IBM s'évapore de 40 milliards, Block licencie la moitié et le cours augmente : à l'ère de l'IA, quels actifs méritent une tokenisation ?

Le 23 février 2026, un lundi qui aurait dû être calme, le cours d’IBM a connu la pire chute en une journée depuis octobre 2000. À la clôture, la baisse s’est fixée à 13,2 %, près de 40 milliards de dollars de capitalisation boursière ayant disparu en quelques heures. La cause n’était ni un mauvais rapport financier ni une régulation sévère, mais une annonce produit : la nouvelle société d’IA Anthropic a annoncé que son outil Claude Code pouvait moderniser les programmes COBOL fonctionnant sur les systèmes IBM, alors que COBOL est précisément le “rempart” lucratif d’IBM.

Trois jours plus tard, une histoire similaire se déroulait de manière totalement opposée. Le 26 février, Block, la société fintech de Jack Dorsey, annonçait un licenciement d’environ 4000 employés, soit près de 50 %, sous prétexte d’améliorer l’efficacité grâce à l’IA. Mais la réaction du marché fut tout autre — le cours de Block a brièvement bondi de plus de 24 % après la clôture. Dans une lettre aux actionnaires, Dorsey a confessé : « Je suis convaincu que dans l’année à venir, la majorité des entreprises en arriveront à la même conclusion et procéderont à des ajustements structurels similaires. »

Ces deux événements, motivés par la même force — l’IA — ont provoqué des réactions de marché diamétralement opposées : une chute brutale et une hausse spectaculaire. Que s’est-il réellement passé ? La réponse pourrait pointer vers une problématique plus profonde : l’IA est en train de redéfinir “ce qui constitue un actif de valeur”. Pour les dirigeants de sociétés cotées, les investisseurs et les décideurs d’entreprises traditionnelles, comprendre cette logique de réévaluation n’est plus une simple stratégie prospective, mais une question de survie.

1. La même IA, des jugements de marché différents

Pour comprendre ces contrastes, il faut d’abord examiner leur structure d’actifs respectives.

La chute d’IBM, en apparence liée à la menace technologique de l’outil Claude Code, reflète en réalité une nouvelle évaluation du modèle d’actifs principal de l’entreprise. COBOL, langage de programmation apparu à la fin des années 1950, supporte encore aujourd’hui environ 95 % des transactions ATM mondiales et de nombreux systèmes clés dans la finance, l’aéronautique ou le secteur public. Anthropic écrit sur son blog : “Des milliers de milliards de lignes de COBOL tournent chaque jour en production, alimentant des systèmes critiques. Pourtant, le nombre de spécialistes COBOL diminue chaque année.”

Depuis longtemps, la modernisation des systèmes COBOL est une tâche complexe et coûteuse, constituant le rempart lucratif d’IBM. Mais Anthropic affirme : “Grâce à l’IA, les équipes peuvent moderniser leur code COBOL en quelques saisons, sans dépenser des années.” La sous-entendue du marché est claire : les revenus d’IBM issus de la maintenance humaine et des services autour des mainframes, sont en train d’être érodés par la technologie IA.

Fait intéressant, le lendemain, le cours d’IBM rebondit de 2,68 %. Des analystes comme Wedbush et Evercore ISI interviennent rapidement pour défendre la société, qualifiant cette chute de “réaction excessive sans fondement”. Leur argument central : il est impossible pour une entreprise cliente de simplement traduire du code hérité pour abandonner ses systèmes mainframe. La modernisation via traduction syntaxique ne peut pas combler le fossé avec l’intégration profonde hardware-logiciel.

IBM a également publié une réponse le même jour, soulignant que le vrai défi de la modernisation ne concerne pas COBOL, mais la plateforme IBM Z — la traduction de code ne capte pas la complexité réelle, car la valeur de cette plateforme repose sur des décennies d’intégration hardware-software, impossible à transférer par traduction de code.

Quant à l’événement Block, il s’agit également d’un grand licenciement, également motivé par l’IA, mais le marché a réagi par une hausse de 24 %. La différence réside dans la structure d’actifs de Block, qui évolue. Depuis 2024, la société restructure son modèle d’affaires et ses effectifs, tout en investissant massivement dans des outils IA, notamment le développement de Goose, son propre outil.

