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

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 vraiment 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 demande future croissante d’intelligence artificielle. Fin octobre, cette confiance a laissé place à une vente massive.

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

Deux précisions importantes s’imposent ici. STAR 50 n’est pas la liste des 50 plus grandes entreprises chinoises exclusivement spécialisées dans l’IA, 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 ne se sont pas « évaporés » des comptes bancaires des entreprises : c’est la valorisation boursière de leurs actions qui a chuté.

Cela ne rend toutefois pas l’ampleur de la correction moins importante. Reuters cite des exemples d’actions de certains fabricants de robots, de puces et d’équipements optiques qui ont chuté de plusieurs dizaines de pour cent. La Bourse s’est soudain souvenue d’une exigence économique simple : une bonne technologie ne garantit pas encore des bénéfices suffisants pour justifier n’importe quel cours de l’action. [1]

Pourquoi le marché s’est refroidi : des attentes surévaluées face à des bénéfices réels

Au plus fort de la hausse, le ratio cours/bénéfice (PER) de l’indice STAR 50 approchait, selon l’estimation de Reuters, 250. Même après la forte baisse, il s’élevait encore à environ 100, alors que la référence pour le Nasdaq 100 dans le même article est d’environ 30. Ces indices n’ont pas la même structure, mais l’écart montre combien de croissance future les investisseurs avaient déjà intégrée dans les cours chinois. [1]

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

Ma conclusion est simple : il faut distinguer le cours d’une action de l’utilité de la technologie. Une entreprise peut créer un produit utile et pourtant valoir en Bourse bien plus qu’elle ne le devrait. Inversement, la chute de ses cours n’annule pas l’effet technologique déjà obtenu.

Il faut clairement distinguer deux choses : l’efficacité économique de l’intelligence artificielle et la valeur spéculative des entreprises qui en tirent profit. Le marché boursier peut se tromper dans ses anticipations. Mais si une technologie réduit réellement le temps de recherche, accroît la productivité et permet de prendre plus vite des décisions éclairées, 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 considère qu’il faut évaluer l’intelligence artificielle non pas au bruit des présentations, mais à l’aune d’expériences indépendantes avec groupes témoins. Et de telles études existent déjà.

Dans une étude du MIT publiée dans la revue Science en 2023, 453 professionnels ont effectué 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%. C’est une expérience réelle, mais elle ne prouve pas que n’importe quelle recherche complexe sera automatiquement accélérée du même 40 %. [3]

Dans une expérience menée par Harvard Business School et Boston Consulting Group auprès de 758 consultants les utilisateurs de GPT-4 ont réalisé les tâches adaptées aux capacités du modèle plus de 25 % plus vite et ont terminé plus de 12 % de tâches en plus. En revanche, sur une tâche dépassant les capacités fiables de l’outil, l’utilisation de l’IA donnait un moins bon résultat. [4]

L’analyse scientifique est particulièrement éloquente. 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, le tri automatisé des résumés était réduit d’un facteur 5 à 6, et la charge manuelle, à condition d’un rappel de 95 % des documents pertinents, d’un facteur 6 à 10. Cela concerne surtout certaines étapes de sélection, et non tout le parcours de l’idée à la conclusion vérifiée. [5]

Il existe aussi une mise en garde. Dans une expérience randomisée de METR en 2025, 16 développeurs expérimentés, qui ont réalisé 246 tâches réelles, avec les outils d’IA de l’époque, ont travaillé en moyenne 19 % plus longtemps, alors qu’ils pensaient eux-mêmes avoir gagné du temps. Un outil qui aide un débutant peut donc 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 résultats corrects et vérifiés par unité de temps.

Un exemple qui change l’échelle : 100 000 documents

Imaginons une organisation qui doit effectuer un premier examen de 100 000 documents — contrats, publications scientifiques, rapports, demandes de citoyens ou documents relatifs à la reconstruction. Si l’on consacre seulement trois minutes à chaque document, cela fait 5 000 heures-personnes, soit 625 journées de travail de huit heures. Une équipe de dix analystes à pleine charge y travaillerait environ 12,5 semaines.

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 tri manuel de 90 %, il restera l’équivalent de 500 heures-personnes à cette étape.

Il s’agit d’un modèle illustratif, et non du résultat d’un déploiement concret. Il ne tient pas compte séparément du coût du calcul, du paramétrage, du contrôle qualité ni des cas critiques manqués. On ne peut donc pas affirmer mécaniquement une accélération par dix de toute la recherche.

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

Le marché commence à mûrir. La seule promesse d’une révolution technologique ne suffit plus. L’investisseur veut voir des bénéfices, et l’organisation un résultat concret : combien de temps a été économisé, combien d’erreurs évitées, combien de demandes traitées et combien coûte le maintien 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 salarié peut être très 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 dirigeants d’entreprises membres de l’Association, 45% des répondants ont cité l’arrêt du travail pendant les alertes aériennes parmi les contraintes courantes, et 82% des répondants ont cité 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 toute l’Ukraine, mais c’est un témoignage solide des obstacles opérationnels. [7]

Prenons un projet fictif qui nécessite 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 un processus hybride modélisé, où il reste 25 heures à l’humain et où le traitement automatique et les opérations annexes ajoutent 10 heures, l’estimation globale s’élève à environ 46 heures. L’écart est d’environ 3,1 fois.

