La nouvelle révolution de l'IA rappelle fortement le boom de l'internet à la fin des années 1990. Effervescence, argent rapide, valorisations fulgurantes, prédictions audacieuses. Pourtant, sous la surface, la structure de cette évolution technologique diffère sur plusieurs points essentiels. Les entreprises rentables investissent des milliards dans l'infrastructure d'apprentissage automatique, les pipelines de données et les puces. Les géants du cloud, les fabricants de puces et les plateformes logicielles ont des revenus, des marges et des flux de trésorerie que la société point-com moyenne n'a jamais approchés. Pourtant, les investisseurs et les dirigeants sont confrontés à une question similaire. S'agit-il d'une transformation numérique rationnelle, ou de la prochaine bulle Dot-Com avec une meilleure image de marque.
Pour répondre à cette question, le cycle actuel de l'IA doit être considéré à côté de la période des dot-com, non pas comme une copie, mais comme un cas contrasté. Le boom de l'internet a permis de réaliser des rêves avant que les modèles économiques n'existent. Aujourd'hui, la révolution de l'IA s'appuie sur 25 ans d'infrastructure internet, d'adoption de la téléphonie mobile et de l'informatique en nuage. Le battage médiatique est fort, mais en dessous se trouvent des charges de travail réelles, de nouveaux produits et un impact économique mesurable dans des domaines tels que les soins de santé, la finance, la logistique et les médias. La différence entre le signal et le bruit est importante pour chaque fondateur, ingénieur, décideur politique et investisseur. Ceux qui liront correctement le modèle verront quels projets d'IA font partie d'une transformation durable de l'industrie technologique et lesquels répètent les pires erreurs de l'ère des dot-com.
La révolution de l'IA et la bulle Internet dans l'industrie technologique d'aujourd'hui
La période "dot-com" a inondé les marchés publics d'entreprises déficitaires qui dépendaient de capitaux bon marché et de bannières publicitaires. La révolution de l'IA passe par des entreprises rentables qui dominent déjà l'industrie technologique. Nvidia, les principaux fournisseurs d'informatique dématérialisée et les grandes entreprises de logiciels intègrent l'intelligence artificielle comme une fonctionnalité essentielle, et non comme un label marketing. Les revenus issus des charges de travail d'IA sont liés aux clients existants qui disposent d'un budget, et non à des yeux expérimentaux qui n'ont pas de voie claire vers le profit.
Pendant la bulle Dot-Com, un nom de domaine .com ajoutait souvent une valeur instantanée, indépendamment de la substance. Aujourd'hui, les investisseurs étudient la capacité des GPU, le coût d'inférence par jeton et les revenus récurrents des services d'IA. Ce passage des slogans aux mesures n'élimine pas le risque, mais il en modifie les fondements. Les plateformes d'entreprise telles que celles décrites dans L'IA transforme l'analyse des données utiliser l'apprentissage automatique pour améliorer la qualité des analyses, ce qui permet d'obtenir des résultats commerciaux directs. Ces gains d'efficacité réels n'existaient pas dans les plans d'affaires de nombreuses entreprises point-com.
L'évolution des technologies, de la bande passante à l'intelligence
L'ère dot-com était axée sur la connectivité. Large bande, hébergement web de base, noms de domaine et commerce électronique simple. L'objectif de l'infrastructure était l'accès à l'internet. En revanche, la révolution de l'IA met l'accent sur l'intelligence par rapport à la connectivité. La pile comprend désormais des puces spécialisées, de grands modèles de langage, des bases de données vectorielles et l'orchestration d'agents d'IA. La bande passante est devenue une marchandise. La qualité de l'intelligence est le nouveau point de différenciation.
Les cas d'utilisation confirment ce changement. Pendant le boom de l'internet, l'achat d'un livre en ligne était une nouveauté. Aujourd'hui, les systèmes d'IA écrivent du code, résument des documents juridiques et assistent les médecins. Des solutions telles que Les compagnons de l'IA dans les soins de santé soutenir les diagnostics et la coordination des soins. Ce niveau d'automatisation cognitive n'existait pas au début des années 2000. L'évolution technologique est passée de la distribution de pages statiques à l'automatisation de tâches de raisonnement complexes.
