Ce que les précédentes révolutions technologiques peuvent nous apprendre sur le déplacement de la valeur.
Les premiers gagnants de l’IA étaient relativement faciles à comprendre. L’intelligence artificielle avait besoin de semi-conducteurs avancés et de puissance de calcul, tandis que les data centers créaient une demande considérable d’électricité, de refroidissement, de transformateurs et de câbles.
Les investisseurs pouvaient simplement suivre les dépenses.
Leur ampleur est désormais extraordinaire. La Banque des règlements internationaux décrit le développement actuel de l’IA comme l’un des plus grands cycles d’investissement technologique de l’histoire américaine.
Pourtant, le produit de ces investissements devient rapidement moins cher. Selon le Stanford AI Index, le coût d’utilisation d’un modèle aux performances comparables à GPT-3.5 est passé de 20 dollars par million de tokens en novembre 2022 à 0,07 dollar en octobre 2024, soit une division par plus de 280.
Dans le même temps, l’adoption s’accélère. Le Stanford AI Index 2026 indique que 88 % des organisations interrogées utilisaient l’IA dans au moins une fonction de leur entreprise en 2025.
Nous sommes donc face à une combinaison inhabituelle : des investissements gigantesques, des coûts en forte baisse et une adoption de plus en plus large.
Il faut toutefois distinguer le progrès technologique de la capacité réellement disponible. Une nouvelle génération de GPU, même beaucoup plus performante, ne crée pas instantanément davantage de puissance de calcul accessible aux utilisateurs. Les puces doivent encore être installées, alimentées, refroidies et interconnectées, souvent au sein d’infrastructures conçues plusieurs années auparavant.
Les nouvelles générations peuvent donc devenir beaucoup plus efficaces tandis que les équipements existants conservent une valeur économique importante, simplement parce que la puissance de calcul immédiatement disponible reste rare.
La technologie peut devenir moins chère beaucoup plus vite que les infrastructures nécessaires pour la rendre disponible ne deviennent abondantes.
Les premiers gagnants ont fourni ce dont l’IA avait besoin. Pour identifier les suivants, il faut peut-être regarder ailleurs : que se passe-t-il lorsque l’intelligence devient suffisamment bon marché pour modifier l’économie d’autres entreprises ?
L’histoire fournit quelques pistes.
Ce que les précédentes révolutions technologiques peuvent nous apprendre
Les chemins de fer : une excellente technologie peut rester un mauvais investissement
La Railway Mania britannique a transformé les transports, mais avoir correctement identifié cette révolution technologique ne garantissait pas de bons rendements. Les capitaux ont afflué, des lignes concurrentes ont été financées et les capacités se sont rapidement développées.
Le parallèle avec l’IA mérite d’être étudié. En 2026, la Banque des règlements internationaux a modélisé la course actuelle aux investissements dans l’IA. Dans son scénario de référence, les investissements atteignent environ 50 % de plus que leur niveau économiquement efficient. Lorsque la demande est moins élastique, ils peuvent approcher trois fois ce niveau.
Lorsqu’une technologie semble susceptible de déterminer les futurs leaders d’un marché, ne pas investir peut paraître plus dangereux qu’investir trop. Des décisions rationnelles prises individuellement par les entreprises peuvent donc aboutir collectivement à des surcapacités.
La leçon n’est pas que les infrastructures d’IA constituent un mauvais investissement. Elle est qu’avoir raison sur une révolution technologique ne suffit pas : encore faut-il avoir raison sur le rendement du capital nécessaire pour la construire.
J’ai étudié la dimension physique de ce cycle d’investissement dans mon précédent article consacré aux goulots d’étranglement des infrastructures de l’IA.
L’électrification : la valeur s’est déplacée au-delà de l’électricité
L’électricité offre une autre leçon.
Les usines n’ont pas exploité tout son potentiel en remplaçant simplement les machines à vapeur par des moteurs électriques. Les gains les plus importants sont apparus lorsque l’organisation même de la production a été repensée autour de l’électricité.
