En 2026, l’IA générative n’est plus un sujet prospectif. Elle est déjà dans les messageries, les suites bureautiques, les CRM, les outils de développement, les moteurs de recherche, les plateformes de service client, les agences, les cabinets de conseil, les écoles, les directions marketing et les comités exécutifs. Mais ce déploiement massif ne signifie pas que la technologie soit stabilisée. Au contraire : plus elle est utilisée, plus ses limites deviennent concrètes. Hallucinations, réponses flatteuses, baisse de fiabilité perçue, dépendance aux fournisseurs, opacité des modèles, coût énergétique et financier, ROI difficile à isoler, disparition possible de certains acteurs : l’IA est adoptée comme une infrastructure alors qu’elle se comporte encore comme un marché expérimental. C’est ce paradoxe qu’il faut regarder lucidement.
Le paradoxe de 2026 : adoption massive, confiance incomplète
La première erreur serait de croire que la critique de l’IA implique son échec.
L’IA est bel et bien adoptée. Les enquêtes récentes montrent une diffusion rapide dans les organisations. Stanford HAI indique que l’adoption de l’IA a continué de progresser en 2025 : l’IA générative est utilisée dans au moins une fonction métier par 70 % des organisations interrogées, tandis que l’adoption globale de l’IA atteint 88 % dans l’échantillon suivi. Deloitte observe également une accélération : l’accès des salariés aux outils IA a augmenté de 50 % en 2025, et les entreprises anticipent une montée en production plus large dans les mois suivants.
Sources : Stanford HAI, AI Index Report 2026, section Economy ; Deloitte, State of AI in the Enterprise 2026.
Mais l’adoption n’est pas la même chose que la maturité.
Une technologie peut être très utilisée et rester instable. Elle peut devenir indispensable avant d’être fiable. Elle peut produire des gains locaux très visibles — rédiger plus vite, résumer, coder, assister une recherche — tout en échouant à transformer durablement la performance économique d’une organisation.
C’est précisément ce que montre le rapport MIT NANDA 2025 sur l’IA en entreprise : malgré 30 à 40 milliards de dollars investis dans la GenAI, 95 % des organisations étudiées ne constataient aucun retour mesurable sur leur compte de résultat. Le rapport ne conclut pas que les modèles sont inutiles. Il montre plutôt que les gains individuels ne se transforment pas automatiquement en transformation opérationnelle.
Source : MIT Project NANDA, The GenAI Divide: State of AI in Business 2025.
C’est une distinction essentielle.
Un salarié peut gagner du temps avec un assistant IA. Cela ne signifie pas que l’entreprise gagne de l’argent. Entre les deux, il manque souvent :
- des processus redessinés ;
- des données fiables ;
- des systèmes intégrés ;
- des règles de contrôle ;
- une gouvernance claire ;
- et une méthode de mesure sérieuse.
Autrement dit : l’IA fonctionne parfois très bien comme prothèse individuelle, mais beaucoup moins facilement comme transformation collective.
La “dégradation” de l’IA : de quoi parle-t-on vraiment ?
Le mot “dégradation” doit être manié avec prudence.
Il ne signifie pas que tous les modèles deviennent objectivement moins performants. Sur de nombreux benchmarks, les modèles progressent encore. Ils codent mieux, raisonnent mieux dans certains contextes, manipulent davantage de formats, s’intègrent dans plus d’outils et exécutent des tâches plus complexes.
Mais la dégradation perçue existe. Elle vient d’un écart croissant entre la promesse et l’usage réel.
Les utilisateurs ne jugent pas l’IA en laboratoire. Ils la jugent dans leur travail quotidien :
- un résumé qui oublie le point décisif ;
- une source inventée ;
- un raisonnement plausible mais faux ;
- un code qui fonctionne dans 80 % des cas mais casse en production ;
- une réponse très convaincante mais juridiquement dangereuse ;
- un outil qui change de comportement d’une semaine à l’autre.
La dégradation n’est donc pas seulement technique. Elle est aussi éditoriale, ergonomique, économique et organisationnelle.
Elle se manifeste par une impression simple : l’outil répond toujours, mais il ne répond pas toujours mieux.
Première cause : les hallucinations ne sont pas un bug marginal
Les hallucinations restent l’un des problèmes les plus sérieux des grands modèles de langage.
Le terme est imparfait, mais il désigne un phénomène très concret : le modèle produit une réponse fluide, plausible, grammaticalement correcte, mais factuellement fausse ou non fondée. Le danger vient précisément de cette fluidité. L’erreur n’a pas l’apparence de l’erreur.