L'impact économique de l'IA comparé au boom de l'internet
Pendant la bulle Dot-Com, les cours des actions ont été plus rapides que l'infrastructure. Aujourd'hui, la séquence est souvent inversée. Les centres de données s'agrandissent, les réseaux électriques se modernisent et les puces spécialisées sont expédiées en volume avant que la vague de revenus n'arrive. Les investissements tels que ceux mentionnés dans Investissements dans l'infrastructure cloud axés sur l'IA illustrent la manière dont les capitaux sont investis dans les fondations physiques et logicielles. Cela permet de réduire l'écart entre les attentes et la valeur fournie.
L'impact économique se propage également plus rapidement d'un secteur à l'autre. Au début du boom de l'internet, le commerce de détail et les médias ont été les premiers à se connecter. L'industrie manufacturière, les soins de santé et les administrations publiques se sont numérisés plus lentement. Avec la révolution de l'IA, des secteurs tels que l'énergie nucléaire, la banque et les services publics expérimentent en parallèle. La collaboration décrite dans L'IA dans les opérations de l'énergie nucléaireoù l'apprentissage automatique prend en charge la sécurité, la maintenance et l'intégration au réseau. Cette ampleur modifie l'image macroéconomique.
Où la révolution de l'IA fait écho au comportement des bulles
Même si les fondamentaux sont plus solides, des signaux de bulle apparaissent. Certaines entreprises d'IA en phase de pré-revenu lèvent des fonds importants sur la base de démonstrations de modèles sans distribution claire ni justification. Les investisseurs particuliers recherchent les symboles de l'IA de la même manière qu'ils recherchaient les noms de domaine. Les projets de jetons combinent les récits de l'IA et de la blockchain pour attirer les flux spéculatifs, comme le suggèrent les tendances explorées dans le document Outils d'échange de crypto-monnaies pilotés par l'IA. L'emballage des mots à la mode dépasse souvent l'innovation sous-jacente.
Les modes de recrutement présentent des risques similaires. À la fin des années 1990, les entreprises ont embauché de manière agressive pour des projets web sans mesurer le retour sur investissement. Dans le cycle actuel, les entreprises mettent en place des équipes d'ingénierie rapide et des laboratoires d'intelligence artificielle sans intégration claire dans les produits. Si le décalage des revenus persiste, ces embauches se transforment en réductions de coûts. La leçon de la bulle Dot-Com est claire. L'optimisme non ancré a tendance à se corriger par des licenciements, des consolidations et des expériences ratées.
Profondeur de la transformation numérique : des sites web aux flux de travail intelligents
À l'époque des "dot-com", la transformation numérique signifiait la mise en ligne de brochures et de catalogues. Le commerce électronique a remplacé les commandes par fax, mais les flux de travail internes sont souvent restés manuels. Aujourd'hui, la transformation numérique pilotée par l'IA remanie des processus entiers. Le traitement des documents, la détection des fraudes, l'assistance à la clientèle et la planification de la chaîne d'approvisionnement passent de flux décisionnels exclusivement humains à des systèmes mixtes humains et d'apprentissage automatique. La qualité de l'intégration définit la valeur.
Par exemple, les agents d'IA pour le marketing décrits dans Équipes de marketing basées sur l'IA automatiser l'expérimentation, les enchères et la segmentation. Les décisions en matière de dépenses passent ainsi d'un examen humain périodique à un ajustement algorithmique continu. Pendant le boom de l'internet, les spécialistes du marketing ont surtout changé de canal. Aujourd'hui, ils modifient la structure de la prise de décision.
Étude de cas : La refonte de NovaRetail axée sur l'IA
Prenons l'exemple de NovaRetail, un détaillant européen fictif de taille moyenne. Au début des années 2000, la direction a investi dans une boutique en ligne de base et dans des campagnes de courrier électronique. Les ventes en ligne ont augmenté, mais la planification des stocks est restée manuelle et l'assistance à la clientèle s'est appuyée sur de grands centres d'appels. La période "dot-com" a apporté un nouveau canal, mais pas un nouveau système nerveux pour l'entreprise. La plupart des processus sont restés familiers.
Dans la révolution actuelle de l'IA, NovaRetail prend un chemin différent. L'entreprise déploie des modèles de Machine Learning pour la prévision de la demande, la fixation des prix et les recommandations personnalisées. Un moteur d'IA similaire dans l'esprit aux solutions décrites dans L'IA au service de la croissance du commerce de détail analyse les données des transactions et les signaux externes. Les centres d'appel ajoutent des assistants d'IA pour soutenir les agents humains. Il en résulte moins de ruptures de stock, des temps de ticket plus courts et des paniers plus importants. Il s'agit d'une transformation numérique plus profonde que tout ce qui a été tenté pendant le boom de l'internet.
