Le web scraping n'entraînera pas la prochaine IA

Depuis quinze ans, une hypothèse implicite a porté toute l'IA moderne : tout ce dont un modèle a besoin est déjà sur Internet — il suffit d'aller le chercher. Cette hypothèse est en train de mourir. Et avec elle, un tout nouveau marché est en train de naître — entre ceux qui construisent les modèles de demain et ceux qui possèdent les données du monde réel.

Voici pourquoi je crois que 2026 sera l'année où les données cesseront d'être une matière première gratuite pour devenir un actif stratégique qui se négocie.

1. Le web atteint son plafond — et commence à s'empoisonner

Le point de basculement n'est pas une opinion. C'est de l'arithmétique.

Selon Epoch AI, le stock total de textes humains de haute qualité disponibles publiquement s'élève à environ 300 billions de tokens — et les grands modèles auront épuisé ce stock entre 2026 et 2032, avec une projection médiane autour de 2028 (Epoch AI, "Will we run out of data?", ICML 2024).

Ce n'est pas l'inquiétude de quelques chercheurs isolés. En décembre 2024, à NeurIPS, Ilya Sutskever — co-fondateur d'OpenAI — l'a dit sans détour : "Le pré-entraînement tel que nous le connaissons prendra fin", car "le calcul augmente, mais les données n'augmentent pas, car nous n'avons qu'un seul Internet." Il a qualifié les données de "combustible fossile de l'IA" : elles ont été créées une fois, nous les avons consommées, et nous avons atteint "le pic de données" (rapporté par The Verge, décembre 2024).

Pire : le puits est contaminé. Une étude publiée dans Nature (Shumailov et al., juillet 2024) a démontré "l'effondrement des modèles" — un modèle entraîné récursivement sur du contenu généré par l'IA se dégrade et perd des informations sur la distribution réelle du monde. Et le web se remplit précisément de ce contenu : selon Graphite, la part des articles publiés générés par l'IA a dépassé ceux écrits par des humains dès novembre 2024 (≈ 52 % en mai 2025). Le réservoir dont nous nous sommes approvisionnés se remplit maintenant du reflet des modèles eux-mêmes.

Et les portes se ferment. Depuis le 1er juillet 2025, Cloudflare — qui protège environ un cinquième du web — bloque les robots d'exploration IA par défaut. Côté éditeurs, près de la moitié de tous les sites d'information bloquent au moins un robot d'exploration IA. Sur le plan juridique, The New York Times c. OpenAI (déposé fin 2023) a survécu à la requête en irrecevabilité en 2025 et se poursuit sur le fond.

La conclusion de la première partie : la ressource qui a rendu possible l'IA générative — le texte public gratuit — devient finie, contaminée, verrouillée et contestée, tout à la fois.

2. Les laboratoires ont déjà commencé à payer

La meilleure preuve que le scraping ne suffit plus, c'est que les entreprises qui en vivaient sortent leur chéquier.

• OpenAI – News Corp : un accord de licence d'une valeur rapportée de plus de 250 millions de dollars sur 5 ans (rapporté par le WSJ, mai 2024).
• Google – Reddit : environ 60 millions de dollars par an pour l'accès aux données (rapporté par Reuters, février 2024).
• OpenAI – Axel Springer, Financial Times, Le Monde, Associated Press… une cascade d'accords sur 2024-2025, allant de "dizaines de millions" à des sommes non divulguées.

Pendant ce temps, l'infrastructure du marché se construit : Microsoft a annoncé début 2026 un "Publisher Content Marketplace" pour négocier des licences de contenu entre éditeurs et développeurs d'IA. Et la valorisation stupéfiante de Scale AI — ~29 milliards de dollars après l'investissement de Meta de ~14,3 milliards de dollars pour une participation d'environ 49 % (juin 2025) — dit une chose simple : les données d'entraînement sont désormais un actif de niveau stratégique.

Le message est clair. Les données ne sont plus scrapées. Elles sont licenciées, négociées, achetées.

3. Le vrai changement : les modèles de demain n'ont pas besoin de plus de web — ils ont besoin d'autre chose

C'est le point que la plupart des analyses manquent.

La prochaine frontière de l'IA n'est pas un LLM de plus. Ce sont les modèles mondiaux et l'IA physique : des systèmes qui ne se contentent pas de manipuler le langage, mais qui modélisent, simulent et agissent dans le monde réel.

• NVIDIA a lancé Cosmos à l'occasion du CES (janvier 2025), une famille de modèles fondamentaux mondiaux pour l'IA physique. Jensen Huang l'appelle "le moment ChatGPT pour la robotique." Ces modèles se nourrissent de pétaoctets de données vidéo et de capteurs — NVIDIA affirme avoir traité 20 millions d'heures de vidéo en 14 jours.
• Google DeepMind a dévoilé Genie 2 (décembre 2024) puis Genie 3 (août 2025) : des modèles capables de générer des mondes jouables et interactifs pour entraîner des agents incarnés.
• Fei-Fei Li — la marraine de la vision par ordinateur — a levé 230 millions de dollars dès septembre 2024 pour World Labs, axé sur "l'intelligence spatiale", suivi d'environ 1 milliard de dollars supplémentaires en 2026.

