La chaîne de valeur de l’IA générative: cadre général (1).

Chaîne de valeur ou écosystème. - Le 30 novembre 2022 marque une date importante dans l’histoire de l’IA avec le lancement de ChatGPT-3. Une semaine après, dans son édition du 6 décembre, le journal Le Monde évoque "une petite entreprise de San Francisco" – OpenAI –, qui avait déjà fait sensation quelques mois auparavant avec DALL-E 2, modèle d’IA capable de générer des images ultra-réalistes à partir de simples description textuelles. Tandis que certain s’inquiètent déjà des dangers potentiels du robot conversationnel – réponses erronées, inappropriées ou biaisées, hallucinations, etc. –, les spécialistes de la tech préfèrent surtout retenir qu’il s’agit du premier véritable chatbot de l’histoire, tout en s’interrogeant sur les menaces qu’il pourrait représenter pour le moteur de recherche de Google et l’avenir du Web, tel qu’il a émergé au début des années 1990. D’autres observateurs encore, commencent à s’interroger sur le devenir les métiers dont la vocation première est la production de contenus, au premier rang desquels figurent les professions créatives, les écrivains, et plus généralement, les travailleurs intellectuelles. Deux autres questions centrales émergent alors : "Comment cette application sera-t-elle accueillie par le grand public ?" "Quels cas d’usage concrets monde de l’entreprise peut-il attendre ?"  

Si la réponse à la première question sera connue quelques semaines plus tard, celle à la seconde demeure pleinement d’actualité à ce jour, tandis que le nouveau contexte géopolitique inaugurée par Donald Trump immédiatement après son investiture officielle le 20 janvier 2025, soulève une autre question importante : celle de la dépendance quasi-absolue des économies européennes à l’égard des technologies américaines – notamment en IA –, et à la perte de souveraineté qui en découle. Or il est difficile de comprendre les enjeux économiques, politiques et géopolitiques en cours, sans disposer, à minima, d’une représentation générale de la chaîne de valeur de l’IA générative.  

C’est dans ce cadre que le 28 juin 2024, soit à peine un an et demi après le lancement de ChatGPT-3.5, l’Autorité de la concurrence publiait un avis — n° 24-A-05 — consacré au fonctionnement concurrentiel du secteur de l’intelligence artificielle générative. Sans prétendre à une analyse technique approfondie des systèmes d’IA générative, cet avis avait pour objectif d’évaluer si les conditions de concurrence étaient de nature à favoriser l’innovation, la diversité des acteurs et l’accès effectif au marché, ou si, au contraire, certaines caractéristiques économiques et industrielles du secteur étaient susceptibles de conduire à une concentration excessive du pouvoir de marché. Les rédacteurs de l’avis eurent par ailleurs l’idée particulièrement féconde de faire précéder l’analyse concurrentielle à proprement parler d’une proposition de cartographie détaillée de la chaîne de valeur de l’IA générative et de ses principaux acteurs, avant de conclure par une série de recommandations à destination des pouvoirs publics et des décideurs économiques.

L’usage du terme "chaîne de valeur", plutôt que celui "d’écosystème", fréquemment mobilisé dans le domaine de la stratégie d’entreprise, est ici employé à dessein. Ce choix n’est pas anodin. Il renvoie en premier lieu à un auteur majeur du management stratégique, Michael Porter, qui introduit cette notion dans son ouvrage Competitive Advantage : Creating and Sustaining Superior Performance, publié en 1985. Dans le contexte qui est celui de Porter, une chaîne de valeur désigne un ensemble d’activités distinctes mais interconnectées – des fonctions essentiellement opérationnelles – qui contribuent à la création de valeur au sein d’une entreprise donnée. Les processus analysés sont donc, au sens strict, internes à une organisation. De manière différente, le concept de "chaîne de valeur" tel qu’il est utilisé en économie industrielle revêt une portée plus générique. Il englobe l’ensemble des étapes productives, ainsi que les acteurs qui y prennent part, de l’amont vers l’aval, dans la production d’un bien ou d’un service. Dans cette acception, l’expression "chaîne de valeur" est largement synonyme de celle, plus courante, de filière industrielle.

