Report de l'application de l'AI Act européen : les DSI d'entreprise mal préparés, affaiblissement de la dépendance aux modèles de pointe.

Introduction

En juillet 2026, les DSI européens sont confrontés à une réalité urgente : le calendrier d’application de l’AI Act (réglementation européenne sur l’intelligence artificielle) a été repoussé à décembre 2027, mais la plupart des entreprises ne sont toujours pas prêtes. Selon une enquête menée par le réseau diginomica auprès des leaders numériques, seuls 35 % des répondants ont commencé à suivre, étiqueter ou filigraner les contenus générés par l’IA, et seulement 3 % ont terminé l’ensemble du travail. Plus inquiétant encore, seulement un quart des entreprises se considèrent dans le champ d’application de cette réglementation, tandis que 36 % n’ont même pas réalisé d’évaluation de conformité. Parallèlement, le monde des affaires vit un changement de paradigme profond : on passe d’une « addiction » aux grands modèles de pointe à une stratégie plus pragmatique de sélection de modèles. Morgan Stanley le dit clairement : « Vous n’avez pas besoin du modèle le plus avancé et le plus coûteux pour résumer un rapport d’analyste. » Ces transformations redéfinissent les modèles commerciaux de l’économie numérique, les dynamiques concurrentielles des plateformes et les trajectoires réglementaires.

Contexte

L’AI Act européen est la première loi globale au monde pour encadrer l’intelligence artificielle, visant à classer les systèmes d’IA selon leur niveau de risque. Certaines dispositions initialement prévues pour août 2026 (comme les obligations de transparence et les exigences de filigrane) ont été reportées à décembre 2027. Pourtant, d’après l’enquête du réseau diginomica, l’état d’avancement des entreprises est loin derrière le calendrier réglementaire. Par ailleurs, les modes de dépenses en IA des entreprises évoluent : un rapport de KPMG souligne que la visibilité des coûts est devenue une priorité pour les dirigeants ; Satya Nadella, PDG de Microsoft, insiste sur la nécessité pour les organisations de bénéficier des modèles d’IA sans « payer deux fois ». Les banques d’investissement Goldman Sachs, JPMorgan Chase et Morgan Stanley indiquent toutes que leurs clients exigent désormais des « modèles adaptés à la tâche » plutôt qu’une recherche aveugle du modèle de pointe. Cette tendance est qualifiée de retour rationnel de la « tokenomics ».

Analyse de l’économie numérique

Croissance des utilisateurs et valeur des données

Le passage des modèles de pointe aux modèles spécialisés signifie que les applications d’IA mettront davantage l’accent sur l’efficacité que sur l’échelle. Ce changement influencera les stratégies de croissance des utilisateurs : les entreprises ne dépendront plus des plateformes d’IA généralistes pour générer du trafic, mais utiliseront des petits modèles verticaux pour servir précisément leurs utilisateurs. La valeur des données sera réévaluée : les ensembles de données de haute qualité et spécifiques à un domaine deviendront des actifs plus précieux que les données Internet généralistes. L’effet de réseau pourrait passer de la taille des modèles à la boucle de données : les entreprises capables d’acquérir et d’itérer continuellement des données sectorielles construiront des barrières concurrentielles.

Expansion des plateformes et concurrence des écosystèmes

Les exigences strictes de conformité de l’AI Act européen pourraient remodeler l’écosystème des plateformes. Les grandes entreprises technologiques (comme Google, Microsoft, Meta) disposent de ressources pour investir dans la conformité, tandis que les petites startups d’IA pourraient faire face à des barrières plus élevées, ce qui accélérerait la concentration du marché. D’un autre côté, le fait que les entreprises se détachent de la dépendance aux modèles de pointe crée des opportunités pour les modèles open source et les fournisseurs d’IA régionaux. Par exemple, il pourrait émerger en Europe un groupe de prestataires de services d’IA basés sur des données locales et conformes aux réglementations locales, favorisant ainsi le processus de « souveraineté numérique ».

Observation des modèles économiques### De l'abonnement au modèle au paiement aux résultats

Traditionnellement, les fournisseurs d'IA généraient des revenus via un modèle de facturation à la token (par jeton), ce qui entraînait une perte de contrôle des coûts. Aujourd'hui, les entreprises exigent des modèles de tarification plus transparents, par exemple des frais liés aux résultats commerciaux réels. KPMG souligne que la visibilité des coûts devient une priorité pour les dirigeants, ce qui poussera les fournisseurs d'IA à proposer des tarifs plus flexibles (tels que des forfaits fixes, des abonnements mensuels par tâche, etc.). La remarque de Satya Nadella (Microsoft) selon laquelle « il ne faut pas utiliser l'IA à double coût » reflète cette tendance.

Approfondissement du modèle axé sur les données

Les exigences de conformité (comme les filigranes et l'étiquetage) obligeront les entreprises à mettre en place des systèmes de gouvernance des données plus solides. Cela augmente les coûts à court terme, mais à long terme, une gestion des données de haute qualité deviendra un actif central pour la commercialisation de l'IA. Par exemple, le service « Agent Trust » lancé par Experian étend essentiellement le modèle KYC (Know Your Customer) aux agents d'IA, créant ainsi de nouvelles opportunités de monétisation des données.

