
Des modèles linguistiques puissants… mais limités
Ces dernières années, l’IA a été dominée par les modèles de langage de grande taille (LLMs). Entraînés sur des volumes massifs de données textuelles, ces systèmes excellent dans la prédiction du mot suivant, donnant naissance à des outils capables d’écrire, traduire, coder ou dialoguer avec une fluidité impressionnante.
Cette avancée est indéniablement transformative. Mais elle révèle aussi une limite structurelle.
Les LLM sont particulièrement performants pour compléter des motifs, mais ils ne possèdent pas de véritable compréhension interne du monde qu’ils décrivent. Ils répondent efficacement à des requêtes, mais peinent à raisonner sur des conséquences ou à agir de manière fiable dans des environnements complexes où l’erreur a un coût.
Dès lors que ces systèmes sortent du cadre textuel — pilotage de robots, gestion de chaînes logistiques, coordination de processus d’entreprise — la simple prédiction devient insuffisante. L’intelligence requise dépasse la corrélation : elle nécessite une modélisation du réel.
Les “world models”, nouvelle frontière stratégique
Les travaux récents de chercheurs comme Fei-Fei Li ou encore les réflexions issues des laboratoires industriels indiquent que les world models sont déjà en cours de déploiement.
Ces systèmes reposent sur une capacité clé : simuler des environnements et anticiper les résultats d’actions avant leur exécution. Une approche qui rapproche l’IA du raisonnement humain, fondé sur l’expérience et la projection.
Selon plusieurs analyses, cette évolution pourrait déclencher une nouvelle vague d’investissements massifs dans l’IA, en particulier dans les secteurs industriels, logistiques et robotiques.
Fusions-acquisitions : un cycle toujours en expansion
Le marché mondial des fusions-acquisitions (M&A) reste dynamique et pourrait atteindre 3 800 milliards de dollars en 2026, selon les projections de Tim Ingrassia.
Le cycle actuel, entamé il y a quatre ans, suit une trajectoire classique de six à sept ans. Et rien ne semble en mesure de l’interrompre à court terme.
Deux dynamiques structurantes émergent :
1. La montée en puissance de la “valeur terminale”
Les investisseurs évaluent de plus en plus les entreprises sur leur valeur future plutôt que sur leurs performances actuelles. L’IA, en bouleversant les modèles économiques, pousse les dirigeants à sécuriser leur avenir par croissance externe.
« Les entreprises ne peuvent plus se contenter d’exploiter leur activité : elles doivent acheter leur valeur future », résume Ingrassia.
2. L’effet d’entraînement des méga-deals
En 2025, les opérations supérieures à 10 milliards de dollars ont bondi de 24 %. Historiquement, ces transactions majeures annoncent des vagues plus larges.
Le phénomène est bien connu :
les grandes opérations entraînent les petites, dans un effet de contagion du marché.

Vers une volatilité accrue des marchés actions
L’essor de l’IA pourrait également transformer la dynamique des marchés financiers. Selon Vickie Chang de Goldman Sachs, la volatilité des actions pourrait augmenter à moyen et long terme.
Même en cas de hausse des marchés, l’incertitude liée à l’impact réel de l’IA sur la productivité et les valorisations pourrait alimenter des fluctuations plus marquées.
Cette configuration rappelle la fin des années 1990 :
une période où les valorisations, l’endettement et les attentes technologiques progressaient simultanément.
Aujourd’hui, les investisseurs devront arbitrer une question clé :
les gains attendus de l’IA justifient-ils les valorisations actuelles ?
Logiciels : la cybersécurité comme modèle d’adaptation
Le secteur du logiciel traverse une phase d’ajustement, confronté aux bouleversements induits par l’IA. Pour Gabriela Borges, les entreprises doivent s’inspirer du secteur de la cybersécurité.
Habituées à des menaces en constante évolution, ces sociétés ont développé une approche radicale de l’innovation, fondée sur :
- des cycles de R&D rapides,
- une forte capacité d’adaptation,
- et une stratégie disciplinée de fusions-acquisitions.
Plutôt que de lancer précipitamment des produits, elles privilégient l’intégration progressive de technologies innovantes, souvent issues de startups.
Autre enjeu clé : la réduction de la “dette technique”.
Des infrastructures logicielles obsolètes ou mal intégrées freinent l’adoption de l’IA et compromettent la compétitivité.





