1. Le mythe de la course au dernier modèle (une commodité à 3 %)
Les investissements massifs des géants technologiques américains, dont les dépenses en infrastructures s'élèveront à 700 milliards de dollars l'année prochaine, entretiennent un récit stratégique bien précis : l'idée qu'une entreprise doit impérativement acquérir leurs derniers modèles propriétaires (close-source) pour assurer sa compétitivité.
En réalité, en 2026, les modèles d'IA sous-jacents sont devenus une commodité. La différence de performance moyenne entre un modèle gratuit (open-source) et un modèle payant (close-source) n'est que de l'ordre de 3 %. Or, la majeure partie des entreprises n'exploite aujourd'hui que 0,001 % des capacités réelles de ces outils. Aujourd’hui le véritable facteur de différenciation n'est pas le modèle qui est loué aux géants américains, mais les données propriétaires et votre contexte organisationnel.
Vincent Luciani, co-founder et Executive Chairman d’Artefact, a anticipé ce virage dès 2014, à une époque où il devait définir le mot «IA» à chaque réunion client. Aujourd'hui, avec 2 500 collaborateurs, Artefact est le plus grand cabinet indépendant de conseil en data et en IA d'Europe, et son constat est catégorique : sans données propres, le plus puissant des modèles ne vaut rien.
« Ce n'est pas l'IA qui fait la différence, c'est la qualité des données déjà en place dans l'entreprise. » Vincent Luciani, Co-founder et Executive Chairman d’Artefact
2. Le piège du « Token Maxing » ou l'illusion de la productivité
Le cœur du mensonge réside dans une pratique culturelle très lucrative pour la Silicon Valley : le « Token Maxing ». Les géants de la tech exercent une pression colossale sur les développeurs pour les pousser à surconsommer des unités de calcul (les tokens). Vincent Luciani cite notamment Jensen Huang, le fondateur de Nvidia, qui affirmait publiquement qu'un développeur payé 500 000 dollars par an se devait de consommer au moins 250 000 dollars de tokens. Cette culture est devenue si toxique que des rumeurs font état de développeurs licenciés simplement parce qu'ils ne dépensaient pas assez de tokens, tandis que des start-ups proposent des outils pour utiliser du token artificiellement afin de simuler une forte activité.
Pour les entreprises de l'économie réelle, les conséquences financières sont désastreuses :
- Des explosions budgétaires incontrôlées : Des entreprises matures comme Uber ont consommé l'intégralité de leur budget annuel d'IA en seulement quatre mois.
- Le danger des boucles autonomes : Les architectures d'IA modernes permettent à des agents autonomes de créer des sous-agents pour résoudre un problème. Sans surveillance, ces scripts tournent en boucle toute la nuit. Vincent Luciani évoque ainsi le cas d'un client qui a reçu une facture surprise de 150 000 dollars en une seule nuit à cause d'une unique requête analytique mal formulée.
- Le paradoxe de la productivité : La Silicon Valley met en avant des équipes techniques qui produisent 7 à 8 fois plus de lignes de code grâce à l'IA. Pourtant, une étude du MIT démontre la vacuité de cet indicateur : ces entreprises ne génèrent pas plus de chiffre d'affaires et ne sortent pas significativement plus de produits. Le « Token Maxing » n'est souvent qu'un transfert massif de valeur de la trésorerie des entreprises vers les serveurs de la Silicon Valley.
3. L'illusion du savoir et le goulot d'étranglement de la décision
Ce mirage de productivité cache un appauvrissement cognitif que Vincent Luciani illustre par une étude menée sur des étudiants. Face à un exercice (qu'il s'agisse d'histoire, de maths ou de code), le groupe d'étudiants ayant accès à l'IA obtient systématiquement de bien meilleures notes. Mais lorsque l'on refait le test quelques jours plus tard en retirant l'IA, leur niveau s'effondre totalement (passant de 10 à 1) car le simple copier-coller supprime l'effort mental nécessaire à la rétention de l'information.
