480 MILLIARDS DE DOLLARS « PARTIS EN FUMÉE » EN BOURSE : LA BULLE DE L’IA A ÉCLATÉ EN CHINE. LES ÉTATS-UNIS SONT-ILS LES SUIVANTS ?

Artem Honcharenko, PhD

Directeur de l'Institut de réintégration, de réadaptation et de développement professionnel des vétérans « Architecture de la résilience » de la KNUBA

27 octobre 2026 • analyse de l'auteur

L'effondrement chinois : ce qui s'est réellement passé sur le marché

Il y a peu encore, les fabricants de puces, de composants optiques pour centres de données et de robotique étaient présentés comme les grands gagnants de la nouvelle révolution technologique. Les investisseurs achetaient leurs actions en comptant sur une future hausse de la demande d'intelligence artificielle. Fin octobre, cette confiance a cédé la place à une vente massive.

Selon Reuters du 26 octobre 2026, l'indice STAR 50, qui reflète l'évolution des principales entreprises technologiques et innovantes de la place de Shanghai, a perdu environ 40 % en moins de quatre mois. La baisse de la valeur de marché totale est estimée à environ 480 milliards de dollars. Dès le 27 octobre, l'indice a clôturé à 1 252,28 points, soit une baisse quotidienne de 4,81%. [1–2]

Deux précisions s'imposent ici. STAR 50 n'est pas la liste des 50 plus grandes entreprises chinoises d'IA pure, mais un indice du segment technologique et innovant, où de nombreuses entreprises sont liées aux semi-conducteurs et à l'IA. Et Les 480 milliards de dollars n'ont pas « disparu » des comptes bancaires des entreprises : il s'agit de la baisse de la valorisation boursière du portefeuille d'actions.

Cela ne rend toutefois pas l'ampleur de la correction moins importante. Reuters cite des exemples de chutes de plusieurs dizaines de pour cent des actions de certains fabricants de robots, de microcircuits et d'équipements optiques. La Bourse s'est soudain souvenue d'une exigence économique simple : une bonne technologie ne garantit pas à elle seule un bénéfice suffisant pour justifier n'importe quel cours de l'action. [1]

Pourquoi le marché s'est refroidi : des attentes excessives face à des bénéfices réels

Au sommet de la hausse, le ratio cours/bénéfice (P/E) de l'indice STAR 50 approchait, selon l'estimation de Reuters, de 250. Même après la forte baisse, il s'élevait à environ 100, tandis que la référence pour le Nasdaq 100 dans le même article était d'environ 30. Ces indices n'ont pas la même structure, mais l'écart montre quelle part de la croissance future les investisseurs ont déjà intégrée dans les cours chinois. [1]

Aux valorisations élevées se sont ajoutés des doutes sur le rythme de la demande d'équipements d'IA, d'éventuelles restrictions à l'exportation, des facteurs fiscaux et des risques pour la vente de composants chinois à des centres de données à l'étranger. Aucune de ces causes n'explique à elle seule tout l'effondrement, mais ensemble elles ont rendu le marché vulnérable.

Ma conclusion est simple : il faut séparer le cours d'une action de l'utilité de la technologie. Une entreprise peut créer un produit utile et pourtant coûter trop cher en Bourse. Et inversement, la baisse de ses cours n'annule pas l'effet technologique déjà obtenu.

Il faut distinguer nettement deux choses : l'efficacité économique de l'intelligence artificielle et la valeur spéculative des entreprises qui en tirent des revenus. Le marché boursier peut se tromper dans ses attentes. Mais si une technologie réduit réellement le temps de recherche, augmente la productivité et permet de prendre plus vite des décisions fondées, cette valeur ne disparaît pas avec la chute des cours.

L'IA accélère-t-elle vraiment le travail humain : ce qui est prouvé et ce qui n'est que promis

En tant que chercheur, je pense qu'il faut évaluer l'intelligence artificielle non pas au bruit des présentations, mais à l'aune d'expériences indépendantes avec des groupes témoins. Et de telles études existent déjà.

