Quand quatre applications pensent avec le même cerveau
Les entreprises construisent depuis des années des portefeuilles technologiques qui semblent diversifiés. Des outils distincts pour les ventes, les opérations, la conformité réglementaire, le développement logiciel, la chaîne d'approvisionnement. Des fournisseurs différents. Des contrats séparés. Des équipes dédiées. L'architecture visible transmet une impression d'indépendance.
Mais il existe une couche que la plupart des inventaires technologiques d'entreprise ne capturent pas : le modèle d'intelligence artificielle qui alimente chacune de ces applications. Et si quatre de ces dix outils fonctionnent sur le même modèle de base, ou sur la même famille de modèles, ou sur le même fournisseur d'API, alors la diversification visible dans l'organigramme n'existe pas là où les décisions sont prises. Elle existe dans l'enveloppe, pas dans le raisonnement.
C'est ce qu'une récente publication du Forbes Technology Council a désigné sous le nom de concentration cognitive : le phénomène par lequel des organisations opérant avec de multiples applications d'intelligence artificielle finissent par dépendre du même système sous-jacent de connaissance, avec le risque qu'un changement ou une défaillance de ce système se propage silencieusement à travers des processus métier apparemment indépendants. L'article, rédigé par une cadre supérieure en technologie au sein d'une institution financière mondiale, est davantage un avertissement en matière de gestion des risques qu'un rapport de crise. Mais ce qu'il décrit comme une hypothèse plausible est suffisamment étayé par la structure actuelle du marché pour être pris au sérieux.
Le problème qui n'apparaît pas sur le tableau de bord des opérations
La concentration technologique classique présente un avantage inattendu : quand quelque chose tombe en panne, on le sait. Si un fournisseur de cloud s'effondre, les systèmes s'arrêtent. Si un serveur principal tombe en panne, les alertes se déclenchent. L'interruption est visible, mesurable et associée à un chronomètre.
La concentration cognitive ne fonctionne pas ainsi. Le système peut continuer à fonctionner en parfaite normalité sur le plan technique, tandis que les jugements qu'il produit ont changé. Une mise à jour du modèle de base peut modifier le poids que le système attribue à certaines variables dans un processus d'approbation de crédit, dans la classification des alertes de cybersécurité, dans la révision de contrats juridiques ou dans la génération de propositions commerciales — et aucun de ces changements ne déclenche une alarme. Le tableau de bord reste au vert. Les applications répondent. Les utilisateurs travaillent. Et l'organisation prend des décisions corrélées sur la base d'un raisonnement qui vient de changer simultanément sur tous les fronts.
Des données de marché transforment ce scénario en quelque chose de plus que de la spéculation. Une enquête de la Banque d'Angleterre et de la Financial Conduct Authority du Royaume-Uni menée auprès de 118 établissements financiers en 2024 a révélé que les trois principaux fournisseurs externes concentraient 73 % des services cloud déclarés et 44 % des fournisseurs de modèles. Parallèlement, 55 % des cas d'usage de l'intelligence artificielle dans ces établissements impliquaient un certain niveau de prise de décision automatisée. Ces deux données réunies dessinent les contours du risque : de nombreuses décisions automatisées, mais peu de modèles réels en dessous.
La structure du marché des modèles de langage renforce cette lecture. Des estimations de Menlo Ventures sur les dépenses des entreprises en intelligence artificielle générative montrent que trois fournisseurs — Anthropic, OpenAI et Google — concentraient environ 88 % des dépenses d'entreprise en modèles de langage en 2025. Il ne s'agit pas d'un oligopole illégal ni d'un comportement anticoncurrentiel ; c'est simplement l'état de maturité du marché à ce moment précis. Mais combiné à la vitesse à laquelle les entreprises intègrent ces capacités, le résultat mathématique est une concentration réelle de l'intelligence sous une apparence de diversité applicative.
