L'évolution de l'industrie de l'IA entre dans la « zone de différenciation » tandis que les conceptions dominantes retentent

Cet article fait environ 18 000 mots et présente la structure suivante :

• Les jugements intuitifs ou abstraits sur l'évolution de l'IA peuvent être difficiles à utiliser pour guider efficacement les décisions

• Deux outils classiques d'analyse de l'évolution industrielle (Utterback + Klepper)

• Analyser à l'aide du cadre de fusion : à quel stade se trouve actuellement l'industrie de l'IA ?

• Une nouvelle question essentielle : comment sera le rythme futur ?

• Échelle temporelle de l'évolution de l'industrie de l'IA : de l'ère manufacturière à l'ère numérique

• Coordonnées temporelles spécifiques de la révolution de l'IA (prévision)

• Vérification inverse avec les dernières tendances

Ouvrez votre téléphone, les actualités sur l’IA vous submergent presque chaque jour : un nouveau modèle vient d’être lancé et ses performances ont encore dépassé les précédentes ; une entreprise vient d’obtenir un nouveau financement et sa valorisation atteint un nouveau record ; le nombre d’utilisateurs d’une plateforme franchit un nouveau seuil ; sur un classement, le leader d’hier est déjà dépassé aujourd’hui. La densité et la vitesse de l’information dépassent de loin celles de toute précédente révolution technologique.

L’expérience ressentie lors de la récente édition de juillet du WAIC se poursuit. Le salon regorge de données en constante mise à jour, de performances toujours plus élevées, de spécifications techniques et de formes de produits en constante évolution ; des laboratoires de pointe et des géants technologiques aux startups, en passant par les acteurs traditionnels, les fabricants de terminaux et les institutions de recherche, un nombre croissant d’entreprises de différents secteurs s’engagent activement dans cette révolution technologique et industrielle.

Avec une telle densité d'informations et un si grand nombre de participants, deux réactions courantes émergent naturellement.

L’un est l’anxiété — suis-je en retard ? Mon entreprise rate-t-elle quelque chose ? Si je n’agis pas cette semaine, sera-t-il trop tard la semaine prochaine ?

L’autre consiste à juger de l’impulsion : qui a déjà gagné ? Qui est déjà éliminé ? Le paysage de cette industrie est-il presque fixé ?

Derrière ces deux réactions se cache en réalité la même question : à quel stade se trouve actuellement l’industrie de l’IA ? Et comment pouvons-nous en faire un jugement rationnel ?

Il existe actuellement certaines affirmations populaires — par exemple, « l’IA est entrée dans une nouvelle phase ». Ces jugements, selon les perspectives respectives, ont chacun leur logique et leurs fondements. Toutefois, pour les décideurs d’entreprises appelés à poser des stratégies et des décisions rigoureuses, des questions plus fondamentales doivent d’abord être clarifiées : sur quoi reposons-nous pour affirmer que la phase précédente est terminée ? Comment pouvons-nous déterminer avec certitude que l’IA est entrée dans une nouvelle phase ? Quelles en sont les caractéristiques concrètes ? Quelles lois internes la régissent ? Et comment se décompose le cycle complet en phases distinctes ? Ces questions nécessitent un cadre d’analyse plus rigoureux et scientifique pour aboutir à des jugements plus fiables — ce qui constitue précisément un problème souvent négligé dans la révolution actuelle de l’IA, mais dont les conséquences peuvent être très coûteuses. En effet, une mauvaise évaluation de la phase industrielle affecte directement la direction, le rythme et la priorité des investissements en ressources : se tromper sur la phase signifie que toutes les actions risquent d’être décalées.

Dans les débats actuels sur l’IA, de nombreux chercheurs ont commencé à analyser et à évaluer le stade de développement de l’industrie. L’un des efforts les plus représentatifs est un long article publié en mars 2026 par le professeur Karim Lakhani de la Harvard Business School sur sa plateforme Substack, intitulé « From Ferment to Dominant Design ». Il s’appuie sur les outils d’analyse construits sur plusieurs décennies, à partir de données historiques complètes de plusieurs industries, par deux chercheurs hautement réputés dans le domaine de l’innovation industrielle : James Utterback (MIT) et Steven Klepper (Carnegie Mellon University). Il utilise ces outils pour évaluer la concurrence entre les grands modèles d’IA et propose plusieurs observations originales (qui seront développées plus loin). Sa conclusion principale est que l’IA se trouve actuellement à la phase tardive de fluidité, sans design dominant encore établi ; l’ordre industriel doit être considéré comme une question en suspens, et non comme une conclusion déjà donnée. Cette perspective est en accord avec celle de cet article et constitue l’une des sources d’inspiration importantes lors de la construction de ce cadre.

Cet article développera intégralement le cadre classique de deux chercheurs, explorerait un cadre d'analyse étendu pour l'ère numérique et de l'IA, et combinerait les données et avancées industrielles les plus récentes de 2026 pour d'abord évaluer rigoureusement le stade actuel d'évolution de l'industrie de l'IA, puis poser une question que le professeur Lakhani n'a pas traitée, mais qui est cruciale pour les décideurs d'entreprise : selon les lois générales de l'évolution industrielle, quel sera le rythme futur jusqu'à l'établissement du design dominant et à l'apparition d'un redécoupage approfondi ?

C'est l'échelle de temps de l'évolution de l'industrie de l'IA dont il est question dans cet article — où nous en sommes et comment sera le rythme futur.

Ces deux outils classiques sont les actifs académiques publics les plus influents dans le domaine de la recherche sur l'innovation industrielle. Leur valeur ne réside pas dans des théories abstraites, mais dans des régularités déduites de grandes quantités de données historiques et validées par de multiples tests empiriques.

Les trois phases d'évolution industrielle d'Utterback : du point de vue du "produit"

James Utterback est professeur à la Sloan School of Management du Massachusetts Institute of Technology et l'un des pionniers dans le domaine de l'innovation industrielle et de l'évolution technologique. Avec William Abernathy, il a mené dès 1975 une étude classique observant l'évolution technologique de dizaines d'industries manufacturières, et a systématisé dans son ouvrage de 1994, Mastering the Dynamics of Innovation, une régularité frappante : l'évolution technologique de presque toutes les industries suit une séquence triphasée reconnaissable.

Phase de fluidité (Fluid Phase) — Tout le monde expérimente. Il n’existe encore aucune réponse sur l’apparence du produit, ce que les clients veulent vraiment ou ce qui constitue « assez bon ». Plusieurs conceptions coexistent et se concurrencent, avec une faible barrière à l’entrée, et l’innovation se concentre sur le produit. La question centrale : Quelle devrait être la nature du produit ?

Phase de transition — Certaines décisions de conception commencent à se stabiliser, et un design dominant émerge. Le centre d’innovation passe de « Quelle devrait être le produit ? » à « Comment rendre le produit moins cher, plus fiable et plus évolutif ? » — du produit à la procédé. La question centrale devient : qu’est-ce qui compte le plus pour les clients ?

Phase spécifique — La conception du produit est essentiellement stabilisée, et la concurrence se tourne vers l'efficacité — qui peut produire plus économiquement, plus fiablement et à plus grande échelle. L'innovation devient progressive, et l'industrie devient hautement concentrée. La question centrale devient : qui peut livrer de manière plus fiable, moins chère et à plus grande échelle ?

La principale insight de ce modèle est que, dans les trois phases, « qui mène » est complètement différent. Les compétences des gagnants pendant la phase de fluidité (expérimentation, vitesse, imagination, tolérance à l'erreur) sont radicalement différentes de celles des gagnants pendant la phase de spécialisation (échelle, coût, discipline, fiabilité). Le fait qu'une entreprise mène pendant la phase de fluidité ne signifie pas qu'elle possède la capacité de continuer à mener pendant la phase de spécialisation — c'est précisément la raison profonde pour laquelle de nombreux acteurs en tête dans les révolutions industrielles finissent par être éliminés.

Un autre point : Utterback, puis Suárez (1993), ont souligné que l'évolution industrielle ne suit pas nécessairement les trois phases — certains secteurs finissent par adopter une conception dominante (trajectoire A), tandis que d'autres peuvent rester longtemps en phase de coexistence de plusieurs trajectoires (trajectoire B).

2.1.1 Concepts clés : Qu'est-ce qu'une « conception dominante » et en existe-t-il encore à l'ère de l'IA ?

Parmi les trois phases, le design dominant est le concept le plus central et mérite une présentation détaillée.

La conception dominante n'est pas « le produit d'une entreprise qui l'emporte », mais « un ensemble de combinaisons technologiques et de formes de produits qui deviennent la norme implicite de l'ensemble de l'industrie ». Une fois établie, tout nouvel entrant qui souhaite participer à la concurrence doit s'appuyer sur cette conception — les produits qui s'en écartent sont presque inévitablement marginalisés.

