Gouvernance et structuration de l’écosystème

Le développement de l’intelligence artificielle en France et en Europe suppose une organisation claire de l’écosystème. Cela passe par des relais territoriaux, des guichets spécialisés, des réseaux européens et des dispositifs de mutualisation permettant de partager l’expertise et d’assurer la cohérence des initiatives.

Recommandation n° 1 : Renforcer le rôle des réseaux locaux (CCI, CMA, pôles de compétitivité) dans l’information et la sensibilisation des entreprises à l’IA, avec une attention particulière concernant les TPE-PME, en s’appuyant sur les dispositifs existants, tels que le programme des Ambassadeurs IA, afin de mieux les mobiliser et de les valoriser.

Recommandation n° 2 : Structurer un dispositif intégré de transfert technologique en mobilisant et en adaptant les outils nationaux (Centres techniques industriels – CTI – et Instituts Carnot) et les infrastructures européennes (AI Factories), afin d’accompagner les PME, start-up et filières stratégiques dans l’appropriation et l’intégration des technologies d’intelligence artificielle grâce à investissement capital exigeant l’accès de ressources stratégiques et un environnement propice.

Recommandation n° 17 : Créer guichet unique dédié à l’intelligence artificielle au sein du ministère de l’Économie, pour faciliter l’accès des PME et start-up françaises à la commande publique et fluidifier le dialogue entre l’État et l’écosystème numérique.

Recommandation n° 3 : Encourager la constitution d’écosystèmes locaux associant entreprises, collectivités territoriales, centres de recherche et opérateurs de data centers, afin de mutualiser les compétences et de favoriser le développement de projets collaboratifs en intelligence artificielle.

Stratégie industrielle et souveraineté technologique

La maîtrise des technologies clés, le contrôle des infrastructures critiques et une régulation adaptée sont indispensables pour garantir la souveraineté numérique et industrielle de l’Europe, et protéger ses acteurs face à la concurrence mondiale.

Recommandation n° 4 : Face aux fragilités structurelles de l’écosystème européen et à la domination des hyperscalers étrangers, compléter les initiatives en faveur de modèles généralistes par un effort public renforcé sur le développement d’intelligences artificielles spécialisées dans des secteurs critiques (santé, défense, renseignement), afin de garantir la souveraineté technologique de l’Union européenne dans ces domaines.

Recommandation n° 10 : Élargir la doctrine des infrastructures essentielles développée par la Commission européenne, afin de garantir à tous les acteurs un accès équitable aux ressources critiques du secteur (GPU de dernière génération, clouds souverains, API d’IA générative).

Recommandation n° 22 : Poursuivre et intensifier les investissements dans le développement de supercalculateurs à l’échelle européenne, afin de garantir un accès élargi et souverain à la puissance de calcul pour l’ensemble des acteurs publics et privés de la recherche et de l’innovation.

Recommandation n° 23 : Inviter le Gouvernement et les opérateurs de supercalculateurs publics à établir des règles d’accès transparentes et non discriminatoires pour les acteurs privés, contre rémunération, en veillant à préserver la priorité d’usage réservée à la recherche académique, et à articuler cette démarche avec les initiatives européennes déjà existantes.

Recommandation n° 24 : Promouvoir une politique industrielle européenne de la puissance de calcul, en articulation avec la stratégie française, fondée à la fois sur un soutien financier accru aux centres de calcul de très grande échelle et sur une simplification des règles pour faciliter leur déploiement, notamment en matière d’énergie, de raccordement électrique et d’implantation.

Recommndation n° 25 : Émettre des obligations pan-européennes dédiées au financement des infrastructures critiques de calcul intensif, en particulier pour les besoins de l’IA et de l’énergie.

Recommandation n° 26 : Accroître significativement les investissements européens dans la puissance de calcul, en portant l’effort cumulé à 250 milliards d’euros pour la France à l’horizon 2028, puis entre 600 et 850 milliards d’euros pour l’Union européenne d’ici 2030.

Recommandation n° 27 : S’inspirer des AI Growth Zones britanniques pour instituer en France des zones d’accélération de l’intelligence artificielle, associant un accès prioritaire à l’électricité décarbonée (notamment nucléaire) à un régime administratif allégé pour l’implantation des centres de données (data centers) stratégiques tel un label « territoire IA souverain ».

Recommandation n° 28 : Assurer l’attractivité du territoire français pour l’implantation de centres de données, en prévoyant des mécanismes transparents de tarification ou des contrats à long terme pour garantir des prix compétitifs pour l’électricité bas-carbone, et en mettant en place une procédure de raccordement électrique accélérée.

Régulation de la concurrence et acquisitions stratégiques

Les règles de concurrence et les outils de contrôle doivent évoluer afin de prévenir les risques de concentration, de monopole ou d’éviction des acteurs européens par des entreprises non européennes, notamment dans le domaine des marchés publics et des acquisitions stratégiques.

Recommandation n° 5 : Inviter la Commission européenne à surveiller le développement des services d’intelligence artificielle accessibles à distance (Model as a Service) et, si les critères du règlement sur les marchés numériques (DMA) sont réunis, envisager la désignation de certains fournisseurs comme contrôleurs d’accès afin de garantir un accès équitable au marché.

Recommandation n° 6 : Mettre en place, au niveau européen, ou à défaut au niveau national, une obligation de notification pour tout rachat ou prise de participation par un acteur non européen dans les secteurs de l’intelligence artificielle et du cloud, incluant les opérations de type acqui-hire, afin de mieux protéger l’écosystème européen.

Recommandation n° 7 : Instaurer un mécanisme d’inversion de la charge de la preuve pour les acquisitions précoces dans les secteurs de l’intelligence artificielle et du cloud par des acteurs non-européens, afin d’imposer à l’acquéreur de démontrer le caractère proconcurrentiel de l’opération.

Recommandation n° 8 : Étendre le contrôle des concentrations au niveau national et européen aux stratégies d’acqui-hire dans le secteur stratégique de l’intelligence artificielle.

Recommandation n° 9 : À l’occasion de l’obligation d’information des concentrations prévue à l’article 14 du DMA, prévoir que les contrôleurs d’accès (« gatekeepers ») transmettent également à la Commission européenne la liste de leurs participations minoritaires dans des entreprises du même secteur que la cible, afin de permettre une détection plus précoce des stratégies d’éviction. (Autorité de la concurrence ([1]))

Recommandation n° 11 : Créer une procédure accélérée de contrôle concurrentiel spécifique à l’intelligence artificielle et au numérique, intégrée à l’Autorité de la concurrence.

Recommandation n° 12 : Renforcer l’efficacité de l’arsenal concurrentiel en relevant le plafond des amendes à 20 % pour les récidivistes et en privilégiant les remèdes structurels dans les cas de pouvoir de marché durable.

Recommandation n° 13 : Mettre en place un régime de présomption de conformité au droit de la concurrence afin de sécuriser et d’encourager la constitution d’alliances pro-concurrentielles entre acteurs européens de l’intelligence artificielle et du cloud.

Recommandation n° 14 : Introduire un principe général d’exclusion des marchés publics de l’Union européenne pour les opérateurs économiques et les productions issus de pays tiers n’ayant pas conclu avec l’Union un accord assurant une réciprocité effective d’accès à leurs marchés publics.

Recommandation n° 15 (proposition de votre rapporteure Emmanuelle Hoffman) : Accompagner et soutenir la mise en œuvre de la préférence européenne pour les technologies stratégiques (intelligence artificielle, cloud, robotique), en s’assurant qu’elle soit pleinement mobilisée par la France dans ses politiques d’achat public.

Recommandation n° 16 (proposition de votre rapporteur Antoine Golliot) : Accompagner et soutenir la mise en œuvre de la préférence européenne pour les technologies stratégiques (IA, cloud, robotique), en veillant à ce qu’elle soit pleinement mobilisée par la France dans ses politiques d’achat public et complétée par une préférence nationale assumée, valorisant prioritairement les solutions et acteurs français afin de stimuler l’innovation locale, de renforcer la souveraineté technologique et de créer un effet d’entraînement sur l’ensemble de l’économie.

Recommandation n° 18 : Programmer un calendrier ambitieux de révision des directives européennes sur la commande publique pour préciser et rendre effectif le principe de préférence européenne d’ici 2026.

Financement et investissements

Le développement de l’IA nécessite une mobilisation accrue des financements publics et privés. Cela suppose un assouplissement des règles prudentielles et la création de fonds spécialisés couvrant toutes les étapes de croissance des entreprises du secteur.

Recommandation n° 29 : Adapter les règles de Solvabilité II pour permettre aux assureurs d’investir plus facilement dans l’IA, en élargissant le régime des investissements de long terme (LTEI) aux fonds technologiques stratégiques, afin de mobiliser leur épargne au service de l’innovation tout en gardant des garanties de sécurité.

Recommandation n° 30 : Créer un fonds public-privé dédié à l’intelligence artificielle, cofinancé par l’État, Bpifrance et des investisseurs privés, et ouvert à l’épargne des particuliers via un placement de long terme bénéficiant d’un cadre fiscal incitatif.

Recommandation n° 31 : Créer un fonds national de co-investissement dédié aux scale-ups technologiques, capitalisé par des fonds publics et privés, et géré par des investisseurs professionnels, afin de renforcer l’offre de financement late-stage en France, notamment pour l’intelligence artificielle, et de limiter la dépendance de nos entreprises stratégiques aux capitaux extra-européens.

Recommandation n° 32 : Accélérer la réalisation de l’Union des marchés de capitaux, en harmonisant les règles prudentielles applicables aux investisseurs institutionnels et en renforçant la supervision intégrée des marchés financiers européens, afin de favoriser l’émergence de fonds de capital-risque paneuropéens capables de soutenir les start-up d’intelligence artificielle sur l’ensemble du cycle de croissance.

Recommandation n° 33 : Privilégier le fléchage des fonds non utilisés de NextGenerationEU vers le développement d’infrastructures d’intelligence artificielle et le soutien ciblé à des champions nationaux, tels que Mistral.

Recommandation n° 34 : Réintroduire une éligibilité des dépenses de propriété intellectuelle et de veille technologique au crédit impôt-recherche (CIR), pour les start-up et PME opérant dans des secteurs stratégiques à forte intensité d’innovation, tels que l’intelligence artificielle. Favoriser la rapidité des versements aux entreprises.

Compétences, formation et recherche

Le renforcement des compétences numériques et en intelligence artificielle, la diffusion des connaissances et le soutien à la recherche sont indispensables pour bâtir une société compétente et un tissu économique attractif autour de l’IA.

Recommandation n° 35 : Intégrer la sensibilisation et l’initation à la connaissance et à l’usage des outils de l’intelligence artificielle au socle commun de connaissances, de compétences et de culture, défini par le ministère de l’Éducation nationale.

Recommandation n° 36 : Assurer la pertinence des programmes et volumes horaires dans l’enseignement des mathématiques et des compétences numériques dans l’enseignement scolaire et l’enseignement professionnels, afin de préserver les compétences nécessaires au développement des usages de l’intelligence artificielle.

Sensibiliser et former les apprentis aux usages de l’intelligence artificielle.

Recommandation n° 37 : Poursuivre et développer les actions tendant à favoriser l’orientation des filles vers les filières scientifiques et numériques et à se spécialiser dans les métiers de l’intelligence artificielle.

Recommandation n° 38 : Prévoir et financer la recherche sur l’intelligence artificielle dans le cadre de la programmation pluriannuelle de la recherche, en créant éventuellement une action budgétaire spécifiquement consacrée à l’IA au sein des programmes 172 et 150.

Recommandation n° 39 : Examiner les simplifications du cadre administratif, budgétaire et comptable applicable aux projets de recherche portant sur le développement des usages de l’intelligence artificielle.

Recommandation n° 40 : Évaluer l’efficacité des titres et procédures destinés à faciliter l’accueil des scientifiques étrangers, afin de favoriser le recrutement des chercheurs et ingénieurs susceptibles de concourir au renforcement des capacités d’innovation en matière d’intelligence artificielle.

Dialogue social et intégration de l’intelligence artificielle en entreprise

L’intégration de l’intelligence artificielle dans le monde du travail exige un dialogue social renouvelé, permettant de négocier des accords adaptés et d’impliquer pleinement les instances représentatives du personnel.

Recommandation n° 41 : Instituer un fonds de transition numérique subordonné à des obligations de formation. Renforcer l’aide aux formations apportées par FranceNum et BpiFrance et spécifiquement destinées aux TPE-PME.

Recommandation n°42 : Veiller à la pleine intégration des besoins de formation inhérents au développement des usages de l’intelligence artificielle dans les orientations et financement des opérateurs de compétence. Consacrer l’adaptation de la formation des salariés à la technologie au sein des conventions d’objectifs et de moyens des opérateurs.

Recommandation n° 43 : Assurer la possibilité pour les salariés et les actifs de recourir aux dispositifs de validation des acquis de l’expérience et du compte personnel de formation pour l’acquisition des compétences nécessaires aux usages de l’intelligence artificielle.

Recommandation n° 44 : Favoriser la conclusion d’un accord national interprofessionnel ou l’actualisation des accords de branche, afin de créer les conditions d’une intégration optimale de l’intelligence artificielle dans les entreprises.

Recommandation n° 45 : Expliciter dans la loi l’obligation d’engager les procédures d’information et, le cas échéant, de consultation des instances représentatives du personnel dès l’engagement des projets reposant sur l’introduction de procédés technologiques appuyés sur l’intelligence artificielle, y compris au stade expérimental.

Recommandation n° 46 : Inclure l’introduction des nouvelles technologies appuyée sur l’intelligence artificielle dans le champ des négociations annuelles obligatoires, ainsi que dans la consultation du comité social et économique sur les orientations stratégiques de l’entreprise.

Établir un cadre juridique conciliant développement de l’intelligence artificielle et protection de principes et d’intérêts publics

Le développement des usages de l’intelligence artificielle dans la sphère marchande suppose un cadre juridique ouvert à l’innovation et permettant une régulation pertinente.

Recommandation n° 47 : Mener une évaluation périodique des conditions d’application des branches du droit national applicables aux usages de l’intelligence artificielle.

Recommandation n° 48 : Garantir l’effectivité du droit à réparation dans la transposition de la directive (UE) 2024/2853 du 23 octobre 2024 relative à la responsabilité du fait des produits défectueux. Veiller à l’adaptation si nécessaire des régimes de responsabilité sans faute en droit national au regard des spécificités de l’intelligence artificielle.

Recommandation n° 49 : Veiller à la cohérence des obligations découlant des instruments de droit susceptibles de régir le recours à l’intelligence artificielle et procéder à leur adaptation suivant la nouvelle approche réglementaire portée par la Commission européenne.

Recommandation n° 50 (Commission européenne): Établir et publier dès que possible les actes délégués et lignes directrices qu’implique le classement des systèmes d’intelligence artificielle.

Recommandation n° 51 (Commission européenne et États membres): Évaluer préalablement l’impact sur les charges administratives et financières des entreprises de l’adoption ou de la modification des actes délégués nécessaires à l’application du règlement (UE) 2024/1689 du 13 juin 2024.

Recommandation n° 52 : Favoriser la mise en place de bacs à sable réglementaires de l’intelligence artificielle autant que nécessaire dès la pleine entrée en vigueur du règlement (UE) 2024/1689 du 13 juin 2024.

Recommandation n° 53 : Procéder dans les meilleurs délais à la désignation d’une ou de plusieurs autorités nationales constituant le point de contact unique prévu par l’article 70 du règlement (UE) 2024/1689 du 13 juin 2024.

Recommandation n° 54 : Développer le réseau de l’initiative European Vision for AI et s’appuyer autant que nécessaire sur le réseau européen des entreprises afin d’assurer l’information des entreprises à propos de l’application du règlement (UE) 2024/1689 du 13 juin 2024. Y associer les chambres consulaires.

Recommandation n° 55 : Rendre opérationnel dès que possible un service assistance réglementaire aux entreprises au sein du Bureau de l’intelligence artificielle, afin d’accompagner les entreprises, en particulier les TPE/PME, dans la mise en œuvre du règlement (UE) 2024/1689 du 13 juin 2024.

Régulation, droit et protection des données

Le développement de l’intelligence artificielle doit s’appuyer sur une régulation adaptée, garantissant un accès sécurisé et mutualisé aux données, ainsi qu’une protection juridique efficace afin d’assurer confiance, sécurité et respect des droits.

Recommandation n° 19 : Accélérer l’adoption opérationnelle du label SecNumCloud, en facilitant les démarches de qualification et en incitant les acheteurs publics et privés à s’y référer.

Recommandation n° 20 : Rendre impératifs, dans le schéma EUCS (European Cybersecurity Certification Scheme for Cloud Services), les critères d’immunité aux lois extracommunautaires pour les données sensibles, et reconnaître un niveau de certification européen équivalent au référentiel français SecNumCloud.

Recommandation n° 21 : Faire de la certification EUCS, une fois adoptée avec des garanties de souveraineté effectives, un critère de référence dans les marchés publics européens, notamment pour l’hébergement des données sensibles.

Recommandation n° 56 : Renforcer l’acquisition par les entreprises d’une culture relative à la consolidation, à la valorisation et à la protection de leurs données, notamment en encourageant la poursuite et l’approfondissement des initiatives et actions de sensibilisation menées par les organisations représentatives et les réseaux professionnels.

Recommandation n° 57 : Renforcer le rôle des métiers spécialisés dans la gestion et la gouvernance des données au sein des entreprises, en développant la formation des professionnels et en élargissant les missions du délégué à la protection des données.

Recommandation n° 58 : Évaluer des conditions juridiques de la réutilisation des données et la nécessité d’un dispositif spécifique en rapport avec les exigences de la transformation numérique de l’économie et du développement des usages de l’intelligence artificielle.

Recommandation n° 59 : Encourager les dispositifs européens d’accès à des données dans un cadre mutualisé et sécurisé pour les entreprises susceptibles de contribuer au développement des usages de l’intelligence artificielle, telles que les usines et giga-usines d’intelligence artificielle et les installations sectorielles d’essai et d’expérimentation (TEF) de l’intelligence artificielle.

Recommandation n° 60 : Recourir autant que nécessaire aux bacs à sable réglementaires afin d’assurer la conciliation des exigences de la protection des données à caractère personnel avec l’encadrement juridique du développement des usages de l’intelligence artificielle.

Recommandation n° 61 : Assurer la pertinence des ressources humaines et moyens matériels de la Commission nationale au regard des effets du développement des usages de l’intelligence artificielle et de la pleine entrée en vigueur du règlement (UE) 2024/1689 du 13 juin 2024 sur l’exercice de ses missions de régulation et d’accompagnement.

