Le prix d’entrée

Chapitre 1 — L'entrepreneur qui n'avait pas les moyens

Une idée peut être excellente et exiger, dès le premier jour, des compétences que le capital de celui qui l'a eue ne permet pas d'acheter. C'est de cette contrainte, et non d'un enthousiasme pour la technologie, que part cette série.

Je développe une entreprise avec très peu d'argent. Ce n'est pas une confidence, c'est la situation ordinaire de la plupart des fondateurs, et c'est une contrainte que je peux décrire avec précision parce que je la vis.

Une plateforme comme celle que je construis suppose, pour exister sérieusement, des développeurs, un designer, quelqu'un qui pense le produit, quelqu'un qui écrit, quelqu'un qui analyse les données, quelqu'un qui parle aux premiers clients. Ce sont six métiers. Je n'ai les moyens d'en payer aucun au prix du marché.

Il y a une manière commode d'ignorer ce problème : demander à des professionnels de travailler très en dessous de leur tarif contre la promesse d'un avenir commun. Je ne le fais pas, et pas par vertu. Un développeur expérimenté a un prix parce qu'il a une valeur, et cette valeur ne diminue pas parce que je manque d'argent. Lui demander de renoncer à 70 % de son revenu au nom d'un pari qu'il n'a pas choisi n'est pas une stratégie, c'est un report du problème sur quelqu'un d'autre.

Le problème est donc simple, et il précède toute discussion sur la technologie.

Il faut distinguer quatre choses qu'on confond souvent. Avoir une idée. Savoir qu'elle est réalisable. Avoir les compétences pour la réaliser. Avoir l'argent pour payer quelqu'un qui les a. Un fondateur possède typiquement les deux premières. Les deux dernières sont exactement ce qui lui manque, et elles sont liées : la compétence qu'on n'a pas s'achète, et l'achat suppose du capital.

Voici ce qui a changé pour moi, décrit sans emphase. Avec une fraction de ce qu'aurait coûté un seul prestataire, j'ai pu, en une journée, transformer une idée en prototype fonctionnel : une interface, une logique, des textes, une première structure de données. Il y a trois ans, ce travail aurait exigé plusieurs jours ou semaines et au moins trois compétences distinctes que je ne possède pas au niveau requis.

Il faut résister à deux lectures fausses de cette expérience.

La première consiste à dire que j'ai remplacé une équipe. Je n'ai remplacé personne, puisque je n'avais personne. La seconde consiste à dire que le prototype vaut le produit. Il ne le vaut pas, et j'y reviendrai longuement au chapitre 3.

Ce que j'ai fait est plus étroit et plus intéressant : j'ai fait quelque chose que je n'avais pas les moyens de faire. Ma capacité d'action a augmenté sans que mon capital augmente.

Un ordre de grandeur donne la mesure de ce déplacement. Selon l'AI Index 2025 de l'université Stanford, le coût de génération d'un million de tokens à un niveau de performance comparable à GPT-3.5 est passé d'environ 20 dollars en novembre 2022 à environ 7 centimes en octobre 2024. Une division par 280 en moins de deux ans. Aucune compétence humaine n'a jamais vu son prix évoluer ainsi.

L'objection

On pourrait m'objecter que je décris un cas particulier : un fondateur qui sait suffisamment de choses pour piloter des outils, sur un produit logiciel, dans un secteur où le prototype se fabrique avec du texte et du code. Un restaurateur, un industriel, un transporteur ne verraient rien de tel. L'objection est sérieuse, et elle délimite le sujet : cette série parle des entreprises dont les premiers pas sont faits d'information, et il faudra dire jusqu'où cette catégorie s'étend.

Conclusion du chapitre

Le premier obstacle d'un entrepreneur n'est pas l'idée, c'est le prix de la compétence nécessaire pour la tester. Quelque chose a commencé à faire baisser ce prix, et cette baisse est mesurable.

Transition : qu'arrive-t-il, dans une économie, quand le coût d'accès à certaines compétences s'effondre ? Pour répondre, il faut d'abord comprendre pourquoi ce coût existait.

Sources : Stanford Institute for Human-Centered AI, AI Index Report 2025 (Maslej et al., avril 2025), sur le coût d'inférence.

Chapitre 2 — La compétence a toujours eu un prix

Les entreprises existent en partie parce qu'il coûte cher de rassembler des compétences dispersées. L'IA intervient exactement à cet endroit, sans supprimer la compétence : elle en modifie le coût d'accès.

Un entrepreneur qui ne sait pas faire quelque chose a, depuis toujours, quatre options. Apprendre, ce qui prend des mois ou des années. Recruter, ce qui suppose du capital et un pari sur une personne. Sous-traiter, ce qui suppose du capital et un pari sur un contrat. Abandonner.

Cette liste n'est pas anecdotique. Elle décrit la raison d'être des entreprises.

Adam Smith, en 1776, ouvrait La richesse des nations sur une manufacture d'épingles : un ouvrier seul produit quelques épingles par jour, dix ouvriers spécialisés en produisent des milliers. La productivité vient de la division du travail, et la division du travail suppose de réunir des gens qui savent faire des choses différentes.

