Révolution industrielle de l’IA : où en sommes-nous aujourd’hui ?
TechFlow SélectionTechFlow Sélection
Révolution industrielle de l’IA : où en sommes-nous aujourd’hui ?
Dans le sillage de la vague d’intelligence artificielle, la plupart des entreprises se contentent d’ajouter des outils ; la véritable révolution industrielle réside dans la refonte des organisations et des flux de travail.
Dédié à des analyses Web3 approfondiesAuteur : Will A Wang
Au cours de la dernière année, j’ai participé à plusieurs conférences sectorielles consacrées à l’IA. Sur scène, les intervenants se succédaient pour démontrer les prouesses les plus spectaculaires de l’IA ; dans la salle, les participants prenaient en photo les écrans avec leur smartphone, partageaient aussitôt le cliché sur leurs réseaux sociaux, puis reprenaient immédiatement leur navigation sur mobile. Mais une fois revenus au bureau, c’était toujours la même réunion hebdomadaire, les mêmes processus d’approbation, les mêmes rapports hebdomadaires. Dans les grandes entreprises, la consommation de tokens est désormais inscrite dans les objectifs individuels (KPI) : certains ont même acquis le statut de « modèle du travail » en générant artificiellement des volumes élevés via des scripts automatisés. Quant aux personnes de mon entourage sur les réseaux sociaux, elles célèbrent aujourd’hui la « révolution Claude », vantent demain les performances exceptionnelles de Codex, et acclament après-demain la toute-puissance de Gemini — mais s’agit-il vraiment d’embrasser une révolution, ou simplement de courir d’un événement à l’autre ?
Tout cela n’est que bruit. Ce n’est pas là la réponse que je cherche.
La véritable question ne porte pas sur la puissance de l’IA — la machine à vapeur a déjà été construite. La vraie question est : qui sera le premier à démolir l’ancien atelier ?
Le jour où la révolution industrielle a véritablement commencé n’était pas celui où Watt a amélioré la machine à vapeur, mais celui où les propriétaires d’usines du Lancashire ont décidé de quitter les rivières pour reconstruire entièrement leurs ateliers autour de la machine à vapeur. Il en va de même pour l’IA : son moment le plus décisif ne sera pas celui de l’invention des grands modèles, mais celui où la première organisation décidera de démanteler ses anciens processus et de reconstruire intégralement sa manière de produire autour de l’IA. Ce jour n’est pas encore arrivé. Mais il est déjà en marche.
Deux personnes l’ont vu très tôt. Ivan Zhao, PDG de Notion, a publié à la fin de l’année 2025 un essai intitulé Steam, Steel, and Infinite Minds, dont le diagnostic était glaçant : nous sommes encore à l’étape du « remplacement de la roue hydraulique » — l’IA est simplement greffée sous forme de chatbots sur des outils existants, sans que personne ne rediseigne l’atelier. Leancold Aschenbrenner, ancien employé d’OpenAI, a emprunté une voie différente : il a rédigé un rapport de 165 pages intitulé Situational Awareness, puis créé un fonds d’investissement dont les actifs sont passés de 225 millions à 13,68 milliards de dollars, entièrement dédiés aux infrastructures de l’IA. L’un regarde vers l’intérieur, l’autre parie vers l’extérieur.
Cet article ne traite pas d’eux. Il traite de nous — de notre position actuelle, et des périodes historiques que nous sommes en train de revivre.
(Tissage à la machine à tisser mécanique, gravure de J. Tingle d’après Thomas Allom, 1835 / Wikimedia Commons)
I. L’atelier reste inchangé
La journée type de la plupart des gens se déroule ainsi : le matin, ils utilisent l’IA pour rédiger un e-mail, gagnant ainsi dix minutes ; puis ils passent deux heures dans une réunion hebdomadaire qui aurait pu être évitée ; l’après-midi, ils copient-collient un même jeu de données entre trois outils différents ; le soir, ils publient sur les réseaux sociaux un message du genre « L’IA, c’est génial ! ». Les dix minutes économisées sont aussitôt absorbées, intégralement, par les anciens processus inefficaces.
De la même façon, lors de l’apparition de la machine à vapeur, les propriétaires d’usines se sont d’abord contentés de remplacer les roues hydrauliques par des machines à vapeur, sans modifier aucun autre aspect — les usines restaient bâties au bord des rivières, conservaient leur structure à plusieurs étages, et continuaient à fonctionner grâce à un arbre central entraînant l’ensemble de la chaîne de production. Nous intégrons ChatGPT à Slack, Copilot à Office, et des fenêtres de discussion IA dans nos flux de travail — nous faisons exactement la même chose. Les outils évoluent, mais l’atelier reste figé.