Recommandation n° 62 : Prévenir la demande d’informations et de pièces redondantes pour la mise sur le marché de systèmes IA soumis au RGPD et au règlement (UE) 2024/1689 du 13 juin 2024. Examiner les conditions nécessaires à l’application du principe « Dites-le nous une fois » aux procédures de mise en conformité des systèmes d’IA relevant des deux règlements.

Recommandation n° 63 : Élargir et alléger les procédures simplifiées applicables aux demandes d’accès ou de constitution de bases de données de santé à caractère personnel ; rénover la procédure d’examen éthique et scientifique pour les études et recherches n’impliquant pas la personne humaine, dans une logique de subsidiarité vis-à-vis des comités éthiques et scientifiques locaux.

Recommandation n° 64 : Reconnaître en droit français la formation, les essais et l’évaluation d’algorithmes et de systèmes d’intelligence artificielle comme des finalités justifiant un traitement automatisé des données de santé à caractère personnel ou l’accès à des bases de données publiques existantes. Veiller à la cohérence des lois et règlements applicables au regard des dispositions du règlement (UE) 2025/327 du 11 février 2025.

Recommandation n° 65 : Établir une cartographie actualisée des bases de données de santé, en s’appuyant sur les outils développés par la CNIL et par des hubs sectoriels. En assurer la publicité auprès des porteurs de projets tendant au développement des usages de l’intelligence artificielle.

Recommandation n° 66 : Soutenir les initiatives visant à promouvoir une standardisation du format, de la présentation et des conditions d’accessibilité des données de santé.

Recommandation n° 67 : Développer le volume et l’accessibilité des données en langue française par la poursuite des projets et de nouvelles initiatives tendant à la valorisation des collections et données détenues par des administrations et institutions culturelles. Travailler à l’établissement d’un modèle de valorisation des œuvres respectueux du droit de la propriété intellectuelle et des intérêts afférants aux droits d’auteurs et droits voisins.

Recommandation n° 68 : Poursuivre le développement des dispositifs de l’Union européenne en faveur de la préservation de la diversité linguistique dans les données nécessaires au développement des usages de l’intelligence artificielle.

I. une technologie d’intÉrêt Économique majeur pour les entreprises BIEN QU’AUX PRÉMICES DE SA DIFFUSION

L’intelligence artificielle apparaît désormais comme une technologie stratégique, capable de modifier en profondeur l’organisation des entreprises, leurs produits et leurs modes de fonctionnement. Elle permet d’automatiser certaines tâches répétitives, d’appuyer le travail humain dans les fonctions les plus qualifiées et d’ouvrir de nouvelles perspectives d’innovation. À ce titre, elle constitue un levier important de compétitivité, dont l’impact pourrait être comparable à celui des grandes révolutions industrielles, invitant à repenser les bases mêmes de la croissance et de la productivité.

Toutefois, l’ampleur de cette transformation dépend encore largement des conditions concrètes de diffusion de l’IA. Dans les faits, malgré des avancées visibles dans certains secteurs et au sein de grandes entreprises, son adoption reste inégale et difficile à mesurer à l’échelle macroéconomique. Les bénéfices identifiés demeurent pour l’instant circonscrits à des périmètres limités, sans effet massif sur l’ensemble du tissu productif.

Cette période de transition souligne un double enjeu : tirer parti des opportunités économiques que représente l’IA, tout en créant les conditions d’une appropriation plus large, inclusive et effective dans l’ensemble du système productif.

A. une source d’innovations porteuses d’un profond renouvellement de l’activitÉ et des produits des entreprises

L’essor de l’intelligence artificielle (IA) ne constitue pas uniquement une avancée technologique : il marque une rupture systémique dans les modes de production, d’organisation et d’innovation des entreprises. Longtemps cantonnée à des usages expérimentaux, l’IA s’impose désormais comme un facteur clé de transformation économique, en révolutionnant les chaînes de valeur, en accélérant les cycles d’innovation, et en ouvrant la voie à de nouveaux modèles d’affaires. Son intégration progressive dans l’économie réelle préfigure un changement d’époque, comparable aux grandes révolutions industrielles du passé.

Ce basculement ne résulte pas uniquement de l’apparition de solutions logicielles plus puissantes. Il s’appuie sur l’émergence de véritables écosystèmes technologiques, portés par des entreprises innovantes, des infrastructures de calcul de nouvelle génération, et des dynamiques de financement massives. En France, cette dynamique est incarnée notamment par des acteurs tels que Mistral AI ou OVHcloud, qui ambitionnent de jouer un rôle moteur dans la redéfinition des équilibres technologiques mondiaux. L’émergence de start-up spécialisées dans les modèles de langage, les agents autonomes ou les applications sectorielles illustre la capacité du tissu économique national à innover et à se structurer autour de ces technologies de rupture.

Au-delà de l’offre technologique elle-même, l’IA bouleverse l’ensemble des secteurs d’activité, en permettant la création de nouveaux produits et services, en redéfinissant les métiers, et en induisant des gains d’efficacité souvent spectaculaires. De la santé à la défense, de la finance à l’agriculture, les cas d’usage se multiplient à un rythme soutenu, accélérant la transition vers une économie augmentée. Cette dynamique transforme non seulement les modes de production, mais ouvre aussi des perspectives inédites d’optimisation organisationnelle, avec l’apparition d’agents logiciels capables d’agir, de planifier et d’interagir de manière autonome. À travers l’IA, c’est donc une redéfinition profonde de l’activité économique qui s’amorce.

1. Une offre de solutions techniques à l’origine d’un nouveau secteur économique

a. Des concepteurs de logiciels et infrastructures français pouvant prétendre à une envergure mondiale : Mistral, OVH

Bien que l’Europe abrite des start-up prometteuses dans le domaine de l’IA, telles que Wayve au Royaume-Uni, DeepL et Black Forest Labs en Allemagne, et Poolside en France, aucune d’entre elles ne développe actuellement des modèles de langage de grande taille, c’est-à-dire des modèles d’usage général, hormis Mistral AI. La France se trouve donc dans une situation d’hégémonie sur le marché européen avec son champion national, Mistral AI.

Mistral, start-up fondée par un trio d’anciens chercheurs, Guillaume Lample, Timothée Lacroix et Arthur Mensch, s’est rapidement imposée comme le leader de l’IA en Europe. Valorisée à deux milliards d’euros en 2024 ([8]), Mistral incarne l’ambition d’une IA européenne souveraine et ouverte, indépendante des géants américains.

Depuis le recentrage stratégique de l’allemand Aleph Alpha ([9]), qui ne considère plus le développement d’un LLM européen comme un modèle économique suffisant et tenable à lui seul ([10]), Mistral s’impose comme la seule et unique start-up européenne développant un modèle de langage de grande ampleur avec une ambition de rang mondial.

Dans ce contexte, Mistral se distingue désormais nettement de ses concurrents européens selon les principaux indicateurs sectoriels : valorisation, levées de fonds, puissance de calcul et performances sur benchmarks publics. Mistral a effectué plusieurs levées de fonds, dont une de 600 millions d’euros (M€) en 2024 ([11]) et une à hauteur de 1 milliard d’euros (Md€) en 2025 ([12]) , là où son principal rival européen levait supposément ([13]) 467 M€ ([14]). Pour Thomas Knüwer ([15]) , qui a longuement enquêté et sollicité un à un les investisseurs cités dans les médias, « la taille réelle du cycle de ﬁnancement de série B d’Aleph Alpha est d’environ 100 millions de dollars, peut-être 125 millions de dollars. En échange, les investisseurs ont reçu environ 20 % des actions. Cela m’a été rapporté par une source qui a vu la feuille de conditions. La société serait donc valorisée entre 500 et 625 millions de dollars ». Bien loin de la start-up française Mistral AI, avec les 640 millions de dollars de ﬁnancement de série B qui valorisent l’entreprise 6 milliards de dollars en juin 2024. Cette dernière est désormais valorisée à 11,7 Md€ après avoir levé 1,7 Md€ ([16]).

Mistral AI dispose également de la flotte de GPU la plus importante en Europe. À l’occasion de VivaTech 2025, Mistral a annoncé un partenariat stratégique avec Nvidia concernant le déploiement de dix-huit mille GPU Grace Blackwell B200 dans un nouveau centre de données situé en Essonne et destinée à devenir la plus grande infrastructure dédiée à l’IA en Europe ([17]). Ce volume de ressources excède largement les capacités recensées chez les autres acteurs privés européens.

Bien qu’elle demeure un « petit poucet » face aux géants américains (OpenAI, Anthropic, Gemini) et chinois (DeepSeek, Ernie 4.5) en termes d’échelle, de financement et d’écosystème, Mistral AI progresse rapidement et s’affirme comme un acteur crédible à l’échelle internationale.

Sur le plan technique, les études récentes montrent que, bien qu’innovant, le modèle Mistral reste nettement en retrait par rapport aux modèles propriétaires comme GPT-4 ou Gemini, tant en matière de lisibilité, de raisonnement multimodal que de compréhension multilingue. Toutefois, les études universitaires publiées portent rarement sur les derniers modèles de Mistral (Mistral Large, Medium 3, Magistral), de sorte qu’il ne faut pas tirer de conclusions trop hâtives sur ses performances techniques.

Le modèle Mistral se distingue par des performances globalement inférieures à celles des leaders du marché de l’IA, comme GPT‑4, Gemini ou DeepSeek, avec un score de 1 252 dans le classement LMSYS Chatbot Arena publié dans le rapport AI Index 2025 ([18]). Il y occupe la dernière position parmi les modèles de référence évalués, avec un écart de plus de 130 points le séparant du modèle en tête (Gemini, 1 385).

Toutefois, sa présence même dans ce classement, aux côtés des géants de l’IA tels que Google, OpenAI, Meta ou Anthropic, témoigne de sa légitimité croissante sur la scène internationale.

Ce classement illustre par ailleurs une concurrence de plus en plus serrée entre les acteurs : l’écart entre les dix premiers modèles s’est réduit à moins de 6 points de pourcentage en un an, et les deux premiers ne sont désormais séparés que de 0,7 %. Le secteur devient ainsi de plus en plus compétitif, rendant chaque avancée technologique déterminante.

Évolution des performances des principaux modèles d’IA sur la plateforme LMSYS Chatbot Arena

Évolution des performances des principaux modèles sur LMSYS Chatbot Arena selon les fournisseur

Source : Standford University, The AI Index 2025 annual report, 2025.

Sur le plan des performances générales ([19]), Mistral se montre légèrement en retrait par rapport à ChatGPT et LLaMA sur l’ensemble des critères évalués. Il affiche une efficacité computationnelle de 78,4 %, inférieure à celle de ChatGPT (85,6 %) et de LLaMA (82,9 %), ce qui suggère un coût de calcul plus élevé à performance égale. Sa précision linguistique atteint 89,7 %, un score correct mais inférieur à ChatGPT (91,2 %) et LLaMA (90,5 %). Enfin, en matière d’alignement éthique, Mistral obtient 85 %, en retrait par rapport à LLaMA (87,1 %) et ChatGPT (88,3 %). Ces résultats soulignent que Mistral reste compétitif, mais moins optimisé sur les plans de l’efficience, de la rigueur linguistique et de la conformité éthique.

Résultats comparés des modèles d’IA en matière d’efficacité, de précision linguistique et d’alignement éthique

Source : Hou, G., & Lian, Q. (2024). Benchmarking of commercial large language models: ChatGPT, Mistral, and Llama, Shanghai Quangong AI Lab.

Plus précisément, plusieurs études récentes positionnent Mistral derrière les modèles propriétaires comme GPT-4o, Gemini 1.5 ou DeepSeek V3 en matière de performance sur les tâches complexes d’écriture, de raisonnement ou de compréhension multimodale.

Les résultats du tableau 7 d’une étude comparative des performances des LLM en matière académique ([20]) montrent que le modèle Mistral 7B présente une bonne capacité de reformulation sémantiquement fidèle, avec des scores de similarité atteignant 96,12 % avec ChatGPT, 94 % avec Qwen 2.5 Max, et 90 % avec Qwen 3 235B. Toutefois, il obtient un score nettement plus bas (85 %) lorsqu’il est évalué par DeepSeek v3, soit la performance la plus faible du corpus étudié. Cette variabilité suggère que Mistral reste moins constant que certains concurrents, dont les scores demeurent systématiquement au-dessus de 90 %.

Le modèle Mistral 7B affiche des performances modestes en matière de lisibilité et d’équilibre rédactionnel ([21]) particulièrement sur les tâches de paraphrase académique par rapport à ses concurrents internationaux. Il génère un nombre élevé de phrases jugées « très dures à lire » (152/179 selon Hemingway Editor), et obtient un score WebFX de 19,4 %, inférieur à ceux de Gemini 1.5 (22,2 %) ou de ChatGPT 4o mini (20 %), mais légèrement supérieur à DeepSeek v3 (14,6 %). Sa syntaxe est longue (23,4 mots par phrase en moyenne) et son score de lisibilité Grammarly reste moyen (16).

Enfin, sur des tâches de raisonnement visuel complexes, Mistral est également en retrait. Jegham, N., Abdelatti, M., & Hendawi, A. ([22]) concluent ainsi : « Comme l’illustre la figure 6, ChatGPT-o1 conserve la performance la plus équilibrée et la plus élevée à travers les différentes tâches, en affichant une précision constamment solide sans faiblesses notables dans une catégorie particulière. En revanche, des modèles tels que Pixtral 12B et Grok 3 présentent des performances plus inégales, excellant dans certaines tâches tout en rencontrant des difficultés dans d’autres. Pixtral 12B obtient des résultats relativement bons dans des tâches comme la compréhension de dessins animés et l’interprétation de diagrammes, mais sous-performe dans la détection de différences et l’appariement texte-image. ».

Comparaison de la précision de modèles d’IA sur diverses tâches (compréhension, repérage de différences, appariement texte-image…)

Source : Jegham, N., Abdelatti, M., & Hendawi, A. (2024). Visual reasoning evaluation of Grok, DeepSeek’s Janus, Gemini, Qwen, Mistral, and ChatGPT.

On pourrait objecter que les études disponibles présentent un biais d’évaluation, en ce qu’elles se concentrent majoritairement sur les performances des modèles en langue anglaise. C’est précisément pour pallier cette limite que l’étude Megaverse ([23]), l’une des plus complètes à ce jour, a été conduite, en proposant une évaluation systématique des capacités multilingues des modèles d’IA les plus avancés (GPT-3.5-Turbo, GPT-4, PaLM2, Gemini-Pro, Mistral, LLaMA2 et Gemma), à partir d’un ensemble homogène de jeux de données couvrant de nombreuses langues non anglophones.

L’étude précitée conclut que Mistral 7B reste significativement en retrait face aux leaders du marché comme GPT-4, Gemini-Pro ou PaLM2, notamment sur des tâches complexes de dialogue et de compréhension multilingue. Les auteurs concluent ainsi : « Nos expériences montrent que GPT-4 et PaLM2 surpassent les modèles Llama et Mistral sur diverses tâches, notamment pour les langues faiblement dotées, GPT-4 obtenant de meilleurs résultats que PaLM2 sur un plus grand nombre de jeux de données. » ([24]). Les performances de Mistral 7B (score moyen de 29,1) et de Mistral 7B Instruct (28,3) sur la tâche IndicXNLI montrent un net décrochage par rapport aux modèles propriétaires tels que GPT-4 (66,8) ou PaLM2 (44,5), confirmant ainsi leur relative faiblesse en compréhension multilingue, notamment sur des langues à faibles ressources.

Comparaison des performances de différents modèles

Source : Ahuja, S., Aggarwal, D., Gumma, V., Watts, I., Sathe, A., Ochieng, M., Hada, R., Jain, P., Ahmed, M., Bali, K., & Sitaram, S. (2024, March). Benchmarking large language models across languages, modalities, models and tasks. North American Chapter of the Association for Computational Linguistics (NAACL 2024).

Malgré des performances moindres selon les études récentes par rapport aux modèles propriétaires, la présence de Mistral dans ces méta-analyses universitaires constitue en soi un signe encourageant. L’entreprise est régulièrement comparée aux modèles les plus avancés d’IA à l’échelle mondiale, étant désormais perçu comme un acteur crédible sur la scène internationale. Le rapport 2025 de l’AI Index ([25]) publié par le Stanford HAI en témoigne : Mistral y figure aux côtés de GPT-4, Gemini, Claude ou DeepSeek.

 Dans un domaine où l’argent reste le nerf de la guerre, le moindre financement dont bénéficie Mistral face à ses rivaux explique en partie son retard technique. Mais cela rend d’autant plus méritoire sa présence dans les classements internationaux, tant ces derniers sont dominés par des acteurs soutenus par des capitaux colossaux.

Les investisseurs technologiques européens, dont l’inquiétude croît, craignent que son financement de 1,2 milliard ([26]) de dollars depuis son lancement, une somme considérable pour une entreprise française de sa taille et de son âge, reste insuffisant au regard des normes de la Silicon Valley. Ses plus grands rivaux américains disposent aujourd’hui de moyens dix fois plus importants.

Fonds levés par les principaux américains fournisseurs de LLM comparés à ceux de Mistral

Source : Financial Times, Has Europe’s great hope for AI missed its moment?, 30 janvier 2025.

Financièrement, les entreprises américaines et chinoises bénéficient d’un avantage écrasant : OpenAI a levé 6,6 milliards ([27]) de dollars, Anthropic 4 milliards ([28]), tandis que les acteurs chinois sont bien positionnés en raison d’un fort soutien public constant depuis 2017, que la DGTrésor ([29]) estime entre dix et quinze milliards de dollars par an.

La sortie du modèle de DeepSeek, début 2025, a provoqué une onde de choc dans l’écosystème mondial de l’intelligence artificielle. Présentée par la presse internationale comme un tournant stratégique, elle a suscité de vives interrogations sur la capacité des acteurs européens, en réalité Mistral, à se maintenir dans la course technologique. Le Financial Times ([30]) soulignait alors « Puis, cette semaine, un coup de froid est venu de l’est. La société chinoise DeepSeek a stupéfié la Silicon Valley en publiant un modèle open-source de pointe avec ce qu’elle affirme être une infime fraction des ressources et de la puissance de calcul d’OpenAI ou de Meta - battant ainsi Mistral à son propre jeu. ». Le journal résumait ainsi la situation “With DeepSeek, China innovates and the US imitates” ([31]).

