Avenir de l’IA générative : ce qui va changer d’ici 2030

L’IA générative a atteint 53 % d’adoption en trois ans, plus vite que l’ordinateur personnel ou qu’internet, d’après l’AI Index 2026 de Stanford. Avec une diffusion de cette vitesse, les prédictions sur l’avenir de l’IA fleurissent, et la plupart ne reposent sur rien. Cet article prend le chemin inverse. Il part de quatre séries de chiffres publiées par des institutions qui n’ont rien à vendre (l’institut Stanford HAI, l’Agence internationale de l’énergie, la Commission européenne, l’Insee), il en tire les trajectoires déjà engagées, et il dit ce qu’elles changent pour une entreprise française sur trois horizons : ce qui est déjà là, ce qui arrive vers 2027, ce qui se joue d’ici 2030. Vous y trouverez aussi les cinq décisions qu’un dirigeant ou un responsable formation peut prendre sans attendre.

Il complète notre calendrier de l’AI Act et notre guide sur les hallucinations de l’IA, et il ouvre une série de huit articles sur les tendances de fond : AGI, multimodalité, modèles de raisonnement, emploi, souveraineté, empreinte carbone, petits modèles, open source.

En bref

• Les modèles progressent vite et se ressemblent : en mars 2026, sur certains tests de référence, trois points seulement séparent les quinze meilleurs, le meilleur modèle américain devance le meilleur modèle chinois de 2,7 %, et le meilleur modèle fermé devance le meilleur modèle ouvert de 3,3 %.
• Les agents sont la bascule des prochaines années : sur les tâches informatiques d’OSWorld, la réussite est passée d’environ 12 % à 66,3 % en un an, mais le déploiement d’agents en entreprise reste à un chiffre dans presque toutes les fonctions.
• L’énergie devient la limite physique : la consommation électrique des centres de données doublera, de 485 TWh en 2025 à 950 TWh en 2030, soit environ 3 % de la demande mondiale, et celle des centres dédiés à l’IA triplera.
• L’Europe investit tard mais investit : jusqu’à sept gigafactories d’IA seront sélectionnées début 2027, pour une mise en service dans les dix-huit mois qui suivent.
• L’emploi bouge déjà, et pas où on l’attendait : l’emploi salarié des 15-29 ans (hors alternants) dans les activités informatiques a reculé de 7,4 % en France sur un an au quatrième trimestre 2025, selon l’Insee.
• Verdict : d’ici 2030, l’avantage ne viendra pas du modèle choisi, les meilleurs se tiennent à quelques points, mais de ce que vos équipes sauront en faire. C’est l’objet de notre formation à l’IA générative pour anticiper 2030.

Prédire ou mesurer : la méthode de cet article

On peut parler de l’avenir de l’IA de deux façons. La première consiste à annoncer : l’intelligence générale pour 2027, la fin des développeurs, la fin des bureaux. Elle fait des titres et elle se trompe souvent, parce qu’elle extrapole une courbe sans regarder ce qui la freine. La seconde consiste à mesurer ce qui a déjà commencé et à regarder où cela mène si rien ne casse. Elle est moins spectaculaire. Elle est plus utile pour décider d’un budget de formation ou d’un contrat de trois ans.

Cet article suit la seconde. Il s’appuie sur quatre forces qu’on peut suivre chiffre par chiffre : la capacité des modèles, leur coût en énergie et en argent, le cadre européen, et le travail. Chacune a sa source de référence, publiée en 2025 ou en 2026 et citée au fil du texte. Quand un chiffre vient d’un éditeur ou d’un laboratoire qui a intérêt à le faire grossir, nous le disons.

Un mot sur ce que nous ne ferons pas. Nous ne daterons pas l’arrivée d’une intelligence générale, parce que personne ne s’accorde sur sa définition : la charte d’OpenAI parle de systèmes hautement autonomes qui surpassent les humains dans la plupart des tâches à valeur économique, ce qui laisse chacun libre de décider quand le seuil est franchi. Notre article sur l’AGI traitera de cette question à part. Ici, on reste sur ce qui se mesure.