Un autre terme, qui aurait à mon sens été plus adéquat, aurait pu être mobilisé : celui "d’écosystème d’affaires (business ecosystem)", au sens large que lui donne James F. Moore, dans son article fondateur : Predators and Prey : A New Ecology of Competition, publié pour la première fois dans la Harvard Business Review de mai-juin 1993. Empruntée à l’écologie – entendue comme l’étude des interactions entre les êtres vivants et leur environnement –, et par opposition à la notion de « chaîne de valeur », l’expression "d’écosystème d’affaires" désigne un ensemble étendu d’acteurs hétérogènes – pas uniquement économiques –, gravitant autour d’une innovation technologique ou d’une proposition de valeur commune, et dont les relations relèvent d’une logique systémique et co-évolutive, plutôt que linéaire et séquentielle.

Contrairement à une chaîne de valeur, qui analyse principalement des acteurs économiques engagés dans des relations productives et transactionnelles, l’écosystème d’affaires inclut également des acteurs étatiques, institutionnels et sociaux, qui participent à la structuration et à l’évolution du système de création de valeur. Dans cette perspective, l’écosystème d’affaires de l’IA générative ne comprendrait pas seulement des entreprises privées ou publiques, mais aussi des États, des organisations internationales, des institutions financières, des autorités publiques, des régulateurs, des organismes de normalisation, des universités, des centres de recherche, des communautés de développeurs, des associations, etc. C’est pourtant dans le cadre d’une approche en chaîne de valeur, caractérisée par la décomposition du cycle de production en trois moments – de l’amont vers l’aval –, et par l’identification des acteurs dominants à chaque niveau, que l’industrie de l’IA générative est appréhendée dans les travaux de l’Autorité de la concurrence.

Les acteurs de la chaîne de l’IA générative. – Lors d’un échange public avec Larry Fink, CEO du gestionnaire d’actifs américain BlackRock, tenu dans le cadre du Forum économique mondial de Davos le 21 janvier 2026, Jensen Huang, cofondateur et CEO de Nvidia, a qualifié la phase actuelle de développement de l’IA de platform shift, que l’on peut traduire par "changement" ou "basculement de plateforme". Par cette expression, il entend désigner un moment de transition technologique majeur, marqué par l’émergence d’une nouvelle génération de technologies dites fondationnelles, susceptibles de transformer en profondeur l’architecture informatique existante, ainsi que les usages et applications qui en découlent.

De façon très didactique, il compare ainsi la révolution actuelle de l’IA générative aux trois  précédents changements de plateforme qui ont jalonné l’histoire récente de l’informatique : 1) la révolution de l’ordinateur personnel (PC), qui n’a pas seulement vu apparaître un nouveau type de machines contrastant avec les environnements mainframe, mais également l’émergence d’un nouvel écosystème applicatifs symbolisé notamment par le système d’exploitation Microsoft Windows et les applications bureautiques ; 2) l’essor d’Internet, entendu comme une plateforme informatique globale hébergeant une multitude de services et d’applications interconnectés, avec le web, les moteurs de recherche, les services de messageries, les wikis, les forum de discussion, les blogs, le commerce électronique, ou encore, les réseaux sociaux ; enfin, 3) la convergence du mobile – smartphone, tablettes, boutiques d’applications –, et du cloud computing, avec la délocalisation du stockage et de la puissance de calcul via les architectures dites "SaaS" (Software as a Service) et les modèles économiques associés, qui a à nouveau redéfini les architectures techniques sous-jacentes. À chaque changement de plateforme, l’infrastructure informatique a été profondément repensée, et un nouvel écosystème applicatif s’est progressivement constitué.

Dans une perspective plus strictement industrielle, le dirigeant de Nvidia propose une représentation des plateformes d’IA générative sous la forme d’un "gâteau à cinq couches", permettant de décomposer la chaîne de valeur selon des niveaux fonctionnels distincts, mais strictement interdépendants. À la base de cet empilement technique se situe la couche énergétique, indispensable au fonctionnement de systèmes capables de traiter, en temps réel, des volumes massifs de données non structurées. La deuxième couche correspond aux composants matériels de calcul, et plus particulièrement aux processeurs spécialisés et aux unités de calcul massivement parallèles, segment sur lequel Nvidia occupe une position centrale, aux côtés d’autres acteurs tels que AMD, Intel, mais également TSMC ou ASML.