Dans une étude du MIT publiée dans la revue Science en 2023, 453 professionnels ont réalisé des tâches rédactionnelles professionnelles. Dans le groupe ayant accès à ChatGPT, le temps moyen d'exécution a diminué de 40%, tandis que la qualité du résultat, selon l'évaluation d'experts, a augmenté de 18%. Il s'agit d'une expérience réelle, mais elle ne prouve pas que toute recherche complexe sera automatiquement accélérée des mêmes 40 %. [3]

Dans une expérience de la Harvard Business School et du Boston Consulting Group, à laquelle ont participé 758 consultants les utilisateurs de GPT-4 exécutaient les tâches adaptées aux capacités du modèle plus de 25 % plus vite et menaient à terme plus de 12 % de tâches en plus. En revanche, pour une tâche située hors des capacités fiables de l'outil, l'utilisation de l'IA conduisait à un moins bon résultat. [4]

L'analyse scientifique est particulièrement révélatrice. Une revue de 25 études, publiée dans Frontiers in Pharmacology en 2025, a relevé une réduction du temps de plus de 50 % dans 17 travaux. Dans certains cas, l'examen automatisé des résumés était réduit de 5 à 6 fois, et la charge manuelle, à condition d'une exhaustivité de 95 % dans le repérage des documents, de 6 à 10 fois. Cela concerne avant tout certaines étapes de sélection, et non l'ensemble du chemin de l'idée à la conclusion vérifiée. [5]

Il y a aussi une réserve. Dans une expérience randomisée de METR de 2025, 16 développeurs expérimentés, qui ont réalisé 246 tâches réelles, ont travaillé avec les outils d'IA de l'époque en moyenne 19 % de temps en plus, alors qu'ils pensaient eux-mêmes être allés plus vite. Ainsi, un outil qui aide un débutant peut ralentir un spécialiste sur un travail qu'il connaît bien si le coût de vérification des résultats est trop élevé. [6]

Conclusion : nous devons mesurer non pas le volume de texte généré, mais le nombre de de résultats corrects et vérifiés par unité de temps.

Un exemple qui change d'échelle : 100 mille documents

Imaginons une organisation qui doit examiner en première lecture 100 000 documents — contrats, publications scientifiques, rapports, requêtes de citoyens ou documents relatifs à la reconstruction. Si l'on consacre à chaque document seulement trois minutes, cela représente 5 000 heures-personne, soit 625 journées de travail de huit heures. Une équipe de dix analystes travaillerait environ 12,5 semaines à pleine charge.

Supposons maintenant qu'un système éprouvé effectue automatiquement la déduplication, la classification initiale et la recherche de contradictions, et établisse une liste d'exceptions. Si sa qualité permet de réduire précisément le screening manuel de 90 %, il restera l'équivalent de 500 heures-personne à cette étape.

Il s'agit d'un modèle illustratif, et non du résultat d'une mise en œuvre concrète. Il ne tient pas compte séparément du coût des calculs, du paramétrage, du contrôle qualité ni des cas critiques manqués. On ne peut donc pas affirmer mécaniquement que l'ensemble de l'étude serait dix fois plus rapide.

Mais il explique d'où vient la véritable valeur : l'expert n'est plus tenu d'examiner manuellement chaque élément d'information si la sélection automatisée a prouvé la précision requise. Il passe de la lecture de masse à un travail approfondi sur les cas complexes.

Le marché commence à mûrir. La simple promesse d'une révolution technologique ne suffit plus. L'investisseur veut voir du profit, et l'organisation, un résultat concret : combien de temps a été économisé, combien d'erreurs ont été évitées, combien de demandes ont été traitées et combien coûte l'entretien du système. Le véritable avantage concurrentiel reviendra à ceux qui sauront démontrer l'efficacité économique de l'IA.

La guerre change la formule de la productivité : pourquoi c'est important pour l'Ukraine

Dans notre pays, un employé peut être hautement qualifié et motivé, mais incapable d'annuler une alerte aérienne ou une attaque de missiles. La sécurité des personnes doit toujours rester la priorité.

Dans une enquête de la European Business Association menée en février 2026 auprès de 131 hauts dirigeants d'entreprises membres de l'Association, 45% des répondants ont cité l'interruption du travail pendant les alertes aériennes parmi les contraintes courantes, tandis que 82% — les attaques contre le système énergétique parmi les facteurs ayant le plus fort impact négatif sur les entreprises. Ce n'est pas une statistique de la perte moyenne d'heures pour l'ensemble de l'Ukraine, mais c'est un indice sérieux des obstacles opérationnels. [7]

Prenons un projet fictif nécessitant 100 heures d'analyse productives. Si la disponibilité réelle du temps de travail est de 70 %, il faudra environ 143 heures de ressource de travail planifiée. Dans le processus hybride modélisé, où il reste 25 heures à l'humain et où le traitement automatique et les opérations connexes en ajoutent 10, l'estimation totale s'élève à environ 46 heures. L'écart est d'environ 3,1 fois.