Des sites web "dot-com" aux produits et services nés de l'IA
La plupart des entreprises dot-com ont repris un concept hors ligne et l'ont transposé en ligne. Librairies en ligne, animaleries en ligne, épiceries en ligne. Les produits natifs de l'IA inversent cette logique. Ils partent de ce que l'apprentissage automatique fait bien et conçoivent autour de cela. Prédiction continue, reconnaissance des formes à grande échelle, interaction en langage naturel et boucles de décision autonomes. Les interfaces, les modèles commerciaux et les structures de prix s'alignent sur ces points forts.
Les outils de contenu offrent un contraste évident. Les premières publications sur le web reposaient sur du HTML statique et des mises à jour manuelles. Les plateformes modernes, telles que celles présentées dans Flux de création de contenu par l'IAL'utilisateur peut ainsi créer, adapter et personnaliser des textes et des médias à grande échelle. Le produit n'est plus une page statique mais une interaction dynamique façonnée par un contexte en temps réel. Ce changement dans la logique de base distingue les services natifs de l'IA de leurs prédécesseurs dot-com.
Passage de la logique "dot-com" à la logique "native" de l'IA
Pour clarifier la différence, examinons ces changements au sein des équipes de produits. Tout d'abord, la principale contrainte est passée du stockage sur serveur à la qualité du modèle et à la gouvernance des données. Deuxièmement, les mesures de succès sont passées des pages vues à la précision des prédictions, à la satisfaction des utilisateurs et au coût par inférence. Troisièmement, les cycles de publication sont passés de l'introduction occasionnelle de nouvelles fonctionnalités à des mises à jour continues des modèles. Les équipes surveillent les boucles de rétroaction, se recyclent et se redéploient.
Ces changements modifient les compétences. Alors que les équipes dot-com recrutaient principalement des développeurs frontaux et des rédacteurs de contenu, les équipes natives de l'IA ont besoin d'ingénieurs en données, d'ingénieurs ML, de spécialistes de la promptitude et d'experts en évaluation. Les parcours éducatifs, tels qu'ils sont explorés dans Les majeures en IA comparées à l'informatiquereflètent ce nouveau mélange. La révolution de l'IA pousse les organisations à recadrer leur stratégie en matière de talents, et pas seulement leur pile technologique.
Infrastructure : de l'accès commuté et de l'hébergement partagé aux superordinateurs d'IA
La bulle Internet reposait sur des connexions par ligne commutée, sur les débuts de la large bande et sur des serveurs de faible puissance. Le temps de latence était élevé, la bande passante coûteuse et le stockage limité. De nombreuses idées ont échoué parce que les réseaux ne pouvaient pas les soutenir. Dans la révolution de l'IA, la contrainte est ailleurs. Les réseaux sont rapides, le stockage est abondant et les régions d'informatique en nuage couvrent la plupart des marchés. L'accent a été mis sur la densité de calcul, l'approvisionnement en énergie et le refroidissement des grappes d'IA.
Les centres de données qui prennent en charge les grands modèles de langage ressemblent à des superordinateurs. Les fournisseurs proposent des GPU et des accélérateurs spécialisés. La consommation d'énergie atteint l'échelle des petites villes. En parallèle, les appareils périphériques exécutent des modèles compacts pour les tâches sensibles à la latence. La maturité de l'infrastructure actuelle dépasse de loin ce qu'offrait le boom de l'internet. Cet écart explique pourquoi les charges de travail de l'IA s'étendent à des secteurs critiques au lieu de rester dans des applications novatrices pour les consommateurs.
Puces spécialisées, pipelines de données et systèmes agentiques
L'infrastructure moderne de l'IA repose sur trois piliers. Premièrement, des puces spécialisées qui traitent efficacement les opérations matricielles. Deuxièmement, des pipelines de données renforcés qui collectent, nettoient et étiquettent les informations. Troisièmement, des couches d'orchestration pour les agents d'IA qui agissent par l'intermédiaire d'API et d'outils. La troisième catégorie se distingue par sa nouveauté. À l'époque des dot-com, les sites web répondaient aux clics des utilisateurs mais n'agissaient pas de manière autonome.
