Les écosystèmes du monde entier évoluent rapidement sous la pression des changements globaux tels que le réchauffement du climat, les changements d’usage des terres ou les invasions biologiques, mais ce qui se passe sous terre reste encore mal compris. On sait, par exemple, que les plantes jouent un rôle central dans les « réseaux trophiques », ces ensembles d’interactions d’ordre alimentaire entre les êtres vivants d’un écosystème. Cependant, nous connaissons encore mal la manière dont les communautés végétales, les essences d’arbres d’une forêt par exemple, influencent la circulation de la matière et de l’énergie par les interactions trophiques entre organismes du sol, tels que les microbes (champignons et bactéries) et la faune détritivore, herbivore et carnivore.

Dans notre étude récente, publiée le 6 avril dans Nature, nous nous sommes penchés sur 64 forêts européennes, sur les espèces d’arbres qui s’y trouvent et sur le problème de savoir comment celles-ci influencent l’activité du réseau trophique du sol en matière de flux d’énergie au sein de celui-ci.

Nous avons découvert que les forêts dominées par des espèces d’arbres priorisant l’acquisition des ressources (eau, nutriments et lumière) et étant ainsi capables d’une croissance rapide, comme le charme commun (Carpinus betulus) ou le bouleau verruqueux (Betula pendula), présentent une activité du réseau trophique du sol plus élevée. Ces arbres fournissent, en effet, davantage de matière organique fraîche de bonne qualité nutritive et créent des microclimats plus chauds, stimulant le métabolisme des organismes du sol et accélérant des processus comme la décomposition des matières organiques et le recyclage des nutriments du sol.

À l’inverse, les forêts dominées par des espèces d’arbres priorisant la conservation des ressources, comme le pin sylvestre (Pinus sylvestris) ou l’épicéa commun (Picea abies), et dont la capacité de croissance est ainsi plus lente, présentaient une activité du réseau trophique du sol plus faible.

En d’autres termes, l’identité des espèces et leurs « traits fonctionnels » liés à leur stratégie d’allocation des ressources au sein d’une communauté d’arbres sont plus importants qu’on ne le pensait auparavant.

Étonnamment, le simple mélange de différentes espèces d’arbres n’a pas amélioré le fonctionnement du sol – et l’a même souvent légèrement réduit – malgré l’augmentation de la croissance aérienne des arbres induit par cette diversification. Ce décalage met en lumière un point essentiel : ce qui profite aux arbres en surface ne profite pas toujours au réseau trophique souterrain.

Pourquoi c’est important ?

Ces résultats ont des implications importantes pour la gestion forestière. Promouvoir la diversité des arbres à elle seule pourrait ne pas suffire à maintenir des sols sains, c’est-à-dire capables de fonctionner afin d’assurer la fourniture de multiples services bénéficiant à l’humanité. En revanche, sélectionner les espèces d’arbres en fonction de leurs traits fonctionnels, tels que leur activité métabolique ou leur capacité de croissance, pourrait s’avérer plus efficace pour préserver la vitalité des écosystèmes forestiers.

À l’avenir, le changement climatique devrait accroître la fréquence et l’intensité des sécheresses et ainsi favoriser des espèces d’arbres priorisant la conservation des ressources, car ils sont plus résistants à la mortalité par cavitation induite par le stress hydrique. Nos découvertes suggèrent que ce changement dans la composition en espèces des communautés d’arbres pourrait ralentir le fonctionnement du sol, avec des répercussions importantes pour le recyclage de la matière organique du sol, la disponibilité des nutriments et la régénération forestière. Globalement, l’étude souligne la nécessité de prendre en compte les dynamiques aériennes et souterraines dans la gestion des forêts face aux changements climatiques.

Quelles sont les suites ?

Cette recherche ouvre la voie à de multiples perspectives de recherche.

Il serait ainsi intéressant d’étudier de nouveau ces communautés d’arbres et le fonctionnement du réseau trophique du sol de ces forêts de manière répétée dans le temps, afin de suivre la dynamique temporelle conjointe des comportements aérien et souterrain en lien avec les changements globaux en cours. Ceci permettrait de mieux comprendre les liens de causalité en jeu.