Les dépenses des entreprises en intelligence artificielle générative sont passées de 1,7 milliard de dollars en 2023 à 11,5 milliards en 2024 et à 37 milliards en 2025, selon les mêmes données de Menlo. Cette vitesse d'adoption signifie que de nombreuses organisations ont intégré des dépendances profondes sans avoir eu le temps de les cartographier avec rigueur. Les architectures ont été construites rapidement parce qu'il y avait une pression pour montrer des résultats. L'inventaire des dépendances cognitives a été remis à plus tard. Dans la plupart des cas, ce plus tard n'est toujours pas arrivé.
Ce qui change quand la défaillance est silencieuse et corrélée
Il existe une distinction opérationnelle qu'il vaut la peine d'articuler avec précision, car c'est elle qui détermine si ce risque mérite une attention de la direction générale ou peut être délégué à l'équipe d'architecture.
La concentration de fournisseurs traditionnelle produit des défaillances de disponibilité. La concentration cognitive produit des défaillances de qualité de décision. Ce sont des catégories de risque distinctes, avec des profils de détection complètement différents.
Une défaillance de disponibilité se détecte en quelques minutes. Une défaillance de qualité de décision peut vivre en production pendant des semaines ou des mois avant que quelqu'un ne la détecte — et seulement s'il existe un mécanisme d'évaluation comparative capable d'identifier des dérives. La plupart des organisations disposent de protocoles robustes pour le premier type. Pour le second, la couverture est rare ou inexistante.
L'article mentionne un scénario qui mérite une attention particulière : les mises à jour de modèles. Lorsqu'un fournisseur publie une nouvelle version de son modèle de base, les applications fonctionnant sur cette API héritent du changement — parfois de manière transparente, parfois sans notification claire. Si quatre applications critiques partagent ce fournisseur, quatre processus métier changent simultanément. Certains changements seront neutres ou bénéfiques. Mais si le nouveau modèle présente un calibrage différent concernant des catégories de risque, des types de transactions ou des contextes spécifiques, l'impact peut être significatif avant même que quiconque ait pu le mesurer.
Ce n'est pas un scénario de faible probabilité. C'est la mécanique habituelle du fonctionnement des modèles en tant que service. Les fournisseurs mettent à jour leurs modèles avec une certaine périodicité. Les organisations qui consomment ces modèles via API héritent de ces mises à jour dans les délais contractuels qu'elles ont négociés — délais qui, dans de nombreux cas, sont minimes. Le risque ne réside pas dans la mauvaise foi du fournisseur ; il réside dans l'architecture de la dépendance et dans l'absence de contrôles d'évaluation continue permettant de détecter les dérives.
Le Comité de politique financière de la Banque d'Angleterre a publié en avril 2026 une analyse dans laquelle il constatait que l'intelligence artificielle avancée n'avait pas encore été adoptée de manière à présenter un risque systémique dans le secteur financier, mais avertissait que ces risques pourraient s'accroître rapidement à mesure que le déploiement s'étend. La séquence est importante : les contrôles sont bien plus faciles à mettre en place avant que les dépendances ne soient profondément ancrées. Une fois que huit unités métier dépendent du même modèle pour des décisions à fort impact, le coût de mise en œuvre d'une validation indépendante est considérablement plus élevé que si cette mise en œuvre est effectuée au moment où le système est conçu.
Pourquoi la plupart des inventaires technologiques ne capturent pas cela
Une enquête de l'IBM Institute for Business Value menée en 2026 auprès de mille cadres supérieurs dans 16 pays a révélé que 91 % d'entre eux admettaient ne pas comprendre pleinement leurs dépendances en matière d'intelligence artificielle entre fournisseurs, modèles et infrastructure. 71 % ont affirmé que changer leur principal fournisseur d'intelligence artificielle ou leur modèle serait difficile. Ces deux pourcentages réunis décrivent une situation précise : des organisations qui ont construit des dépendances qu'elles ne comprennent pas entièrement et qui seraient coûteuses à inverser.
Une partie de l'explication est structurelle. Les inventaires technologiques traditionnels sont organisés par application ou par fournisseur de logiciels. Ils capturent bien la couche visible : quelle plateforme, de quelle entreprise, avec quel contrat. Ce qu'ils ne capturent pas, c'est la couche d'intelligence sous-jacente : quel modèle de base, de quelle famille, avec quel fournisseur de calcul, avec quelles données d'entraînement, avec quelle politique de mise à jour. C'est cette couche qui détermine comment le système raisonne, et c'est elle qui peut être concentrée même si les applications visibles semblent diverses.