Aujourd'hui, les plateformes présentées dans des ressources telles que l'évolution de l'IA agentique et modèles SaaS d'IA agentique coordonnent des chaînes de tâches sans être constamment sollicités par des humains. Les agents organisent des réunions, surveillent les systèmes et optimisent les flux de travail en arrière-plan. Ce passage de l'information statique à l'action autonome marque une différence fondamentale entre la révolution de l'IA et le boom de l'internet.
Comportement des investisseurs : leçons tirées de la confiance en l'IA de Wall Street
La psychologie des investisseurs est marquée par l'apprentissage et la répétition. Pendant la bulle Internet, de nombreux fonds ont poursuivi l'élan et évalué les entreprises sur la base de paramètres vagues tels que les "globes oculaires". Après le krach, les investisseurs institutionnels ont durci la gouvernance, exigé la rentabilité et renforcé les modèles de risque. Dans la révolution de l'IA, ces leçons sont en partie valables. Wall Street analyse les flux de trésorerie, l'information sectorielle et les lignes de revenus spécifiques à l'IA pour évaluer la durabilité.
Des rapports tels que ceux présentés dans Confiance en l'IA de Wall Street décrivent comment les analystes dissèquent la demande de puces, les réservations de cloud et les taux d'attachement à l'IA dans les contrats de logiciels. Les valorisations s'étendent, mais le débat se concentre sur l'économie réelle des unités, et pas seulement sur les récits. Cela n'élimine pas la possibilité d'une correction. Cela indique que le marché est mieux informé qu'à la fin des années 1990.
Les poches de risque et les coins spéculatifs
Malgré une plus grande discipline, les poches de risque se regroupent autour de thèmes à la mode. Les récits conjoints sur l'IA, l'informatique quantique et les cryptomonnaies attirent l'attention des investisseurs, comme en témoignent des discussions telles que L'informatique quantique face à l'IA. Certaines entreprises en phase de démarrage s'appuient sur des modèles de jetons ou sur de vagues présentations de "l'IA et de la blockchain" sans valeur client claire. Ces zones ressemblent à de petites répliques de la bulle Dot-Com à l'intérieur d'un marché plus large et plus sain.
Le comportement des détaillants amplifie ces poches. Les médias sociaux diffusent des conseils boursiers, des captures d'écran de gains sur papier et des explications simplifiées de l'IA. Les titres peu négociés bondissent sur des nouvelles minimes. Lorsque les attentes sont révisées, les investisseurs tardifs subissent les pertes. Pour les investisseurs professionnels et individuels, la clé est de séparer l'infrastructure de l'IA et les applications durables des histoires axées sur le marketing. La révolution de l'IA au sens large survit à des poussées sélectives, mais les portefeuilles individuels ne s'en remettent pas toujours.
Adoption sectorielle : La portée de l'IA dépasse celle de l'ère point-com
Le boom de l'internet a concentré la création de valeur sur le web grand public, la publicité et les débuts du commerce électronique. De nombreux secteurs se sont tenus à l'écart et ont expérimenté lentement. La révolution de l'IA se propage plus uniformément. La finance, la santé, l'industrie, l'énergie, le secteur public et l'éducation mènent tous des projets pilotes actifs. Cette ampleur permet de renforcer l'impact économique et de réduire le risque de concentration par rapport à la période "dot-com".
L'adoption des services bancaires illustre la différence. Pendant les années "dot-com", les services bancaires en ligne se limitaient à la consultation des comptes et aux virements. Les systèmes d'IA modernes, tels que ceux mentionnés dans L'intelligence artificielle au service de la banque numériqueLes services d'évaluation du crédit, de détection des fraudes, d'assistance par chatbot et de conseils financiers personnalisés sont autant d'exemples de services d'évaluation du crédit et de détection des fraudes. Des schémas similaires apparaissent dans la logistique, l'agriculture et la production de médias. La transformation numérique n'est plus seulement une question de surface.
Exemples dans les domaines de la santé, de l'éducation et de l'industrie
L'adoption des soins de santé comprend l'aide au diagnostic, les assistants de triage et l'analyse de l'imagerie médicale. Des systèmes similaires à ceux décrits dans L'IA dans le secteur des soins de santé aident les cliniciens à passer les données au crible plus rapidement et à détecter les tendances plus tôt. Pendant le boom de l'internet, les hôpitaux ont surtout lancé des sites web d'information. La vague actuelle touche le cœur clinique de la médecine.
