Il y a trois ans, David Cahn, partenaire de Sequoia, a été l’un des premiers à faire le calcul et à chiffrer les implications des dépenses titanesques de la Silicon Valley en matière d’infrastructure d’IA.
En 2023, il réagissait au chiffre d’affaires annuel des GPU annoncé par Nvidia, qui s’élevait à 50 milliards de dollars. En partant de ce chiffre, et en y ajoutant les coûts implicites d’exploitation des centres de données et les marges de leurs opérateurs, il a déduit que 200 milliards de dollars de revenus seraient nécessaires pour rembourser l’investissement initial.
Il a pris cela comme un défi, demandant aux entrepreneurs de proposer des produits et services d’IA pour utiliser toute cette infrastructure et générer des revenus à partir de celle-ci. Avance rapide jusqu’à aujourd’hui, en additionnant trois années d’hyperscaling, et Cahn obtient un nouveau chiffre sur les dépenses en infrastructure d’IA pour 2026 : 1 500 milliards de dollars.
Au total, il calcule que l’industrie de l’IA devra gagner 3 000 milliards de dollars pour justifier toutes ces puces et autres dépenses liées aux centres de données. Et c’est probablement une sous-estimation : la hausse des coûts de la mémoire et l’utilisation croissante de puces exotiques ou spécifiques à l’inférence feront augmenter ce chiffre. « Récemment, écrit-il, les revenus requis par GW de CapEx ont fortement augmenté en raison de cette dynamique de goulot d’étranglement et de la hausse des coûts de construction. »
De l’autre côté du grand livre, Anthropic aurait atteint 60 milliards de dollars en ARR, tandis qu’OpenAI aurait gagné 13 milliards de dollars en 2025 (bien qu’en novembre 2025, il a déclaré qu’il était de 20 milliards de dollars en ARR) et en gagnera probablement plus cette année. Mais il y a clairement un écart important à combler.
Torsten Slok, économiste en chef chez Apollo, le géant de la gestion d’actifs, s’occupe de cette lacune. Dans une note récente, il souligne que les hyperscalers – Google, Meta, Microsoft et Amazon – prévoient tous une accélération massive de leur flux de trésorerie disponible en 2028. Autrement dit, ils s’attendent à voir le retour sur investissement de toutes les puces qu’ils ont achetées.
Et s’ils ne le font pas ? Slok note un risque que nous constatons actuellement dans l’utilisation de l’IA : de plus en plus d’organisations se tournent vers des modèles ouverts moins chers, souvent chinois, et non ceux construits par les laboratoires frontaliers, et les prix globaux des jetons baissent. Le dernier modèle d’OpenAI, selon le PDG Sam Altman, est 54 % plus efficace en termes de jetons pour les tâches de codage. C’est une bonne chose pour les utilisateurs qui s’inquiètent du coût de leurs agents d’IA, mais cela peut être mauvais pour les entreprises qui construisent des usines de jetons si les utilisateurs n’augmentent pas considérablement leur utilisation globale de jetons avec eux.
Slok craint que si les hyperscalers n’atteignent pas leurs objectifs de trésorerie, la réaction du marché pourrait être sévère —
« Avec autant de choses qui dépendent de si peu de noms », écrit-il, « un ralentissement des bénéfices 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. »
Juste quelque chose à garder à l’esprit lorsque vous orientez vos agents IA vers des jetons moins chers.
Lorsque vous achetez via des liens dans nos articles, nous pouvons gagner une petite commission. Cela n’affecte pas notre indépendance éditoriale.