Amrita Ahuja, la directrice financière de Block, explique : “Nous prenons des mesures audacieuses et décisives, mais elles reposent sur une base solide.” Cette “base solide” est soutenue par des chiffres : en 2025, le bénéfice brut annuel s’élève à 10,36 milliards de dollars, en hausse de 17 %. La forte performance financière donne à l’entreprise une marge de manœuvre pour une restructuration à grande échelle.

Le marché interprète clairement : Block ne se replie pas passivement face à l’impact de l’IA, mais optimise activement sa structure d’actifs — en échangeant moins de “ressources humaines” contre une “productivité technologique” accrue. La réduction de moitié des effectifs, tout en relevant ses prévisions annuelles, indique que la valeur par employé est amplifiée par l’IA.

2. À l’ère de l’IA, quatre types d’actifs sont en train d’être réévalués

Ces deux cas illustrent une tendance en cours : l’IA devient un “réévaluateur” de la valeur des actifs. Selon leur nature, ces actifs présentent des courbes de valeur radicalement différentes sous l’angle de l’IA.

La première catégorie concerne les actifs à forte intensité de capital humain. La valeur des équipes de maintenance COBOL, des analystes traditionnels ou des programmeurs “d’opérations de traitement de l’information” est en train d’être diluée par l’IA. Anthropic mentionne que Claude Code peut repérer “des risques que des analystes humains mettraient des mois à détecter”. Il ne s’agit pas de dire que l’humain devient obsolète, mais que les tâches reposant sur l’asymétrie d’information et la connaissance procédurale voient leur valeur comprimée par la technologie.

Cependant, il faut distinguer deux choses : l’IA remplace l’“information processing”, pas la “création de valeur”. Mitch Ashley, analyste chez Futurum Group, souligne dans un rapport que la réussite d’un projet de modernisation COBOL repose sur plusieurs dimensions — délimitation du périmètre métier, évaluation technique, planification de la migration des données, vérification de l’équivalence comportementale, observabilité et gestion du changement organisationnel. La traduction de code n’est qu’une étape. La capacité à maîtriser des systèmes complexes, à comprendre l’essence métier et à faire des choix stratégiques reste rare.

La deuxième catégorie concerne les actifs de données, qui deviennent des “gisements de valeur” à l’ère de l’IA. Avec le développement rapide de l’IA générative, la valeur des données est en train d’être redéfinie. Selon une étude publiée dans PLOS One par Tang et ses collègues, l’IA générative modifie la façon dont les données sont acquises, traitées et exploitées. La valeur d’un actif de données dépend non seulement de sa qualité intrinsèque et de sa pertinence, mais aussi de son contexte d’utilisation dans l’écosystème de l’IA générative, de sa capacité de transformation et de la demande du marché.

Cela signifie que l’unicité, la continuité et la gouvernabilité des données deviennent des dimensions clés de la valeur. Un jeu de données peut être extrêmement précieux dans un contexte, mais inutile dans un autre. Les entreprises capables de fournir des données exclusives, continues et de haute qualité pour l’entraînement des modèles IA détiennent un avantage en termes de valorisation.

La troisième catégorie concerne les actifs d’algorithmes et de modèles. La collaboration entre OpenAI et Paradigm pour lancer EVMbench, un outil d’évaluation de la capacité de l’IA à détecter, réparer et exploiter les vulnérabilités des contrats intelligents, montre que les algorithmes deviennent des actifs quantifiables. Les poids de modèles, les frameworks, les méthodologies d’entraînement deviennent des actifs immatériels identifiables, contrôlables et monétisables.

Enfin, les actifs tangibles traditionnels subissent une segmentation. Ceux qui dépendent de “l’asymétrie d’information” ou de “l’intermédiation humaine” sont sous pression de dévaluation, tandis que ceux qui possèdent une “résistance à l’IA” — comme les infrastructures énergétiques, les ressources rares ou les infrastructures critiques — voient leur valeur relativement stable. La raison est simple : l’IA peut analyser et optimiser leur fonctionnement, mais ne peut pas remplacer leur existence physique ou leur capacité à porter de la valeur.