L’effet de surprise provoqué par l’initiative chinoise, un acteur jusque-là méconnu qui propose un modèle open source à la pointe, prétendant l’avoir pré-entraîné pour le coût dérisoire de 5,6 millions de dollars ([32]), là où les géants américains consacrent des centaines de millions, voire des milliards de dollars à leurs technologies.

Pour Mistral, l’impact est d’autant plus marqué que l’entreprise française s’est construite sur un positionnement original : démontrer qu’il est possible de concevoir des modèles performants et open source tout en mobilisant des moyens financiers et matériels bien inférieurs à ceux de ses concurrents. Comme le relève le Financial Times ([33]), Mistral se distingue par une efficacité technique qui constitue un avantage comparatif dans un environnement dominé par des acteurs largement capitalisés. L’arrivée de DeepSeek tend toutefois à fragiliser cette stratégie, en laissant apparaître qu’un acteur chinois, revendiquant lui aussi des ressources contraintes, serait parvenu à s’imposer face à des concurrents européens et américains, entraînant au passage une correction boursière significative des valeurs liées à l’intelligence artificielle.

Cependant, à mesure que les analyses se sont approfondies, l’image d’une IA chinoise frugale commence à se fissurer. Le cabinet SemiAnalysis ([34]), démontre que derrière la communication initiale de DeepSeek révélait une réalité bien plus contrastée : l’entreprise aurait en réalité investi 1,6 milliard de dollars en matériel, incluant un parc estimé à cinquante mille GPUs Nvidia Hopper, bien loin des 2 048 GPUs et des quelques millions de dollars annoncés au départ. Ces chiffres suggèrent que DeepSeek avait délibérément mis en avant une vision simplifiée de ses coûts pour servir une stratégie d’influence plus que pour refléter une véritable rupture technologique.

Cette évolution de la perception redonne un éclairage plus nuancé sur la position de Mistral dans l’écosystème mondial. Si l’entreprise ne dispose pas encore des moyens financiers de ses rivaux américains ou chinois, elle conserve un modèle fondé sur l’efficacité, l’efficience et l’agilité. Comme le rappelait son co‑fondateur ([35]), cette contrainte peut même constituer un atout : « Si vous avez une puissance de calcul illimitée, vous finissez par faire beaucoup de choses inutiles. La nécessité est mère de l’innovation. ». Ce pragmatisme, allié à une volonté d’affirmer une souveraineté technologique européenne, confère à Mistral un rôle singulier dans un paysage dominé par des colosses financiers.

En juin 2025, Mistral a franchi une nouvelle étape stratégique en lançant Mistral Compute ([36]), sa propre plateforme de cloud dédiée à l’intelligence artificielle en vue de rattraper le retard européen la matière. Développée en partenariat avec NVIDIA, cette infrastructure repose sur des serveurs équipés de 18 000 GPU Blackwell de dernière génération et propose un écosystème complet de services IA (API, stockage et puissance de calcul) ([37]). Ce projet s’inscrit dans une dynamique plus large soulignée par Jensen Huang ([38]), PDG de NVIDIA, selon laquelle l’Europe connaît une accélération massive de ses capacités IA, avec la construction prévue d’au moins 20 data centers sur le continent dans les prochaines années.

L’ambition affichée par Mistral est double : réduire la dépendance européenne aux hyperscalers ([39]) américains et chinois, et offrir aux acteurs publics et privés européens un environnement conforme aux exigences de souveraineté des données. Intégrer verticalement l’infrastructure permettra à Mistral de mieux maîtriser la chaîne de valeur de l’IA.

Si le lancement de Mistral Compute peut sembler audacieux, il s’inscrit pourtant dans une dynamique stratégique déjà largement éprouvée par les géants du numérique. Amazon (avec AWS), Microsoft (Azure) et Google (Google Cloud) combinent depuis plusieurs années le développement de modèles d’intelligence artificielle et la maîtrise de l’infrastructure cloud, créant ainsi des synergies fortes entre leurs services. Pour Mistral, ce mouvement vers l’aval permettrait de mieux contrôler les coûts d’entraînement de ses modèles et de proposer un écosystème intégré et européens aux entreprises, renforçant ainsi son attractivité.

Toutefois, la manœuvre comporte des risques stratégiques et financiers pour l’entreprise : la construction et l’exploitation d’un cloud à grande échelle exigent des investissements colossaux et une expertise industrielle qui pourraient détourner des ressources de son cœur d’activité. Dans un marché où les hyperscalers bénéficient d’effets d’échelle inégalés, la capacité de Mistral à atteindre une masse critique sera déterminante pour que cette stratégie devienne un levier de compétitivité plutôt qu’un facteur de fragilisation.

En réalité, le lancement de Mistral Compute répond également à une demande croissante des entreprises et des acteurs publics européens en matière d’autonomie stratégique. Comme l’a récemment souligné Arthur Mensch, directeur général de Mistral, de nombreux groupes souhaitent réduire leur dépendance vis-à-vis des fournisseurs américains ([40]), et il existe des tensions autour de la souveraineté numérique. L’entreprise noue des partenariats stratégiques avec des acteurs clés en Europe. Par exemple, Mistral a conclu en avril 2025 un contrat de 100 millions d’euros avec le groupe CMA-CGM pour développer des systèmes d’intelligence artificielle sur mesure. D’autres clients prestigieux, tels que BNP Paribas, AXA, Stellantis et Veolia, ont également choisi de faire confiance à la start-up française. Ces engagements témoignent d’un intérêt réel pour des solutions européennes, en particulier dans des secteurs sensibles comme la finance, la logistique et l’industrie de défense, où Mistral coopère notamment avec la société Helsing, spécialisée dans les technologies de défense.

Toutefois, ce projet ambitieux reste circonscrit à un segment spécialisé (le cloud IA) et ne saurait masquer le retard structurel plus général de l’Europe dans le domaine du cloud. En effet, si la France peut encore espérer jouer un rôle significatif dans le domaine des modèles de langage avec des entreprises comme Mistral, la situation apparaît nettement plus défavorable dans le secteur du cloud computing (informatique en nuage) ([41]).

OVHcloud, souvent présenté comme le champion national et européen, est aujourd’hui très retrait face aux hyperscalers américains. Amazon détient 32 %, Microsoft 23 %, Google 12 % du marché mondial de l’IaaS ([42]) /PaaS ([43]) ; aucun autre acteur (y compris OVHcloud qui n’en représente qu’environ 0,5 %) ne dépasse 4 %([44]). La Chine, en revanche, ne joue pas le jeu de la concurrence mondial en matière de cloud. Les fournisseurs de cloud occidentaux y sont fortement limités et ne peuvent y concurrencer librement. Le marché chinois, suffisamment vaste, permet l’existence de plusieurs acteurs locaux de premier plan. Il est aujourd’hui dominé par Alibaba, Tencent, China Telecom et Huawei, et les dix premiers fournisseurs de services cloud sont tous des entreprises chinoises.

Classement des principaux fournisseurs de services cloud par région

Source : consultancy.eu, European IaaS and PaaS cloud market to double by 2028, 11 septembre 2024.

Le marché européen des services cloud est fortement concentré : les géants américains Amazon, Microsoft et Google détiennent à eux seuls 72 % des parts de marché ([45]). Face à cette domination, les fournisseurs européens peinent à rivaliser et ne représentent aujourd’hui qu’environ 13 % du marché régional, là où ils représentaient 27 % en 2017. À l’échelle européenne, les principaux fournisseurs locaux sont SAP, Deutsche Telekom et OVHcloud, chacun détenant environ 2 % de part de marché ([46]). Viennent ensuite Telecom Italia, Orange Business et une multitude de petits acteurs.

Parts de marché des fournisseurs européens cloud au sein de l’UE

Source : consultancy.eu, European IaaS and PaaS cloud market to double by 2028, 11 septembre 2024.

OVHCloud

Fondé en 1999 et établi à Roubaix, OVHcloud est aujourd’hui le principal fournisseur européen de services cloud. L’entreprise exploite 44 datacenters dans le monde, avec un parc de plus de 450 000 serveurs ([47]), et propose une gamme complète de services : infrastructures en tant que service (IaaS), plateformes en tant que service (PaaS), solutions de stockage et hébergement web. OVHcloud se distingue par une approche orientée vers l’open source ([48]) et une forte attention portée à la souveraineté numérique, matérialisée par des certifications telles que SecNumCloud et ISO 27001.

Cette domination américaine s’explique par plusieurs facteurs structurels : une avance historique en matière de datacenters hyperscale, une maîtrise technologique des couches logicielles, des capacités d’investissement annuelles de plusieurs dizaines de milliards de dollars, et un écosystème client intégré qui renforce leur effet d’échelle.

La dépendance massive des entreprises et institutions européennes vis‑à‑vis des géants du cloud américain constitue une vulnérabilité stratégique majeure. C’est d’ailleurs ce constat qui a conduit M. Mario Draghi, dans son discours devant la Chambre et le Sénat italiens le 18 mars 2025 ([49]), à plaider pour que les dépenses liées au cloud et à la cybersécurité soient intégrées dans le cadre des dépenses de défense européenne.

Selon les analyses développées par Gilles Babinet et Milena Harito ([50]), plusieurs facteurs structurels expliquent cet écart de compétitivité avec les États-Unis. D’une part, l’écosystème américain présente des caractéristiques culturelles et financières particulièrement propices à l’innovation : le capital-risque ([51]) y occupe une position centrale, alimentant massivement le financement des start-up spécialisées dans les applications cloud, tandis que les entreprises établies font preuve d’une agilité remarquable dans l’adoption des nouvelles technologies, contrastant avec la prudence généralement observée chez leurs homologues européennes.

D’autre part, l’intégration du marché intérieur américain confère un avantage d’échelle déterminant. Une entreprise technologique peut ainsi accéder directement à 350 millions de consommateurs, sans avoir à surmonter d’obstacles linguistiques, culturels ou réglementaires caractéristiques du marché intérieur européen. Cet effet de masse se révèle particulièrement stratégique dans le secteur des services numériques, où les coûts sont en grande partie fixes et où chaque client supplémentaire n’occasionne qu’un coût marginal quasi nul.

À l’inverse, la fragmentation du marché européen limite structurellement la capacité d’investissement et de mutualisation à l’échelle continentale. C’est précisément pour répondre à cette difficulté qu’est née l’initiative GAIA‑X ([52]), un projet européen lancé en 2020 pour structurer un écosystème de cloud fédéré, ouvert et souverain. Si cette initiative témoigne d’une prise de conscience stratégique, elle reste encore peu opérationnelle et n’a pas permis, à ce stade, d’enrayer la domination américaine.

b. Un écosystème dynamique de start-up développant des procédés et applications spécifiques

La France a vu son écosystème de start-up en intelligence artificielle (IA) croître très rapidement ces dernières années, au point de s’affirmer comme l’un des plus dynamiques en Europe. Selon le mapping 2025 de France Digitale ([53]), le pays compte près de 781 ([54]) start-up spécialisées dans l’IA (produits, services ou infrastructures), soit une augmentation d’environ 27 % par rapport à l’année précédente.

À titre de comparaison, l’Allemagne en recense 687 ([55]), ce qui confirme la place de leader européen (au sein de l’UE) de la France en nombre de start-up en IA. Ce dynamisme se vérifie également via la montée en puissance de champions technologiques : depuis le lancement de la stratégie nationale pour l’IA en 2018 ([56]), le nombre total de licornes ([57]) françaises a fortement augmenté pour atteindre 28 ([58]) en 2024, dont 16 ([59]) concentrées sur des offres valorisant l’IA, à l’instar de Dataiku, Mirakl, Owkin, etc. Malgré un contexte économique incertain, les start-up françaises spécialisées dans l’IA ont su attirer des investissements prépondérants, traduisant l’attractivité croissante de l’écosystème national.

Rapporté à la taille de l’économie française (environ 2,2 % ([60]) du PIB mondial en parité de pouvoir d’achat), le volume de financements captés par les start-up françaises d’IA représente environ 2,5 % des financements mondiaux ([61]) dans l’IA générative pour la période récente. Cette part, légèrement supérieure au poids économique du pays, témoigne d’une surperformance relative et d’une position stratégique de la France dans la course mondiale à l’intelligence artificielle. Depuis leur création, elles ont levé près de 13 Md€ ([62]), dont 1,4 Md€ en 2024 ([63]), contre seulement 556 M€ en 2018. Pas moins de 24 tours de table supérieurs à 100 M€ ont été réalisés cette année, soit 2,5 fois plus qu’en 2023 ([64]), un indicateur clair de leur maturité croissante. Ce dynamisme s’inscrit dans une vague mondiale : selon la Commission pour l’intelligence artificielle ([65]), les start-up d’IA générative ont levé 22 milliards de dollars en 2023 à l’échelle internationale, un montant qui souligne l’ampleur du phénomène.

Cette surperformance française s’explique par les atouts, en matière scientifique et technologique, qui renforcent son écosystème de start-up. De 2017 à 2024, la France a maintenu son septième rang mondial et son deuxième rang européen ([66]) en matière de publications dans le cadre des conférences scientifiques sur l’IA (derrière la Chine, les États-Unis, l’Inde, l’Allemagne et le Royaume-Uni). Au cours des auditions, cette excellence académique et en ingénierie a été confirmée à plusieurs reprises ; elle constitue un facteur d’attractivité pour les investissements étrangers et un puissant levier d’innovation. Depuis 2018, de nombreux grands groupes mondiaux ont choisi d’implanter ou d’étendre en France leurs centres de R&D en IA, comme le rappelait Yann Le Cun, auditionné par la mission, citant l’exemple de Microsoft et de Meta. Ce cercle vertueux (talents locaux de haut niveau, recherche de pointe et start-up innovantes) confère à l’écosystème français une visibilité internationale et un leadership européen. Paris s’impose d’ailleurs comme le hub principal avec environ 63 % ([67]) des start-up IA du pays localisées en Île-de-France.

En Europe (hors UE), le Royaume-Uni reste aujourd’hui le principal pôle de financement de l’AI (près de 6 milliards de dollars ([68]) levés en 2024, soit plus que la France et l’Allemagne réunies).

Infographic highlighting AI and non AI VC funding by European country in 2024 with the United Kingdom taken a significant lead.
Financements en capital-risque pour l’IA et hors IA
par pays en Europe (2024)

Cependant, la France se hisse en seconde position européenne pour de nombreux indicateurs et comble rapidement son retard. Comme explicité précédemment ([69]), le français Mistral AI est devenu en 2023-2024 l’un des premiers développeurs de modèles de langage européens, en levant plus d’1,6 milliard de dollars en un an pour rivaliser avec OpenAI. L’écosystème français connaît une dynamique de financement ascendante : en 2024, les start-up françaises d’IA ont pris la tête en Europe en levant plus de 1,3 milliard d’euros, soit près de 50 % ([70]) du total des investissements européens dans ce secteur.

Néanmoins, l’écosystème français demeure de taille encore modeste face aux superpuissances américaines et chinoises. Les entreprises d’IA établies aux États-Unis ont attiré près de 100 milliards de dollars de capitaux cumulés ([71]), soit davantage que le reste du monde combiné. La Chine investit aussi massivement ([72]) et fait émerger ses propres géants de l’IA. Ce rapport de force mondial impose à la France et à l’Europe de soutenir l’échelle de leurs start-up (scale-up ([73]) comme MistralAI) pour demeurer compétitives.

Malgré un écart de moyens financiers avec les leaders mondiaux, la France parvient à exceller dans certaines niches technologiques stratégiques, où ses start-up occupent parfois une place de leader mondial, voire de quasi-monopole technologique. C’est le cas dans le secteur de la défense, notamment pour les applications d’IA au renseignement et à la surveillance sous-marine. Par exemple, la société Safran.AI ([74]) (ex-Preligens), auditionnée par la mission et fondée en 2016, fournit des algorithmes d’IA capables d’analyser automatiquement d’immenses flux d’images satellite et de détection acoustique pour repérer des menaces ou des activités anormales est rapidement devenu comme l’un des leaders mondiaux de l’IA appliquée au renseignement géospatial. Faute de financements privés suffisants pour assurer sa croissance, Preligens a finalement été rachetée en 2024 par le groupe Safran ([75]) afin de préserver cette avance stratégique française. Ce rachat illustre à la fois l’excellence technologique locale et les difficultés à faire émerger un champion autonome ([76]) dans un secteur aussi sensible que celui du renseignement.

Toujours dans le domaine de la défense, Helsing AI, start-up allemande fondée en 2021 et active en France, en Allemagne et au Royaume‑Uni, s’est spécialisée dans les systèmes d’armes autonomes et l’analyse tactique par IA. Elle développe notamment des drones sous‑marins intelligents capables de patrouiller durant des semaines pour détecter navires et sous‑marins ennemis, dans une logique de « constellations mobiles de capteurs » offrant aux armées européennes une surveillance maritime inédite. En trois ans, Helsing est devenue l’une des start‑up d’IA de défense les plus valorisées en Europe (5,3 milliards de dollars fin 2024), après avoir levé 484 millions de dollars auprès d’investisseurs de premier plan. La France se positionne ainsi sur un créneau technologique de pointe, conférant un avantage stratégique aux industriels et forces armées qui maîtrisent ces solutions.

Au-delà du secteur militaire, l’écosystème français compte de nombreux champions technologiques de pointe dans des domaines civils variés. Par exemple, la start-up PhotoRoom, auditionnée par la mission, fondée en 2019, s’est imposée comme le leader mondial ([77]) de la génération d’images par IA pour l’édition photo. Son applicationpermet aux e-commerçants, aux photographes et aux particuliers d’améliorer automatiquement des photos de produits. Dans le domaine de l’imagerie médicale, Gleamer, auditionné par la mission, s’impose comme l’un des principaux acteurs européens de l’IA du secteur visant à faciliter et à fiabiliser le diagnostic des professionnels médicaux.

2. Cas d’usage de l’intelligence artificielle : vers une transformation différenciée des secteurs économiques

a. Dans le champ de la consommation : entre personnalisation, optimisation et recomposition des chaînes de valeur

Dans le domaine de la consommation, l’intelligence artificielle (IA) prédictive est aujourd’hui un levier essentiel pour les entreprises souhaitant optimiser leur chaîne logistique et leurs stocks ([78]). Ces systèmes reposent sur des algorithmes de machine learning capables d’analyser de vastes historiques de ventes, de données saisonnières, comportementales ou environnementales afin de générer des prévisions de demande très précises. Des revues universitaires récentes soulignent que ces technologies permettent de réduire les erreurs de prévision et d’améliorer la disponibilité produit, tout en diminuant les coûts d’inventaire ([79]).