Mais ces modèles se heurtent à un mur que le web ne peut pas franchir. Il n'y a pas d'"Internet de l'interaction physique" à scraper. Les données d'entraînement pour la robotique restent minuscules : les ensembles de données de référence en IA incarnée se comptent en centaines de milliers de démonstrations (RT-1 : ~130 000 ; VIMA : ~650 000), tandis qu'un corpus vision-langage comme LAION-5B aligne 5,7 milliards. Les données du monde réel doivent être capturées un geste, un capteur, un trajet à la fois.

C'est précisément pourquoi Tesla (plus de 10 milliards de miles FSD cumulés, mai 2026) et Waymo (plus de 100 millions de miles autonomes) traitent leurs flottes comme un actif défendable : il n'est pas sur le web, il ne peut pas être acheté auprès d'un courtier en texte — il est produit dans le monde réel.

Les données qui manquent à la prochaine génération d'IA n'ont jamais été en ligne. Elles se trouvent dans les usines, les flottes, les hôpitaux, les réseaux énergétiques, les chaînes d'approvisionnement. Elles appartiennent aux opérateurs, pas aux laboratoires.

4. Ce que nous observons sur le terrain — et pourquoi c'est un marché à deux versants

C'est là que notre travail chez d-nvest rencontre la thèse — car nous ne nous contentons pas de la commenter, nous la mesurons.

Sur notre plateforme, nous avons cartographié à ce jour 311 détenteurs de données réels — des organisations qui produisent, souvent sans s'en rendre compte, exactement le type de données dont l'IA de demain a besoin :

• 66 % sont des séries temporelles (206 sur 311) — capteurs, télémétrie, journaux de machines : le signal brut du monde physique.
• Les secteurs dominants sont l'industrie (149), la mobilité (91) et la santé (24) — IA physique, pas texte web.
• Les cas d'utilisation ressemblent à la feuille de route de l'IA industrielle : maintenance prédictive (136), surveillance industrielle (64), intelligence documentaire (34), RAG réglementaire (19), IA diagnostique (15).
• Côté demande, les acheteurs sont déjà identifiés par profil : laboratoires de modèles fondamentaux, équipes de vision par ordinateur, constructeurs de LLM verticaux, fournisseurs d'IA industrielle.
• Tous répartis sur les marchés qui comptent — Royaume-Uni, France, États-Unis, Allemagne, Canada — et soutenus par près de 1 000 signaux de presse attestant de l'activité réelle de ces détenteurs.

Ces réserves s'adressent à des marchés qui ne sont pas des promesses : la maintenance prédictive seule vaut environ 14 milliards de dollars en 2025 (TCAM ~28 %), l'IoT industriel dépasse 480 milliards de dollars, l'IA industrielle environ 44 milliards de dollars.

D'un côté, des détenteurs disposant d'une ressource rare qu'ils sous-exploitent. De l'autre, des acheteurs — les constructeurs de la prochaine génération d'IA — prêts à payer pour cette ressource, comme leurs accords de licence le prouvent déjà. Ce qui manque entre eux, c'est l'infrastructure de mise en relation, de qualification et de confiance. C'est exactement ce que nous construisons.

En résumé

Le web scraping a entraîné la génération actuelle de modèles. Il n'entraînera pas la prochaine. Le texte public est fini, il s'auto-pollue et il se ferme. Les modèles mondiaux et l'IA physique exigent un autre type de données — réelles, opérationnelles, multimodales — qui n'a jamais été publié et ne le sera jamais.

Ces données existent déjà. Elles appartiennent à des dizaines de milliers d'opérateurs qui n'ont souvent aucune idée qu'ils détiennent l'or de la prochaine décennie de l'IA.

La question n'est plus "où trouver des données." C'est "comment connecter ceux qui les détiennent avec ceux qui en ont besoin." C'est un marché à deux versants, et il ne fait que commencer.

Si vous êtes un opérateur produisant des données industrielles, de mobilité ou de santé — ou un acteur de l'IA à la recherche de jeux de données propriétaires du monde réel — c'est le moment de parler.

— Salim Labriki, d-nvest

Note méthodologique : les montants des accords de licence sont ceux rapportés par la presse (WSJ, Reuters, Bloomberg) et rarement confirmés officiellement par les parties. Les chiffres d'inventaire (311 détenteurs, modalités, secteurs) proviennent de notre propre cartographie au 1er juillet 20