Enfin, des entreprises ont découvert que leurs activités avaient été reprises par des sociétés de grands modèles.

作者 :宇航猿 ;来源 :极客公园

Le 1er juillet, le PDG de Palantir, Alex Karp, entre dans le studio de CNBC avec un ton presque incontrôlé, lançant une bombe.

Il dit que l’industrie de l’IA est « effing insane » (folle), il dit que les dirigeants d’entreprises américaines sont « livid » (furieux) envers OpenAI et Anthropic, et il dit que les entreprises font quelque chose d’absurde : d’un côté, elles paient à fond des tokens, et de l’autre, elles remettent leurs données opérationnelles les plus essentielles aux fournisseurs de modèles. Et la valeur commerciale obtenue, est presque impossible à mesurer.

Le présentateur lui demande si c’est une façon de « rejeter la faute ». Karp répond : « Non, je fais juste état des faits. »

Le cours de Palantir grimpe de 9 % ce jour-là. Ce chiffre, à lui seul, est un vote — le marché pense qu’il a dit à haute voix ce que beaucoup voulaient dire sans oser le faire.

Ce n’est pas la simple décharge émotionnelle d’une seule personne. Quand le dirigeant d’une entreprise dont la capitalisation dépasse 1 milliard de dollars bombarde en direct toute l’industrie des grands modèles, et que le marché lui donne un retour positif en espèces sonnantes et trébuchantes, cela signifie qu’une émotion collective a atteint un point critique.

Au cours des deux dernières années, tout le monde a discuté de la manière d’adopter les grands modèles. Mais désormais, une nouvelle question apparaît — si une entreprise est trop proche des grands modèles, est-ce que ceux-ci risquent de la mettre en pièces ?

**01 **Du « coup de tête » à « pas naïf »

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

Peu importe le ROI ou non, peu importe où vont les flux de données : l’important, c’est de ne pas se faire distancer. À l’époque, le récit dominant était : « la révolution de l’IA arrive, si vous ne l’adoptez pas, vous serez éliminé ». Sous une pression énorme, les DSI et les CTO de tous secteurs ont tenté d’installer l’IA dans chaque maillon d’activité qu’ils pouvaient. C’est une décision typique motivée par une panique technologique.

En 2025, « déploiement généralisé » devient le mot-clé. Les entreprises commencent à intégrer sérieusement les grands modèles dans les processus métiers essentiels, et ne se limitent plus à faire des démos ou à organiser des hackathons internes. De l’assistance client à la génération de code, de l’analyse marketing à la conception produit, la profondeur et l’ampleur de la pénétration de l’IA explosent.

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

Une enquête de Salesforce montre que seuls la moitié des dirigeants IT font confiance à l’infrastructure de données de leur entreprise pour réussir l’adoption et la mise en œuvre de l’IA. Le rapport d’étude publié en mai par NTT DATA a utilisé directement le terme « mur » : l’IA d’entreprise se heurte à des goulots d’étranglement architecturaux dus aux exigences de confidentialité des données et de souveraineté. Gartner prévoit qu’en 2027, 35 % des pays s’appuieront sur des 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 » aveugle — consommer des tokens sans réfléchir — à une vraie interrogation sur le retour sur investissement. « La position de base, c’est : n’allez plus gaspiller votre temps sur des tokens. »

Ce n’est pas une négation des grands modèles ; c’est l’ensemble de l’industrie qui passe du « coup de tête » à « la lucidité » et au « réalisme ». Après la période d’enthousiasme, les entreprises commencent à examiner, avec un regard plus froid, un problème fondamental : ce que je confie, et ce que je récupère — est-ce que ce bilan se tient ?

**02 **Quand le partenaire devient un concurrent

Les critiques de Karp restent au niveau du modèle économique. Mais ce qui glace vraiment le sang, c’est une autre menace, plus directe — votre fournisseur de services IA utilise peut-être les données et la compréhension de vos scénarios que vous lui fournissez pour construire un produit qui pourrait remplacer le vôtre.

Ce qui s’est produit en avril 2026 transforme cette inquiétude de théorie en réalité.

En février de cette année, Figma et Anthropic développaient encore ensemble une fonctionnalité appelée « Code to Canvas », qui intègre sans couture le code généré par Claude dans le processus de design 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 lance Claude Design — un outil de design IA qui peut générer directement des prototypes interactifs, des PPT et du matériel marketing en langage naturel, ciblant précisément l’activité cœur de Figma.

Le cours de Figma baisse d’environ 8 % ce jour-là.