Impact de l’IA sur les performances analytiques des magasins et l’optimisation des références produits

Source : Bharti, M. (2025). AI-driven retail optimization: A technical analysis of modern inventory management. International Journal of Advances in Engineering and Management (IJAEM), 7(2), 31–38.

Dans ce contexte technologique, des entreprises telles que Carrefour, auditionné par la mission, ou Cdiscount utilisent des modèles d’IA prédictive pour anticiper efficacement la demande. Carrefour déploie des algorithmes prédictifs, notamment via la plateforme SAP S/4HANA ([80]), pour optimiser ses prévisions de demande, réduire les ruptures et les pertes, ou encore optimiser ses stocks de manière proactive. L’optimisation des itinéraires de livraison, rendue possible par ces systèmes, contribue également à réduire les délais de livraison et les émissions de CO₂, tout en augmentant la satisfaction des clients.

Exotec, spécialisé dans les solutions logistiques automatisées avec ses robots Skypod, illustre une application concrète de l’IA dans la chaîne d’approvisionnement : combinant robotique avancée et algorithmes d’optimisation, l’entreprise permet aux entrepôts de gérer de manière fluide les flux ([81]), d’améliorer la précision des prélèvements et de réduire les délais de préparation. LOKAD, également auditionné par la mission, propose une approche disruptive de la supply chain (chaîne d’approvisionnement), en se spécialisant sur l’optimisation prédictive des chaînes d’approvisionnement. L’entreprise combine intelligence artificielle, statistiques avancées et cloud computing pour automatiser la prise de décision et maximiser la performance économique des supply chains.

Par ailleurs, l’IA s’applique aussi à l’analyse du comportement des consommateurs. En exploitant les historiques d’achat des clients, des enseignes comme Zalando ([82]) segmentent leurs audiences et génèrent des recommandations personnalisées. Ces systèmes accroissent à la fois le panier moyen et la fidélisation client, tout en améliorant l’expérience de navigation. Des publications universitaires ([83]) récentes montrent que l’intégration de l’IA et de la réalité augmentée dans la beauté permet d’améliorer l’intention d’achat et la fidélité des clients.

L’Oréal, acteur majeur du secteur, auditionné par la mission, met en œuvre des dispositifs de réalité augmentée couplés à l’IA (notamment via SkinConsult AI issu de ModiFace ([84])) pour proposer un diagnostic cutané personnalisé et un essayage virtuel de produits. Ces outils améliorent le taux de conversion en ligne, réduisent les retours produits et contribuent à une réduction des déchets, consolidant ainsi leur impact environnemental positif ([85]).

Des travaux universitaires spécifiques ([86]) (entre autres, celui de Malalur Rajegowda et al., 2024) présentent des systèmes immersifs combinant IA (réseau de neurones convolutionnel ([87]) ) et réalité étendue (XR) pour analyser les types de peau et recommander des produits avec une précision de classification de l’ordre de 93 %. D’autres études ([88]) mettent en évidence que les applications de réalité augmentée dans le maquillage et le soin (Virtual Try-On) favorisent une meilleure évaluation du produit et influencent positivement la décision d’achat des consommateurs.

Enfin, l’introduction de l’IA dans la R&D permet de traiter d’énormes volumes de données issues des avis clients et des tendances sociales. Cela soutient l’identification de nouvelles formulations, simule virtuellement l’efficacité des ingrédients, accélère le prototypage et réduit les erreurs expérimentales. Cette dynamique d’innovation s’accompagne également de nouveaux modèles d’expérimentation, intégrant à la fois l’IA, la modélisation 3D et les biomatériaux. La collaboration récente ([89]) de L’Oréal avec l’université de l’Oregon sur une peau bioprintée permettant un retour sensoriel est un exemple marquant de convergence entre innovation scientifique et technologie beauté, ouvrant la voie à des tests éthiques, personnalisés et plus efficaces.

b. IA et finance : une transformation en cours, entre promesses d’efficacité et défis de mise à l’échelle

Le secteur financier, en particulier la banque et l’assurance, se place à l’avant-garde de l’adoption de l’intelligence artificielle (IA). Alors que les entreprises de services financiers ont dépensé environ 35 milliards de dollars dans la mise en œuvre de l’intelligence artificielle en 2023, cet investissement devrait plus que doubler pour atteindre 97 milliards de dollars d’ici 2027, soit le taux de croissance le plus rapide parmi toutes les grandes industries, selon le Fonds monétaire international ([90]) ([91]). D’après une étude du BCG, la banque figure d’ailleurs aux côtés des fintech et du logiciel parmi les secteurs comptant la plus forte concentration d’entreprises « leaders » dans l’usage de l’IA ([92]) . Les acteurs français s’inscrivent dans cette dynamique, comme l’illustrent les initiatives de groupes auditionnés par la mission d’information, tels que BNP Paribas, Société Générale ou AXA, qui voient dans l’IA un levier stratégique de compétitivité et de transformation de leurs activités.

Dans le secteur bancaire, les cas d’usage de l’IA se multiplient à grande échelle. BNP Paribas ([93]), par exemple, intègre l’IA dans ses processus depuis 2016 et revendique déjà plus de 750 cas d’usage en production à travers ses métiers. La banque anticipe ainsi 500 millions d’euros de revenus additionnels d’ici fin 2025 grâce à l’intégration de ces solutions d’IA. De son côté, Société Générale ([94]) a également industrialisé l’IA dans ses opérations quotidiennes avec 300 cas d’usage en production, dont un quart vise directement à améliorer l’expérience client. Concrètement, ces applications couvrent toute la chaîne de valeur bancaire ([95]) : agents virtuels pour assister la clientèle, automatisation de la notation de crédit et de la conformité, recommandation personnalisée de produits financiers, optimisation des risques et détection de fraudes, etc. Par exemple, la banque de détail de Société Générale s’appuie sur des chatbots comme SOBOT (assistant en ligne) et ELLIOT (outil de sa filiale Boursorama automatisant plus de 70 % des demandes clients de bout-en-bout) afin d’offrir un service plus réactif tout en soulageant les centres d’appels ([96]).

De même, des algorithmes d’IA renforcent en arrière-plan la lutte anti-fraude ([97]) et le contrôle des transactions suspectes, protégeant ainsi les clients. Par exemple, Mastercard utilise un système d’IA appelé Decision Intelligence ([98]), qui analyse en temps réel jusqu’à 160 milliards de transactions par an. Ce système attribue à chaque transaction un score de risque en moins de 50 millisecondes, détectant les comportements inhabituels tout en réduisant de plus de 85 % les faux positifs ([99]), c’est-à-dire les blocages injustifiés de paiements légitimes.

L’essor récent de l’IA générative accélère encore ces usages : BNP Paribas a déployé en 2025 une plateforme interne de « LLM-as-a-Service » ([100]) pour donner à l’ensemble de ses entités un accès unifié et sécurisé aux modèles de langage avancés. Cette mutualisation technologique facilite le développement rapide de nouveaux cas d’usage (assistants virtuels internes, génération automatisée de documents, recherche intelligente d’informations, aide à la programmation, etc.), tout en assurant un cadre contrôlé et conforme aux exigences de sécurité bancaire.

À l’instar des banques, le secteur de l’assurance connaît lui aussi une adoption rapide de l’IA, avec des acteurs français de premier plan. Le groupe AXA, par exemple, a intégré l’IA dans l’ensemble de ses activités : plus de 400 cas d’usage ([101]) de la donnée et de l’IA ont été identifiés et déployés au sein de ses différentes entités, couvrant toute la chaîne de valeur assurantielle. Ces applications variées visent autant à améliorer la détection des fraudes qu’à affiner la tarification des primes, à fluidifier les parcours clients (par exemple, via des chatbots pour déclarer un sinistre) ou encore à anticiper les risques climatiques émergents (AXA Wildfire). Cette transformation repose sur d’importants investissements techniques et humains : AXA s’est dotée d’une équipe mondiale de 2 000 experts en data (données) et IA (dont 900 scientifiques dits data scientists), et a mis en place dès 2022 une académie interne pour former ses collaborateurs aux compétences data/IA. L’IA générative trouve également des cas d’usage concrets : AXA a développé « Secure GPT » ([102]), un assistant fondé sur Azure OpenAI, aujourd’hui accessible à 154 000 employés du groupe et déjà intégré dans 79 applications métier pour accélérer le traitement des réclamations, améliorer la souscription automatisée ou assister les interactions clients. Grâce à cette stratégie volontariste, AXA s’impose comme un leader international : le cabinet britannique Evident ([103]) a classé l’assureur au premier rang mondial en 2025 pour la maturité de son déploiement de l’IA. Plus largement, les grands assureurs européens comme Allianz ([104]) ou Generali ([105]) rivalisent d’initiatives en IA (prévention prédictive, indemnisation automatisée, etc.), tandis qu’aux États-Unis et en Asie, les groupes d’assurance investissent également massivement pour ne pas être distancés dans cette mutation numérique du métier.

Sur la scène internationale, les cas d’usage de l’IA en banque-assurance se multiplient de façon tout aussi spectaculaire, confirmant que les initiatives françaises s’inscrivent dans une tendance globale. Aux États-Unis, par exemple, la banque Bank of America a annoncé que son assistant virtuel Erica (l’un des premiers chatbots bancaires à large échelle) a franchi le cap d’un milliard d’interactions client ([106]) en à peine quatre ans, signe de l’engouement du public pour ces nouveaux outils numériques. D’autres grands groupes bancaires mondiaux, comme JPMorgan Chase ([107]) ou HSBC ([108]), ont investi dans des plateformes d’IA propriétaires couvrant des usages allant du conseil financier personnalisé à l’optimisation automatisée des portefeuilles et à la surveillance avancée des risques. Dans l’assurance, des groupes internationaux majeurs comme Zurich Insurance ([109]) opèrent aujourd’hui plus de 500 applications et outils d’IA en production ou en développement, couvrant des usages stratégiques (souscription intelligente, gestion proactive des sinistres, interface client augmentée, etc.).

Si le potentiel de l’IA est considérable pour la banque et l’assurance, ces secteurs doivent néanmoins relever plusieurs défis majeurs pour concrétiser pleinement ces gains. Un premier enjeu est la conformité réglementaire et éthique ([110]) : la finance est un domaine strictement régulé, et l’intégration d’algorithmes intelligents doit respecter des normes de transparence, d’équité et de protection des données. Les établissements français en sont conscients : BNP Paribas ([111]), par exemple, intègre la confidentialité dès la conception et s’est engagée à ne pas commercialiser les données personnelles de ses clients. L’IA Act encadre en partie les usages à risque (notation de crédit par exemple) ([112]).

Un deuxième défi est d’ordre organisationnel et humain : exploiter l’IA à grande échelle nécessite une transformation culturelle et un renforcement massif des compétences des collaborateurs. Au Royaume-Uni, un rapport récent de la Financial Services Skills Commission ([113]) souligne qu’environ 160 000 professionnels du secteur financier dans ce pays doivent être formellement requalifiés ou formés pour combler un écart de compétences estimé à 35 points de pourcentage entre l’offre et la demande de compétences liées à l’IA.

Enfin, bien que les projets pilotes en IA se multiplient, le retour financier réel reste rare : selon une étude du BCG ([114]), le ROI médian se situe autour de 10 %, et un tiers des dirigeants déclarent un impact limité ou aucun gain. La conclusion est que le retour sur investissement a lieu grâce à l’exécution pilote de ces cas d’usage.

c. Soigner mieux, soigner autrement ? Les promesses et les limites de l’IA dans le domaine de la santé

i. Un marché en expansion et une adoption croissante

L’intelligence artificielle (IA) en santé connaît une croissance exponentielle à l’échelle mondiale. Selon les projections, le marché global de l’IA médicale devrait passer d’environ 21,7 milliards de dollars en 2025 à plus de 110 milliards en 2030, soit un taux annuel de croissance proche de 38 % ([115]) ([116]). Au niveau international, l’AMA (American Medical Association) ([117]) rapporte que 66 % des médecins aux États‑Unis utilisent désormais l’IA dans leur pratique en 2024–2025 (contre 38 % en 2023) et que 68 % considèrent que l’IA apporte un avantage au soin. En France, cette dynamique s’accompagne d’une adoption de plus en plus large par les professionnels de santé. Plus d’un soignant français sur deux (53 %) déclare intégrer l’IA dans sa pratique quotidienne, signe que ces outils ne sont plus cantonnés aux laboratoires mais entrent dans la routine clinique ([118]).

Par ailleurs, les médecins se montrent très favorables à ces technologies selon Sanofi : 75 % d’entre eux soutiennent le développement de l’IA dans le secteur médical (contre 67 % de l’ensemble de la population) ([119]). Près de 70 % des médecins français se déclarent favorables à une collaboration avec l’IA dans la prise en charge, contre seulement 45 % des patients ayant confiance à son usage pour soigner ([120]). Une étude de Philip’s Future Health Index ([121]) indique que 63 % des professionnels de santé américains estiment que l’IA peut améliorer les soins, contre 48 % des patients, ce qui reflète une confiance plus marquée du corps médical dans cette technologie par rapport au grand public.

ii. L’IA présente à toutes les étapes de soins

Considérée comme un levier de transformation du système de santé, les cas d’usages de l’IA existent aujourd’hui à toutes les étapes du parcours de soins ([122]) : de la prévention et du dépistage précoce jusqu’au diagnostic, au traitement et au suivi des patients. Les médecins utilisent par exemple des algorithmes pour détecter plus en amont des pathologies difficiles à diagnostiquer (maladies rares, lésions peu visibles...), ou pour anticiper des risques ([123]) avant même l’apparition des symptômes. Dans le domaine du diagnostic, l’IA peut apporter une rapidité et une précision inédites : certaines applications d’analyse d’images médicales surpassent désormais l’humain en vitesse et en exactitude, par exemple pour interpréter des radiographies ou des scanners ([124]).

Concrètement, de nombreux champs médicaux bénéficient déjà de ces avancées, de l’oncologie (détection automatisée de tumeurs en imagerie) à l’ophtalmologie (dépistage de la rétinopathie diabétique), en passant par la cardiologie, la dermatologie ou la génomique. Des jeunes pousses françaises illustrent bien ces usages. Par exemple, Gleamer, auditionné par la mission, propose un copilote intelligent pour les radiologues : sa suite d’IA d’aide à l’interprétation des images médicales est déployée dans plus de 2 000 établissements à travers 45 pays, avec à ce jour 35 millions d’examens analysés et des certifications CE et FDA pour son module de détection des fractures osseuses ([125]). Dans le domaine de la prescription, la start-up Synapse Medicine ([126]), également auditionnée par la mission a, elle, développé une plateforme d’intelligence médicamenteuse qui aide les professionnels à sécuriser leurs prescriptions. En utilisant le traitement automatique du langage naturel, cet outil fournit des informations fiables sur les médicaments et permet de prévenir les erreurs de prescription (interactions, contre-indications, posologies inappropriées, etc.).

iii. IA et amélioration de la sécurité des patients

Les cas d’usage de l’IA s’étendent désormais jusqu’à l’acte de soin lui-même, contribuant notamment à la sécurité des patients. Dans les blocs opératoires, des systèmes prédictifs assistés par IA aident par exemple les anesthésistes et chirurgiens à prévenir des complications aiguës en cours d’intervention ([127]). Plusieurs hôpitaux, dont l’AP-HP et le CHU de Strasbourg, ont déployé un système d’IA capable d’anticiper les épisodes d’hypotension artérielle peropératoire ([128]), difficiles à détecter avec les moniteurs classiques. Au CHU de Strasbourg, un supercalculateur analyse en temps réel les données physiologiques du patient, les compare à une vaste base de cas et identifie les signaux faibles annonciateurs d’une chute de tension, permettant à l’équipe médicale d’intervenir avant qu’elle ne survienne et d’éviter ainsi un risque d’hypoxie des organes. Ce genre d’assistant intelligent agit comme un coéquipier supplémentaire qui renforce la vigilance humaine et réduit le risque de complications post-opératoires.

En dehors du bloc opératoire, l’IA peut assurer le suivi à distance et la télémédecine, au bénéfice des patients chroniques. La start-up française BioSerenity, par exemple, déploie des dispositifs médicaux connectés (électroencéphalographes mobiles et capteurs de paramètres vitaux) couplés à de l’IA pour aider au diagnostic et au monitoring en temps réel de diverses maladies chroniques, en particulier dans le domaine neurologique et les troubles du sommeil ([129]) ([130]). Grâce à ces solutions, un volume massif de données de santé peut être analysé de manière continue et fine, permettant de détecter plus tôt une dégradation de l’état d’un patient à domicile et d’intervenir préventivement. L’IA devient ainsi un outil transversal, présent de la planification de la prise en charge jusqu’à sa mise en œuvre, avec à la clé des soins plus sûrs et personnalisés.

iv. IA générative et découverte de nouveaux médicaments

L’IA de nouvelle génération joue également un rôle crucial en recherche pharmaceutique, où elle accélère la découverte de médicaments et la conception de molécules innovantes ([131]). Le développement d’un médicament est un processus long (plusieurs années) et coûteux, jalonné d’un fort taux d’échecs. Les modèles d’IA générative apportent ici un levier d’efficacité : ils peuvent tester virtuellement d’innombrables configurations moléculaires, prédire leurs propriétés pharmacologiques et aider à identifier de nouvelles cibles thérapeutiques, le tout bien plus rapidement que les approches traditionnelles.

En conséquence, laboratoires pharmaceutiques et start-up « TechBio » nouent des partenariats pour tirer parti de ces avancées. Un exemple emblématique est le partenariat signé fin 2023 entre la pharmaceutique Sanofi et la start-up française Aqemia ([132]) : Sanofi a signé un contrat de 140 millions de dollars avec Aqemia pour exploiter ses algorithmes inspirés de la physique quantique et son IA générative dans un objectif de découverte de molécules thérapeutiques et d’accélération de la recherche de nouveaux candidats-médicaments.

