« Quelque chose a totalement dérapé » : le PDG de Palantir dénonce en direct les failles du modèle économique de l’IA et s’interroge sur la tarification des tokens

En bref

• Sur CNBC, le PDG Palantir Alex Karp a parlé d’un dérapage : selon lui, la manière de vendre l’intelligence artificielle ne produit pas la valeur promise aux entreprises.
• La tarification à l’usage via les tokens est ciblée comme un signal d’alerte : si l’IA crée tant de richesse, pourquoi vendre des “mots” plutôt que des résultats ?
• Le cœur de sa critique IA porte sur la confiance : propriété des données, stockage, sécurité des prompts, et risque de fuite d’IP.
• Il défend un modèle économique centré sur un triptyque : modèle + couche applicative + calcul, avec des environnements plus fermés et gouvernés.
• Le débat déborde sur l’éthique technologique et la souveraineté : confier des usages sensibles à des acteurs et standards externes change la balance de pouvoir.

Le passage a tourné en boucle sur les réseaux : sur CNBC, Alex Karp, patron de Palantir, a lâché une phrase qui sonne comme un bug critique en pleine démo. Selon lui, “quelque chose a totalement dérapé” dans la façon dont l’IA est vendue. L’alerte ne vise pas un modèle précis, ni une startup opportuniste, mais une mécanique devenue la norme : facturer l’intelligence artificielle à coups de tokens, comme si la valeur se résumait à un compteur. Or, dans les couloirs des entreprises, le discours serait nettement moins enthousiaste que les slides. D’un côté, des promesses d’automatisation et de productivité. De l’autre, des factures qui montent et une angoisse diffuse : que deviennent les données, où dorment les prompts, qui apprend sur quoi, et à quel prix pour l’IP ?

Dans ce contexte, la sortie du PDG Palantir agit comme un révélateur. Elle arrive alors que Palantir et Nvidia annoncent un travail sur des modèles ouverts destinés à des agences américaines. Ce timing ajoute du relief : l’IA n’est plus seulement un produit de bureau, elle devient un outil d’État, donc un sujet de doctrine. Karp ne se contente pas d’un coup de gueule. Il propose un cadrage : la valeur viendrait moins du modèle seul que d’un empilement complet, du calcul à l’application. À la manière d’un jeu service qui ne tient pas sur ses textures, mais sur son design, sa gestion des comptes et son anti-triche, le business AI se jouerait sur l’architecture, la gouvernance et la confiance, pas sur un compteur de mots.

La bulle IA prête à exploser ? Le dérapage dénoncé par le PDG Palantir en direct

La séquence télévisée a frappé par son intensité, mais aussi par le diagnostic posé. Alex Karp affirme que le marché actuel de l’IA “ne fonctionne pas” pour nombre d’entreprises. Ensuite, il invite presque à vérifier sur pièce : appeler quelques dirigeants et demander s’ils sont furieux. Ce n’est pas une posture anodine, car elle déplace le débat du spectaculaire vers le terrain. En d’autres termes, il ne s’agit pas de savoir si un modèle écrit bien. Il s’agit de savoir s’il crée un avantage mesurable, durable, et défendable.

Palantir n’est pas un observateur neutre. L’entreprise vit de logiciels d’analyse de données et revendique une place centrale dans les usages gouvernementaux. Par ailleurs, elle a été critiquée pour son rôle dans la surveillance et dans des projets associés à la reconnaissance faciale. Pourtant, la sortie de Karp vise surtout un point précis : la vente “au jeton” encouragerait une relation déséquilibrée entre fournisseurs et clients. Ainsi, l’entreprise paie pour expérimenter, tout en risquant de livrer sa matière première la plus précieuse : ses processus et ses informations internes.