Ce travail de recherche pose également des questions concernant l’importance relative pour la nutrition des organismes du sol de différentes sources d’aliments fournis à la base du réseau trophique par les plantes. Parmi celles-ci, on compte les litières, qui constituent l’apport dominant de matière végétale sous forme de feuilles, racines et tiges mortes nécessitant une décomposition pour s’en nourrir. On compte aussi les racines vivantes, qui peuvent être consommées directement par les herbivores ou les pathogènes mais apportent aussi au sol des matières organiques fraîches sous forme soluble directement accessible pour les organismes du sol par un phénomène appelé « rhizodéposition ».

Le projet SoilForEUROPE (ANR-16-EBI3-0009) est soutenu par l’Agence nationale de la recherche (ANR), qui finance en France la recherche sur projets. L’ANR a pour mission de soutenir et de promouvoir le développement de recherches fondamentales et finalisées dans toutes les disciplines, et de renforcer le dialogue entre science et société. Pour en savoir plus, consultez le site de l’ANR.

Ludovic Henneron a reçu des financements de l'ANR (Appel à projets générique 2024, projet Jeunes Chercheuses et Jeunes Chercheurs) pour le projet PLASTRAIT (Plasticité de la qualité des litières foliaires d'arbres : conséquences pour le recyclage de l'azote du sol et les interactions plantes-plantes).

Paul Kardol a reçu des financements de BiodivERsA COFUND call for research proposals, with the national funders Agence Nationale de la Recherche (ANR, France), the Belgian Science Policy Office (BELSPO, Belgium), Deutsche Forschungsgemeinschaft (DFG, Germany), the Research Foundation Flanders (FWO, Belgium), the Swedish Research Council (FORMAS, Sweden).

Stephan Hattenschwiler a reçu des financements de BiodivERsA COFUND call for research proposals, with the national funders Agence Nationale de la Recherche (ANR, France), the Belgian Science Policy Office (BELSPO, Belgium), Deutsche Forschungsgemeinschaft (DFG, Germany), the Research Foundation Flanders (FWO, Belgium), the Swedish Research Council (FORMAS, Sweden) et du programme exploratoire français (France 2030) FairCarboN (ANR-22-PEXF-0001).

David Wardle ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Depuis la médiatisation de ChatGPT, les annonces se sont multipliées concernant l’intelligence artificielle, chaque géant du numérique développant sa solution. En apparence, il s’agit d’une concurrence féroce entre des groupes rivaux. La réalité pourrait être bien plus nuancée. Les concurrents ne cherchent peut-être pas tant à dominer les autres qu’à devenir des briques indispensables aux succès de leurs concurrents.

De prime abord, la concurrence dans l’intelligence artificielle (IA) générative ressemble à une bataille économique classique : Google contre Meta, Meta contre Anthropic, OpenAI contre Google… Cette approche succincte a l’avantage de la simplicité, mais elle a également le défaut de masquer ce qui fait la singularité de ce secteur.

La concurrence sur ce marché ne prend pas seulement la forme d’une confrontation directe et la course à l’innovation. Elle passe aussi par la capacité à rendre les adversaires dépendants de soi.

Cœur de la concurrence

Pendant des années, du moins au cours de l’émergence de l’IA et des premières années de sa croissance, le cœur de la concurrence dans ce secteur a semblé évident. Sur ce marché – pour s’imposer – il fallait disposer du meilleur assistant IA, soit un programme informatique conçu pour comprendre les demandes humaines, les traiter et leur répondre, de manière plus ou moins naturelle. Mais cette lecture devient moins suffisante aujourd’hui.

Le Stanford AI Index 2025 indique que près de 90 % des modèles dits « courants » d’assistants IA de 2024 proviennent du secteur privé, contre 60 % en 2023, tandis que le milieu universitaire reste la principale source de recherche. Et surtout que les écarts de performance entre les meilleurs modèles se resserrent de manière progressive : l’écart entre le premier et le dixième est tombé de 11,9 % à 5,4 % en un an, tandis que les deux premiers ne sont plus séparés que par 0,7 point.

