Enfin, des entreprises ont découvert que leur activité avait été captée par des entreprises de grands modèles grâce à l’IA.

Auteur : Yu Hangyuan ; Source : Geek Park

Le 1er juillet, le PDG de Palantir, Alex Karp, est entré sur le plateau de CNBC avec un ton presque incontrôlé, lançant une bombe.

Il a dit que l’industrie de l’IA est « effing insane » (folle), il a dit que les PDG des entreprises américaines étaient « livid » (furieux) à propos d’OpenAI et d’Anthropic, et il a dit que les entreprises se livraient à une chose absurde : payer frénétiquement des jetons, tout en confiant leurs données opérationnelles les plus essentielles aux fournisseurs du modèle. Et la valeur commerciale en retour est presque impossible à mesurer.

Le présentateur lui demande si ce n’est pas une « diversion » (se défausser). Karp répond : « Non, je fais juste état des faits. »

Le cours de Palantir a grimpé de 9 % le jour même. Ce chiffre, à lui seul, est un vote : le marché pense qu’il a dit une grande partie de ce que beaucoup veulent dire sans oser le formuler.

Ce n’est pas une simple explosion émotionnelle d’une seule personne. Quand le dirigeant d’une entreprise dont la capitalisation dépasse mille milliards de dollars crie au lancement, en direct à l’échelle nationale, contre toute l’industrie du grand modèle, et que le marché répond positivement avec de l’argent bien réel, cela signifie qu’un sentiment collectif a atteint son point de bascule.

Pendant les deux dernières années, tout le monde a parlé de la façon d’embrasser les grands modèles. Mais désormais, une nouvelle question remonte à la surface : les entreprises s’approchent-elles trop des grands modèles, au point de se faire déchiqueter ?

**01 **Du « prendre le train » à « ne pas être naïf »

Rappelons l’ début 2024 : l’attitude des entreprises envers les grands modèles peut se résumer en quatre mots : « d’abord l’utiliser ».

Peu importe le ROI, peu importe où vont les flux de données, l’essentiel est de ne pas être en retard. À ce moment-là, le récit dominant était : « la révolution de l’IA arrive ; si vous ne l’adoptez pas, vous serez éliminés ». Les CIO et CTO de tous secteurs, sous une pression énorme, ont essayé d’insérer l’IA dans chaque maillon de l’activité qu’ils pouvaient. C’est une décision typique pilotée par une peur panique technologique.

En 2025, « déployer partout » devient le mot-clé. Les entreprises commencent à intégrer sérieusement les grands modèles dans les processus clés, et cessent de ne faire que des démos ou de lancer des hackathons internes. De l’assistance client à la génération de code, de l’analyse marketing à la conception de produits, la profondeur et l’ampleur de la pénétration de l’IA s’étendent de façon exponentielle.

Mais à l’entrée en 2026, un changement d’émotion subtil est en train de se produire.

Les recherches de Salesforce montrent que seuls la moitié des responsables IT ont confiance dans l’infrastructure de données de leur entreprise pour réussir un déploiement de l’IA. Le rapport de recherche publié par NTT DATA en mai de cette année utilise directement le terme « heurter un mur » : l’IA d’entreprise rencontre des goulets d’étranglement architecturaux causés par les exigences de confidentialité des données et de souveraineté. Gartner prédit qu’en 2027, 35 % des pays dépendront de plateformes d’IA régionalisées, alors qu’aujourd’hui, ce chiffre n’est que de 5 %.

Karp décrit cette transition de manière encore plus directe. Il dit que les entreprises passent du « tokenmaxxing » consistant à empiler bêtement des jetons, à une vraie question sur le retour sur investissement. « L’idée de base, c’est d’arrêter de gaspiller du temps sur les token. »

Ce n’est pas une négation des grands modèles ; c’est tout le secteur qui passe du « prendre le train » à « ne pas être naïf ». Après la période d’enthousiasme, les entreprises commencent à examiner avec un regard plus froid une question fondamentale : ce que je donne, et ce que je récupère, cette addition tient-elle la route ?

