux que la plupart.

Mais le réseau ferroviaire 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. La part des dépenses en capital des grands fournisseurs de cloud dans leur flux de trésorerie opérationnel est passée 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. Aschenbrenner mise sur cette couche — il ne parie pas sur l’application gagnante, mais sur la puissance de calcul sous-jacente.

Ce cycle de capital est semblable à celui de l’immobilier : construire un centre de données, c’est comme construire un immeuble : la terre, c’est l’électricité, les matériaux, ce sont les GPU et le stockage, les entrepreneurs sont les constructeurs, les développeurs sont les fournisseurs de cloud, les locataires sont les entreprises d’IA, et le loyer, c’est le revenu des API. Le modèle commercial des fournisseurs de cloud consiste à financer la construction par la location — en utilisant les revenus API pour couvrir les dépenses en capital, en attendant que la valorisation explose avec la croissance des applications IA.

( L’immobilier du calcul : une génération construit sa propre infrastructure )

Le risque principal est le même : la baisse du prix unitaire des API, contrebalancée par 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 n’était pas la surconstruction, mais le décalage entre la structure des bâtiments et la demande réelle. Le risque équivalent pour l’IA, c’est la surcapacité de calcul général, alors que la capacité spécialisée pour traiter des scénarios à haute valeur ajoutée comme la conformité financière ou le diagnostic médical reste rare.

Le chemin de fer, l’immobilier, l’IA — trois périodes d’investissement dans l’infrastructure qui partagent une règle commune : la surconstruction est la norme, les fournisseurs de matériaux perdent toujours leur pouvoir de fixation des prix, et les retours à long terme reviennent toujours aux propriétaires situés dans « les emplacements clés ». Regardez la composition des fonds de Wall Street au premier trimestre : 80 % de leurs investissements sont probablement dans cette couche d’infrastructure : NVIDIA, centres de données, cloud. Mais la fièvre ferroviaire nous enseigne que ce n’est pas toute la révolution IA, ni même la couche la plus rentable.

Quelle est la couche clé de l’IA ? C’est la donnée sectorielle unique, et l’intégration profonde dans le flux de travail. Pour un individu, la véritable « localisation clé » n’est pas dans ses actions, mais dans sa capacité d’analyse et ses connaissances sectorielles — à condition d’avoir déjà reconstruit leur usage autour de l’IA.

Le vrai rendement se trouve dans la couche suivante. Mais il n’y a pas de lien direct entre infrastructure et création de valeur. Entre les deux, il y a une faille — qui, dans l’histoire, a englouti plusieurs décennies.

3. Qui démolit l’atelier

Démolir l’atelier et « utiliser l’IA pour augmenter l’efficacité » ne relèvent pas du même acte.

Simon, le cofondateur de Zhao Yiwan, était autrefois un « programmeur dix fois plus rapide », mais écrit rarement du code lui-même aujourd’hui — il contrôle simultanément trois ou quatre agents d’IA pour coder, avec une efficacité de 30 à 40 fois supérieure. Notion compte aujourd’hui 1 000 employés et plus de 700 agents IA. La différence n’est pas dans l’outil, mais dans le fait que Simon a démoli son ancien atelier, alors que la majorité des gens ont simplement remplacé leur 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. La demande est énorme, mais l’offre organisationnelle reste figée. Ce contraste est un signal : ce n’est pas l’outil qui manque, c’est l’organisation qui ne suit pas. La connaissance est dispersée dans des dizaines d’outils et autant de cerveaux, la production est non vérifiable, personne ne sait si une note stratégique est efficace ou non.

(L’impact de l’IA sur le marché du travail : une nouvelle mesure et des premiers éléments de preuve)

Anthropic agit à une échelle plus grande. Ils ont lancé l’Index Économique, qui, à partir de données réelles d’utilisation, montre quelles tâches et secteurs l’IA remplace en premier, puis ils construisent en fonction : ils créent une société de services d’entreprise IA native en partenariat avec Goldman Sachs, Blackstone, Hellman & Friedman ; ils ont établi une alliance mondiale avec KPMG, avec 276 000 employés utilisant Claude ; ils ont formé un groupe d’affaires chez Accenture, avec 30 000 personnes formées, axé sur la finance, la science de la vie et la santé.