La troisième couche est constituée des infrastructures de cloud computing, qui fournissent les capacités nécessaires à la conception, à l’entraînement et au déploiement de systèmes d’IA à grande échelle. Elle correspond notamment au cœur de métier des grands fournisseurs de services cloud tels que Amazon, Google ou Microsoft. La quatrième couche regroupe les modèles d’intelligence artificielle proprement dits, auxquels le débat public tend aujourd’hui à réduire l’IA dans son ensemble. C’est à ce niveau qu’interviennent des entreprises spécialisées telles que OpenAI, Anthropic, Mistral AI, xAI — officiellement absorbée par SpaceX le 2 février 2026 —, ou encore Cohere.

Enfin, la cinquième et dernière couche, que Jensen Huang considère comme la plus déterminante à long terme, correspond à la couche applicative. On y trouve aussi bien des agents conversationnels tels que ChatGPT ou Claude, que l’ensemble des applications métiers et sectorielles fondées sur l’IA générative, qui constituent la partie la plus visible de ces technologies pour le grand public. Cette couche applicative repose de manière étroite sur l’ensemble des couches sous-jacentes, sans lesquelles aucun déploiement effectif ne serait possible. C’est également à ce niveau que se concentrent, selon le dirigeant de Nvidia, les attentes les plus fortes en matière de gains économiques et d’impacts sociétaux.

Le CEO de Nvidia estime enfin — et c’est là que l’ensemble de son analyse des dynamiques historiques et industrielles de l’IA générative prend pleinement sens — que l’humanité se trouve à l’aube du plus vaste déploiement d’infrastructures jamais entrepris. Celui-ci impliquerait des besoins en capitaux sans précédent, afin de soutenir à la fois l’augmentation des capacités de production énergétique, la conception et la fabrication de semi-conducteurs, ainsi que l’expansion des infrastructures de cloud computing nécessaires au développement et à la diffusion de systèmes d’intelligence artificielle d’une ampleur inédite.

La chaîne de valeur de l’IA générative, telle qu’analysée par l’Autorité de la concurrence, reprend plus ou moins, selon une lecture plus linéaire, une grande partie des cinq couches décrites par Jensen Huang. Elle procède toutefois à un regroupement partiel de ces dernières, en réunissant la deuxième et la troisième couche au sein d’une catégorie unique, qualifiée de composante infrastructurelle, englobant à la fois les ressources matérielles de calcul et les infrastructures de cloud computing. Dans cette version légèrement simplifiée, la chaîne de valeur de l’IA serait ainsi structurée, de l’amont vers l’aval, autour de trois grandes composantes complémentaires, qu’il est possible de subdiviser à leur tour en éléments plus élémentaires.

• Infrastructure : première composante, l’infrastructure, entendue ici au sens large du terme, dans la mesure où elle intègre l’ensemble des ressources matérielles, humaines et organisationnelles nécessaires à l’entraînement et au déploiement des modèles d’IA générative. Elle comprend : 1) la puissance de calcul (matériel informatique, services de cloud computing et supercalculateurs publics) ; 2) les données, depuis leur collecte jusqu’à leur nettoyage et leur traitement. Celles-ci peuvent être publiques et en accès libre, propriétaires — lorsqu’elles sont détenues par une entreprise ou une organisation privée — ou encore tierces et exploitées sous licence, par l’intermédiaire de fournisseurs de données spécialisés ou d’agrégateurs ; et enfin 3) la main-d’œuvre qualifiée.

• Modélisation : deuxième composante, le processus de conception et de fabrication du modèle à proprement parler. Elle comprend, dans l’ordre : 1) les phases de développement et d’entraînement des modèles de fondation dits "généralistes", qui peuvent être soit propriétaires — fermés et entièrement contrôlés par l’éditeur du modèle —, soit ouverts, accessibles et modifiables sous certaines conditions de licence (open source) ; 2) la phase de spécialisation ou d’ajustement des modèles de fondation, en vue de leur faire réaliser des tâches plus spécifiques et contrôlées (ce que les anglo-saxons désignent sous le terme de fine-tuning, et que l’on traduit en français par « réglage fin »).

