La fièvre des acquisitions dans l'IA d'entreprise et le pouvoir déjà codifié
Lorsque SAP déboursait 1,16 milliard de dollars pour une startup allemande âgée de 18 mois, il n'achetait pas de la technologie. Il achetait du temps. Et lorsqu'Anthropic et OpenAI annonçaient, la même semaine, leurs propres structures pour déployer l'IA dans les grandes entreprises, ce qui émergeait n'était pas une course vers le meilleur modèle : c'était une course pour déterminer qui contrôlerait la couche où les décisions commerciales sont automatisées. La question n'est pas de savoir si l'IA d'entreprise va passer à l'échelle. Elle est déjà en train de le faire. La question structurelle est de savoir qui se trouvait dans la salle lorsque cette échelle a été conçue, et quels angles morts ont voyagé à l'intérieur du code.
Le podcast Equity de TechCrunch, publié le 8 mai 2026, a baptisé ce moment « la ruée vers l'or de l'IA d'entreprise ». Ce n'est pas une métaphore innocente. Les ruées vers l'or ont une architecture sociale très précise : quelques-uns balisent le territoire en premier, la majorité arrive ensuite pour travailler dans des conditions fixées par d'autres, et ceux qui vendent les outils — les pelles et les pioches — s'en sortent généralement mieux que tout le monde. Aujourd'hui, SAP, Anthropic, OpenAI et xAI vendent des pelles. Le marché des entreprises est le territoire. Et les startups qui restent sont le minerai.
Quand l'argent arrive avant la maturité
L'acquisition de Prior Labs par SAP condense quelque chose qui mérite une analyse attentive. 1,16 milliard de dollars pour une entreprise de 18 mois ne constitue pas une validation d'un produit mature : c'est un pari sur le positionnement. SAP n'a pas acheté des revenus récurrents consolidés ni une base de clients entreprises de cinq ans. Il a acheté une équipe, une architecture et, surtout, la possibilité de ne pas se retrouver exclu d'une conversation que ses clients ont déjà avec d'autres fournisseurs.
Cela a des implications financières qui vont bien au-delà du titre. Lorsqu'une entreprise paie une telle prime pour quelque chose d'aussi jeune, elle reconnaît implicitement que son propre rythme de développement interne ne suffit pas. SAP dispose de décennies d'intégration avec les systèmes de ressources d'entreprise les plus critiques de la planète, mais cette profondeur même se transforme en friction lorsque le marché change de vitesse. Acquérir Prior Labs est, en termes opérationnels, une façon de transformer un coût de développement à long terme en un coût en capital immédiat. Cela peut être une décision intelligente. Ce peut aussi être le signe que l'acheteur ne sait pas exactement ce qu'il achète, au-delà du fait que personne d'autre ne l'achète en premier.
Le schéma n'est pas nouveau. Mais ce qui change dans ce cycle, c'est la vitesse à laquelle il s'exécute et le type d'actif qui est acquis. Ce ne sont pas des entreprises avec une traction prouvée dans de multiples verticales : ce sont des équipes avec une hypothèse technique et, dans certains cas, un accès à des données ou à des talents que l'acheteur ne pourrait pas reproduire dans un délai utile. La valorisation ne reflète donc pas la valeur présente, mais la valeur de blocage concurrentiel.
La conception du pouvoir avant que quiconque ne l'appelle conception
Il existe un moment dans le développement de tout système d'IA où les décisions les plus importantes sont prises sans qu'on les qualifie de décisions. On les appelle « choix d'architecture », « préférences d'entraînement », « définition du cas d'usage ». Ce moment est antérieur au produit, antérieur au contrat avec le client entreprise, antérieur à tout audit de diversité. Et c'est précisément là que l'homogénéité des équipes devient un risque structurel qu'aucun processus de gouvernance ultérieur ne peut corriger entièrement.
Lorsqu'Anthropic et OpenAI annoncent la même semaine leurs propres structures de coentreprise pour le déploiement en entreprise, ce qu'ils consolident est une architecture déterminant qui a accès aux systèmes qui vont traiter les décisions d'embauche, d'approbation de crédit, de gestion des fournisseurs et d'allocation des ressources dans les plus grandes organisations du monde. Les modèles ne sont pas neutres. Ils sont le produit de ceux qui les ont entraînés, des données qu'ils ont priorisées, des erreurs qu'ils ont considérées comme acceptables et du type d'utilisateur pour lequel ils ont conçu l'expérience. Si les équipes qui prennent ces décisions sont homogènes dans leur formation, leurs incitations et leur réseau de relations, le système résultant aura des angles morts qu'aucun benchmark de performance ne détectera, parce que les benchmarks eux-mêmes ont également été conçus par la même équipe.
Ce n'est pas une accusation morale. C'est une observation sur la mécanique des systèmes. Gartner projette que 33 % des applications logicielles d'entreprise intégreront des agents d'IA autonomes d'ici 2028, contre moins de 1 % en 2024. Cela signifie qu'en moins de quatre ans, une fraction significative des décisions opérationnelles dans les grandes entreprises passera par des systèmes qui sont aujourd'hui conçus dans une poignée de laboratoires concentrés géographiquement, culturellement et socialement. La vitesse d'adoption n'est pas accompagnée d'une vitesse équivalente dans la diversification de ceux qui conçoivent ces systèmes.
