par L’audition d’Arthur Mensch du 12 mai 2026, devant la commission d’enquête de l’Assemblée Nationale sur les dépendances structurelles et les vulnérabilités systémiques dans le secteur du numérique et les risques pour l’indépendance de la France, pose l’IA non comme un “outil logiciel” mais comme une nouvelle infrastructure productive, géopolitique et énergétique. Avant d’aller plus loin dans la lecture de mon analyse, je pense qu’on peut se féliciter d’avoir un patron (jeune) avec une telle vision et une telle envie de faire bouger les lignes ! Personnellement, j’adhère !
Pour un CEO, les sujets clés sont : sécuriser l’accès à une capacité IA fiable, éviter le verrouillage par les hyperscalers, traiter l’énergie comme un facteur stratégique de compétitivité, redessiner l’organisation autour d’agents IA, anticiper un déplacement de valeur du travail vers le capital, et arbitrer entre performance, souveraineté, coût, sécurité et empreinte environnementale. La thèse centrale de Mensch est que « le cloud, c’est l’intelligence artificielle » et que l’Europe doit capter la valeur ajoutée de l’IA, sinon elle risque de devenir simple fournisseur d’électricité pendant que « 90 % de la valeur » repart ailleurs.
Voici mon analyse détaillée de l’audition et ce que j’en retiens de majeur pour la prise de décision dans l’entreprise.
Sommaire
1. La thèse structurante de l’audition d’Arthur Mensch : l’IA devient la couche dominante du numérique
Le point le plus important de l’audition est le refus de distinguer IA, cloud et services numériques. Mensch affirme dès l’ouverture qu’il ne faut « pas faire de distinction » entre les services numériques de demain et l’intelligence artificielle : « fondamentalement les services numériques, le cloud, c’est l’intelligence artificielle ». Pour un CEO, cela signifie que l’IA n’est pas une brique applicative que l’on ajoute au SI ; elle devient progressivement la couche de valeur qui réorganise le cloud, les applications métiers, la donnée, la cybersécurité, l’automatisation et la productivité.
Cette lecture a une conséquence stratégique majeure : si l’entreprise traite l’IA comme un sujet d’innovation périphérique, elle sous-estime son impact. Dans la vision de Mistral, l’IA générative est le nouveau moteur de croissance du cloud, parce que « les services à haute valeur ajoutée, donc à forte marge qui permettent de faire de la R&D, c’est l’intelligence artificielle ». Autrement dit, la valeur ne se situe plus prioritairement dans l’hébergement, le stockage ou les machines virtuelles, mais dans la capacité à transformer du calcul, des modèles et des agents en décisions, actions et productivité métier.
Pour un COMEX, la question est “Quelle part de notre chaîne de valeur sera bientôt opérée, accélérée ou médiée par des systèmes IA, et avec quels fournisseurs, quelles infrastructures, quelles garanties de contrôle ?” C’est une bascule de gouvernance : l’IA devient un sujet de stratégie industrielle, de souveraineté, de supply chain, de risque opérationnel et de modèle social.
2. L’énergie : le nouveau facteur critique de production de l’intelligence
Le verbatim le plus fort de l’audition est probablement celui-ci : l’IA consiste à « transformer de l’énergie en intelligence », ou plus concrètement à « transformer de l’électricité en génération de token ». Mensch propose de traiter l’intelligence artificielle comme une quasi-ressource naturelle : « il faut réfléchir à l’intelligence comme on réfléchit à l’énergie ».
Il faut réfléchir à l’intelligence comme on réfléchit à l’énergie.
Pour un CEO, cette phrase change la nature du sujet. L’IA n’est pas seulement un service SaaS ; c’est une industrie lourde numérique, dépendante de l’accès à l’électricité, aux GPU, aux semi-conducteurs, à la mémoire, au refroidissement, aux data centers et aux réseaux. La capacité IA devient donc un actif stratégique comparable à l’énergie, aux matières premières ou aux capacités de production dans l’industrie.
Mensch insiste aussi sur l’urgence : selon lui, les grands acteurs américains peuvent investir massivement avant même que la demande européenne ne soit totalement exprimée. Sa formule est claire : « celui qui possède la ressource, celui qui se fournit les puces, celui qui possède les électrons […] c’est celui qui gagne ». Il alerte sur une possible « monopolisation de la ressource énergétique européenne » par des acteurs disposant de bilans financiers très supérieurs.
