Distribution réglée, profits déplacés : ce que Christensen dit de la ruée sur GenAI.mil

La semaine du 23 septembre 2026, la plateforme GenAI.mil du département américain de la Défense a dépassé les 2 millions d'utilisateurs actifs — environ deux tiers des 3 millions de personnels du ministère. Trois modèles commerciaux y cohabitent : Gemini for Government (Google), ChatGPT Mil (OpenAI) et Grok for Government (xAI). Plus significatif encore, la plateforme a généré plus de 100 000 agents autonomes d'ici juillet 2026, contre plus de 50 000 dans les deux seules premières semaines suivant le lancement de l'Agent Designer de Gemini.

Ce que ces chiffres décrivent n'est pas seulement une adoption rapide : c'est un marché des modèles de base désormais réglé. Trois fournisseurs se partagent le « front door » de l'accès à la Défense américaine, chacun quasi interchangeable pour les usages courants — rédaction, synthèse, requêtes conversationnelles. Cette situation rappelle un mécanisme que Clayton Christensen et Michael Raynor ont formalisé en 2003 dans « The Innovator's Solution » sous le nom de loi de conservation des profits attractifs : lorsqu'un maillon de la chaîne de valeur se standardise et devient « suffisamment bon » pour être interchangeable, la marge ne disparaît pas — elle migre vers le maillon adjacent qui reste, lui, non standardisé et propriétaire.

Christensen illustrait ce mécanisme avec l'histoire du PC : la commoditisation du matériel (compatible IBM, interchangeable entre constructeurs) a déplacé le profit vers le microprocesseur (Intel) et le système d'exploitation (Microsoft) — les couches qui restaient différenciées. Le cloud a répété le schéma une décennie plus tard : le calcul brut s'est banalisé, la valeur s'est concentrée sur les services managés et les couches d'orchestration. GenAI.mil suit la même trajectoire, à une vitesse bien supérieure : la couche modèle s'est banalisée en quelques trimestres, pas en quelques années.

La conséquence stratégique est directe pour les fournisseurs et intégrateurs qui gravitent autour de la Défense américaine — et, par extension, pour tout écosystème aéronautique et défense qui observe ce marché comme un indicateur avancé. Concurrencer les trois fournisseurs de modèles sur leur propre terrain n'a plus de sens économique : la distribution y est déjà réglée. La valeur disponible se trouve dans les couches non encore standardisées — l'intégration sécurisée aux systèmes d'information classifiés, les connecteurs de données sensibles, et surtout les cadres d'évaluation des agents autonomes, qui doivent certifier la fiabilité de dizaines de milliers d'agents avant qu'ils ne soient habilités à agir sur des flux réels.

C'est précisément sur ce dernier point que se situe le goulot d'étranglement actuel. Le rythme de création d'agents (100 000+ en quelques mois) dépasse très probablement la capacité des cadres de gouvernance et d'évaluation à les valider un par un. Dans le langage de Christensen, c'est la définition même du maillon « pas encore assez bon » : c'est là, et non dans l'accès au modèle, que se loge la contrainte — et donc la marge économique disponible pour qui sait la lever.

Une réserve s'impose : 2 millions d'utilisateurs en une semaine mesurent une adoption, pas une profondeur d'usage. Le nombre ne dit rien de l'intensité réelle d'utilisation, de la rétention, ni du gain de productivité par flux de travail — une distinction que Cardan-AI a déjà soulignée à plusieurs reprises sur l'écart entre adoption déclarée et gains mesurés dans l'IA agentique industrielle. La prudence reste de mise avant d'extrapoler ces volumes en gains de performance opérationnelle.

Pour les acteurs aéro-défense qui positionnent leur offre IA, la lecture économique est nette : ne pas investir dans la course aux modèles de base, déjà perdue face à trois fournisseurs installés, mais concentrer les ressources sur les couches d'intégration, de gouvernance des données et d'évaluation des agents — c'est là, structurellement, que la loi de conservation des profits attractifs place la prochaine génération de marge.