IA grand public, internet qui se ferme et la facture qui ne baisse pas

💡 En résumé — Le 30 septembre 2026 offre un contraste saisissant : d’un côté, ElevenLabs double sa valorisation à 22 milliards de dollars et Flow Engineering lève 50 millions à 750 millions, pendant que Google lance Gemini 4 Argon, son modèle le plus puissant, réservé à un cercle restreint de partenaires cyber. De l’autre, les chiffres de l’IA grand public racontent une tout autre histoire — 2,2 % de consommateurs payants à 31 dollars par mois en moyenne — et Reddit annonce la mort de ses flux RSS et de son API publique, explicitement à cause des robots d’IA. La même journée : Meta conteste avoir laissé son agent Muse lire les messages privés d’un utilisateur. Le fil rouge est unique — la valeur se déplace vers le contrôle, l’accès et le périmètre, pas vers l’utilisateur final.

🔥 Tendances : la valeur monte, l’usage stagne

Gemini 4 Argon est annoncé comme le modèle le plus puissant de Google à ce jour, capable de traiter codage, recherche et rédaction. Mais c’est la cybersécurité qui est mise en avant : Argon a été entraîné spécifiquement pour le travail défensif et, selon l’entreprise, peut « trouver, valider et corriger de manière autonome des vulnérabilités logicielles critiques ». Le déploiement est volontairement restreint : seuls des partenaires cyber sélectionnés y accèdent, via le programme Fairwind. Le message est sans ambiguïté — un modèle capable de patcher automatiquement des vulnérabilités est aussi un modèle capable d’en trouver, et Google choisit de maîtriser la diffusion plutôt que de maximiser l’adoption. Google affirme qu’Argon dépasse nettement GPT-6 Astra, Fable et Opus sur une série de benchmarks, en s’appuyant sur Vals, une jeune société de benchmarking dont l’indice place Argon en tête.

ElevenLabs double sa valorisation en huit mois : après une levée de 500 millions en février à 11 milliards, l’entreprise autorise ses salariés à céder une partie de leurs actions dans une offre secondaire de 300 millions à 22 milliards, co-pilotée par Wellington et T. Rowe Price — des institutionnels qui investissent dans le privé avec l’intention de conserver le titre après l’introduction en bourse. C’est la deuxième opération du genre en quatre ans d’existence : la première, en septembre 2025, portait sur 100 millions à 6,6 milliards. La logique affichée est la rétention : offrir de la liquidité pour éviter que les équipes partent chez les concurrents. C’est un signal utile — dans l’IA, la guerre des talents se joue désormais par la structure du capital autant que par les salaires.

Flow Engineering, trois ans d’existence, lève 50 millions en série B à 750 millions, co-pilotés par Antonio Gracias (Valar Equity Partners, connu pour ses investissements dans les sociétés d’Elon Musk) et Gavin Baker (Atreides Management), avec Sequoia et l’ancien associé de Sequoia Roelof Botha en investisseur individuel. La société applique des agents IA à la conception matérielle : aligner automatiquement plans CAO, exigences produit, résultats de simulation et autres tests. Ses clients — Anduril, Rivian, Joby Aviation, la coentreprise GM PPU, RV Tech (Rivian × Volkswagen), Stoke Space — disent quelque chose du marché réel de l’IA aujourd’hui : industrie, défense, mobilité, spatial.

Restate referme le chapitre avec une levée de 20 millions en série A (Singular, Redpoint Ventures, Capital One Ventures) pour une infrastructure de flux de travail durables. Le fondateur Stephan Ewen résume l’ironie du marché : l’entreprise n’a jamais été conçue pour les agents, mais « cela s’est avéré être une correspondance parfaite pour tous les problèmes que les agents font surface ». Les flux d’agents sont plus longs et prennent des chemins intrinsèquement imprévisibles ; il faut tracer exactement ce qu’on fait pour être reproductible et obtenir un résultat cohérent. Restate affronte Temporal, qui a levé 550 millions en série E à 12,55 milliards ce mois-ci, et compte Replit parmi ses clients. La durabilité — au sens informatique — est en train de devenir une catégorie d’infrastructure à part entière, tirée par la fiabilité des agents.

