Auteur : nzz.ch Source : nzz.ch Date de publication : 02.02.2026
Mode éditorial : CLARUS_ANALYSIS
Recommandation d'index : INDEX
Langue/Rôle : FULL_ANALYSIS
Date de vérification des faits : 02.02.2026
Résumé
Le battage médiatique sur l'IA est alimenté par trois acteurs : les chercheurs qui font progresser les nouvelles technologies, les investisseurs qui investissent des milliards, et les startups qui montent sur la tendance. Alors que l'industrie s'étend à des modèles de langage comme Chat-GPT, les pionniers avertissent des limites technologiques et des approches inefficaces. Les flux financiers sont motivés par la FOMO (Fear of Missing Out) et des évaluations non prouvées, bien que de nombreuses entreprises n'aient pas encore de produits.
Personnes
- Llion Jones – Chercheur en IA, co-développeur de la technologie Transformer
- Margit Wennmachers – Capitaliste-risqueur, Andreessen Horowitz
- Andreas Göldi – Partenaire d'investissement, B2 Venture
Thèmes
- IA générative et modèles de langage
- Financement par capital-risque
- Limites technologiques des modèles d'IA
- Dynamiques du capital-risque et bulles de marché
Clarus Lead
Trois groupes d'acteurs alimentent le boom actuel de l'IA : les chercheurs qui développent de nouvelles technologies, les capitalistes-risqueurs qui investissent des milliards, et les startups qui ont besoin d'une histoire d'IA pour être financées. L'article révèle une discordance fondamentale : tandis que les investisseurs, par crainte de manquer des opportunités, injectent massivement des capitaux dans des modèles de langage gourmands en ressources, les principaux développeurs comme Llion Jones avertissent des impasses technologiques et du manque de véritable intelligence artificielle. Cette asymétrie entre le flux de capitaux et les progrès technologiques réels suggère une formation classique de bulle.
Clarus Eigenleistung
Recherche Clarus : L'article documente des flux financiers concrets : dans le monde, 45 milliards de dollars ont été investis dans l'IA au Q3 2025 – presque le double par rapport à l'année précédente (données Crunchbase). Plus de 2 000 nouvelles entreprises d'IA ont été financées en 2024 (+8,4 %). Un signal d'alerte précoce est le phénomène de startups comme Thinking Machines Lab, qui atteignent des évaluations de milliards avant qu'un produit n'existe.
Classement : Le battage médiatique sur l'IA suit les modèles connus des cycles technologiques antérieurs (Dotcom, iPhone, médias sociaux), mais il est, selon les estimations des vétérans du secteur, plus important. Le risque central réside dans la discordance entre les attentes et les réalités technologiques : les modèles de langage ne comprennent pas le monde comme les humains, mais reconnaissent plutôt des modèles statistico-probabilistes. L'espoir d'une « prochaine percée » pourrait s'avérer sans fondement.
Conséquence : Pour les décideurs, cela signifie : (1) Prudence face aux évaluations gonflées, (2) Distinction entre le véritable progrès technologique et les récits de marketing, (3) Attention aux approches alternatives en IA (intelligence en essaim, matériel éconergétique) comme technologies futures possibles.
Résumé détaillé
Les développeurs : avertissement contre la saturation et les fausses priorités
Llion Jones, chercheur en IA gallois et co-auteur du document révolutionnaire « Attention is all you need » (2017), incarne un scepticisme croissant parmi les pionniers de la technologie. Jones a co-développé l'architecture Transformer sur laquelle repose Chat-GPT. Le document décrit comment les modèles de langage comprennent les relations entre les mots et peuvent prédire le mot suivant le plus probable – une capacité qui augmente avec plus de données d'entraînement.
Cependant, aujourd'hui, Jones avertit d'une saturation de la recherche en IA. Selon lui, l'industrie gaspille un temps précieux en se concentrant trop sur les modèles de langage. Il a créé sa propre entreprise appelée Sakana AI, qui souhaite rendre l'intelligence artificielle plus semblable à l'intelligence humaine. Jones souligne un problème fondamental : les modèles de langage font des erreurs étonnamment inhumaines et ne comprennent pas le monde comme les humains. Par exemple : un modèle peut avoir du mal à représenter qu'un vélo est conduit par un pélican – parce qu'il a appris que normalement c'est le pélican qui conduit. Les enfants, en revanche, résolvent ces problèmes combinatoires par l'imagination, avec une fraction des données et de l'énergie.