L'exemple le plus emblématique est la Ford T de 1908 — elle n'a pas établi la supériorité de la marque Ford, mais plutôt le combo « moteur à combustion interne à essence + moteur avant + propulsion arrière + production en chaîne » comme la réponse par défaut pour l'industrie automobile pendant les décennies suivantes. Depuis lors, tous les constructeurs automobiles ont compétitionné pour savoir qui faisait mieux dans ce cadre de conception dominant, sans remettre en question « à quoi une voiture devrait ressembler ».

Une fois le design dominant établi, les règles du jeu industriel changent discrètement : le centre d'innovation passe de « ce que le produit devrait être » à « comment rendre le produit moins cher, plus fiable et plus évolutif » — du produit à la procédé. C’est aussi la frontière la plus cruciale entre la période de transition et la période spécialisée.

Une question naturelle : y aura-t-il encore un design dominant à l'ère de l'IA ?

Je pense que la réponse est oui, mais la forme sera différente de celle de l'ère manufacturière. Tant qu'un secteur nécessite une livraison à grande échelle, une collaboration écologique et une stabilité des attentes des utilisateurs, il se formera inévitablement un « standard de fait » — c'est une exigence économique du fonctionnement industriel. Bien que l'ère d'Internet soit plus rapide, des conceptions dominantes telles que TCP/IP, HTTP, HTML et le moteur Chromium ont néanmoins émergé.

Cependant, le design dominant à l'ère de l'IA sera probablement « hiérarchisé, multiple et composite » — il ne s'agira plus d'un seul format de produit dominant, mais de normes de fait apparaissant à chaque niveau de la pile technologique, reliées entre elles par des interfaces et des protocoles.

Autrement dit, la conception dominante de l'ère de l'IA ne sera peut-être pas « la prochaine T-Ford », mais plutôt une pile de protocoles en couches similaire à « TCP/IP + HTTP + HTML » — chaque couche étant stable et interagissant avec les autres via des interfaces standard. Des initiatives déjà apparues, telles que le MCP (Model Context Protocol), les réseaux A2A (Agent-to-Agent) et les normes de appel d'API de facto, pourraient bien être les prémices de ce type de « conception dominante de la prochaine génération ». La conception dominante n'a pas disparu ; elle a simplement changé de forme.

2.1.2 Validation par les données historiques

La fiabilité du modèle des trois phases d'Utterback provient de sa capacité à décrire avec précision plusieurs processus d'établissement de conceptions dominantes :

• Industrie automobile : après que le modèle T de Ford a établi la conception dominante en 1908, l'industrie automobile est passée rapidement de la période fluide à la période de transition.

• Industrie télévisuelle : les premiers téléviseurs en noir et blanc coexistaient avec plusieurs systèmes couleur ; après l'établissement de la norme couleur NTSC en 1953, une période de transition a commencé.

• Ordinateurs personnels : À la fin des années 1970, de multiples architectures telles que l'Apple II, le TRS-80 et le Commodore ont émergé, jusqu'à ce que l'architecture IBM PC associée à l'alliance Wintel établisse définitivement le design dominant en 1981.

• Téléphones intelligents : Avant le lancement de l’iPhone en 2007, le marché proposait plusieurs conceptions, telles que BlackBerry, Nokia Symbian et Windows Mobile. Après que la combinaison iPhone + iOS/Android soit devenue la conception dominante, les autres voies ont rapidement disparu du marché principal.

Caractéristique commune : toutes connaissent d'abord une phase fluide avec plusieurs lignes coexistantes, puis un certain ensemble devient la conception dominante. La constance de cette loi constitue la base empirique du modèle d'Utterback.

2.2 La dynamique démographique industrielle de Klepper : du point de vue de l'entreprise

Steven Klepper est professeur d'économie à l'Université Carnegie Mellon et un chercheur de premier plan en organisation industrielle et évolution des entreprises. Dès 1982, Klepper a collaboré avec Michael Gort pour publier le premier modèle mathématique formel du cycle de vie industriel dans le cadre de l'économie industrielle (généralement appelé modèle G-K par la communauté académique), puis il a publié une série d'études approfondies en tant qu'auteur unique. Sur la base d'une étude systématique des données historiques de plusieurs industries sur plusieurs décennies, Klepper a découvert une régularité cohérente dans l'entrée et la sortie des entreprises au cours de leur développement :

Entrée en hausse → Nombre d'entreprises au pic → Grand nettoyage → Dominance de quelques entreprises leaders.

La base empirique de cette régularité repose sur un suivi complet des origines, des localisations et des années de production de chaque entreprise entrante dans l'industrie automobile américaine entre 1895 et 1966. Les données sont les suivantes :

Il y a un paradoxe incroyable :

Il a fallu environ 50 à 60 ans pour passer du pic à une intégration profonde dans les années 1960, mais durant cette période, la production annuelle de voitures aux États-Unis a augmenté de plusieurs centaines de fois selon une échelle logarithmique. En d'autres termes, l'industrie est devenue extrêmement vaste, tandis que le nombre d'entreprises est devenu extrêmement réduit. L'industrie n'a pas lutté ; elle prospérait ; les faibles ont disparu, pas la demande.

Klepper a également vérifié cette même tendance dans plusieurs autres industries, faisant de la forme « croissance - pic - déclin » un phénomène qui ne se limite plus à l'industrie automobile — les téléviseurs (plus de 80 acteurs au début des années 1950, suivis d'un rationalisation relativement rapide), les machines à écrire, les tubes à vide, les pneus, la pénicilline, etc., présentent tous la même forme de base. Cela confère à la théorie de Klepper une base empirique solide.

2.2.1 Une théorie clé : la théorie de la composition des différences de compétence

Klepper a expliqué le phénomène ci-dessus par la théorie de la complexité des différences de compétences :

Le shuffle n'est pas un jugement soudain du marché, mais le résultat inévitable de la composition des différences de capacité des entreprises au fil du temps.

Les différences entre les entreprises en matière d'innovation, de croissance et de capacité à réduire les coûts s'amplifient exponentiellement avec le temps, jusqu'à ce que les plus faibles franchissent la ligne de survie. Cette théorie repose sur trois points clés :

Premièrement, les différences de compétence proviennent souvent de circonstances accidentelles au début. Au cours des premières années d'entrée sur un secteur, les compétences des entreprises sont en réalité similaires ; cependant, à cause de quelques choix différents concernant des décisions clés, des talents clés ou des opportunités clés, des écarts de compétence commencent à apparaître entre les entreprises. Ces différences semblent à peine négligeables au départ.

Deuxièmement, les différences de compétence s'autorenforcent et s'amplifient de manière exponentielle. Les entreprises légèrement plus compétentes obtiennent une part de marché plus importante → plus de ressources et d'opportunités d'apprentissage → une avance encore plus grande en compétence — c'est un cercle vertueux. Les entreprises légèrement moins compétentes tombent dans un cercle vicieux inverse. Au fil des années, la différence initialement « négligeable » s'accumule pour devenir un écart « insurmontable ».

Troisièmement, lorsque les écarts s'accumulent jusqu'à atteindre la « différence critique », les plus faibles sont éliminés. Les graines de l'élimination ont été semées dès le début de la période de flux — apparemment, tout le monde court, mais en réalité, les taux composés de base sont totalement différents.

L'étude ci-dessus aboutit à une conclusion qui devrait alerter les dirigeants d'entreprises : attendre que les résultats financiers se détériorent pour commencer à investir dans le développement des compétences est déjà trop tard ; attendre l'apparition de signaux visibles de restructuration pour lancer une mise à niveau des capacités signifie que la fenêtre d'opportunité est déjà fermée. Ce qui détermine réellement qui traversera la restructuration, c'est si l'entreprise a considéré dès le départ la « vitesse de composition des compétences » comme sa variable stratégique la plus importante.

2.2.2 Une autre observation importante contre-intuitive : la fenêtre d'entrée se ferme plus tôt que le signal de mélange

Outre la théorie des différences de compétences combinées, Klepper a également fait une observation contre-intuitive mais extrêmement importante : la fenêtre d'entrée dans l'industrie se ferme plus tôt que les signaux de réorganisation.

Revenons aux données de l’industrie automobile : après avoir atteint un pic du nombre d’entreprises entre 1907 et 1910, le taux d’entrée de nouvelles entreprises a fortement diminué à partir de 1910 — à ce stade, aucun signe clair de consolidation n’était encore visible, l’industrie connaissait toujours une croissance rapide, et les médias n’avaient pas encore commencé à rapporter des nouvelles du type « telle entreprise a quitté le marché ». La consolidation véritable (diminution continue du nombre total d’entreprises pendant plusieurs décennies) n’a commencé qu’après 1920. Autrement dit :

• Autour de 1910 — À l'extérieur, cela semblait encore être « une période de prospérité, avec chaque entreprise fabriquant des voitures », mais la fenêtre d'entrée pour les nouveaux venus commençait déjà à se fermer (les nouveaux acteurs véritablement désireux d'entrer sur le marché devenaient de plus en plus rares).

