L’IA ne supprime pas la rareté. Elle la déplace

La promesse est spectaculaire : l’intelligence artificielle ferait tomber les barrières à l’entrée, réduirait radicalement les coûts de production et ouvrirait une ère d’abondance. Des capacités autrefois réservées aux grandes organisations deviennent en effet accessibles à une PME, à une équipe réduite, parfois à une seule personne. Un prototype logiciel, une campagne internationale ou une analyse documentaire peuvent être produits en quelques heures là où plusieurs jours étaient nécessaires.

Pour un dirigeant, cette accélération est réelle. Mais le mot « abondance » brouille trois réalités différentes : la quantité produite, la qualité obtenue et la valeur créée. L’IA peut multiplier les propositions sans rendre abondants les résultats utiles. Elle peut réduire le coût d’une première version tout en augmentant le travail nécessaire pour choisir, vérifier et assumer ce qui sera finalement utilisé.

La bonne question n’est donc pas de savoir si l’abondance annoncée est une prophétie juste ou fausse. Elle consiste à déterminer ce qui devient effectivement abondant, ce qui demeure contraint et vers quelles nouvelles raretés la valeur va se déplacer.

Une abondance de propositions, pas une abondance de résultats

Les modèles génératifs produisent des textes, des images, du code, des synthèses, des traductions, des scénarios et des recommandations à un coût marginal très faible. Ils accélèrent l’exploration : une équipe peut tester dix accroches commerciales, comparer plusieurs architectures ou préparer différentes hypothèses avant une réunion. Ce gain ne se limite pas à la communication. Il touche la conception, la recherche, le support, l’analyse et une partie de la décision.

Les travaux examinés par l’OCDE confirment des gains de productivité sur certaines tâches, mais soulignent aussi leur forte dépendance au contexte, à l’expérience de l’utilisateur et à la nature du travail. L’outil n’ajoute pas une quantité uniforme de performance à toutes les activités. Il élargit surtout l’espace des options accessibles et réduit le prix du premier essai.

Cette distinction est essentielle. Une proposition commerciale générée en trente secondes n’est pas une vente. Un prototype n’est pas un produit exploitable. Une synthèse n’est pas une décision. Entre la production et le résultat subsistent la compréhension du besoin, la vérification, l’intégration aux processus, la relation avec le client et la responsabilité en cas d’erreur.

Le coût qui s’effondre est d’abord celui de la première version

Dans un service marketing, l’IA peut réduire le temps consacré à une première rédaction, à la déclinaison d’un visuel ou à l’adaptation d’un message. Dans une équipe informatique, elle accélère la documentation, l’écriture de fonctions courantes et le prototypage. Dans un service achats ou juridique, elle peut faciliter l’exploration d’un corpus et faire émerger les clauses à examiner.

À chaque fois, le coût de génération diminue. Les autres coûts ne disparaissent pas pour autant. Il faut encore disposer des bonnes données, contrôler les sources, corriger les erreurs, protéger les informations sensibles, assurer la conformité, intégrer le résultat au système existant et suivre ses effets. Une production plus rapide peut même déplacer le goulot d’étranglement vers les personnes chargées de valider.

Imaginons une entreprise capable de générer cent propositions de campagne au lieu de dix. Elle ne dispose pas automatiquement de dix fois plus de temps pour les évaluer. Si elle ne change pas son processus, elle choisira plus vite, contrôlera moins ou saturera ses décideurs. Le coût unitaire du contenu baisse, tandis que le coût de sélection par option utile peut augmenter.

Les contraintes physiques restent également présentes. L’IA dépend de centres de données, de réseaux, de composants avancés et d’électricité. L’Agence internationale de l’énergie documente la progression rapide de cette demande et les tensions sur les infrastructures. L’économie numérique peut donner une impression d’immatérialité ; elle demeure adossée à des actifs industriels rares, coûteux et concentrés.

La valeur se déplace vers six nouvelles raretés

Lorsque chacun peut produire une réponse correcte en apparence, la différence ne repose plus d’abord sur la capacité à générer. Elle repose sur ce qui permet de relier cette génération au réel.

La connaissance contextualisée

Une donnée est une trace. Un contenu est une production. L’information donne une signification à une donnée. La connaissance va plus loin : elle relie les faits à leur contexte, à leurs exceptions, à leur histoire et à l’action possible.

Un modèle générique peut expliquer une procédure de relance client. Il ignore qu’un distributeur stratégique exige un délai particulier, que tel retard résulte d’un litige récurrent ou qu’une règle tacite protège une relation ancienne. Ces éléments sont rarement réunis dans une base propre et immédiatement exploitable. Ils vivent dans les outils, les échanges et la mémoire des équipes.

La connaissance interne devient ainsi l’actif qui transforme une IA accessible à tous en capacité propre à l’entreprise. Encore faut-il la structurer, la maintenir, indiquer son origine et conserver les exceptions. Injecter des documents obsolètes dans un assistant ne crée pas une mémoire fiable ; cela industrialise parfois une représentation dépassée de l’activité.

L’attention et le discernement

L’abondance de contenus provoque mécaniquement une concurrence plus forte pour être vu, compris et retenu. Les entreprises peuvent publier davantage, mais leurs clients reçoivent eux aussi davantage de messages. Le volume devient un mauvais substitut à la pertinence.

Le même mécanisme touche la décision. Lorsque dix réponses plausibles sont disponibles, le travail ne consiste plus à en obtenir une, mais à reconnaître celle qui correspond au problème. Le discernement associe expérience, compréhension des conséquences, capacité à repérer les hypothèses fragiles et courage de renoncer à une option séduisante.