Ronald Coase, en 1937, posait la question suivante : si le marché coordonne si bien, pourquoi les entreprises existent-elles ? Sa réponse tient en deux mots, coûts de transaction. Trouver la bonne personne, négocier, contracter, vérifier, tout cela coûte. Quand ce coût dépasse celui de l'organisation interne, on crée une entreprise. L'entreprise est une machine à réduire le coût d'accès aux compétences dont on a besoin de façon répétée.

Gary Becker, dans les années 1960, ajoutait la pièce manquante : la compétence est un capital, le capital humain, qui s'accumule par investissement et se rémunère comme un actif. Un développeur expérimenté ne vend pas des heures. Il loue un stock de savoir accumulé sur dix ans.

Mettons ces trois idées ensemble. La compétence est rare parce qu'elle est longue à construire. Elle est chère parce qu'elle est rare. Elle est difficile à assembler parce que chaque assemblage coûte. Les entreprises sont la réponse historique à ces trois contraintes, et l'accès à cette réponse a toujours été réservé à ceux qui pouvaient payer l'assemblage.

Ce qui se déplace

Je voudrais introduire une notion et la tenir jusqu'à la fin de la série : le coût d'accès à la compétence. Ce n'est pas le prix de la compétence elle-même, qui reste ce qu'il est. C'est ce qu'il en coûte à quelqu'un qui ne la possède pas pour obtenir, à un instant donné, un résultat qui en dépend.

Ce coût a toujours été élevé et incompressible, parce qu'il passait nécessairement par une personne. L'IA générative ne change pas la valeur d'un développeur expérimenté. Elle change ce qu'il en coûte à un non-développeur pour obtenir un résultat de développeur, à un niveau qui n'est pas celui de l'expert, mais qui n'est plus zéro.

C'est une distinction qu'on efface quand on parle de « remplacement ». Le remplacement suppose que la machine fait ce que faisait la personne. Ce que je décris est différent : la machine donne à quelqu'un qui n'avait pas la compétence une partie de ce que cette compétence permet. Le bénéficiaire n'est pas l'entreprise qui licencie. C'est l'individu qui n'aurait jamais pu embaucher.

L'objection

Cette conclusion serait pourtant trop rapide. On pourrait m'objecter que Coase n'a pas seulement expliqué les entreprises par le coût d'accès aux compétences, mais par le coût de coordination et de contrôle, et que ce coût, lui, ne disparaît pas. Un fondateur qui produit seul un prototype avec des outils reste seul face à la coordination de ce qu'il ne comprend qu'à moitié. L'objection est juste : l'IA baisse le coût d'obtention d'un résultat, pas celui de sa vérification. Cette asymétrie sera le sujet des chapitres 3 et 7.

Conclusion du chapitre

La compétence a toujours eu un prix, et ce prix a toujours été la barrière entre une idée et une entreprise. Une technologie qui abaisse le coût d'accès à certaines compétences, sans les rendre gratuites ni les remplacer, agit sur la barrière elle-même.

Transition : encore faut-il savoir ce que cet accès permet concrètement, et où il s'arrête.

Sources : Adam Smith, An Inquiry into the Nature and Causes of the Wealth of Nations, 1776, livre I, chapitre 1. Ronald Coase, « The Nature of the Firm », Economica, 1937. Gary Becker, Human Capital, 1964.

Chapitre 3 — Le jour où une équipe tient dans un ordinateur

Ce que l'IA générative permet réellement, chiffres à l'appui, et la ligne qu'elle ne franchit pas : le prototype n'est pas le produit.

Sortons de l'abstraction. Voici ce que j'ai fait, ces derniers mois, avec des outils d'IA et sans équipe : une maquette d'interface, la structure d'une base de données, des textes de présentation dans deux langues, un script d'analyse de données de test, une documentation, des scénarios d'usage, une première version de site. Chacune de ces tâches relevait d'un métier différent. Aucune n'a été faite au niveau d'un professionnel du métier. Toutes ont été faites à un niveau suffisant pour avancer.

Ce que dit la recherche va dans le même sens, avec une précision que mon témoignage n'a pas.

Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié 5 179 agents de support client équipés d'un assistant génératif. La productivité, mesurée en demandes résolues par heure, augmente de 14 % en moyenne. Mais la moyenne cache l'essentiel : le gain atteint 34 % chez les agents novices ou peu qualifiés, et il est presque nul chez les plus expérimentés. L'outil ne rend pas les experts meilleurs. Il rapproche les débutants des experts.

Fabrizio Dell'Acqua et ses coauteurs ont mené une expérience avec 758 consultants d'un grand cabinet. Sur des tâches situées à l'intérieur de ce qu'ils appellent la frontière des capacités du modèle, les consultants équipés ont accompli 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité jugée supérieure. Sur une tâche située hors de cette frontière, ils étaient 19 points de pourcentage moins susceptibles de produire une réponse correcte. La frontière est irrégulière, et on ne sait pas toujours de quel côté on se trouve.

Le résultat qui contredit

Il faut regarder en face l'étude qui va dans l'autre sens, parce qu'elle est bien faite. L'organisation METR a mené en 2025 un essai randomisé avec 16 développeurs expérimentés travaillant sur leurs propres projets open source, 246 tâches d'environ deux heures. Avec les outils d'IA, ils ont mis 19 % de temps en plus. Avant l'expérience, ils prévoyaient un gain de 24 %. Après, alors qu'ils avaient été ralentis, ils estimaient encore avoir gagné 20 %.