• Années 1920-1960 — Les signaux de consolidation commencent à apparaître, les médias commencent à rapporter l'intégration, c'est à ce moment-là que les observateurs ordinaires prennent conscience « Oh, l'industrie se consolide ».

• Lorsque les observateurs ont réagi, la fenêtre d'entrée était déjà fermée depuis 10 à 15 ans

Cette observation a de fortes implications pratiques : les entreprises ne peuvent pas attendre que des signes visibles de bouleversement apparaissent pour décider d'entrer sur un secteur ou un niveau donné — car la fenêtre d'entrée est déjà fermée lorsque ces signes deviennent visibles. Un jugement éclairé sur l'entrée doit déjà être réalisé alors que tout semble encore prospère et que tout le monde entre, en évaluant de manière indépendante si la fenêtre d'entrée est en train de se fermer.

Cette observation sera réutilisée lors de la discussion ultérieure sur les coordonnées temporelles de l'IA — la fenêtre d'entrée des grands modèles d'IA pourrait se fermer plus tôt que ce que la plupart des observateurs anticipent.

2.3 Chaque outil présente des zones aveugles ; les utiliser ensemble favorise une évaluation plus scientifique des phases industrielles.

Chaque outil utilisé séparément présente des lacunes évidentes — Utterback vous indique « comment le design du produit évolue », mais ne vous dit pas quelles entreprises survivront ; Klepper vous explique « comment les entreprises sont éliminées », mais ne vous dit pas comment le parcours du produit va changer. En n’utilisant qu’un seul outil, vous ne voyez qu’une moitié du tableau de l’évolution industrielle.

L'évolution complète d'une industrie, incluant à la fois le processus de « convergence de la conception technique » et celui de « restructuration de la population d'entreprises » — le premier peut être analysé avec les outils d'Utterback, le second avec ceux de Klepper. Ces deux processus sont liés mais ne sont pas entièrement synchronisés : l'établissement du design dominant se produit généralement après le pic du nombre d'entreprises et avant l'accélération de la restructuration.

L'industrie automobile fonctionne ainsi : le nombre d'entreprises atteint un pic de 275 entre 1907 et 1910, la modèle Ford T est établi comme conception dominante en 1908, puis l'entrée d'entreprises chute brusquement après 1910, et le nombre total d'entreprises commence à diminuer fortement après 1920. Ces deux processus s'influencent mutuellement et définissent ensemble le rythme complet de l'évolution de l'industrie.

Combiner les deux outils consiste à examiner l'industrie à la fois du point de vue « produit » et du point de vue « entreprise » — toute appréciation du stade d'évolution d'une industrie n'est fiable et scientifique que lorsque les observations des deux dimensions se confirment mutuellement.

3.0 Énoncé de la portée de l'analyse

« La révolution de l'IA » est un concept très vaste. La portée de cette analyse se concentre sur l'ensemble interdépendant constitué par « les grands modèles d'IA et leurs applications et produits associés » — incluant le modèle de base lui-même, les applications et formes de produits autour de ces grands modèles (modèles pilotés par l'IA pour la conversation, la programmation, les agents, les assistants de conduite, le multimodal et l'intelligence incarnée), ainsi que les actifs complémentaires étroitement liés (nuage, puissance de calcul, puces, chaîne d'outils, systèmes d'évaluation). Ces trois composantes ne constituent pas trois industries indépendantes, mais trois niveaux interdépendants d'un même processus d'évolution industrielle.

Non inclus dans l’analyse de cet article : les éléments impliquant une forme physique indépendante ou une logique industrielle autonome — tels que le corps mécanique/hardware des robots humanoïdes, ou les secteurs verticaux comme l’IA + santé/justice/éducation — qui possèdent chacun leurs propres dynamiques industrielles et ne peuvent pas être directement cartographiés selon les repères temporels de cet article.

3.1 Du point de vue des images d'Utterback : chaque niveau est encore en phase de flux

En utilisant le modèle en trois phases d'Utterback, on constate que presque chaque aspect important des grands modèles d'IA et de leurs applications fait encore l'objet de débats.

Couche d’architecture : Le Transformer sera-t-il la fin du chemin ? Ou bien l’une des branches telles que les Experts Mélangés (MoE), les modèles d’état (famille Mamba), les modèles mondiaux, le calcul au moment de l’inférence ou les architectures natives d’agents finira-t-elle par l’emporter ? Alors que les principaux acteurs investissent massivement sur la voie MoE en 2026, des avancées significatives continuent d’être réalisées dans les domaines alternatifs tels que les modèles mondiaux et les architectures natives d’agents, tant dans le milieu académique que dans l’industrie ; les débats publics sur la décroissance des rendements marginaux de la loi d’échelle poussent également l’industrie à réévaluer « s’il existe d’autres possibilités fondamentales ». La voie architecturale est loin d’être convergente.

Niveau de la forme de produit (la manière dont l’IA sera finalement livrée aux utilisateurs et aux entreprises) — actuellement, au moins six formes sont en concurrence parallèle :

Six formes se chevauchent et se concurrencent mutuellement, aucune ne peut prétendre avoir remporté la victoire — c'est là précisément la caractéristique typique de la phase de fluidité où coexistent plusieurs formes de produits.

Niveaux de concurrence : raisonnement, codage, coût, latence, longueur du contexte, multimodalité, capacité d’agent / durée d’autonomie des tâches, fiabilité / taux d’hallucinations, sécurité / contrôlabilité — quel dimension sera finalement définie par le marché comme « la plus importante » ? Chaque fabricant affirme son leadership sur la dimension dans laquelle il excelle, mais le marché n’a pas encore établi de consensus sur « quelle dimension est la plus importante ». En particulier, cette nouvelle dimension — « combien de temps un agent peut travailler de manière indépendante » — qui est passée d’un sujet marginal en 2025 à un indicateur central du forum principal de WAIC en 2026 en seulement un an — constitue en soi un signe que les dimensions de la concurrence ne sont pas encore fixées.

Du point de vue des images d'Utterback, les grands modèles d'IA et leurs applications sont clairement en phase de fluidité — plusieurs voies coexistent, les concepts de produits sont incertains et les dimensions de la concurrence ne sont pas encore définies.

3.2 À travers les yeux de Klepper : période d'entrée élevée, mais une différenciation des compétences s'est déjà formée en coulisses

En observant la dynamique démographique industrielle de Klepper à travers le prisme de l'industrie des grands modèles d'IA, on constate un phénomène de coexistence de contradictions.

D’un côté, les entreprises mondiales de grands modèles d’IA restent en phase de forte entrée — OpenAI, Anthropic, Google, Meta, xAI, Mistral, ainsi que Baidu, Alibaba et Tencent en Chine, DeepSeek , Moonlight, Zhipu, ByteDance, ainsi que d'innombrables startups spécialisées dans des scénarios spécifiques. De nouveaux entrants continuent d'émerger, avec un fort caractère d'expérimentation intensive.

D'autre part, les déséquilibres de capacité des entreprises leaders se creusent discrètement — la puissance de calcul (qui peut assumer les coûts d'entraînement à très grande échelle), la distribution (qui contrôle les points d'accès), les clients entreprises (qui ont accumulé la confiance du secteur) et la vitesse d'apprentissage organisationnel (qui transforme plus rapidement chaque avancée technologique en produits et capacités commerciales). C'est là que se déroule en silence ce « compositif de différences de capacité » — l'écart observé aujourd'hui entre les leaders et les autres est en grande partie le résultat d'une accumulation sur les 3 à 4 dernières années.

Du point de vue de Klepper, l'industrie des grands modèles d'IA se trouve à un stade de « forte entrée, mais la différenciation des capacités a déjà commencé » — comparable à l'industrie automobile entre 1900 et 1910, où le nombre d'entreprises continuait d'augmenter vers son pic, mais où certains acteurs avaient déjà commencé à prendre une avance discrète.

3.3 Vérification rigoureuse de la conception dominante : cinq facteurs déterminants

Précédemment, basé sur Utterback + Klepper, une conclusion a été tirée : les grands modèles d'IA et leurs applications se trouvent dans une phase de fluidité avancée. Cette conclusion mérite d'être vérifiée à nouveau de manière empirique — l'auteur, en synthétisant les travaux des chercheurs Utterback, Suárez, Christensen et d'autres, a identifié cinq facteurs favorisant l'émergence d'un design dominant. Historiquement, l'établissement d'un design dominant nécessite généralement la présence simultanée d'au moins 3 à 4 de ces facteurs :

• Facteur 1 : faisabilité technique — une conception présente une convergence claire en termes de performance globale et de faisabilité ingénierie, et l'industrie converge effectivement vers cette direction, devenant une « solution reconnue » sur le plan technologique

• Facteur deux : la maturité des actifs complémentaires — une chaîne d'approvisionnement, des normes, une chaîne d'outils, un système de formation et un écosystème de développeurs se sont développés autour de cette conception, créant un verrouillage écologique

• Facteur 3 : Apparition des économies d'échelle — La mise en œuvre à grande échelle de ce modèle crée une boucle vertueuse de « baisse des coûts + économie unitaire positive + modèle économique validé », amorçant le cycle d'investissement, de rendement et de réinvestissement.