3. De “la réévaluation des actifs” à “l’immunité à l’IA”

Sur la base de cette analyse, les entreprises ont besoin d’un cadre systématique pour juger si leurs actifs prennent de la valeur ou se déprécient à l’ère de l’IA. L’Institut RWA propose un cadre d’identification des “actifs immunisés à l’IA”, reposant sur trois caractéristiques clés.

La première est l’“impossibilité d’être codé”. Cela concerne les éléments de valeur difficiles à apprendre ou à reproduire par l’IA. Le code COBOL peut être traduit par l’IA, mais la capacité de la plateforme IBM Z — la puissance transactionnelle à partir de puces, le chiffrement quantique, la fiabilité à huit neuf — ne peut pas être reproduite par l’IA. Selon Futurum Group, “la traduction de code ne capture pas la complexité réelle, la valeur de la plateforme repose sur des décennies d’intégration hardware-software”. De même, le contrôle des scénarios offline, la connaissance sectorielle implicite ou les réseaux relationnels complexes, difficiles à “encoder”, constituent la première barrière immunitaire.

La deuxième caractéristique est la “barrière de protection des données”. La question est : l’entreprise possède-t-elle des données exclusives, continues et gouvernables ? Utilise-t-elle uniquement des données publiques ou peut-elle générer des données inaccessibles à d’autres ? La Banque CITIC explore déjà l’évaluation de la valeur des actifs de données via de grands modèles, en tentant d’inscrire ces actifs dans un registre. La logique est que, à l’ère de l’IA, les données ne sont plus seulement des matières premières, mais aussi des actifs en soi. Cependant, toutes les données ne disposent pas d’une barrière protectrice : les données publiques en ligne seront rapidement “digérées” par l’IA, alors que celles issues de sources exclusives confèrent un avantage en valorisation.

La troisième caractéristique concerne la “résilience à l’IA”. La question est : l’actif peut-il être renforcé par l’IA plutôt qu’être remplacé ? C’est la clé pour différencier l’impact d’IBM de celui de Block. La maintenance des systèmes COBOL hérités d’IBM est une cible d’automatisation ; en revanche, le modèle d’affaires de Block — paiements, services financiers — peut être “boosté” par l’IA. IBM a d’ailleurs développé Watsonx Code Assistant for Z, un outil permettant aux clients de restructurer et moderniser leurs codes hérités en toute sécurité, tout en conservant la sécurité d’entreprise. Lorsqu’un actif peut collaborer avec l’IA plutôt que d’en être victime, sa valeur augmente.

Inversement, les actifs vulnérables à l’IA présentent trois caractéristiques : dépendance à “l’information processing” comme valeur centrale, possibilité d’être standardisés ou remplacés par des processus, absence de capacité à générer ou accumuler des données. En se basant sur ces critères, les entreprises peuvent réaliser un “test de résistance” de leur portefeuille d’actifs.

4. Nouvelles opportunités RWA : quels actifs méritent d’être tokenisés ?

En appliquant ce cadre au domaine de la tokenisation des actifs du monde réel (RWA), une conclusion claire émerge : la RWA ne consiste pas à “mettre tout sur la blockchain”, mais à sélectionner, dans la vague de réévaluation de l’IA, les actifs physiques capables de traverser le cycle IA.

En mars 2026, la valeur totale des RWA sur la blockchain dépasse 25 milliards de dollars, soit près de quintupler par rapport à l’année précédente. Cependant, le White Paper de l’Association de normalisation Web3.0 de Hong Kong, publié en août 2025, souligne que “l’idée que tout peut devenir RWA est une fausse promesse”. La réussite à grande échelle nécessite la stabilité de la valeur, une clarté juridique et la vérifiabilité des données hors chaîne.

En intégrant le cadre “immunisé à l’IA”, on peut préciser que les actifs à tokeniser sont d’abord ceux dont la valeur reste stable dans la réévaluation IA.

La première catégorie concerne les actifs physiques “immunisés à l’IA”, comme l’énergie, les infrastructures ou les ressources rares. Leur valeur ne dépend pas du traitement de l’information, mais de leur existence physique et de leur utilité réelle. La White Paper mentionne notamment les actifs d’énergie renouvelable (bornes de recharge, panneaux solaires), ainsi que les actifs de puissance de calcul comme les GPU, qui, grâce à la demande “rigide” de l’industrie IA et à leur “génome numérique” fiable, deviennent des actifs RWA idéaux.