Ce résultat est précieux pour deux raisons. Il montre que sur du code complexe, bien connu de son auteur, l'IA peut coûter du temps. Et il montre que la perception de gain est indépendante du gain réel, ce qui devrait rendre prudent tout témoignage, y compris le mien. Les auteurs ont eux-mêmes précisé les limites : développeurs très expérimentés, bases de code de grande taille, outils de début 2025. Leur mise à jour de février 2026 indiquait que l'écart mesuré n'était plus distinguable de zéro avec des outils plus récents, et que le recrutement était devenu difficile parce que les développeurs refusaient de travailler sans IA, ce qui biaise l'échantillon.

Mais notons précisément ce que cette étude mesure : l'effet de l'IA sur des gens qui possèdent déjà la compétence au plus haut niveau. Elle ne dit rien de ce que l'IA fait pour quelqu'un qui ne la possède pas. Les deux résultats, celui de Brynjolfsson et celui de METR, ne se contredisent pas. Ils décrivent les deux extrémités d'une même courbe : le gain est maximal pour qui part de bas et peut devenir nul ou négatif pour qui part de haut.

Prototype et produit

C'est ici qu'il faut poser la distinction qui empêche cette série de devenir un plaidoyer.

Un prototype est une démonstration qu'une idée peut fonctionner. Un produit est une chose qui fonctionne pour des gens qui ne sont pas vous, dans des conditions que vous n'avez pas prévues, avec des données que vous ne contrôlez pas, sous des attaques que vous n'avez pas imaginées, pendant des années. Le premier se juge sur ce qu'il montre. Le second se juge sur ce qu'il ne casse pas.

L'IA compresse spectaculairement le coût du premier. Elle ne compresse pas de la même façon le coût du second, parce que le second exige précisément ce que la frontière de Dell'Acqua désigne : savoir où l'outil se trompe, et cela suppose la compétence qu'on n'a pas. Un produit critique, complexe ou massif continue d'exiger des spécialistes humains, non parce que les outils sont faibles, mais parce que la vérification de ce qu'ils produisent est une compétence en soi.

Ce que l'IA change n'est donc pas la nécessité des professionnels. C'est le moment où l'on peut se permettre de les payer. Avant : au premier jour, avant de savoir si l'idée vaut quelque chose. Après : au moment où l'idée a déjà rencontré un marché.

Conclusion du chapitre

L'IA générative permet à quelqu'un qui ne possède pas une compétence d'obtenir une partie de ce qu'elle permet, et les études mesurent ce gain, maximal pour les novices. Elle ne transforme pas un prototype en produit. Ce qu'elle compresse, c'est le coût de la première partie du chemin.

Transition : si le coût du prototype baisse, alors l'équation financière de la création d'entreprise change. C'est le chapitre suivant.

Sources : Brynjolfsson, Li et Raymond, « Generative AI at Work », NBER Working Paper 31161, 2023. Dell'Acqua et al., « Navigating the Jagged Technological Frontier », Harvard Business School Working Paper 24-013, septembre 2023. METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », juillet 2025, et mise à jour de février 2026.

Chapitre 4 — L'entrepreneur peut acheter du temps

Capital limité, temps limité, compétences limitées : la capacité d'exécution d'un fondateur est le produit de trois contraintes. L'IA en desserre une, et cela modifie la quantité de capital nécessaire pour tester une idée.

Voici l'équation de tout début d'entreprise, réduite à ses termes.

Un fondateur dispose d'un capital limité, d'un temps limité, de compétences limitées. Sa capacité d'exécution est bornée par le plus faible des trois. On peut acheter des compétences avec du capital. On peut acheter du temps avec des compétences, puisque savoir faire, c'est faire vite. On ne peut pas acheter du capital avec du temps, sauf à trouver un investisseur, et un investisseur veut voir quelque chose avant de payer.

Le piège est là. Pour montrer quelque chose, il faut des compétences. Pour avoir des compétences, il faut du capital. Pour avoir du capital, il faut montrer quelque chose.

Ce cercle a une conséquence précise : historiquement, la plupart des idées non financées ne sont pas mortes parce qu'elles étaient mauvaises. Elles sont mortes parce qu'elles n'ont jamais été testées. Le coût du test excédait ce que leur auteur pouvait mobiliser.

Ce que l'IA change dans l'équation

Elle ne crée pas de capital. Elle abaisse le prix de ce que le capital devait acheter en premier. Dit autrement : elle réduit la quantité de capital nécessaire pour arriver au moment où l'on a quelque chose à montrer.

Quatre coûts baissent ensemble, et il faut les distinguer parce qu'ils ne sont pas de même nature.

Le coût d'expérimentation : tester une variante, une interface, un positionnement, coûte des heures au lieu de jours.

Le coût d'apprentissage : comprendre suffisamment un domaine pour prendre une décision, sans le maîtriser, devient rapide.

Le coût de prototypage : c'est celui du chapitre 3.

Le coût de l'échec : c'est le plus important, et le moins discuté. Quand tester une idée coûte trois mois de salaire d'un prestataire, on ne teste que les idées dont on est presque sûr. Quand tester coûte une journée, on teste aussi celles dont on doute. Une baisse du coût de l'échec change le nombre d'idées qu'une même personne osera essayer.