• Facteur 4 : Promotion par les acteurs dominants — quelques entreprises influentes sur le marché adoptent et promeuvent ce design, établissant ainsi une norme de fait grâce à leur part de marché et à leur pouvoir d'attraction écosystémique.

• Facteur 5 : L'intervention gouvernementale ou réglementaire — imposer ou orienter l'unification par le biais de législation normalisée, de systèmes de certification et de cadres réglementaires

La Ford Model T est devenue le design dominant des automobiles en 1908 parce que cinq facteurs ont été presque simultanément remplis : la faisabilité technique (moteur à combustion interne + configuration moteur avant optimale), des actifs complémentaires (stations-service, réseau de réparation) qui ont rapidement suivi, des économies d'échelle (chaîne de montage réduisant les coûts), un fabricant dominant (Ford a un jour dépassé la moitié du marché) et une réglementation gouvernementale (normes routières, système de permis de conduire).

En examinant l'état actuel des grands modèles d'IA et de leurs applications à l'aide de ces cinq facteurs, un seul critère est satisfait, tandis que les quatre autres sont encore loin d'être réalisés — c'est là la base concrète de l'analyse de cet article selon laquelle « les grands modèles d'IA et leurs applications sont encore en phase de liquidité avancée » : il ne s'agit pas d'une impression, mais d'une vérification point par point.

Autrement dit, le seuil établi par la conception dominante, qui exige que « au moins 3 à 4 facteurs soient présents simultanément », est encore largement hors de portée de l’IA.

3.4 Jugement de phase globale : la « zone de divergence » se déplaçant de la phase de liquidité avancée vers la phase de transition initiale

Sur la base de l'analyse ci-dessus et du test des cinq facteurs, on peut établir un jugement global : les grands modèles d'IA et leurs applications se trouvent actuellement en phase de liquidité avancée et commencent à se déplacer vers la phase de transition initiale — que l'auteur appelle le « zone de divergence ».

Le concept central de « la zone de différenciation » peut être résumé ainsi : la segmentation des produits reste ouverte, tandis que la différenciation des capacités a déjà commencé.

La « zone de divergence » n'est pas une nouvelle phase indépendante ; elle décrit la zone de transition entre la phase fluide et la phase de transition dans la théorie des trois phases d'Utterback. Elle ne prédit pas non plus que l'IA parcourra inévitablement la phase de transition pour atteindre la phase spécialisée. En tant que concept descriptif, elle capture une structure bidirectionnelle objectivement présente aujourd'hui :

D’un point de vue produit, l’architecture, la forme et la concurrence restent ouvertes — plusieurs approches coexistent, aucun design dominant n’a encore émergé ; il s’agit d’une phase encore fluide.

D'un autre côté, du point de vue des entreprises, les différences de capacité entre les leaders et les non-leaders sont déjà en cours de mise en place — les écarts en matière de puissance de calcul, de distribution, de clients entreprises et de vitesse d'apprentissage organisationnel s'élargissent discrètement, marquant une partie du début de la phase de transition.

Lorsque deux côtés se superposent au même moment, ils forment une « zone de divergence ». Ce n’est pas le chaos, car des modèles visibles et une asymétrie accumulée sont déjà présents ; ce n’est pas non plus définitif, car les critères déterminant qui triomphera en dernier n’ont pas encore été figés. En une phrase : l’extérieur semble encore prospère, mais la composition des différences de capacité a déjà commencé.

À prendre en compte supplémentairement sont les trois observations originales proposées par le professeur Karim Lakhani dans son article de mars 2026, basées sur le même cadre d'analyse — elles constituent une précision supplémentaire des mécanismes internes de la « zone de divergence ».

Observation de Lakhani : l'ouverture architecturale et la déséquilibre de la concurrence peuvent coexister — l'ouverture au niveau de l'architecture et la différenciation au niveau de l'entreprise peuvent coexister. Lakhani a donné un nom précis à cet état : « fermentation structurée », qui désigne le même phénomène que le « corridor de différenciation » dans cet article — toutefois, cet article met l'accent sur la dynamique de la différenciation des capacités, tandis que Lakhani insiste davantage sur la notion de coexistence multiple de voies de fermentation.

Observation de Lakhani : L'hypothèse de la hiérarchie centralisée — La structure industrielle de l'IA future ne convergera probablement pas vers un « seul gagnant prend tout », mais plutôt, des leaders émergeront à chaque niveau de la pile technologique : niveau des modèles de pointe, niveau de l'intégration entreprise, niveau de l'écosystème ouvert, et niveau des compléments spécialisés (nuage, puces, chaînes d'outils, sécurité).

Observation de Lakhani : L'orchestration multi-modèles est un nouveau modèle industriel — les tâches réelles sont désormais décomposées en une chaîne : conception, recherche, rédaction, codage, vérification, mise en forme, livraison — chaque modèle excelle à des étapes spécifiques de cette chaîne. Ce qui décidera véritablement du succès, ce n'est pas « quel modèle est le plus puissant », mais « qui sait appeler le bon intelligence au bon moment pour la bonne tâche ».

3.5 Caractéristiques spécifiques du stade actuel

En combinant l'analyse ci-dessus, les caractéristiques spécifiques de la phase actuelle « bande de divergence » peuvent être résumées comme suit :

Alors, si les grands modèles d'IA et leurs applications se trouvent dans la « zone de différenciation » (en déplacement de la phase de liquidité avancée vers la phase de transition initiale), selon les lois générales de l'évolution industrielle, quel sera le rythme futur jusqu'à l'établissement du design dominant et l'apparition d'un profond redécoupage ?

C’est une question cruciale pour les décideurs d’entreprise. Car le sentiment du temps détermine directement le rythme des actions — si la fenêtre d’opportunité s’étend sur 20 ans, il est possible de planifier sereinement ; si elle ne dure que 3 à 5 ans, de nombreuses actions doivent être lancées immédiatement.

Une déduction très naturelle consiste à se référer aux données historiques d’Utterback et de Klepper : l’industrie automobile a mis environ 15 à 20 ans pour passer de la phase fluide à l’établissement d’un design dominant, et 50 à 60 ans pour passer du pic à l’intégration approfondie — si l’IA suit cette échelle de temps, il nous semble rester encore beaucoup de temps.

Mais il y a une question très cruciale ici — les deux outils d'Utterback et de Klepper s'appuient tous deux sur les données du secteur manufacturier. Le calendrier d'évolution industriel du secteur manufacturier peut-il être directement appliqué à l'ère numérique et de l'IA ? Si non, quel est alors le véritable calendrier ? C'est la question à laquelle nous allons répondre maintenant.

Différences structurelles entre la fabrication et l'ère numérique — et pourquoi cela s'accélère

L'évolution industrielle du secteur manufacturier est naturellement lente, car elle présente plusieurs caractéristiques communes :

• Les produits physiques nécessitent une usine, une chaîne d'approvisionnement et des canaux de distribution — leur expansion est limitée par des contraintes physiques

Établir des économies d'échelle nécessite un capital considérable et du temps — la construction d'usines et la mise en place de la chaîne d'approvisionnement sont des actions à long terme.

• L'adoption des utilisateurs est limitée par la vitesse de distribution physique — une voiture prend plusieurs semaines, voire plusieurs mois, pour passer de la production à la livraison à l'utilisateur.

• L'évolution technique est limitée par le rythme d'itération des procédés, des matériaux et des équipements de production — chaque amélioration nécessite la reconstruction de la ligne de production

En raison de ces caractéristiques, la phase de saturation de l'industrie automobile dure environ 20 ans, et passer de la conception dominante à l'intégration approfondie prend encore plusieurs décennies. Ces échelles de temps ne constituent pas une « loi universelle » de l'évolution industrielle, mais résultent des contraintes physiques et capitalistes propres à la fabrication.

Lorsque ces contraintes sont numériquement supprimées, les quatre caractéristiques connaissent des changements fondamentaux, et l'échelle de temps de l'évolution industrielle est directement compressée :

• La distribution coûte presque rien — une application peut atteindre le monde entier en quelques mois ; ChatGPT a atteint 100 millions d'utilisateurs en seulement environ deux mois, ce qui en fait l'un des produits grand public les plus rapidement adoptés de l'histoire.

• Les économies d'échelle ont été remplacées par les effets de réseau et la boucle de données — les économies d'échelle dans la fabrication s'accumulent sur des années dans les usines, tandis que les effets d'échelle dans l'industrie numérique peuvent établir une croissance exponentielle en boucle fermée en 1 à 2 ans.

• L'adoption par les utilisateurs est limitée par la bande passante et les terminaux, et non par la distribution physique — réduisant le temps de « plusieurs semaines à plusieurs mois » à « quelques minutes de téléchargement et utilisation immédiate ».