De son côté, Owkin est une start-up française fondée en 2016, spécialisée dans l’intelligence artificielle appliquée à la médecine, notamment via l’apprentissage fédéré, pour accélérer la recherche de traitements contre des maladies graves comme le cancer, en collaboration avec des hôpitaux et institutions de recherche. Ces alliances incarnent une tendance de fond : l’IA permet aux industriels de la santé d’innover plus vite et à moindre coût, tout en réduisant le risque d’échec, ce qui pourrait à terme raccourcir le temps d’accès des patients à de nouveaux traitements ([133]).

v. IA et santé mentale : suivi et prévention des troubles

Les professionnels de santé exploitent également l’IA pour améliorer la prise en charge de la santé mentale et le suivi des populations fragiles. Des start-up françaises émergent sur ce créneau. Par exemple, Emobot ([134]) est une start‑up MedTech française fondée en 2022, qui propose un dispositif reposant sur l’analyse continue des expressions faciales et de la voix via l’IA, afin de surveiller les troubles de l’humeur, notamment la dépression, et d’offrir des indicateurs objectifs utilisés par les médecins et industries pharmaceutiques.

L’IA, dans le domaine de la recherche, peut également aider à mieux comprendre et prévenir les troubles psychiques. Une étude française ([135]) menée par laboratoire Trajectoires développementales et psychiatrie (Inserm/ENS Paris-Saclay) et le Centre Borelli (CNRS/Université Paris-Saclay) a utilisé le machine learning sur un large ensemble de données cliniques, génétiques et d’imagerie afin d’identifier les signes avant-coureurs de troubles anxieux à l’adolescence. Ce travail pionnier a mis en évidence trois signes avant-coureurs les plus prédictifs dont la présence à 14 ans augmente significativement le risque de développer un trouble anxieux à l’entrée dans l’âge adulte. Ces résultats publiés dans Nature ([136]) ouvrent la voie à des dépistages plus précoces et ciblés des troubles mentaux grâce à l’IA.

vi. Obstacles et enjeux spécifiques de l’IA en santé

Malgré ses promesses, l’IA en santé fait face à des défis importants qu’il convient de relever pour une adoption pérenne et responsable. D’abord, la question des biais algorithmiques suscite une grande vigilance dans le milieu médical.

Des données d’entraînement inappropriées ou non représentatives peuvent conduire à des recommandations fausses ou inéquitables ([137]), ayant un impact disproportionné ou inapproprié sur certaines populations (personnes issues de minorités ethniques, femmes, personnes âgées, etc.). En particulier, une revue systématique récente sur les grands modèles de langage appliqués à la clinique montre que les biais y sont omniprésents ([138]) : disparités de performance selon l’ethnie, le genre, l’âge ou le handicap, pouvant conduire à de mauvaises recommandations thérapeutiques ou des diagnostics erronés.

Ensuite, l’explicabilité et la transparence des décisions de l’IA sont cruciales en médecine. L’opacité des décisions algorithmiques suscite une méfiance notable parmi les professionnels de santé. Selon un rapport du Parlement européen ([139]), le manque de transparence des systèmes d’IA est identifié comme un risque majeur, freinant leur adoption et compromettant la confiance des soignants et des patients. Une étude récente ([140]) en Europe a interrogé 115 professionnels de santé et révélé que la transparence réglementaire offerte par la réglementation européenne (AI Act 2024/1689) ne correspond souvent pas aux besoins réels des utilisateurs, rendant les dispositifs perçus comme des « boîtes noires » difficiles à accepter cliniquement. En outre, l’intégration de l’IA dans la pratique soulève des enjeux de protection des données de santé, qui sont parmi les plus sensibles ([141]).

Une étude récente ([142]) montre que les réponses générées par l’IA sont souvent perçues comme plus empathiques que celles de médecins humains, notamment dans des contextes de communication écrite. Ces résultats invitent à repenser la relation soignant‑patient, en envisageant l’IA comme un outil d’assistance qui renforcerait la qualité du dialogue médical tout en recentrant le médecin sur les dimensions humaines du soin.

d. Dominer, protéger, encadrer : l’IA au cœur des rapports de force dans la défense et l’aéronautique

L’intelligence artificielle (IA) est en passe de transformer en profondeur l’art de la guerre. Le conflit en Ukraine a illustré le rôle critique de l’IA dans le renseignement, l’emploi de drones autonomes et la cyberguerre ([143]). Face à cela, une véritable course aux armements en IA s’est engagée entre les puissances : les États-Unis, la Chine et, dans une moindre mesure, la Russie, investissent massivement dans le développement de systèmes militaires autonomes, de capacités de surveillance renforcées, et d’outils d’aide à la décision.

Les stratégies de défense américaines de 2018 et 2022 placent l’IA au cœur de la modernisation des armées, avec une intégration croissante dans des domaines tels que le renseignement, la logistique ou les opérations cyber ([144]) ([145]). Le Pentagone a créé le Chief Digital and Artificial Intelligence Office (CDAO) pour piloter cette transformation, et des projets concrets comme le drone MQ-9 Reaper ([146]) ou le programme Project Maven ([147]) illustrent l’intégration opérationnelle de ces technologies.

Une analyse révèle que le financement de l’innovation en matière de défense, dont une partie est consacrée à des projets d’intelligence artificielle, représentait 34 milliards de dollars du budget de sécurité nationale des États-Unis en 2022, soit environ 4 % du total ([148]). Les investissements non classifiés du Département de la Défense dans l’IA sont passés de légèrement plus de 600 millions de dollars en 2016 à environ 1,8 milliard de dollars en 2024 ([149]), avec plus de 685 projets d’IA actifs actuellement en cours.

La Chine, principal concurrent des États-Unis dans ce domaine, mise elle aussi sur l’IA pour atteindre son objectif de constitution d’une armée « de classe mondiale » ([150]) d’ici 2050. Son plan de développement de l’IA de 2017 ([151]) et l’importance croissante accordée à l’autonomie des systèmes militaires montrent une volonté claire de rivaliser avec les capacités américaines. Le manque de transparence budgétaire ([152]) rend les comparaisons difficiles, mais des analyses ([153]) suggèrent que l’Armée populaire de libération (APL) investit massivement dans l’intelligence artificielle, avec des montants qui pourraient égaler voire dépasser les dépenses du Département de la Défense des États-Unis. Par ailleurs, l’examen du budget de la défense chinoise indique que les dépenses réelles seraient supérieures de 40 % à 90 % aux chiffres officiellement annoncés, portant les dépenses totales estimées pour 2024 à environ 330 à 450 milliards de dollars ([154]), dont une part serait consacrée à la recherche et technologie (R&T).

La Russie, quant à elle, accuse un retard technologique ([155]) mais cherche à le combler via une stratégie nationale de l’IA et un plan militaire décennal ([156]). Elle mise sur l’autonomisation partielle de son matériel militaire (à hauteur de 30 %) d’ici fin 2025 ([157]), notamment dans le contexte de la guerre en Ukraine qui accélère l’intégration de technologies d’IA sur le champ de bataille. À l’instar de la Chine, les dépenses du budget militaire russe sont difficiles à évaluer ([158]).

L’Union européenne reconnaît de plus en plus l’intelligence artificielle comme un levier stratégique de puissance, tant sur les plans économiques que militaire, dans un contexte de montée en puissance des rivalités géopolitiques. Cette prise de conscience s’inscrit dans la volonté affirmée de renforcer l’autonomie stratégique et la souveraineté technologique de l’Europe, comme l’illustrent la Boussole stratégique adoptée en 2022 ([159]) et la stratégie industrielle de défense de mars 2024 ([160]). L’UE développe une approche intégrée fondée sur le renforcement de la base industrielle et technologique de défense européenne (BITDE), en créant des synergies entre innovation civile et militaire, notamment dans les technologies duales ([161]). Des instruments comme le Fonds européen de défense (EDF) ([162]) et le plan ReArm Europe ([163]) mobilisent d’importants moyens, jusqu’à 800 milliards d’euros ([164]), pour accélérer le développement de technologies critiques, dont l’IA, en privilégiant des projets communs et l’innovation de rupture.

Toutefois, malgré des avancées notables, les moyens alloués restent inférieurs à ceux de ses concurrents : l’ensemble des États membres consacre 14,4 milliards d’euros ([165]) par an à la R&D militaire, contre 130 milliards aux États-Unis ([166]). Les efforts européens souffrent encore de fragmentation, d’une faible coordination et d’une concentration excessive des dépenses sur quelques États. Des initiatives récentes, comme la plateforme STEP ([167]) ou l’allocation croissante de fonds aux technologies émergentes, témoignent néanmoins d’une dynamique ascendante. Les projets financés incluent des applications concrètes de l’IA en cybersécurité, systèmes autonomes, automatisation intelligente ou traitement linguistique, dans le respect du principe de contrôle humain significatif imposé par la réglementation du Fonds européen de défense.

Enfin, plusieurs voix ([168]) alertent sur les dangers de cette course à l’armement algorithmique, soulignant l’urgence d’un encadrement éthique et international afin de prévenir les dérives, de favoriser les usages civils de l’IA et d’éviter des scénarios de confrontation incontrôlée. L’article du MIT ([169]) estime qu’une course à l’IA entre les États-Unis et la Chine est dangereuse et inefficace, appelant à une coopération internationale pour encadrer les usages de l’IA, prévenir les dérives, et concentrer les efforts sur les grands défis globaux comme la santé, l’éducation ou le climat. Il insiste sur le fait que l’affrontement technologique affaiblit la stabilité mondiale et retarde les bénéfices que l’IA pourrait apporter à l’humanité.

L’essor de l’IA de défense s’accompagne de défis éthiques et géopolitiques majeurs. L’utilisation d’algorithmes dans des systèmes d’armes pose la question de la responsabilité, de la conformité au droit international humanitaire et du risque d’escalade incontrôlée si l’on réduit la supervision humaine. Les approches divergent : les États-Unis privilégient des lignes directrices souples favorables à l’innovation, tandis que l’Europe promeut une approche plus centrée sur l’humain, misant sur la fiabilité et la gestion des risques ([170]). Le Parlement européen, par exemple, reconnaît l’importance stratégique de l’IA militaire, mais appelle à interdire les armes létales autonomes échappant à tout contrôle humain.

Consciente de ces enjeux, la France s’est engagée depuis plusieurs années dans le développement de l’IA de défense. L’État a encouragé la recherche et les écosystèmes d’innovation (création d’instituts spécialisés 3IA en 2018, programmes d’accélération France 2030, etc.) et inscrit l’IA au cœur de sa stratégie de défense. Néanmoins, comparée aux puissances de feu américaines et chinoises disposant des géants du numérique, l’Europe ne bénéficie pas du même niveau de ressources technologiques et financières ([171]) . Pour compenser ce handicap, la France et ses partenaires misent sur des niches technologiques où ils peuvent exceller de manière souveraine, ainsi que sur une approche fondée sur la confiance et la transparence de l’IA ([172]). L’élaboration de solutions d’IA dignes de confiance (fiables, explicables, traçables) est perçue comme un moyen de se démarquer face à des compétiteurs parfois moins regardants, tout en évitant une dépendance stratégique à des technologies boîte noire ([173]) .

Cette stratégie porte ses fruits dans certains domaines pointus de la défense et de l’aéronautique où des start-up françaises occupent des positions mondiales de premier plan, voire de quasi-monopole technologique, malgré des moyens plus limités que leurs concurrents étrangers. C’est le cas, notamment pour les applications d’IA au renseignement et à la surveillance sous-marine. Par exemple, la société Safran.AI ([174]) (ex-Preligens), auditionnée par la mission et fondée en 2016, fournit des algorithmes d’IA capables d’analyser automatiquement d’immenses flux d’images satellite et de détection acoustique pour repérer des menaces ou des activités anormales ; elle est rapidement devenue l’un des leaders mondiaux de l’IA appliquée au renseignement géospatial. Faute de financements privés suffisants pour assurer sa croissance, Preligens a finalement été rachetée en 2024 par le groupe Safran ([175]) afin de préserver cette avance stratégique française. Ce rachat illustre à la fois l’excellence technologique locale et les difficultés à faire émerger un champion autonome ([176]) dans un secteur aussi sensible que celui du renseignement.

Toujours dans le domaine de la défense, Helsing AI, start-up allemande fondée en 2021 et active en France, en Allemagne et au Royaume‑Uni, s’est spécialisée dans les systèmes d’armes autonomes et l’analyse tactique par IA. Elle développe notamment des drones sous‑marins intelligents capables de patrouiller durant des semaines pour détecter des navires et sous‑marins ennemis, dans une logique de « constellations mobiles de capteurs » offrant aux armées européennes une surveillance maritime inédite. En trois ans, Helsing est devenue l’une des start‑up d’IA de défense les plus valorisées en Europe (5,3 milliards de dollars fin 2024 ([177])), après avoir levé 484 millions de dollars auprès d’investisseurs de premier plan.

Parallèlement, on distingue plusieurs catégories d’IA en contexte militaire : l’IA dite « faible » appliquée aux capteurs (images, sonars, etc.) pour fournir aux analystes des informations exploitables plutôt que des données brutes, l’IA générative qui, entraînée sur des masses de données textuelles, peut assister les états-majors en accélérant la rédaction de rapports ou l’analyse de renseignement, et l’IA d’aide à la décision stratégique qui agrège des données hétérogènes afin de suggérer des anticipations du comportement adverse ([178]).

Les armées ont intensément intégré ces technologies, tant pour optimiser les décisions en opérations que pour moderniser leurs processus internes. Par exemple, les systèmes équipés d’IA intégrés au véhicule blindé « Griffon » ([179]) permettent désormais à l’équipage d’identifier des cibles jusqu’à trois kilomètres, y compris en sous-bois, là où l’œil humain ne suffit plus. Dans le domaine de la guerre acoustique, l’IA trie efficacement les signaux pertinents, réduisant la charge cognitive des analystes de 98 %. Par ailleurs, l’application souveraine Rora ([180]), utilisée par la SIMMT, permet d’identifier instantanément des pièces détachées via une simple photo (même hors connexion), évitant erreurs logistiques et retards de maintenance. Dans la formation aéronautique, l’IA analyse les données de vol ou de simulation pour aider les instructeurs à repérer précocement les difficultés des élèves pilotes et à augmenter ainsi leur taux de réussite ([181]).

Elle contribue également à la lutte contre la désinformation, en détectant rapidement deepfakes vidéo ou audio qui visent les forces armées, facilitant ainsi l’alerte opérationnelle. Dans un contexte militaire américain, l’Army Research Laboratory (DEVCOM-ARL) a développé DefakeHop ([182]), une méthode légère de détection de fake vidéo/audio utilisable sur des dispositifs tactiques en opérations, capable d’identifier les contenus manipulés malgré les attaques adverses.

Pour surmonter les défis liés à la diversité et au volume croissant des données militaires ([183]), Safran (via Safran.AI) a développé des solutions d’IA optroniques (ACE), de consolidation multi‑capteurs (AI.STAR) et de surveillance satellite (GeoAI). Ces outils traitent des flux massifs : détection, classification, géolocalisation immédiate, réduisant des heures d’analyse humaine à quelques minutes.

L’intelligence artificielle transforme les systèmes d’armement, notamment à travers des programmes comme Project Maven ([184]) du Pentagone, qui utilise le machine learning pour analyser des images et accélérer le ciblage en opérations. Lors d’exercices récents, cette IA a permis de réduire de 90 % les effectifs nécessaires à une frappe d’artillerie, tout en doublant la cadence de ciblage. Si ces avancées augmentent l’efficacité opérationnelle, elles soulèvent aussi des enjeux éthiques majeurs : la perte de contrôle humain significatif, les biais algorithmiques et la difficulté à déterminer les responsabilités en cas de faute. Des chercheurs comme Feldman et al. ([185]) appellent à une régulation internationale encadrant les systèmes d’armes autonomes.

Enfin, au-delà de ces cas emblématiques, l’IA irrigue de plus en plus largement le secteur aéronautique français. Dans l’aviation civile par exemple, l’IA sert à l’optimisation des trajectoires de vol pour économiser le carburant, comme l’a démontré le modèle Constellation de Qantas ([186]), aboutissant à des gains de l’ordre de 2 %, soit environ 92 millions de dollars économisés en 2023. En parallèle, les compagnies utilisent la maintenance prédictive, combinant l’IoT, l’analyse de données et le machine learning afin de surveiller en temps réel l’état des moteurs et prévenir les pannes éventuelles. Des études universitaires et industrielles ([187]) ([188]) montrent que cette approche permet de réduire les coûts de maintenance et le temps d’immobilisation, tout en améliorant la disponibilité des avions. Enfin, des modèles de deep learning appliqués à la prévision de la consommation de carburant, comme celui évoqué par Jarry et al. ([189]), peuvent estimer celle-ci avec une erreur comprise entre 2 % et 10 % selon l’appareil, ouvrant la voie à une planification plus précise et économiquement efficiente.

L’intelligence artificielle irrigue désormais largement les activités d’Airbus et de Safran, tant dans l’aviation civile que dans le domaine militaire. En juin 2024, Safran a finalisé l’acquisition de Preligens ([190]), renommée Safran AI, afin de renforcer son expertise dans l’analyse d’images satellites et vidéo à usage civil, spatial et de défense. Cette acquisition vise à déployer des outils d’inspection numérique automatisée permettant d’augmenter la fiabilité, la sécurité et la rapidité des contrôles qualité en production aéronautique.

Chez Airbus, auditionné par la mission, l’IA s’est déployée selon plusieurs axes stratégiques. Sa plateforme Skywise ([191]), fondée sur le traitement automatique du langage naturel (NLP) ([192]) et le machine learning, est utilisée pour la maintenance prédictive dans l’aviation civile, réduisant les pannes et améliorant la disponibilité des avions. Dans le spatial, Airbus explore des systèmes d’IA intégrée capables de traiter directement à bord des images satellites. En outre, le groupe expérimente l’IA générative en interne ([193]) pour accélérer la conception de composants et améliorer l’efficacité administrative, notamment pour l’analyse automatisée de contrats ou la génération de documentation.

Dans le domaine militaire, Airbus développe le concept de « Wingman », un drone de combat autonome destiné à accompagner des avions pilotés sous commandement humain, en partenariat avec la start‑up européenne Helsing ([194]). Ce démonstrateur, présenté en 2024, illustre l’essor de l’IA coopérative dans les systèmes d’armes de nouvelle génération au sein du système de combat aérien du futur (SCAF).

e. Automatiser, optimiser, sécuriser : l’IA à l’épreuve des réseaux télécoms

Historiquement prudennts sur l’IA, les opérateurs télécoms français (Orange, SFR, Free, Bouygues) ont accéléré son adoption depuis 2020 sous l’effet de plusieurs facteurs. Dès 2020 ([195]), l’Arcep identifiait les interrogations des opérateurs télécoms concernant le recours à l’intelligence artificielle dans la gestion des réseaux, notamment en matière de fiabilité, de transparence des décisions automatisées et de rôle des techniciens. Depuis, plusieurs dynamiques ont levé les hésitations initiales : la 5G a considérablement accru la complexité des réseaux et la nécessité de les automatiser ; la crise énergétique de 2022 a renforcé la recherche d’efficacité énergétique, pour laquelle l’IA constitue un outil précieux ; enfin, la diffusion rapide des modèles d’IA générative à partir de 2023 a ouvert de nouveaux cas d’usage dans la relation client et l’assistance technique.