Pour rendre le problème concret, imaginons une société fictive, Studio Orion, un éditeur qui gère une boutique en ligne et un service client. D’abord, Orion déploie un assistant IA en pensant réduire les tickets. Ensuite, l’équipe découvre que le coût varie selon les pics d’activité, donc selon la saison. Or, ces pics sont précisément ceux où la marque ne peut pas se permettre un bug. Résultat : le directeur financier voit un poste “tokens” exploser, tandis que le directeur juridique s’inquiète des données traitées. La promesse de fluidité se transforme en friction.

Ce dérapage décrit un changement de perception. Pendant la ruée vers l’IA, l’argument “tout le monde y va” a servi de moteur. Cependant, l’année où les entreprises cherchent des gains réels, la tolérance à l’expérimentation coûteuse baisse. Karp martèle que des modèles ont été “survendus” de façon irresponsable. Derrière cette formule, une idée simple apparaît : si le produit est vraiment transformant, il devrait supporter une discussion sur le partage de valeur, pas seulement une facturation à l’usage.

Une colère qui reflète un malaise corporate

Le discours s’appuie sur une observation : en privé, beaucoup de dirigeants seraient plus agacés qu’ils ne le disent publiquement. D’un côté, ils veulent rester dans la course. De l’autre, ils ne veulent pas expliquer à leurs équipes pourquoi la facture grimpe alors que les bénéfices restent flous. Cette tension alimente la critique IA actuelle, car elle ne porte plus sur la science, mais sur la valeur business.

Dans l’univers du jeu vidéo, un parallèle parle immédiatement. Un modèle “pay-per-action” peut sembler fair-play au départ. Néanmoins, si chaque clic utile devient une microtransaction, le joueur finit par se sentir captif. Ici, l’entreprise joue le rôle du joueur. Elle veut résoudre des problèmes, mais elle se retrouve à optimiser un compteur. L’insight à retenir est net : quand la métrique de facturation devient la métrique de design, la confiance s’abîme.

Cette question ouvre naturellement la suivante : si la vente au token est bancale, que faudrait-il vendre à la place pour stabiliser le modèle économique ?

La scène sur CNBC circule largement, et elle sert de point d’entrée au débat public.

Entreprises mécontentes des labs IA : les failles du modèle économique basé sur les tokens

La critique de Karp cible une mécanique devenue standard : les fournisseurs d’IA monétisent une ressource abstraite, les tokens, qui reflètent le volume de texte échangé. Ce choix a des avantages. D’abord, il est simple à mesurer. Ensuite, il s’adapte à une demande variable. Pourtant, il crée aussi des angles morts, surtout côté entreprise. Le plus visible concerne la prévisibilité : à la moindre montée en charge, la facture suit, parfois sans rapport direct avec une création de valeur.

Dans une entreprise, ce flou complique le pilotage. Les directions achètent une promesse de transformation, mais elles reçoivent une ligne budgétaire “consommation linguistique”. Or, l’activité n’est pas un roman. Une équipe d’audit interne, un service achats ou un centre d’appel ne raisonnent pas en nombres de mots. Ils raisonnent en dossiers clos, en erreurs évitées, en temps gagné. Le conflit est là : la tarification mesure un moyen, pas une fin.

La seconde faille est plus sensible : l’IP et les données. Karp insiste sur des questions basiques, mais décisives. Qui possède les données ? Où sont-elles mises en cache ? Les prompts sont-ils protégés ? Les échanges servent-ils à entraîner des systèmes ailleurs ? Même avec des contrats, la perception d’opacité suffit à freiner des déploiements. En pratique, beaucoup d’entreprises finissent par limiter l’usage, donc par réduire la valeur. Le produit devient un gadget contrôlé, au lieu d’un moteur intégré.

Reprenons Studio Orion. Pour améliorer son support, Orion fournit des extraits de logs, des procédures et des réponses types. Rapidement, l’assistant devient meilleur. Cependant, le responsable sécurité pose une question simple : “où ces informations vivent-elles une fois envoyées ?” Si la réponse n’est pas limpide, le projet est recadré. Dès lors, l’outil ne touche plus aux cas complexes, donc ne réduit plus la charge. Le coût demeure, mais l’impact chute.