• L'évolution technologique est limitée par les talents et la puissance de calcul, et non par les procédés et les équipements — les entreprises leaders accumulent en un temps très court des capitaux, une puissance de calcul et des talents considérables (les cinq principales entreprises technologiques américaines ont promis un investissement combiné dans les infrastructures IA d'un montant de l'ordre de 700 milliards de dollars d'ici 2026), un rythme d'accumulation de capital inimaginable à l'ère manufacturière.

Outre ces quatre changements fondamentaux, l'ère numérique ajoute deux facteurs d'accélération supplémentaires :

• Boucle de rétroaction accélérée — Les produits numériques permettent des tests A/B en temps réel, réduisant les retours de « années » à « jours, voire heures », ce qui accélère la vitesse d'apprentissage et comprime considérablement le temps nécessaire à la composition des compétences.

• Concurrence mondiale synchronisée — L'industrie numérique est depuis le départ un marché mondial, avec davantage de participants, une concurrence plus rapide et des mutations plus brutales.

Question clé : Dans quelle mesure ces différences compressent-elles l'échelle temporelle de l'ère numérique par rapport à l'ère manufacturière ?

Comparaison de la vitesse d'évolution des six industries de l'ère numérique

Nous examinons quelques secteurs numériques ayant déjà accompli l'évolution de la phase de liquidité à la phase de transition :

Smartphones (2007-2012) —— L'iPhone est lancé en 2007, Android rejoint le marché en 2008, et vers 2010, le duopole iOS + Android s'impose clairement. Vers 2013, Nokia, BlackBerry et Windows Phone quittent pratiquement le marché dominant. Passage de la phase de fluidité à la stabilisation de la transition : environ 5 ans.

Réseaux sociaux (2004-2012) — Facebook a été lancé en 2004 ; entre 2004 et 2008, plusieurs plateformes ont concouru (MySpace, Facebook) ; vers 2010, Facebook a établi sa domination mondiale. Passage de la période de fluidité à la stabilisation de la transition : environ 6 à 8 ans.

Navigateurs web (1994-2000) —— Netscape est lancé en 1994, la guerre des navigateurs a lieu de 1995 à 1998 (Netscape contre IE), et IE domine le marché de 1999 à 2000. Passage de la phase de fluidité à la phase de stabilisation : environ 5 à 6 ans.

Cloud computing IaaS (2006-2015) — AWS a été lancé en 2006, plusieurs acteurs ont concouru entre 2010 et 2013, et la structure des trois principaux fournisseurs s'est clarifiée entre 2016 et 2018 (AWS, Azure, GCP). Passage de la phase de fluidité à la stabilisation de la phase de transition : environ 8 à 10 ans.

Véhicules électriques (2010-?) —— Dirigés par Tesla vers 2010, plusieurs nouveaux acteurs ont émergé entre 2015 et 2020, et un paysage de leaders s'est progressivement dessiné vers 2025, bien que la transition soit encore en cours. Prévision de stabilisation : environ 12 à 15 ans (impliquant une fabrication physique, légèrement plus lente que les industries purement numériques — ce qui nous rappelle que les composantes physiques de l'IA, telles que les corps mécaniques/matériels de l'intelligence incarnée, seront nettement plus lentes que les composantes purement numériques).

Évaluation quantifiée avec échelle de temps compressée

Comment déduire un facteur de compression utilisable à partir des données de durée des cinq industries ? L'auteur a conçu une méthode de raisonnement logique.

Étape 1 · Sélectionner l'industrie de référence

L'industrie de référence doit répondre à trois conditions :

Structure complète : traverser l'ensemble du processus de la phase de liquidité → la phase de transition → la phase spécialisée

Les données sont vérifiables : entrée et sortie des entreprises, établissement de la conception dominante, intégration approfondie avec des données historiques vérifiables

La durée est suffisamment longue : elle fournit l'échelle de temps native non compressée.

Les données de l'industrie automobile américaine de 1895 à 1966 suivies par le système Klepper répondent à ces trois critères.

Mais il faut encore se demander : le cycle temporel interne à la fabrication n’est pas uniforme (les téléviseurs ont un T1 d’environ 6 à 8 ans, les voitures un T1 d’environ 15 à 20 ans, soit une différence proche de deux fois), pourquoi prendre l’automobile comme référence représentative de l’ère manufacturière ?

Cela peut être exploré à travers le cadre d'analyse de la section 5.1 — six facteurs structurels (distribution physique, économies d'échelle, adoption par les utilisateurs, évolution technologique, boucles de rétroaction, concurrence mondiale). Ce cadre permet non seulement d'expliquer les différences entre « fabrication » et « numérique », mais aussi les différences au sein même de la fabrication. La télévision (lancée en 1946) a évolué 2 à 3 fois plus vite que l'automobile (lancée en 1895), car elle a bénéficié des actifs déjà accumulés par l'industrie précédente (la radio) sur ces six facteurs — réseaux de distribution, procédés de fabrication de tubes électroniques, perception des utilisateurs, fondations technologiques — sans avoir à tout construire depuis le début.

Cette analyse révèle une loi plus profonde : la compression des échelles de temps n'est pas le résultat d'un seul saut, de l'ère manufacturière à l'ère numérique, mais un processus continu d'accélération accumulée sur plusieurs générations et par plusieurs facteurs. Le choix de l'automobile comme référence ne repose pas seulement sur trois critères superficiels — « structure complète + données accessibles + longue durée » — mais surtout sur le fait que l'automobile constitue le cas le plus complet de construction à partir de zéro : tous les six facteurs doivent être développés dès le départ, sans industrie préexistante pour les prendre en charge, ce qui en fait une échelle de temps native non accélérée par des accumulations antérieures. Le facteur de compression obtenu en utilisant cette référence permet d'estimer approximativement la valeur maximale de l'accélération cumulée de l'ère numérique.

Étape 2 · Comparer les cinq industries numériques

En se basant sur les voitures T1 (15-20 ans) :

Étape 3 · Classer l'IA à l'aide du cadre des six facteurs

Revenons au cadre des six facteurs — le degré d’accélération de l’accumulation préalable d’un secteur sur six facteurs détermine directement son facteur de compression. En suivant cette logique, examinez les données du tableau :

Véhicules électriques : compression minimale (1,3 à 1,5 fois), car ils nécessitent toujours la construction indépendante de trois chaînes : fabrication physique, chaîne d'approvisionnement et itération matérielle ;

Industries entièrement numériques telles que les navigateurs et le cloud computing : réduction de 2 à 3 fois, car elles bénéficient de l'accumulation de l'ère du PC et des débuts d'Internet ;

Écosystème d'applications mobiles : réduction la plus importante (3 à 4 fois), car il est apparu après une infrastructure numérique hautement développée — presque toutes les contraintes préalables parmi les six facteurs ont été résolues.

Alors, à quelle catégorie appartiennent les grands modèles d'IA et leurs applications ? L'auteur analyse que :

Il apparaît à la pointe de l'ère numérique — le cloud computing, l'Internet, les appareils mobiles, l'écosystème de développeurs et les infrastructures de données sont tous hautement matures ; en même temps, l'IA génère elle-même deux boucles d'auto-accelération sans précédent : l'effet de réseau et la roue des données (plus on l'utilise → plus de données → modèle plus puissant → plus d'utilisateurs).

Selon le cadre des six facteurs, le facteur de compression de l'IA devrait se situer entre 3 et 5 fois : la limite inférieure de 3 fois s'inspire des industries déjà confirmées comme « accélération tardive » dans le tableau (par exemple, les navigateurs et les écosystèmes d'applications mobiles) ; la limite supérieure de 5 fois est une extrapolation tenant compte des deux boucles d'auto-accélération uniques à l'IA — un phénomène sans précédent dans l'histoire, donc une estimation raisonnable mais encore à valider.

Aperçu intergénérationnel et estimation globale

En résumant cette analyse, on peut établir un aperçu complet de la comparaison intergénérationnelle :

Évaluation globale : de l’ère manufacturière à l’ère numérique, l’échelle de temps de l’évolution industrielle a été réduite d’environ 3 à 5 fois ; on estime que le facteur de compression réel des grands modèles d’IA et de leurs applications se situe dans la partie supérieure de cette fourchette.

[Notification nécessaire] : L'échantillonnage comparatif ci-dessus ne prend en compte que les industries numériques ayant déjà établi leur conception dominante, et exclut les secteurs encore en évolution tels que la RV/RA, le métavers, et les applications Web3/chaîne de blocs — tous dépassant largement les prévisions de compression de 3 à 5 fois et restant en phase fluide. Autrement dit, la prémisse d'une compression de 3 à 5 fois suppose que l'IA suivra le chemin des industries numériques déjà convergées. Si cette hypothèse change, la compression de 3 à 5 fois devra être ajustée en conséquence.