**02 **Quand le partenaire devient concurrent

Les critiques de Karp restent au niveau du modèle économique. Mais ce qui fait vraiment froid dans le dos, c’est une autre menace, plus directe : votre fournisseur de services IA pourrait être en train de construire un produit qui vous remplace, en utilisant les données et la compréhension des cas d’usage que vous lui fournissez.

Ce qui s’est produit en avril 2026 a fait passer cette inquiétude du théorique au réel.

En février de cette année, Figma et Anthropic développaient encore ensemble une fonctionnalité appelée « Code to Canvas », qui intègre sans friction le code généré par Claude dans le processus de conception de Figma. Les deux entreprises semblaient être des partenaires proches.

Le 14 avril, le directeur produit d’Anthropic, Mike Krieger, quitte discrètement son siège au conseil d’administration de Figma.

Trois jours plus tard, Anthropic publie Claude Design — un outil d’IA de conception capable de générer des prototypes d’interaction, des PPT et des supports marketing directement à partir d’un langage naturel, calqué avec précision sur le cœur des activités de Figma.

Le cours de l’action de Figma a chuté d’environ 8 % le jour même.

Dans un article ultérieur de Fast Company, un détail mérite d’être relevé : Figma et des entreprises comme Adobe et Canva entretiennent depuis des années des partenariats avec Anthropic, mais avant la sortie de Claude Design, personne n’a été prévenu. Tout le monde a pris conscience, dans un moment de panique, que son partenaire IA, sous ses yeux, est devenu un concurrent.

Cette histoire mérite réflexion car elle met en évidence, à l’ère des grands modèles, un problème structurel plus dangereux que jamais : quand vous collaborez étroitement avec une entreprise d’IA, vous ne lui confiez pas seulement l’accès au marché ; vous lui confiez aussi votre compréhension des cas d’usage essentiels et des besoins des utilisateurs.

Si Anthropic a pu concevoir Claude Design, c’est en grande partie parce qu’il a, via ses partenariats avec des entreprises d’outils de design, compris en profondeur le flux de travail des designers et leurs points douloureux.

Mais si l’on élargit la perspective, ce n’est pas un scénario inédit de l’histoire de la technologie.

Amazon, parti de l’e-commerce, lance ses marques propres : à l’aide des données de la plateforme, il identifie précisément les catégories les plus rentables, puis sort ses propres produits pour grignoter les vendeurs tiers. Microsoft, à partir du système d’exploitation, regroupe un à un le navigateur, la suite bureautique, les outils de communication : Netscape est éliminé, Slack est contraint de vendre. Google, depuis le moteur de recherche, s’étend jusqu’à répondre directement aux questions des utilisateurs via la page de résultats, marginalisant Yelp et de nombreux services d’information verticaux.

La loi d’acier de l’industrie technologique n’a jamais changé : quand une plateforme détient suffisamment de données et de compréhension des utilisateurs, elle finit toujours par grignoter vers l’amont.

À l’ère des grands modèles, cette loi devient encore plus féroce : l’invasion des plateformes traditionnelles avait besoin de temps pour accumuler la compréhension, tandis que les grands modèles sont naturellement un « accélérateur de compréhension ». À chaque appel d’API, à chaque entrée de données métier, vous aidez le fournisseur du modèle à comprendre plus vite et plus profondément votre territoire.

**03 **La « limite de Roche » à l’ère de l’IA

En astronomie, il existe un concept appelé « limite de Roche » : lorsqu’un corps céleste s’approche trop d’une étoile massive, la force de marée dépasse la gravité qui le maintient ; le corps céleste est alors déchiré.

Cette métaphore décrit avec une précision dérangeante la relation actuelle des entreprises avec les grands modèles.

Les grands modèles sont cette étoile massive. Chaque entreprise veut profiter de sa gravité pour accélérer — gagner en efficacité, réduire les coûts, innover. Mais le problème, c’est qu’en s’approchant suffisamment, votre « matière » commence à être arrachée : vos données, votre know-how, votre compréhension des besoins des utilisateurs, tout migre vers le centre de gravité pendant la collaboration.

Et où se trouve la frontière pour une entreprise : « danser avec l’IA » sans être finalement avalée ?