Les modèles : plus forts, plus proches les uns des autres, moins transparents

Le chapitre technique de l’AI Index 2026 donne trois informations qui, mises ensemble, changent la façon d’acheter de l’IA.

La première est la vitesse. Sur Humanity’s Last Exam, un test conçu pour résister aux modèles, les systèmes de pointe ont gagné trente points en une seule année. Gemini Deep Think a obtenu une médaille d’or aux Olympiades internationales de mathématiques 2025, en travaillant de bout en bout en langage naturel. Le même rapport ajoute, dans la même phrase, que ces modèles ne savent toujours pas lire l’heure de façon fiable. Les deux faits sont vrais en même temps, et c’est tout le sujet : la capacité monte par paliers irréguliers, pas comme une marée.

La deuxième est le resserrement. En mars 2026, sur certains tests de référence, trois points seulement séparent les quinze meilleurs modèles ; sur d’autres, l’écart reste plus large, mais le peloton n’a jamais été aussi serré. L’écart entre le meilleur modèle américain et le meilleur modèle chinois est de 2,7 %. L’écart entre le meilleur modèle fermé et le meilleur modèle à poids ouverts est de 3,3 %, après s’être réduit à 0,5 % en août 2024 puis rouvert. Pour une entreprise, la conséquence est nette. Choisir un fournisseur sur la seule performance brute n’a plus beaucoup de sens, puisque la performance brute est devenue une commodité. Les critères qui restent sont le prix, l’intégration à vos outils, la localisation des données et la qualité du support. Nous y revenons plus bas.

Vidéo tierce (AlphaEdge, août 2026), en français : l’écart entre les États-Unis et la Chine vu à travers l’AI Index 2026 de Stanford.

La troisième est l’opacité. Le chapitre recherche note que l’industrie a produit plus de 90 % des modèles notables en 2025, mais que les plus capables sont devenus les moins transparents : code d’entraînement, nombre de paramètres, taille des données et durée d’entraînement ne sont plus publiés pour plusieurs des systèmes les plus coûteux, dont ceux d’OpenAI, d’Anthropic et de Google. Les paramètres déclarés plafonnent autour de mille milliards depuis trois ans, alors que les laboratoires de pointe ont cessé de les publier. Vous achèterez donc, d’ici 2030, des systèmes dont vous saurez de moins en moins comment ils ont été construits. Cela plaide pour des contrats qui exigent des garanties contractuelles sur les données, à défaut de transparence technique.

Une quatrième évolution se voit moins dans les benchmarks que dans l’usage : les modèles lisent, écoutent et regardent. Texte, image, son et vidéo entrent et sortent du même système, et c’est cette multimodalité qui fait passer l’IA du clavier au terrain, chez le technicien qui photographie une panne ou le formateur qui enregistre une séance. Elle a son article dans cette série.

Trois autres tendances découlent du tableau, et chacune aura aussi le sien. Les modèles de raisonnement, qui prennent le temps de dérouler une chaîne d’étapes avant de répondre, et que nos guides sur la chaîne de pensée et sur le mode de raisonnement de Claude décrivent déjà côté usage. Les petits modèles : l’AI Index relève qu’OLMo 3.1 Think, avec 32 milliards de paramètres, près de quatre-vingt-dix fois moins que Grok 4, obtient des résultats comparables sur plusieurs tests, grâce surtout au travail sur les données : élagage, dédoublonnage, sélection. Et la question ouvert ou fermé, que les 3,3 % d’écart ne tranchent pas.

Des assistants aux agents : la bascule de 2026 à 2028

En 2025, l’AI Index l’écrit en toutes lettres : les agents sont passés de répondre à des questions à accomplir des tâches, même s’ils échouent encore. Sur OSWorld, un test où le modèle doit manipuler un ordinateur (ouvrir des fichiers, naviguer entre des applications, remplir des formulaires), la réussite est passée d’environ 12 % à 66,3 % en un an, à six points de la performance humaine.

