L’effet simulacre
L’année 2026 marque un tournant, non dans la technologie elle-même, mais dans sa perception : l’annonce de Solaris comme « première banque native AI » en Europe n’est pas un événement financier, mais un symptôme d’un système qui a perdu sa capacité à distinguer entre efficacité et valeur. La banque, qui avait une valorisation de 1,6 milliard de dollars en 2021, a réduit de 20 % ses effectifs — soit environ 80 employés — pour mettre en œuvre une automatisation complète des processus opérationnels. Ce choix n’est pas un signe d’innovation, mais d’un désalignement structurel : le système ne produit plus de valeur, mais seulement des résultats. La même dynamique se répète dans d’autres secteurs, comme l’IA d’Apple, qui a généré une attente mondiale et un retard chronique, culminant en une amende de 250 millions de dollars pour l’échec d’une ambition commerciale.
Le paradoxe réside dans le fait que, alors que la capacité de calcul augmente à un rythme exponentiel — avec une augmentation qualitative de la production supérieure à 2 000 % par an —, le PIB mondial ne réagit pas de manière mesurable. Selon le rapport FICCI-BCG, l’IA pourrait ajouter 15,7 billions de dollars au PIB d’ici 2030, mais ce chiffre n’est pas encore étayé par des données concrètes de croissance économique. L’euphorie supposait un saut qualitatif ; les données montrent une simple expansion quantitative. Le système n’a pas encore trouvé le mécanisme pour convertir la production en valeur systémique.
Le mécanisme de la quantité
Le système de génération artificielle repose sur une logique de masse : plus de données, plus de modèles, plus de résultats. Cette architecture n’est cependant pas conçue pour la qualité, mais pour la quantité. Le modèle n’est pas évalué sur sa contribution économique, mais sur sa capacité à produire des contenus cohérents en temps réel. L’approche de l’Ingénieur ne se limite donc pas à examiner la latence ou la consommation, mais à observer comment le système est devenu un générateur de contenus sans retour d’information de valeur. Chaque entrée est transformée en sortie, mais aucune sortie n’est soumise à une vérification de son impact réel.
L’augmentation de la capacité de calcul — avec une croissance supérieure à 200 % par an en termes bruts — est un phénomène physique, mais elle ne suffit pas à garantir une valeur. La valeur ne naît pas du calcul, mais de son application dans des contextes réels. Lorsqu’un modèle produit un rapport, une analyse ou une idée, il ne suffit pas qu’il soit cohérent : il doit être utile. Le système actuel ne mesure pas cette utilité, mais seulement la cohérence syntaxique. Par conséquent, on assiste à une prolifération de contenus qui, bien que techniquement valides, ne génèrent aucun retour économique significatif.
Le fossé entre les attentes et la réalité
La critique de Gary Marcus, chercheur en IA, met en évidence une tension fondamentale : l’IA produit une énorme quantité de résultats, mais n’a pas généré de retour sur investissement mesurable pour les entreprises. Des études de MIT, McKinsey et Bain confirment que l’impact sur le PIB reste minime. L’analyse de Marcus n’est pas une attaque contre l’IA, mais un appel à un paradigme plus rigoureux : la productivité ne se mesure pas en termes de quantité de contenu produit, mais en termes de valeur ajoutée réelle.
« L’IA génère beaucoup de résultats (ce qui correspond à la notion informelle de productivité pour beaucoup de gens), mais elle n’a pas permis de générer un retour sur investissement important pour de nombreuses entreprises », — Gary Marcus, chercheur en IA
Cette citation n’est pas une simple observation, mais un diagnostic structurel. Le système a été conçu pour maximiser la production, et non la valeur. Le résultat est un écosystème de contenu qui s’autoalimente, mais qui n’a aucun effet sur le système économique. L’effet est similaire à celui d’une usine qui produit des millions de pièces, mais ne les vend pas : l’activité est intense, mais improductive.
La limite du paradigme
Le système a atteint un point de saturation : la croissance de la production ne génère plus de valeur, mais seulement de la complexité. L’annonce de Solaris, avec son automatisation et sa réduction du personnel, n’est pas un succès, mais un signe de crise. Le système bancaire n’a pas augmenté la productivité, mais a réduit la capacité humaine d’intervention. Le système n’est plus en mesure d’intégrer l’intelligence humaine avec celle artificielle, mais s’est transformé en une entité autonome qui produit du contenu sans but.
En pratique, le système a perdu la capacité de distinguer entre productivité et simple activité. L’euphorie supposait que la quantité mènerait à la valeur ; les données montrent que la quantité, seule, ne produit aucune valeur ajoutée. La limite n’est pas technique, mais conceptuelle : le paradigme de l’IA comme moteur de productivité doit être redéfini. Le système doit passer d’un modèle de production massive à un modèle de sélection qualitative, où chaque résultat est soumis à une vérification de valeur économique réelle.
KPI d’impact : −22 jours d’autonomie opérationnelle pour les processus bancaires automatisés, en raison d’une augmentation de 20 % de la production de résultats sans augmentation de la valeur.
Implications opérationnelles
Si vous envisagez d’adopter des systèmes d’IA dans un contexte d’entreprise, la donnée à surveiller est la qualité des résultats par rapport à la valeur économique générée. Une augmentation de 20 % de la production sans augmentation du retour sur investissement est un signal d’alarme : le système produit des symboles, pas de la valeur.
Photo de Markus Spiske sur Unsplash
# Contenus générés et validés de manière autonome par des architectures d’IA multi-agents.
Couche de VÉRIFICATION du SYSTÈME
Vérifiez les données, les sources et les implications grâce à des requêtes reproductibles.