Cette question est déjà sur la table aux États-Unis. Mais si vous pensez qu’elle est encore loin des entreprises chinoises, c’est peut-être une illusion.

Il existe des différences de rythme entre les entreprises des deux pays dans l’adoption de l’IA : aux États-Unis, les entreprises sont déjà entrées dans une phase de déploiement à grande échelle et profondément intégrée aux activités, tandis que, en Chine, les entreprises passent globalement des pilotes à la mise à l’échelle. L’étude publiée en mars par Lenovo conjointement avec IDC montre qu’en Chine, 72 % des entreprises ont déjà achevé des pilotes d’agents et les utilisent officiellement, avec un déploiement moyen dans 3,5 cas d’usage. Mais le centre de gravité des défis s’est aussi déplacé : de « manque de puissance de calcul, manque de données » vers « les effets d’application ne répondent pas aux attentes » et « le ROI n’est pas clair ».

Autrement dit, les entreprises chinoises entrent dans une « période de lucidité sur l’IA » similaire à celle des entreprises américaines.

Geek Park, en discutant récemment avec de nombreux entrepreneurs et des entreprises ayant une activité traditionnelle, a constaté un phénomène intéressant : dans beaucoup de cas, la réflexion sur ces questions ne vient pas directement d’une crise du type « j’ai peur que les entreprises de modèles me prennent mon activité », mais plutôt du fait qu’après avoir intégré réellement l’IA dans le business, les acteurs redéfinissent naturellement : « à l’ère de l’IA, quelle est ma valeur centrale ».

Cette redéfinition finit par se condenser en deux capacités clés.

**04 **Qui contrôle « la base de l’IA » ?

La première, et la plus concrète, est parfaitement alignée avec ce que Karp a dit : sur quelle base tournent réellement vos données et votre logique métier ?

L’argument central que Karp martèle sur CNBC est exactement celui-ci. Les données opérationnelles les plus sensibles d’une entreprise ne devraient pas être versées dans une boîte noire d’un fournisseur tiers. Il positionne Palantir comme une couche applicative de « souveraineté de l’IA » : le modèle peut être celui de quelqu’un d’autre, mais les données doivent rester dans votre enceinte ; le déploiement doit se faire sur une infrastructure dont vous gardez la maîtrise.

Ce n’est pas de la paranoïa : le ressenti est en réalité très similaire dans les entreprises chinoises. Le responsable R&D produit de WPS 365 de Kingsoft, Huang Weijie, a récemment formulé une phrase très juste : « Aujourd’hui, ce dont les entreprises manquent ce n’est pas le matériel ni les modèles, mais une couche applicative d’IA sécurisée. »

Les données d’IDC confirment aussi cette tendance : dans le déploiement de la puissance de calcul pour l’IA d’entreprise, la part du cloud public est en baisse, et la part cumulée du cloud privé et du déploiement sur site est passée de 54 % à 69 %. « Les données ne sortent pas du domaine » passe d’un slogan de conformité à un critère de premier tri au moment où les CTO choisissent.

Karp appelle cela « commodity cognition » (cognition en voie de marchandisation). Son jugement est que la qualité même des modèles est en train de se stabiliser ; la vraie valeur différenciante n’est pas dans la couche modèle, mais dans la couche applicative qui relie les capacités du modèle à des cas d’usage propres à l’entreprise. L’« engine d’IA souveraine » développé par Palantir en partenariat avec NVIDIA incarne cette logique en la transformant en produit : utiliser des modèles open source, y ajouter la couche ontologique et les cadres de gouvernance propres à Palantir, pour exécuter l’IA dans un environnement totalement maîtrisé, sans qu’un seul octet de données ne sorte. Le chiffre d’affaires de Palantir au premier trimestre 2026 s’élève à 1,63 milliard de dollars, en hausse de 85 % en glissement annuel ; dans une certaine mesure, c’est un vote du marché en faveur de cette trajectoire.

