Le 12 septembre, Dario Amodei, patron d’Anthropic, a appelé l’industrie de l’intelligence artificielle à ralentir le développement de nouveaux modèles. Pour les investisseurs, une question se pose immédiatement: faut-il y voir le premier signal d’un retournement du cycle d’investissement dans l’infrastructure IA? À mon sens, l’impact industriel serait moins important qu’il n’y paraît. Le risque se situe davantage dans les anticipations qui soutiennent aujourd’hui les valorisations.

Il faut d’abord distinguer deux usages de la puissance de calcul: l’entraînement des modèles d’une part et leur utilisation ou inférence d’autre part. Si l’entraînement mobilise énormément de calcul, mais de façon ponctuelle, l’inférence, elle, intervient à chaque requête: résumer un document, rédiger un e-mail ou répondre à une question. Si chaque requête demande moins de calcul, leur multiplication à l’échelle de milliards d’utilisations quotidiennes se traduit néanmoins par une consommation globale considérable.

Selon Deloitte, l’entraînement représentait deux tiers de la puissance de calcul consacrée à l’IA en 2023, contre un tiers attendu en 2026. Cette part devrait continuer à diminuer à mesure que les usages se diffusent. Un ralentissement du développement des modèles aurait donc, en première lecture, un effet limité sur la demande totale de calcul.

Toutefois, cela ne signifie pas pour autant que le progrès des modèles est devenu secondaire. Le principal frein à leur déploiement n’est pas seulement leur capacité à réussir une tâche simple, mais leur fiabilité sur des processus complexes comportant plusieurs étapes. Si un modèle a 95% de chances de réussir chacune des dix étapes d’un processus, la probabilité de réussite de l’ensemble tombe à environ 60%. C’est l’une des raisons pour lesquelles certaines applications restent difficiles à déployer à grande échelle. Des modèles plus fiables et plus précis peuvent donc débloquer de nouveaux usages, notamment dans les entreprises.

Freiner les progrès des modèles risque donc de ralentir précisément les deux facteurs susceptibles de compenser la baisse structurelle du prix du calcul. 

C’est aussi ce qui rend le ralentissement potentiellement ambivalent. Donner davantage de temps aux acteurs pour fiabiliser les modèles pourrait améliorer leur fiabilité sur des processus complexes et par conséquent accélérer certains déploiements en entreprise, mais si la complexité des modèles progresse moins vite, les investissements actuels dans l’infrastructure IA pourraient aussi se révéler fondés sur des hypothèses trop optimistes et avoir un impact non négligeable sur la rentabilité de ces investissements à court terme.

Le point essentiel est économique. Les revenus d’un centre de données dépendent de trois variables qui se multiplient: le nombre de tâches confiées à l’IA, la quantité de calcul nécessaire par tâche et le prix de ce calcul. Le troisième facteur diminue rapidement, sous l’effet des progrès des puces et des logiciels. Selon Epoch AI, le coût du calcul pourrait baisser d’un facteur cinq à dix par an et cette baisse obligerait alors les acteurs de l’infrastructure à augmenter fortement les volumes pour maintenir la croissance de leurs revenus.

Les deux autres facteurs sont, eux, étroitement liés aux capacités des modèles. Le calcul nécessaire par tâche peut augmenter lorsque les modèles «réfléchissent» davantage ou exécutent des missions plus longues, et le nombre de tâches augmente lorsque de nouveaux usages deviennent économiquement et techniquement possibles. Un assistant véritablement autonome, par exemple, pourrait transformer le volume de calcul consommé par une entreprise bien davantage qu’une simple amélioration de la qualité des réponses.

Freiner les progrès des modèles risque donc de ralentir précisément les deux facteurs susceptibles de compenser la baisse structurelle du prix du calcul. La diffusion des usages déjà matures continuerait mais pourrait ne pas suffire à atteindre les niveaux de croissance intégrés dans les valorisations actuelles.

L’impact ne serait toutefois pas uniforme sur la chaîne de valeur. Les développeurs de modèles bénéficient directement d’un calcul moins cher: leurs coûts d’entraînement diminuent ainsi que le prix des token qu’ils revendent et leurs marges peuvent s’améliorer. Leur vulnérabilité réside plutôt dans la pression sur les prix. À mesure que les modèles ouverts rattrapent les modèles de pointe, l’écart de capacités et donc la prime que les clients acceptent de payer se réduit. Un modèle de pointe d’il y a dix-huit mois peut rapidement devenir presque gratuit.

Cette pression sur les prix se répercute directement sur les fournisseurs d’infrastructure: fabricants de puces, loueurs de capacité, producteurs d’électricité et acteurs des réseaux vendent du calcul qui doivent ainsi compenser la baisse du prix unitaire par une hausse des volumes. Ce sont eux qui portent l’essentiel des 630 à 690 milliards de dollars d’investissements évoqués pour cette année, fondé sur l’hypothèse que les volumes progresseront plus vite que les prix ne baisseront.

À court terme, les budgets 2026 déjà engagés par contrat sont relativement protégés. Le véritable enjeu concerne 2027 et 2028, dont les enveloppes dépendent davantage des anticipations de croissance du déploiement de l’IA. Si celles-ci commencent à être révisées, l’effet sur les marchés pourrait être immédiat, baisse des prévisions de dépenses, révision des bénéfices attendus pour les fournisseurs et compression des multiples, alors même que la demande physique de calcul resterait élevée.

Le choc ne serait donc pas nécessairement négatif pour les géants du cloud car moins d’investissements pourrait aussi signifier davantage de trésorerie disponible mais les fournisseurs d’infrastructure, eux, seraient beaucoup plus vulnérables.

Un ralentissement de l’IA ne remettrait pas en cause l’utilité des datacenters. En revanche, il pourrait fragiliser les hypothèses de croissance sur lesquelles reposent les investissements actuels. Si les revenus tardent à suivre, le principal risque serait alors financier, avec un impact direct sur les valorisations.