Reste le terrain. Le même rapport donne l’autre moitié du tableau dans son chapitre économique : 88 % des organisations interrogées utilisent l’IA, 70 % utilisent l’IA générative dans au moins une fonction, mais le déploiement d’agents reste à un chiffre dans presque toutes les fonctions. Entre la démonstration et le poste de travail, il y a un fossé. Il tient à trois choses que les benchmarks ne mesurent pas : la responsabilité quand l’agent se trompe, l’accès aux outils internes, et la confiance des équipes.

Notre lecture est que ce fossé se comblera entre 2026 et 2028 pour les tâches bornées et répétitives (traitement d’une facture, qualification d’un ticket, préparation d’un dossier), et beaucoup plus lentement pour tout ce qui engage un tiers. Le passage se fera par l’assistant qui propose, puis par l’agent qui exécute sous validation, avant l’agent qui exécute seul. Les entreprises qui auront formé leurs équipes au premier stade seront prêtes pour les deux autres.

💡 À ne pas confondre avec un agent IA : cet article traite des tendances de l’IA générative dans son ensemble. Les agents autonomes, leurs outils et leur déploiement sont le sujet de notre formation aux agents IA, qui a son propre ensemble d’articles.

L’énergie : la limite que personne ne négocie

Un modèle ne tourne pas dans les nuages. Il tourne dans des bâtiments qui consomment de l’électricité, et c’est devenu, en 2026, la contrainte la plus solide de toute la trajectoire.

L’Agence internationale de l’énergie chiffre le point de départ et l’arrivée. La consommation électrique des centres de données a crû de 17 % en 2025, contre 3 % pour la demande mondiale d’électricité ; celle des centres dédiés à l’IA a bondi de 50 %. D’ici 2030, la consommation des centres de données doit à peu près doubler, de 485 TWh à 950 TWh, pour atteindre environ 3 % de la demande mondiale, et celle des centres dédiés à l’IA doit tripler. Pour donner un ordre de grandeur, l’AI Index estime la puissance installée des centres d’IA à 29,6 GW, comparable à la pointe de l’État de New York, et compte 5 427 centres de données aux États-Unis, plus de dix fois n’importe quel autre pays.

Deux forces jouent en sens contraire. D’un côté, l’argent : l’AIE note que les dépenses d’investissement de cinq grandes entreprises technologiques ont dépassé 400 milliards de dollars en 2025 et devraient encore croître de 75 % en 2026, et l’AI Index cite Google à plus de 150 milliards de dollars d’investissements annuels. De l’autre, les goulots : les chaînes d’approvisionnement des turbines à gaz et des transformateurs se tendent, la planification et les procédures retardent les raccordements au réseau, et l’AIE recense des projets de production de gaz sur site, surtout aux États-Unis, pour contourner l’attente.

Il y a une troisième force, souvent oubliée : l’efficacité. D’après la même agence, l’énergie consommée par tâche d’IA a baissé d’au moins un ordre de grandeur par an ces dernières années. Chaque tâche consomme donc dix fois moins d’énergie qu’un an plus tôt, mais il y en a tellement plus que la facture totale monte quand même. Pour une entreprise, la conséquence pratique arrive par la tarification. Les fournisseurs factureront de plus en plus l’usage réel, et le réflexe de lancer le plus gros modèle pour chaque question deviendra un poste de coût visible. Notre article sur l’empreinte carbone de l’IA détaillera comment la mesurer à l’échelle d’une équipe.

L’Europe et la France : rattrapage par le calcul, retard par l’adoption

Les chiffres d’investissement sont sans ambiguïté. En 2025, l’investissement en IA a atteint 285,88 milliards de dollars aux États-Unis, 20,92 milliards en Europe et 12,41 milliards en Chine, d’après l’AI Index. Son chapitre économique précise que l’investissement privé américain est vingt-trois fois celui de la Chine, et que ces chiffres sous-estiment probablement l’effort total chinois. Sur l’IA générative seule, les États-Unis ont investi plus que la Chine et l’Europe réunies, de loin.