Il y a un signal à surveiller : les entreprises et les solutions qui permettront à l’avenir aux entreprises de faire tourner l’IA « sur leurs propres fondations » seront encore plus recherchées. En Chine, « des cerveaux d’IA privatisés » est déjà une réalité en tant que piste ; plusieurs startups développent des produits autour de cette direction. Ce n’est pas une manie de la propreté technologique ; c’est un choix rationnel après avoir clarifié les besoins.

**05 **Ne transformez pas l’organisation en une « machine à répéter »

La deuxième capacité est plus difficile à quantifier, mais Geek Park la ressent de plus en plus en discutant avec les entreprises : quand l’IA peut remplacer de plus en plus d’étapes d’exécution, quel type de « personnes » une organisation a-t-elle réellement besoin ?

Certaines entreprises qui vont assez vite ont déjà fait l’expérience de ce piège.

Quand l’IA est nettement plus efficace que les humains à certains niveaux, la réflexion naturelle consiste à se dire « supprimer les humains ». Mais une fois l’organisation amincie, un problème caché commence à apparaître : ce que fait l’IA, au fond, est l’« best practice » que ces personnes avaient condensée dans le vieil environnement. Quand l’environnement change, quand le marché change, quand les utilisateurs changent, l’IA continue fidèlement d’exécuter la vieille logique ; or l’organisation ne dispose plus de suffisamment de personnes pour percevoir ces changements et faire évoluer l’activité vers l’avant.

Autrement dit, une organisation remplie d’IA mais vidée par les humains ne fait peut-être qu’une répétition efficace du passé.

Ce n’est pas dire qu’il ne faut pas utiliser l’IA pour remplacer l’exécution. C’est dire que lorsque l’IA prend en charge de plus en plus de couches d’exécution, l’entreprise a au contraire davantage besoin d’une autre catégorie de personnes : non pas celles qui réalisent concrètement des tâches au sens traditionnel, mais celles qui savent « commander » l’IA. Ce rôle doit comprendre la vue d’ensemble du business, être capable de juger si les sorties de l’IA s’appliquent encore à une réalité en mutation, et voir des possibilités nouvelles au-delà des « solutions optimales » proposées par l’IA.

Certaines entreprises en avance commencent à réfléchir sérieusement à cette question. Elles découvrent que avec l’IA, la vraie compétitivité n’est pas « combien de personnes vous avez remplacées par l’IA », mais « vos gens peuvent-ils dompter l’IA pour accomplir des choses impossibles auparavant » ? Si vous faites juste en sorte que l’IA automatise en continu les données historiques, et circule en boucle, vous êtes en essence verrouillés dans une photographie du passé.

L’importance de ce renversement de perception n’est peut-être pas moindre que celle de la souveraineté des données. Quand l’IA aplatit les barrières techniques, « le jugement des humains » et « la capacité d’évolution de l’organisation » deviennent au contraire les choses les plus difficiles à reproduire. Certaines entreprises l’ont déjà compris, d’autres non. Mais cette ligne de partage risque de devenir très claire au cours des une à deux prochaines années.

**06 **L’industrie a besoin de « nouvelles entreprises d’IA »

Ces deux dernières années, une hypothèse implicite a dominé l’ensemble de l’industrie : à l’ère de l’IA, la valeur finirait par se concentrer entre les mains des entreprises de modèles. Plus vous êtes proche des modèles, plus vous êtes valorisé.

Cette hypothèse commence à vaciller.

Karp a en fait mis le doigt sur un point lors de son passage sur CNBC : le modèle lui-même devient une « cognition marchandisée ». À mesure que l’écart de capacité entre les grands modèles se réduit, la vraie différenciation ne se trouve plus dans la couche modèle. Une structure industrielle où seuls les entreprises de modèles dominent ne sera pas seulement malsaine pour les entreprises : c’est aussi une contrainte sur la vitesse de développement de l’ensemble de l’écosystème IA.

Ce dont les entreprises ont besoin n’a jamais été simplement un modèle plus puissant. Elles ont besoin d’un écosystème complet : capable de répondre aux angoisses liées à la souveraineté des données, capable de protéger les barrières à la concurrence contre « l’aspiration » (effet d’agrégation), capable d’intégrer l’IA au business sans perdre le contrôle. Cette demande est en train de créer un marché beaucoup plus complexe que le simple fait de « vendre des jetons ».