Dans un article ultérieur de Fast Company, un détail est particulièrement révélateur : Figma, comme Adobe, Canva et d’autres, entretiennent depuis de nombreuses années une relation de collaboration avec Anthropic. Mais avant la publication de Claude Design, personne n’a été prévenu. Tout le monde réalise, surpris, qu’en regardant bien autour de soi, son partenaire IA s’est transformé en concurrent.

Ce récit mérite réflexion parce qu’il met en évidence, à l’ère des grands modèles, un problème structurel plus dangereux que jamais — quand vous collaborez en profondeur avec une entreprise d’IA, vous ne lui donnez pas seulement l’accès au marché : vous lui confiez aussi votre compréhension centrale des scénarios et les données relatives aux besoins des utilisateurs.

La raison pour laquelle Anthropic a pu concevoir Claude Design tient largement au fait qu’il a, dans sa collaboration avec des sociétés d’outils de design, compris en profondeur les processus de travail et les douleurs des designers.

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

Amazon, d’une plateforme e-commerce, passe à sa propre marque : en utilisant les données de la plateforme pour identifier précisément les catégories les plus rentables, puis en lançant ses propres produits pour grignoter les vendeurs tiers. Microsoft, parti du système d’exploitation, regroupe pièce par pièce le navigateur, la suite bureautique et les outils de communication — Netscape est tué, Slack contraint de vendre. Google, à partir du moteur de recherche, s’étend jusqu’à répondre directement aux questions des utilisateurs via la page de résultats, marginalisant Yelp et de nombreux fournisseurs d’informations verticales.

La loi d’airain de l’industrie technologique n’a jamais changé : lorsqu’une plateforme possède suffisamment de données et de compréhension des utilisateurs, elle finit par grignoter le niveau en amont.

À l’ère des grands modèles, cette loi devient encore plus féroce : l’invasion des plateformes traditionnelles nécessite du temps pour accumuler la compréhension, tandis que les grands modèles sont naturellement un « accélérateur de compréhension ». Chaque appel à votre API, chaque entrée de données métier, aide le fournisseur de modèles 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 astre s’approche trop d’une étoile massive, la force de marée dépasse sa propre gravité, et l’astre finit par être déchiré.

Cette métaphore décrit avec une précision dérangeante la relation des entreprises avec les grands modèles aujourd’hui.

Les grands modèles sont cette étoile massive. Chaque entreprise veut bénéficier de la gravité — gagner en efficacité, réduire les coûts, innover. Mais le problème, c’est qu’en vous rapprochant assez, votre « matière » commence à être arrachée. Vos données, votre know-how, et votre compréhension des besoins des utilisateurs finissent par s’écouler vers le centre de gravité au cours de la collaboration.

Alors où se situe la frontière pour pouvoir « danser avec l’IA » sans être finalement avalé ?

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

Il existe une différence de rythme dans l’adoption des applications d’IA entre les entreprises des deux pays. Aux États-Unis, les entreprises sont déjà entrées dans une phase de déploiement à grande échelle et profondément intégré aux activités, tandis qu’en Chine, les entreprises, dans l’ensemble, passent encore du pilote à la mise à l’échelle. Une enquête publiée en mars par Lenovo et IDC montre que 72 % des entreprises en Chine ont déjà terminé des pilotes d’agents et les ont mis en production, avec un déploiement moyen dans 3,5 scénarios. Mais le centre de gravité des défis a aussi bougé : on est passé de « manque de puissance de calcul, manque de données » à « l’effet des applications n’est pas à la hauteur » et « le ROI n’est pas clair ».

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

Lors de ses échanges récents avec de nombreux entrepreneurs et des entreprises à activité traditionnelle, Geek Park a observé un phénomène intéressant : dans beaucoup de cas, la réflexion sur ces questions ne vient pas d’un sentiment de crise direct du type « j’ai peur que la société de modèles me vole mon business », mais plutôt du fait qu’après avoir intégré réellement l’IA dans le métier, on redéfinit naturellement « à l’ère de l’IA, quelle est ma valeur centrale ? »

Cette redéfinition finit par se traduire en deux compétences clés.

**04 **Qui contrôle les « fondations de l’IA » ?

La première, la plus concrète, et très cohérente avec ce que Karp dit, est celle-ci : vos données et votre logique métier, sur quelle fondation tournent-elles réellement ?

Sur CNBC, Karp insiste à répétition sur ce point. Les données opérationnelles les plus sensibles des entreprises ne devraient pas entrer dans une « boîte noire » d’un fournisseur de modèles tiers. Il positionne Palantir comme fournissant une couche applicative de « souveraineté IA » : le modèle peut être celui de quelqu’un d’autre, mais les données doivent rester enfermées dans votre enceinte, et le déploiement doit se faire sur votre infrastructure que vous contrôlez.