Autrement dit, lorsque les modèles deviennent techniquement plus proches, la seule supériorité du modèle devient moins discriminante. Dès lors, l’avantage concurrentiel tend à se déplacer : il va moins au seul producteur du modèle qu’à celui qui contrôle les actifs complémentaires (Adner, 2017, Teece, 1986).

À lire aussi : Derrière l’IA, un écosystème insoupçonné… dont l’Europe est (pour l’heure) trop absente

La stratégie judicieuse de Microsoft

C’est ce qui rend dans cet esprit la stratégie de Microsoft particulièrement judicieuse. Avec Azure, Microsoft ne propose pas seulement ses propres offres ou celles d’OpenAI, la plateforme met également à disposition des usagers les modèles d’Anthropic, de Cohere, de DeepSeek, de HuggingFace, de Mistral, de Meta ou de Nvidia. L’enjeu stratégique paraît clair : Microsoft peut gagner même si le modèle qui s’impose n’est pas exclusivement le sien. Son pouvoir tiendrait alors moins à la supériorité d’un modèle particulier qu’à sa position d’intermédiaire.

Amazon suit une logique comparable avec Amazon Bedrock, qui permet d’accéder aux modèles proposés par Anthropic, DeepSeek, Meta, Mistral, OpenAI, Qwen, Stability AI et d’autres entreprises. Là encore, le succès de la stratégie ne provient pas seulement de la possession d’un modèle, mais également de l’organisation de l’accès à plusieurs modèles concurrents. Dans un tel système, un acteur peut monétiser la rivalité de ses propres adversaires, c’est-à-dire utiliser l’affrontement entre ses concurrents comme opportunité pour générer des revenus. Le marché devient dans cette veine moins un marché de produits qu’un marché de points d’entrée.

Cette logique n’est pas entièrement inédite. Elle prolonge un mécanisme déjà observé dans d’autres industries de plateforme : les app stores, les marketplaces ou les écosystèmes logiciels.

Ce qui semble toutefois plus spécifique à l’IA générative tient au fait que la concurrence ne porte pas seulement sur le contrôle de l’accès aux modèles concurrents, mais aussi sur la maîtrise des actifs complémentaires qui permettent de convertir leurs performances techniques en solutions utilisables par les clients : infrastructures cloud, puissances de calcul, semi-conducteurs spécialisés, canaux de distribution, données propriétaires, interfaces d’intégration et écosystèmes logiciels.

Devenir indispensable, même pour ses adversaires

Anthropic offre dans cette perspective un bon exemple de cette concurrence inédite. D’un côté, l’entreprise se mesure frontalement à OpenAI et à Google sur les modèles d’assistants d’IA. De l’autre, elle s’appuie sur plusieurs couches technologiques qui ne lui appartiennent pas entièrement. LeMaGit rapportait, le 22 novembre 2024, que l’entreprise utilise des AWS Trainium, des TPU conçus par Google et des GPU Nvidia (« puces » spécialisées pour l’intelligence artificielle, conçues pour entraîner et faire fonctionner des modèles plus rapidement que des processeurs classiques) afin de développer et mettre en œuvre Claude (un assistant d’IA, similaire à ChatGPT, créé par l’entreprise Anthropic).

Cette dépendance à des infrastructures externes s’est précisée en octobre 2025, lorsque Anthropic a annoncé l’extension de son usage des technologies Google Cloud, comprenant jusqu’à un million de TPU. Dans le même temps, Anthropic a annoncé officiellement avoir signé avec Google et Broadcom un nouvel accord portant sur la production de « plusieurs gigawatts » de capacité de calculs (TPU) de nouvelle génération à partir de 2027.

Être concurrent, ici, ne signifie donc pas s’émanciper des autres, s’éloigner d’eux ; cela laisse entendre, le plus souvent, l’apprentissage de la répartition de ses dépendances.