Plusieurs directions montrent déjà des signaux clairs.

Les « infrastructures d’IA souveraine » deviennent une piste réelle, avec des investissements conséquents. Ce n’est pas une notion. Rien qu’au premier semestre 2026, l’Europe compte déjà trois entreprises d’infrastructures d’IA souveraine (Nebius, nScale, AtlasEsge) qui ont levé au total plus de 11,8 milliards de dollars. Il y a seulement quelques jours, Valarian à Londres a justement obtenu 50 millions de dollars lors de son tour A ; l’objectif est très concret : ajouter une « couche de contrôle de souveraineté » entre les systèmes d’IA et des données sensibles, pour décider quels systèmes d’IA peuvent accéder à quelles données et dans quelles conditions. Ce type de chose n’existait pratiquement pas comme exigence il y a deux ans ; aujourd’hui, les gouvernements et les grandes entreprises font la queue.

Les « AI gateways » et la couche intermédiaire d’orchestration deviennent un maillon indispensable dans l’architecture IA des entreprises. Si une entreprise utilise simultanément OpenAI, Anthropic, des modèles open source et aussi ses propres modèles spécialisés après fine-tuning, qui s’occupe alors du routage unifié, du contrôle des coûts, de la gouvernance des droits et de l’audit ? Dans l’ère du logiciel traditionnel, cette place s’appelait un middleware ; à l’ère de l’IA, on parle de gateway ou de couche d’orchestration. Ce n’est pas sexy, mais c’est l’infrastructure clé pour passer des « utiliser l’IA » à « bien gérer l’IA ». Palantir fait, en essence, exactement ce type de couche — en proposant la version la plus lourde. Les solutions plus légères, adaptées à des entreprises de tailles différentes, offrent un espace immense.

Au niveau des applications, les solutions d’IA par secteur vertical évoluent elles aussi de « simple empaquetage » vers « une intégration en profondeur ». Dans le passé, beaucoup d’applications d’IA n’étaient, au fond, que l’habillage d’une enveloppe GPT. Aujourd’hui, celles qui tiennent vraiment la route sont celles qui comprennent profondément le know-how d’un secteur précis, et lient de manière étroite les capacités de l’IA à la logique du secteur. L’ancrage de la valeur de ces entreprises ne se situe pas dans les modèles, mais dans la compréhension du secteur — une chose que les entreprises de modèles ont précisément du mal à obtenir via l’entraînement.

Même au niveau des « personnes », un nouveau marché de services apparaît. À mesure que de plus en plus d’entreprises se rendent compte qu’elles n’ont pas besoin de plus d’outils d’IA, mais de gens capables de « commander l’IA » et des méthodologies d’organisation associées, les besoins en conseil sur la transformation organisationnelle à l’ère de l’IA, en formation des talents, et en refonte des processus émergent rapidement.

En fin de compte, une industrie qui ne possède que la « couche modèle » est fragile. Pour permettre à l’industrie de l’IA de courir plus vite et de façon plus saine, il faut un écosystème plus tridimensionnel. Dans cet écosystème, certains font des modèles, d’autres font des infrastructures de souveraineté, d’autres des gateways et de la gouvernance, d’autres des applications approfondies par secteur vertical, et d’autres encore aident les entreprises à remodeler leurs capacités organisationnelles. Chaque couche répond aux besoins réels des entreprises lorsqu’elles passent de l’« adoption » à la « maîtrise ».

Ces besoins, au cours de l’année passée, sont passés de flous à de plus en plus clairs. La prochaine étape : une vague d’explosion nette pourrait arriver pour les nouvelles solutions, prestataires et produits de la prochaine génération qui naîtront autour de ces besoins.

En revenant à la métaphore de la limite de Roche : trouver la trajectoire de sécurité n’est jamais l’affaire d’une seule entreprise. Quand l’ensemble de l’écosystème commence à faire pousser des forces au-delà du modèle, les entreprises disposent alors enfin de la capacité à ne pas être déchirées.