La chaîne d’IA dont une seule liaison a prouvé son efficacité économique

Le dernier trimestre de Nvidia ressemblait à quelque chose sorti d’un modèle bon marché, que personne n’avait encore remis en question. Les revenus…96,2 milliardsLes marges brutes étaient de 75 %. L’entreprise a généré 54 milliards de dollars de bénéfices nets en un seul trimestre – plus que beaucoup d’entreprises du S&P 500 en toute une année. Jensen Huang a déclaré que la demande était « à pleine vitesse », et a prévu des bénéfices de 108 milliards de dollars pour le prochain trimestre.

Ce chiffre – 96 milliards de dollars en un trimestre – constitue l’élément central d’une économie entière. Il forme une chaîne : des budgets informatiques des entreprises, aux fournisseurs de modèles d’IA, aux plateformes cloud, et jusqu’au processeur qui permettrait tout cela. L’article qui a mené à cette recherche se demandait si les tokens bon marché, les processeurs coûteux et le manque de bénéfices liés à l’IA racontent une histoire différente à la fin de cette chaîne.

Oui, c’est le cas. Ce n’est pas parce que la demande diminue que les choses changent. La demande n’est pas le problème. Le problème, c’est que l’argent que Nvidia reçoit au début de la chaîne d’approvisionnement est tiré des entreprises qui, pour l’instant, ne peuvent pas prouver qu’elles peuvent récupérer cet argent.

C’est le mécanisme en question. Il s’agit d’un principe économique issu de l’année 1865. William Stanley Jevons a constaté que, lorsque le charbon devient moins cher et plus efficace à utiliser, les gens n’utilisent pas moins de charbon. Au contraire, ils en utilisent beaucoup plus. Les économies obtenues par unité de charbon sont annulées par la croissance du volume de charbon utilisé.

C’est exactement ce qui se passe avec les tokens d’IA : des unités de puissance informatique que les entreprises achètent auprès d’OpenAI, Anthropic, Google et d’autres pour exécuter des modèles d’IA. Le coût total des tokens d’IALe prix a diminué de 67 % annuellement entre les premiers trimestres de 2025 et 2026, passant de 18,40 dollars à 6,07 dollars par million de tokens.On dirait que le problème a été résolu. Un calcul plus économique signifie une intelligence artificielle moins coûteuse.

À l’exception des dépenses totales en IA.Elle a plus que triplé au cours de la même période, passant de 11,5 milliards de dollars à 37 milliards de dollars.Et le budget moyen pour l’IA dans les entreprisesElle est en hausse de 65 %, passant d’environ 7 millions de dollars à 11,6 millions de dollars cette année.

Le paradoxe de Jevons ne se soucie pas des économies d’unité. Si un ressource utile est suffisamment bon marché, la consommation peut augmenter considérablement. Les entreprises ont découvert que les agents IA – et non les chatbots, mais plutôt des workflows autonomes qui effectuent des recherches, des raisonnements, des tentatives de correction et des corrections automatiques – consomment de 5 à 30 fois plus de tokens par tâche que les outils conversationnels sur lesquels reposaient les budgets initiaux. Un agent qui effectue 10 cycles de correction peut consommer 50 fois plus de tokens qu’une seule demande simple. Les pipelines de recherche injectent du contexte, ce qui rend les requêtes moyennes 4 à 6 fois plus coûteuses qu’une question directe.

Aucune de ces informations n’apparaît dans le budget par utilisateur. Le vieux modèle de tarification – abonnements mensuels fixes – ne s’applique plus, car les tokens d’API remplacent les abonnements, et les agents remplacent les chatbots.

Le résultat est un environnement budgétaire oùUber a dépensé l’intégralité de sa allocation d’IA pour 2026 en quatre mois, tout cet argent étant consacré au projet Claude Code d’Anthropic, destiné aux travaux de développement.Le président et le directeur général d’Uber ont déclaré que le lien entre une consommation accrue de tokens et des améliorations mesurables pour les clients n’était pas encore établi. Starbucks a abandonné son système d’inventaire automatisé après moins de neuf mois, car il entravait les opérations quotidiennes. Amazon et Meta ont également dû supprimer les classements internes basés sur l’IA, car les ingénieurs avaient transformé ces systèmes en outils servant à effectuer des tâches inutiles.