La confiance et la preuve

Plus une production artificielle paraît crédible, plus son origine et sa traçabilité comptent. Une marque ne pourra pas durablement se différencier par la seule fluidité de ses textes ou la sophistication de ses images. Elle devra prouver ce qu’elle affirme, rendre ses engagements vérifiables et corriger rapidement ses erreurs.

La confiance se construit lentement et peut être détruite par une production automatisée mal contrôlée. Elle devient donc un capital économique : elle réduit le coût de la vérification pour le client, facilite la décision et protège la relation lorsque les offres se ressemblent.

La responsabilité et l’exécution

Un modèle propose ; une organisation décide. Cette différence ne relève pas seulement de l’éthique. Elle détermine qui répond devant le client, le salarié, le régulateur ou l’actionnaire. La capacité à désigner un responsable, documenter un arbitrage et corriger un système conserve de la valeur précisément parce qu’elle ne peut pas être déléguée à une réponse générée.

Enfin, l’accès au réel reste rare. Déployer une solution sur un site industriel, négocier avec un partenaire, accompagner une équipe ou résoudre l’exception d’un client exige une présence, des relations et une capacité d’exécution. L’IA peut préparer l’action ; elle ne transforme pas automatiquement la recommandation en résultat.

L’abondance peut renforcer la concentration

La baisse des barrières à l’entrée ne garantit pas une distribution équitable de la valeur. Une petite entreprise accède à des capacités remarquables sans investir dans son propre modèle. Mais cet accès dépend souvent de plateformes qui contrôlent l’infrastructure, les conditions tarifaires, les limites d’usage et une partie de la relation avec l’utilisateur.

Le paradoxe est net : les capacités se démocratisent au niveau des usages tandis que les infrastructures peuvent se concentrer. Les gains de productivité peuvent revenir aux clients sous forme de prix plus bas, aux entreprises sous forme de marges, aux salariés sous forme de travail mieux soutenu ou aux plateformes sous forme de rente. La technologie ne décide pas seule de cette répartition ; le marché, les contrats et les choix d’organisation y contribuent.

Une autre concentration se joue dans les standards. Si toutes les entreprises utilisent les mêmes modèles avec les mêmes données publiques et les mêmes méthodes, elles risquent de produire les mêmes diagnostics, les mêmes campagnes et les mêmes expériences. L’accès généralisé à la personnalisation peut alors conduire à une standardisation invisible.

La différenciation ne viendra donc pas du simple fait d’« utiliser l’IA ». En France, l’Insee indique que 18 % des entreprises de dix salariés ou plus déclaraient utiliser au moins une technologie d’IA en 2025, contre 10 % un an auparavant. À mesure que l’adoption progresse, l’équipement perd son caractère distinctif. La question devient celle de l’organisation construite autour de l’outil.

Ce que les dirigeants doivent mesurer autrement

Le volume produit est l’indicateur le plus facile à afficher et l’un des moins utiles. Compter les textes, les images, les lignes de code ou les conversations donne une mesure d’activité, pas une mesure de valeur. Une adoption mature suit plutôt le délai complet jusqu’au résultat, le taux de correction, la qualité perçue, l’incident évité, l’adoption par les équipes et l’effet économique.

Pour chaque processus, le dirigeant peut séparer quatre catégories : les coûts réellement supprimés, ceux qui sont déplacés vers une autre équipe, les nouveaux coûts de contrôle et les ressources dont la rareté augmente. Cette cartographie révèle souvent que le retour sur investissement ne dépend pas du prix de l’outil, mais de la manière dont le travail a été redessiné.

Le deuxième chantier consiste à protéger la connaissance spécifique de l’entreprise. Les règles métier, les décisions antérieures, les retours clients et les exceptions doivent devenir accessibles sans perdre leur contexte ni leur propriétaire. Cette capitalisation exige une gouvernance : qui valide, qui met à jour, qui signale qu’une information n’est plus valable ?

Le troisième chantier concerne le modèle économique. Une activité facturée pour la production d’un livrable standard doit anticiper sa banalisation. Elle peut déplacer sa proposition de valeur vers le diagnostic, l’engagement sur le résultat, la connaissance sectorielle, l’accompagnement de la mise en œuvre ou la confiance attachée à sa responsabilité.

Enfin, l’entreprise doit préserver ce qui se reproduit difficilement : une relation durable avec ses clients, une réputation vérifiable, une expérience du terrain, des données de qualité et une capacité collective à agir. Ces actifs semblent parfois moins spectaculaires qu’un nouveau modèle. Ils sont pourtant ceux qui transforment l’abondance technique en avantage économique.

Une abondance partielle et asymétrique

L’IA ouvre bien une forme d’abondance. Elle rend l’intelligence instrumentale plus disponible, accélère l’expérimentation et permet à de petites structures d’accomplir des tâches autrefois coûteuses. Mais cette abondance reste partielle : elle concerne davantage les options numériques que les ressources physiques, la confiance ou la capacité d’exécution. Elle est aussi asymétrique, car tous les métiers, toutes les entreprises et tous les territoires ne disposent pas des mêmes données, compétences ni infrastructures.

La stratégie ne peut donc pas se résumer à produire plus vite. Elle doit identifier ce qui deviendra banal et investir dans ce qui restera difficile à copier. À l’ère des réponses instantanées, la connaissance contextualisée, le discernement et la responsabilité ne sont pas des compléments humains ajoutés après la technologie. Ils deviennent le cœur de la valeur.

La question décisive n’est plus seulement : « Que pourrons-nous produire pour presque rien ? » Elle devient : que saurons-nous encore rendre fiable, singulier et utile lorsque tout le monde pourra produire presque tout ?