Analyse de la concurrence sur le marché

Modèles de pointe vs. modèles spécialisés

Les fournisseurs de modèles de pointe comme OpenAI et Google sont confrontés à un défi : les clients entreprises commencent à remettre en question la rentabilité des coûts élevés des tokens. Le point de vue de Morgan Stanley reflète l'évolution du marché : les modèles adaptés à une tâche (comme les modèles spécialisés dans l'analyse de synthèse) gagnent des parts de marché au détriment des grands modèles. Cela pourrait entraîner une stratification du marché de l'IA : quelques entreprises conserveront des modèles de pointe pour des raisonnements complexes, tandis qu'une grande partie des applications professionnelles se tourneront vers des modèles spécialisés de taille moyenne et à faible coût. Les bénéficiaires incluent les entreprises proposant des petits modèles efficaces (comme Mistral, Claude 3 Haiku d'Anthropic) et les cabinets de conseil offrant des services d'optimisation de modèles et de gestion des coûts (comme KPMG).

Opportunités pour l'IA européenne

La loi européenne sur l'IA peut être à la fois un carcan et un bouclier. Si les entreprises européennes parviennent à développer en premier des modèles d'IA conformes à la législation et à des coûts maîtrisés, elles bénéficieront d'un avantage de premier entrant. Parallèlement, l'obligation réglementaire de formation à la culture de l'IA crée un nouveau marché de formation en entreprise. Des sociétés comme Atlassian ont déjà placé le « contexte et la gouvernance » avant les agents d'IA, soulignant que la capacité de gouvernance deviendra un facteur clé de compétitivité.

Impact des données et de la réglementation

Équilibre entre coûts de conformité et innovation

Les progrès actuels des entreprises en matière de conformité sont lents, mais la réglementation n'a pas disparu. Le caractère « centré sur l'humain » de la loi – mettant l'accent sur la formation à la culture de l'IA – bien qu'il augmente les coûts, pourrait également améliorer la confiance des employés envers l'IA et son utilisation efficace, augmentant ainsi la productivité à long terme. Cependant, si les coûts de conformité sont trop élevés, les PME pourraient être contraintes de quitter le marché européen, ce qui ralentirait l'innovation. De plus, plusieurs États américains et le gouvernement fédéral élaborent également des réglementations sur l'IA, ce qui ajoutera de la complexité pour les entreprises multinationales en raison de la fragmentation mondiale de la réglementation.

Souveraineté des données et flux transfrontaliersLa loi européenne sur l’IA et les réglementations relatives à la gouvernance des données (comme le RGPD) agissent en synergie, obligeant les entreprises à un contrôle plus strict des flux de données lors de l’entraînement et de l’inférence des IA. Cela stimule une vague de création de centres de données et de modèles d’entraînement localisés en Europe. La dépendance technologique vis-à-vis de fournisseurs d’IA externes peut engendrer des risques géopolitiques, comme le souligne diginomica : quelles sont les conséquences de la dépendance vis-à-vis d’entreprises, de fournisseurs d’IA et d’hyperscalers externes ? L’appel au développement de modèles locaux et de centres de données souverains se fera plus fort.

Tendances mondiales

L’économie de l’IA entre dans une phase de « priorité aux résultats »

Les entreprises, passant de l’excitation du « moment iPhone de l’IA » à une approche plus pragmatique, se concentrent désormais sur le retour sur investissement concret. Cela marque le passage de l’économie de l’IA d’une phase expérimentale à une phase pragmatique. À court terme, cette tendance pourrait freiner la croissance des investissements dans les infrastructures d’IA, mais à long terme, un déploiement plus précis des modèles libérera des gains de productivité plus importants.

Convergence entre économie de plateforme et IA

Les entreprises de plateformes (comme UiPath, Atlassian) intègrent les capacités d’IA dans leurs processus métier essentiels, plutôt que de les proposer comme produits indépendants. Par exemple, Atlassian, en fournissant un contexte à ses agents d’IA, a amélioré l’efficacité des tâches de 44 % et réduit la consommation de tokens de 48 %. Cela montre que la meilleure voie de commercialisation pour l’IA est d’être une fonctionnalité d’amélioration des plateformes existantes, plutôt qu’un produit autonome.

DigitalEcoNews Insight

Le report de la loi européenne sur l’IA est à la fois un répit et un avertissement : les entreprises ne sont pas encore prêtes pour une nouvelle ère de réglementation. Plus fondamentalement, la « dépendance » des entreprises vis-à-vis des modèles de pointe s’estompe, au profit de « modèles adaptés aux tâches » et d’un contrôle des coûts. Il ne s’agit pas seulement d’un choix technologique, mais d’une transformation des modèles économiques : la valeur de l’IA passera de « fournir une intelligence générale » à « résoudre précisément des problèmes spécifiques ». Pour les entreprises de plateformes, la capacité à se conformer deviendra une barrière concurrentielle, et la capacité de gouvernance des données se transformera directement en fossé commercial. Au cours de la prochaine décennie, les véritables leaders seront ceux qui pourront fonctionner efficacement dans le cadre réglementaire, convertir les coûts de l’IA en retours sur investissement et construire une boucle de données sectorielle. L’Europe ne verra peut-être pas émerger le prochain OpenAI, mais elle pourrait voir apparaître une cohorte « d’artisans de l’IA » ancrés dans les secteurs, conformes et efficaces, qui remodeleront la microstructure de l’économie numérique.