Jones critique le fait que les investisseurs et l'industrie technologique misent sur le « pari sûr » : augmenter l'échelle, créer des modèles plus grands, construire plus de centres de données. Cela conduit à négliger les approches plus innovantes et efficaces. Les raisons de cette focalisation sont économiques : ceux qui font de la recherche sur les modèles de langage obtiennent plus de financements de recherche, de meilleures chances de publication, et la technologie fonctionne et génère de revenus.
Investisseurs : la FOMO et l'irrationalité rationnelle
Margit Wennmachers, partenaire de longue date de la société de capital-risque Andreessen Horowitz, a connu plusieurs booms technologiques : bulle Dotcom, moment iPhone, médias sociaux. Ils font tous partie de l'histoire maintenant. La vague d'IA, dit-elle, est « probablement plus grande que toutes les autres vagues technologiques réunies ».
Pour les capitalistes-risqueurs, la logique est compréhensible : oui, il y aura beaucoup de perdants, mais les quelques gagnants apporteront des milliards. Une ou deux superstars peuvent compenser les pertes de tous les autres investissements. D'où : « Il serait négligent de ne pas investir dans l'IA maintenant. »
Cependant, Wennmachers identifie aussi une composante psychologique : chaque capitaliste-risqueur vit dans une crainte constante d'avoir raté une affaire. Cela conduit à des décisions motivées par la FOMO. De plus, de nouveaux types d'investisseurs apparaissent – des « touristes », comme les appelle Wennmachers – qui ne connaissent pas la technologie, mais montent simplement sur le battage médiatique. Ils proviennent de services bancaires ou d'autres secteurs et considèrent l'IA comme le prochain pari sûr.
Les chiffres confirment l'ampleur : au Q3 2025, le capital-risque investi mondialement a augmenté de 38 pour cent pour atteindre 97 milliards de dollars, dont 45 milliards en IA – presque le double par rapport à l'année précédente. En parallèle, plus de 2 000 nouvelles entreprises d'IA financées émergent par an.
Andreas Göldi, partenaire du fonds suisse B2 Venture, observe un nouveau phénomène : une idée à peu près intéressante sur une présentation PowerPoint suffit pour lever quelques millions de francs. Le problème suit rapidement : de nombreuses startups ne parviennent pas à satisfaire les attentes implicites. Comme l'IA se développe si rapidement, il est devenu plus difficile pour les investisseurs d'établir des thèses claires. Les grandes entreprises et les fournisseurs d'IA établis dominent rapidement les niches comme les applications d'IA juridiques ou les logiciels de programmation. Göldi cherche donc de vraies niches – par exemple son investissement dans la startup zurichoise Nautica Technologies, qui utilise des robots pour nettoyer les coques de navires.
Startups : l'IA comme obligation de financement
Pour les fondateurs, le message est clair : « Les startups qui n'ont pas d'histoire d'IA crédible ont du mal à obtenir du financement. »
La startup Frontline de Ba-Linh Le montre comment cela fonctionne en pratique. Le et ses co-fondateurs ont développé un outil d'analyse des risques pour les autorités afin de prévenir la violence domestique. Il évalue les risques de violence physique, émotionnelle et financière sur la base de questions détaillées. À l'origine, l'IA n'était pas prévue – ils ont testé divers algorithmes et méthodes statistiques. Ensuite, ils ont réalisé que l'apprentissage automatique améliorait leur application : l'outil d'IA identifie les personnes à risque très élevé 30 pour cent plus précisément que les outils conventionnels.
La connexion à l'IA donne à Frontline de la visibilité. Le dit : « Dans le secteur de la protection contre la violence, nous sommes connus en tant qu'organisation ayant l'« outil IA ». Elle avertit cependant en même temps contre la réduction de la valeur ajoutée de l'IA à un simple slogan. Dans la protection contre la violence, une utilisation responsable est décisive. Le battage médiatique actuel est un avantage pour les startups, mais à prendre avec prudence.