Ce n’est pas de la paranoïa ; l’expérience des entreprises en Chine est en fait très semblable. Le responsable R&D de WPS 365 de Kingsoft, Huang Weijie, a récemment formulé une phrase très pertinente : « Ce dont les entreprises manquent aujourd’hui, ce n’est ni le matériel ni les modèles, mais une couche d’application d’IA sécurisée. »

Les données d’IDC confirment cette tendance. Dans le déploiement de la puissance de calcul IA des entreprises, la part du cloud public diminue ; la part totale du cloud privé et du déploiement on-premise passe de 54 % à 69 %. « Les données ne sortent pas du domaine » passe d’un slogan de conformité à un premier critère lors du choix technologique par les CTO.

Karp appelle cela « commodity cognition » (connaissance commercialisée). Son jugement est le suivant : la qualité même des modèles tend à se converger ; la vraie différenciation n’est pas dans la couche du modèle, mais dans la couche applicative qui lie la capacité du modèle à des scénarios spécifiques à l’entreprise. L’« engine souveraineté IA » lancé par Palantir avec NVIDIA, traduit justement cette logique en produit : en combinant des modèles open source avec sa propre couche d’ontologie et son cadre de gouvernance, les entreprises peuvent faire tourner l’IA dans un environnement entièrement contrôlable, sans faire sortir un seul octet de données. Les revenus de Palantir au premier trimestre 2026 s’élèvent à 1,63 milliard de dollars, en hausse de 85 % d’une année sur l’autre ; dans une certaine mesure, c’est un « vote » du marché en faveur de cette voie.

Il y a un signal à surveiller : à l’avenir, les sociétés et les solutions qui permettront aux entreprises de faire tourner l’IA « sur leurs propres fondations » seront encore plus recherchées. En Chine, « le cerveau privatisé d’IA » est devenu un créneau réel, et plusieurs startups construisent des produits autour de cette direction. Ce n’est pas une obsession technique, mais un choix rationnel une fois que les entreprises l’ont compris.

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

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

Certaines entreprises qui vont vite sont déjà tombées dans ce piège.

Lorsque, dans certains maillons, l’efficacité de l’IA dépasse nettement celle des humains, une idée naturelle apparaît : « supprimer les personnes ». Mais une fois l’organisation devenue plus mince, un problème discret apparaît : ce que l’IA exécute, c’est essentiellement les « meilleures pratiques » condensées par ces personnes dans l’ancien environnement. Quand l’environnement change, quand le marché change, quand les utilisateurs changent, l’IA continue à exécuter fidèlement cette logique ancienne, alors que l’organisation n’a plus assez de personnes pour percevoir ces changements et faire évoluer le business vers l’avant.

Dit simplement, une organisation remplie d’IA mais vidée de personnes ne fait peut-être qu’une chose : répéter efficacement le passé.

Cela ne veut pas dire qu’il ne faut pas utiliser l’IA pour remplacer l’exécution. C’est plutôt que, lorsque l’IA prend de plus en plus en charge la couche d’exécution, les entreprises ont au contraire davantage besoin d’un autre type de personne : non pas celles qui accomplissent des tâches précises au sens traditionnel, mais celles qui savent « commander » l’IA. Ce rôle nécessite de comprendre le tableau d’ensemble du métier, d’évaluer si ce que l’IA produit s’applique encore à la réalité en évolution, et de voir de nouvelles possibilités au-delà des « meilleures solutions » proposées par l’IA.

Certaines entreprises en avance commencent à réfléchir sérieusement à ce sujet. Elles découvrent que avec l’IA, la vraie compétitivité n’est pas « combien de personnes vous remplacez avec l’IA », mais « si vos gens peuvent maîtriser l’IA pour faire des choses impossibles auparavant ». Si vous vous contentez de laisser l’IA automatiser en continu à partir de données historiques et de boucler en continu, en essence, vous êtes enfermé dans une sorte de cliché du passé.

L’importance de ce renversement de perception est peut-être aussi grande que celle de la souveraineté des données. Quand l’IA aplatit les barrières technologiques, la « capacité de jugement humaine » et la « capacité d’évolution de l’organisation » deviennent au contraire les plus difficiles à copier. Certaines entreprises l’ont compris, d’autres pas encore. 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 sociétés d’IA »

Au cours des deux dernières années, une hypothèse implicite a dominé toute l’industrie : à l’ère de l’IA, la valeur se concentrera finalement entre les mains des sociétés de modèles. Plus vous êtes proche du niveau des modèles, plus la valeur est élevée.

Cette hypothèse commence à vaciller.