Pourquoi la tarification au token brouille la notion de valeur

Le token fonctionne comme une unité technique. En revanche, il se transforme en unité commerciale qui ne dit rien de l’utilité. Ainsi, deux projets peuvent consommer autant, tout en produisant des effets opposés. Un chatbot bavard peut brûler du budget sans résoudre les demandes. À l’inverse, un outil qui classe des documents et déclenche des actions peut consommer moins, tout en rapportant plus.

Cette asymétrie nourrit l’idée d’un “survente” : des modèles très performants sur des démos publiques, mais difficiles à industrialiser dans des environnements réels. On parle alors de connecteurs, de gouvernance, de droits d’accès, et de tests de sécurité. Autrement dit, on quitte la magie pour entrer dans le pipeline. C’est précisément là que le business AI se gagne ou se perd.

Pour clarifier ce qui coince, voici des points que les entreprises remontent souvent quand elles évaluent un fournisseur :

• Prévisibilité budgétaire : capacité à estimer les coûts lors des pics d’usage, pas seulement en moyenne.
• Traçabilité des données : localisation, durée de rétention, règles de cache, et preuves d’effacement.
• Sécurité des prompts : chiffrement, contrôle d’accès, et séparation stricte entre clients.
• Mesure de la valeur : indicateurs orientés résultats (dossiers, délais, erreurs), et non volume textuel.
• Portabilité : capacité à changer de modèle sans réécrire tout l’outil, donc sans dépendance totale.

Une fois ces critères posés, la suite logique consiste à regarder les alternatives. Si vendre des tokens n’est pas satisfaisant, que proposent les acteurs comme Palantir : des environnements fermés, des modèles ouverts, ou une approche hybride ?

Modèle + application + calcul : la vision “pile complète” défendue par le PDG Palantir pour le business AI

Dans la séquence, Karp avance un cadre qui ressemble à une fiche technique de production. La valeur, selon lui, vient d’une combinaison : un modèle, une couche applicative, et du calcul. Le modèle seul n’est qu’un composant. Cette façon de présenter les choses change le centre de gravité. Elle déplace l’attention vers l’intégration, l’orchestration et les garanties.

Concrètement, la couche applicative est celle qui transforme la sortie textuelle en action. Par exemple, au lieu d’afficher une réponse, elle crée un ticket, déclenche une validation, ou propose une décision avec justification. Ensuite, elle journalise l’opération pour l’audit. Enfin, elle impose des limites : pas d’accès à tel dossier, pas de réponse sans sources, pas de données sensibles dans la sortie. Sans cette couche, l’IA reste un outil de conversation, donc un risque opérationnel.

Le calcul, lui, n’est pas un détail. Il détermine la latence, le coût réel, et la capacité à garder le système dans un périmètre contrôlé. C’est là que l’annonce Palantir-Nvidia prend sens : proposer des modèles ouverts destinés à des agences américaines suggère une volonté d’infrastructure maîtrisée. Le terme “ouvert” peut prêter à confusion. Toutefois, dans ce contexte, il renvoie souvent à des modèles déployables localement, donc gouvernables, plutôt qu’à des API opaques.

Un exemple simple aide à comprendre. Orion veut automatiser la modération de son forum et la détection de fraude sur des ventes de clés. Avec un modèle distant facturé au token, l’entreprise envoie des extraits de conversations et des signaux comportementaux. Or, ces données sont sensibles. À l’inverse, un modèle déployé dans un environnement fermé permet de garder les flux internes. Certes, l’installation coûte plus cher au départ. Pourtant, elle facilite la conformité et réduit les risques d’exposition.