Une étude du NBER consacrée à l’industrie américaine entre 1890 et 1940 montre que l’électrification a généré des gains de productivité rapides et durables, accompagnés d’investissements supplémentaires et de changements organisationnels.
À terme, avoir accès à l’électricité ne suffisait plus à différencier une entreprise industrielle. Ce qui comptait était la manière dont elle l’utilisait.
L’IA pourrait suivre une trajectoire comparable. Le coût d’inférence d’un modèle aux performances proches de GPT-3.5 a été divisé par plus de 280 en moins de deux ans.
Mais cette transition ne se produira pas nécessairement aussi rapidement que l’amélioration de la technologie elle-même. L’électricité est devenue beaucoup plus utile bien avant que la production, le transport et la distribution ne deviennent abondants partout. L’IA pourrait connaître le même phénomène : l’intelligence peut devenir moins chère alors que les infrastructures physiques nécessaires pour la délivrer restent contraintes.
La question d’investissement évolue alors. Il ne s’agit plus seulement de savoir qui fournit l’intelligence, mais de comprendre ce qui prend de la valeur lorsque l’intelligence devient bon marché.
Internet : les investissements des autres peuvent devenir votre intrant bon marché
Internet offre peut-être le précédent le plus intéressant.
Dans les années 1990, les investisseurs avaient correctement anticipé une explosion de la demande pour les réseaux, la fibre et les infrastructures informatiques. L’éclatement de la bulle Internet a pourtant détruit une quantité considérable de capital pour les actionnaires.
Les infrastructures, elles, sont restées.
Elles sont progressivement devenues un intrant moins cher pour une nouvelle génération d’entreprises. Les moteurs de recherche, le commerce électronique, la publicité numérique, les réseaux sociaux et le cloud ont pu se développer sur des infrastructures largement financées par d’autres.
Le surinvestissement dans une couche technologique peut ainsi améliorer l’économie de la couche située au-dessus.
Si la course actuelle aux investissements dans l’IA finit par produire une puissance de calcul réellement disponible en abondance et des modèles moins chers, certains des futurs gagnants pourraient donc être les entreprises qui achètent une intelligence bon marché, plutôt que celles qui vendent aujourd’hui une intelligence encore rare.
Le mot important est toutefois « finit ».
Les performances technologiques peuvent progresser beaucoup plus rapidement que les capacités physiques ne peuvent être déployées. La baisse du coût de l’intelligence et la rareté des infrastructures peuvent donc coexister. L’apparition de nouveaux gagnants liés aux gains de productivité ne nécessite pas que les goulots d’étranglement actuels aient déjà disparu.
Ces deux phases peuvent se chevaucher pendant plusieurs années.
Ces exemples historiques ne prédisent pas l’avenir de l’IA. Ils suggèrent plutôt un mécanisme qu’il est intéressant de tester :
La rareté attire les capitaux → les capacités réellement utilisables augmentent → les goulots d’étranglement se déplacent → la technologie effectivement disponible devient moins chère → la valeur peut se déplacer.
La question devient alors de savoir où cette valeur se déplace, mais aussi combien de temps la rareté existante peut persister avant que ce déplacement ne se produise.
L’IA crée déjà de la valeur. Mais qui la capte ?
L’IA produit déjà une valeur économique mesurable.
Le Stanford AI Index estime que le surplus annuel généré pour les consommateurs américains par l’IA générative atteignait 172 milliards de dollars début 2026, en hausse de 54 % sur un an.
Les gains de productivité sont également visibles. Une étude du NBER portant sur 5 179 agents de support client a constaté une hausse moyenne de productivité d’environ 14 %, atteignant approximativement 34 % chez les employés novices ou les moins performants.
Mais création de valeur économique et création de valeur pour l’actionnaire sont deux choses différentes.
Les recherches récentes illustrent cet écart :
| Adoption et impact de l’IA | Part |
|---|---|
| Organisations utilisant l’IA | 88 % |
| Déclarant des gains de productivité | ~80 % |
| Déclarant un impact sur l’EBIT | 37 % |
| « AI high performers » selon McKinsey | ~6 % |
Le premier chiffre provient du Stanford AI Index 2026. Les trois suivants sont issus de l’étude State of AI 2026 de McKinsey. Il ne faut donc pas interpréter ces données comme les différentes étapes d’un même entonnoir.