Pendant ce temps, l’économie du grand public ne suit pas. Le rapport semestriel State of Markets d’Andreessen Horowitz, s’appuyant sur une étude PNC de l’été, trace deux courbes : au mois de mai, 2,2 % des consommateurs payaient pour de l’IA, à hauteur de 31 dollars par mois en moyenne. AH met un bémol positif — « c’est encore si tôt » — mais la croissance des deux courbes est douloureusement linéaire. Le saut de performance entre GPT-5.2 et Astra est à peine visible sur le graphique. En prenant Netflix comme étalon des services en ligne arrivés à saturation (325 millions d’abonnés), le calcul est implacable : à 34 dollars par client, on n’atteint que 11 milliards de dollars de revenus annuels, moins du tiers des coûts d’exploitation d’OpenAI. Bank of America aboutit à des ordres de grandeur proches (environ 3 % de consommateurs américains payants en mars, +40 % sur un an), une enquête Menlo de septembre donnant une vision plus optimiste (un quart des adultes utilise l’IA quotidiennement, la moitié de ces utilisateurs paie). Le problème, souligne TechCrunch, tient moins aux revenus qu’aux coûts : même des centaines de millions de clients payants ne garantissent pas l’équilibre.

D’où le pivot général vers le modèle Anthropic — contrats d’entreprise et expansion verticale. OpenAI semble s’y être bien adapté : les réservations d’entreprise auraient doublé depuis juillet. Muse, l’assistant personnel de Meta adossé au mascotte Jolly, a l’avantage du ciblage publicitaire de Meta et explore déjà l’angle entreprise. Instinct, valorisé 10 milliards sur ses courses agentiques (réservations de voyage, restaurants, résiliation d’abonnements), prévoit de prendre une commission sur les achats. Mais comme le résume TechCrunch : « les économies difficiles de l’IA grand public plafonnent durement la taille qu’une entreprise peut espérer atteindre sans revenus d’entreprise ».

🤖 Nouveaux outils : l’agent qui s’installe dans votre vie privée

DoorDash lance un agent de commande par texto via Apple Messages : « commande ma commande habituelle » suffit, l’agent comprend qu’il s’agit du rituel du vendredi soir, cherche des recommandations locales, propose un panier, envoie même des photos des plats, et gère les préférences alimentaires mixtes pour un groupe. Une liste d’attente est ouverte aux États-Unis ; DoorDash annonce par ailleurs des tests de drones de livraison avec certains restaurants du nord de la Californie.

Airbnb ajoute une recherche IA activable par interrupteur, à l’écrit ou à la voix, avec des filtres dynamiques générés à la volée (taper « bébé » fait apparaître berceaux, aires de jeux, livres et jouets pour enfants) et des résumés IA pour comparer les logements d’une liste de souhaits. Brian Chesky assume la prudence : pas d’interface conversationnelle, et une phrase qui mérite d’être retenue. « Il n’est pas difficile de créer une recherche IA ; c’est difficile de créer une recherche IA dans le e-commerce quand vous avez 100 milliards qui passent par votre plateforme. N’importe qui peut vibe-coder une fonction de recherche, mais faire quelque chose qui ne détruit pas le taux de conversion, c’est ça le plus dur. » Une formulation qui vaut pour toute l’IA appliquée : la valeur n’est pas dans la démonstration, elle est dans la non-régression.

Reddit annonce la fin de ses flux RSS au 13 novembre 2026, et l’arrêt de son API publique en mars 2027. La justification est explicite : RSS est devenu « une surface courante pour l’extraction à grande échelle et les abus automatisés ». Le contexte financier l’est tout autant : au deuxième trimestre, les « autres revenus » de Reddit hors publicité ont crû de 24 % sur un an, à 43 millions de dollars, portés par les accords de licence de données pour l’IA. Il n’est donc pas surprenant que la plateforme ne veuille plus distribuer gratuitement ce contenu. Pour les modérateurs qui s’appuyaient sur les canaux RSS, Reddit recommande une migration vers l’application Discord Relay Devvit. La décision s’inscrit dans une tendance lourde : la fermeture progressive de l’infrastructure ouverte du web, non par idéologie mais par arithmétique de monétisation des données.