Oligopoles et interdépendance

La relation entre Microsoft et OpenAI illustre une autre variante de cette logique. Dans leur déclaration commune du 27 février 2026, les deux firmes soulignent que leur partenariat a été conçu pour leur laisser « de l’espace [afin de]… poursuivre de nouvelles opportunités de manière indépendante », tout en continuant de collaborer. Cette phrase résume bien la structure du secteur : l’indépendance proclamée n’abolit pas l’interdépendance ; elle s’y superpose. Nous sommes ainsi loin de la quête de l’indépendance sur les marchés oligopolistiques, comme le soulignait naguère l’économiste Alain Cotta.

Dans l’IA générative, nous ne sommes pas non plus dans une coopétition au sens de Brandenburger et Nalebuff (1996), mais dans une dynamique concurrentielle dans laquelle une firme cherche à accroître sa puissance non seulement en surpassant ses rivales, mais en devenant également indispensable à leur fonctionnement. Il ne s’agit donc pas uniquement de préserver son autonomie face aux rivaux, mais de construire des positions telles que cette autonomie devient elle-même relative, parce que médiatisée par des actifs contrôlés par d’autres.

Demain n’est pas un autre jour

La dynamique concurrentielle relative à l’IA se distingue par un autre trait : elle est de plus en plus un affrontement de « préemption » (Ian McMillan, 1983). Les acteurs ne se battent pas seulement pour vendre aujourd’hui ; ils préparent déjà les conditions de leur puissance de demain.

Le quotidien économique belge l’Écho a révélé, il y a quelques jours, que Broadcom a signé avec Google un accord de long terme pour co-développer et fournir ses puces IA jusqu’en 2031. Quelques jours plus tard, Reuters indiquait que Meta avait renforcé son partenariat avec CoreWeave par un nouvel accord de 21 milliards de dollars (plus de 18 milliards d’euros), venant s’ajouter à un précédent contrat de 14,2 milliards (soit 12,2 milliards d’euros), le tout courant jusqu’en décembre 2032. L’enjeu est loin d’être anecdotique ; ces accords donnent accès à de la capacité cloud future et, pour Meta, aux futures « puces » Vera-Rubin de Nvidia via CoreWeave.

Nous saisissons alors, à partir de ces exemples, pourquoi la concurrence dans l’IA générative ne ressemble pas vraiment à une guerre de marché classique. Dans beaucoup de secteurs, la victoire reposerait sur l’évincement, temporaire ou définitif, du rival. Ici, elle consiste souvent à devenir l’infrastructure, l’intermédiaire ou le fournisseur dont l’adversaire ne peut pas aisément se passer. Le pouvoir se déplace, dans cette perspective, vers le contrôle des « points de passage » : l’accès aux utilisateurs, la capacité de calcul, l’hébergement, les plateformes d’intégration, les « puces ».

Et les régulateurs ?

Cette structure de marché explique parallèlement pourquoi les autorités de concurrence regardent désormais au-delà des seuls modèles économiques de chaque entreprise. Le 24 mars 2026, Reuters rapportait que Teresa Ribera, commissaire européenne à la concurrence, élargissait sa vigilance à l’ensemble de la « pile » IA : les modèles économiques proprement dits, les données d’entraînement (informations utilisées pour apprendre à un modèle de machine learning à faire des prédictions, à reconnaître des schémas ou à générer du contenu) et l’infrastructure cloud.

Ce déplacement du regard est somme toute logique. Si le pouvoir de marché réside désormais dans les dépendances organisées, il ne suffit plus alors de se contenter d’observer qui produit le meilleur assistant IA. Il faut nécessairement regarder qui contrôle les points de passage incontournables du secteur. La bonne question ne consiste peut-être plus à identifier celui qui gagnera à terme la course à l’IA. La question la plus juste serait : qui réussira à se rendre indispensable aux autres ?