Il ne faut pas considérer ces chiffres comme une norme pour les entreprises ukrainiennes : les 70 % de disponibilité et la structure des opérations ne sont ici que des hypothèses de scénario. L'effet réel dépendra de la nature des tâches, de la préparation des données et de l'architecture du système.

Le principe, cependant, est important. Si les calculs, les données et les files de tâches sont correctement redondants et géographiquement répartis, une partie des opérations peut se poursuivre même lorsque les employés sont dans un abri. En revanche, si le système dépend d'un seul serveur de bureau sans connexion ni alimentation de secours, cet avantage n'existera pas.

Pour l'Ukraine, le recours à l'intelligence artificielle n'est pas simplement un désir d'être technologiquement moderne. C'est une question de résilience. Chacun a droit à la sécurité, au repos et à la protection pendant la guerre. En même temps, une infrastructure numérique bien conçue peut assurer la continuité d'une partie des processus critiques. Notre tâche n'est pas de remplacer l'humain, mais de renforcer ses capacités grâce à la technologie.

La véritable révolution n'est pas un texte en une minute, mais la détection du problème avant le rapport

Je pense que le prochain changement sera plus profond que la préparation automatique de notes analytiques. Il s'agit d'une surveillance en continu, 24 heures sur 24, où les données arrivent en permanence, où le système détecte les écarts, les vérifie selon des règles, classe le risque et transmet l'information à une personne responsable ou exécute une action sûre autorisée au préalable.

En cybersécurité, on développe depuis longtemps pour cela des plateformes SIEM et SOAR. Les recommandations internationales de 2025 les décrivent comme des outils de collecte d'événements, de détection d'activités suspectes, d'alerte des spécialistes et d'automatisation de certaines parties de la réponse. En même temps, ces systèmes exigent un paramétrage constant, des tests et une supervision qualifiée. [8]

Pour l'Ukraine, ce principe peut être adapté au suivi de la reconstruction, au contrôle financier, aux indicateurs environnementaux, aux cybermenaces et aux demandes des vétérans et de leurs familles. Par exemple, une nouvelle demande peut être acheminée automatiquement vers le service compétent, et une modification anormale dans un dossier d'appel d'offres peut déclencher un signal pour l'auditeur. Mais les décisions relatives à l'aide médicale, à la restriction des droits ou aux sanctions financières ne doivent pas être confiées à un modèle génératif sans mécanismes de contrôle indépendants appropriés.

L'avenir appartient aux systèmes qui ne se contentent pas d'accumuler l'information, mais analysent en permanence les événements. L'intelligence artificielle peut aider à détecter les anomalies, à les vérifier et à déclencher des scénarios de réaction convenus à l'avance. Mais les décisions critiques doivent rester sous un contrôle humain approprié. C'est précisément l'association de l'automatisation et de la responsabilité qui déterminera la qualité des nouveaux écosystèmes numériques.

Le prix de l'erreur : là où l'automatisation ne doit pas être confondue avec la confiance

Plus l'automatisation est vaste, plus une erreur systémique peut coûter cher. Un modèle peut inventer de façon convaincante une source, omettre un document important ou donner accès à des données confidentielles à un utilisateur qui n'y a pas droit. C'est pourquoi les documents médicaux, personnels et financiers exigent la minimisation des données, le contrôle des droits d'accès, la journalisation des opérations, la vérification de l'exactitude et des procédures d'approbation distinctes pour les actions critiques.

Le milieu scientifique doit distinguer la vitesse du traitement automatisé de la fiabilité de la conclusion. Cela est particulièrement d'actualité lorsque l'IA aide à élaborer des synthèses scientifiques ou des analyses destinées à des décisions de gestion.

Nous devons distinguer la vitesse de traitement de l'information de la fiabilité du savoir obtenu. L'intelligence artificielle peut accélérer considérablement la recherche, la comparaison et la systématisation des données, mais cela n'annule pas la nécessité de vérifier les sources, de contrôler la méthodologie et d'assurer la reproductibilité des résultats.

L'effondrement chinois se répétera-t-il aux États-Unis ?