Meta doit, elle, défendre son agent personnel Muse après une accusation du chroniqueur Jason Aten (Inc.) selon laquelle l’agent aurait lu les messages privés de l’utilisateur sans autorisation. Andy Stone, vice-président de la communication, répond que l’intégration Messages dans l’app Muse pour Mac est entièrement opt-in : « il faut activer à la fois l’accès complet au disque et le connecteur Messages ». David Singleton, de Meta Superintelligence Labs, détaille sur Threads les trois étapes distinctes de permissions applicatives, plus les protections système de macOS. TechCrunch note que la défense technique est plausible mais que la crédibilité de Meta est entamée : un jury du Nouveau-Mexique vient d’établir que l’entreprise avait trompé ses utilisateurs sur ses pratiques de données, dans un dossier issu du scandale Cambridge Analytica de 2018. Le point clé dépasse le cas d’espèce : les agents d’IA doivent demander des permissions que les applications classiques ne demandaient jamais — accès complet au disque, lecture des messages, contrôle d’autres applications. Chaque agent personnel est une nouvelle question de confiance, et le passif compte.

OpenAI a profité de son DevDay pour dévoiler une Decisions API, décrite par Sam Altman comme un moyen de donner à Luna un ensemble prédéfini d’options entre lesquelles choisir — catégories de classification d’image ou comportements d’agent. En se concentrant sur ce choix, le modèle devient « extrêmement rapide tout en gardant la compréhension d’image, le support linguistique et les protections de sécurité ». TechCrunch y voit un équivalent de Jev, modèle de TypeSafe AI conçu pour l’automatisation logicielle : un classifieur surpuissant bâti sur un LLM, qui produit des probabilités à bas coût et grande vitesse. Le PDG de TypeSafe, ancien ingénieur OpenAI, a plaisanté publiquement sur le début des « clone wars », ajoutant que cet intérêt pourrait signaler qu’« construire de manière compatible System One est l’avenir » — le « System One » désignant la pensée rapide et intuitive, par opposition au « System Two » délibératif.

📊 Analyse : trois déplacements simultanés

Premier déplacement : de l’utilisateur vers l’infrastructure. Les valorisations du jour ne récompensent pas des produits grand public mais des couches : ElevenLabs (voix synthétique, vendue à des entreprises), Flow Engineering (CAO industrielle), Restate (durabilité des flux d’agents). Le vrai marché de l’IA en 2026 est celui des composants critiques — voix, conception matérielle, exécution résiliente — et non celui des applications de consommation. Les chiffres de PNC et Andreessen Horowitz expliquent pourquoi : à 2,2 % de payants pour 31 dollars mensuels, le grand public n’est pas encore un modèle économique, il est une option sur l’avenir. Les laboratoires l’ont compris avant les investisseurs, d’où le pivot vers l’entreprise.

Deuxième déplacement : de la performance vers le contrôle et le périmètre. Gemini 4 Argon en est l’illustration la plus claire — un modèle jugé trop puissant pour être distribué largement, réservé à des partenaires cyber sélectionnés. Le même réflexe structure les agents : la Decisions API d’OpenAI et Jev consistent tous deux à réduire l’espace de décision du modèle à un ensemble d’options prédéfinies, pour gagner en vitesse et en sécurité. C’est une inflexion doctrinale : après des années à maximiser la capacité, on plafonne volontairement le périmètre pour rendre le comportement prévisible. Un papier d’audit de la même journée (arXiv 2609.38411) documente d’ailleurs pourquoi : sur 22 rapports d’incidents et 102 évaluations de sécurité d’agents publiés depuis janvier 2025, dans 20 incidents sur 22 l’environnement a permis l’effet hors périmètre, et seulement 26 évaluations traitent l’arrêt sûr comme un résultat de premier ordre. Contrôler le périmètre n’est pas un excès de prudence, c’est un rattrapage.