Karp l’a d’ailleurs mis en clair dans une certaine mesure sur CNBC : le modèle lui-même devient en train de se transformer en « connaissance commercialisée ». Quand l’écart de capacités entre différents grands modèles se réduit, la vraie différenciation ne se trouve plus dans la couche des modèles. Une structure industrielle où la seule couche des modèles domine, n’est pas seulement malsaine pour les entreprises : c’est aussi une contrainte pour la vitesse de développement de l’ensemble de l’écosystème IA.

Ce dont les entreprises ont besoin n’a jamais été un modèle plus puissant. Elles ont besoin d’un ensemble d’écosystème : répondre aux inquiétudes liées à la souveraineté des données, protéger les barrières concurrentielles pour qu’elles ne soient pas « aspirées », et permettre d’intégrer l’IA réellement dans le business sans la perdre en contrôle. Une telle demande crée un marché plus complexe que celui de « la vente de tokens ».

Plusieurs directions donnent déjà des signaux clairs.

Les « infrastructures d’IA souveraine » sont en train de devenir un créneau réel, et un créneau où l’on investit beaucoup d’argent. Ce n’est pas un concept. Rien que sur la première moitié 2026, il y a en Europe trois sociétés qui construisent des infrastructures d’IA souveraine (Nebius, nScale, AtlasEsge) ; elles ont levé au total plus de 11,8 milliards de dollars. Il y a quelques jours à peine, Valarian à Londres a levé 50 millions de dollars en tour A : l’objectif est très concret — ajouter une couche de « contrôle souverain » entre les systèmes d’IA et des données sensibles, afin de décider quels systèmes d’IA peuvent toucher quelles données, et dans quelles conditions. Ce type de chose n’existait tout simplement pas comme demande il y a deux ans ; maintenant, les gouvernements et les grandes entreprises font la queue.

Les « AI gateways » (passerelles IA) et la couche d’orchestration deviennent un maillon indispensable de l’architecture IA d’entreprise. Si une entreprise utilise à la fois OpenAI, Anthropic, des modèles open source, et aussi ses propres modèles spécialisés ajustés, qui gère alors le routage unifié, le contrôle des coûts, la gouvernance des droits et l’audit ? Dans l’ère du logiciel traditionnel, cette position s’appelait middleware ; à l’ère de l’IA, on la nomme gateway ou couche d’orchestration. Ce n’est pas séduisant, mais c’est une infrastructure clé pour faire passer l’entreprise de « utiliser l’IA » à « bien maîtriser l’IA ». Ce que fait Palantir, c’est essentiellement cette couche, dans une version au poids maximal. Pour des solutions plus légères, adaptées à des entreprises de tailles différentes, l’espace est immense.

Au niveau applicatif, les solutions d’IA par secteur vertical se déplacent aussi de « la simple enveloppe » vers « le fond ». Dans le passé, beaucoup d’applications dites IA n’étaient, au fond, qu’une coque de GPT. Mais maintenant, celles qui tiennent vraiment la route sont celles qui comprennent profondément le know-how d’un secteur précis et qui lient étroitement les capacités de l’IA à la logique du secteur. Les points d’ancrage de valeur de ces entreprises ne se situent pas dans le modèle, mais dans la cognition du secteur — quelque chose que les sociétés de modèles ont justement du mal à obtenir par entraînement.

Même au niveau de « l’humain », de nouveaux marchés de services apparaissent. Quand de plus en plus d’entreprises se rendent compte qu’elles n’ont pas besoin de plus d’outils IA, mais de gens capables de « commander l’IA » et d’une méthodologie d’organisation associée, les besoins en conseil à la transformation organisationnelle à l’ère de l’IA, en formation de talents et en refonte des processus émergent rapidement.

Au final, une industrie qui ne comporte que « la couche de modèle » est fragile. Pour accélérer et rendre l’industrie de l’IA plus saine, il faut un écosystème plus tridimensionnel. Dans cet écosystème, il y a des acteurs qui font les modèles, d’autres les infrastructures souveraines, d’autres les gateways et la gouvernance, d’autres des applications profondes par secteur, et d’autres encore qui aident les entreprises à remodeler leurs capacités organisationnelles. Chaque couche répond à un besoin réel dans le passage des entreprises de « l’adoption » à « la maîtrise ».

Ces besoins sont devenus, au cours de la dernière année, de moins en moins flous et de plus en plus clairs. La prochaine étape, autour de ces besoins, verra peut-être un cycle d’explosion net pour de nouvelles solutions, prestataires de services et produits de la génération suivante.

Revenons à la métaphore de la limite de Roche. Trouver cette trajectoire de sécurité n’a jamais été l’affaire d’une seule entreprise. Quand tout l’écosystème commence à faire pousser des forces qui dépassent les modèles, alors seulement les entreprises ont une vraie base pour ne pas être déchirées.