Une étude publiée par OpenAI et Georgia Tech en 2025 rappelle que les hallucinations persistent dans les systèmes récents et que les procédures d’entraînement et d’évaluation peuvent encourager les modèles à deviner plutôt qu’à reconnaître leur incertitude. Les modèles sont souvent optimisés comme de bons candidats à un examen : dans beaucoup de systèmes d’évaluation, tenter une réponse rapporte plus que dire “je ne sais pas”.
Source : Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, Why Language Models Hallucinate, OpenAI / Georgia Tech, 2025.
Ce point est fondamental pour les usages professionnels.
Une IA qui hésite serait souvent plus utile qu’une IA qui improvise. Mais le marché récompense encore largement les modèles qui répondent vite, avec assurance, dans un style agréable. La sobriété, l’abstention et le doute sont moins spectaculaires commercialement.
Dans les domaines sensibles, le problème devient évident. Stanford HAI a montré que les modèles généralistes testés sur des requêtes juridiques hallucinaient très fréquemment. Même les outils spécialisés de recherche juridique, pourtant conçus pour réduire ce risque, produisaient encore des informations incorrectes dans une proportion significative des cas.
Source : Stanford HAI, AI on Trial: Legal Models Hallucinate in 1 out of 6 (or More) Benchmarking Queries, 2024.
Le point n’est pas de dire que l’IA est inutilisable.
Le point est plus simple : une technologie qui invente encore des faits ne peut pas être traitée comme un système d’autorité. Elle peut assister. Elle peut accélérer. Elle peut proposer. Mais elle doit rester sous contrôle humain compétent, surtout lorsqu’elle touche au droit, à la santé, à la finance, à la recherche, à l’enseignement ou à la communication institutionnelle.
Deuxième cause : le web devient un mauvais terrain d’entraînement
Les modèles de langage se sont développés grâce à l’abondance de textes humains disponibles en ligne.
Mais cette abondance est désormais contaminée par les modèles eux-mêmes.
Plus l’IA produit de contenus publiés sur Internet, plus les futurs modèles risquent de s’entraîner sur des données générées par leurs prédécesseurs. Une étude publiée dans Nature en 2024 décrit ce risque sous le nom de model collapse : lorsque des modèles apprennent de façon répétée sur des données synthétiques produites par d’autres modèles, ils peuvent perdre progressivement l’accès à la diversité réelle de la distribution initiale. Les cas rares disparaissent d’abord ; la variété se réduit ; le modèle converge vers une version appauvrie du réel.
Source : Ilia Shumailov et al., AI models collapse when trained on recursively generated data, Nature, 2024.
Ce phénomène ne signifie pas que l’effondrement soit automatique demain matin. Les laboratoires savent filtrer, pondérer, nettoyer, acheter des données, produire des données synthétiques contrôlées et combiner plusieurs méthodes.
Mais le risque stratégique demeure : la donnée humaine authentique devient plus rare, plus chère et plus précieuse.
C’est l’un des grands paradoxes de l’IA générative. Elle a besoin de culture humaine pour fonctionner, mais elle participe à saturer l’espace public de contenus moyens qui rendent cette culture plus difficile à distinguer.
Troisième cause : les benchmarks rassurent moins qu’avant
Les performances des modèles sont souvent présentées sous forme de classements : tel modèle dépasse tel autre sur tel benchmark, avec quelques points d’écart.
Ces chiffres ont leur utilité. Mais ils peuvent donner une fausse impression de précision.
À mesure que les meilleurs modèles atteignent des scores très élevés sur certains tests, ces tests perdent une partie de leur pouvoir discriminant. On parle alors de saturation des benchmarks : les modèles semblent proches, les différences deviennent faibles, et les tests ne reflètent plus toujours la qualité ressentie dans les usages réels.
Le problème est bien connu dans les systèmes d’évaluation : mesurer ce qui est facile à mesurer finit par déplacer l’attention. Un modèle peut progresser dans les classements sans devenir proportionnellement plus fiable pour un juriste, un enseignant, un développeur, un médecin, un communicant ou un dirigeant.
En entreprise, la bonne question n’est donc pas : “Quel modèle est premier au classement ?”
La bonne question est :
- sur quelles tâches précises fonctionne-t-il ?
- avec quelles données ?
- avec quel niveau de contrôle ?
- avec quel coût complet ?
- avec quel risque juridique ?
- et avec quelle dépendance fournisseur ?
Quatrième cause : les modèles deviennent des produits, pas seulement des recherches
La qualité d’un modèle ne dépend pas seulement de la recherche scientifique. Elle dépend aussi d’arbitrages produit.