Partage de valeur : du compteur de mots au contrat de performance

Karp utilise une analogie brutale : si quelqu’un pouvait générer un milliard de dollars, il demanderait une part, pas un paiement au mot. La formule choque, mais elle pointe une question centrale de tarification. Si l’IA est réellement transformative, pourquoi la vendre comme de la consommation électrique textuelle ? Cela revient à dire que le vendeur ne peut pas garantir l’impact. Or, le client achète précisément cet impact.

Dans un monde plus mature, des contrats orientés performance émergent. Par exemple, un prestataire peut être payé sur la réduction du temps de traitement, ou sur la baisse de fraude détectée. Bien sûr, c’est plus complexe. Il faut définir une baseline, éviter les effets d’aubaine, et contrôler les variables externes. Néanmoins, cette complexité rapproche l’IA des modèles économiques connus en entreprise, comme l’infogérance ou les plateformes de paiement.

Cette logique ne supprime pas les tokens, mais elle les remet à leur place : un indicateur technique interne, pas un récit commercial. La phrase-clé est la suivante : une IA utile n’est pas celle qui parle le mieux, c’est celle qui s’intègre sans fuite et sans surprise.

Ce cadrage mène vers un terrain plus politique : si les usages touchent l’État, la défense, ou la sécurité, qui décide des règles, et selon quelles valeurs d’éthique technologique ?

Guerre, souveraineté et éthique technologique : quand la critique IA dépasse la Silicon Valley

Une partie du discours de Karp bascule sur l’IA appliquée au champ de bataille. L’idée, formulée de manière volontairement abrasive, est qu’il serait “insensé” d’externaliser des choix stratégiques à un consensus technologique. Cette position s’inscrit dans une ligne connue de Palantir : la technologie est un instrument de puissance, donc un enjeu national. Elle choque une partie du public, car elle assume le lien entre logiciels, sécurité et doctrine.

Le sujet n’est pas théorique. Palantir est régulièrement associée à des contrats gouvernementaux, et son nom revient dans des débats sur la surveillance. Parmi les exemples cités dans l’actualité récente, un contrat autour d’une plateforme de suivi des expulsions a alimenté la contestation. Ces éléments replacent la sortie de Karp dans un contexte : parler de confiance et de périmètres fermés n’est pas seulement un choix commercial. C’est aussi une réponse à une réputation, et à des inquiétudes sur la finalité des outils.

Sur le plan de l’éthique technologique, plusieurs couches se superposent. D’abord, il y a l’éthique d’usage : à quoi sert le système, et qui en subit les conséquences ? Ensuite, il y a l’éthique de contrôle : qui peut auditer, suspendre, ou corriger ? Enfin, il y a l’éthique de dépendance : que se passe-t-il si un pays ou une entreprise dépend d’une API étrangère pour ses fonctions critiques ? À chaque étage, la question des tokens revient par la fenêtre, car elle reflète une dépendance technique et budgétaire.

Pour un exemple plus “terrain”, imaginons une agence publique qui veut analyser des rapports et prioriser des interventions. Si l’outil est facturé au token, chaque itération coûte. Or, une mission publique implique des itérations, des demandes de transparence, et des audits. Une facture indexée sur le volume de texte peut décourager la vérification. À l’inverse, un déploiement contrôlé, forfaitisé et auditable facilite les obligations démocratiques. Le modèle tarifaire devient donc une variable de gouvernance, pas seulement un prix.

Confiance, audits et responsabilité : les questions qui fâchent

Quand Karp liste des questions simples — propriété des données, cache, sécurité des prompts — il vise un point de rupture. Les organisations ne veulent plus d’une boîte noire, surtout sur des sujets sensibles. Elles veulent des logs, des preuves, et des mécanismes de recours. Cela ressemble à une demande de patch notes, mais à l’échelle d’un pays.

Cette exigence s’étend aussi aux modèles “ouverts”. Ouvrir un modèle n’ouvre pas automatiquement l’usage. Il faut des garde-fous, des datasets encadrés, et des procédures de red teaming. Sinon, le risque se déplace, sans disparaître. En conséquence, la promesse “open” doit être accompagnée d’une ingénierie de confiance, sinon elle reste un slogan.