L’Europe a choisi de répondre par le calcul. Le plan « AI Continent » de la Commission prévoit au moins treize AI Factories opérationnelles en 2026, jusqu’à cinq gigafactories quatre fois plus puissantes, 20 milliards d’euros mobilisés par InvestAI et le triplement de la capacité des centres de données européens en cinq à sept ans. Le calendrier s’est précisé depuis : l’entreprise commune EuroHPC a lancé le 30 juillet 2026 l’appel pour jusqu’à sept gigafactories, deux de plus que le plan initial, avec une date limite de candidature au 12 novembre 2026, une sélection début 2027 et une mise en service attendue dans les dix-huit mois, soit à l’horizon 2028 pour les premières. L’investissement privé attendu dépasse 20 milliards d’euros à l’échelle de l’Union. Notre article sur la souveraineté européenne en IA suivra ces chantiers ; pour le cadre juridique qui s’applique dès aujourd’hui, notre guide sur le choix d’une IA européenne reste la référence.

Le retard, lui, est du côté de l’usage. La note de conjoncture de l’Insee de mars 2026 estime que l’investissement numérique contribue pour un tiers à la croissance américaine (+0,7 point en 2025), contre une impulsion de l’ordre de +0,1 point en France. Et l’enquête de l’Insee sur les technologies de l’information montre que, parmi les entreprises françaises qui n’utilisent pas l’IA, 71 % citent d’abord le manque d’utilité. Pas le coût, pas la réglementation : l’absence de cas d’usage identifié. C’est un problème de formation avant d’être un problème de technologie.

Le cadre réglementaire, enfin, est écrit et daté. Le règlement européen sur l’IA s’applique par paliers que notre calendrier de l’AI Act détaille : deux interdictions supplémentaires et la fin du délai de marquage des contenus au 2 décembre 2026, les obligations des systèmes à haut risque de l’annexe III au 2 décembre 2027, celles des produits de l’annexe I au 2 août 2028. Ces dates sont connues. Les entreprises qui les découvriront en 2027 auront perdu un an.

L’emploi : ce que disent les chiffres, pas les slogans

C’est le sujet où les prédictions sont les plus bruyantes et les données les plus rares. Trois sources permettent de s’y retrouver.

Le Forum économique mondial, dans son rapport de janvier 2025 sur l’avenir des emplois, extrapole son enquête auprès des employeurs : sur la période 2025-2030, 170 millions d’emplois seraient créés et 92 millions supprimés, soit un solde net de 78 millions, et 39 % des compétences actuelles seraient transformées ou dépassées. Dans la même enquête, 40 % des employeurs prévoient de réduire leurs effectifs là où l’IA automatise des tâches, et 85 % prévoient de donner la priorité à la montée en compétences. Les deux chiffres se complètent. Ils décrivent un déplacement.

L’AI Index 2026 apporte des mesures plus fines. L’emploi des développeurs de 22 à 25 ans a reculé de près de 20 % depuis 2024. Un tiers des organisations s’attendent à ce que l’IA réduise leurs effectifs dans l’année. Et les gains de productivité documentés sont les plus élevés là où le travail est structuré et mesurable : 14 à 15 % en support client, 26 % en développement logiciel, 50 % de production en plus en marketing, selon les études compilées par le rapport.

La France n’est pas à l’écart. L’Insee observe que l’emploi dans les activités informatiques et les services d’information baisse depuis 2023, et que l’emploi salarié des 15-29 ans, hors alternants, y a reculé de 7,4 % sur un an au quatrième trimestre 2025. L’Insee prend soin d’écrire qu’il est impossible d’attribuer cette évolution à la seule arrivée de l’IA générative. Mais le signal est là, et il touche d’abord les débutants des métiers que l’IA assiste le mieux.