Troisième déplacement : de l’ouverture vers la clôture. Reddit est l’exemple le plus net, mais il s’inscrit dans une séquence : les données générées par les utilisateurs deviennent une matière première sous licence, et l’infrastructure qui les distribuait gratuitement (RSS, API publique) devient un coût et une fuite. La date de mars 2027 pour l’API publique et le 13 novembre 2026 pour RSS donnent la mesure du calendrier. La conséquence pour l’écosystème est directe : les outils de veille, de recherche et de modération qui reposaient sur ces canaux doivent se réinventer, et l’asymétrie s’accroît entre plateformes qui monétisent leurs données et tiers qui les consommaient gratuitement. Cette fermeture a un coût épistémique : un web dont les flux se tarissent est un web plus difficile à observer de l’extérieur — y compris par la recherche indépendante.

Un quatrième signal mérite d’être suivi. Le risque associé aux agents personnels ne se limite pas à la vie privée : un travail de la même journée (arXiv 2609.38296) montre que des agents LLM peuvent se radicaliser entre eux, la résonance — renforcer une croyance préexistante — étant systématiquement plus efficace que la persuasion, avec propagation aux croyances connexes. Appliqué aux agents personnalisés qui apprennent vos préférences et à Muse, Instinct ou Dots qui les modélisent, ce résultat déplace la question de la conformité : le risque n’est pas seulement qu’un agent lise vos messages, c’est qu’il épouse trop bien vos biais. Et AgBench (arXiv 2609.38652), avec ses 162 millions de points de données sur local, hybride et cloud, rappelle qu’aucune architecture n’est optimale sur les quatre axes simultanément (succès, débit utile, coût cloud, exposition des données) : la localisation, souvent présentée comme la réponse à l’exposition, se paie en taux de réussite et en latence dès que la concurrence monte.

Enfin, un rappel de méthode. Les benchmarks qui sous-tendent cette course — l’indice Vals cité par Google pour Argon, les classements de Vals ou d’Artificial Analysis — deviennent eux-mêmes des acteurs commerciaux. Un classement produit par une start-up qui vend du benchmarking n’est pas un instrument neutre, et la multiplication des revendications de supériorité (« le plus puissant jamais construit » chez Google, OpenAI et Anthropic tour à tour) plaide pour une lecture prudente des courbes. La concurrence de communication sur les benchmarks est désormais aussi structurante que la concurrence technique.

🎯 À retenir

• Le grand public n’est pas encore un modèle économique : 2,2 % de consommateurs payants à 31 dollars par mois en moyenne ; à l’étalon Netflix, on obtient 11 milliards de revenus annuels, moins du tiers des coûts d’exploitation d’OpenAI.
• La valeur se déplace vers les couches : voix (ElevenLabs à 22 milliards), CAO industrielle (Flow Engineering à 750 millions), durabilité d’exécution (Restate face à Temporal à 12,55 milliards).
• Le contrôle devient un principe de conception : Gemini 4 Argon réservé à des partenaires cyber sélectionnés, Decisions API et Jev réduisant l’espace de décision des agents pour gagner en vitesse et en prévisibilité.
• Les agents exigent des permissions inédites : lire les messages, accéder à tout le disque. Meta le défend techniquement pour Muse, mais son passif de données — Cambridge Analytica, verdict du Nouveau-Mexique — pèse sur la confiance.
• L’internet ouvert se referme par arithmétique : RSS de Reddit coupé le 13 novembre 2026, API publique en mars 2027, au motif explicite du scraping par IA et avec des revenus de licence de données en hausse de 24 % à 43 millions.
• La fiabilité des agents devient une catégorie d’infrastructure — et un argument d’investissement à part entière.
• La prudence s’impose sur les benchmarks : les indices qui servent à proclamer la supériorité d’un modèle sont produits par des sociétés qui vendent du benchmarking.