Seulement 29 % des dirigeants sont capables de mesurer avec confiance les bénéfices financiers de l’IA. 56 % des PDG déclarent ne pas enregistrer de bénéfice financier net grâce à l’IA. Gartner prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici 2027 – principalement en raison des coûts excessifs et des retours incertains.

Les entreprises ne sont pas stupides. Le problème, c’est que les modèles économiques de pilote ne permettent pas de prévoir les coûts de production. Et le décalage entre « cela fonctionne dans un cadre de démonstration » et « cela se justifie à grande échelle » est maintenant mesuré en mois de budgets épuisés.

Maintenant, suivez l’argent vers le haut. Les entreprises paient aux fournisseurs de modèles. Les fournisseurs de modèles et les plateformes cloud paient pour les puces, les centres de données et les équipements de réseau. Nvidia se trouve au point de blocage de cette chaîne de valeur.

Les quatre plus grands hyperscalers – Amazon, Microsoft, Alphabet et Meta – sont déterminés à…En 2026, les dépenses en investissements de capital ont atteint environ 700 milliards de dollars, soit une augmentation de 77 % par rapport au record de 410 milliards de dollars l’an dernier.Seule Amazon guide vers…200 milliards.Microsoft, Google et Meta dépensent chacune entre 115 et 190 milliards de dollars.

On peut voir comment cela affecte les flux de trésorerie dans les états financiers. Le flux de trésorerie gratuit sur la dernière année pour Amazon est maintenant négatif de 11,6 milliards de dollars. Une entreprise qui avait généré près de 40 milliards de dollars de flux de trésorerie gratuit l’an dernier, dépense aujourd’hui plus d’argent en infrastructures que ce qu’elle reçoit en revenus. Le flux de trésorerie gratuit d’Alphabet a diminué de 20 % par rapport à l’année précédente, pour atteindre 53 milliards de dollars. Celui de Meta a chuté de 23 %, pour atteindre 38,5 milliards de dollars. Celui de Microsoft a diminué de 6 %, pour atteindre 67 milliards de dollars.

En 2025, Alphabet a quadruplé son dette à long terme à 46,5 milliards de dollars. L’année dernière, l’entreprise a également effectué une vente de obligations d’une valeur de 25 milliards de dollars. Amazon a indiqué qu’elle pourrait lever des fonds en capital-actions et en dettes, au fur et à mesure que les projets se poursuivent. Les entreprises possèdent encore plus de 420 milliards de dollars en réserves de liquidités, ce qui permet de limiter les risques immédiats. Mais le problème est la différence entre les flux de trésorerie et les dépenses liées aux infrastructures. Pour la première fois, ces entreprises dépensent leurs ressources de trésorerie sur des projets d’infrastructure.Un horizon de remboursement de 18 à 36 mois.

Ce qu’ils achètent, c’est ce que Nvidia vend. La croissance des revenus de Nvidia sur les douze derniers mois est de 83 %. Son rendement sur le capital investi est de 87 %. Le taux de marge du flux de trésorerie libre est de 47 %. L’entreprise a généré 127 milliards de dollars de flux de trésorerie libre au cours de l’année dernière, et sa valeur boursière s’élève à 5 000 milliards de dollars.

Le modèle de commerce de Nvidia dans cette période est structuralement simple : vendre le matériel une fois, avec un bénéfice de 75 %, tout en disposant d’un écosystème logiciel CUDA qui permet de sécuriser la base d’installations et de générer des coûts de transition. Les hyperscalers prennent le risque de dépréciation du matériel. Les entreprises prennent le risque d’utilisation du matériel. Nvidia ne prend aucun de ces risques.

Jusqu’à ce que la question de l’utilisation soit résolue d’une manière ou d’une autre.

Il y a une raison pour laquelle cela est important dans la manière dont on considère cet investissement. Cela concerne ce qui se passera ensuite dans le cycle.