Ce que ces chiffres disent pour 2030 tient en une phrase : les tâches d’entrée de carrière des métiers du savoir sont celles que l’IA absorbe en premier, et la compétence qui se valorise est celle de piloter l’outil, pas de faire ce qu’il fait. Le règlement européen en a d’ailleurs fait une obligation : l’article 4 de l’AI Act, réécrit par l’omnibus numérique de juillet 2026, demande aux organisations qui fournissent ou utilisent des systèmes d’IA de prendre des mesures pour favoriser la maîtrise de l’IA par leur personnel. C’est une obligation de moyens, que notre article sur l’article 4 et le plan de formation détaille. Notre article sur l’IA et l’emploi en France reprendra le sujet secteur par secteur.

Ce que ça change pour une entreprise française : cinq décisions

Voici les cinq décisions que ces trajectoires permettent de prendre dès maintenant, sans attendre un rapport de plus. Aucune ne coûte cher.

Former avant d’équiper. Puisque les meilleurs modèles se tiennent à quelques points et que le premier frein cité par les entreprises qui n’utilisent pas l’IA est l’absence de cas d’usage, le levier est humain. Une équipe qui sait écrire une consigne, vérifier une réponse et documenter un cas d’usage tire plus d’un modèle moyen qu’une équipe non formée d’un modèle de pointe. C’est aussi une obligation réglementaire. Notre parcours de formation à l’IA générative orienté tendances 2030 est construit sur cette idée.

Contractualiser la donnée, pas la performance. Les modèles sont de moins en moins transparents et de plus en plus proches. Négociez la localisation des données, les engagements de non-entraînement et la réversibilité. Notre grille pour choisir entre IA souveraine et IA américaine donne les critères.

Mesurer la consommation. Un coût par requête qui baisse de dix fois par an n’empêche pas une facture qui monte, si le nombre de requêtes explose. Fixez des règles simples : le petit modèle par défaut, le grand sur demande motivée.

Préparer les agents par les assistants. Le déploiement d’agents reste anecdotique en entreprise, et il le restera tant que les équipes n’auront pas pris l’habitude de valider le travail d’un assistant. Commencez par là.

Inscrire les dates de l’AI Act dans le calendrier de direction. Décembre 2026, décembre 2027, août 2028. Ce sont des échéances comme une clôture comptable.

Trois horizons : déjà là, vers 2027, d’ici 2030

Déjà là. Le présent est dense. Des modèles qui se ressemblent, un écart ouvert-fermé de 3,3 %, des agents capables sur des tâches bornées mais presque absents des entreprises, une obligation de formation en vigueur, un emploi des débutants qui recule dans les métiers informatiques, et une consommation électrique des centres de données en hausse de 17 % sur la seule année 2025.

Vers 2027. Les dates sont posées. La sélection des gigafactories européennes début 2027, les obligations du haut risque en décembre 2027, les premiers agents en production sur des processus bornés, et une tarification à l’usage généralisée chez les fournisseurs. La densité de puissance des serveurs d’IA, qui a déjà été multipliée par onze, devrait encore quadrupler d’ici là selon l’AIE.

D’ici 2030. Le décor change d’échelle. 950 TWh pour les centres de données, un solde net d’emplois positif au niveau mondial mais une recomposition profonde des métiers du savoir, les gigafactories européennes en service, le règlement entièrement applicable. Et, si l’on en croit la trajectoire plutôt que les annonces, des systèmes beaucoup plus capables, toujours faillibles sur des choses simples, et dont la valeur dépendra de la main qui les tient.

FAQ

Pour finir

L’avenir de l’IA générative ne se lit pas dans les annonces de laboratoires. Il se lit dans quatre séries de chiffres qui ne se contredisent pas : des modèles qui convergent, une énergie qui contraint, une Europe qui construit son calcul, un emploi qui se recompose par le bas. Rien de tout cela n’exige d’attendre. Un dirigeant peut, cette année, former ses équipes, revoir ses contrats, mesurer ses usages et inscrire trois dates dans son calendrier. Ce sera plus décisif que le choix du modèle. Et si la main qui tient l’outil fait la différence, c’est elle qu’il faut former en premier : notre formation à l’IA générative pour préparer vos équipes à 2030 part de vos métiers, pas des promesses.