D'où l'idée que je voudrais formuler avec précision : pour certains entrepreneurs, l'IA n'est pas d'abord un outil de productivité. C'est un mécanisme de conversion d'un capital financier limité en capacité productive. Elle ne rend pas l'entrepreneur plus riche. Elle rend son argent plus long.

Les données d'usage vont dans ce sens. Dans son rapport de septembre 2025, Anthropic indique que le code représente environ 36 % des usages de son assistant grand public, et que les usages dits directifs, où l'utilisateur délègue une tâche entière, sont passés de 27 % fin 2024 à 39 % en août 2025. Ce sont des données d'une entreprise sur son propre produit, à lire comme telles. Elles décrivent au moins une chose : les gens ne demandent pas seulement de l'aide, ils demandent des résultats.

Les limites

Cette conclusion serait trop rapide si elle s'arrêtait là, et il faut distinguer trois choses.

D'abord, le capital n'est pas seulement nécessaire à la compétence. Il paie l'infrastructure, la conformité, la distribution, le marketing, le temps d'attendre qu'un marché réponde. L'IA n'abaisse presque aucun de ces coûts. Elle raccourcit la distance jusqu'au premier prototype, pas jusqu'au premier client payant.

Ensuite, la baisse du coût de l'échec a un revers : elle abaisse aussi le coût de l'illusion. Quand un prototype s'obtient en une journée, on peut confondre l'avoir obtenu avec l'avoir validé. Le marché ne se prototype pas.

Enfin, l'entrepreneur n'est pas le seul à bénéficier de cette baisse. Ses concurrents aussi. Si tout le monde teste plus vite, l'avantage n'est pas dans la vitesse, il est dans la qualité du jugement sur ce qu'on teste. L'IA déplace la rareté : de la capacité de faire vers la capacité de choisir.

Conclusion du chapitre

L'IA modifie l'équation du fondateur en réduisant la quantité de capital nécessaire pour atteindre le moment où il y a quelque chose à montrer. Elle convertit un capital limité en capacité productive. Elle ne remplace ni le capital nécessaire ensuite, ni le jugement nécessaire avant.

Transition : mais si chaque entrepreneur peut faire davantage avec moins de gens, la conséquence évidente est qu'on emploie moins de gens. C'est l'objection principale, et il faut l'affronter frontalement.

Sources : Anthropic, Economic Index Report, septembre 2025 (données d'usage de l'entreprise sur ses propres produits).

Chapitre 5 — Et si l'IA ne détruisait pas seulement des emplois ?

L'IA automatise des tâches et supprimera des postes. Cette série ne le nie pas. Elle pose une seconde question, que le débat oublie : combien d'entreprises et d'emplois n'auraient jamais existé sans la baisse du coût d'entrée ?

Commençons par ce que je ne conteste pas.

L'Organisation internationale du travail estimait en mai 2025 qu'environ un quart de l'emploi mondial relève d'occupations exposées à l'IA générative, à des degrés divers. Une fraction de 3,3 % de l'emploi mondial se situe dans la catégorie la plus exposée, celle où l'automatisation complète est envisageable. L'exposition est très inégale : 34 % de l'emploi dans les pays à revenu élevé, 11 % dans les pays à faible revenu. Et elle est inégale entre les sexes, autour de 30 % pour les femmes contre 20 % pour les hommes, parce que les emplois administratifs les plus exposés sont majoritairement féminins.

Le Fonds monétaire international, dans une note de janvier 2026, observe que dans les zones d'emploi américaines où la demande de compétences en IA est la plus forte, l'emploi dans les métiers très exposés et peu complémentaires à l'IA est inférieur de 3,6 % après cinq ans. Ce n'est pas un effondrement. C'est une érosion mesurable, localisée, et réelle.

Des tâches seront automatisées. Des métiers seront transformés. Des postes disparaîtront. Quiconque défend l'IA sans commencer par cela ne mérite pas d'être écouté.

La question que le débat ne pose pas

Le débat sur l'emploi compare presque toujours deux états : l'emploi avant l'IA, l'emploi après. Il compte ce qui disparaît dans les entreprises existantes. Il compte rarement ce qui apparaît dans les entreprises qui n'existaient pas.

Or le mécanisme des quatre chapitres précédents produit une chaîne qu'il faut écrire en entier pour en voir la portée :

Baisse du coût d'accès à la compétence. Donc baisse du coût de création. Donc davantage d'idées testées, y compris par des gens qui n'auraient jamais pu tester. Donc davantage de projets confrontés à un marché. Certains le trouvent. Certains grandissent. Et une entreprise qui grandit a besoin, précisément, de ce que le chapitre 3 décrivait : des professionnels pour transformer un prototype en produit.

Ce sont des emplois. Ils ne remplacent pas ceux qui disparaissent, ils ne sont pas au même endroit, ils ne conviennent pas aux mêmes personnes, et ils n'apparaissent pas au même moment. Mais ils n'existent pas dans les comptes de ceux qui ne regardent que les entreprises déjà là.

La même note du FMI rappelle un fait qui donne l'échelle : 60 % de l'emploi américain de 2018 se trouvait dans des occupations qui n'existaient pas en 1940. Les compétences liées à l'IA sont passées de moins de 1 % des offres d'emploi américaines avant 2015 à près de 5 % en 2025. La création de métiers n'est pas une hypothèse optimiste. C'est la norme historique, et elle est en cours.