Après avoir estimé que l'échelle de temps est compressée d'environ 3 à 5 fois, nous pouvons analyser les coordonnées temporelles spécifiques des grands modèles d'IA et de leurs applications. Ce n'est bien sûr pas une prédiction précise, mais une estimation raisonnable basée sur des comparaisons historiques. De plus, la possibilité de faire cette estimation repose sur l'hypothèse que les grands modèles d'IA suivront la trajectoire A (formation d'une conception dominante) et non la trajectoire B (diversité permanente).

Le jugement global de l'auteur est que la probabilité que les grands modèles d'IA suivent la trajectoire A est nettement supérieure à celle de suivre la trajectoire B — mais la forme n'est pas un « seul modèle en T », mais plutôt une « conception multicouche basée sur une pile de protocoles hiérarchisés ».

Outre les arguments présentés dans la section 2.1.1 à partir des exigences économiques du secteur et de la pile de protocoles Internet en couches, trois signaux observables actuellement soutiennent également fortement ce jugement :

• L'ensemble des outils techniques s'est stabilisé — les architectures Transformer, le pré-entraînement + l'entraînement postérieur (SFT + RLHF/DPO), la fusion multimodale et l'appel d'outils / l'agentisation sont presque unanimement adoptés par tous les principaux modèles. Cela correspond à la norme avant l'émergence d'une conception dominante dans l'histoire.

• Des conceptions dominantes émergent au niveau des sous-couches : la couche d’agents de programmation s’est convergée vers les modèles Claude Code / Cursor / Copilot / Windsurf ; les produits nativement multimodaux suivent la voie « modèles de diffusion + fidélité sur de longues séries temporelles » ; au niveau des Copilotes entrepris, Microsoft 365 Copilot est devenu la norme de facto. Il n’est pas nécessaire que « tout l’IA » converge simultanément : les sous-couches se forment indépendamment en de petites conceptions dominantes.

• La conception dominante au niveau protocole est en train de prendre forme — MCP (proposé par Anthropic à la fin de 2024, intégré progressivement par OpenAI / Google / Microsoft en 2026), réseau A2A — les conceptions dominantes au niveau protocole sont généralement plus durables que celles au niveau produit (tout comme TCP/IP l'est par rapport à n'importe quel navigateur).

[Notification nécessaire] : Une fois que les deux signaux inversés sont confirmés, les coordonnées temporelles de cet article doivent être recalibrées :

Signal d'inversion 1 : La formule « plus grand, plus fort » pourrait cesser de fonctionner. Au cours des cinq dernières années, les capacités de l'IA ont été principalement poussées par la formule brute « modèles plus grands + plus de données + plus de puissance de calcul » (loi d'échelle). Si cette formule atteint ses limites entre 2027 et 2028, sans voie de remplacement immédiate et efficace — l'industrie sera contrainte d'explorer des approches totalement différentes, telles que les modèles du monde, Mamba ou les architectures natives d'agents — et la « convergence technologique » actuellement observée pourrait se briser.

Signal inverse deux : passage de la « coexistence de plusieurs camps » à des « conceptions dominantes propres à chaque camp ». La coexistence actuelle de plusieurs camps est en soi une manifestation normale de la « différenciation des capacités » — le véritable risque réside dans le fait que cette différenciation s’approfondisse jusqu’à une « totale absence d’interopérabilité ». Deux forces poussent dans cette direction : premièrement, le « cerveau » de l’intelligence incarnée (appelé académiquement modèle VLA) — qui, en raison de la nécessité de percevoir et traiter en temps réel les retours physiques, pourrait évoluer selon une trajectoire totalement différente de celle des grands modèles de discussion ; deuxièmement, les deux grands camps, États-Unis et Chine, continuent de s’éloigner en matière d’architecture, de protocoles, d’écosystèmes et de réglementation. Si l’on passe d’une « conception dominante unifiée » à plusieurs « conceptions dominantes propres à chaque camp », le repère temporel pourrait changer.

Trois lignes temporelles clés (hypothèses)

Continuant l'analyse précédente, si l'on situe le point de départ de l'industrialisation des grands modèles d'IA en 2020 avec le lancement de GPT-3 (ce qui constitue le point de référence largement reconnu par l'industrie : l'architecture Transformer est mature, les capacités émergentes sont pour la première fois observées, et une API commerciale destinée aux entreprises est mise en place pour la première fois), en partant de ce point initial et en projetant vers l'avenir, l'auteur a tracé un calendrier global couvrant la période de 2020 à 2035, divisé en quatre phases :

Développez en détail selon le schéma global : pour les décideurs d'entreprise, trois lignes temporelles clés méritent une analyse et une attention approfondies (domaine d'analyse : grands modèles d'IA et leurs applications ; les éléments présentant une forme physique indépendante ou une logique industrielle autonome doivent être évalués selon leur vitesse d'évolution respective).

Ligne chronologique 1 : Apparition du design dominant — apparition par niveaux, prévue entre 2026 et 2032, déployée par étapes

Les rythmes de convergence des différents sous-niveaux ne sont pas synchronisés et présentent de grandes différences. Sur la base des signaux observables actuels, une estimation par paliers (et non un calendrier précis) peut être effectuée :

• Apparu plus tôt (autour de 2026-2028) — Niveau protocole (MCP / A2A / spécifications d'appel API) et niveau des agents de programmation. Le coût d'itération au niveau protocole est relativement faible, et le consensus entre fabricants se forme rapidement, avec une ébauche de standard de fait déjà présente ; le niveau des agents de programmation présente déjà une convergence claire des formes produit (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma etc. ) .

• Émergence à moyen terme (autour de 2027-2029) — Trois lignes directrices pour les formes de produits : assistant de conversation universel, produits natifs multimodaux (modèles de diffusion + approche de fidélité temporelle longue), copilote intégré (forme orientée vers les flux de travail d'entreprise). Ces trois couches présentent déjà des signes clairs de convergence chez les leaders, et la pénétration des produits leaders auprès des clients augmente rapidement ; toutefois, une finalisation complète nécessitera encore 2 à 3 ans.

• Apparition plus tardive (autour de 2028-2030) — Niveau bureau/bureau Agent (représenté par WorkBuddy, Coze, Bailing, etc.). Piloté principalement par l'ancrage écosystémique, avec une progression rapide grâce à l'accès, aux chaînes de collaboration professionnelle et à la position écosystémique ; toutefois, le déploiement professionnel est encore au stade initial de la transition de « l'efficacité individuelle » vers « l'efficacité organisationnelle », avec une stabilisation complète attendue vers 2028-2030.

• Apparition la plus tardive (2030-2032 et au-delà) — couche des agents autonomes généraux (Manus, Operator, etc.), paradigme de collaboration entre plusieurs agents, innovations fondamentales au niveau de l’architecture, couche « cerveau » de l’intelligence incarnée (modèles VLA). Les agents autonomes généraux et la collaboration entre plusieurs agents rencontrent des problèmes profonds en matière de fiabilité, de structure des coûts, de délimitation des responsabilités et de protocoles interdomaines ; leur convergence est nettement plus lente que celle de la couche purement numérique. Actuellement, la couche d’architecture se manifeste par une « convergence superficielle des outils » (Transformer + MoE + post-entraînement + architecture de mémoire) ; de véritables innovations fondamentales sont attendues après 2030.

[Notification nécessaire :] Les fourchettes ci-dessus ne sont que des estimations raisonnables basées sur les signaux actuels — elles indiquent une perception temporelle, pas un calendrier précis. Avant 2030, l'architecture, la forme et les dimensions de la concurrence sont encore en évolution ; après 2030, les règles du jeu pourraient commencer à se réinitialiser par niveaux.

Timeline 2: Window closure · Expected 2026-2030 (Frontier Model Layer closes first)

L'observation centrale de Klepper est que « la fermeture de la fenêtre d'entrée précède le signal de réorganisation » — le taux d'entrée dans l'industrie automobile a chuté en 1910, tandis que la réorganisation s'est manifestée entre 1920 et 1960, avec un retard de 10 à 15 ans. Dans l'ère numérique, ce délai est compressé de 3 à 5 fois, ce qui réduit cet écart à 2 à 5 ans — ainsi, la fermeture de la fenêtre d'entrée se produit environ 2 à 5 ans avant la réorganisation approfondie, soit entre 2026 et 2030.

Mais il faut considérer les différentes étapes de la fermeture de manière hiérarchique :

• Couche des modèles de pointe : la plus tôt à se fermer ; entrer en tant que nouvel arrivant pur dans cette couche deviendra très difficile après 2027-2028 — la combinaison de puissance de calcul, de talents et de confiance des entreprises approche de sa fin ; on observe dès 2026 une concentration des capitaux de risque mondiaux destinés à la couche des modèles de pointe vers un nombre restreint d'acteurs.

• Couche de protocole et couche de chaîne d'outils : fermeture plus précoce ; une fois que les spécifications de protocoles tels que MCP/A2A deviennent dominantes, les entrants tardifs doivent se connecter à l'écosystème plutôt que de créer un nouveau système.