Cela crée un risque de verrouillage en deux temps. D’abord, les hyperscalers captent les meilleurs sites, les raccordements électriques et les capacités de calcul. Ensuite, les entreprises européennes deviennent dépendantes de services dont elles ne contrôlent ni l’infrastructure, ni la tarification future, ni la localisation de la R&D. Mensch résume le risque ainsi : même si l’on résout le problème de la demande, « une fois que l’offre elle est monopolisée par des acteurs américains, […] on n’a plus d’offre ».
Pour un CEO, l’implication est directe : l’accès à la capacité IA doit être traité comme un sujet de supply chain critique. Cela veut dire intégrer l’IA dans les plans de continuité d’activité, dans la stratégie cloud, dans les contrats fournisseurs, dans les choix d’hébergement et dans les arbitrages RSE. Les questions à poser ne sont pas seulement fonctionnelles (“le modèle est-il bon ?”), mais aussi industrielles : où tourne-t-il ? sur quelle infrastructure ? avec quel fournisseur d’énergie ? avec quelles garanties de capacité ? avec quelle trajectoire de coût ?
3. L’économie du token : une unité commerciale, mais une logique de capacité
Mensch explique que le token est « l’unité économique de l’intelligence artificielle ». Il donne un ordre de grandeur commercial : « un million de tokens […] ça va être 1 € » en entrée et « 3 € pour la sortie » dans son exemple. Mais il précise immédiatement que, pour Mistral, la vraie unité de pilotage n’est pas le token : « l’unité pour nous […] c’est plutôt le MW », parce que le MW représente l’électricité transformée en intelligence.
C’est crucial pour un dirigeant : le prix facial d’usage de l’IA peut sembler faible, mais le modèle économique sous-jacent est capitalistique. Mensch donne l’exemple d’un data center de 1 GW : « pour créer 1 GW […] vous allez investir 50 milliards de dollars […] sur 5 ans », avec environ « 10 milliards par an » pouvant générer, selon lui, « à peu près 20 milliards de revenus » si l’acteur est à l’échelle. Il évoque alors « 50 % de marge brute » entre le service numérique et l’investissement du fournisseur.
La conclusion stratégique est que l’IA est un secteur où l’effet d’échelle est déterminant. Les entreprises qui capturent la capacité de calcul, la demande et les données d’usage pourront potentiellement augmenter les prix et les marges après avoir installé une dépendance. Mensch formule ce risque de manière explicite : une fois « la demande et l’offre » capturées, les acteurs peuvent « monter les prix » et « monter les marges ».
Une fois « la demande et l’offre » capturées, les acteurs peuvent « monter les prix » et « monter les marges ».
Pour un CEO, cela appelle une vigilance particulière sur le lock-in. L’IA n’est pas un abonnement logiciel classique : elle peut devenir profondément intégrée dans les processus, le développement logiciel, la relation client, la supply chain, la documentation, le support interne, la conformité et la prise de décision. Plus l’IA devient productive, plus le coût de sortie augmente. La stratégie fournisseur doit donc prévoir portabilité, réversibilité, auditabilité, souveraineté des données, alternatives de modèles et clauses de prix.
4. Souveraineté : non pas l’autarcie, mais le levier de négociation
L’un des apports les plus utiles de l’audition pour un décideur est la définition non idéologique de la souveraineté. Mensch dit qu’il faut « arrêter de penser à la souveraineté comme un isolationnisme » et la voir comme « un sujet de levier ». Son raisonnement est simple : si l’Europe importe la totalité de ses services numériques, elle n’a « pas de levier » sur les États-Unis ; si elle produit et exporte une partie de la technologie, elle retrouve des « cartes à jouer » dans les négociations.
Ce point est très important pour un CEO : la souveraineté ne signifie pas nécessairement n’utiliser que des solutions européennes. Elle signifie éviter la dépendance totale, garder une capacité de choix, maintenir une capacité de négociation, et préserver des alternatives crédibles sur les composants critiques. La souveraineté doit donc être traduite en critères opérationnels : maîtrise des données, localisation des traitements sensibles, réversibilité, contrôle juridique, exposition aux lois extraterritoriales, capacité de personnalisation, accès au modèle, et capacité de continuité en cas de rupture géopolitique ou commerciale.