Un fournisseur doit choisir entre plusieurs objectifs :
- répondre vite ;
- répondre moins cher ;
- répondre plus longuement ;
- refuser davantage ;
- prendre moins de risques ;
- plaire à l’utilisateur ;
- réduire les coûts d’inférence ;
- préserver la marge ;
- et maintenir une expérience commerciale séduisante.
Ces objectifs ne sont pas toujours compatibles.
Un modèle plus prudent peut paraître moins utile. Un modèle plus rapide peut être moins profond. Un modèle moins cher peut être routé vers une version plus légère. Un modèle plus flatteur peut retenir l’utilisateur tout en dégradant la qualité du conseil.
Cette dimension est souvent sous-estimée. L’utilisateur croit interagir avec “l’intelligence” d’un modèle. En réalité, il interagit avec une chaîne complète :
- modèle de base ;
- post-entraînement ;
- filtres de sécurité ;
- routage dynamique ;
- mémoire éventuelle ;
- outils connectés ;
- contraintes de coût ;
- et choix d’interface.
Quand l’expérience se dégrade, il est souvent impossible de savoir quelle partie de la chaîne a changé.
Cinquième cause : l’opacité augmente au moment même où les usages deviennent critiques
Plus l’IA s’intègre dans les organisations, plus il faudrait de transparence.
Or Stanford HAI note dans son AI Index 2026 que la transparence moyenne des entreprises développant des modèles de fondation a reculé en 2025. Les lacunes restent importantes sur les données d’entraînement, les ressources de calcul et les impacts après déploiement.
Source : Stanford HAI, AI Index Report 2026, section Responsible AI.
C’est un signal faible très important.
Les entreprises clientes adoptent des outils dont elles ne connaissent souvent pas :
- les données exactes d’entraînement ;
- les règles de filtrage ;
- les mécanismes de mise à jour ;
- les arbitrages de sécurité ;
- les conditions de routage ;
- les coûts réels ;
- ni la trajectoire financière du fournisseur.
Dans un logiciel classique, cette incertitude existe déjà. Mais avec l’IA, elle est plus grave, parce que le comportement du système n’est pas totalement déterministe, parce que les réponses produites ont une apparence d’expertise, et parce que les modèles changent régulièrement.
Le ROI : beaucoup de gains visibles, peu de preuves consolidées
Le ROI de l’IA est aujourd’hui l’un des sujets les plus maltraités.
Il existe des gains évidents : productivité individuelle, aide à la rédaction, assistance au code, synthèse documentaire, support client de premier niveau, prototypage, traduction, exploration d’idées.
Mais ces gains sont souvent mesurés au mauvais niveau.
Gagner trente minutes sur une tâche ne signifie pas que l’organisation améliore sa marge. Il faut savoir ce que devient ce temps gagné :
- est-il réinvesti dans une tâche utile ?
- réduit-il réellement les effectifs ?
- accélère-t-il la production sans dégrader la qualité ?
- diminue-t-il les erreurs ?
- augmente-t-il les ventes ?
- réduit-il le churn ?
- ou ajoute-t-il simplement une nouvelle couche d’outils, de vérifications et de coûts ?
Le rapport MIT NANDA est sévère sur ce point : beaucoup de projets restent bloqués au stade du pilote, sans impact mesurable sur le compte de résultat. La cause principale n’est pas seulement la qualité des modèles, mais l’écart entre les outils et les workflows réels des organisations.
Source : MIT Project NANDA, The GenAI Divide: State of AI in Business 2025.
C’est probablement l’un des enseignements les plus utiles pour 2026.
L’IA n’échoue pas toujours parce qu’elle est mauvaise. Elle échoue souvent parce qu’elle est ajoutée à des organisations qui ne savent déjà pas bien formaliser leurs processus, leurs données, leurs responsabilités ni leurs critères de succès.
Le modèle économique : une industrie qui brûle du capital pour vendre de la productivité
L’autre paradoxe est économique.
Les revenus des entreprises d’IA progressent très vite. Mais les coûts progressent aussi à une échelle inhabituelle.
Stanford HAI note que les revenus des entreprises d’IA de frontière augmentent rapidement, tandis que les coûts de calcul et les dépenses d’infrastructure atteignent également des niveaux records. Les grands fournisseurs cloud ont accéléré leurs dépenses d’investissement, avec des montants qui se chiffrent en dizaines, voire en centaines de milliards de dollars.
Source : Stanford HAI, AI Index Report 2026, section Economy.