• Niveau application et niveau de forme produit : relativement ouvert ; le niveau des agents de programmation voit sa fenêtre se fermer rapidement en raison de l'intégration commerciale rapide des produits leaders ; toutefois, il reste encore un espace relativement ample pour les produits natifs multimodaux, les agents bureautiques / de bureau, avec des opportunités toujours présentes jusqu'en 2028-2032.

• Couche d'intégration verticale : ouverture à long terme, la fenêtre d'intégration de l'IA avec des secteurs verticaux tels que la santé, le droit, l'éducation, pourrait durer au-delà de 2035

Signification principale : Les différents niveaux stratégiques présentent des urgences d'entrée nettement différentes — la fenêtre d'entrée pour les modèles de pointe est la plus courte, tandis que celle pour les applications et l'intégration verticale est relativement plus longue.

Timeline 3 : Le grand mélange commence · Prévu pour 2030-2035 (se produit principalement au niveau des modèles de pointe)

Le mécanisme de composition des compétences de Klepper fonctionne plus rapidement à l'ère numérique — 8 à 10 ans pourraient produire l'effet de composition atteint en 30 ans à l'ère manufacturière. L'écart de compétences entre les entreprises sera exponentiellement amplifié au cours de cette fenêtre temporelle jusqu'à devenir irréversible.

Mais l'intensité du mélange profond est également répartie par niveau :

• Le niveau des modèles de pointe subit le plus profond remaniement : composition des capacités, barrières de capital en calcul, concentration de la confiance des entreprises — cela pourrait converger vers quelques acteurs majeurs.

• Le réarrangement au niveau de la couche application et de la couche forme produit est moins important : chaque couche pourrait conserver quelques acteurs principaux, avec une plus grande longue traîne

• Les réorganisations au niveau du protocole se produisent presque jamais : une fois stabilisé, la norme devient la norme

• Le réarrangement de la couche d'intégration verticale est lié à la logique des industries traditionnelles : l'IA n'est qu'une des variables ; le rythme du réarrangement propre à l'industrie dominera.

Urgence de la fenêtre d'entrée des entreprises

En regardant ensemble ces trois lignes de temps, une déduction clé :

La plupart des entreprises qui ont pour stratégie centrale les grands modèles d'IA et leurs applications n'ont probablement que 2 à 4 ans pour ajuster leur stratégie — afin d'établir leur position avant 2030, notamment au niveau de la conception des produits, elles doivent accomplir leur choix de direction et leur entrée sur le marché d'ici 2028 ; à l'inverse, les années 2026-2027 constituent les deux années les plus cruciales.

Mais cette chronologie repose sur une hypothèse : les économies d'échelle et le modèle économique accompliront des sauts critiques avant 2027-2030. La validation inverse de la septième partie montrera que « les économies d'échelle et le modèle économique ne sont pas encore établis » est l'une des observations les plus réalistes pour 2026. Si les défis liés au modèle économique persistent au-delà de 2028 sans être résolus, la fenêtre d'émergence du design dominant pourrait être repoussée de 2 à 3 ans — autrement dit, les coordonnées temporelles ci-dessus dépendent de deux hypothèses : « l'IA suit la trajectoire A + les économies d'échelle franchissent le seuil dans les 3 à 4 ans ». Tout changement sur l'une de ces hypothèses nécessitera une recalibration des coordonnées temporelles.

Pour les parties impliquant des formes physiques indépendantes ou des logiques industrielles autonomes (matériel d'intelligence incarnée, IA + secteurs verticaux, etc.), les calendriers doivent être ajustés selon leur propre rythme — mais la loi fondamentale selon laquelle les différences de taux de composition des capacités sont amplifiées de manière exponentielle s'applique à tous les niveaux.

C'est l'échelle temporelle de l'évolution de l'industrie de l'IA — une sensation temporelle hiérarchisée, conditionnelle et précise dérivée d'un cadre d'analyse.

Une analyse rigoureuse doit résister à l'épreuve des données les plus récentes. Utilisez les tendances observables de l'industrie de l'IA en 2026, à travers quatre angles — produit, entreprise, commerce, terrain — pour effectuer une validation inverse des jugements précédents sur la « zone de divergence » : choisissez simplement six signaux les plus révélateurs.

Vérification 1 : L'architecture est toujours ouverte.

L'évolution de l'architecture en 2026 continue de suivre plusieurs voies simultanément : sous la domination des Transformer, les experts mélangés (MoE) dans Gemini 3.1 Pro, DeepSeek Application complète dans des modèles tels que V4 ; le calcul d'inférence devient une dimension clé de la concurrence pour les nouvelles versions de GPT, Claude et autres ; les modèles d'état (famille Mamba) et les architectures natives d'agents continuent d'inspirer de nouvelles explorations en 2025-2026 ; la direction des modèles du monde est activement poussée par des chercheurs de premier plan tels que Fei-Fei Li et Yann LeCun. Les fenêtres de contexte évoluent rapidement, passant de plusieurs dizaines de milliers à deux millions de tokens ; le rendement marginal décroissant des lois d'échelle commence également à être discuté publiquement en 2026 — ce qui indique que les voies technologiques sont toujours en cours de réévaluation.

Conclusion : Au niveau de l'architecture, il est clairement encore en cours de fluidité. Les facteurs de faisabilité technique du design dominant ne sont pas encore satisfaits — ce qui constitue précisément la preuve directe de cette face du « corridor de différenciation » où « le dimension produit reste ouverte ».

Vérification 2 : Une différenciation réelle s’est produite au niveau des entreprises — mais le paysage est caractérisé par plusieurs camps coexistant.

La structure réelle du paysage des modèles de pointe en 2026 est une structure multipolaire, sans leader absolu :

• Groupe de tête américain : OpenAI, Anthropic, Google en tête, suivis de près par Meta (série Llama) et xAI

• Groupe des pays ouvrant leur chemin en Chine : DeepSeek 、Qwen、 Kimi , Zhipu, Doubao , Hunyuan, etc., développent une compétitivité indépendante sur les axes du coût, de l'open source, du multilinguisme et des scénarios verticaux

• Europe/autres : Mistral occupe une place dans l'écosystème open source

En parallèle, les signaux de différenciation sont clairement observables : la part de trafic des utilisateurs de ChatGPT a considérablement reculé par rapport à sa précédente domination absolue, l'utilisation de Gemini a augmenté de plusieurs fois sur une base annuelle, et Anthropic connaît une croissance rapide dans les scénarios entreprises et développeurs, avec un ARR entré dans la tranche des cent milliards de dollars et un chiffre d'affaires trimestriel atteignant plusieurs dizaines de milliards de dollars.

Conclusion : Cela correspond parfaitement à la notion de « zone de différenciation » — sur le plan des produits, un paysage ouvert avec plusieurs camps coexiste encore (architecture non définie, stratégie non définie), mais sur le plan des entreprises, la différence de capacité entre les leaders et les non-leaders est déjà nettement visible. Il est important de noter que la « différenciation des capacités » ne signifie pas « quelques-uns seulement qui remportent la victoire » — il s'agit peut-être plutôt de « plusieurs camps qui s'éloignent chacun de leur côté ».

Vérification 3 : La structure industrielle évolue vers une « concentration hiérarchisée + orchestration de plusieurs modèles »

Lakhani a prédit que la « concentration hiérarchisée » et l'« orchestration multi-modèles » seraient fortement validées dans la réalité en 2026 :

• Couche de modèles de pointe : plusieurs fabricants leaders et plusieurs camps occupent simultanément le terrain (voir 7.2)

• Couche d'intégration entreprise : Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein, etc., ont chacun déployé leurs solutions

• Couche d'écosystème ouvert : DeepSeek (Raisonnement à faible coût), Llama, Mistral sont respectivement ancrés

• Couche spécialisée : NVIDIA (GPU), AMD/Intel, Cerebras/Groq (puces à nouvelle architecture) occupent respectivement leurs positions — les barrières à l'entrée à ce niveau sont poussées à leur limite par l'accumulation de capital décrite à la section 5.1

En parallèle, l'orchestration de plusieurs modèles est passée du statut de « modèle émergent » à celui d'utilisation courante — les utilisateurs ne demandent plus « quel modèle est le plus fort », mais « quel modèle est le plus fort dans quel scénario » : utiliser Claude pour l'écriture et la programmation, Gemini pour la recherche et l'analyse, et ChatGPT pour la génération d'images et les conversations générales est devenu une norme.

Conclusion : l'hypothèse de concentration hiérarchique et l'orchestration multi-modèles sont toutes deux valables — et l'évolution de la concentration hiérarchique est plus rapide que prévu.

Vérification 4 : l'échelle de temps est effectivement fortement compressée

Les principales preuves de la compression de l'échelle temporelle proviennent des quatre courbes : « vitesse d'adoption, flux de capital, baisse des coûts, itération des capacités » :

• Vitesse d'adoption : ChatGPT a atteint 100 millions d'utilisateurs en environ deux mois, l'un des produits grand public les plus rapidement adoptés de l'histoire.