La deuxième catégorie concerne les actifs de données programmables. Ceux qui disposent de sources de données exclusives et peuvent être monétisés automatiquement via des contrats intelligents, combinant “barrière de données” et “résilience à l’IA”. La White Paper classe les données, la propriété intellectuelle ou les crédits carbone comme des actifs immatériels. Mais attention : toutes les données ne peuvent pas devenir des actifs — seules celles qui peuvent être générées en continu, déployées avec une preuve de propriété et vérifiées, ont une base pour la tokenisation.

La troisième catégorie concerne les actifs hybrides, combinant le “contrôle physique non codé” et les “droits numériques programmables”. Par exemple, la propriété d’un bien immobilier commercial peut être tokenisée, mais la gestion opérationnelle, la maintenance ou la location — ces aspects hors ligne — restent sous contrôle d’acteurs spécialisés. Cette double structure “physique + numérique” exploite la liquidité de la blockchain tout en conservant un “ancrage” de valeur hors ligne immunisé à l’IA.

Inversement, deux types d’actifs doivent être abordés avec prudence dans l’ère de l’IA : ceux dépendant fortement de l’intermédiation humaine ou de “l’asymétrie d’information”, et ceux sans barrière de données, qui manquent de pouvoir de négociation dans le cadre de l’évaluation IA.

5. Recommandations : de la compréhension à la décision

La chute de 40 milliards d’IBM est un signal d’une époque — les actifs reposant sur l’asymétrie d’information et la main-d’œuvre surrévaluée sont en train d’être réévalués par l’IA. La hausse inattendue de Block est un autre signal — les entreprises capables d’adopter l’IA et d’optimiser leur structure d’actifs bénéficient d’un nouveau “repricing” du marché.

Pour les dirigeants de sociétés cotées ou d’entreprises traditionnelles, il ne s’agit pas seulement d’une anxiété technologique, mais d’une reconstruction fondamentale de leur système de valeur. La question incontournable est : “Quelle est la valeur de mon portefeuille d’actifs aux yeux de l’IA ?”

Sur la base de cette analyse, trois recommandations concrètes peuvent être formulées :

1. Lancer immédiatement un “test de résistance à l’IA” sur les actifs. En utilisant le cadre “immunisé à l’IA” — impossibilité d’être codé, barrière de données, résilience à l’IA —, évaluer chaque unité d’activité clé. Identifier celles dont la valeur risque de s’éroder rapidement face à l’impact de l’IA, et celles qui pourraient en bénéficier.

2. Mettre en place un mécanisme de gestion dynamique du portefeuille d’actifs. Dans un contexte de réévaluation par l’IA, la stratégie d’allocation ne doit plus être statique. Il faut consciemment augmenter la part des “actifs immunisés à l’IA” et prévoir des plans de transformation ou de cession pour ceux vulnérables. Cela nécessite une collaboration entre stratégie, technologie et opérationnel.

3. Réexaminer la stratégie RWA. Avant de tokeniser, il faut d’abord filtrer les actifs sous-jacents selon le cadre “immunisé à l’IA”. La valeur fondamentale de la RWA ne réside pas dans la “mise en chaîne” elle-même, mais dans la capacité à améliorer la liquidité et la valorisation par la tokenisation. Si l’actif sous-jacent se dévalue dans l’ère de l’IA, la tokenisation ne ferait qu’accélérer la perte de valeur.

Enfin, il est important de rappeler qu’en Chine, selon le document 42 publié par huit départements, toute émission ou transaction de tokens est strictement interdite sur le territoire continental. La discussion sur la tokenisation des RWA dans cet article concerne uniquement la pratique numérique conforme à la réglementation hors Chine. Les entreprises doivent respecter strictement la ligne rouge “interdiction intérieure, enregistrement extérieur”.

Lorsque l’IA commence à fixer les prix des actifs, la seule sécurité réside dans ce que l’IA ne peut pas évaluer : ce n’est ni le code, ni les données, mais la capacité humaine à juger la valeur elle-même.

(Article rédigé à partir de sources publiques et de données, incluant Nasdaq, Tencent News, Futurum Group, PLOS One, 21 Finance, Business Times, etc. Les opinions exprimées ne constituent pas des conseils d’investissement.)