Le contraste reste néanmoins frappant. L’utilisation de l’IA se généralise, alors que la surperformance financière mesurable demeure beaucoup plus concentrée.
PwC observe un phénomène similaire. Dans son étude portant sur 1 217 organisations réparties dans 25 secteurs, les 20 % les plus performantes ont capté 74 % des rendements attribués à l’IA.
Surtout, ces entreprises ne se contentent pas d’utiliser davantage l’IA. PwC constate qu’elles sont plus susceptibles de repenser leurs processus et d’utiliser l’IA pour soutenir leur croissance ou transformer leur modèle économique.
On retrouve ici la leçon de l’électrification : adopter une technologie et réorganiser une entreprise autour d’elle sont deux choses différentes.
Où vont les gains de productivité ?
Imaginons une entreprise qui vend un service 120 £ et dont le coût de production est de 100 £. Grâce à l’IA, ce coût tombe à 80 £. Son bénéfice pourrait théoriquement doubler, passant de 20 £ à 40 £.
Mais ses concurrents ont accès à une technologie similaire. Si la concurrence fait tomber le prix du service à 105 £, le bénéfice ne passe plus que de 20 £ à 25 £.
L’essentiel du gain de productivité a été transféré aux clients.
Ce mécanisme n’est plus purement théorique. L’enquête de la Banque d’Angleterre de juillet 2026 auprès des entreprises constate des gains de productivité liés à l’IA dans le développement logiciel, la finance, l’administration, le service client et les services professionnels. Elle constate également que la baisse des coûts unitaires crée une pression sur les prix des tâches routinières susceptibles d’être automatisées.
Des recherches de la Federal Reserve Bank of San Francisco suggèrent un autre mécanisme. Les grands acteurs historiques peuvent initialement gagner des parts de marché grâce à l’adoption de l’IA, avant de voir cet avantage diminuer lorsque la technologie se diffuse vers les petites entreprises et les nouveaux entrants.
L’IA peut donc créer énormément de valeur économique sans que cette valeur revienne intégralement aux actionnaires.
Pour l’investisseur, la question essentielle n’est pas de savoir quelles entreprises bénéficient de l’IA, mais lesquelles peuvent conserver une part suffisamment importante de ce bénéfice pour modifier durablement le rendement de leurs actionnaires.
Comment rechercher les prochains gagnants de l’IA ?
Quatre questions me semblent découler de cette analyse.
Une intelligence moins chère peut-elle modifier l’économie de l’entreprise ?
La question n’est pas de savoir combien d’IA une entreprise utilise. Il faut déterminer si une intelligence moins chère peut modifier significativement son chiffre d’affaires, ses marges, l’utilisation de ses actifs, son efficacité capitalistique ou la qualité de ses décisions.
Les opportunités les plus intéressantes pourraient donc apparaître dans les entreprises où l’intelligence constitue aujourd’hui un coût important, une ressource rare ou une composante essentielle de processus nécessitant beaucoup de travail humain.
Peut-on observer le bénéfice ?
Les annonces autour de l’IA sont faciles à produire. L’impact économique l’est beaucoup moins.
Avec le temps, les bénéfices devraient apparaître dans la croissance du chiffre d’affaires, les marges, le free cash flow, le rendement du capital investi ou les parts de marché.
Cette distinction est essentielle parce que les marchés valorisent des anticipations et ne récompensent pas simplement les meilleures entreprises.
L’entreprise possède-t-elle déjà un avantage difficile à reproduire ?
Les candidats les plus intéressants devraient contrôler quelque chose de difficile à reproduire : données propriétaires, distribution, relations clients, effets de réseau, droits réglementaires, marques reconnues, processus profondément intégrés chez leurs clients ou actifs physiques rares.
L’IA n’est peut-être pas le moat. Elle peut amplifier le moat.