Les chiffres publiés ou rapportés sur les grands acteurs confirment cette tension. Le Financial Times a rapporté qu’OpenAI avait généré 4,3 milliards de dollars de revenus au premier semestre 2025, mais enregistré une perte opérationnelle de 7,8 milliards sur la même période. Fortune a également rapporté que l’entreprise anticipait environ 13 milliards de dollars de ventes en 2025 pour une perte nette d’environ 9 milliards.
Sources : Financial Times, “OpenAI’s era-defining money furnace”, 2025 ; Fortune, “OpenAI says it plans to report stunning annual losses…”, 2025.
Anthropic illustre une autre forme d’incertitude : Reuters a souligné en mars 2026 l’écart entre les revenus GAAP cumulés déclarés dans un document judiciaire et les chiffres de “run-rate revenue” mis en avant par l’entreprise. Le run-rate peut être utile pour comprendre une trajectoire, mais il extrapole le futur à partir d’une période récente, ce qui peut devenir trompeur dans un marché aussi volatil.
Source : Reuters Breakingviews, Anthropic gives lesson in AI revenue hallucination, 2026.
Ce n’est pas nécessairement une bulle au sens simple du terme.
C’est plus subtil : une industrie peut avoir des usages réels, des revenus réels, une demande réelle, et rester économiquement instable. L’histoire d’Internet l’a déjà montré. Mais l’IA ajoute un élément particulier : le coût marginal de l’usage n’est pas négligeable. À grande échelle, chaque requête consomme du calcul, de l’énergie, des puces, du refroidissement, des centres de données, des contrats cloud, des ingénieurs et du capital.
La question n’est donc pas seulement : “L’IA est-elle utile ?”
La question devient : “À quel prix, pour qui, et pendant combien de temps ?”
Pourquoi les entreprises adoptent malgré tout
Si l’IA est si incertaine, pourquoi les entreprises l’adoptent-elles autant ?
Pour une raison simple : ne pas adopter paraît souvent plus risqué qu’adopter mal.
Plusieurs mécanismes se cumulent :
- pression concurrentielle : aucune direction ne veut découvrir trop tard que ses concurrents ont automatisé une partie de leurs coûts ;
- pression interne : les salariés utilisent déjà les outils, officiellement ou non ;
- pression des éditeurs : l’IA est intégrée par défaut dans les logiciels existants ;
- pression financière : les investisseurs attendent des plans IA ;
- pression symbolique : ne pas parler d’IA donne l’impression d’être en retard ;
- pression RH : certains métiers craignent d’être remplacés, d’autres veulent augmenter leur productivité.
L’adoption est donc souvent moins rationnelle qu’elle n’en a l’air.
Elle ne repose pas toujours sur un business case robuste. Elle repose parfois sur la peur : peur d’être distancé, peur d’être ringardisé, peur de rater la prochaine plateforme dominante.
C’est humain. Mais ce n’est pas une stratégie.
Remplacer des humains avec une technologie non mature : le vrai risque
Le problème le plus sérieux n’est pas d’utiliser l’IA.
Le problème est de remplacer trop vite des compétences humaines par des systèmes que l’on ne sait pas encore auditer correctement.
Quand une entreprise supprime un poste au motif qu’une IA peut produire une partie du travail, elle oublie souvent ce que le poste contenait réellement :
- jugement ;
- contexte ;
- mémoire de l’organisation ;
- responsabilité ;
- arbitrage ;
- sens politique ;
- compréhension implicite ;
- capacité à dire non ;
- et capacité à repérer une erreur avant qu’elle devienne publique.
Une IA peut produire. Elle ne porte pas la responsabilité de ce qu’elle produit.
Or beaucoup d’organisations confondent production et compétence.
C’est particulièrement visible dans les métiers de contenu, de support, de développement, de formation, de veille, de conseil ou de communication. L’IA peut générer rapidement une première version. Mais la valeur professionnelle commence souvent après cette première version : sélection, vérification, hiérarchisation, contextualisation, reformulation, décision.
Supprimer cette couche humaine revient parfois à automatiser la médiocrité.
Ce qui pourrait se passer entre 2026 et 2027
Les prévisions doivent rester modestes. Personne ne sait sérieusement quelle sera la structure exacte du marché dans douze ou dix-huit mois.
Mais plusieurs tendances sont plausibles.
1. Le marché va se concentrer
Les coûts de calcul, de distribution, de sécurité et de données favorisent les acteurs les mieux capitalisés. Beaucoup de startups IA peuvent avoir de bons produits sans avoir de modèle économique durable. Certaines seront rachetées. D’autres disparaîtront. D’autres deviendront de simples fonctionnalités intégrées dans les suites existantes.