L'objection, et elle est sérieuse

On pourrait m'objecter que ce mécanisme n'est pas une loi. Il dépend du secteur, de la demande, de la capacité d'investissement, et surtout de la manière dont les gains de productivité sont distribués. Si les gains sont captés par les propriétaires du capital et des plateformes, la baisse du coût d'entrée profite à quelques-uns et le reste subit l'automatisation sans compensation. Rien ne garantit que les entreprises créées emploient autant que celles qu'elles rendent obsolètes. Et rien ne garantit que le comptable licencié à quarante-cinq ans trouve sa place dans une startup fondée par quelqu'un de vingt-huit.

J'accepte entièrement cette objection. Le mécanisme que je décris existe. Il n'est ni automatique, ni suffisant, ni équitable dans sa répartition. Il est une force parmi d'autres, et son poids relatif dépend de conditions que la technologie ne détermine pas.

Ce que je refuse, c'est le débat qui l'ignore. Un raisonnement sur l'emploi qui compte les postes supprimés dans les entreprises existantes et ne compte pas les entreprises rendues possibles est incomplet. Pas faux. Incomplet. Et un raisonnement incomplet produit des politiques qui protègent ce qui existe au détriment de ce qui pourrait exister.

Conclusion du chapitre

L'IA détruit des emplois, et elle en rendra d'autres possibles en abaissant le coût de création des entreprises qui les offriront. Ces deux effets sont réels, inégaux et mal synchronisés. Le débat est incomplet tant qu'il ne les tient pas ensemble.

Transition : ces effets ne sont pas répartis de la même façon partout. Il reste à examiner ce que change une baisse du coût d'accès à la compétence là où la compétence était la plus chère et le capital le plus rare.

Sources : OIT, Generative AI and Jobs: A 2025 Update, Research Brief, mai 2025 (Gmyrek, Berg et al.). FMI, Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age, Staff Discussion Note 2026/001, janvier 2026.

Chapitre 6 — Quand l'IA devient un avantage pour ceux qui partent de loin

Plus le capital humain spécialisé est difficile à acheter, plus une technologie qui en élargit l'accès devrait compter. L'hypothèse est séduisante. Elle est testée ici dans les deux sens.

Reprenons la situation du chapitre 1 et déplaçons-la.

Un entrepreneur à Lagos, à Kinshasa, à Alger ou à Brazzaville qui veut construire un produit numérique se heurte aux mêmes quatre obstacles qu'ailleurs, mais chacun est plus haut. Le capital est plus rare : en 2025, l'ensemble des startups technologiques du continent ont levé environ 2,4 milliards de dollars en fonds propres selon Partech, dont 72 % dans quatre pays. Les équipes spécialisées sont plus difficiles à constituer, parce que les compétences sont concentrées dans quelques villes et que les meilleurs profils sont recrutés à distance par des entreprises étrangères qui paient en devises. L'externalisation coûte cher pour la même raison. Et l'entrepreneur doit, plus qu'ailleurs, faire beaucoup avec peu.

D'où une hypothèse, que je formule avant de la tester : plus le capital humain spécialisé est coûteux ou inaccessible, plus une technologie qui augmente l'accès à certaines capacités a un effet économique important. Le gain marginal est maximal pour ceux qui partent de plus loin. C'est, transposé à l'échelle d'une économie, le résultat de Brynjolfsson sur les agents novices.

Un exemple concret : un fondateur qui n'a pas les moyens de payer une équipe internationale peut aujourd'hui produire un prototype, une documentation, une présentation, un premier code, dans une langue de travail qui n'est pas la sienne, sans embaucher. Pour lui, l'écart entre ce qu'il peut faire et ce qu'un fondateur de San Francisco peut faire s'est réduit. Pas fermé. Réduit.

Le test dans l'autre sens

Cette hypothèse serait pourtant trop belle pour être acceptée sans regarder ce qui la contredit, et trois faits la contredisent.

Le premier vient de l'OIT. L'exposition à l'IA générative est de 11 % de l'emploi dans les pays à faible revenu contre 34 % dans les pays riches. On peut lire ce chiffre comme une protection. Il faut aussi le lire comme une absence : là où l'emploi est agricole, informel, manuel, l'IA ne touche presque rien, ni pour détruire, ni pour augmenter. La baisse du coût d'accès à la compétence ne profite qu'aux activités faites d'information. Dans une économie où ces activités sont minoritaires, l'effet est minoritaire.

Le deuxième vient des données d'usage. L'indice géographique publié par Anthropic en septembre 2025 mesure l'usage de son assistant par habitant en âge de travailler, rapporté à ce qu'on attendrait de la population. Israël est à 7, les États-Unis à 3,6. Le Nigeria est à 0,2. L'usage est corrélé au revenu : une hausse de 1 % du PIB par habitant est associée à une hausse d'environ 0,7 % de l'usage par habitant. Ce sont les données d'une seule entreprise sur un seul produit, et elles doivent être lues avec cette réserve. Mais elles décrivent une tendance nette : la technologie qui devrait le plus profiter à ceux qui partent de loin est, pour l'instant, la moins utilisée par eux.

Le troisième est structurel. Selon la GSMA, 37 % de la population africaine utilisait l'internet mobile en 2025. Les modèles fonctionnent d'abord dans quelques langues, et j'ai écrit ailleurs que le numérique africain en parle cinq quand le continent en parle deux mille. Une technologie d'accès à la compétence qui suppose une connexion, un appareil, une langue véhiculaire et une culture de l'écrit reproduit, à l'entrée, les inégalités qu'elle pourrait réduire à la sortie.