L'autre partie de l'explication tient à la vitesse organisationnelle. La pression pour montrer des cas d'usage d'intelligence artificielle en production a été, dans de nombreuses organisations, plus forte que la pression pour documenter les dépendances. Les équipes ont déployé rapidement. Les contrôles de gouvernance sont venus ensuite — quand ils venaient. Le résultat est que l'inventaire des applications est assez complet dans la plupart des entreprises de taille moyenne et grande, mais que l'inventaire des dépendances cognitives — modèles, familles de modèles, fournisseurs d'API, sources de données, systèmes de récupération — n'existe pas avec le même niveau de détail.
Il ne s'agit pas d'une critique à l'égard des équipes qui ont pris ces décisions. Dans les contraintes de temps, de ressources et de pression concurrentielle qui existaient entre 2023 et 2025, avancer vite était souvent la bonne décision. Le problème est que se déplacer rapidement sans enregistrer les dépendances que l'on crée produit exactement la situation que 91 % des cadres interrogés par IBM ont décrite : des dépendances que l'on ne comprend pas entièrement et qui seraient difficiles à modifier.
La question que les conseils d'administration devraient poser
L'article de Forbes propose un instrument analytique qu'il appelle Indice de Concentration Cognitive — une métrique qui ne possède pas encore de standard industriel, mais dont la logique est directe : cartographier quels modèles, quels fournisseurs d'API, quelles sources de calcul et quels référentiels de données partagent les applications d'intelligence artificielle de l'organisation, croiser ces informations avec la criticité des processus métier qui dépendent de chaque couche, et évaluer le temps qu'il faudrait pour opérer un changement dans un scénario de défaillance ou de dégradation.
La valeur de cet instrument ne réside pas dans le chiffre qu'il produit, mais dans le processus qu'il impose. Une organisation qui tente de construire cette cartographie pour la première fois découvre rapidement ce qu'elle sait et ce qu'elle croyait savoir sur ses dépendances. Cette différence — entre ce qui est documenté et ce qui est supposé — est généralement là que vit le risque.
Trois variables déterminent à quel moment la concentration cognitive passe d'une simple gêne architecturale à un problème de gouvernance de direction générale. La première est la criticité du processus : la concentration dans des applications marketing à faible risque avec des alternatives disponibles est un problème mineur ; la concentration dans des systèmes de souscription, d'approbation de crédit, de détection de fraude ou de décisions de tarification est une priorité d'un tout autre ordre. La deuxième est la vitesse de substitution : le temps effectivement nécessaire pour changer de modèle ou de fournisseur dans un processus métier réel — pas en théorie, mais tel que testé dans un exercice de continuité. La troisième est la capacité de détection des dérives : le fait que l'organisation dispose ou non de mécanismes permettant d'identifier qu'un modèle a modifié son comportement avant que ce changement ne produise un dommage mesurable.
McKinsey a indiqué dans son enquête mondiale de 2026 que 28 % des organisations consacraient plus de 10 % de leur budget technologique et informatique à l'intelligence artificielle. Lorsque l'investissement atteint ce niveau, la dépendance cesse d'être expérimentale pour devenir structurelle. Une dépendance structurelle qui n'est pas cartographiée, évaluée et assortie de protocoles de continuité est exactement le type de risque que les conseils d'administration sont tenus de comprendre — même si la plupart ne disposent pas encore du cadre conceptuel pour le formuler avec précision.
La diversification des applications était une décision d'achat. La résilience cognitive est une décision d'architecture. Ce sont deux décisions différentes que de nombreuses organisations ont confondues parce que l'une était visible et l'autre non. Corriger cette confusion à temps — pendant que les dépendances sont encore modifiables — est considérablement moins coûteux que de le faire après qu'un changement de modèle propagé à travers huit processus métier simultanés oblige à le faire en mode crise.
