IA : avons-nous atteint une limite structurelle ?

Oui, l’intelligence artificielle a bel et bien atteint une limite structurelle. Pas une limite ponctuelle qu’il suffirait de contourner avec un peu plus de puissance de calcul, mais un plafond documenté sur plusieurs fronts à la fois. Les laboratoires eux-mêmes reconnaissent cette limite depuis 2024-2025.

Sommaire :

Le mur des données et des rendements décroissants

Le premier signal tient à la matière première elle-même. Les grands modèles de langage s’entraînent sur d’immenses volumes de texte produit par des humains, mais ce stock n’est pas infini. Selon les recherches d’Epoch AI, le volume de texte humain de qualité disponible sur le web pourrait devenir insuffisant pour continuer à alimenter l’entraînement des modèles dès la fin des années 2020, une échéance qui explique en grande partie la ruée actuelle vers les livres papier, seule source de texte encore garantie exempte de contenu généré par IA.

À cette pénurie s’ajoute un second phénomène, documenté cette fois sur l’efficacité même du procédé de scaling.

Ajouter davantage de paramètres et de données ne produit plus les gains spectaculaires observés au début de la décennie.

Différentes capacités plafonnent même à des tailles de modèle précises : les tâches de connaissance générale stagnent au-delà d’environ 30 milliards de paramètres, le raisonnement autour de 70 milliards, la génération de code après 34 milliards. Ilya Sutskever, cofondateur d’OpenAI, a lui-même déclaré fin 2024 que l’ère du simple accroissement de la taille des modèles touchait à sa fin.

Un plafond de fiabilité que les mathématiques imposent

Le deuxième front concerne directement la qualité des réponses produites. Des chercheurs d’OpenAI et de Georgia Tech ont démontré mathématiquement qu’un modèle de langage correctement calibré doit nécessairement halluciner à un taux minimal incompressible, un résultat qui n’est pas une simple observation empirique, mais une contrainte structurelle du fonctionnement même de ces systèmes. Concrètement, ces modèles sont entraînés à prédire le mot statistiquement le plus probable, ce qui crée une pression qui pousse à deviner plutôt qu’à admettre une incertitude, y compris sur des faits précis, mais peu représentés dans les données d’entraînement.

Cette limite se vérifie déjà dans les chiffres.

Sur certains benchmarks de référence, aucun modèle sorti en 2026 n’a réussi à dépasser les meilleurs résultats obtenus par des modèles commerciaux datant de 2024, alors même que les modèles les plus récents sont pourtant bien plus volumineux et coûteux à entraîner.

Sur des tâches complexes comme les conversations longues à plusieurs échanges, le taux d’erreur reste élevé, parfois jusqu’à 19 %, un chiffre qui n’a quasiment pas bougé malgré les efforts déployés pour le réduire.

Une bulle financière qui s’appuie sur des promesses non tenues

La troisième conséquence de cette limite touche directement au modèle économique du secteur, et elle est sans doute la plus préoccupante à court terme. Entraîner un modèle de pointe coûte aujourd’hui plusieurs centaines de millions de dollars, un montant que certains dirigeants du secteur anticipent voir grimper jusqu’à dix ou cent milliards de dollars d’ici 2027. Ces investissements colossaux ne se traduisent pourtant pas systématiquement par des revenus équivalents. OpenAI, par exemple, a enregistré près de 34 milliards de dollars de dépenses en 2025 pour environ 13 milliards de revenus, et l’entreprise n’anticipe pas d’atteindre l’équilibre en trésorerie avant 2029 au plus tôt, certaines estimations bancaires évoquant même 2030.

Ce déséquilibre entre dépenses et revenus nourrit les craintes d’une bulle spéculative comparable, dans ses excès, à celle des chemins de fer au 19e siècle ou à la bulle internet de la fin des années 1990. Selon l’OCDE, les entreprises d’intelligence artificielle ont capté plus de 258 milliards de dollars de capital-risque en 2025, soit 61 % du total mondial investi cette année-là, contre seulement 30 % trois ans plus tôt. Une concentration de capitaux qui repose largement sur la promesse de revenus futurs, alors même que les gains de performance des modèles eux-mêmes commencent à stagner.

Ce que cette limite force les laboratoires à changer

Face à ce triple plafonnement, les grands laboratoires d’IA ont commencé à réorienter leurs efforts vers d’autres leviers que le simple accroissement de la taille des modèles. Le principal changement concerne le moment où le calcul est dépensé. Plutôt que de tout miser sur un entraînement toujours plus massif, les laboratoires investissent désormais davantage dans le calcul mobilisé au moment même où le modèle répond à une question, à travers des architectures dites de raisonnement, qui font réfléchir le modèle étape par étape avant de produire sa réponse finale. Les analystes du secteur projettent qu’à terme, l’essentiel du calcul consommé par l’intelligence artificielle se fera à ce stade, plutôt que pendant la phase d’entraînement.

Cette bascule s’accompagne d’un travail plus fin sur la qualité des données plutôt que sur leur seul volume. A cela s’ajoutent un recours croissant à des données synthétiques soigneusement filtrées, ainsi qu’à des techniques d’entraînement plus efficaces. Reste que ce changement de stratégie ne résout ni la question du financement de ces recherches toujours plus coûteuses, ni celle du plancher structurel d’erreurs que les mathématiques semblent imposer à ces systèmes.