L'éducation suit une trajectoire similaire. Au lieu de pages de cours statiques, les outils d'intelligence artificielle adaptent le contenu, le rythme et le retour d'information à chaque élève, comme l'explique l'article suivant L'IA dans l'éducation. Les entreprises industrielles utilisent la maintenance prédictive et la vision par ordinateur pour réduire les temps d'arrêt et les défauts. Ces exemples d'application montrent comment la révolution de l'IA modifie les opérations, et pas seulement le marketing ou la communication.
L'IA et les crypto-monnaies comparées aux combinaisons spéculatives des dot-com
À la fin des années 1990, des entreprises ont ajouté ".com" à leur nom pour attirer les investisseurs. Aujourd'hui, certains projets mélangent l'IA et les crypto-monnaies pour susciter un engouement similaire. Le récit promet souvent des bots de trading autonomes, des DAO fondées par l'IA ou des places de marché de données tokenisées. Des articles tels que ce qui se passe lorsque les crypto-monnaies et l'IA se combinent analyser ces intersections. Certaines ont un réel intérêt, en particulier lorsque l'intégrité des données et les incitations sont importantes.
Néanmoins, le risque de confusion est élevé. Les investisseurs confondent parfois l'infrastructure solide qui sous-tend l'intelligence artificielle avec la mécanique spéculative des jetons. Cela crée une couche de volatilité qui s'apparente à un excès de type "dot-com". Séparer la révolution de l'IA en tant que changement technique et économique de l'ingénierie financière des systèmes de jetons permet aux décideurs d'éviter les erreurs recyclées du boom de l'internet.
Quand l'IA et la blockchain ont un sens structurel
Il existe des domaines dans lesquels la combinaison de l'IA et de la blockchain favorise une véritable innovation. Le suivi de la chaîne d'approvisionnement avec des preuves cryptographiques améliore la confiance dans les modèles d'IA qui dépendent de la provenance. Des solutions telles que celles présentées dans la blockchain dans la gestion de la chaîne d'approvisionnement fournissent des registres partagés des mouvements. L'IA peut analyser ces flux pour détecter les risques, la fraude ou l'optimisation sans centraliser le contrôle.
Les actifs numériques et les NFT en sont un autre exemple. Les places de marché telles que celles référencées dans la propriété numérique et les places de marché NFT intègrent l'apprentissage automatique pour détecter les opérations de lavage, les anomalies de prix et les similitudes artistiques. Ces modèles hybrides se distinguent de la spéculation brute parce qu'ils associent des fonctions d'intelligence artificielle à des problèmes d'utilisation clairs. Cet ancrage sépare les plateformes à long terme des thèmes éphémères.
Résilience opérationnelle et cybersécurité par rapport aux premiers risques web
Au cours de la période "dot-com", la sécurité a été à la traîne par rapport à l'adoption. Les injections SQL, les scripts intersites et les faiblesses de l'authentification ont triomphé des déploiements précipités. La révolution de l'IA est confrontée à de nouvelles catégories de risques, notamment l'empoisonnement des données, le vol de modèles et l'injection rapide. Les organisations qui conduisent la transformation numérique basée sur l'IA sans sécurité dès la conception répètent le même schéma de correctifs tardifs et de corrections en cas de crise.
Les défenses modernes améliorent la situation. Les approches spécialisées, telles que celles présentées dans Tests contradictoires de l'IA pour la cybersécuritéles modèles de test de résistance aux intrants malveillants. Les plateformes en nuage appliquent par défaut une identité forte, le chiffrement et la surveillance. Par rapport aux débuts du web, la base de la sensibilisation à la sécurité est plus élevée. Pourtant, la complexité s'est également accrue. Un seul pipeline d'IA mal configuré peut exposer des données sensibles à grande échelle.
Les leçons de la résilience pour les constructeurs et les acheteurs d'IA
Trois leçons tirées du boom de l'internet sont tout à fait valables aujourd'hui. Premièrement, la sécurité et la fiabilité doivent être intégrées dès le premier schéma d'architecture, et non pas dans une liste de contrôle de conformité avant le lancement. Deuxièmement, le partage des responsabilités entre les fournisseurs et les clients doit être explicite. Troisièmement, les exercices de réponse aux incidents préparent les équipes aux échecs inévitables. Les modèles d'IA aux comportements opaques nécessitent une surveillance supplémentaire et des stratégies de repli.