Ce que je retiens des deux lectures

L'hypothèse tient, mais à une condition qu'elle ne remplit pas seule. Le gain potentiel est effectivement maximal pour ceux qui partent de loin. Le gain réel dépend de ce qu'ils peuvent atteindre l'outil, et cette condition est très inégalement remplie.

Autrement dit, l'IA peut réduire le désavantage lié au manque de capital, pour ceux qui ont déjà franchi le désavantage lié au manque d'accès. Elle agit sur le deuxième obstacle, pas sur le premier. Et si elle est adoptée d'abord par les entreprises déjà capitalisées, qui sont aussi celles qui ont l'accès, elle peut creuser l'écart entre elles et les autres avant de le réduire.

Je crois que les deux mouvements ont lieu en même temps. Un fondateur connecté, éduqué, à Alger ou à Nairobi, voit sa capacité d'action se rapprocher de celle d'un fondateur de Berlin. Et l'écart entre ce fondateur et l'immense majorité de ses compatriotes s'élargit. L'IA réduit une distance et en creuse une autre. Laquelle des deux comptera davantage n'est pas une question technologique.

Conclusion du chapitre

Là où le capital est rare et la compétence chère, l'IA abaisse le coût d'entrée pour ceux qui ont accès à l'outil, et laisse les autres exactement où ils étaient. L'hypothèse d'un avantage pour ceux qui partent de loin est vraie pour une minorité connectée et fausse pour la majorité qui ne l'est pas.

Transition : j'ai défendu l'IA pendant six chapitres, avec des réserves. Il reste à dire ce qui, dans tout cela, mérite d'être craint.

Sources : Partech, 2025 Africa Tech VC Report. OIT, Generative AI and Jobs: A 2025 Update, mai 2025. Anthropic, Economic Index Report, septembre 2025 (indice d'usage par pays). GSMA, The Mobile Economy Africa 2026.

Chapitre 7 — Ce que nous devrions réellement craindre

Après six chapitres favorables, un renversement : les dangers de l'IA sont réels, mais ce ne sont pas ceux dont on parle le plus. Puis retour à la question de départ.

Je ne suis pas favorable à l'IA parce que je la crois inoffensive. Voici, dans l'ordre où je les classe, les choses qui me paraissent mériter une inquiétude sérieuse. Aucune n'est un scénario de science-fiction. Toutes sont documentées.

La perte de la capacité de vérifier. C'est la première, et c'est la conséquence directe de tout ce que cette série a défendu. Une étude de Microsoft Research et de Carnegie Mellon, présentée à la conférence CHI en avril 2025, a interrogé 319 travailleurs du savoir sur 936 usages réels d'IA générative. Plus la confiance dans l'outil est élevée, moins l'effort de pensée critique est important ; plus la confiance en soi est élevée, plus il l'est. Ce sont des données déclaratives, et il faut le dire. Mais elles décrivent un mécanisme cohérent avec tout le reste : celui qui obtient un résultat sans posséder la compétence n'a pas les moyens de savoir s'il est bon. Le chapitre 3 montrait que l'IA rapproche les novices des experts. Le revers est qu'elle peut rendre les novices confiants sans les rendre compétents.

L'écart entre le gain perçu et le gain réel. Les développeurs de l'étude METR pensaient avoir gagné 20 % alors qu'ils avaient perdu 19 %. Les consultants de l'étude Dell'Acqua étaient 19 points moins souvent corrects hors de la frontière, sans le savoir. Une technologie qui produit systématiquement une illusion de productivité est dangereuse indépendamment de sa productivité réelle, parce qu'elle fausse toutes les décisions prises sur cette base.

La concentration. L'accès à la compétence que cette série a décrit passe par un petit nombre de modèles, entraînés par un petit nombre d'entreprises, dans un petit nombre de pays. Un entrepreneur qui construit sa capacité d'action sur cet accès dépend d'un fournisseur qui peut changer ses prix, ses conditions, ses capacités ou sa politique. La compétence qu'on louait à une personne, on la loue désormais à une plateforme, et une plateforme n'est pas un collègue. Le chapitre 6 montrait que l'usage suit le revenu : la concentration est aussi géographique.

L'automatisation sans redistribution. Le chapitre 5 posait la condition : le mécanisme de création est réel si les gains sont partagés. Les données de l'OIT montrent une exposition concentrée sur les femmes et sur les emplois administratifs. Si les postes supprimés touchent des populations précises et que les postes créés en touchent d'autres, la somme peut être positive et la répartition injuste. Un solde global ne console personne en particulier.

La baisse silencieuse de la qualité. Quand le coût de produire un texte, un code, une image tend vers zéro, la quantité produite explose et la vérification ne suit pas. Le risque n'est pas qu'une machine fasse mal. C'est que tout le monde produise médiocrement et vite, et que la médiocrité devienne la norme parce qu'elle est gratuite.

Les erreurs. Les modèles produisent des affirmations fausses avec la même assurance que des affirmations vraies. Pour un expert, c'est une gêne. Pour un non-expert qui utilise l'outil précisément parce qu'il n'est pas expert, c'est une trappe.