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

C’est un des paradoxes de notre époque. Satellites, avions, drones et intelligences artificielles nous permettent de cartographier le monde avec une précision inédite. Pourtant, de nombreuses cartes d’un même endroit montrent des réalités différentes. Comment l’expliquer, et comment faire pour ne pas tomber dans du « map-washing » où chacun prendrait la carte qui l’arrange ?

Jamais nous n’avons autant cartographié la planète. Portés par l’essor des capteurs, des plateformes de calcul et de l’intelligence artificielle, nous disposons aujourd’hui d’une abondance de données qui modifie en profondeur notre manière d’observer la Terre.

Cette révolution s’appuie sur un outil central : la télédétection, qui consiste à observer la surface terrestre à distance grâce à des images acquises par des satellites, des avions ou des drones. Là où la cartographie était autrefois lente et localisée, il est désormais possible de suivre des territoires à l’échelle régionale voire mondiale à un rythme inédit.

Une révolution au service des grands enjeux environnementaux

Cette capacité à observer la Terre répond notamment à des enjeux environnementaux majeurs, largement inscrits dans les Objectifs de développement durable (ODD) des Nations unies, tels que la lutte contre le changement climatique, la préservation de la biodiversité ou la gestion durable des terres.

Disposer de cartes précises est essentiel pour suivre les changements, orienter les politiques publiques et renforcer la transparence des chaînes d’approvisionnement agricoles. Cette dynamique est aujourd’hui portée par une multiplication d’acteurs produisant et mobilisant des cartes : institutions publiques, organisations internationales, chercheurs, organisations non gouvernementales, mais aussi entreprises privées développant leurs propres services de suivi satellitaire.

Cette diversité s’inscrit notamment dans des dispositifs de régulation comme le règlement européen contre la déforestation et la dégradation des forêts, qui impose aux entreprises de démontrer que certaines matières premières ne contribuent pas à la déforestation. Sa mise en œuvre repose largement sur l’usage de cartes mobilisées à différentes étapes des chaînes d’approvisionnement.

Le cas des palmiers à huile : trop de cartes, pas assez de clarté

Dans ce contexte, le cas des plantations de palmier à huile en Indonésie est au centre des préoccupations liées à la conversion des forêts tropicales en monocultures agricoles. Premier producteur mondial depuis 2007, le pays fait face à des défis tels que la fragmentation des habitats, la diminution de la biodiversité et la dégradation des stocks de carbone forestier. L’expansion des plantations s’accompagne également de tensions socioéconomiques, notamment autour des droits fonciers des populations autochtones.

De nombreux produits cartographiques ont ainsi été développés afin de localiser les plantations et d’en suivre l’évolution, en mobilisant des données et des méthodes variées. Cette diversité offre une pluralité de regards sur un même objet d’étude, constituant une richesse scientifique.

Cependant, elle s’accompagne de résultats parfois difficilement comparables. Ainsi quatre cartes de plantations de palmiers à huile sur l’île de Sumatra ont donné quatre mesures différentes de l’étendue de ces plantations, avec une différence de parfois presque 2 millions d’hectares, soit plus que la superficie de la Bretagne.

Tableau comparatif des quatre cartes de plantations de palmiers à huile sur l’île de Sumatra

Par exemple, la précision des images utilisées ou la période d’observation peuvent varier, influençant les surfaces estimées. Des divergences dans la définition de ce que l’on cartographie peuvent également générer des résultats différents. Dans le cas des plantations de palmier à huile, une question apparemment simple se révèle en réalité complexe : qu’inclut-on exactement ?

Selon les approches, il peut s’agir uniquement de plantations industrielles ou bien comprendre également de petites exploitations paysannes. À cela s’ajoute la question de la temporalité : une plantation mature, immature ou une parcelle en transition ne seront pas toujours représentées de la même manière.

Pour les utilisateurs finaux (décideurs publics, ONG ou acteurs privés) cette diversité de méthodes et de définitions peut alors devenir difficile à interpréter. Face à cette profusion, on peut s’interroger : quelle information utiliser ? Et comment comparer des résultats fondés sur des hypothèses différentes ? En multipliant les représentations d’un même phénomène, l’information se complexifie, en particulier lorsque les incertitudes sont peu visibles.