Les organisations qui intègrent ces leçons obtiennent deux résultats. Elles protègent leurs propres opérations et instaurent la confiance avec les clients et les régulateurs. Dans une période où les déploiements d'IA s'accélèrent, cette confiance devient un avantage concurrentiel. La révolution de l'IA se distingue de la bulle Internet lorsque la résilience est à la hauteur de l'ambition.
Liste de contrôle pratique pour les dirigeants comparant l'IA à l'ère dot-com
Les dirigeants et les investisseurs se demandent souvent si l'enthousiasme actuel pour l'IA n'équivaut pas à la fin des années 1990. Une liste de contrôle pratique permet de clarifier la différence. Au lieu de débattre de l'engouement, ils peuvent évaluer des signaux concrets. Ces questions permettent de distinguer les initiatives solides en matière d'IA des projets qui font écho à la fragilité du style "dot-com".
Les dirigeants d'entreprises telles que la société fictive NovaRetail, ainsi que ceux du secteur public et des start-ups, peuvent appliquer ces points avant de donner le feu vert à des budgets ou à des investissements. La même liste s'applique aux discussions du conseil d'administration, à la diligence raisonnable et à la planification stratégique. La clarté à ce stade permet d'éviter de douloureuses radiations par la suite.
- Le produit d'IA permet-il de réduire un coût mesurable ou d'augmenter un flux de revenus mesurable dans les 12 à 24 mois ?
- Existe-t-il un avantage identifié en matière de données, tel que des ensembles de données propriétaires ou un accès privilégié, plutôt que des données publiques sur le web.
- Les clients paient-ils aujourd'hui pour une version sans IA du problème à résoudre, ce qui signale la réalité budgétaire.
- Les coûts de calcul pour la formation et l'inférence sont-ils compris et suivis en tant que part des revenus.
- L'équipe comprend-elle à la fois des experts en ML et des spécialistes du domaine qui comprennent le contexte de l'entreprise ?
- La sécurité, la protection de la vie privée et la conformité sont-elles intégrées dans la conception, et non ajoutées comme un correctif tardif ?
- Les mesures de réussite sont-elles axées sur les résultats, tels que la réduction des erreurs ou l'amélioration de la vitesse, et non sur les chiffres génériques de l'utilisation de l'IA ?
- La feuille de route montre-t-elle comment les processus manuels disparaissent progressivement ou changent, au lieu de se contenter d'ajouter l'IA aux flux de travail existants ?
- Existe-t-il un plan d'évaluation continue du modèle, de recyclage et de retour en arrière en cas de dérive des performances ?
- Les investisseurs et les dirigeants comprennent-ils les limites et les modes de défaillance du modèle, et pas seulement ses forces démonstratives ?
Notre avis
La révolution de l'IA diffère de la bulle Internet par sa structure, sa profondeur et sa maturité. Les entreprises génératrices de profits sont à l'origine de la majeure partie de la vague actuelle. L'infrastructure existe à une échelle que le boom de l'internet n'a jamais approchée. Les solutions d'IA apportent des gains pratiques dans les domaines de la santé, de la finance, de la vente au détail, de l'industrie et des services publics. Les agents autonomes, tels que décrits dans L'IA agentique pour la défense et le renseignementet d'autres applications avancées montrent à quel point l'évolution technologique est allée au-delà des sites web statiques et des bannières publicitaires.
Dans le même temps, des poches de spéculation, une gouvernance peu rigoureuse et des histoires à sensation font écho à la fin des années 1990. La leçon à tirer n'est pas de rejeter l'IA, mais de filtrer les projets d'IA à travers des lentilles économiques et techniques rigoureuses. Les décideurs qui étudient des sources telles que Plateformes d'analyse de l'IA et Études de cas de transformation de la productivité par l'IA de bénéficier d'un avantage. Ils voient quelles parties de la révolution de l'IA promettent une valeur durable et lesquelles ressemblent à un remix des erreurs de l'Internet Boom. La différence entre ces deux voies façonnera les carrières, les bilans et les sociétés pour les années à venir.