Quand le capital, l'architecture et la valeur se découplent, l'allocation des ressources suit le marché qui émet encore un prix. L'IA d'entreprise en est le cas courant.
L’IA d’entreprise, à la mi-2026, alloue le capital, le silicium et l’effort d’ingénierie contre un signal qui ne suit plus la valeur réalisée. Trois marchés qui devraient rester distincts se sont disjoints : un marché du capital qui met un prix sur la capacité future, un marché de l’architecture qui met un prix sur ce qui se construit, et un marché de la valeur qui mettrait un prix sur les résultats s’il pouvait les mesurer. Quand le troisième n’émet aucun prix, le premier gouverne le second par défaut. Compressé à sa forme la plus courte, le mécanisme se lit ainsi : la rareté compte la commande passée contre un plan, pas la charge réellement servie. C’est un mécanisme, pas un pronostic de bulle, et son domaine de validité est étroit : le déploiement en entreprise sous facturation à l’usage, sur les chiffres réalisés de la mi-2026, plus fort là où l’achat est une décision de comité et où le signataire est isolé du compteur, plus faible là où un propriétaire unique met un prix sur sa propre trésorerie.
La thèse de la déployabilité soutenait que le problème difficile de l’IA d’entreprise est l’insertion institutionnelle, pas le modèle. Ce texte nomme le mécanisme sous-jacent. Deux définitions fixent l’argument avant qu’il ne dérive. La rente, ici, est le coût d’exploitation encouru au-delà de ce que la tâche exige pour parvenir à la même décision utile : le surplus, et seulement le surplus, jamais l’agent, jamais la complexité qu’un problème exige réellement. Et disproportionné est délibéré : le marché de l’architecture répond au talent, à la régulation, aux standards ouverts et à l’économie du cloud autant qu’au capital. Le capital est simplement la voix la plus forte aujourd’hui, pas la seule. La thèse se généralise hors de l’IA, à tout contexte où la création de valeur est différée ou difficile à mesurer tandis que le capital ne l’est pas.
Deux faits cohabitent dans le même marché. La mémoire à haute bande passante et le packaging sont pratiquement en rupture, les délais de livraison des GPU se comptent en trimestres, et l’énergie a remplacé le silicium comme contrainte limitante, les desks d’Apollo et de JPMorgan décrivant une chaîne d’approvisionnement tendue jusqu’en 2026. Face à cela, la revue 2026 de Cast AI, portant sur environ vingt-trois mille clusters Kubernetes d’entreprise, trouve une utilisation GPU moyenne proche de cinq pour cent. Lu à sa portée, et à sa seule portée, il prouve une chose : une large population de clusters provisionnés pendant la ruée reste oisive tandis que le fournisseur la facture, qu’elle tourne ou non. Le paradoxe se dissout dès qu’on demande contre quoi la pénurie est mesurée. La mémoire est en rupture contre des commandes, et les commandes sont passées contre des objectifs de construction.
Le contre-argument le plus fort mérite tout son poids : la fibre à la fin des années 1990 et le cloud à la fin des années 2000 ont tourné à des taux d’utilisation initiaux dérisoires et ont précédé leurs applications de plusieurs années, de sorte que la surcapacité pourrait être le décalage normal d’une transition à demande latente. La disanalogie est l’horloge de dépréciation. La fibre était bon marché à garder oisive ; la capacité GPU, amortie en dix-huit à trente-six mois, ne l’est pas. David Cahn, de Sequoia, situe l’écart annuel entre dépense et revenu de l’écosystème près de six cents milliards de dollars, et en creusement, et c’est l’écart, non le taux d’utilisation, qui est le chiffre à surveiller. Nvidia fixe l’horloge : Hopper, puis Blackwell, puis la génération Rubin présentée à GTC 2026, chaque architecture comprimant la vie économique de la précédente et forçant le propriétaire à remplir sa capacité avant qu’elle n’expire.
Le poids a cinq sources, et quatre sont légitimes. Il peut être une propriété du problème : l’identité, la sécurité, l’observabilité et l’orchestration sont difficiles, et un déploiement sérieux est plus lourd qu’une démonstration. Il peut être une propriété de la régulation : sous l’AI Act ou l’Espace européen des données de santé, une architecture qui journalise, isole et garde un humain dans la boucle est une optimalité juridique, rationnelle sur un axe qui n’est pas l’axe économique. Il peut être l’optionnalité, le ticket d’entrée qui stabilise les compétences internes et restructure la donnée de l’entreprise, un coût qui est des frais de scolarité et non de la rente, et seul l’acheteur sait lequel il a acheté. Il peut être l’immaturité, un agent empilé sur un agent sous délai. Et il peut être la rente, le surplus tel que défini. La difficulté est que la cinquième est indiscernable des quatre autres sans un baseline que presque personne n’exécute, l’architecture moins chère placée à côté pour voir si elle aurait suffi.