En entreprise, le phénomène est identique. Placer l'IA au début d'un processus créatif ou stratégique incite à la paresse intellectuelle. C'est pourquoi le goulot d'étranglement opérationnel s'est déplacé : il ne s'agit plus de produire, mais de décider et de valider.
Dans le conseil par exemple, les outils comme Granola (speech-to-text) et les scripts d'IA permettent de générer une proposition commerciale et des slides en une minute dès la sortie d'un rendez-vous client. Mais Artefact interdit à ses consultants de procéder ainsi. L'IA doit intervenir à la toute fin du processus, uniquement pour formaliser une réflexion humaine approfondie menée en amont, sous peine de ne produire qu'une fade moyenne statistique.
« Le vrai goulot d'étranglement aujourd'hui n'est plus la production, mais la validation humaine des décisions. », Vincent Luciani, Co-founder et Executive Chairman d’Artefact
4. L'antidote : « Le Harnais » et les 4 étapes de la Data
Pour échapper à ce piège à profits, les entreprises doivent basculer vers une logique de contrôle strict, appelée « Le Harnais » (The Harness). Il s'agit de mettre en place une gouvernance rigoureuse pour surveiller les coûts de calcul, suivre la dérive technique des modèles et restreindre les droits d'accès aux données.
Bâtir ce harnais et rendre l'IA réellement rentable passe par un retour aux basiques pragmatiques, résumé en une feuille de route en 4 étapes pour nettoyer ses données :
- Vérifier l'exactitude à la source : Auditer les outils existants. Dans la plupart des entreprises, les données de base sont absentes ou fausses (par exemple, un commercial sur deux oublie de remplir le CRM après un échange client).
- Unifier la taxonomie : S'assurer que les mots ont le même sens partout. Si un « client » signifie « quelqu'un qui a commandé » en France et « quelqu'un qui a payé » en Espagne, l'IA croisera des données fausses.
- Nommer des responsables par domaine : La donnée se périme instantanément. La data doit être entretenue en continu par des leaders tenus directement responsables de leur périmètre (CRM, RH, Finance).
- Imposer une source unique de vérité (Single Source of Truth) : Interdire définitivement les dizaines de fichiers Excel qui circulent au sein des équipes avec des versions Grid différentes, et centraliser les flux dans une base de données unique, propre et requêtable.
C'est uniquement lorsque ce patrimoine d'informations est structuré que l'IA peut être branchée efficacement. Elle permet alors de briser les silos de l'entreprise en connectant horizontalement la finance, les RH, le commerce et le recrutement.
5. Ignorer la hype : la leçon de survie d'Artefact
Cette discipline face aux sirènes de la Silicon Valley est ce qui a permis à Artefact de survivre à ses propres crises. En 2017, alors qu'elle n'était qu'une jeune structure de 50 personnes, l'entreprise réalise une fusion inversée avec Net Booster, une agence de publicité cotée en bourse, trois fois plus grosse qu'elle (600 salariés dans 20 pays).
L'opération vire instantanément au cauchemar opérationnel. Net Booster perd ses clients historiques à un rythme effréné, les directeurs de la filiale anglaise démissionnent le lendemain du deal, et un redressement fiscal surprise sur la TVA s'abat sur la filiale allemande. L'EBITDA s'effondre à 400 000 euros, frôlant la faillite réglementaire. Sur les forums de Boursorama, les attaques sont quotidiennes et l'action s'effondre à 50 centimes.
Pour s'en sortir, Vincent Luciani et ses associés prennent une décision radicale : ignorer la communication sur leur cœur de métier historique et parier exclusivement sur la data et le machine learning d'entreprise. Ils coupent les coûts, ferment les pays non rentables et utilisent le réseau international hérité pour implanter des cellules de conseil en data.
Cette rigueur leur a permis de redresser la barre, de finaliser la sortie de Bourse de l'entreprise sur la base de 8 euros par action, représentant une opération globale de 300 millions d'euros, avant d'être valorisés plus d'un milliard d'euros lors des phases suivantes avec les fonds Ardian et Cinven.
Regardez le podcast sur YouTube