Mensch donne ensuite une lecture macroéconomique : si l’Europe utilise l’IA à hauteur de 10 % de sa masse salariale et importe cette IA, cela pourrait représenter, selon son ordre de grandeur, « 1 trilliard » de déficit commercial supplémentaire dans les services numériques, qui repartirait ailleurs pour financer de la R&D non européenne. Ce chiffre doit être lu comme une alerte d’ordre de grandeur, pas comme une prévision auditée, mais l’idée stratégique est forte : l’IA peut aggraver massivement le déficit numérique européen si la valeur est captée hors d’Europe.
Pour un dirigeant, cela se traduit par une question simple : quand l’entreprise paie ses fournisseurs IA, où va la marge ? Sert-elle à renforcer un écosystème sur lequel l’entreprise aura un levier, ou à renforcer des acteurs dont elle deviendra toujours plus dépendante ? Mensch propose un critère très concret : regarder « où est-ce que la R&D est réinvestie ». Même une société juridiquement européenne peut ne pas être réellement souveraine si elle est contrôlée par une entité étrangère et si les revenus repartent au siège.
5. Le cloud souverain : l’IA comme voie de reconquête, pas l’inverse
Mensch critique une approche qui consisterait à “remonter” le cloud par les couches les plus basses : stockage, hébergement, machines virtuelles. Selon lui, ces services sont devenus des commodités à faible marge. Sa recommandation stratégique est inverse : partir de la couche à forte valeur ajoutée, l’IA, puis descendre vers les couches d’infrastructure. Il dit explicitement : « pour remonter sur le cloud, il faut passer par la valeur ajoutée importante » ; or « la valeur ajoutée importante, celle qui fait la croissance, c’est l’intelligence artificielle ».
Pour un CEO, cela signifie qu’une stratégie cloud ne peut plus être séparée d’une stratégie IA. Le choix d’un cloud n’est plus seulement un choix d’hébergement, de coût ou de conformité ; il devient un choix d’accès aux modèles, aux agents, aux outils de développement, aux capacités de calcul et aux services de données. Les DSI qui maintiennent une séparation organisationnelle entre “cloud”, “data”, “cyber” et “IA” risquent de manquer la recomposition de la chaîne de valeur.
Cela pousse à construire une architecture cible hybride : certains usages peuvent rester sur hyperscalers globaux, mais les usages stratégiques, données sensibles, R&D, industrie, défense économique, connaissance client, processus critiques, doivent être examinés sous l’angle de la dépendance. L’enjeu n’est pas seulement “cloud souverain ou non”, mais “quels processus ne doivent pas être enfermés dans une dépendance technologique, économique ou juridique non maîtrisée ?”
6. Organisation : l’IA transforme le travail plus vite que les structures
Le passage le plus parlant sur l’organisation concerne le développement logiciel. Mensch affirme : « les ingénieurs chez Mistral ne […] écrivent plus de ligne de code ». Il décrit un changement de posture : le développeur n’est plus seulement un artisan qui écrit du code, il devient « un manager » qui demande à des agents d’écrire, tester, corriger et itérer. « Vous donnez les spécifications, vous êtes un donneur d’ordre. »
Pour un CEO, c’est un signal fort : l’IA ne se contente pas d’accélérer les tâches existantes ; elle change la nature du travail. Dans le logiciel, elle déplace la valeur vers la spécification, l’architecture, la revue, l’orchestration, la qualité et la capacité à piloter des agents. Les gains de productivité ne viennent donc pas seulement de l’outil, mais de la capacité de l’organisation à changer ses routines.
Mensch donne un point très opérationnel : seul, un développeur peut aller « 10 » ou « 20 fois plus vite », mais quand l’équipe grandit, les gains baissent parce que les sujets de communication reviennent. Dans une très grande entreprise, il parle de « goulots d’étranglement organisationnel ». C’est un point clé pour un COMEX : les gains IA sont plafonnés par l’organisation. Les entreprises qui ajoutent des copilotes sans revoir les workflows, les circuits de validation, la gouvernance produit, les responsabilités et la gestion des risques verront des gains limités.