Le rôle de ces cabinets de conseil n’est pas d’être des utilisateurs d’IA, mais des ingénieurs ferroviaires pour l’IA — ils ne construisent pas de machines à vapeur, ni ne posent des rails, mais aident les entreprises à démolir leurs anciens ateliers et à reconstruire leur ligne de production autour de la nouvelle énergie. Sans ce rôle, la plupart des propriétaires d’usines 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, occupant des métiers très exposés à l’IA, ont 14 % moins de chances de trouver un emploi que leurs homologues dans des métiers moins exposés. Les postes de débutants sont déjà en train d’être comprimés.

Si j’étais un jeune diplômé, ce chiffre influencerait directement ma recherche d’emploi. Si j’étais un manager, la prochaine vague de postes de débutants ne serait peut-être plus occupée par des humains.

Et l’organisation ? Mes diplômes, mon parcours, mon expérience — ce sont mes roues à eau. Elles ont autrefois alimenté toute ma ligne de production, mais la machine à vapeur est là. Les universités 985 et 211 ne sont plus un rempart, elles prouvent simplement que j’ai autrefois construit une belle usine au bord de la rivière.

Le vrai problème, c’est : avons-nous la capacité de quitter cette rivière ?

Les données d’Anthropic montrent que les utilisateurs ayant utilisé l’IA pendant plus de six mois ont 10 % plus de chances de réussir leurs tâches que les nouveaux utilisateurs. Ceux qui ont commencé six mois plus tôt ont déjà un avantage de 10 %, et cet écart s’accumule avec le temps.

Mais aucune entreprise n’a encore fait faillite parce qu’elle n’utilisait pas l’IA — du moins, mon cabinet d’avocats continue de prospérer autour de l’IA. Les gagnants ne sont pas encore clairement identifiés. La courbe d’apprentissage est réelle — ceux qui ont commencé en avance ont déjà accumulé 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 d’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 émergent une fois que les anciennes contraintes disparaissent.

Avant la construction du chemin de fer, le Royaume-Uni 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 ; le fuseau horaire standard a été imposé par le rail, pas inventé ; les postes, les télégraphes, les agences de voyage — ces métiers n’existaient pas avant le chemin de fer.

Personne n’avait prévu les grands magasins avant la pose des rails. Personne n’avait prévu le fuseau horaire standard avant la machine à vapeur.

( Vapeur, acier et l’intelligence infinie de l’IA )

L’histoire des villes raconte la même chose. Il y a quelques siècles, une ville était à l’échelle humaine — quarante minutes à pied pour traverser Florence. La structure en acier a permis la construction de gratte-ciel, le rail a connecté la ville à ses périphéries, puis sont venus l’ascenseur, le métro, l’autoroute. Tokyo, Chongqing, Dallas — ce ne sont pas des versions plus grandes de Florence, mais des modes de vie totalement nouveaux.

Le travail intellectuel d’aujourd’hui est aussi à l’échelle humaine. Des équipes de quelques dizaines de personnes, des réunions et des emails rythment la vie, mais dès que l’effectif dépasse quelques centaines, cela devient ingérable. Nous construisons Florence avec de la pierre et du bois. L’IA permet de faire de « Tokyo » une réalité — des milliers d’agents IA et de personnel organisés en flux de travail, fonctionnant en continu, même à distance. Les réunions hebdomadaires, la planification trimestrielle, les revues annuelles — tout cela pourrait devenir obsolète.

Simon ne code plus — son travail consiste à « gérer des agents IA ». Il y a deux ans, ce poste n’existait pas. Mon futur titre professionnel n’a peut-être pas encore de nom. Mais quelqu’un construit déjà ce futur dont nous ne pouvons pas encore nommer.