La tension centrale est nette : accélérer l’adoption sans casser les principes. C’est précisément cette tension qui nourrit la polémique autour du modèle économique : quand la monétisation pousse à la consommation, la prudence devient un coût, donc une variable sacrifiée. L’insight final est simple : la souveraineté commence souvent par une facture lisible et auditable.

La discussion ne s’arrête pas aux États. Elle touche aussi les studios, les éditeurs et les services en ligne, qui doivent décider comment intégrer l’IA sans se faire piéger par un compteur.

Pour prolonger le sujet, d’autres analyses vidéo reviennent sur la sortie de Karp et sur la polémique autour des tokens.

Du cloud au “jardin clos” : scénarios concrets de tarification et d’architecture après le dérapage

Si l’on prend la critique au sérieux, plusieurs trajectoires se dessinent pour les entreprises. La première consiste à rester sur des API cloud, mais avec une gouvernance plus stricte. Par exemple, un fournisseur peut proposer des instances dédiées, des garanties contractuelles, et des options “zéro rétention”. Dans ce cas, les tokens restent la métrique, mais ils sont encadrés par des plafonds, des alertes, et des forfaits. Cela ressemble à un abonnement avec garde-corps, plutôt qu’à un taxi sans compteur visible.

La seconde trajectoire est le “jardin clos”, c’est-à-dire des environnements fermés. Le modèle est déployé dans un périmètre contrôlé, parfois sur site, parfois dans un cloud souverain. Cette option attire les secteurs régulés, mais aussi les studios qui protègent leurs assets et leurs outils internes. Un studio AAA, par exemple, peut accepter l’IA pour générer des scripts de build ou des tests, tout en refusant d’envoyer des éléments de scénario. La frontière n’est pas idéologique, elle est pratique : ce qui est exporté peut être perdu.

La troisième trajectoire, plus hybride, combine un petit modèle interne pour les tâches sensibles et un grand modèle externe pour les tâches génériques. Orion pourrait traiter les données clients et la fraude en interne, tout en utilisant un service externe pour résumer des notes publiques ou générer des brouillons marketing. L’important est la cartographie des risques. Dans cette approche, la tarification devient un mix : forfait pour le socle, plus consommation variable pour l’appoint.

Ces choix ont aussi un impact culturel. Un outil à tokens encourage le “prompting” comme compétence. À l’inverse, une solution intégrée encourage l’outillage : boutons, workflows, validations. Or, en entreprise, la seconde approche tient mieux dans le temps. Elle rend l’IA moins visible, donc moins “magique”, mais plus fiable. C’est un peu comme passer d’un mod bricolé à une fonctionnalité officielle : moins fun, plus stable.

Ce que les décideurs peuvent exiger pour éviter les failles

Après le bruit médiatique, le terrain revient toujours : contrats, sécurité, et métriques. Pour éviter de payer une expérience sans fin, les organisations posent des exigences simples. D’abord, un cadre de données clair, avec des preuves et pas seulement des promesses. Ensuite, une tarification lisible, avec des plafonds et des scénarios de stress test. Enfin, des indicateurs de valeur alignés sur les objectifs.

Dans les faits, cela se traduit par des ateliers conjoints entre IT, juridique, sécurité et métier. L’IA n’est plus un jouet de laboratoire. Elle devient un composant de production, donc un sujet de responsabilité. Cette bascule explique pourquoi la sortie du PDG Palantir résonne : elle met des mots sur une fatigue collective, celle de devoir croire avant de pouvoir vérifier.

Le point à garder en tête est celui-ci : une IA qui compte des tokens compte aussi les hésitations. À l’inverse, une IA qui se laisse auditer et tarififier par résultats peut, enfin, passer du buzz à l’infrastructure.