Seul, un développeur peut aller « 10 » ou « 20 fois plus vite », mais quand l’équipe grandit, les gains baissent parce que les sujets de communication reviennent. Dans une très grande entreprise, il parle de « goulots d’étranglement organisationnel ». C’est un point clé pour un COMEX : les gains IA sont plafonnés par l’organisation.
La conséquence est que la transformation IA doit être pilotée par le métier et l’organisation, pas seulement par la DSI. Les vrais chantiers sont : redéfinir les rôles, accélérer les cycles de décision, repenser les contrôles qualité, clarifier ce que l’agent peut faire seul et ce qui exige une validation humaine, mesurer les gains réels, et supprimer les frictions internes qui absorbent la productivité générée par l’IA.
7. Productivité : des gains micro forts, mais peu de preuves macro consolidées
Mensch reconnaît qu’il n’existe pas encore beaucoup d’études macro solides, car « l’aspect délégation de tâche » ne fonctionne réellement que depuis « 6 mois » selon lui. En revanche, il revendique des retours microéconomiques importants chez les clients de Mistral : certains cas généreraient des retours supérieurs aux dépenses, avec par exemple des gains de productivité « de facteur 5 » dans les services clients, soit « 20 % du temps nécessaire » pour effectuer une tâche.
Pour un CEO, cette distinction est essentielle. Le ROI de l’IA ne doit pas être présumé globalement ; il doit être prouvé par processus. Les gains peuvent être très élevés dans les tâches informationnelles, répétitives, codifiées ou fortement textuelles : service client, développement logiciel, support interne, documentation, reporting, analyse de documents, recherche, maintenance de connaissances, assistance commerciale, conformité. Ils seront plus difficiles à capturer dans les environnements physiques ou industriels, où il faut tester, certifier, intégrer aux machines et gérer la sécurité opérationnelle.
Mensch suggère néanmoins un ordre de grandeur ambitieux : 10 % à 20 % des OPEX ou de la masse salariale pourraient être consacrés à l’IA, avec des gains de productivité pouvant atteindre environ 20 % dans certains cadres. Ce n’est pas une promesse universelle, mais cela indique la taille potentielle du basculement budgétaire. C’est à intégrer dans les constructions budgétaires pour 2027 !
10 % à 20 % des OPEX ou de la masse salariale pourraient être consacrés à l’IA, avec des gains de productivité pouvant atteindre environ 20 % dans certains cadres.
La bonne lecture COMEX est donc la suivante : l’IA doit entrer dans le pilotage économique de l’entreprise comme un programme de productivité, mais avec une logique de portefeuille. Il faut distinguer les cas d’usage à ROI immédiat, les cas d’usage stratégiques sans ROI court terme, les cas d’usage à risque élevé, et les cas d’usage de transformation structurelle.
8. Emploi : le point sensible est le déplacement de valeur du travail vers le capital
Mensch formule très clairement la bascule : l’IA générative « déplace l’intelligence du travail vers le capital et vers les machines ». Cette phrase est centrale pour un CEO, car elle signifie que l’IA n’est pas seulement un levier d’efficacité ; elle modifie la répartition de la valeur entre salariés, capital technologique, fournisseurs d’infrastructure et détenteurs de modèles.
Il va plus loin en parlant d’une situation « explosive » : une partie des gains de productivité ne se traduira pas seulement en croissance, mais aussi en « destruction ou modification des emplois existants ». Il ajoute que « certains métiers disparaissent presque » et n’exclut pas « une augmentation dans certains domaines du chômage ».
Pour un COMEX, cela implique que la transformation IA ne peut pas être pilotée uniquement comme un programme d’efficacité. Elle doit être accompagnée d’un plan social au sens noble : cartographie des métiers exposés, montée en compétences, redéfinition des fiches de poste, mobilité interne, dialogue social, politique de partage des gains, et explicitation du rôle de l’humain dans les décisions critiques.
La question difficile n’est pas “l’IA va-t-elle remplacer des emplois ?” mais “quels emplois deviennent des emplois de supervision, d’orchestration, de validation ou de relation, et quels emplois perdent leur contenu économique ?” Le dirigeant doit aussi anticiper la perception interne : si l’IA est vécue uniquement comme un outil de réduction de coûts, elle créera de la défiance ; si elle est intégrée dans un projet de montée en valeur des métiers, elle peut devenir un levier d’engagement.