5. À quoi ressemble le nouveau atelier

Après avoir démoli l’ancien, que construire ? La réponse de YC est : que l’entreprise s’améliore elle-même.

Leur système interne peut maintenant modifier son propre code pendant la nuit. Un employé envoie une requête, qui échoue. Un agent de supervision détecte l’échec, en déduit la cause, écrit du code pour le corriger, le soumet pour validation, puis déploie la mise à jour. Le lendemain, la même requête fonctionne. Tout cela se passe pendant que tout le monde dort.

Ce n’est pas l’IA qui produit 30 % de plus, c’est un système qui boucle lui-même, qui réfléchit à comment s’améliorer.

Tom Blomfield, associé chez YC, a appelé cette organisation « boucle d’amélioration récursive par IA ». Son jugement est simple : la majorité des entreprises ressemblent encore à l’armée romaine — une hiérarchie descendante, une remontée d’informations, des humains comme conduits d’informations. Ce que l’IA brise, ce n’est pas l’efficacité d’un maillon, mais la structure hiérarchique qui la soutient.

Sa nouvelle logique est : brûlez des tokens, pas des têtes. Le goulot d’étranglement se déplace de la main-d’œuvre vers la puissance de calcul. YC observe que, pour les entreprises ayant présenté leur projet au Demo Day, le revenu par personne a été multiplié par environ 5 en 18 mois. La gestion intermédiaire est prise en charge par l’IA — la « collaboration » n’a plus besoin d’humains. Chacun doit être un contributeur individuel, un bâtisseur, un opérateur, avec un responsable nommé, pas un comité.

Une autre condition : l’entreprise doit être « lisible » par l’IA. Ce qui n’est pas documenté, n’existe pas pour l’IA. YC enregistre désormais tous les emails des associés, toutes les conversations Slack, tous les enregistrements d’heures de bureau. Un associé a utilisé 2 000 heures d’enregistrement accumulées en trois mois pour faire générer par l’IA un manuel interne de 150 pages — bien meilleur que la version précédente. Ce manuel est mis 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 aujourd’hui, adopteriez-vous cette organisation ? Si votre entreprise a déjà une hiérarchie, la question est plus difficile : le coût de la reconstruction serait-il inférieur à celui de continuer à faire fonctionner la structure romaine ?

Les humains ne sont plus au centre de l’atelier, ils sont en périphérie — responsables des domaines où l’IA ne peut pas encore intervenir : jugement hors ligne, scénarios totalement nouveaux, moments de haute mise en jeu et d’émotion intense. Le « cerveau » de l’entreprise est constitué de données, d’enregistrements et de connaissances sectorielles. Le logiciel qui tourne dessus est une commodité, il peut générer et régénérer. La vraie valeur est dans l’esprit humain — comment le business fonctionne, quelles étapes nécessitent du jugement, ces compréhensions sont la véritable richesse.

Ce que Zhao Yiwan décrit dans « Steam, Steel, and Infinite Minds » est cette autre facette — une organisation où 1 000 employés collaborent avec plus de 700 agents IA, où l’humain décide, et l’agent exécute. Aschenbrenner mise sur l’infrastructure de calcul, Zhao Yiwan sur la reconstruction organisationnelle. Les deux chemins convergent vers un même objectif : une nouvelle façon de produire, reconstruite autour de l’IA.

6. Conclusion

Entre les années 1840 et 1850 — le chemin de fer était posé, mais l’usine n’était pas encore reconstruite.

Où en sommes-nous ? Simon ne code plus. Sa roue à eau, c’est lui qui l’a démontée.

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

Je ne vais pas prédire ce que seront les grands magasins de demain, je me contente de faire ce que je peux aujourd’hui — m’assurer d’être sur la bonne voie, c’est-à-dire le long du chemin de fer, et non en train de garder un fleuve asséché.

Et vous ?