Infrastructure IA : Un potentiel qui reste à révèler

Il y a quelques semaines, le succès de Muse, le nouvel agent d’IA personnel de Meta, a redonné de l’élan au segment des semi-conducteurs, en ravivant les attentes autour de la demande de puissance de calcul que pourrait générer l’essor de l’IA agentique.

Quelques jours plus tôt pourtant, plusieurs chercheurs notamment d’Anthropic évoquaient la nécessité de ralentir le développement de modèles d’IA toujours plus puissants.

Ce contraste illustre bien le bruit auquel les investisseurs sont confrontés. Plutôt que de réagir à chaque nouvelle, nous préférons revenir à l’essentiel : qu’est-ce qui pourrait réellement freiner la dynamique du hardware, ces semi-conducteurs, composants et infrastructures qui rendent l’IA possible, et que le marché pourrait-il encore sous-estimer ?

Selon nous, deux risques dominent aujourd’hui le débat.

Les appels récents de plusieurs chercheurs à ralentir la course aux modèles d’IA toujours plus puissants ont d’abord inquiété le secteur des semi-conducteurs. L’idée est assez intuitive : si les nouvelles générations de modèles se succèdent moins vite, les besoins liés à leur entraînement pourraient eux aussi ralentir.

Mais cette lecture nous paraît incomplète. D’abord, renforcer la sécurité des modèles pourrait nécessiter encore davantage de puissance de calcul. Pas l’inverse. Tester leur comportement, les surveiller, les comparer ou faire appel à d’autres systèmes d’IA pour les contrôler sont autant d’usages très consommateurs de ressources. Des règles plus strictes conduiraient également à avantager les acteurs les plus importants, mieux armés pour absorber les coûts liés aux tests, aux audits et à la conformité — précisément ceux qui ont été parmi les premiers à appeler à un ralentissement du développement des modèles les plus avancés.

Plus fondamentalement, un ralentissement de la course aux modèles les plus avancés ne signifie pas nécessairement un ralentissement de la demande de calcul. Il pourrait simplement en modifier la destination : moins de ressources consacrées à entraîner en permanence de nouveaux modèles, mais davantage pour déployer ceux qui existent déjà, multiplier les usages, faire tourner les agents et accompagner une adoption plus large de l’IA.

C’est probablement, à nos yeux, la question la plus importante.

Le cycle d’investissement a pris une ampleur exceptionnelle : les dépenses d’investissement des hyperscalers et des acteurs du cloud pourraient dépasser 1 200 milliards de dollars en 2027, contre moins de 200 milliards en 2023². Dans le même temps, les investisseurs deviennent plus exigeants : les flux de trésorerie disponibles sont sous pression, le coût du financement a augmenté et le marché attend désormais davantage de preuves que ces centaines de milliards de dollars investis pourront générer des rendements suffisants.

Le rythme actuel de croissance des investissements ne pourra évidemment pas durer indéfiniment. Mais il faut distinguer un ralentissement de leur croissance d’une véritable baisse des dépenses. Même en cas de forte décélération, les montants investis resteraient historiquement élevés et continueraient de soutenir fortement les entreprises qui fournissent les infrastructures nécessaires.

Nous sommes par ailleurs encore largement dans une phase d’investissement du cycle de l’IA : les infrastructures sont construites avant que tout le potentiel économique de l’IA ne se matérialise. Ce décalage rend les dépenses actuelles particulièrement lourdes au regard des revenus qu’elles génèrent aujourd’hui, mais elles pourraient précisément être nécessaires pour permettre la prochaine phase d’adoption.

La concurrence rend également un repli brutal des investissements peu probable. Investir moins peut protéger les flux de trésorerie à court terme, mais augmente aussi le risque de prendre du retard technologiquement. C’est ce qui crée une logique proche du « AI or die » : les hyperscalers deviendront probablement plus sélectifs dans leurs dépenses, mais le seuil à partir duquel ils réduiraient significativement leurs investissements reste élevé. À ce stade, le principal frein au cycle pourrait donc venir davantage des contraintes physiques de capacité que d’un manque de volonté d’investir.

Les risques sont bien réels, mais ils ne racontent qu’une partie de l’histoire. En parallèle, la demande de puissance de calcul évolue : elle ne dépend plus seulement de l’entraînement de modèles toujours plus puissants, mais aussi de leur déploiement et de la multiplication des usages.