9. Human-in-the-loop : nécessaire, mais pas suffisant
Sur l’éthique, Mensch décrit une approche pragmatique : Mistral conçoit des systèmes qui automatisent certains procédés tout en laissant « les humains dans la boucle sur les décisions importantes ». Il insiste sur le design d’interaction : l’IA doit fournir assez d’éléments pour que « l’humain reste informé ». Mais il reconnaît une difficulté : l’humain peut devenir « paresseux » si la machine fait à sa place, d’où la nécessité de « stimuler l’être humain quand il est face à la machine ».
Pour un CEO, c’est un point de vigilance majeur. Beaucoup d’entreprises se rassurent avec la formule “human in the loop”, mais celle-ci peut devenir cosmétique si l’humain valide sans comprendre. Le vrai sujet est la qualité de la supervision : l’utilisateur dispose-t-il des informations nécessaires ? Comprend-il l’incertitude ? Peut-il contester la recommandation ? A-t-il le temps de le faire ? Est-il responsable juridiquement ? Les erreurs sont-elles traçables ?
L’IA impose donc une nouvelle discipline de design organisationnel. Il ne suffit pas d’avoir un bouton “valider”. Il faut concevoir des interfaces, des droits, des seuils d’autonomie, des journaux d’audit, des mécanismes d’escalade, des tests de robustesse et des formations adaptées.
10. Cybersécurité et défense : l’IA devient une capacité duale critique
Mensch traite l’IA comme une technologie duale. Sur la défense, il explique que Mistral travaille avec le ministère des Armées et certains alliés, dans un cadre de contrôle export. Il précise que l’entreprise ne prétend pas avoir une légitimité démocratique supérieure à celle de l’armée : Mistral se donne un « devoir de conseil », mais ne revendique pas de « droit de regard » sur l’utilisation finale par les armées françaises.
Le point stratégique est que l’IA devient centrale pour la dissuasion conventionnelle. Mensch évoque les drones et affirme que si l’on n’a pas en face des contre-mesures « activées par de l’intelligence artificielle », on n’a pas de dissuasion suffisante. Il conclut qu’il faut « maîtriser l’intelligence artificielle de bout en bout ».
Sur le cyber, l’alerte est très concrète : les modèles deviennent « d’excellents programmeurs » capables « d’orchestrer des attaques, de découvrir des vulnérabilités et de proposer des exploitations ». Pour une entreprise, cela signifie que l’IA augmente simultanément les capacités défensives et offensives. Les attaquants peuvent automatiser la recherche de failles ; les défenseurs doivent donc utiliser l’IA pour scanner, corriger, monitorer et répondre plus vite.
La conséquence COMEX est simple : la cybersécurité IA ne peut pas rester un sujet de laboratoire. Il faut sécuriser les usages internes de modèles, interdire ou contrôler l’envoi de code sensible vers des modèles non maîtrisés, auditer les assistants de développement, renforcer la gestion des secrets, et intégrer l’IA dans les plans de défense cyber. Pour les secteurs régulés ou critiques, le choix du fournisseur IA devient aussi un choix de sécurité nationale ou économique.
11. Environnement : accepter les externalités, mais capter la valeur et mesurer en cycle de vie
Mensch ne nie pas les externalités des data centers : besoin d’électricité, d’eau, de foncier, de terres rares, de refroidissement, d’infrastructures. Il affirme toutefois que construire en France peut être préférable d’un point de vue carbone, parce que l’électricité française est majoritairement nucléaire et donc moins carbonée que d’autres options. Il résume l’idée : si un gigawatt est construit en France, il ne sera pas construit au Texas, et « l’atmosphère va un petit peu moins se réchauffer ».
Cette argumentation doit être lue avec nuance. Elle est cohérente sur le carbone relatif, mais elle ne supprime pas les autres impacts : foncier, eau, biodiversité, acceptabilité locale, raccordements électriques, conflits d’usage. Mensch utilise une métaphore forte : le data center devient une « mine » de tokens. Si le token est une ressource naturelle, « la mine c’est le data center ».
Pour un CEO, la bonne approche consiste à intégrer l’empreinte IA dans la stratégie RSE et dans les achats. Mistral revendique une approche en analyse de cycle de vie plutôt qu’en compensation : « il faut avoir une approche qui est en cycle de vie et pas une approche avec des compensations ». Cela donne un critère de sélection fournisseur : demander non seulement des engagements carbone globaux, mais une transparence par projet, par modèle, par infrastructure et par localisation.
