Verdict factuel : selon l’AI Index 2026 de Stanford, l’industrie a produit plus de 90 % des modèles de frontière notables en 2025. Ce n’est pas un décompte de tous les modèles publiés, ni une preuve qu’un modèle privé est automatiquement meilleur. C’est en revanche un signal clair : les systèmes les plus visibles et les plus coûteux à entraîner sont désormais majoritairement conçus hors des universités.
Le chiffre mérite d’être lu avec son périmètre. Stanford sélectionne des « notable frontier models » selon sa propre méthodologie ; il ne mesure ni les logiciels vendus aux entreprises, ni tous les modèles open source, ni la qualité de la recherche universitaire. Pour une PME, un étudiant ou un DSI, la conséquence pratique est surtout un déplacement des conditions d’accès : API, crédits cloud, licences et politiques de données comptent autant que les publications.
Les trois points à retenir
- Plus de 9 modèles de frontière notables sur 10 recensés par Stanford pour 2025 viennent de l’industrie.
- Le même rapport indique que les performances sur SWE-bench Verified sont passées d’environ 60 % à près de 100 % en un an : un progrès de benchmark, pas une garantie de fiabilité en production.
- La concentration de la production ne dit pas qui utilise l’IA ni qui en bénéficie. Eurostat mesure, séparément, l’usage dans les entreprises européennes.
Le chiffre qui change la lecture du marché
La part « plus de 90 % » apparaît dans la synthèse du rapport 2026, publiée par le Stanford Institute for Human-Centered AI. Elle porte sur l’année 2025. Les auteurs parlent de modèles de frontière notables : cette qualification est importante. Elle privilégie les lancements et résultats qui atteignent un seuil de visibilité ou d’impact dans leur base, au lieu de compter chaque fine-tune publié sur GitHub.
| Indicateur | Valeur | Période et périmètre |
|---|---|---|
| Production industrielle | Plus de 90 % | Modèles de frontière notables, 2025, sélection AI Index |
| Résultats SWE-bench Verified | ~60 % à près de 100 % | Un an, benchmark de résolution de tickets logiciels |
| Entreprises de l’UE utilisant l’IA | 19,95 % | UE, 2025, entreprises couvertes par Eurostat |
| Objectif européen | 75 % | Horizon 2030 : cloud, big data ou IA ; indicateur composite |
Ce que la donnée prouve — et ce qu’elle ne prouve pas
Elle documente d’abord un déplacement de la capacité à entraîner les systèmes les plus ambitieux. Les coûts de calcul, l’accès aux GPU, aux jeux de données et aux équipes d’ingénierie favorisent les grands laboratoires industriels. Le chapitre Research and Development de l’AI Index permet de replacer ce constat dans le suivi annuel de la recherche et du développement.
Elle ne permet pas de classer « l’industrie » au-dessus des universités sur toutes les dimensions. Une université peut produire des travaux fondamentaux, des jeux de données, des évaluations ou des modèles ouverts sans apparaître de la même manière dans une liste de modèles de frontière. Elle ne mesure pas non plus la concentration entre entreprises : « industrie » agrège des acteurs très différents.
Enfin, la progression d’un benchmark ne remplace pas une recette opérationnelle. Le chapitre Technical Performance rappelle pourquoi il faut lire une métrique avec la tâche évaluée. SWE-bench Verified teste des corrections issues de vrais tickets logiciels ; il n’évalue ni la conformité RGPD, ni la maintenabilité d’un dépôt particulier, ni le coût total d’un agent qui itère.
Pourquoi l’écart entre recherche de pointe et adoption reste décisif
Il serait tentant de mettre en regard les plus de 90 % de Stanford et les 19,95 % d’Eurostat pour conclure que l’Europe « rate » l’IA. Ce raccourci serait faux. Le premier chiffre compte une production très sélective de modèles mondiaux ; le second est une enquête d’usage auprès d’entreprises de l’Union, toutes tailles et secteurs confondus. Ils répondent à deux questions différentes.
La statistique Eurostat 2025 reste néanmoins utile pour un dirigeant : l’adoption n’est pas uniforme. Le secteur information-communication atteint 62,52 % d’entreprises utilisant l’IA, contre 10,79 % dans la construction. Avant de choisir un assistant ou une API, le bon comparatif est donc souvent sectoriel : qualité et structuration des données, procédures de validation, compétences disponibles et risque métier pèsent davantage que le dernier score de modèle.
Conséquences concrètes pour les équipes françaises
- Achats : demandez le lieu de traitement, les options de non-entraînement sur vos données, le journal d’audit et le prix par usage. Le fournisseur du modèle est souvent distinct de l’intégrateur.
- Développement : évaluez un modèle sur vos tickets, votre stack et vos règles de revue. Un score SWE-bench ne dispense pas de tests ni de relecture humaine.
- Recherche : suivez les publications, modèles ouverts et jeux de données, plutôt que d’assimiler la domination des modèles de frontière à la disparition de la recherche publique.
- Stratégie : l’objectif de la Décennie numérique vise 75 % des entreprises utilisant le cloud, le big data ou l’IA d’ici 2030. Ce n’est pas une obligation d’acheter un grand modèle propriétaire.
Comment lire ce type de statistique sans se tromper
Conservez quatre éléments avec tout pourcentage : l’organisme qui collecte, l’année observée, la population et la définition. Ici, Stanford publie une sélection de modèles de frontière pour 2025 ; Epoch AI maintient aussi une base documentée de modèles notables, utile pour examiner les critères de catalogage. Eurostat, de son côté, publie l’indicateur isoc_eb_ain2 et son champ d’enquête.
Ne mélangez pas les séries. Une part de modèles, un taux d’entreprises utilisatrices et un objectif public ne s’additionnent pas et ne racontent pas la même chaîne de valeur. Leur rapprochement sert à poser une question concrète : où se trouve le goulot d’étranglement — création de modèles, accès au calcul, intégration dans les processus ou compétences ?
Questions fréquentes
Les universités ne produisent-elles plus de modèles d’IA ?
Non. Le chiffre de Stanford concerne les modèles de frontière notables dans sa sélection 2025. Il ne mesure pas l’ensemble de la recherche universitaire, des modèles spécialisés ou des contributions ouvertes.
Un modèle industriel est-il forcément le meilleur ?
Non. Les benchmarks évaluent des tâches définies. Pour un usage réel, il faut aussi tester le coût, la latence, la sécurité, les données et les contraintes de déploiement.
Pourquoi comparer avec Eurostat ?
Pour distinguer la production de modèles de leur adoption. Eurostat mesure l’usage déclaré par les entreprises européennes ; c’est un indicateur différent et complémentaire.
Sources utiles
- Stanford HAI — AI Index Report 2026 (synthèse et chiffres cités)
- Stanford HAI — chapitre Research and Development
- Stanford HAI — chapitre Technical Performance
- Eurostat — Use of artificial intelligence in enterprises (données 2025)
- Commission européenne — Digital Decade (objectif 2030)
Article préparé par Vincent Vandegans pour Minderlist. Données consultées le 19 septembre 2026 ; les définitions des sources priment sur toute comparaison rapide.