2. Les entreprises vont réduire le nombre d’outils
Après la phase d’expérimentation, viendra la phase d’arbitrage. Les organisations ne garderont pas vingt assistants IA. Elles conserveront les outils intégrés aux processus existants, juridiquement acceptables, mesurables et suffisamment gouvernables.
3. Le ROI sera demandé plus durement
La période où un projet IA pouvait être financé parce qu’il était “innovant” va se refermer. Les directions financières demanderont des preuves : réduction de coût, hausse de revenu, baisse des erreurs, amélioration de délai, satisfaction client, ou avantage opérationnel clair.
4. La donnée humaine deviendra stratégique
Les organisations disposant de données propres, structurées, propriétaires et légalement exploitables seront avantagées. L’IA générique deviendra moins différenciante ; la qualité du contexte deviendra centrale.
5. Le travail humain changera, mais ne disparaîtra pas proprement
Certains postes seront supprimés. D’autres seront transformés. De nouveaux rôles apparaîtront autour de la supervision, de la qualité, de la conformité, du design de workflows et de l’évaluation. Mais la transition sera probablement désordonnée, parce que beaucoup d’entreprises chercheront d’abord des économies avant de comprendre les nouveaux besoins.
Comment utiliser l’IA sans se raconter d’histoires
Une position raisonnable en 2026 n’est ni l’enthousiasme naïf, ni le rejet systématique.
L’IA doit être utilisée, mais avec une méthode adulte.
Cela suppose quelques règles simples :
- ne jamais confondre fluidité et vérité ;
- ne jamais confier à l’IA une responsabilité que l’organisation ne sait pas contrôler ;
- mesurer les gains au niveau du processus, pas seulement de l’utilisateur ;
- documenter les usages autorisés et interdits ;
- préserver les compétences humaines capables de vérifier ;
- éviter les dépendances excessives à un fournisseur unique ;
- tester régulièrement la qualité réelle des sorties ;
- et accepter que certains usages séduisants soient économiquement mauvais.
L’IA est un outil puissant. Mais un outil puissant n’est pas forcément un outil mûr.
Conclusion : l’IA n’est pas trop faible pour être adoptée, elle est trop instable pour être sacralisée
Le paradoxe de 2026 tient en une phrase : l’IA est suffisamment utile pour être adoptée massivement, mais pas suffisamment fiable pour être traitée comme une infrastructure invisible.
C’est exactement là que se situe le danger.
Les entreprises vont continuer à l’utiliser. Elles auraient tort de l’ignorer. Mais elles auraient également tort de croire que l’adoption vaut validation, que la vitesse vaut qualité, que l’usage vaut ROI, ou que l’automatisation vaut compétence.
L’IA générative est peut-être l’une des technologies les plus importantes de la décennie.
Mais en 2026, elle reste une technologie en tension :
- puissante, mais instable ;
- adoptée, mais mal mesurée ;
- productive, mais difficile à contrôler ;
- spectaculaire, mais coûteuse ;
- prometteuse, mais économiquement fragile ;
- et souvent plus convaincante que fiable.
Le vrai sujet n’est donc pas de savoir s’il faut utiliser l’IA.
Le vrai sujet est de savoir à quel niveau de confiance, de dépendance et de responsabilité on accepte de l’installer dans les organisations.
La réponse prudente est sans doute celle-ci : utiliser l’IA partout où elle augmente le discernement humain ; s’en méfier partout où elle prétend le remplacer.
Sources principales
- Stanford HAI, AI Index Report 2026, sections Economy et Responsible AI.
- Deloitte, State of AI in the Enterprise 2026.
- MIT Project NANDA, The GenAI Divide: State of AI in Business 2025.
- Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, Why Language Models Hallucinate, OpenAI / Georgia Tech, 2025.
- Stanford HAI, AI on Trial: Legal Models Hallucinate in 1 out of 6 (or More) Benchmarking Queries, 2024.
- Ilia Shumailov et al., AI models collapse when trained on recursively generated data, Nature, 2024.
- Reuters Breakingviews, Anthropic gives lesson in AI revenue hallucination, 2026.
- Financial Times, “OpenAI’s era-defining money furnace”, 2025.
- Fortune, “OpenAI says it plans to report stunning annual losses…”, 2025.
Ce texte a d’abord paru sur boris-foucaud.com. Il a été relu pour SemiosX en octobre 2026 : les chiffres dont la source n’a pu être établie ont été retirés ou présentés comme des exemples.