Ces facteurs combinés ont conduit les opérateurs à structurer davantage leur stratégie IA. En 2024, 65 % des opérateurs télécoms mondiaux avaient déjà une stratégie IA dédiée ([196]). Les réseaux produisant des volumes massifs de données, l’apprentissage automatique s’y est imposé pour détecter des tendances et anomalies impossibles à repérer manuellement ([197]). Aujourd’hui, l’IA est intégrée dans de nombreuses composantes des infrastructures télécoms, même si le secteur s’appuie surtout sur des modèles classiques de machine learning : d’après le World Economic Forum ([198]) (2025), les opérateurs télécoms disposent d’une expérience étendue en matière d’intelligence artificielle traditionnelle, tandis que l’IA générative fait encore l’objet de phases d’expérimentation, avec pour priorité en 2025 d’étendre les cas d’usage à l’échelle de l’organisation.

L’IA améliore la fiabilité et la performance des réseaux de télécommunication tout en réduisant les coûts d’exploitation.

Les opérateurs utilisent l’IA comme outil d’aide à la décision pour optimiser leurs investissements et améliorer l’efficacité de leurs réseaux mobiles ([199]). Des algorithmes de machine learning surveillent en continu l’état des équipements : ils détectent les comportements anormaux de composants critiques (batteries, systèmes de climatisation...) afin de prévenir des pannes avant qu’elles ne surviennent. Ces modèles analysent aussi le flot d’alertes techniques du réseau d’accès radio pour mieux anticiper les défaillances ([200]).

En parallèle, l’IA contribue à la maintenance prédictive ([201]) : en identifiant des signaux faibles dans le comportement des équipements, elle déclenche des interventions préventives, réduisant les incidents et les astreintes d’urgence. L’intelligence artificielle traditionnelle contribue depuis longtemps à la réduction des coûts et à l’amélioration de l’efficacité opérationnelle, notamment grâce à la maintenance prédictive. Selon Nvidia ([202]), près des deux tiers des professionnels de l’IA, issus des opérateurs de télécommunications et des fournisseurs de matériel ou de logiciels, déclarent avoir observé des économies liées à ces cas d’usage.

L’efficacité énergétique est un autre enjeu clé : grâce à l’IA, les opérateurs mettent en place des fonctionnalités green innovantes ([203]). Par exemple, des modèles prédisent le trafic sur chaque antenne mobile et peuvent désactiver dynamiquement des bandes de fréquences en heures creuses ([204]), sans dégrader le service. Ericsson rapporte qu’un opérateur (Far EasTone) a réduit de 25 % sa consommation énergétique quotidienne sur le RAN ([205]) grâce à une solution AI intégrée, prenant en compte la prédiction du trafic et la mise en sommeil dynamique des ressources peu occupées. Orange ([206]) a déployé une solution d’intelligence artificielle permettant d’optimiser la consommation énergétique de ses antennes mobiles en ajustant dynamiquement leur puissance selon le trafic observé, ce qui a permis, sur certains sites, de diviser par trois la consommation électrique sans dégrader la qualité de service.

Enfin, l’IA aide à la planification des capacités réseau ([207]) : Orange a déployé sa solution Smart Capex ([208]), qui exploite des algorithmes de machine learning pour analyser en temps réel le trafic utilisateur, la consommation énergétique et les données environnementales, afin d’orienter les investissements réseau vers les zones présentant le plus fort besoin en capacité.

Au-delà des infrastructures, l’IA assiste les équipes terrain et améliore l’expérience client. Les techniciens profitent de la vision par ordinateur ([209]) pour contrôler la qualité des installations. Par exemple, SFR analyse chaque mois plus de 5 millions de photos ([210]) de ses déploiements fibre via un outil d’IA visuelle (Deepomatic), ce qui garantit la conformité des raccordements et la qualité du réseau fixe pour les abonnés. Des expérimentations combinent même réalité augmentée et reconnaissance d’images pour guider les techniciens en temps réel, rendant les interventions plus sûres et efficaces ([211]). En outre, certaines défaillances réseau peuvent désormais être diagnostiquées à distance grâce à l’IA, évitant l’envoi de techniciens en situations dangereuses (par exemple l’inspection de pylônes) ([212]).

Côté utilisateurs, les opérateurs intègrent l’IA générative dans la relation client. Des modèles de langage (LLM) assistent les conseillers clients en analysant instantanément les conversations et en suggérant des réponses pertinentes. SFR a déployé en 2024 l’IA générative Gemini de Google via la plateforme Vertex AI ([213]) pour épauler ses centres d’appels : l’outil comprend les demandes des clients et fournit aux agents un support en temps réel, ce qui accélère la résolution des requêtes et améliore la précision des réponses. L’opérateur estime pouvoir ainsi traiter plus de deux millions de dossiers supplémentaires par an via les canaux digitaux, en réduisant drastiquement les délais de traitement. De même, Orange et SFR explorent l’usage de LLM internes pour aider les ingénieurs à interroger les bases de connaissances techniques ([214]) (procédures d’installation, protocoles de résolution d’incident), ce qui facilite et fiabilise la résolution des pannes complexes. Ces apports de l’IA permettent aux opérateurs d’améliorer la satisfaction client (par la réduction des temps d’attente et d’indisponibilité), tout en libérant les employés des tâches routinières pour se concentrer sur des activités à plus forte valeur ajoutée.

Conscients de l’enjeu, les opérateurs télécoms s’allient avec les pépites technologiques pour rester à la pointe de l’innovation. Orange a ainsi annoncé en 2025 un partenariat stratégique avec la start-up française Mistral AI, afin de développer des algorithmes avancés et de préparer les réseaux de demain, notamment via une collaboration en recherche et développement (R&D) sur l’effet du déploiement massif de l’IA et l’adaptation des infrastructures (GPU en périphérie, gestion intelligente du trafic) ([215]). Bouygues Telecom ([216]), de son côté, a noué un accord avec Perplexity AI, offrant un accès gratuit à son assistant de recherche pendant un an. Free propose quant à lui 12 mois offerts au chatbot Le Chat Pro de Mistral AI dans ses forfaits mobiles. À l’international, Vodafone s’est associé à Microsoft ([217]) pour intégrer l’IA générative à ses services numériques. Cette effervescence partenariale témoigne d’un secteur en mutation, où opérateurs de télécommunication et entreprises d’IA conjuguent leurs atouts (la puissance des réseaux d’un côté, les avancées algorithmiques de l’autre) pour innover plus vite.

L’impact de l’IA sur la qualité et la résilience des infrastructures numériques est stratégique. À l’avenir, la convergence de l’IA et des réseaux pourrait ouvrir de nouveaux services différenciants ([218]) : par exemple, allouer à la volée une qualité de service premium sur le réseau 5G pour un usager le demandant. Selon Ericsson ([219]), lors d’un essai réalisé avec le groupe taïwanais Far EasTone dans le cadre de la 5G‑Advanced, il a été démontré qu’un système d’allocation dynamique de ressources QoS piloté par l’IA permettait de proposer une voie rapide sur demande à certains utilisateurs, notamment dans des contextes de forte affluence comme un concert.

Enfin, selon GSMA Intelligence ([220]), plusieurs freins structurels ralentissent l’adoption à grande échelle de l’intelligence artificielle dans le secteur des télécommunications. Le principal obstacle identifié concerne les enjeux de cybersécurité, cités par 49 % des répondants, ce qui reflète une inquiétude croissante face aux risques liés à l’intégration d’outils algorithmiques dans des infrastructures critiques. Viennent ensuite les préoccupations liées à la confidentialité des données et aux considérations éthiques (41 %), qui renvoient à la difficulté de concilier innovation et respect des principes de souveraineté numérique. Les limites des infrastructures informatiques (38 %) freinent également le déploiement de solutions avancées, notamment en matière d’IA embarquée ou de traitements en périphérie de réseau. La pénurie de talents spécialisés (34 %), la qualité et la complexité des données disponibles (30 %), ainsi que les contraintes réglementaires (28 %) complètent ce panorama.

Principaux freins à l’adoption de l’intelligence artificielle Dans le secteur des télécommunications

Source : GSMA intelligence, Telco AI : State of the Market, Q4 2024, Janvier 2025.

L’IA dans le droit : un outil d’assistance stratégique ou un facteur de rupture pour les professions juridiques ?

L’intelligence artificielle (IA) s’est imposée ces dernières années dans le secteur juridique, particulièrement depuis l’essor des modèles de langage et agents conversationnels comme ChatGPT en 2022. De nombreuses legaltech ([221]) , comme DAstra, Legalvision, Doctrine ou Avocalc, ont émergé et des outils juridiques propulsés par l’IA (générative ou prédictive) se multiplient, automatisant des tâches jusqu’alors chronophages ([222]) : gestion documentaire (classement, vérification de conformité de documents), rédaction et relecture de contrats à partir de modèles prédéfinis, recherche d’informations dans les textes de loi et la jurisprudence, détection d’anomalies dans des dossiers ([223]), etc. Ces usages, déjà expérimentés par certains professionnels, témoignent du fort potentiel de l’IA pour augmenter la productivité des juristes en les déchargeant de tâches répétitives.

L’automatisation permise par l’IA offre en effet aux avocats, notaires, juristes d’entreprise ou conseils en propriété industrielle des gains de temps significatifs, leur permettant de se recentrer sur des missions à plus forte valeur ajoutée telles que la stratégie, le conseil personnalisé ou le contentieux. Selon le rapport du Sénat ([224]), l’utilisation de l’IA générative pourrait faire gagner jusqu’à 90 minutes par dossier aux notaires. LexisNexis ([225]) notait que près de 4 professionnels du droit sur 5 estiment que les outils d’IA générative renforceront leur efficacité. De même, le Conseil national des barreaux (CNB), comme il le rapportait à la mission, anticipe une hausse de la productivité dans les cabinets d’avocats grâce à ces outils, et plusieurs cabinets témoignent ([226]) déjà d’un avantage compétitif à recourir quotidiennement à des IA comme support à la recherche juridique. Les legaltech françaises l’ont bien compris : l’éditeur LexisNexis a investi 20 millions d’euros en 2022 ([227]) pour intégrer l’IA dans ses services, et des solutions telles que GenIA-L (Lefebvre Dalloz), Doctrine ou Predictice proposent respectivement de la recherche jurisprudentielle assistée par IA, des résumés de références juridiques mis à jour, ou encore de l’analyse prédictive des décisions de justice.

Des études récentes confirment que l’intelligence artificielle génère un gain de productivité réel sans pour autant menacer massivement l’emploi juridique. Une enquête de Thomson Reuters ([228]) indique que l’IA pourrait libérer 4 heures de travail par semaine par professionnel, soit l’équivalent de 100 000 dollars de recettes facturables supplémentaires par avocat aux États-Unis. Une étude empirique publiée en avril 2025 ([229]) compare les modèles de langage aux réviseurs humains dans le domaine de la facturation juridique : les LLM atteignent jusqu’à 92 % de précision, contre 72 % pour les professionnels expérimentés, avec des temps de traitement de moins de 4 secondes par facture au lieu de plusieurs minutes, et des coûts moindres de 99,97 %.

g. L’IA au champ : une révolution en germe entre promesse technologique et réalités agricoles contrastées

À l’échelle mondiale, l’adoption de l’intelligence artificielle en agriculture reste majoritairement embryonnaire malgré une croissance rapide du marché. En 2024, le marché global de l’IA appliquée à l’agriculture était estimé entre 1,8 et 4,7 milliards de dollars, avec des projections jusqu’à 12,5 milliards de dollars d’ici 2034–2035, selon le Market Resarch report ([230]), soit un taux anticipé de croissance de 18,95 % par an.

En 2024, les États-Unis détenaient la plus grande part du marché de l’IA générative appliquée à l’agriculture ([231]). Un rapport publié en 2023 par le Département de l’Agriculture des États-Unis (USDA) ([232]) indique que plus de 50 % du maïs, du coton, du riz, du sorgho, du soja et du blé d’hiver sont semés à l’aide de systèmes de guidage automatisés. Cette position dominante s’explique par une infrastructure numérique avancée et une adoption précoce de l’intelligence artificielle. Les principales entreprises d’agritech y investissent massivement dans la recherche et le déploiement de solutions basées sur l’IA. L’agriculture de précision y est largement mise en œuvre, notamment sur de vastes exploitations commerciales. Par ailleurs, les financements publics et les partenariats privés continuent de stimuler l’innovation dans ce domaine.

La Chine mène une transition planifiée : un plan quinquennal (2024‑2028) ambitionne de digitaliser massivement l’agriculture via big data, GPS et IA pour améliorer la productivité et la sécurité alimentaire déficitaire malgré une production de plus de 700 millions de tonnes ([233]). Malgré cela, le modèle chinois d’exploitations agricoles très fragmentées (fermes de petite taille) freine encore l’adoption à grande échelle, même si des progrès sont confirmés en développement de l’agriculture de précision ([234]).

Marché de l’IA générative dans l’agriculture : tendances régionales

2025-2033

Source : Grand View Research, Generative AI In Agriculture Market Size, Share & Trends Analysis Report By Technology, By Application (Precision Farming, Livestock Management, Agricultural Robotics & Automation, Weather Forecasting), By Region, And Segment Forecasts, 2025 – 2033, 2025.

Toutefois, les données fiables sur l’adoption des technologies sont rares : les rapports disponibles signalent d’amples disparités entre pays selon la taille des exploitations, l’accès au matériel et la politique publique ([235]). Ainsi, une exploitation chinoise ou française située peut être précoce, alors que l’adoption réelle demeure limitée auprès des exploitations de petite taille à l’échelle mondiale.

Marché de l’IA générative dans l’agriculture : répartition par application en 2024

L’Australie, un véritable laboratoire mondial pour l’agriculture du futur ([236])

L’Australie est en train de devenir un véritable laboratoire mondial pour l’agriculture du futur, portée par une culture de l’innovation pragmatique et une faible dépendance aux subventions publiques. Face aux défis climatiques et à la nécessité de renforcer la sécurité alimentaire, les agriculteurs australiens adoptent massivement des technologies de pointe : capteurs de données, intelligence artificielle, biotechnologies fongiques pour régénérer les sols, ou encore pollinisateurs robotiques comme ceux testés par la start-up israélienne Arugga. Des entreprises comme Loam Bio, spécialisée dans les champignons capturant le carbone, ou Cauldron, axée sur la fermentation de précision, illustrent la vitalité de l’écosystème ag-tech centré autour de la ville d’Orange. Si les investissements mondiaux dans ce secteur ont chuté récemment, l’Australie tire son épingle du jeu en misant sur des solutions concrètes et rentables, attirant à la fois des fonds publics et privés, locaux et internationaux. Les autorités fédérales et régionales soutiennent activement cette dynamique à travers des programmes de financement, d’infrastructure et de formation. Enfin, les perspectives d’exportation vers l’Asie du Sud-Est, où les besoins en productivité agricole explosent, pourraient faire de l’agriculture technologique australienne un levier d’influence stratégique à l’échelle mondiale.

En Europe ([237]), le marché de l’intelligence artificielle générative appliquée à l’agriculture progresse de manière constante , porté par une volonté affirmée de promouvoir des pratiques agricoles durables et respectueuses de l’environnement, mais moins rapidement que pour l’Asie et que les États-Unis. Les réglementations européennes favorisent l’adoption de méthodes fondées sur l’analyse de données et l’optimisation des intrants. Des pays tels que l’Allemagne, la France ou les Pays-Bas figurent parmi les leaders en matière d’agriculture intelligente. Le taux d’adoption de l’IA dans le secteur agricole et agroalimentaire européen reste globalement modeste et inégal, comme le constate la Commission européenne ([238]).

Le rapport du Parlement européen ([239]) sur l’usage de l’intelligence artificielle dans le secteur agroalimentaire, qui décline tous les cas d’usage potentiels de cette technologie en agriculture, souligne que le taux d’adoption de ces technologies reste globalement limité à l’échelle européenne. Bien que les potentialités offertes par l’IA soient reconnues, notamment en matière d’agriculture de précision, de gestion des ressources ou de traçabilité, leur intégration demeure freinée par plusieurs obstacles. Parmi ceux-ci, le rapport mentionne notamment la faible numérisation de nombreuses exploitations agricoles, le manque de compétences techniques dans les zones rurales, des coûts d’investissement initiaux élevés, ainsi qu’une faible interopérabilité des systèmes numériques existants. Face à ce constat, le Fraunhofer institute ([240]) recommande un plan d’action structuré en trois volets (immédiat, intermédiaire et structurel), allant du soutien à l’annotation des données et à l’interopérabilité des outils jusqu’à la création de modèles d’IA ouverts, l’intégration des outils certifiés dans la PAC et, à plus long terme, le développement d’infrastructures numériques souveraines garantissant un accès inclusif à l’IA dans les territoires.

En Asie-Pacifique ([241]), la dynamique est plus marquée : cette région connaît la plus forte croissance mondiale en matière d’IA générative appliquée à l’agriculture. La pression exercée par la croissance démographique pousse les États à investir massivement dans des infrastructures numériques agricoles. Des pays comme la Chine, l’Inde ou le Japon misent sur l’IA pour accroître l’efficacité des productions agricoles et limiter les pertes de récolte. L’essor de l’équipement mobile et une sensibilisation croissante des agriculteurs accélèrent l’adoption de ces outils technologiques dans l’ensemble de la région.

L’agriculture connaît donc à son tour sa révolution numérique portée par l’IA. Désormais considérée comme un levier d’innovation et de durabilité, l’intelligence artificielle s’intègre au sein de l’agriculture connectée (drones, capteurs IoT, plateformes de données) dont l’essor est manifeste ([242]) avec divers cas d’usage (voir tableau ci-après).