Le sujet environnemental ne peut donc pas être traité comme un frein externe à l’IA. Il devient un critère de compétitivité, de réputation, d’acceptabilité et de résilience. Les entreprises devront arbitrer entre performance, coût, souveraineté, empreinte et disponibilité énergétique.
12. Réglementation et fragmentation européenne : un frein réel, mais aussi une barrière défensive après coup
Mensch est sévère sur la réglementation européenne. Il décrit la lourdeur opérationnelle d’un marché fragmenté : ouvrir une entité dans chaque pays, comprendre un régime de stock-options différent, gérer une réglementation du travail différente, ouvrir des comptes bancaires, composer avec des fiscalités non unifiées. Selon lui, « vous ne pouvez pas avoir de marché unifié si vous n’avez pas une forme de fiscalité unifiée » et de droit social plus unifié.
Il critique aussi l’empilement RGPD, copyright, text and data mining, AI Act, avec des exigences documentaires différentes et des autorités de mise en œuvre multiples. Son point est que cet overhead réglementaire est absorbable par des acteurs déjà gros, mais dissuasif pour les start-up. D’où sa conclusion : « la réglementation favorise les gros », et en technologie, cela favorise souvent les acteurs américains déjà dominants.
Pour un CEO, cela a deux implications. Premièrement, le marché européen restera plus complexe à adresser et à opérer, donc les programmes IA multi-pays doivent prévoir localisations, conformité, langues, fiscalité, droit social et gouvernance de données. Deuxièmement, la conformité ne doit pas devenir une excuse à l’inaction : les concurrents américains ou chinois avancent vite, et l’entreprise européenne peut se retrouver surconforme mais sous-équipée.
Mensch nuance toutefois la fragmentation : elle ralentit l’émergence, mais elle peut ensuite protéger les revenus acquis, car les grandes entreprises européennes ont des approches plus partenariales, plus longues, et moins facilement réplicables par les Américains. La viscosité européenne est donc d’abord un handicap, puis parfois une barrière défensive.
13. Commande publique et demande européenne : le rôle du marché dans la souveraineté
Mensch insiste fortement sur la demande. Selon lui, l’Europe ne manque pas seulement de technologie ; elle manque d’un marché suffisamment visible pour justifier des investissements massifs. Il explique que Mistral pourrait prendre plus de risques d’investissement s’il existait une visibilité plus forte sur la demande privée et publique. Il dit que cette visibilité « doit être indiquée par les acteurs européens, par les États européens ». Cela va dans le même sens que le playbook européen de Mistral AI que j’ai analysé ici.
Il indique que la commande publique représenterait environ 20 % du chiffre d’affaires de Mistral, dont 10 % venant de la commande publique française sur la partie logicielle. Il mentionne le Luxembourg comme exemple d’administration centrale avec des contrats-cadres significatifs, alors que la France serait moins avancée à cette échelle.
Pour un membre de COMEX, je pense que cela peut sembler éloigné, mais c’est en réalité très pertinent. Les entreprises privées structurent elles aussi le marché par leurs achats. Un grand groupe qui choisit systématiquement un hyperscaler américain pour ses usages IA renforce l’écosystème américain. Un grand groupe qui diversifie ses fournisseurs, exige des garanties de souveraineté, finance des solutions européennes et contractualise sur plusieurs années donne de la visibilité au marché et contribue à créer des alternatives.
La souveraineté n’est donc pas uniquement une politique publique ; c’est aussi une politique d’achat. Le COMEX doit se demander si ses décisions IT et IA renforcent ou réduisent sa propre dépendance future.
14. Modèles ouverts, distillation et contrôle technologique
Mistral revendique une stratégie de modèles ouverts. Mensch explique que l’entreprise a publié des modèles ouverts pour montrer que l’on pouvait « s’en emparer, les modifier, les déployer où on voulait », comme une technique de « décentralisation » et de déplacement des acteurs établis.