Pour les goulots d’étranglement physiques, j’ajouterais désormais une autre dimension : le temps.
Une rareté n’a pas besoin d’être permanente pour créer beaucoup de valeur économique. Ce qui compte est de savoir si l’offre peut réagir avant que le propriétaire de la capacité rare ait obtenu un rendement attractif sur le capital engagé.
Il ne faut donc pas seulement se demander si un goulot d’étranglement finira par disparaître, mais combien de temps il faudra pour le faire disparaître.
Cette distinction est importante parce que les prix élevés attirent les investissements, tandis que le progrès technologique permet de produire davantage à partir d’une même quantité d’infrastructures physiques. Ces deux mécanismes finissent par exercer une pression sur les rentes liées à la rareté.
Qui conserve réellement le gain ?
Si l’IA permet à une entreprise d’économiser un milliard de dollars, mais que la concurrence l’oblige à en restituer 900 millions à ses clients sous forme de baisse de prix, la technologie aura créé beaucoup de valeur économique sans créer autant de valeur pour les actionnaires.
La séquence d’analyse devient donc :
Impact économique → ROIC incrémental → Capacité à conserver le gain → Durée → Réponse de l’offre → Réinvestissement → Valorisation → Rendement attendu pour l’actionnaire
Pour les entreprises liées aux infrastructures, la durée et la réponse de l’offre deviennent particulièrement importantes.
La bonne question n’est pas de savoir si la rareté actuelle durera éternellement, mais si elle persistera suffisamment longtemps pour produire des rendements attractifs avant que de nouvelles capacités ou une meilleure efficacité technologique ne réduisent cette rente.
Une excellente entreprise peut toujours constituer un mauvais investissement si son cours intègre déjà un avenir encore meilleur.
Alors, où se trouvent les prochains gagnants de l’IA ?
L’histoire ne peut pas nous donner leurs noms. Elle peut néanmoins nous indiquer où chercher.
Je regarderais au-delà des fournisseurs évidents de l’IA, vers les entreprises où l’intelligence représente un coût ou une contrainte importante, où une IA moins chère peut améliorer significativement l’économie de l’activité et où un avantage existant permet de conserver une partie de ce gain.
Mais je ne présenterais plus cette évolution comme un simple passage des gagnants de l’infrastructure aux gagnants de la productivité.
Les deux peuvent coexister.
Les infrastructures physiques peuvent continuer à capter de la valeur tant que la puissance de calcul réellement utilisable reste rare, tandis que la baisse du coût de l’intelligence crée simultanément de nouvelles opportunités ailleurs.
L’équilibre évoluera à mesure que les capacités augmenteront, que les goulots d’étranglement se déplaceront et que la concurrence redistribuera les gains.
Les futurs gagnants pourraient donc se trouver dans des entreprises où une meilleure intelligence améliore la fixation des prix, la conception, l’utilisation des actifs, la productivité, la conversion des clients ou la qualité de décisions à forte valeur ajoutée.
Le secteur compte moins que la sensibilité économique à une intelligence moins chère et la capacité à conserver le bénéfice obtenu.
La première phase de l’investissement dans l’IA consistait largement à comprendre ce dont l’IA avait besoin.
La suivante pourrait consister à comprendre ce que l’IA transforme — tout en reconnaissant que la transition entre ces deux phases pourrait prendre beaucoup plus de temps que ne le laisse penser le rythme du progrès technologique.
Et le prochain grand gagnant pourrait ne pas ressembler du tout à une entreprise d’IA.
Cet article est publié à des fins générales d’information et d’éducation et reflète mes recherches et opinions personnelles. Les références à des entreprises, secteurs ou titres financiers servent à illustrer des concepts économiques et ne constituent ni des recommandations d’investissement, ni une évaluation de leur adéquation à la situation d’un investisseur. Les informations présentées reposent sur des sources publiques et peuvent être incomplètes ou devenir obsolètes. Tout investissement comporte des risques, notamment celui de perte en capital. Je peux détenir des titres mentionnés dans cet article ; les intérêts concernés sont indiqués le cas échéant.
Laisser un commentaire