Principaux cas d’usage de l’IA en agriculture

Source : Commission européenne, Libérer le potentiel de l'intelligence artificielle pour une agriculture durable, 7 juillet 2025

En France, près d’une exploitation sur cinq (18 %) utilise déjà des solutions fondées sur l’IA, un taux qui pourrait doubler d’ici 2030 sous l’effet des politiques de soutien public et de la généralisation des outils numériques et robotiques dans les champs ([243]). La demande croissante des consommateurs pour des produits de haute qualité, incitant à des méthodes de production plus précises et traçables, constitue également un facteur d’accélération de cette transition.

La promesse de l’IA se manifeste d’abord par l’optimisation des cultures et des rendements. Des outils d’analyse prédictive exploitant des images satellites et des données climatiques aident à planifier les semis, à surveiller la météo et à anticiper les récoltes, comme le soulignait Jérome Le Roy, fondateur start-up Weenat et président de la Ferme Digitale, auditionné par la mission. En fournissant des recommandations précises sur l’irrigation, la fertilisation et les traitements phytosanitaires, ces technologies d’agriculture de précision permettent aux agriculteurs d’ajuster de manière ciblée et en temps réel les intrants aux besoins des plantes ([244]). Les exploitants bénéficient ainsi d’une meilleure visibilité sur l’état de leurs cultures et parviennent à réduire les pertes de récolte imputables aux aléas climatiques, jusqu’à 20 % de pertes ([245]) en moins grâce à ces systèmes d’aide à la décision. Par ailleurs, une gestion agronomique plus fine, fondée sur l’analyse des données de sol et de végétation, se traduit par une augmentation notable des rendements, pouvant atteindre 25 % ([246]).

En améliorant la gestion des intrants, l’IA contribue également à une agriculture plus durable. Les systèmes intelligents optimisent l’usage des engrais, des produits phytosanitaires et de l’eau, évitant les excès tout en maintenant la productivité des cultures. À la clé, les exploitations peuvent diminuer d’environ 30 % leurs dépenses en intrants grâce à ces ajustements pilotés par algorithme ([247]), ce qui réduit d’autant leurs coûts de production. Limiter l’emploi d’engrais et de pesticides permet en outre d’atténuer l’empreinte écologique des fermes : l’adoption de solutions d’IA pourrait réduire jusqu’à 40 % l’impact environnemental de l’agriculture en optimisant les ressources utilisées. La gestion de l’eau illustre ces gains : Weenat, fondée à Nantes en 2014, développe des capteurs connectés permettant aux exploitants de mieux gérer l’irrigation et les ressources en fonction des variations du climat ; forte d’une levée de 8,5 M€ en 2024 ([248]), la start‑up affirme avoir permis en 2023 une économie de 32 millions de m³ d’eau (soit environ 12 000 piscines olympiques) grâce à l’utilisation de ses données pour optimiser l’irrigation ([249]).

Par ailleurs, l’IA accélère l’automatisation des tâches agricoles. On estime qu’environ 50 % des travaux mécanisables sur une exploitation sont désormais réalisables par des solutions robotisées pilotées par l’IA. De fait, de plus en plus de robots et de machines autonomes interviennent sur le terrain, prenant en charge des opérations pénibles ou répétitives (récolte, désherbage, etc.), ce qui accroît la productivité tout en réduisant la pénibilité du travail agricole. La société toulousaine Naïo Technologies ([250]) a développé plusieurs robots agricoles autonomes, conçus pour assister les exploitants dans les tâches agricoles répétitives et pénibles, notamment le binage. Ces machines permettent de limiter le recours aux produits phytosanitaires, en particulier les herbicides, en assurant un désherbage mécanique de précision. Parmi les modèles proposés figurent TED, enjambeur viticole réellement autonome et polyvalent ; JO, chenillard autonome adapté aux vignes étroites, pépinières et petits fruits ; OZ, assistant robotisé dédié au semis et au désherbage en maraîchage ; et ORIO, porte-outils autonome destiné aux cultures légumières et aux pépinières.

Enfin, l’IA ne se cantonne pas aux cultures : elle trouve aussi des applications majeures en élevage. Des systèmes de vision par ordinateur peuvent surveiller en continu le bétail afin d’améliorer le suivi sanitaire et la productivité des troupeaux. Par exemple, la start-up irlandaise Cainthus ([251]) a développé un dispositif de caméras intelligentes observant 24h/24 le comportement des vaches laitières en stabulation. En analysant automatiquement des paramètres comme le temps de repos des animaux et leur accès à l’alimentation, cet outil aide les éleveurs à optimiser la production de lait tout en veillant au bien-être du troupeau. La start‑up française AIHerd, établie à Nantes et fondée en 2020 par des vétérinaires en collaboration avec le CEA‑List et Thales ([252]), développe un système de surveillance des troupeaux sans port d’équipement invasif. Grâce à une combinaison de vision par ordinateur et d’algorithmes d’intelligence artificielle, la solution capte en continu des comportements individuels des vaches (alimentation, repos, déplacements, interactions sociales) et détecte automatiquement les signaux caractéristiques d’événements importants tels que la chaleur, un vêlage imminent ou l’apparition d’une maladie. Cette approche contribue à améliorer le bien‑être animal tout en permettant un gain économique estimé à 30 % ([253]) de productivité supplémentaire par tête chaque année.

h. L’intelligence artificielle dans l’automobile : un potentiel industriel immense, freiné par une adoption encore fragmentée

L’industrie automobile est aujourd’hui un secteur potentiellement majeur dans l’adoption de l’automatisation intelligente. Selon l’International Federation of Robotics (IFR), elle représente environ 30 % des installations mondiales de robots industriels dans le monde en 2019 ([254]), 33 % des installations de robots industriels aux Etats-unis en 2024 ([255]). Ces évolutions traduisent une volonté croissante des constructeurs, tels que Renault ou Stellantis, auditionnés par la mission, de moderniser l’ensemble de la chaîne de valeur, du processus industriel à la relation client, en passant par l’usage même des véhicules.

Toutefois, selon une étude de Capgemini publiée en 2019 ([256]), seuls 10 % des constructeurs automobiles avaient alors déployé l’intelligence artificielle (IA) à l’échelle de l’entreprise, tandis que 24 % l’avaient mise en œuvre de manière plus sélective. Depuis, si les initiatives se sont multipliées, le secteur reste globalement dans la norme d’adoption de l’IA par rapport à d'autres secteurs, alors que les potentielles retombées de productivité y sont bien supérieures. En 2025, une enquête mondiale de McKinsey ([257]) indique que 78 % des entreprises (tous secteurs confondus) utilisent désormais l’IA dans au moins une fonction de leur organisation. À titre de comparaison, les réseaux de concessions automobiles en Amérique du Nord affichent des taux d’adoption de l’ordre de 80 % ([258]).

L’adoption de l’intelligence artificielle dans le secteur automobile progresse rapidement, mais elle demeure très inégale selon les cas d’usage (voir infra). De nombreuses entreprises du secteur, y compris les plus grandes, ont lancé des projets pilotes intégrant de l’IA, mais très peu d’entre elles sont parvenues à une mise à l’échelle complète. Selon une étude ([259]) sur les entreprises du Fortune 2000 du secteur automobile, 85 à 90 % ont lancé au moins un projet IA, mais seules 15 à 20 % ont déployé ces solutions à l’échelle de toute l’entreprise. Les freins cités sont les silos de données (44 % des cas), la pénurie de talents (37 %), les préoccupations autour des biais (28 %) et l’incertitude réglementaire.

Cette fragmentation se retrouve également dans les chaînes de recherche et développement (R&D) automobile. D’après McKinsey ([260]), 75 % des entreprises automobiles expérimentent au moins un cas d’usage de l’IA générative, mais aucune ne l’intègre de manière systématique sur l’ensemble de la chaîne de R&D. La majorité concentre leurs efforts sur une ou deux phases, telles que l’ingénierie des exigences, le design, ou encore les tests de performance. Cette approche cloisonnée limite fortement le potentiel d’optimisation globale permis par l’IA.

Les écarts sont encore plus nets lorsqu’on examine les différents cas d’usage. Ainsi, les systèmes avancés d’aide à la conduite (ADAS) ([261]), la maintenance prédictive ou l’optimisation de la chaîne de production ([262]) font partie des domaines les plus avancés en matière d’IA. Ces technologies sont déjà mises en œuvre dans plusieurs grands groupes automobiles, souvent dans des usines spécifiques ou des pôles d’excellence. En revanche, les usages plus ambitieux tels que la conduite autonome de niveau 4 (autonomie géo-ciblée) ou 5 (autonomie totale en toutes conditions), ou les communications V2X (vehicle-to-everything), demeurent largement expérimentaux ([263]). La complexité technique, les contraintes de fiabilité et les incertitudes réglementaires freinent encore leur adoption à grande échelle.

Un exemple particulièrement éclairant est celui de General Motors concernant l’adoption de l’IA par le secteur automobile. Dans son usine Factory Zero ([264]), l’entreprise a recours à l’IA pour diverses fonctions : maintenance prédictive, détection de défauts par vision industrielle, gestion logistique automatisée, ou encore segmentation marketing. Toutefois, ces applications ne sont pas encore généralisées à l’ensemble de ses sites ou lignes de produits. L’IA reste ainsi cantonnée à certaines zones géographiques ou à des fonctions spécifiques, ce qui témoigne d’un déploiement encore parcellaire.

Si l’adoption de l’intelligence artificielle dans le secteur automobile demeure globalement fragmentée, elle s’organise néanmoins autour de plusieurs cas d’usage récurrents, qui révèlent à la fois les priorités industrielles et les limites techniques ou économiques du moment. L’analyse de ces usages permet de mieux comprendre les domaines dans lesquels l’IA offre déjà des gains concrets, en matière de productivité, de sécurité ou d’efficacité énergétique, ainsi que ceux où son intégration reste balbutiante, voire hypothétique.

Dans un premier temps, l’IA est mobilisée au cœur des chaînes de production, notamment à travers le déploiement de robots dits « collaboratifs » ou cobots. Ils remplacent les tâches manuelles répétitives par des opérations automatisées plus précises. Par exemple, Renault utilise des cobots dans ses usines pour automatiser des opérations de montage (pose de composants) et de soudage de châssis ([265]). Conçus pour interagir en toute sécurité avec les opérateurs, ces robots exécutent des tâches répétitives et précises, tout en réduisant les risques d’erreur humaine. Grâce à des systèmes de vision par ordinateur, ils permettent une détection automatisée et fine des défauts de fabrication (défauts de surface, soudures incomplètes, erreurs d’assemblage), avec une précision qui peut dépasser de 30 à 40 % ([266]) ([267]) celle d’un contrôle manuel selon les études disponibles.

Certaines études ([268]) soulignent que la collaboration avec un cobot améliore la robustesse et la qualité de la performance humaine face à des tâches complexes, mais au prix d’un allongement du temps d’exécution et d’une gestuelle plus importante.

En parallèle, l’IA est devenue un levier stratégique de maintenance prédictive, tant pour les équipements industriels que pour les véhicules eux-mêmes. Sur les lignes de production, l’installation de capteurs intelligents couplés à des modèles d’analyse permet de surveiller l’état des machines en temps réel et d’anticiper les pannes, réduisant ainsi les coûts d’arrêt non planifié et augmentant la disponibilité opérationnelle des outils industriels ([269]). Appliquée aux véhicules, cette approche prédictive se fonde sur l’analyse des données issues des capteurs embarqués, permettant de détecter l’usure des pièces, de recommander des interventions ciblées, et de limiter les temps d’immobilisation des véhicules ([270]).

Par ailleurs, les fonctionnalités intégrées (navigation, reconnaissance vocale, services connectés, notamment) dans les véhicules sont également pilotées par l’IA. Les constructeurs automobiles recourent ainsi à l’IA pour concevoir des fonctionnalités qui permettent des interactions entre le conducteur et le véhicule, ce qui offre une expérience personnalisée aux conducteurs ([271]). À titre d’illustration, le système i-Cockpit® 3D de Peugeot ou le modèle Ë-C4 de Citroën proposent des systèmes dits « d’infodivertissement » avancés intégrant un assistant vocal, offrant ainsi différents services connectés (actualités, prévisions météo, entre autres).

L’IA transforme par ailleurs profondément la relation client. En matière de services après-vente, les constructeurs recourent à des assistants virtuels ou à des chatbots disponibles en continu, capables de répondre instantanément à des demandes fréquentes. Ces outils contribuent à fluidifier l’interaction et à réduire les délais d’attente. Surtout, les données issues de l’usage réel du véhicule, analysées par des modèles prédictifs, permettent d’anticiper les besoins de maintenance, voire d’adresser des rappels personnalisés pour des révisions ciblées, renforçant ainsi l’efficience du suivi client tout en optimisant les coûts de maintenance à long terme.

Les technologies d’IA s’imposent enfin comme des outils de premier plan en matière de sécurité routière. Les systèmes d’aide à la conduite (ADAS, pour Advanced Driver Assistance Systems) ([272]), déployés sur une part croissante du parc automobile, reposent sur des dispositifs de perception avancée (radars, caméras, capteurs) alimentés par des algorithmes d’apprentissage profond. Ces dispositifs permettent la détection de piétons, de cyclistes ou d’obstacles et peuvent déclencher automatiquement un freinage d’urgence ou une alerte de franchissement de ligne. À titre d’exemple, l’équipementier français Valeo, auditionné par la mission, figure parmi les leaders mondiaux des technologies de perception embarquée. Il a développé des solutions de détection à 360°, combinant radar, lidar et vision numérique, aujourd’hui intégrées dans environ un tiers des véhicules neufs produits dans le monde.

En revanche, dans l’industrie automobile, les usages les plus ambitieux tels que la conduite autonome de niveau 4 ou 5 ([273]) et les communications V2X (vehicle‑to‑everything) ([274]) restent encore largement au stade expérimental, en raison de contraintes techniques majeures, de difficultés réglementaires persistantes et d’une acceptation publique limitée.

Si les systèmes d’aide à la conduite de niveau 2 ou 2+ ([275]) se sont largement diffusés sur les véhicules neufs, le déploiement des véhicules autonomes de niveau 4 et 5 ([276]) reste freiné par des contraintes techniques majeures ([277]), tenant à la puissance de calcul nécessaire pour traiter en temps réel les données issues des capteurs, à une latence encore trop élevée dans les environnements complexes, et à l’exigence de redondance des composants critiques, qui renchérit et complexifie leur intégration ([278]).

En parallèle, de nombreuses études scientifiques insistent sur l’inadéquation des infrastructures actuelles ([279]) avec les exigences de la conduite autonome (marquages au sol dégradés, signalisation incohérente, manque de connectivité...) ainsi que sur l’absence de standards industriels consolidés ([280]), notamment pour l’interopérabilité entre systèmes de perception et de logiciel embarqué.

Concernant le V2X ([281]), malgré des projets pilotes dans plusieurs pays, son adoption reste freinée par des problèmes liés à l’interopérabilité ([282]), au partage du spectre radio, et à des doutes quant à son efficacité si seuls quelques véhicules sont équipés. En effet, V2X ([283]) ne devient réellement pertinent que lorsque la quasi-totalité des véhicules et infrastructures sont compatibles, ce qui rend son intégration progressive peu efficace

Du point de vue réglementaire, la régulation des véhicules autonomes (niveau 3 à 5) reste largement incomplète ou fragmentée selon les juridictions ([284]), ce qui ralentit leur mise en circulation à grande échelle. En outre, dans certains pays comme la Chine ou aux États‑Unis ([285]) , l’absence de cadre juridique uniforme empêche tout déploiement commercial rapide, faute de clarifier les responsabilités ou les normes de sécurité exigées.

Une application susceptible de soutenir la productivité et ouvrant la voie à de profondes évolutions des organisations

a. Des gains déjà tangibles d’amélioration de l’efficacité au travail

La diffusion des technologies d’intelligence artificielle, qu’il s’agisse des systèmes dits « faibles » ou des modèles de langage, s’accompagne déjà de premiers effets perceptibles sur l’efficacité du travail et la productivité globale. Si ces impacts demeurent à ce stade hétérogènes selon les secteurs et les usages, les études empiriques les plus récentes tendent à confirmer des gains tangibles, tant à l’échelle microéconomique (entreprises, métiers, tâches) qu’au niveau macroéconomique (productivité nationale, croissance des facteurs) ([286]).

De nombreuses études ont été menées sur les effets des robots industriels sur la productivité ([287]) ([288]), grâce à la disponibilité des données de la Fédération internationale de la robotique (IFR) sur l’utilisation des robots par pays et par secteur. En revanche, l’impact quantitatif de l’intelligence artificielle sur la productivité reste encore mal connu, principalement en raison d’un manque de données statistiques sur l’usage de l’IA.

Sur un plan macroéconomique, les effets de l’IA sur l’efficacité du travail commencent donc à être perceptibles et mesurés, dans les données agrégées, bien qu’encore modestes et parcellaires. Au Japon, une large enquête en 2023-2024 ([289]) estime que l’usage de l’IA par les travailleurs se traduit déjà par un surcroît d’environ 0,5 à 0,6 % de productivité du travail à l’échelle de l’économie. En convertissant cette hausse en productivité globale des facteurs, cela correspond à un gain de l’ordre de 0,3 % de TFP (productivité totale des facteurs).

Effets de l’intelligence artificielle sur la productivité selon le niveau d’éducation et de revenus

Source : Morikawa, M.. The impact of artificial intelligence on macroeconomic productivity. 13 janvier 2025.

Dans cette perspective, aux États-Unis, plusieurs récentes études tentent d’estimer l’impact de l’intégration de l’IA sur la productivité à moyen terme. Acemoglu ([290]) estime l’effet à moyen terme de l’IA sur la productivité aux États-Unis en multipliant le pourcentage de tâches affectées par l’IA par les économies réalisées au niveau des tâches, sur la base de ces études existantes au niveau des tâches. Selon ses estimations, l’impact macroéconomique de l’IA serait non négligeable mais modeste à l’heure actuelle, avec une augmentation cumulative de la productivité globale des facteurs (PGF) inférieure à 0,7 %. Il souligne toutefois la difficuté à déterminer l’impact réel de cette technologie sur le travail en raison d’une incertitude considérable quant aux types de tâches qui seront effectivement automatisées et aux économies de coûts réellement obtenues.

Dans la continuité de ces travaux, Filippucci et al. (2024) ([291]) estiment que, en supposant des économies de coûts de l’ordre de 30 %, l’IA pourrait contribuer à hauteur de 0,25 à 0,6 point de pourcentage à la croissance annuelle de la PGF aux États-Unis au cours de la prochaine décennie. Ces estimations convergent vers l’idée que l’IA pourrait devenir un vecteur significatif de gains de productivité, sans pour autant transformer instantanément l’économie.