Les entreprises de infrastructure ont déjà réussi la phase de construction. Les bénéfices de Nvidia en témoignent. La question n’est pas de savoir si l’IA va se développer – les dépenses prouvent bien cela. La question est plutôt de savoir si ces hyperscalers, qui dépensent 700 milliards de dollars cette année, sont prêts à le faire pour l’ensemble des années 2030. Les 5 billions de dollars prévus pour cette période peuvent être justifiés par les bénéfices que les entreprises peuvent réellement obtenir.

Si le paradoxe de Jevons continue à faire augmenter la consommation plus rapidement que les contrôles budgétaires peuvent l’arrêter, les hyperscalers auront besoin d’une infrastructure encore plus importante pour répondre à la demande. Et Nvidia continue de vendre des puces. C’est là l’argument favorable ; c’est ce que décrit Huang lorsqu’il parle d’une “époque dorée” avec de nouveaux laboratoires, des modèles ouverts et une intelligence artificielle physique qui entrent en service.

Mais l’autre voie est également visible dans les données. Si les entreprises commencent à prouver que leurs dépenses en IA ne sont pas justifiées – et 56 % des dirigeants d’entreprise le disent déjà – alors la discipline budgétaire s’intensifiera. Les équipes FinOps, qui gèrent actuellement les dépenses en IA (98 % des organisations, contre seulement 31 % il y a deux ans), feront en sorte que les tâches informatiques soient exécutées par des modèles moins coûteux, imposeront des quotas et limiteront l’utilisation des ressources. Près de la moitié des grandes entreprises dépensent désormais la plupart de leurs ressources informatiques pour les opérations d’inférence, contre moins de un tiers il y a un an. C’est là que la pression financière devient plus importante.

Lorsque les budgets se resserrent, les hyperprestataires se retrouvent avec une capacité inutilisée. Une capacité inutilisée signifie une utilisation moindre des GPU, ce qui signifie que le rendement sur ces 700 milliards de dollars en matière de puces est inférieur à ce qui avait été prévu. Les entreprises ayant des bilans solides peuvent supporter cela. Amazon peut donc avoir un flux de trésorerie négatif pendant un an. Mais si les revenus ne se développent pas, les coûts d’amortissement seul suffiront à peser sur les marges pendant des années.

Et si la croissance des hyperscalers ralentit, l’entreprise qui se trouve en tête de la chaîne, avec une capitalisation boursière de 5 billions de dollars, sera également confrontée à des difficultés. Le ratio P/E prévisionnel de Nvidia est de 56 – le marché anticipe des années de croissance continue à deux chiffres. Le ratio P/E récent, de 26, semble peu rentable, car les bénéfices de l’année dernière étaient inférieurs de 83 % par rapport aux précédentes années.

La question n’est pas de savoir si Nvidia reste importante. La question est plutôt de savoir si le profil de retour d’une action ayant une capitalisation boursière de 5 billions de dollars justifie encore la détention de cette action, alors que les conditions économiques à long terme se révèlent plus fragiles que ce que le succès des produits chipset indiquent.

La manière la plus simple de penser à cela est de considérer cela comme une transition cyclique. Nous avons passé d’une phase où un ou deux laboratoires étaient responsables de la création de demande, et où les aspects économiques étaient simples, à une phase où des centaines d’entreprises achètent des tokens. Les agents détruisent ces tokens en quantités inimaginables, et les calculs liés au retour sur investissement sont encore en cours d’élaboration.

Dans cette transition, le vendeur de puces est la seule entité qui a réussi à obtenir des bénéfices économiques. Tout ce qui se passe en aval – les entreprises qui reçoivent des factures mensuelles à six chiffres, et les grands opérateurs qui investissent des centaines de milliards de dollars dans leurs centres de données – repose sur la conviction que les retours économiques seront réalisés.

Le paradoxe de Jevons indique que la consommation va augmenter. L’épuisement des ressources budgétaires indique que les fonds ne suffiront pas. C’est l’écart entre ces deux forces qui constitue le véritable risque d’investissement actuellement.