Il ne faut pas prendre ces chiffres pour une norme applicable aux 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 n’en reste pas moins important. Si le calcul, les données et les files de tâches sont correctement redondés et répartis géographiquement, une partie des opérations peut se poursuivre même lorsque les employés sont à l’abri dans un refuge. En revanche, si le système dépend d’un seul serveur de bureau, sans liaison ni alimentation de secours, cet avantage n’existera pas.

Pour l’Ukraine, recourir à l’intelligence artificielle n’est pas simplement le 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 vraie 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 rédaction automatique de notes d’analyse. Il s’agit de la surveillance en continu, 24 h sur 24, où les données arrivent en continu, où le système détecte les écarts, les vérifie selon des règles, classe le risque et transmet l’information à la personne responsable ou exécute une action sûre autorisée à l’avance.

En cybersécurité, on développe depuis longtemps pour cela des plateformes de type 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. Ces systèmes exigent toutefois 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 automatiquement acheminée vers le service compétent, et une modification anormale dans un dossier d’appel d’offres peut déclencher une alerte pour l’auditeur. Mais les décisions relatives à l’aide médicale, aux restrictions de droits ou aux sanctions financières ne peuvent 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 des anomalies, à les vérifier et à déclencher des scénarios de réponse 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 massive, plus une erreur systémique peut coûter cher. Un modèle peut inventer de façon convaincante une source, passer à côté d’un document important ou donner accès à des données confidentielles à un utilisateur inapproprié. C’est pourquoi les documents médicaux, personnels et financiers exigent minimisation des données, contrôle des droits d’accès, journalisation des opérations, vérification de l’exactitude et procédures d’approbation distinctes pour les actions critiques.

La communauté scientifique doit distinguer la vitesse du traitement automatique de la fiabilité d’une conclusion. Cela est particulièrement d’actualité lorsque l’IA aide à produire des revues scientifiques ou des analyses destinées aux décisions de gestion.

Nous devons distinguer la vitesse de traitement de l’information de la fiabilité du savoir obtenu. L’intelligence artificielle peut considérablement accélérer la recherche, la comparaison et la mise en ordre 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 va-t-il se reproduire aux États-Unis ?

C’est la question qui se pose aujourd’hui avec le plus d’insistance. 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. Ce sont des indices, des périodes et des structures d’entreprises différents ; une prévision directe sur cette base serait infondée. [1]

Les risques pour les actions technologiques mondiales existent : attentes élevées, lourdes dépenses d’investissement dans l’infrastructure de calcul, incertitude de la demande et monétisation difficile. 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 de son capital.

À mon avis, la question clé pour les marchés a déjà changé : non pas « qui a parlé le plus fort de l’IA », 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 investir de manière plus disciplinée.

Ce que je propose aux organisations ukrainiennes

Il n’y a pas lieu d’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 résumer en cinq étapes pratiques.

1. Mesurer le processus actuel : la durée des opérations, le coût, les erreurs, le délai d’attente d’une réponse et la charge pesant sur les personnes.
2. Choisir un pilote ciblé : par exemple la classification de documents, la recherche de doublons ou la hiérarchisation des demandes, plutôt que l’automatisation de toute la gestion d’un seul coup.
3. Définir les limites de l’autonomie : ce que l’algorithme peut faire seul, ce qu’il ne peut que proposer et ce qui exige obligatoirement une décision humaine.
4. Vérifier la qualité et la sécurité : les cas critiques manqués, les fausses alertes, l’accès aux données personnelles, la dépendance vis-à-vis du fournisseur et la 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 décider sur la base de preuves.

Conclusion : la bulle boursière peut éclater, et la révolution technologique se poursuivre

L’effondrement chinois constitue 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 d’humeur du marché.

Mais pour moi, en tant que chercheur et dirigeant d’une institution qui travaille sur les questions du capital humain et de la reconstruction de l’Ukraine, la conclusion est différente : la technologie doit être jugée à son impact sur des tâches réelles, et non à 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 pendant la guerre et libère les spécialistes pour des décisions engageant leur responsabilité, elle a déjà une valeur pratique. Mais cette valeur doit être mesurée, et la sécurité démontrée.

La bulle de l’IA peut éclater. Le besoin de connaissances vérifiées, d’organisations résilientes et de décisions opportunes, lui, ne disparaîtra pas.

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 guerre à grande échelle : comment fonctionnent les entreprises 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 des 100 000 documents et le modèle de disponibilité du personnel en temps de guerre sont des hypothèses illustratives. Il faut les distinguer des résultats d’études contrôlées précises et les vérifier sur ses propres données avant toute décision d’investissement.