• Déploiement : enfin, troisième composante, l’étape de mise en production des modèles préentraînés ou spécialisés dans un environnement applicatif donné, ainsi qu’à la commercialisation de services destinés aux utilisateurs finaux, qu’il s’agisse d’utilisateurs individuels ou d’entreprises. Les modèles d’IA générative peuvent être déployés et mis à disposition selon quatre modalités principales : 1) sous la forme d’agents conversationnels — ChatGPT, Gemini, Claude, Le Chat, etc. — avec lesquels un utilisateur final peut interagir directement, par écrit ou vocalement, via une interface minimaliste ; 2) par l’intermédiaire de connexions API (Application Programming Interface), permettant aux entreprises d’intégrer les capacités du modèle dans leurs propres produits et services ; 3) par le déploiement de ces modèles sur des infrastructures cloud, de type Microsoft Azure ou Google Cloud Platform, pour des usages internes à une organisation ; 4) par l’intégration de modèles d’IA générative au sein d’applications existantes, telles qu’un logiciel de retouche d’images (par exemple Adobe Photoshop), une suite bureautique (Microsoft 365) ou encore un CRM (Customer Relationship Management).

On peut par ailleurs observer que les auteurs de l’avis ne font aucunement référence à la couche énergétique mentionnée par Jensen Huang, alors même que celle-ci constitue aujourd’hui l’une des préoccupations majeures de l’ensemble des grandes entreprises technologiques engagées dans le développement et le déploiement de l’IA générative. Lors d’un échange public au Forum économique mondial de Davos avec Larry Fink, le 22 janvier 2026 — soit au lendemain même de l’intervention du dirigeant de Nvidia —, Elon Musk affirmait en effet que l’énergie électrique constituait, selon lui, le facteur limitant le plus critique pour le déploiement à grande échelle des systèmes d’intelligence artificielle. Son raisonnement reposait sur un constat simple : l’existence d’un décalage croissant entre, d’une part, l’augmentation rapide, voire exponentielle, des capacités de production de puces dédiées à l’IA et, d’autre part, la progression relativement modeste de la production mondiale d’électricité, estimée à environ 3 à 4 % par an. En d’autres termes, les avancées rapides de l’IA se heurtent désormais à une contrainte structurelle majeure : celle des capacités énergétiques disponibles.

C’est précisément dans ce cadre qu’il convient de comprendre l’annonce faite, le 2 février 2026, de l’absorption de xAI — la société d’intelligence artificielle fondée par Elon Musk, également propriétaire du réseau social X (ex-Twitter) — au sein de son entreprise spatiale SpaceX, en vue d’une introduction en bourse prévue en 2026. L’objectif explicitement affiché par Musk est le suivant : "construire des centrales photovoltaïques géantes, plus efficaces que sur Terre, combinées à des centres de données d’IA" (source : Le Monde, 3 février 2026). Il s’agirait, selon lui, du seul moyen de répondre, à long terme, à la demande mondiale d’électricité induite par la production de systèmes d’intelligence artificielle à grande échelle.

L’approche en termes de plateforme défendue par Jensen Huang, conjuguée aux remarques d’Elon Musk sur le coût énergétique de la mise à l’échelle de l’IA, met ainsi clairement en évidence la nécessité de prendre en compte le positionnement stratégique des différents acteurs au sein de la chaîne de valeur, ainsi que les logiques de dépendance, à la fois techniques et industrielles, qui la structurent. Tandis que certains acteurs, tels qu’Alphabet (Google) et Microsoft, sont présents sur l’ensemble de la chaîne de valeur de l’IA générative, d’autres, plus spécialisés, comme Amazon, Meta, Nvidia ou Anthropic, interviennent à des niveaux plus circonscrits, en fonction de leur positionnement stratégique et de leurs capacités technologiques, humaines et financières.

Une première partie sera ainsi consacrée à l’introduction générale et à l’analyse du rôle des grands acteurs historiques du numérique, dont les positions dominantes héritées contribuent à structurer en profondeur le développement du marché de l’IA générative. Une deuxième partie portera sur l’émergence de nouveaux acteurs plus spécialisés, dont les innovations participent à une reconfiguration des rapports de force, mais également des orientations stratégiques globales du secteur technologique, dans un contexte de platform shift. Enfin, une troisième partie visera à replacer l’ensemble de ces acteurs dans une lecture plus classique de chaîne de valeur, en distinguant les positions occupées à l’amont et à l’aval, et en s’inscrivant, dans une certaine mesure, dans la perspective industrielle introduite par Jensen Huang.