Dans l’économie classique, plus une entreprise est proche du client final, plus elle est rentable. Mais dans l’intelligence artificielle (IA), c’est l’inverse qui prime. Et ce déséquilibre pourrait bien fragiliser tout l’édifice.
Centres de données, puces, réseaux électriques… Les géants de la tech s’apprêtent à dépenser plus de 650 milliards de dollars en 2026 pour bâtir l’infrastructure de l’intelligence artificielle. Une somme colossale portée par la conviction que l’IA va bouleverser l’économie mondiale.
Mais cette croissance repose-t-elle vraiment sur une demande solide des utilisateurs, ou sur l’argent des investisseurs eux-mêmes ? Torsten Slok, économiste en chef et associé chez Apollo, l’un des plus grands gestionnaires d’actifs au monde, dresse un constat préoccupant.
Les investisseurs financent eux-mêmes l’écosystème
Dans un billet de blog, il a ainsi décomposé la chaîne de valeur de l’IA en quatre maillons : les fabricants de puces et d’équipements, l’énergie et les réseaux électriques, le cloud et la puissance de calcul, puis les modèles et applications qui arrivent jusqu’à l’utilisateur final.
En analysant les données financières d’entreprises comme NVIDIA, Microsoft, Amazon ou Anthropic, il a ensuite calculé la marge opérationnelle de chacun de ces maillons. Résultat, les fabricants de puces affichent une marge de 41 %, la plus élevée de la chaîne. À l’autre bout, les créateurs de modèles et d’applications, eux, perdent de l’argent, avec une marge de -59 %.
Concrètement, cela signifie que NVIDIA dégage des profits confortables en vendant ses puces, pendant qu’OpenAI ou Anthropic, malgré des revenus en forte croissance, continuent de creuser leurs pertes. Car les profits générés en amont ne viennent pas de la demande des utilisateurs finaux, mais des capitaux levés par les entreprises situées en aval, celles qui perdent de l’argent. Ce sont les investisseurs qui financent, pour l’instant, la rentabilité du haut de la chaîne.
Oracle, le cas d’école
Ce mécanisme peut fonctionner un temps, mais pas éternellement, prévient Torsten Slok. Tant que les investisseurs continuent d’apporter des capitaux, la partie la plus rentable de la chaîne reste protégée. Mais si ce financement venait à ralentir, tout serait alors fragilisé.
Et des signaux de tension apparaissent déjà. Selon la Banque des règlements internationaux (BIS), les cinq plus grands hyperscalers ont émis 121 milliards de dollars de dette en 2025, soit quatre fois plus que leur moyenne annuelle sur les cinq années précédentes. Une manière de continuer à financer des investissements qui dépassent désormais leurs revenus et leur trésorerie disponible.
Le cas d’Oracle est certainement le plus probant. L’entreprise affiche un flux de trésorerie négatif de 23,7 milliards de dollars, une dette de près de 130 milliards et 260 milliards d’engagements de location pour des infrastructures IA qui ne sont pas encore construites. Tout repose sur un contrat de 300 milliards de dollars signé avec OpenAI : si celle-ci parvient à honorer cet engagement, le pari sera gagnant. Dans le cas contraire, c’est toute la solidité financière de l'entreprise qui vacille.
Pour l’heure, il est difficile de savoir si les usages concrets de l’IA généreront assez de revenus pour justifier des investissements aussi massifs. Et tant que la réponse n’est pas connue, l’équilibre reste, par nature, extrêmement précaire.
La chaîne de valeur décrit les étapes successives nécessaires pour produire et livrer un service d’IA, depuis le matériel jusqu’aux usages. La découper en maillons permet d’identifier où se créent les coûts (capex et opex) et où se capturent les revenus, au lieu de tout mélanger sous l’étiquette « IA ». Dans ce schéma, les fabricants de puces et d’équipements vendent des produits indispensables à tous les acteurs, ce qui leur donne un fort pouvoir de fixation des prix. À l’inverse, les éditeurs de modèles et d’applications sont plus exposés à la concurrence, aux coûts d’inférence et au besoin de prouver une demande récurrente. Cette lecture aide à comprendre pourquoi la rentabilité peut se concentrer en amont, même si l’innovation visible se situe souvent côté applications.
La marge opérationnelle correspond au ratio entre le résultat d’exploitation et le chiffre d’affaires, donc la rentabilité de l’activité courante avant éléments financiers et fiscaux. Elle dépend fortement de la structure de coûts : produire des puces haut de gamme peut générer des revenus élevés par unité, avec une demande tirée par tout l’écosystème. À l’inverse, entraîner et surtout exploiter des modèles d’IA implique des dépenses continues (GPU, énergie, datacenters, bande passante, équipes), qui augmentent avec l’usage. Les entreprises de modèles peuvent aussi subventionner leurs prix pour gagner des parts de marché, ce qui pèse mécaniquement sur la marge. Enfin, une marge négative ne signifie pas absence de revenus, mais que les coûts d’exploitation croissent plus vite que le chiffre d’affaires.
Quand une entreprise d’IA déficitaire lève des fonds, elle utilise une partie de cet argent pour acheter des GPU, louer du cloud et payer l’électricité nécessaire au calcul. Ces dépenses deviennent du chiffre d’affaires pour les fournisseurs en amont, qui peuvent afficher des marges élevées si leur offre est rare ou différenciante. Autrement dit, l’argent injecté dans les acteurs en aval se transforme en commandes pour l’infrastructure, même si la demande des utilisateurs finaux n’a pas encore validé un modèle économique durable. Ce mécanisme peut fonctionner tant que le financement reste abondant et que les dépenses d’infrastructure continuent. S’il se grippe (ralentissement des levées, baisse des dépenses), les acteurs dépendants d’une croissance “financée” peuvent voir leurs revenus et leur rythme d’investissement se tasser.
Participer à la discussion
Partagez votre avis avec la communauté Clubic.