• Vitesse d'entrée des capitaux : Anthropic a mis environ 4 ans pour atteindre un ARR de niveau milliardaire, contre plusieurs décennies à l'ère manufacturière.

• Vitesse de baisse des coûts : Le prix des tokens des principaux grands modèles a diminué d'environ deux ordres de grandeur au cours des trois dernières années, et les coûts d'inférence des modèles open source de pointe et à faible coût sont désormais dans la fourchette de « centimes par million de tokens »

• Vitesse d'itération des capacités : moins de 6 ans entre la série GPT-3 et GPT-5 — dans l'ère manufacturière, une itération de produit typique prenait généralement 5 à 10 ans

Conclusion : La compression de l'échelle temporelle est non seulement valide, mais sur certaines courbes spécifiques (adoption, coût, itération des capacités), le degré de compression peut atteindre 5 à 10 fois. Toutefois, il faut noter que la vitesse de compression de ces courbes spécifiques dépasse celle de l'évolution globale de l'industrie, car l'évolution globale de l'industrie est encore contrainte par des variables lentes telles que la validation du modèle économique, la stabilisation de la réglementation et la maturité de l'écosystème, restant ainsi dans la fourchette médiane de 3 à 5 fois établie à la section 5.3. Autrement dit, le « côté signal » de l'évolution de l'industrie de l'IA (les courbes) s'est clairement accéléré, tandis que le « côté structurel » (l'établissement du design dominant) nécessite une période de maturation plus longue.

Vérification 5 : Les économies d'échelle et le modèle économique stable ne sont pas encore établis

Parmi les cinq facteurs clés de la conception dominante, « l’émergence des économies d’échelle » est une condition nécessaire — une conception dominante ne peut véritablement se solidifier que lorsque le coût de livraison à grande échelle est suffisamment bas, que le modèle économique générant des bénéfices stables est clair, et qu’un cercle vertueux « investissement – rendement – réinvestissement » s’établit. En appliquant ce critère aux grands modèles d’IA et à leurs applications en 2026, on constate que les économies d’échelle et le modèle commercial sont loin d’être établis :

• Les coûts d'entraînement et d'inférence continuent de varier fortement — le prix des tokens a diminué d'environ deux ordres de grandeur au cours des trois dernières années, et les prix d'inférence pour les modèles open source de pointe et à faible coût sont désormais dans la plage des "centimes par million de tokens" ; la courbe des coûts évolue encore rapidement, loin d'être "stable".

• Les entreprises de pointe continuent d'investir massivement et de manière soutenue — les entreprises de modèles avancés comme OpenAI et Anthropic sont généralement en phase de forts investissements et de levées de fonds importantes ; bien que le ARR d'Anthropic ait atteint le niveau des dizaines de milliards de dollars, il reste encore dans une phase où les investissements en entraînement et en puissance de calcul dépassent largement les rendements.

• Le retour sur investissement (ROI) de l'IA pour les entreprises est plus lent que prévu — la majorité des projets d'IA entreprise restent à la phase de POC ou de pilote ; la transformation de l'IA en une augmentation de la productivité totale des facteurs et en une croissance positive du ROI / ROE est encore largement en cours d'exploration ; selon les études sectorielles de McKinsey « State of AI » et du MIT NANDA « GenAI Divide » de 2025-2026, la plupart des investissements entreprise en IA n'ont pas encore généré de retour financier positif clair.

• Un modèle économique stable est encore en cours d'exploration : frais d'abonnement, facturation basée sur les tokens, rémunération des agents selon les résultats, personnalisation entreprise, partage des revenus API, open source + services… Chaque modèle a ses acteurs représentatifs, mais aucun n'a encore atteint l'état de « rentabilité à grande échelle + croissance en boucle de rétroaction ».

Conclusion : La roue vertueuse « investissement - rendement - réinvestissement » des grands modèles d'IA et de leurs applications n'a pas encore été établie — c'est là la manifestation directe du fait que les facteurs d'économies d'échelle ne sont pas satisfaits. Si les économies d'échelle et le modèle économique ne sont pas encore stables, alors on se trouve nécessairement encore dans la zone de différenciation, car c'est une condition préalable à la convergence vers une phase spécialisée.

Vérification 6 : WAIC 2026 — « Plus les gens sont de haut niveau, plus leurs divergences sont grandes »

Le WAIC 2026, qui vient de se conclure en juillet 2026, a fourni une preuve en direct du côté de l'« homme ».

Les quatre sujets de pointe de la conférence (intelligence physique, intelligence scientifique, infrastructure de calcul, gouvernance des agents) sont également considérés comme les orientations de la « prochaine étape » — la coexistence de plusieurs branches, sans qu’aucune voie unique ne domine, est la forme typique de cette période de fluidité. Un épisode révélateur à cet égard est que le lauréat du prix Turing 2024, Richard Sutton, et Yin Qi, PDG de Jiepao Xingchen, ont presque simultanément émis deux jugements diamétralement opposés :

• Sutton : « L'IA est encore faible et peu fiable », « le transfert des connaissances humaines » a « atteint ses limites », l'avenir doit entrer dans « l'ère de l'expérience »

• Yin Qi : « Les capacités des modèles en 2026 franchissent un point critique », « L'industrie se trouve au pied de la montagne de l'AGI », les agents deviendront « l'unité minimale de productivité »

Dans la même salle, au même moment, deux figures extrêmement représentatives ont donné des réponses presque opposées à la question « Où sommes-nous exactement ? ». Par ailleurs, Yoshua Bengio a averti que « la société n’est pas encore prête à accueillir des systèmes plus puissants et plus autonomes » ; Xue Lan de Tsinghua et Mark Nitzberg de Berkeley ont respectivement défini des limites concernant les « jugements de valeur » et les « décisions de vie ou de mort » — les autorités de régulation et de gouvernance débattent encore des principes, et non des normes d’exécution.

Conclusion : si l'IA était vraiment entrée dans la « seconde moitié » ou la « phase d'exécution après la stabilisation de la conception dominante », les chercheurs de premier plan et les entrepreneurs de premier plan ne présenteraient pas de divergences aussi marquées sur la question la plus fondamentale : « Où en sommes-nous exactement ? » Cela constitue en soi une preuve concrète que nous sommes toujours dans la « zone de divergence ».

Validation globale : Voici la « zone de divergence »

Regardez les six précédentes vérifications ensemble — elles ne sont pas six événements isolés, mais six perspectives indépendantes qui se confirment mutuellement un même résultat. En une phrase :

Les grands modèles d'IA et leurs applications se trouvent actuellement dans une « zone de différenciation » — la segmentation des produits reste ouverte, la différenciation des capacités est déjà en cours, mais les modèles économiques ne sont pas encore éprouvés. C'est le résultat confirmé à trois reprises par la troisième partie (analyse des phases), la sixième partie (coordonnées temporelles) et la présente section (tendances 2026), et non une simple déduction depuis un seul angle.

Revenons aux deux questions initiales — où en sommes-nous, et quel sera le rythme futur ?

En combinant un cadre d'analyse issu de deux outils classiques, en ajoutant une vérification rigoureuse des cinq facteurs dominants et en intégrant une validation inversée des tendances les plus récentes de 2026, on peut apporter une réponse claire sur les modèles d'IA de grande taille et leurs applications actuelles.

Où nous en sommes — les grands modèles d'IA et leurs applications se trouvent actuellement dans la « zone de différenciation » entre la phase de liquidité avancée et la phase de transition initiale. Les facteurs déterminant la conception dominante ne répondent pour l'instant qu'à un seul critère (partiellement), et la structure industrielle pourrait évoluer vers une « concentration hiérarchisée » plutôt qu'un « seul gagnant ».

Comment sera le rythme futur — selon un cadre temporel hiérarchisé, les conceptions dominantes pourraient émerger autour de 2027-2030 sur plusieurs sous-couches, avec un redécoupage profond se manifestant entre 2030 et 2035, laissant aux entreprises environ 2 à 4 ans pour ajuster leur stratégie.

La hiérarchisation signifie que l'urgence varie selon les différents niveaux stratégiques (couche des modèles de pointe / couche d'application / couche d'intégration verticale), mais la loi fondamentale de la « composition des différences de capacité » s'applique à toutes les couches. Ce qui est présenté ici est une perception temporelle hiérarchisée et conditionnelle, et non un calendrier précis — le rythme d'évolution spécifique sera ajusté en fonction des conditions préalables telles que les lois de mise à l'échelle et les tendances de fragmentation.

Pour les décideurs d'entreprise, ces deux jugements ensemble forment un cadre temporel. Au-dessus de ce cadre se pose une question encore plus fondamentale : à quel moment et dans cette fenêtre temporelle, comment une entreprise devrait-elle réfléchir, agir et s'ajuster ?

The author will discuss this issue in the next article…

Cet article provient du compte officiel WeChat « Tencent Research Institute » (ID : cyberlawrc), auteur : Li Hongsheng