La surévaluation des capacités. Une partie du discours sur l'IA est tenue par ceux qui la vendent. Cette série s'est appuyée sur des études indépendantes autant que possible, et sur des données d'entreprise en le signalant. La prudence sur les sources n'est pas une coquetterie. Elle est la seule protection contre un récit dont les auteurs ont un intérêt financier.

Retour à la question de départ

Pourquoi, alors, suis-je favorable à l'IA ?

Pas parce qu'elle est sûre. Parce que j'ai constaté, dans ma propre situation, qu'elle permet à quelqu'un qui dispose de très peu de capital d'accéder à une capacité qui était réservée à des organisations mieux financées. Ce n'est pas une opinion sur la technologie. C'est un fait sur ma trésorerie.

Et parce que la question dominante me paraît mal posée. On demande si l'IA va remplacer l'humain. La question qui m'intéresse est différente : combien de choses un humain pourra-t-il désormais tenter sans avoir besoin, au préalable, du capital nécessaire pour devenir une organisation ?

Cette question a une réponse qui n'est pas un chiffre. Elle est un déplacement de frontière. La frontière entre ce qu'un individu peut faire seul et ce qu'il doit acheter à une organisation a bougé, et elle a bougé dans un sens : vers l'individu. Tout ce qui précède, les études, les objections, les craintes, décrit l'ampleur, les limites et les dangers de ce déplacement. Aucun de ces éléments ne le nie.

L'objection finale

On pourrait m'objecter que ce déplacement profite d'abord à ceux qui ont déjà l'accès, l'éducation, la connexion, la langue, et qu'il creuse donc les écarts avant de les réduire. J'ai passé le chapitre 6 à le reconnaître. Cette objection ne dit pas que le déplacement est faux. Elle dit qu'il est inégalement distribué, ce qui est vrai de presque toutes les technologies qui ont compté, et ce qui désigne un travail plutôt qu'un renoncement.

Conclusion du chapitre

Ce qu'il faut craindre n'est pas que la machine remplace l'humain. C'est que l'humain cesse de savoir vérifier ce que la machine produit, que l'accès à cette capacité se concentre, et que les gains soient captés par ceux qui n'en avaient pas besoin.

Question ouverte : si le prix d'entrée dans l'entreprise a réellement baissé, qu'est-ce qui empêche encore ceux qui ont des idées de les tester, et cet obstacle-là, qui va le lever ?

Sources : Lee et al., « The Impact of Generative AI on Critical Thinking », CHI 2025, Microsoft Research et Carnegie Mellon, avril 2025. METR, juillet 2025. Dell'Acqua et al., septembre 2023. OIT, mai 2025. Anthropic, septembre 2025.

Conclusion générale

Cette série est partie d'une situation sans originalité : un fondateur qui n'a pas les moyens de payer les compétences dont son idée a besoin. Elle a établi que ce manque est la barrière historique entre l'idée et l'entreprise, que cette barrière tient au coût d'accès à la compétence, et que ce coût a commencé à baisser d'une façon qu'on peut mesurer.

Elle a montré que cette baisse est maximale pour ceux qui savent le moins et peut être nulle pour ceux qui savent le plus ; qu'elle compresse le coût du prototype sans compresser celui du produit ; qu'elle convertit un capital limité en capacité productive sans remplacer le capital nécessaire ensuite ; que le débat sur l'emploi est incomplet s'il ne compte pas les entreprises rendues possibles ; que l'avantage pour ceux qui partent de loin est réel pour une minorité connectée et inexistant pour la majorité qui ne l'est pas ; et que les dangers les plus sérieux ne sont pas ceux d'une machine qui remplace, mais ceux d'un humain qui cesse de vérifier.

La thèse tient sous conditions. Elle est vraie pour les activités faites d'information, pour les gens qui ont accès aux outils, au stade du prototype, et à condition que quelqu'un possède encore la compétence de juger le résultat. Hors de ces conditions, elle est fausse ou sans objet.

Ce que cette série ne prétend pas démontrer

Elle ne démontre pas que l'IA crée plus d'emplois qu'elle n'en détruit. Aucune donnée ne permet aujourd'hui d'établir ce solde, et les mécanismes de création décrits au chapitre 5 sont conditionnels.

Elle ne démontre pas que les gains de productivité mesurés dans des centres d'appels américains ou des cabinets de conseil se transposent à un fondateur seul en Afrique du Nord. Elle utilise ces études comme indices de mécanisme, pas comme mesures de son cas.

Elle ne démontre pas que la baisse du coût d'accès à la compétence bénéficie aux économies pauvres. Les données d'usage disponibles suggèrent plutôt l'inverse pour l'instant.

Elle ne démontre pas que mon propre gain de capacité est réel. L'étude METR a établi que les utilisateurs surestiment systématiquement leur gain. Je ne suis pas à l'abri de ce biais, et je n'ai pas de groupe de contrôle.

Elle ne traite pas des risques de sécurité, de protection des données ou de manipulation, qui mériteraient une série à eux seuls.

Elle repose enfin, pour une part, sur des données publiées par des entreprises qui vendent les outils étudiés. Ces données sont signalées comme telles à chaque usage, et leur lecture doit rester critique.

