L'économie de l'IA ne se joue pas seulement chez les GAFAM : quatre mouvements récents à comprendre

Quand on parle de l'économie de l'IA, la conversation part souvent au même endroit : OpenAI, Anthropic, Google, Meta, Alibaba, Mistral à la rigueur, leurs valorisations vertigineuses, leurs levées de fonds record. 

C'est une lecture juste, mais les histoires intéressantes ne se jouent pas toujours au sommet de la pile. Elles se jouent une, deux, parfois trois couches plus bas, chez des entreprises qui ne font jamais la une, mais dont l'IA a transformé la trajectoire en quelques trimestres. 

Quatre exemples dessinent les contours d'une économie de l'IA à côté des GAFAM, celle des fournisseurs d'infrastructure, d'énergie, d'observabilité et de conformité sans lesquels aucun modèle ne tourne, aucune donnée n'est fiable, et aucun agent ne reste sous contrôle.

DDN, ou l'infrastructure de stockage qui redevient stratégique. Fondée en 1998, DDN gère depuis près de trente ans le stockage de données des supercalculateurs les plus puissants au monde. Un métier solide, mature, pas franchement le genre d'histoire qui fait la couverture de la presse tech. Jusqu'à ce que le boom de l'IA change la donne : l'entreprise est aujourd'hui en trajectoire pour atteindre 1 milliard de dollars de revenus en 2026, portée par des contrats avec des acteurs comme xAI et par des gouvernements qui construisent leurs propres supercalculateurs souverains dédiés à l'IA. DDN n'a rien changé à son cœur de métier. Elle a simplement profité du fait que chaque modèle d'IA generative, aussi impressionnant soit-il, ne vaut rien sans une capacité de stockage et de mouvement de données à la hauteur de son appétit.

AVK Power Solutions, ou l'énergie qui devient le vrai goulot d'étranglement. Deuxième signal, cette fois côté énergie : AVK Power Solutions, fournisseur de solutions d'alimentation électrique pour les centres de données et les infrastructures IA en Europe, vient d'être racheté pour environ 1 milliard de dollars. Ce n'est pas un hasard de calendrier. À mesure que les charges de calcul liées à l'IA agentique explosent, la contrainte la plus dure à desserrer n'est plus le silicium, c'est le mégawatt disponible. Les acteurs qui savent fournir, sécuriser et gérer l'alimentation électrique des infrastructures IA sont devenus, presque du jour au lendemain, des cibles de rachat aussi convoitées que les éditeurs de logiciels IA eux-mêmes. C'est un rappel utile pour tout comité de direction qui pilote sa stratégie IA sans jamais faire remonter le sujet énergétique : la facture ne se joue pas qu'en tokens, elle se joue aussi en kilowattheures.

Coralogix, ou l'observabilité des agents comme nouvelle ligne de défense. Troisième signal, sur un tout autre registre : Coralogix, plateforme d'observabilité déjà installée dans le paysage du monitoring applicatif, vient de lever 200 millions de dollars à une valorisation de 1,6 milliard de dollars, avec un objectif limpide, construire la couche de surveillance des agents IA. Le raisonnement est simple : dès qu'une organisation délègue des décisions à des agents autonomes, quelqu'un doit être capable de répondre, en temps réel, à la question "que vient de faire cet agent, et pourquoi ?". Coralogix n'est pas seule sur ce terrain, la jeune pousse française Tsuga a levé 30 millions d'euros ce printemps sur une proposition très voisine, preuve que l'observabilité agentique n'est plus une niche mais une catégorie de marché à part entière, y compris en Europe.

Dili, ou la conformité qui s'automatise avant l'audit. Quatrième signal, sur le terrain de la gouvernance : Dili, jeune pousse américaine soutenue par Khosla Ventures, a levé 21,7 millions de dollars pour automatiser, grâce à l'IA, la conformité réglementaire de projets d'infrastructure lourdement financés par des fonds publics, data centers compris. Le principe est simple et puissant : transformer des documents non structurés en données structurées, puis appliquer un moteur de règles déterministe pour vérifier la conformité, plutôt que de découvrir les manquements lors d'un audit a posteriori. Résultat revendiqué, plus d'un milliard de dollars de financements protégés contre des pénalités ou des reprises de fonds, sur environ sept cents projets déjà couverts. C'est très exactement la logique que nous défendons chez Gabriel Greenfield sous le nom de conformité by design : la gouvernance n'est pas un contrôle qu'on ajoute à la fin, c'est une couche qu'on construit dès le départ.