C'est la question qui résonne le plus fort aujourd'hui. Pourtant, une baisse de 40 % du STAR 50 chinois ne signifie pas automatiquement une chute de 40 % des actions américaines. Reuters met la correction chinoise en regard d'un recul d'environ 6 % du Nasdaq par rapport à son récent sommet. Il s'agit d'indices, de périodes et de structures d'entreprises différents ; une prévision directe sur cette base serait infondée. [1]

Des risques existent pour les actions technologiques mondiales : des attentes élevées, d'importantes dépenses d'investissement dans l'infrastructure de calcul, l'incertitude de la demande et une monétisation complexe. Mais le degré de vulnérabilité de chaque entreprise dépend de ses bénéfices, de ses flux de trésorerie, de sa dette, de ses clients et du coût du capital levé.

À mon avis, la question clé pour les marchés a déjà changé : non pas « qui a annoncé l'IA le plus fort », mais « qui a su transformer la technologie en résultat économique vérifié ». Dans cette logique, la baisse des valorisations spéculatives peut même inciter les entreprises à des investissements plus disciplinés.

Ce que je propose aux organisations ukrainiennes

Il ne faut pas arrêter la transformation numérique à cause de l'effondrement des actions boursières d'un autre pays. Mais il ne faut pas non plus acheter sans réfléchir de coûteuses solutions d'IA simplement parce que c'est à la mode. Une approche rationnelle peut se ramener à cinq étapes pratiques.

1. Mesurer le processus actuel : la durée des opérations, le coût, les erreurs, le temps d'attente d'une réponse et la charge pesant sur les personnes.
2. Choisir un pilote restreint : par exemple, la classification de documents, la recherche de doublons ou la priorisation des demandes, et non l'automatisation de toute la gestion d'un coup.
3. Définir les limites de l'autonomie : ce que l'algorithme peut exécuter seul, ce qu'il peut seulement proposer et ce qui exige obligatoirement une décision humaine.
4. Vérifier la qualité et la sécurité : cas critiques manqués, fausses alertes, accès aux données personnelles, dépendance vis-à-vis du fournisseur et résilience aux pannes.
5. Calculer l'économie complète : licences, calcul, intégrations, maintenance, formation de l'équipe — et la valeur du temps qui a pu être économisé.

Lorsque ces indicateurs ne sont pas mesurés, les discours sur des économies par cinq ou par dix se transforment en marketing. Lorsqu'ils le sont, l'organisation peut prendre des décisions fondées sur des preuves.

Conclusion : la bulle boursière peut éclater, tandis que la révolution technologique se poursuit

L'effondrement chinois est un sérieux avertissement pour les investisseurs. Il montre que même les secteurs prometteurs ne sont pas à l'abri de valorisations excessives, d'attentes injustifiées et de brusques changements de sentiment du marché.

Mais pour moi, en tant que chercheur et dirigeant d'une institution qui travaille sur les questions de capital humain et de reconstruction de l'Ukraine, la conclusion est différente : la technologie doit être évaluée à l'aune de son effet sur des tâches réelles, et non de l'engouement boursier.

Si l'automatisation réduit le temps de traitement des demandes, aide à détecter les risques à temps, soutient la continuité du travail en temps de guerre et libère les spécialistes pour les décisions à responsabilité, elle a déjà une valeur pratique. Mais cette valeur doit être mesurée et la sûreté, démontrée.

La bulle de l'IA peut éclater. Le besoin de connaissances vérifiées, d'organisations résilientes et de décisions opportunes, non.

Sources et remarques méthodologiques

[1] Reuters. « In China, the AI bubble has already burst », 26 octobre 2026 Source

[2] Investing.com. SSE STAR 50: historical data, clôture du 27 octobre 2026 Source

[3] Noy S., Zhang W. « Experimental evidence on the productivity effects of generative artificial intelligence ». Science, 2023 Source

[4] Harvard Business School / Boston Consulting Group. « Navigating the Jagged Technological Frontier », 2023 Source

[5] Abogunrin S. et al. « How much can we save by applying artificial intelligence in evidence synthesis? ». Frontiers in Pharmacology, 2025 Source

[6] METR. « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », 2025 Source

[7] European Business Association. « Quatre ans de grande guerre : comment les entreprises fonctionnent en Ukraine », 24 février 2026 Source

[8] Australian Signals Directorate et partenaires internationaux. « Implementing SIEM and SOAR platforms: Executive guidance », 27 mai 2025 Source

Note sur les calculs : l’exemple avec 100 000 documents et le modèle de disponibilité du personnel en temps de guerre sont des hypothèses illustratives. Il convient de les distinguer des résultats d’études contrôlées précises et de les vérifier sur ses propres données avant toute décision d’investissement.