Or, installer une nouvelle machine ne signifie pas reconstruire l’atelier. Marshall McLuhan l’a dit avec justesse :
« Nous conduisons vers l’avenir en regardant dans le rétroviseur. » Utiliser d’anciens processus pour intégrer de nouveaux outils revient à ce que les premiers films ne soient que des représentations théâtrales filmées. La véritable percée survient seulement quand quelqu’un libère définitivement la machine à vapeur des contraintes fluviales et conçoit entièrement de nouveau la façon de produire autour de cette nouvelle source d’énergie.
En comparant chronologiquement la révolution industrielle et l’essor de l’IA, on peut approximativement situer notre position actuelle sur la carte historique :
Aujourd’hui, la chronologie est extrêmement compressée. La révolution industrielle a mis 60 ans pour passer de la machine à vapeur à la « fièvre ferroviaire », tandis que l’IA n’a mis que 7 ans pour passer du modèle Transformer à la vague actuelle de construction de centres de données.
La vitesse n’est pas le problème. Le problème est de savoir où nous sommes bloqués — les quatre premières étapes correspondent toutes à l’installation de nouvelles machines dans d’anciens ateliers : la machine à vapeur est installée, les voies ferrées sont posées, mais la manière de produire reste strictement inchangée. Ce n’est qu’à la sixième étape que commence véritablement la rupture. Nous sommes très probablement coincés entre ces deux étapes.
La machine à vapeur est déjà entre nos mains, mais l’atelier reste celui d’hier.
II. Tout l’argent est concentré sur la couche la plus éloignée de l’usine
Les infrastructures sont toujours surestimées. Ce sont les investisseurs qui font faillite, pas les infrastructures elles-mêmes.
En 1846, le Parlement britannique adopta 263 lois ferroviaires autorisant la construction de 9 500 miles de nouvelles lignes. Au pic de l’investissement ferroviaire, celui-ci représentait 13 % du PIB britannique. Les actions ferroviaires pouvaient être achetées avec seulement 10 % d’acompte, ce qui attira massivement la classe moyenne. La bulle éclata en 1847 : un tiers des lignes approuvées ne furent jamais construites, et de nombreux investisseurs perdirent tout. Darwin perdit 60 % de son investissement dans les actions ferroviaires — et sa chance fut bien meilleure que celle de la plupart des autres.
Pourtant, le réseau ferroviaire subsista.
L’infrastructure actuelle de l’IA suit exactement la même trajectoire. Selon les dernières estimations de Goldman Sachs, les dépenses mondiales en infrastructure IA atteindront 765 milliards de dollars en 2026, puis 1 600 milliards par an d’ici 2031. La part des dépenses en capital des géants du cloud dans leurs flux de trésorerie opérationnels 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. Les 13,68 milliards de dollars d’Aschenbrenner parient précisément sur cette couche — il ne mise pas sur tel ou tel usage gagnant, mais sur la puissance de calcul elle-même, en tant qu’actif fondamental.
Ce cycle de capital suit la même logique que le développement immobilier. Construire un centre de données, c’est construire un immeuble : le terrain, c’est l’électricité ; les matériaux de construction, ce sont les GPU et le stockage ; les entrepreneurs, ce sont les entreprises spécialisées dans la construction de centres de données ; les promoteurs, ce sont les fournisseurs de services cloud ; les locataires, ce sont les sociétés développant des applications IA ; le loyer, ce sont les revenus tirés des API. Le modèle économique des fournisseurs cloud repose sur la location pour rembourser les emprunts — les revenus issus des API doivent couvrir les coûts de construction des centres de données, en attendant la hausse de valorisation liée à l’explosion des applications IA.
(Immobilier de la puissance de calcul : chaque génération a sa propre infrastructure)
Le risque central est identique : la baisse des prix unitaires des API sera-t-elle compensée par la croissance du volume d’appels ? Si les loyers tombent en dessous du seuil nécessaire pour rembourser les emprunts — c’est le cauchemar le plus familier des promoteurs immobiliers. La leçon de 2008 n’était pas qu’on avait trop construit d’immeubles, mais qu’on avait construit des immeubles mal adaptés à la structure réelle de la demande. Le risque équivalent pour l’IA est le suivant : une surcapacité de puissance de calcul généraliste, couplée à une pénurie persistante de capacités spécialisées capables de traiter efficacement des scénarios à haute valeur ajoutée comme la conformité financière ou le diagnostic médical.