Trop de cartes : comment y voir plus clair ?

Face à cette multiplication de cartes, plusieurs pistes émergent pour améliorer leur usage et leur comparabilité. L’enjeu n’est plus seulement de produire davantage d’informations, mais d’en renforcer la robustesse et la lisibilité.

La fusion d’information apparaît comme une approche clé. Plutôt que de considérer chaque carte comme une vérité indépendante, il est possible de les combiner, à la manière de plusieurs points de vue sur un même phénomène, afin d’obtenir une vision plus stable. C’est l’approche que nous proposons dans le cadre du projet ANR PALMEXPAND (ANR-20-CE03-0004), mené par une équipe interdisciplinaire (CNRS, Cirad, Inrae). Cette approche s’appuie sur la théorie de Dempster-Shafer, qui permet de croiser plusieurs sources en tenant compte de leurs accords, de leurs désaccords et de leurs incertitudes.

Appliquée à Sumatra, cette méthode améliore la précision des résultats tout en rendant visibles les zones de divergence entre les données. Elle met par exemple en évidence des zones agricoles où des cocotiers sont confondus avec des palmiers à huile, tandis que les grandes plantations industrielles sont mieux identifiées et font davantage consensus entre les différentes sources.

Par ailleurs, notre méthode fournit une information plus nuancée. Cette approche représente mieux l’incertitude, souvent invisible mais essentielle pour comprendre les limites des données et éviter une lecture trop déterministe. Plutôt que des cartes binaires (présence ou absence de plantations de palmiers à huile), il devient possible de proposer des représentations graduelles indiquant différents niveaux de confiance. Un seuil de confiance élevé se traduira par des surfaces détectées moins importantes mais avec une forte certitude, tandis qu’un seuil plus faible inclura davantage de zones, au prix d’une incertitude plus importante.

Les utilisateurs peuvent alors adapter ce seuil selon leurs besoins et produire des cartes cohérentes avec leurs objectifs, tout en restant conscients des marges d’incertitude. Par exemple, dans le cadre du suivi des plantations de palmiers à huile, une ONG pourra se concentrer sur les zones où le niveau de confiance est le plus élevé pour documenter des plantations de palmiers à huile effectivement présentes, tandis qu’une administration pourra intégrer des zones plus incertaines pour identifier des zones susceptibles d’être prochainement converties et orienter les contrôles sur le terrain.

De la révolution cartographique au « map-washing »

Réunir ainsi différents acteurs et la société civile pour produire des cartes plus lisibles est une façon de lutter contre ce que certains chercheurs ont appelé le « map-washing », soit un processus de diffusion d’informations spatiales ayant peu de valeur pour les utilisateurs, mais contribuant à construire ou orienter un récit particulier.

Si le chercheur en sciences sociales Rory Padfield et ses collègues ont conceptualisé cette dérive pour analyser des outils cartographiques servant à promouvoir une image de transparence environnementale dans l’industrie de l’huile de palme, cette notion peut être élargie à des situations où la multiplication de cartes et de données finit par complexifier leur interprétation et leur usage.

Le problème n’est pas seulement que les cartes puissent tromper : c’est aussi qu’elles deviennent difficiles à utiliser. Cette situation ouvre la voie à une forme d’instrumentalisation plus diffuse, non par manipulation directe des données, mais par sélection opportuniste de la carte la plus adaptée à un objectif donné.

Ainsi, le map-washing ne relève pas uniquement d’une stratégie délibérée de communication : il peut aussi émerger d’un excès d’information mal articulée.

Produire toujours plus de cartes ne garantit pas une meilleure connaissance. L’enjeu central devient alors de passer d’une logique de production à une logique d’usage : mieux définir les objets cartographiés, rendre visibles les incertitudes et développer des outils capables d’articuler différentes sources d’information.

Carl Bethuel a reçu des financements de la Région Bretagne et de l'Agence Nationale de la recherche à travers le projet ANR Palmexpand (ANR-20-CE03-0004)