Points clés
Le flux de capitaux dépasse les progrès technologiques : 45 milliards de dollars ont été investis en 2025 dans l'IA, mais de nombreuses startups n'ont pas de produits ou de modèles commerciaux clairs.
Limites technologiques fondamentales : Les modèles de langage ne comprennent pas le monde comme les humains ; ils reconnaissent des modèles statistiques. L'admettre est essentiel pour des évaluations réalistes.
La FOMO anime les décisions irrationnelles : Les investisseurs craignent de manquer des affaires et prennent des décisions aventureuses sans fondements solides.
Les technologies alternatives sont ignorées : Les chercheurs avertissent que l'intelligence en essaim, les puces d'IA plus efficaces et d'autres approches sont négligées parce que la mise à l'échelle des modèles de langage est plus rentable à court terme.
Modèle historique : Le battage médiatique sur l'IA suit les cycles de bulle connus (Dotcom, iPhone, médias sociaux), mais pourrait cette fois être plus important.
Parties prenantes et personnes affectées
| Groupe | Profil | Opportunités | Risques |
|---|---|---|---|
| Chercheurs & Développeurs | Pionniers comme Llion Jones | Financement de la recherche ; visibilité | Perte d'orientation due à la pression du marché ; fuite de ressources vers les grandes entreprises |
| Capitalistes-risqueurs | Investisseurs comme Wennmachers, Göldi | Rendements potentiels supérieurs à partir des bons paris | Pertes totales du portefeuille ; éclatement de la bulle ; dommages à la réputation |
| Startups avec IA | Fondateurs comme Ba-Linh Le | Financement plus facile ; attention du marché | Évaluations excessives ; pression pour tenir les promesses ; déclin rapide à la fin du battage médiatique |
| Grandes entreprises (Tech) | Nvidia, Google, OpenAI | Demande de matériel ; monopoles de données | Sur-investissements en infrastructure ; les technologies alternatives pourraient remplacer |
| Public / Régulateurs | Utilisateurs finaux, autorités | Gains d'efficacité ; innovations de sécurité | Éblouissement par le battage médiatique ; systèmes non sûrs et incompris dans les domaines critiques |
Opportunités et risques
| Opportunités | Risques |
|---|---|
| Percée vers une véritable IAG : Les investissements massifs pourraient mener à une véritable intelligence artificielle générale. | Bulle de marché : Les évaluations ne sont pas durables ; grand krach en cas d'effondrement du battage médiatique. |
| Gains d'efficacité dans l'industrie/les autorités : Des outils d'IA comme celui de Frontline pourraient apporter une véritable valeur. | Allocation erronée du capital : Des milliards affluent vers des technologies gourmandes en ressources et inefficaces au lieu d'alternatives innovantes. |
| Innovation matérielle : De nouvelles puces d'IA avec des photons au lieu d'électrons pourraient réduire la consommation d'énergie. | Dépendance vis-à-vis des géantes technologiques : Les grandes entreprises monopolisent les applications d'IA ; les startups ont moins de chances. |
| Les approches alternatives pourraient s'imposer : L'intelligence en essaim ou des architectures plus efficaces pourraient remplacer l'ancienne approche. | Échec technologique : Les modèles d'IA ne comprennent pas vraiment le monde ; les limites fondamentales pourraient être inatteignables. |
| Normes de l'industrie & régulation : La clarté pourrait freiner les cycles de battage médiatique et favoriser l'innovation durable. | Crise de confiance : Si la bulle éclatait, le secteur de l'IA pourrait avoir besoin d'années pour retrouver la confiance. |
Pertinence des mesures
Pour les investisseurs
- Étape 1 : Distinguer entre le véritable progrès du produit et le récit de marketing. Vérifier : la startup a-t-elle un produit fonctionnant ou seulement une idée ?
- Étape 2 : Surveiller activement les technologies alternatives (intelligence en essaim, matériel efficace). Tous les gagnants ne doivent pas être des modèles de langage.
- Étape 3 : Signal d'alerte : évaluations supérieures à 50x le chiffre d'affaires pour les entreprises sans revenus. Fixer des jalons.
- Indicateur : Les startups d'IA qui n'ont pas de métrique clients après 18 mois sont un risque élevé.