Chemins de fer, immobilier, IA — les investissements dans les infrastructures de ces trois ères obéissent à la même loi : la surcapacité est la norme, les fabricants de composants perdent systématiquement leur pouvoir de fixation des prix, et les rendements à long terme reviennent invariablement aux propriétaires détenant les « emplacements stratégiques ». Un simple coup d’œil aux portefeuilles des fonds de Wall Street au premier trimestre suffit à le constater — environ 80 % de leurs actifs sont concentrés sur cette couche d’infrastructure : NVIDIA, centres de données, infrastructures cloud. Pourtant, la « fièvre ferroviaire » nous enseigne que cela ne représente pas l’intégralité de la révolution IA, ni même la couche offrant les rendements les plus élevés.
Quel est donc l’« emplacement stratégique » de l’IA ? Ce sont les données sectorielles uniques et les flux de travail profondément intégrés. Pour un individu, le véritable « emplacement stratégique » ne réside pas dans les actions qu’il détient, mais dans son jugement personnel irréductible et ses connaissances sectorielles — à condition, toutefois, qu’il ait déjà réorganisé la manière dont il les utilise autour de l’IA.
Les vrais rendements se trouvent à la couche inférieure. Or, la transition entre infrastructure et création de valeur n’est pas fluide. Une faille sépare les deux — historiquement, cette faille a englouti des décennies.
III. Qui démolit l’atelier ?
Ceux qui démolissent l’atelier ne font pas la même chose que ceux qui cherchent simplement à « améliorer leur productivité avec l’IA ».
Simon, cofondateur d’Ivan Zhao, était autrefois qualifié de « programmeur centuple » ; aujourd’hui, il écrit rarement du code lui-même — il pilote simultanément trois ou quatre agents de codage IA, atteignant ainsi une efficacité multipliée par 30 à 40. Notion emploie aujourd’hui 1 000 personnes et fait fonctionner plus de 700 agents IA. L’écart ne réside pas dans les outils, mais dans le fait que Simon a démoli son propre atelier ancien, tandis que la plupart des gens se sont simplement contentés de remplacer leur roue hydraulique.
600 millions d’utilisateurs chinois ont déjà utilisé des outils d’IA générative, soit une croissance annuelle de 142 % — c’est le plus grand bassin mondial de demande d’IA. Pourtant, aucune entreprise chinoise n’a jusqu’ici reconstruit ses principaux flux de travail autour de l’IA. Le plus grand marché mondial côté demande, associé à une quasi-absence de transformation organisationnelle côté offre. Cette contradiction en soi constitue un signal clair : ce n’est pas le manque d’outils qui freine le progrès, mais le retard pris par les organisations.
Le contexte du travail intellectuel est dispersé entre des dizaines d’outils et autant de cerveaux humains ; les résultats produits ne sont pas vérifiables ; personne ne sait comment évaluer l’efficacité d’une note stratégique.
(Impacts de l’IA sur le marché du travail : une nouvelle mesure et des premières preuves)
Anthropic agit déjà à une échelle bien plus large. Elle a lancé un « Index économique », basé sur des données réelles d’utilisation, qui cartographie précisément les tâches et secteurs les plus exposés à la substitution par l’IA, puis elle construit concrètement autour de cette carte : elle a cofondé avec Goldman Sachs, Blackstone et Hellman & Friedman une société de services d’entreprise native IA ; elle a noué une alliance mondiale avec KPMG, permettant à ses 276 000 employés d’accéder à Claude ; Accenture a constitué un groupe d’affaires dédié, formant 30 000 collaborateurs spécialisés dans les domaines de la finance, des sciences de la vie et de la santé.
Ces cabinets de conseil ne jouent pas le rôle d’utilisateurs de l’IA, mais celui d’ingénieurs ferroviaires — ils ne fabriquent pas la machine à vapeur, ni ne posent les rails ; ils aident les entreprises à démolir leurs anciennes usines et à reconstruire entièrement leurs chaînes de production autour de cette nouvelle source d’énergie. Sans ce rôle intermédiaire, la plupart des propriétaires d’usines ne sauraient par où commencer.
Les signaux sont déjà visibles. Le plus frappant provient du marché de l’emploi.
Les jeunes âgés de 22 à 25 ans entrant dans des professions fortement exposées à l’IA ont 14 % moins de chances de trouver un emploi que leurs pairs entrant dans des professions peu exposées. Les postes juniors sont déjà sous pression.