Une seule illustration fixe le point sans porter l’argument. Un modèle de toxicité calibré associant une molécule à quatorze endpoints, du genre construit sous le nom de ToxTwin sur le terrain propre de l’Institut, prédit, rapporte une confiance et s’arrête, à une fraction de ce qu’un agent générique dépenserait pour parvenir au même résultat. C’est un cas où le baseline est évident. Dans la plupart des situations d’entreprise il ne l’est pas, et c’est cela, non l’existence de l’option frugale, qui est le problème. La thèse ne prétend pas que les architectures d’entreprise sont trop lourdes. Elle prétend que rien dans les instruments de l’acheteur ne sépare le poids justifié du poids qui est rente.
L’architecture atteint le client par deux fonctions d’utilité qui se trouvent alignées. Le bras conseil de l’hyperscaler hérite de l’impératif du propriétaire, le taux d’occupation. L’intégrateur de systèmes tourne sur les heures facturables, la maintenance, le support et le change management, dont aucun ne récompense l’architecture plus légère, et c’est souvent l’intégrateur, plus proche du parc du client, qui est le plus déterminant des deux. Aucun n’exige de mauvaise foi : le biais est une propriété du champ d’incitations, pas du caractère de quiconque. Confrontons le récit du déploiement au relevé. L’initiative NANDA du MIT, dans The GenAI Divide (2025), trouve environ quatre-vingt-quinze pour cent des pilotes d’IA générative sans impact mesurable sur le compte de résultat et environ cinq pour cent atteignant une accélération rapide des revenus ; le Widening AI Value Gap du Boston Consulting Group (septembre 2025) situe soixante pour cent des entreprises à aucune valeur matérielle ; l’enquête de McKinsey de fin 2025 trouve un impact sur l’EBIT chez moins de quatre adoptants sur dix. Le coût que le récit omet est institutionnel : l’évaluation, l’observabilité, la gouvernance et la revue humaine qu’un système confiant mais faux impose. Une architecture peut être bon marché en tokens et ruineuse en organisation, et un chiffre de ROI client qui ne compte ni l’un ni l’autre ne mesure pas un retour.
Akerlof, dans The Market for Lemons (1970), a montré que lorsque les acheteurs ne peuvent observer la qualité, le marché sélectionne ce qui est observable, et la qualité invisible ne peut être payée. Ici l’inobservable est la ligne entre consommation productive et rente ; l’observable est la démonstration et le benchmark, c’est-à-dire précisément le poids que l’offre est récompensée à montrer. La règle est réellement difficile à construire, pour quatre raisons qui se composent : la causalité est diffuse, la temporalité est longue, l’attribution est quasi impossible quand un humain corrige le modèle, et les externalités atterrissent sur le moral, la rétention et la vitesse, qu’aucune finance ne comptabilise. Nommons l’instrument, et c’est une famille plutôt qu’un chiffre unique : coût par décision utile, un ratio dont le dénominateur compte les décisions dont la valeur aval dépasse le coût de leur vérification, dont le numérateur somme le coût total sur la durée de vie de leur production, calcul plus supervision plus gouvernance plus vérification plus exploitation. Le dénominateur est spécifique au domaine et ne peut être autrement. Sa limite la plus tranchante est que celui qui définit la décision utile contrôle le ratio : si l’intégrateur capture cette définition, la métrique devient marketing plutôt que discipline, et l’asymétrie se déplace simplement du token vers le mot utile.
Cet argument propose un mécanisme et l’illustre ; il ne le mesure pas. Akerlof, Solow, Cast AI, MIT et Sequoia illustrent une chaîne qui n’a pas été testée comme chaîne, et le statut honnête de la thèse est une hypothèse assortie d’un test spécifié : mesurer le coût par décision utile sur des déploiements appariés, avec et sans la métrique, et lire la différence. La condition que Solow a nommée en 1987, l’âge de l’ordinateur visible partout sauf dans les statistiques de productivité, s’applique de nouveau, avec une nouveauté. Sous une licence, le coût de la période non mesurée était fixe ; sous la facturation à l’usage, le compteur tourne pendant qu’on attend. La conséquence pour le décideur n’est ni l’adoption sur la foi ni le retrait dans la panique, la même erreur tournée dans deux directions opposées. C’est de construire la règle plus vite que le marché ne la standardise, et de refuser les deux substitutions sur lesquelles tourne la phase actuelle : la pénurie contre un plan lue comme une pénurie contre un besoin, et la dépense engagée lue comme un retour réalisé. Les organisations qui auront mis un prix sur leurs déploiements en décisions utiles seront encore debout quand le compteur aura fini de tourner. Les organisations qui les auront mis en prix en conviction découvriront à quoi servait la facture.
Un ROI client affirmé et jamais mesuré n’est pas un retour. C’est un récit avec une facture jointe.
Texte intégral, avec toutes les sources et l’argument complet en six parties, dans le PDF ci-dessous (8 pages).
Notes doctrinales et explorations sur l’IA en systèmes régulés. Une à deux fois par mois. Désabonnement en un clic.