Il y a trois ans, David Cahn, associé chez Sequoia Capital, posait ce qui allait devenir « la question des 200 milliards de dollars de l’IA », l’écart entre ce que l’industrie dépensait pour les GPU Nvidia et ce qu’elle devait récupérer. Aujourd’hui, cette question a grandi d’un ordre de grandeur, et la réponse n’est pas plus claire.
L’analyse actualisée de Cahn estime les dépenses d’infrastructure IA en 2026 à 1,5 billion de dollars américains (environ 1 200 milliards de livres sterling). Pour rentabiliser cet investissement, l’industrie doit générer 3 billions de dollars de revenus, et Cahn prévient que ce chiffre est probablement sous-estimé, compte tenu de la hausse des coûts de mémoire et des dépenses croissantes pour les puces d’inférence spécialisées.
« Récemment, le revenu requis par GW de CapEx a fortement augmenté en raison de ces dynamiques de goulot d’étranglement et de la hausse des coûts de construction », écrit Cahn.
L’écart de revenus
Les revenus actuels de l’industrie de l’IA racontent une histoire contrastée. Anthropic a atteint environ 60 milliards de dollars de revenus annualisés. OpenAI a déclaré 13 milliards de dollars de revenus pour 2025 et revendiquait un rythme annualisé de 20 milliards de dollars en novembre 2025.
Mais face à un objectif de 3 billions de dollars, même ces chiffres impressionnants ne représentent qu’une fraction de ce qui est nécessaire. Les hyperscalers, Google, Meta, Microsoft et Amazon, projettent tous un retour sur investissement massif d’ici 2028, ayant collectivement accéléré leurs dépenses d’infrastructure bien au-delà de leurs constructions cloud traditionnelles. Les dépenses d’investissement combinées des Big Four devraient atteindre 725 milliards de dollars en 2026, soit une augmentation de 77 % par rapport à 2025, dont environ les trois quarts directement liés à l’infrastructure IA.
Risques pour le scénario de retour sur investissement
Trois risques structurels compliquent la voie de l’industrie vers l’équilibre :
1. Commoditisation. Des modèles ouverts moins chers, dont beaucoup développés en Chine, gagnent en adoption au détriment des modèles propriétaires de pointe. Cela comprime le pouvoir de fixation des prix des acteurs établis.
2. Baisse des prix des tokens. Sam Altman a noté que le dernier modèle d’OpenAI est 54 % plus efficace en tokens pour les tâches de codage que son prédécesseur. L’efficacité est bonne pour les utilisateurs, mais elle réduit les revenus par requête à moins que le volume total de tokens ne croisse proportionnellement, une dynamique qui a déjà suscité un débat sur la question de savoir si les entreprises d’IA sont en train de concurrencer leurs propres tarifs antérieurs.
3. Risque systémique de marché. Torsten Slok, économiste en chef chez Apollo Global Management, a averti que la concentration des investissements IA dans une poignée de noms d’hyperscalers crée un risque de point de défaillance unique pour l’ensemble du marché. « Avec autant de choses qui reposent sur si peu de noms, un remboursement plus lent ne serait pas seulement un problème sectoriel, il risquerait de faire basculer l’économie dans la récession et le S&P 500 dans une correction », écrit Slok.
Échos de l’ère dot-com
Les parallèles avec le développement des télécoms de la fin des années 1990 sont difficiles à ignorer. Pendant le boom dot-com, les opérateurs télécoms ont posé plus de 130 millions de kilomètres de câbles en fibre optique sur la base de prévisions de demande gonflées, dont une grande partie n’a jamais été allumée. Aujourd’hui, le cycle d’infrastructure IA de plus de 600 milliards de dollars suit un scénario similaire, construire une capacité énorme pour une demande qui ne s’est pas encore matérialisée sous une forme approchant l’échelle de l’investissement.
Il existe des différences. Le Nasdaq-100 se négocie à environ 28 fois les bénéfices prévisionnels aujourd’hui, contre 89 fois au pic de 1999. Et les hyperscalers qui génèrent ces dépenses sont de véritables entreprises rentables, pas des startups spéculatives. Mais une bulle d’infrastructure physique est plus difficile à dégonfler qu’une bulle boursière. Le matériel se déprécie, et les GPU Nvidia de nouvelle génération accéléreront l’obsolescence des accélérateurs actuels, aggravant les pertes si les revenus ne rattrapent pas leur retard.
La question sans réponse
L’industrie de l’IA ne se dirige pas nécessairement vers un crash. Mais la question centrale que Cahn a posée il y a trois ans reste sans réponse : qui va payer tout cela ? Jusqu’à ce que le côté revenus de l’équation rattrape les dépenses d’investissement, l’écart est un risque qui grandit à chaque nouveau centre de données et cluster GPU que les hyperscalers mettent en service.
Sources : Can AI answer the $3 trillion question? (TechCrunch, 9 juillet 2026) ; The $600 Billion Question (iDX Insights) ; AI’s $600B Question (Sequoia Capital)
Traduit par Lydie