À l’avenir, les gains de productivité au travail devraient croître, mais les gains marginaux semblent décroissants. Selon Morikawa ([292]), l’utilisation de l’IA au travail devrait logiquement continuer de croître, près de 28 % des répondants à son étude déclarant envisager de l’adopter à l’avenir dans leur travail. En extrapolant les gains actuels, l’économiste trouve que l’effet macroéconomique de l’IA sur la productivité du travail pourrait être quatre fois supérieur, atteignant une hausse d’environ 2 % (soit une augmentation de 1,1 % pour la PTF).

Toutefois, les gains marginaux semblent décroissants : les nouveaux utilisateurs d’IA enregistrent des améliorations de productivité moindres (4,4 %) que les utilisateurs plus expérimentés (7,8 %)([293]), ce qui suggère que les premiers usages concernaient des tâches à fort potentiel d’automatisation. Autrement dit, ce résultat conduit à penser que la diffusion de l’IA a commencé par les emplois pour lesquels l’effet de la mise en œuvre de l’IA est important et s’est progressivement étendue aux emplois pour lesquels son effet est plus faible. Si ces tendances se poursuivent, la contribution supplémentaire de l’IA à la productivité macroéconomique pourrait diminuer progressivement, à mesure que le nombre d’utilisateurs de l’IA augmente.

Si les effets macroéconomiques de l’IA demeurent globalement incertains et difficiles à mesurer, ses effets sur des tâches définies sont mieux renseignés. Différentes études portant sur des tâches ou des métiers circonscrits confirment, de manière certaine, le lien de causalité entre IA et productivité. Ce lien est, par exemple, avéré pour le métier de conducteur de taxis ([294]) ou pour le savoir-faire de développeur informatique ([295]). Ces résultats, bien que circonscrits à certaines catégories de fonctions ou de secteurs, permettent de mieux cerner les apports concrets de l’IA sur l’organisation et la performance du travail.

Concernant les tâches rédactionnelles bureautiques, les modèles de langage ont déjà démontré des gains substantiels de productivité. Par exemple, une expérience randomisée ([296]) menée en 2023 auprès de 453 professionnels tous domaines confondus dans les secteurs des services (marketing, ressources humaines, consultants, etc.) a montré qu’un accès à l’assistant ChatGPT permettait de réduire le temps d’accomplissement des tâches rédactionnelles de 40 %, tout en améliorant la qualité du résultat d’environ 18 %. L’étude montre également que les gains de productivité générés par l’IA profitent à l’ensemble des collaborateurs, avec un effet de nivellement par le haut particulièrement notable. L’outil contribue à réduire les disparités de performance en apportant un accompagnement renforcé aux employés moins expérimentés, permettant ainsi d’élever le niveau général de compétences, tout en optimisant l’efficacité opérationnelle de l’organisation.

Dans le secteur du service client, les gains d’efficacité par l’IA sont déjà mesurables sur le terrain. Une étude ([297]) conduite en 2023 dans un grand centre d’appels (plus de 5 000 agents support) a introduit un assistant conversationnel basé sur un modèle génératif. Le résultat est une hausse moyenne de 14 % du nombre de tickets résolus par heure. Rejoignant les conclusions sur les métiers requérant des compétences rédactionnelles, l’effet a été particulièrement marqué pour les employés juniors : les agents les moins expérimentés ont résolu 34 % de tickets en plus grâce à l’IA, tandis que les employés chevronnés n’ont que peu bénéficié de l’outil. En plus d’accélérer le traitement des demandes, l’IA a contribué à améliorer la satisfaction des clients et l’intrégration par les employés de l’entreprise des bénéfices qualitatifs liés à cette technologie, ces bénéfices s’ajoutant aux gains de productivité.

En développement informatique, les assistants de codage pilotés par l’IA (tels que GitHub Copilot) offrent déjà des améliorations notables d’efficacité. Plusieurs expériences contrôlées montrent des accélérations spectaculaires : dans l’une d’elles, des programmeurs réalisant une tâche de code avec l’aide de Copilot ont mis 56 % de temps en moins ([298]) que ceux codant sans assistance. Dans la même lignée, une autre étude randomisée à grande échelle ([299]) estime quant à elle un gain de temps de l’ordre de 26 % pour le développement informatique. Ici aussi, les développeurs les moins expérimentés affichent les plus forts gains relatifs de productivité.

Dans les métiers du conseil, de l’analyse et de la stratégie, l’IA entraîne des gains de temps et de qualité. Une étude de la Harvard Business School ([300]) trouve que « Pour chacune des 18 tâches de conseil (rédaction de rapport, analyse, brainstorming ect…) réalistes situées à la frontière des capacités de l’IA, les consultants utilisant l’IA ont été nettement plus productifs (ils ont accompli 12,2 % de tâches en plus en moyenne et 25,1 % de tâches en moins) et ont produit des résultats d’une qualité nettement supérieure (plus de 40 % de qualité en plus par rapport à un groupe de contrôle). ». En revanche, l’étude note que pour des tâches sortant du domaine de compétence actuel de l’IA, son usage peut devenir contre-productif (les consultants tendant alors à fournir moins de solutions correctes).

Les tâches non intellectuelles bénéficient elles aussi de l’apport de l’IA, notamment via l’optimisation et la robotique. Dans les transports, une étude ([301]) sur les chauffeurs de taxi a montré qu’un système d’IA prédictif (suggérant des itinéraires à forte demande) permet d’augmenter la productivité des conducteurs en réduisant le temps passé à circuler à vide. De même, dans la production industrielle, l’adoption accrue de l’automatisation et des robots a déjà entraîné des gains agrégés significatifs. Une analyse ([302]) couvrant 17 pays entre 1993 et 2007 a estimé que l’introduction des robots industriels a contribué à faire augmenter la croissance annuelle de la productivité du travail d’environ 0,36 point de pourcentage en moyenne – un effet comparable à celui qu’eut la machine à vapeur sur la productivité britannique au 19ème siècle, d’après les auteurs. Ces gains s’accompagnent d’une hausse de la productivité totale des facteurs et d’une baisse des coûts de production, sans réduction nette de l’emploi total observée sur la période.

b. De nouvelles perspectives ouvertes par l’agentification

L’agentification correspond à la transformation des IA conversationnelles (LLM) en agents autonomes capables d’interagir avec des applications tierces et des sources de données externes. L’agentique en IA désigne un champ en développement qui se décline aujourd’hui en deux niveaux ([303]) : d’une part, des AI agents capables d’exécuter des tâches spécifiques grâce à des modèles de langage reliés à des outils, et d’autre part, une Agentic AI plus ambitieuse, où plusieurs agents coopèrent, planifient et mémorisent pour agir de manière orchestrée dans des environnements complexes. Comme le soulignait Raja Chatila, professeur émérite de robotique à la Sorbonne Université auditionné dans le cadre de la mission, cette dernière relève toutefois, à ce stade, davantage d’une projection théorique que d’une réalité technologique établie.

Cinq niveaux d’autonomie pour agents IA fondés sur des LLM : évolution des capacités et expansion des risques

Figure 2 : Une taxonomie en cinq niveaux de l’autonomie des agents fondés sur des LLM, illustrant à la fois l’évolution des capacités et l’élargissement des risques. La classification s’étend des agents sans état, fondés sur des règles, jusqu’aux agents pleinement autonomes, alignés sur des valeurs et opérant en domaine ouvert. Chaque niveau introduit des caractéristiques architecturales qualitativement distinctes ainsi que des surfaces de menaces correspondantes.

Source : Su, H., Luo, J., Liu, C., Yang, X., Zhang, Y., Dong, Y., & Zhu, J. A survey on autonomy-induced security risks in large model-based agents. arXiv, 2025.

Concrètement et de manière technique, des protocoles unifiés comme le Model Context Protocol (MCP), introduit fin 2024 par Anthropic, servent de « port universel » entre un modèle d’IA et le monde logiciel. Grâce à ces connecteurs standardisés, un agent IA peut consulter des bases de données, appeler des API ou utiliser des outils variés via des requêtes structurées, sans intégrations sur-mesure pour chaque application.

Il s’agit d’un élargissement du champ d’action de l’IA qui ne se limite plus à générer du texte, l’agent peut percevoir, raisonner et agir de manière itérative en boucle fermée (perception → décision → action). Une étude([304]) récente, rejoignant les conclusions de nombreux acteurs auditionnés par la mission, résume ainsi les avancées : « Ces agents à grands modèles marquent un changement de paradigme, passant de systèmes d’inférence statiques à des entités interactives à mémoire augmentée. ». De premiers prototypes ([305]) ont montré qu’un LLM doté d’une mémoire persistante et pouvant exécuter des commandes est capable de mener des tâches en plusieurs étapes sans supervision humaine constante : on assiste donc à un passage d’une IA statique (répondant tour par tour) à une IA agentive active, « brouillant la frontière entre logiciel et robot dans le cyberespace » ([306]). Autrement dit, un agent conversationnel bien outillé peut devenir un assistant numérique proactif, apte à enchaîner des actions complexes pour atteindre un objectif fixé par l’utilisateur : la supervision humaine demeure.

Cependant, ces systèmes « agentiques » à large spectre restent essentiellement des prototypes expérimentaux, avec des limites techniques notables à leur développement et notamment, « la conservation de la mémoire à long terme, l’utilisation modulaire des outils, la planification récursive et le raisonnement réfléchi. » ([307]).

Malgré ces contraintes techniques, les principaux acteurs technologiques, OpenAI, Google DeepMind, Anthropic, entre autres, investissent massivement dans des architectures agentiques, intégrant notamment des protocoles inter‑agents (comme MCP), l’accès à des outils, et des mécanismes de mémoire avancée. S’ils investissent dans l’agentique afin de dépasser les capacités réactives des modèles actuels en développant des systèmes proactifs capables de planifier et d’agir de manière autonome ([308]), tout en expérimentant des architectures susceptibles de constituer une étape vers une intelligence artificielle plus générale ([309]) (AGI – artificial general intelligence).

En Europe, Mistral AI ([310]) s’est également alignée sur ces ambitions : le 28 mai 2025, elle a lancé officiellement son Agents API, reposant sur le standard ouvert Model Context Protocol (MCP), permettant à ses agents d’exécuter du code, effectuer des recherches web, générer des images et conserver un contexte mémoire persistant, demeurant à nouveau le seul concurrent européen sérieux aux acteurs IA chinois et américains.

Évolution historique des paradigmes des agents d’IA

Refer to caption

Figure 1 : La trajectoire de développement se divise en une phase pré-LLM (années 1950–2020), englobant les agents symboliques, réactifs, fondés sur l’apprentissage par renforcement (RL) et sur le méta/apprentissage par transfert, puis en une phase des agents d’IA fondés sur les grands modèles (2022–aujourd’hui), marquée par l’émergence d’agents propulsés par de vastes modèles de fondation. Les principaux projets et institutions représentatifs sont associés à leurs paradigmes respectifs, mettant en évidence le passage de systèmes à base de règles vers des agents LLM capables d’utiliser des outils, dotés de mémoire et de capacités de planification.

Source : Su, H., Luo, J., Liu, C., Yang, X., Zhang, Y., Dong, Y., & Zhu, J. A survey on autonomy-induced security risks in large model-based agents. arXiv, 2025.

Du point de vue de l’économie et de la productivité, les retombées seraient considérables si l’IA agentique était pleinement déployée. Ces agents automatiques pourraient prendre en charge de multiples tâches intellectuelles routinières (recherche d’information, rédaction de rapports, gestion d’emails, support client...), avec à la clé un gain d’efficacité notable pour les entreprises. Deloitte ([311]) estime d’ailleurs que dès 2025, 25 % des entreprises utilisant l’IA générative lanceront des projets pilotes d’IA agentique, et cette proportion pourrait atteindre 50 % en 2027. Plus de 2 milliards de dollars ([312]) ont été investis dans des startups d’agents autonomes en 2025.

De nombreux acteurs technologiques développent parallèlement leurs propres offres d’agentification, convaincus que ces agents pourraient automatiser des processus multi-étapes dans presque toutes les fonctions de l’entreprise. Un exemple emblématique est Devin, un agent développé en 2024 par la start-up Cognition pour agir comme un ingénieur logiciel autonome capable de raisonner, planifier et écrire du code complet à partir de simples idées en langage naturel ([313]). Un tel cas d’usage illustre la promesse d’une automatisation massive d’activités non-physiques grâce à l’IA agentique, avec un impact subséquent sur la croissance et la productivité.

Toutefois, les perspectives offertes par le développement potentiel de cette technologie soulèvent des défis techniques et sécuritaires. À l’heure actuelle, les agents basés sur des LLM demeurent imparfaits et doivent souvent être surveillés. Ils commettent encore trop d’erreurs pour qu’on les laisse gérer intégralement des tâches complexes sans relecture humaine([314]). Dans le domaine de la programmation par exemple, l’agent Devin mentionné ci-dessus n’a pu résoudre de manière autonome qu’environ 14 % ([315]) des tickets GitHub qui lui étaient soumis, soit certes deux fois plus qu’un chatbot classique, mais ce résultat demeure insuffisant pour un usage 100 % automatisé. Ces modèles peuvent facilement halluciner, c’est-à-dire fournir des informations fausses ou préconiser des actions inappropriées, ce qui, couplé à leur pouvoir d’agir, peut avoir des conséquences dommageables et présentent un réel risque dans le domaine sécuritaire ([316]). Le risque de cyber-attaques est décuplé : chaque nouvelle faculté de ces agents ouvre une « surface d’attaque » supplémentaire (mémoire empoisonnée, détournement de l’API, prompt injection malveillant…). L’alignement des objectifs de l’agent avec le cadre éthique humain pose aussi question : un agent très autonome pourrait poursuivre aveuglément une instruction mal formulée d’une manière contraire aux intérêts de l’entreprise ou de la société, par manque de jugement ou de contexte éthique.

OpenAI vient également de lancer sa propre version d’agent conversationnel avancé, baptisé « ChatGPT agent » ([317]), disponible depuis le 17 juillet 2025. Ce système combine plusieurs outils antérieurs d’agentification d’OpenAI (Operator, Deep Research, connecteurs vers Gmail, GitHub, un terminal de code, etc.), intégrés dans un agent unique capable de planifier et d’exécuter des tâches complexes, comme naviguer sur le web via un navigateur virtuel, compiler des recherches ou générer des présentations, tout cela avec une boucle de réflexion-action complète.

Cependant, malgré ses avancées, OpenAI souligne que ce lancement constitue encore une étape expérimentale : l’agent peut produire des erreurs, ses actions sensibles exigent une autorisation explicite de l’utilisateur, et la mémoire est désactivée par défaut pour éviter les risques d’injection ou d’exfiltration de données. Open Ai recommande de ne pas l’utiliser pour des tâches critiques sans supervision humanisée ([318]) . En ce sens, ChatGPT agent se situe en deçà de l’« Agentic AI » ([319]) pleinement orchestrée : il reste un agent autonome, puissant certes, mais encore loin d’un système multi-agents doté de planification complexe, mémoire persistante sécurisée et alignement éthique complet.

c. L’IA et la robotique : vers des assistants polyvalents ?

L’intégration de l’IA dans la robotique ouvre également la voie à une nouvelle génération de robots assistants polyvalents, capables d’évoluer dans le monde physique pour effectuer des tâches variées. Contrairement aux robots industriels traditionnels, confinés à des opérations spécifiques en environnement structuré, ces nouveaux automates visent une plus grande souplesse d’utilisation. Beaucoup adoptent une forme humanoïde (bipède avec bras) en raison de sa polyvalence, de sa capacité à se mouvoir dans des espaces conçus pour les humains et à manipuler des objets du quotidien.

Les progrès récents dans ce domaine montrent que cette technologie ne relève plus de la pure spéculation. Par exemple, la société Agility Robotics, qui est sur le point de lever 400 millions de dollars ([320]), teste son robot bipède Digit pour déplacer des cartons dans des entrepôts logistiques, tandis que Boston Dynamics ([321]) a démontré avec Atlas qu’un androïde peut marcher, saisir des objets et même collaborer à des tâches de chantier expérimental. De son côté, Tesla a présenté en 2022 les premiers prototypes de son robot humanoïde Optimus ([322]) , destiné à terme à réaliser des travaux répétitifs.

Ces projets pilotes restent élémentaires et peu fiables en dehors des conditions très contrôlées d’un laboratoire. Les robots humanoïdes sont encore loin d’égaler la polyvalence humaine dans des situations réelles. Si, sur le plan fonctionnel, certains robots humanoïdes surpassent déjà l’être humain en termes de force, d’endurance et de résistance mécanique ([323]), ils demeurent incapables de reproduire la polyvalence et l’adaptabilité humaines dans des environnements complexes et imprévisibles. The Economist ([324]) résume bien la situation : « (ces exemples) mettent néanmoins en évidence les progrès impressionnants réalisés par les robots humanoïdes au cours des dernières décennies. Et les investisseurs sont optimistes. (…) Un fournisseur de données, estime que depuis 2020, 2,3 milliards de dollars ont été investis dans des start-up qui construisent des robots humanoïdes. »

Une tendance clé qui rend ces robots généralistes envisageables est la convergence avec les avancées de l’IA. Les grands modèles de langage et les modèles multimodaux fournissent désormais aux robots « une sorte de cerveau générique » leur permettant de comprendre des instructions complexes et d’y répondre de manière appropriée ([325]). Il s’agit des modèles VLAM (Vision-Langage-Action Model), qui combinent traitement du langage, vision par ordinateur et retours de capteurs physiques, afin qu’un robot comprenne son environnement et planifie ses mouvements en conséquence ([326]). Les start-up chinoises d’IA et de robotique accélèrent leur développement pour dominer le marché des humanoïdes. La société EngineAI a récemment démontré la capacité de son robot PM01 ([327]) à apprendre et reproduire des mouvements complexes grâce à la vision par ordinateur et à l’apprentissage automatique, illustrant ainsi le potentiel des robots à s’adapter sans programmation spécifique. Ces avancées s’inscrivent dans une stratégie industrielle nationale ambitieuse : la Chine prévoit d’investir 1 000 milliards ([328]) de yuans en robotique et hautes technologies au cours des 20 prochaines années. Avec plus de 10 000 ([329]) humanoïdes produits cette année, soit plus de la moitié du total mondial, le pays dépasse déjà les États-Unis et le Japon en densité robotique sur les lignes de production.

Progression du nombre de robots industriels en Chine comparée aux États-Unis, à l’Allemagne et au Japon (2019-2023)