Pour une entreprise, l’intérêt des modèles ouverts est la flexibilité : possibilité de déploiement interne, adaptation, audit, moindre dépendance à une API unique, meilleure maîtrise de certains usages sensibles. Mais le modèle ouvert ne résout pas tout : performance, sécurité, maintenance, coût d’infrastructure, fine-tuning, monitoring et responsabilité restent des sujets lourds.
Sur la distillation, Mensch est clair : elle permet de prendre un gros modèle et d’en faire un plus petit, plus efficace et moins cher à servir. Mais ce n’est pas une manière magique de rattraper le retard si l’on ne sait pas entraîner les gros modèles. Il dit que pour « savoir ce qu’il y a dans vos modèles » et les contrôler, « il faut être capable de construire les plus gros modèles ».
La leçon pour un CEO est que les petits modèles spécialisés peuvent être très pertinents pour l’entreprise, mais qu’ils dépendent d’une chaîne amont de modèles fondamentaux, de capacité de calcul et de R&D. Le choix entre modèle propriétaire, modèle ouvert, modèle distillé, modèle interne ou modèle fournisseur doit être fait par criticité d’usage, pas par mode technologique.
15. Données, annotation et qualité : la fin progressive du “click work” simple
Sur l’entraînement, Mensch explique que les débuts de l’IA générative reposaient beaucoup sur de la notation humaine et des préférences. Mais il affirme qu’aujourd’hui les besoins se déplacent vers des annotateurs beaucoup plus qualifiés : « des gens qui ont des thèses », capables de résoudre des problèmes de sécurité, de code ou de physique. Il ajoute que le signal vient de plus en plus d’environnements : exécution de code, simulation, fichiers Excel, 3D, etc.
Pour l’entreprise, c’est un point important : la qualité IA va dépendre de la capacité à créer des environnements de test et de feedback métiers. Autrement dit, les données brutes ne suffisent pas. Il faut des scénarios, des simulateurs, des règles métier, des bancs de test, des jeux d’évaluation, des workflows d’audit, des experts capables de dire si l’agent agit correctement.
Cela signifie que l’avantage compétitif d’une entreprise ne résidera pas seulement dans ses données, mais dans sa capacité à transformer son expertise métier en environnements d’apprentissage, d’évaluation et de contrôle.
16. Le risque majeur : devenir fournisseur d’énergie pendant que la valeur part ailleurs
Le raisonnement économique le plus dur de Mensch est celui-ci : dans la chaîne de valeur qui transforme l’électron en token, environ 10 % seulement irait à l’électron. Donc si le rôle de l’Europe est seulement de fournir l’énergie, « ça veut dire qu’il y a 90 % de la valeur qui est ailleurs ». Cette valeur part alors financer de la R&D, de la puissance technologique et de la capacité d’influence hors d’Europe.
Dans la chaîne de valeur qui transforme l’électron en token, environ 10 % seulement irait à l’électron. Donc si le rôle de l’Europe est seulement de fournir l’énergie, « ça veut dire qu’il y a 90 % de la valeur qui est ailleurs »
Pour un CEO, cette logique doit être transposée à l’entreprise. Une entreprise peut, elle aussi, devenir simple fournisseur de données, de clients, de processus et de marge à une plateforme externe qui capte la valeur stratégique. Si les agents IA d’un fournisseur deviennent l’interface entre l’entreprise et ses clients, ses développeurs, ses processus ou ses décisions, alors l’entreprise cède une partie de son intelligence opérationnelle.
La question fondamentale devient : quelle intelligence doit rester dans l’entreprise ? Quels agents peuvent être externalisés ? Quels modèles doivent être contrôlés ? Quelle donnée peut enrichir un fournisseur ? Quelle partie de la marge créée par l’IA revient à l’entreprise, aux salariés, aux clients, ou au fournisseur technologique ?
17. Mon avis sur cette audition pour un décideur en entreprise
L’audition est très riche, mais un CEO doit aussi garder une distance critique. D’abord, Mistral est un acteur économique directement intéressé par l’achat européen d’IA, la commande publique, les data centers et la souveraineté. Ses ordres de grandeur doivent être lus comme des arguments stratégiques et industriels, non comme des projections indépendamment validées.
Ensuite, les prévisions d’investissement, d’énergie et de productivité sont massives et parfois exprimées dans une transcription où les termes “trillions/trilliards” semblent servir d’ordres de grandeur. Pour une décision COMEX, il faut donc traduire ces chiffres en scénarios internes : coût IA par salarié, coût par processus, coût par client servi, coût de sortie, coût énergétique indirect, et ROI réellement observé.