Si je suis un jeune diplômé, ce chiffre influence directement ma recherche d’emploi. Si je suis un manager, les prochains postes juniors que je recruterai pourraient bien ne plus être occupés par des humains.
Les organisations démolissent leurs anciens ateliers — et moi, en tant qu’individu ? Mon diplôme, mon CV, mes années d’expérience sectorielle accumulées — tout cela, ce sont mes roues hydrauliques. Elles ont autrefois alimenté toute ma chaîne de production, mais la machine à vapeur est arrivée. Les universités « 985 » et « 211 » ne constituent plus une barrière défensive : elles ne font que prouver que j’ai su construire, jadis, une usine convenable au bord d’une rivière.
La question aujourd’hui est : ai-je la capacité de quitter cette rivière ?
Les données d’Anthropic montrent que les utilisateurs ayant recours aux outils IA depuis plus de six mois réussissent 10 % plus souvent leurs tâches que les nouveaux venus. Celui qui a pris six mois d’avance a déjà 10 % d’avance — un écart qui ne fera que s’élargir avec le temps.
Pour l’instant, aucune entreprise n’a fait faillite faute d’avoir adopté l’IA — du moins mon cabinet d’avocats continue-t-il d’avancer à plein régime autour de l’IA. Les gagnants n’ont pas encore été désignés par le marché. La courbe d’apprentissage est bien réelle — les premiers arrivés accumulent déjà des avantages, mais la majorité reste encore au départ.
IV. Mon prochain métier n’a pas encore de nom
Mon titre professionnel actuel existera-t-il encore dans dix ans ? La liste des outils que j’utilisais quotidiennement il y a cinq ans, combien en reste-t-il aujourd’hui ? La réponse à ces deux questions est probablement négative. Mais je ne sais pas encore comment s’appellent leurs successeurs — car ces choses n’existent pas encore.
Historiquement, cela s’est toujours produit ainsi. Les nouveautés ne sont pas planifiées : elles naissent spontanément dès que les anciennes contraintes disparaissent.
Avant la construction des chemins de fer, le Royaume-Uni était constitué d’économies locales isolées. Le prix du coton à Manchester pouvait varier de 30 % par rapport à Londres. Chaque ville avait son propre temps local, et personne ne trouvait cela anormal. Durant les vingt années suivant l’achèvement du réseau ferroviaire, tout changea radicalement : pour la première fois, un marché national unifié apparut, les écarts de prix disparurent ; le temps standard fut imposé par la nécessité ferroviaire, non inventé par des horlogers ; les postes de chef de gare, télégraphiste ou agent de voyages — totalement inexistants auparavant — firent leur apparition.
Personne, lors de la pose des premiers rails, n’avait prévu l’essor des grands magasins. Personne, lors de la conception de la machine à vapeur, n’avait anticipé l’instauration du temps standard.
(Vapeur, acier et intelligence infinie de l’IA)
L’histoire des villes raconte la même histoire. Il y a quelques siècles, les villes étaient à l’échelle humaine — Florence pouvait être traversée en quarante minutes à pied. Le cadre en acier permit l’édification de gratte-ciel, les chemins de fer relièrent les villes à leur arrière-pays, et les ascenseurs, métros et autoroutes suivirent naturellement. Tokyo, Chongqing, Dallas — ce ne sont pas simplement des versions agrandies de Florence, ce sont des modes de vie entièrement nouveaux.
Le travail intellectuel d’aujourd’hui est lui aussi à l’échelle humaine. Des équipes de quelques dizaines de personnes, rythmées par des réunions et des e-mails, deviennent rapidement ingérables au-delà de quelques centaines de membres. Nous construisons Florence avec de la pierre et du bois. L’IA rend possible « Tokyo » — des organisations composées de milliers d’agents IA et d’humains, dont les flux de travail fonctionnent en continu à travers les fuseaux horaires. Les anciennes réunions hebdomadaires, les plans trimestriels ou les bilans annuels pourraient bien perdre tout sens.
Simon ne rédige plus de code — son travail consiste désormais à « gérer des agents IA ». Ce poste n’existait pas il y a deux ans. Mon prochain titre professionnel pourrait bien ne pas avoir encore de nom. Mais certains construisent déjà ce futur que nous ne savons pas encore nommer.
V. À quoi ressemblera le nouvel atelier ?
Une fois l’ancien atelier démoli, que faut-il construire ? La réponse de Y Combinator (YC) est la suivante : laisser l’entreprise s’améliorer elle-même.