La première phase de l’IA générative était relativement simple du point de vue du hardware : entraîner des modèles toujours plus puissants sur d’immenses clusters de GPU, puis les utiliser pour répondre aux requêtes des utilisateurs. L’IA agentique change cette logique, et Muse en est une bonne illustration.

Un agent ne se contente plus de générer une réponse. Il peut naviguer sur Internet, interagir avec différentes applications et exécuter une succession de tâches pour le compte de l’utilisateur, parfois pendant plusieurs minutes, voire plusieurs heures. Les GPU et accélérateurs d’IA continuent d’assurer l’essentiel des calculs liés à l’inférence, mais les CPU doivent gérer les systèmes d’exploitation, les navigateurs et potentiellement des centaines d’actions périphériques. À mesure que ces usages gagnent en complexité, les besoins augmentent également en mémoire, connectivité, stockage, alimentation électrique et refroidissement.

Autrement dit, l’IA agentique élargit considérablement les besoins en hardware. Muse n’en est encore qu’un premier exemple, mais il donne au marché quelque chose qu’il attendait : un cas d’usage grand public concret, susceptible de générer davantage d’inférence, sur des périodes plus longues et sur une gamme de composants beaucoup plus large.

Aujourd’hui, les contraintes d’offre ne concernent plus seulement les puces. Elles apparaissent à différents niveaux de la chaîne de valeur.

Les dernières publications de Nvidia l’illustrent bien. Le groupe anticipe une croissance de son chiffre d’affaires d’environ 70 % sur son prochain exercice, très au-dessus des attentes précédentes³. Mais si les prévisions de revenus peuvent être rapidement revues à la hausse, les capacités physiques de production, elles, ne peuvent pas s’adapter au même rythme. Construire de nouvelles usines prend du temps.

Et lorsqu’un goulot d’étranglement disparaît, un autre tend à apparaître. Davantage de GPU nécessitent davantage de mémoire ; davantage de mémoire suppose plus de capacités de packaging ; des clusters plus importants exigent des réseaux plus rapides ; et une densité accrue crée de nouveaux besoins en refroidissement et en alimentation électrique. Les contraintes se déplacent donc progressivement le long de la chaîne de valeur.

Un dernier point nous paraît encore sous-estimé. Le marché s’interroge beaucoup sur la capacité des hyperscalers à générer, à terme, suffisamment de revenus liés à l’IA pour justifier les centaines de milliards de dollars qu’ils investissent aujourd’hui.

Pour de nombreuses entreprises du hardware, l’équation est plus directe : leurs clients dépensent déjà aujourd’hui. Les commandes se transforment en chiffre d’affaires, puis en bénéfices et, pour les sociétés que nous privilégions, en flux de trésorerie disponible. Associée aux goulets d’étranglement et aux délais de production parfois longs, cette dynamique peut offrir à certains acteurs du hardware une meilleure visibilité sur leurs résultats que celle dont disposent les entreprises qui financent elles-mêmes le déploiement de l’IA.

La valorisation reste tout aussi importante. Malgré la forte hausse des semi-conducteurs, nous trouvons encore des opportunités où la croissance attendue des flux de trésorerie disponible reste attractive au regard des multiples payés. Une situation qui contraste avec certains hyperscalers, dont l’intensité capitalistique augmente au moment même où les investisseurs deviennent plus exigeants sur le calendrier et la rentabilité future de leurs revenus liés à l’IA.

Tout cela ne signifie évidemment pas qu’il faille acheter le hardware sans discernement. Les attentes sont élevées, le risque de rupture technologique reste permanent et les capacités de production finiront par rattraper la demande. Dans ce contexte, la qualité des entreprises et le prix payé deviennent déterminants.

Mais notre conclusion reste la même. Les deux principaux risques qui pèsent aujourd’hui sur le hardware lié à l’IA sont bien réels : le développement des modèles les plus avancés pourrait ralentir et la croissance des investissements des hyperscalers finira par se normaliser. Pour autant, aucun de ces scénarios n’implique nécessairement une chute de la demande de puissance de calcul.
Au contraire, la prochaine phase de l’IA pourrait élargir cette demande : davantage d’usages, davantage de composants sollicités et davantage de segments de la chaîne de valeur concernés. Pour le hardware, nous pensons donc que l’histoire est encore loin d’être terminée.