480 MILLIARDS DE DOLLARS « PARTIS EN FUMÉE » EN BOURSE : EN CHINE, LA BULLE DE L'IA A ÉCLATÉ. 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 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 la dynamique 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 un recul sur la journée de 4,81%. [1–2]

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

Pour autant, l'ampleur de la correction n'en est pas moindre. Reuters cite des exemples de baisses de plusieurs dizaines de pour cent pour les actions de certains fabricants de robots, de puces et d'équipements optiques. 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. [1]

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

Au sommet de la hausse, le ratio cours/bénéfice (PER) de l'indice STAR 50 approchait, selon l'estimation de Reuters, de 250. Même après la forte chute, il s'établissait autour de 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 l'écoulement des composants chinois vers les centres de données étrangers. Aucune de ces raisons ne suffit à elle seule à expliquer 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 tout en valant à la Bourse un prix injustifié. Et inversement, la chute de ses cours n'annule pas l'effet technologique déjà obtenu.

Il faut séparer nettement 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 attentes. Mais si la 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 démontré et ce qui n'est que promis

En tant que chercheur, j'estime qu'il faut évaluer l'intelligence artificielle non pas au bruit des présentations, mais à l'aune d'expériences indépendantes avec des groupes témoins. 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 d'exécution moyen a diminué de 40%, et la qualité du résultat, selon l'évaluation d'experts, a augmenté de 18%. C'est une véritable expérience, mais elle ne prouve pas que toute recherche complexe sera automatiquement accélérée du même 40 %. [3]

Dans une expérience de la Harvard Business School et du Boston Consulting Group portant sur 758 consultants les utilisateurs de GPT-4 ont exécuté des tâches adaptées aux capacités du modèle de plus de 25 % plus rapidement et ont achevé plus de 12 % de tâches en plus. En revanche, sur une tâche située hors des capacités fiables de l'outil, l'usage de l'IA a conduit à un moins bon résultat. [4]

L'analytique scientifique est particulièrement parlante. 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 a été divisé par 5 à 6, et la charge manuelle, avec un rappel de 95 % des documents pertinents, par 6 à 10. Cela concerne avant tout des étapes de sélection isolées, et non tout le parcours de l'idée à la conclusion vérifiée. [5]

Une réserve existe aussi. Dans une expérience randomisée de METR en 2025, 16 développeurs expérimentés, qui ont réalisé 246 tâches réelles, ont travaillé avec les outils d'IA de l'époque en moyenne 19 % plus longtemps, alors qu'ils estimaient eux-mêmes avoir gagné en rapidité. 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 résultats corrects et vérifiés par unité de temps.

Un exemple qui change d'échelle : 100 000 documents

Imaginons une organisation qui doit examiner dans un premier temps 100 000 documents — contrats, publications scientifiques, rapports, demandes de citoyens ou documents relatifs à la reconstruction. Si l'on consacre à chaque document seulement trois minutes, on obtient 5 000 heures de travail, 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 réalise 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 de travail à cette étape.

Il s'agit d'un modèle illustratif, et non du résultat d'une mise en œuvre concrète. Il ne prend pas en compte séparément le coût du calcul, du paramétrage, du contrôle qualité ni les cas critiques manqués. On ne peut donc pas affirmer mécaniquement une accélération par dix de l'ensemble de la recherche.

Mais il explique où naît la véritable valeur : l'expert n'est plus tenu de passer en revue manuellement chaque unité 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 ont été évitées, combien de demandes ont été traitées et combien coûte l'exploitation du système. Le véritable avantage concurrentiel reviendra à ceux qui sauront prouver 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 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 l'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% — les attaques contre le système énergétique parmi les facteurs ayant le plus fort impact négatif sur l'activité. Ce n'est pas une statistique de la perte moyenne d'heures pour toute l'Ukraine, mais c'est un indice marquant d'obstacles opérationnels. [7]

Prenons un projet fictif nécessitant 100 heures d'analyse productives. Si la disponibilité réelle du temps de travail est de 70 %, l'exécution exigera environ 143 heures de ressource de travail planifiée. Dans un processus hybride simulé, où il reste 25 heures à l'humain et où le traitement automatique et les opérations annexes en ajoutent 10, l'estimation totale s'établit 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, lui, est important. Si les calculs, 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 unique 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. La personne 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 aux technologies.

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 analytiques. Il est question de une surveillance 24 heures sur 24, dans laquelle les données arrivent en continu, 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 les 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, de tels systèmes exigent un paramétrage, des tests et une supervision qualifiée permanents. [8]

Pour l'Ukraine, ce principe peut être adapté à la surveillance 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 pourrait être automatiquement acheminée vers le service compétent, et une modification anormale dans un dossier d'appel d'offres pourrait générer un signal à l'intention de l'auditeur. Mais les décisions relatives à l'aide médicale, à la restriction 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 de 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 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 : 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 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 monde scientifique doit distinguer la vitesse du traitement automatique et la fiabilité de la conclusion. Cela est particulièrement d'actualité lorsque l'IA aide à élaborer des revues scientifiques ou des analyses destinées aux décisions de gestion.

Nous devons distinguer la vitesse de traitement de l'information et la fiabilité de la connaissance obtenue. L'intelligence artificielle peut accélérer sensiblement la recherche, la comparaison et la systématisation des données, mais cela n'élimine 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 que l'on entend le plus fort aujourd'hui. Pourtant, la 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]

Des risques existent pour les valeurs technologiques mondiales : attentes élevées, lourdes dépenses d'investissement dans les infrastructures 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 du capital levé.

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

Ce que je propose aux organisations ukrainiennes

Il ne faut pas stopper la transformation numérique à cause de l'effondrement boursier d'un autre pays. Mais il ne faut pas non plus acheter sans réfléchir des solutions d'IA coûteuses simplement parce que c'est à la mode. Une approche rationnelle peut se résumer à 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 restreint : par exemple la classification de documents, la recherche de doublons ou la priorisation des demandes, plutôt que 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 à l'égard du fournisseur et résilience aux pannes.
5. Calculer l'économie complète : licences, calcul, intégrations, maintenance, formation de l'équipe — et la valeur du temps qu'on a réussi à économiser.

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

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

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 d'humeur du marché.

Mais pour moi, en tant que chercheur et dirigeant d'une institution qui travaille sur les questions de capital humain et de relèvement de l'Ukraine, la conclusion est différente : la technologie doit être évaluée 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 à 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, 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 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 convient de les distinguer des résultats d'études contrôlées concrètes et de les vérifier avec ses propres données avant toute décision d'investissement.