Leur système interne modifie désormais automatiquement son propre code pendant la nuit. Un employé lance une requête le jour, mais celle-ci échoue. Un agent de surveillance détecte cet échec, en identifie la cause, rédige lui-même le correctif, soumet le code pour validation, puis le déploie en production. Le lendemain, la même requête fonctionne parfaitement. Tout cela s’est accompli pendant que tout le monde dormait.
Il ne s’agit pas ici d’une augmentation de 30 % de la productivité humaine grâce à l’IA. Il s’agit d’un système capable d’exécuter seul une boucle complète, et de découvrir, par lui-même, comment s’améliorer.
Tom Blomfield, associé chez YC, a baptisé cette forme d’entreprise « boucle IA auto-améliorante récursive » lors d’un discours interne. Son analyse est directe : la plupart des entreprises ressemblent encore à des légions romaines — transmission descendante stricte, remontée ascendante rigoureuse, les individus servant uniquement de canaux de transmission de l’information. Ce que l’IA remet en cause n’est pas l’efficacité d’un maillon isolé, mais la raison d’être même de toute cette structure hiérarchique.
Sa nouvelle logique est la suivante : brûler des tokens, pas des têtes. Le goulot d’étranglement passe progressivement de la main-d’œuvre à la puissance de calcul. Les données observées par YC montrent que, pour les entreprises présentées lors des « Demo Day », le revenu par employé a augmenté d’environ cinq fois en dix-huit mois. Les fonctions de management intermédiaire sont désormais assumées par l’IA — la « coordination » ne nécessite plus d’intervention humaine. Chaque individu doit être un expert technique (IC), un créateur (builder) ou un opérateur (operator), et chaque tâche doit avoir un responsable clairement désigné, pas un comité.
Une condition préalable supplémentaire : l’entreprise doit être « lisible » par l’IA. Tout ce qui n’est pas documenté n’existe pas, aux yeux de l’IA. YC archive désormais tous les e-mails de ses partenaires, enregistre l’intégralité des messages Slack et des séances « office hours ». Un partenaire a ainsi fourni à l’IA 2 000 heures d’enregistrements accumulés sur trois mois, permettant à celle-ci de générer une nouvelle version d’un manuel interne de 150 pages — nettement supérieure à l’ancienne. Ce manuel est mis à jour automatiquement chaque mois, devenant ainsi un « cerveau vivant », toujours frais et actualisé.
Tom pose une question restée en suspens :
Si vous deviez créer votre entreprise aujourd’hui à partir de zéro, l’organiseriez-vous selon ce modèle ? Et si votre entreprise possède déjà une structure hiérarchique, vous devrez répondre à une question encore plus difficile : la douleur de la reconstruction sera-t-elle moindre que le coût continu de faire fonctionner une « légion romaine » ?
L’humain n’est plus au centre de l’atelier, mais sur sa périphérie — chargé précisément des tâches que l’IA ne peut pas encore accomplir : jugements sur site, situations entièrement nouvelles, instants à fort enjeu émotionnel ou décisionnel. Le centre de l’entreprise est constitué d’un « cerveau d’entreprise » formé de données, d’archives et de connaissances sectorielles. Les logiciels qui y tournent sont des biens consommables : ils peuvent être générés, et régénérés. Ce qui a réellement de la valeur réside dans la tête des humains — la compréhension de la manière dont fonctionne l’activité, des étapes impliquant un jugement critique : ce sont là les véritables actifs.
Ce que décrit Ivan Zhao dans Steam, Steel, and Infinite Minds, c’est précisément l’autre versant de cette évolution — une organisation de 1 000 employés et plus de 700 agents IA, où les humains assurent le jugement et les agents l’exécution. Aschenbrenner parie sur l’infrastructure de la puissance de calcul, Zhao parie sur la refonte organisationnelle. Ces deux voies convergent vers un même objectif final : une nouvelle manière de produire, entièrement reconstruite autour de l’IA.
VI. Conclusion
Entre les années 1840 et 1850 — les voies ferrées étaient achevées, mais les usines n’avaient pas encore été reconstruites.
Où en sommes-nous ? Simon ne rédige plus de code. C’est lui-même qui a démoli sa propre roue hydraulique.
La question n’a jamais été de savoir si la machine à vapeur était assez performante. La question est : qui sera le premier à démolir l’ancien atelier ?
Je ne cherche pas à prédire l’apparition future des grands magasins. Je me contente de faire ce qui dépend de moi — m’assurer simplement d’être positionné le long de la ligne ferroviaire, plutôt que de veiller sur une rivière en voie de tarissement.
Et vous ?
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
0xWillmfer