Un dénominateur commun plus profond qu'il n'y paraît. Regardez d'un peu plus près la nature de ces quatre opérations : une trajectoire de revenus organique pour DDN, un rachat industriel pour AVK Power Solutions, un tour de table en forte croissance pour Coralogix, une levée d'amorçage pour Dili. Quatre stades de maturité financière différents, mais un seul et même mécanisme économique sous-jacent : dans chaque cas, l'IA n'a pas créé le métier, elle en a multiplié la valeur perçue par le marché. DDN faisait du stockage pour le calcul intensif bien avant que quiconque ne parle de LLM. AVK Power Solutions vendait de l'alimentation électrique industrielle avant que les data centers IA ne deviennent des infrastructures critiques. C'est un point important pour toute entreprise établie, y compris hors du secteur technologique : la question n'est pas seulement "comment l'IA peut-elle transformer mon métier ?", mais aussi "en quoi mon métier existant devient-il, à l'ère de l'IA, une brique d'infrastructure dont d'autres ont désormais un besoin vital ?". Ce sont rarement les mêmes équipes qui savent répondre à ces deux questions, et c'est souvent la seconde qui recèle la valeur la plus immédiate.

Ce que ces quatre signaux disent, une fois mis bout à bout. Pris isolément, DDN, AVK Power Solutions, Coralogix et Dili n'ont a priori rien en commun : le stockage, l'énergie, l'observabilité et la conformité réglementaire sont quatre métiers différents, quatre secteurs différents, quatre profils d'investisseurs différents. Mis en perspective, ils dessinent la même carte : la valeur économique de l'IA ne se concentre pas uniquement sur la couche modèle, elle se répartit sur l'ensemble de la pile, des données à l'orchestration, en passant par l'infrastructure et la gouvernance. La ruée vers l'or de l'IA generative profite, comme toutes les ruées vers l'or avant elle, autant à ceux qui vendent les pioches et sécurisent le chantier qu'à ceux qui creusent directement le filon.

Pourquoi cela doit changer votre grille de lecture des risques fournisseurs. Pour un comité de direction, la leçon pratique dépasse la simple curiosité économique. Si votre stratégie IA repose exclusivement sur le choix d'un ou deux grands modèles, votre cartographie des risques fournisseurs est probablement incomplète. Qui alimente électriquement l'infrastructure qui sert vos modèles, et dans quelles conditions contractuelles ? Qui surveille le comportement réel de vos agents une fois déployés, au-delà des tests de recette initiaux ? Qui, dans votre organisation ou chez vos prestataires, transforme vos obligations réglementaires en contrôles automatisés plutôt qu'en rapports produits après coup ? Ces questions relèvent des piliers Résilience et Gouvernance de notre méthodologie Meridian, au même titre que le pilier Innovation qui accapare généralement toute l'attention en comité de direction.

Ce que cela signifie pour votre propre feuille de route agentique. Chez Gabriel Greenfield, nous structurons cette réflexion à travers ce que nous appelons la boucle de flywheel de la donnée : plus une organisation déploie d'agents IA en production, plus elle génère de données d'usage, plus ces données permettent d'améliorer la gouvernance, l'observabilité et la performance des agents suivants, à condition que l'infrastructure sous-jacente (stockage, énergie, monitoring, conformité) soit dimensionnée pour absorber ce cercle vertueux plutôt que pour le freiner. C'est une lecture directement transposable aux quatre référentiels de notre plateforme agentique : ce que DDN apporte à la couche données, AVK Power Solutions l'apporte à la couche infrastructure, Coralogix à la couche résilience opérationnelle, et Dili à la couche gouvernance. Aucune de ces briques n'est optionnelle dès lors que l'IA agentique quitte le stade du pilote pour entrer en production à grande échelle.

Le vrai enseignement pour 2026. L'économie de l'IA à côté des GAFAM n'est pas une économie de second rang, c'est une économie de fondations. Elle se construit dans des métiers qu'on croyait matures, comme le stockage ou l'énergie, et dans des métiers qu'on croyait secondaires, comme l'observabilité ou la conformité réglementaire, jusqu'à ce que l'IA en fasse, en quelques trimestres, des goulots d'étranglement stratégiques. Les organisations qui gagneront la décennie ne seront pas nécessairement celles qui auront choisi le meilleur modèle. Ce seront celles qui auront su sécuriser, référentiel par référentiel, l'ensemble de la chaîne de valeur qui rend ce modèle réellement utilisable, en confiance, à l'échelle. C'est le sens même de la transformation intelligente : ne jamais confondre l'endroit où se fait le bruit avec l'endroit où se joue vraiment la valeur.