Ce que je crois après avoir écrit cette série

J'ai commencé avec une conviction et j'ai cherché ce qui pouvait la contredire. Une partie de ce que j'ai trouvé la contredit réellement. Les développeurs expérimentés ralentis par l'outil. Les consultants trompés hors de la frontière. L'usage concentré dans les pays riches. Les travailleurs qui vérifient moins à mesure qu'ils font davantage confiance.

Ma conviction en sort plus étroite et plus solide. Plus étroite, parce que je ne dirais plus que l'IA augmente la capacité des entrepreneurs en général. Je dirais qu'elle augmente celle des entrepreneurs qui ont accès aux outils, qui construisent des choses faites d'information, qui en sont au stade du prototype, et qui conservent la capacité de juger ce qu'ils obtiennent. C'est une population plus petite que celle des discours enthousiastes. Ce n'est pas une population négligeable, et j'en fais partie.

Plus solide, parce que dans cette population, l'effet ne me paraît plus discutable. J'ai pu tester des idées que je n'aurais jamais pu tester. Je recruterai des professionnels, non pas moins, mais plus tard, et à un moment où je saurai ce dont l'entreprise a besoin. Le capital que je n'ai pas dépensé pour découvrir que j'avais tort sur trois choses, je le dépenserai pour construire la quatrième.

Le reste, ce qui arrive à ceux qui n'ont pas l'accès, à ceux dont les postes disparaissent, à ceux qui cessent de vérifier, ne relève pas de la technologie. Il relève de ce qu'on décide d'en faire. Et sur ce point, je n'ai pas d'avantage particulier sur qui que ce soit.

Sources principales

Stanford Institute for Human-Centered AI, AI Index Report 2025, Maslej et al., avril 2025 : coût de génération d'un million de tokens à un niveau comparable à GPT-3.5 passé d'environ 20 dollars en novembre 2022 à environ 0,07 dollar en octobre 2024.

Adam Smith, An Inquiry into the Nature and Causes of the Wealth of Nations, 1776. Ronald Coase, « The Nature of the Firm », Economica, vol. 4, 1937. Gary Becker, Human Capital, 1964.

Erik Brynjolfsson, Danielle Li et Lindsey Raymond, « Generative AI at Work », NBER Working Paper 31161, avril 2023, révisé novembre 2023 : 5 179 agents de support client, productivité en hausse de 14 % en moyenne, de 34 % chez les agents novices ou peu qualifiés, effet minimal chez les plus expérimentés.

Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon et Karim Lakhani, « Navigating the Jagged Technological Frontier », Harvard Business School Working Paper 24-013, septembre 2023 : 758 consultants ; à l'intérieur de la frontière, 12,2 % de tâches en plus, 25,1 % plus vite, qualité supérieure ; hors de la frontière, 19 points de pourcentage de moins de réponses correctes.

METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », 10 juillet 2025 : 16 développeurs expérimentés, 246 tâches, 19 % de temps supplémentaire avec IA, prévision initiale de 24 % de gain, perception finale de 20 % de gain. Mise à jour du 24 février 2026 : écart mesuré non distinguable de zéro avec des outils plus récents, biais de sélection reconnu, refonte du protocole.

Organisation internationale du travail, Generative AI and Jobs: A 2025 Update, Research Brief, mai 2025 (Paweł Gmyrek, Janine Berg et al.) : environ 25 % de l'emploi mondial exposé, 3,3 % dans la catégorie la plus exposée, 34 % dans les pays à revenu élevé contre 11 % dans les pays à faible revenu, exposition d'environ 30 % pour les femmes contre 20 % pour les hommes.

Fonds monétaire international, Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age, Staff Discussion Note SDN/2026/001, janvier 2026 : 60 % de l'emploi américain de 2018 dans des occupations inexistantes en 1940 ; compétences liées à l'IA passées de moins de 1 % à près de 5 % des offres américaines entre 2015 et 2025 ; emploi inférieur de 3,6 % après cinq ans dans les occupations très exposées et peu complémentaires, dans les zones à forte demande de compétences en IA.

Anthropic, Economic Index Report: Uneven Geographic and Enterprise AI Adoption, 15 septembre 2025 : code à environ 36 % des usages grand public ; usages directifs passés de 27 % à 39 % ; indice d'usage par habitant d'Israël à 7,0, des États-Unis à 3,62, du Nigeria à 0,2 ; élasticité de 0,7 entre PIB par habitant et usage. Données d'une entreprise sur ses propres produits.

Hao-Ping (Hank) Lee, Advait Sarkar, Lev Tankelevitch, Ian Drosos, Sean Rintel, Richard Banks et Nicholas Wilson, « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers », CHI 2025, avril 2025 : 319 travailleurs du savoir, 936 exemples d'usage, données déclaratives.

Partech, 2025 Africa Tech VC Report : 2,4 milliards de dollars de fonds propres levés par les startups technologiques africaines en 2025, 72 % du capital dans quatre pays. GSMA, The Mobile Economy Africa 2026 : 37 % de la population africaine utilisant l'internet mobile en 2025.

Moïse Bienheureux Selph, « L'Afrique parle deux mille langues. Son numérique en parle cinq », moisebselph.com, août 2026.

Moïse Bienheureux Selph présente le journal et l'émission Africa Tech sur Ifrikya FM. Il est fondateur de Lobaka.

Moïse B. Selph

◦———● BRAZZAVILLE → ALGER 4°16′S 15°17′E · 36°45′N 3°03′E