L'accord entre xAI et Anthropic pour la capacité de calcul ajoute une autre dimension. Le fait que deux concurrents dans l'espace des modèles de langage partagent une infrastructure n'est pas seulement un mouvement financier visant à réduire les coûts opérationnels : c'est le signe que la concentration dans la couche d'infrastructure progresse plus vite que la concurrence dans la couche applicative. Lorsque l'infrastructure est partagée entre des acteurs qui sont aussi en concurrence sur les produits, les incitations à maintenir cette infrastructure ouverte et accessible à des tiers se complexifient. Les startups qui sont aujourd'hui des cibles d'acquisition pourraient demain se retrouver à négocier avec le même fournisseur de calcul qui finance également leur concurrent direct.
Pourquoi la périphérie détient des informations que le centre ne peut pas générer
L'un des schémas les plus constants dans l'analyse des réseaux organisationnels est que les équipes homogènes optimisent bien pour les problèmes connus et échouent systématiquement face aux problèmes qui n'ont pas encore de nom. Non pas parce qu'il leur manque de l'intelligence, mais parce que l'intelligence périphérique — celle qui vient de ceux qui vivent les systèmes de l'extérieur, depuis les marges, depuis les cas d'usage qui ne figuraient pas dans le brief original — n'a pas de canal d'entrée lorsque l'équipe qui conçoit et l'équipe qui décide forment le même groupe avec le même contexte.
Dans la fièvre des acquisitions que décrit l'épisode d'Equity, ce qui s'achète et ce qui se vend, ce sont des capacités techniques. Ce qui apparaît rarement dans le mémo de due diligence, c'est la composition réelle des équipes qui ont construit cette technologie, quelles perspectives étaient absentes lors de la conception, quels utilisateurs ont été exclus du processus de validation. Cela n'apparaît pas dans la valorisation. Cela apparaît après, lorsque le système échoue de manières que l'acheteur n'avait pas anticipées parce que le vendeur ne les avait pas anticipées non plus.
Le Pentagone signant des accords avec Nvidia, Microsoft et AWS pour déployer l'IA dans des réseaux classifiés — également rapporté dans le même épisode de TechCrunch pour le 1er mai — illustre l'extrémité de ce schéma. Lorsque les systèmes commencent à opérer dans des environnements où les erreurs ont des conséquences irréversibles, la question de qui a conçu le système et quelles perspectives ont fait défaut cesse d'être une préoccupation de diversité corporative pour devenir une question d'architecture de sécurité. Les angles morts dans la conception ne s'éliminent pas avec plus de calcul. Ils s'éliminent avec plus de perspectives lors de la conception.
Le rapport Deloitte de 2026 cité dans la recherche de fond indique que seulement 34 % des organisations utilisent l'IA pour une transformation profonde, qu'il s'agisse de créer de nouveaux produits ou de réinventer des processus fondamentaux. Les 37 % restants opèrent à un niveau superficiel. Cet écart entre ceux qui adoptent en profondeur et ceux qui adoptent dans la précipitation n'est pas seulement une différence de maturité technologique : c'est une différence dans la qualité du processus d'adoption. Les entreprises qui intègrent l'IA à un niveau structurel ont le temps de se demander ce qu'elles changent et pour qui. Celles qui adoptent pour ne pas être laissées pour compte n'ont pas ce temps, et cette précipitation est précisément l'environnement dans lequel les angles morts se fixent avant que quiconque ne les détecte.
Ce que la ruée vers l'or révèle sur l'architecture du marché
La métaphore de la ruée vers l'or n'est pas seulement journalistique. Elle possède une économie politique spécifique. Dans une ruée vers l'or, la valeur se concentre chez celui qui arrive en premier et chez celui qui contrôle l'infrastructure d'accès, pas nécessairement chez celui qui dispose du meilleur minerai. L'acquisition de Prior Labs par SAP, les véhicules de coentreprise d'Anthropic et d'OpenAI, et l'accord de calcul entre xAI et Anthropic sont des mouvements qui consolident la position dans l'infrastructure d'accès, et non dans la qualité du modèle en lui-même.
Cela a des conséquences directes pour le marché des startups. Si les plus grandes entreprises achètent une position avant que le marché ne mûrisse, l'espace permettant aux startups indépendantes de construire sur cette infrastructure sans dépendre des mêmes acteurs qui peuvent les acquérir se rétrécit. Le capital-risque que Katie Haun et Andreessen Horowitz déplacent vers la crypto — également mentionné dans l'épisode — peut être interprété comme un signal que l'argent intelligent est déjà à la recherche du prochain territoire avant que celui-ci ne se ferme complètement.
Ce que la semaine du 1er au 8 mai 2026 a révélé n'est pas que l'IA d'entreprise est mature. Elle a révélé que les acteurs dominants ont décidé que le coût d'attendre qu'elle mûrisse est supérieur au coût de payer une prime pour se positionner aujourd'hui. Cette décision a une logique financière irréprochable pour ceux qui la prennent. Pour le reste du marché, ce qu'elle engendre est une architecture où les règles du jeu — quels systèmes traitent quelles décisions, sur quelle infrastructure, avec quels critères de conception — sont fixées avant que la majorité des joueurs ne soient arrivés à la table.
La ruée vers l'or de l'IA d'entreprise n'a pas un problème de vitesse. Elle a un problème de qui définit le terrain pendant que tout le monde court vers lui. Cette définition est déjà en train de se produire, elle est déjà en train d'être codifiée, et lorsque les premiers contrats d'entreprise à grande échelle commenceront à opérer, la capacité à modifier ce qui a été mal conçu en 2026 sera significativement plus coûteuse que de l'avoir bien conçu dès le départ.