Troisièmement, l’argument environnemental “produire en France est mieux que produire ailleurs” est pertinent sur le carbone électrique, mais incomplet si l’on ne prend pas en compte foncier, eau, biodiversité, tension réseau, acceptabilité locale et sobriété des usages. Mensch reconnaît les externalités, mais son raisonnement reste orienté vers la nécessité de produire, dans une logique de « course », que nous ne pouvons pas gagner sur la base de règles du jeu que nous ne dictons pas.
Enfin, la souveraineté ne doit pas devenir un label marketing. Mensch lui-même met en garde contre les sociétés “européennes” seulement par entité juridique. Pour un CEO, il faut auditer le contrôle réel, la localisation des traitements, l’exposition juridique, la R&D, la chaîne d’approvisionnement, les dépendances GPU/cloud, et la gouvernance des données.
18. Les 7 sujets à traiter pour un COMEX
Le premier sujet à mettre à l’agenda d’une entreprise est l’architecture IA cible. L’entreprise doit définir quels usages peuvent être opérés sur des plateformes globales, lesquels exigent des solutions européennes, lesquels doivent être déployés en environnement privé ou souverain, et lesquels justifient des modèles spécialisés. Cette architecture doit être pensée comme une architecture de dépendance, pas seulement comme une architecture technique.
Le deuxième sujet est la trajectoire économique. L’entreprise doit chiffrer ce que représenterait une dépense IA à 5 %, 10 % ou 20 % de la masse salariale ou des OPEX concernés. Mensch utilise déjà 10 % de la masse salariale de Mistral comme ordre de grandeur interne. Même si ce chiffre n’est pas généralisable, il indique que le budget IA peut rapidement devenir une ligne structurante du P&L.
Le troisième sujet est l’organisation. Les gains ne viendront pas seulement des modèles, mais de la capacité à lever les « goulots d’étranglement organisationnel ». Cela suppose de revoir les processus, les responsabilités, la gouvernance des agents, les droits d’action, les contrôles, les formations et les indicateurs de productivité.
Le quatrième sujet est l’emploi. Le COMEX doit anticiper les métiers transformés ou fragilisés, organiser la montée en compétences et clarifier la politique sociale autour de l’IA. La phrase de Mensch sur le déplacement de l’intelligence « du travail vers le capital » doit être prise au sérieux : elle annonce un débat interne sur la répartition de la valeur créée par l’IA.
Le cinquième sujet est la sécurité. Les modèles IA deviennent à la fois outils de défense et outils d’attaque. Il faut donc intégrer l’IA dans la stratégie cyber, interdire les usages non contrôlés sur données sensibles, auditer les assistants de développement, et exiger des garanties sur les modèles qui manipulent du code, des documents confidentiels ou des décisions critiques.
Le sixième sujet est l’énergie et l’empreinte. L’entreprise doit demander à ses fournisseurs IA des informations sur la localisation, le mix énergétique, l’analyse de cycle de vie, le refroidissement, l’empreinte par usage et la trajectoire d’optimisation. La RSE ne peut plus ignorer l’IA.
Le septième sujet est la politique d’achat. Le choix d’un fournisseur IA doit intégrer le prix, la performance, mais aussi la souveraineté, la réversibilité, l’auditabilité, la localisation de la R&D, le contrôle juridique et la capacité à éviter un verrouillage futur. C’est un sujet de CEO, pas seulement de DSI.
L’audition d’Arthur Mensch doit être lue comme un avertissement stratégique : l’IA va devenir une infrastructure de production, une dépense opérationnelle majeure, un facteur de souveraineté, un levier de productivité et un risque de dépendance. Pour un CEO, l’enjeu n’est pas de “faire de l’IA”, mais de décider quelle part de l’intelligence de l’entreprise sera internalisée, externalisée, souveraine, auditable, réversible et socialement acceptable. Le risque n’est pas seulement technologique ; il est économique, énergétique, organisationnel et géopolitique. La bonne décision COMEX consiste à traiter l’IA comme une chaîne de valeur complète : énergie, calcul, modèles, données, agents, métiers, emplois, sécurité, RSE, et non comme une collection de cas d’usage.
