L'IA générera-t-elle des rendements à la hauteur des investissements engagés ?

information fournie par TRIBUNE LIBRE •03/09/2026 à 09:04

Par Jack Janasiewicz, Gérant de portefeuille, Natixis IM Solutions

Depuis deux ans, le débat autour de l'IA se concentre sur une question : les investissements massifs consacrés aux infrastructures pourront-ils générer des rendements suffisants pour être rentabilisés ? La question reste entière, mais les données récentes laissent entrevoir une évolution du débat. Il s'agit désormais moins de savoir si l'IA peut être monétisée que de mesurer l'ampleur de cette monétisation.

• La monétisation s'accélère : les revenus liés à l'IA progressent dans l'ensemble de l'écosystème. Nvidia continue d'afficher une croissance exceptionnelle, les carnets de commandes des hyperscalers se remplissent et les laboratoires à l'origine des modèles d'IA les plus avancés enregistrent une forte hausse de leurs revenus.
• La demande reste supérieure à l'offre : l'adoption de l'IA par les entreprises se généralise, les taux d'utilisation restent élevés et les capacités de calcul constituent toujours le principal frein à la croissance, bien davantage qu'un éventuel manque de demande.
• •La rentabilité est le prochain défi : les dépenses d'investissement restent considérables et les marges demeurent sous surveillance. Mais l'accélération des revenus laisse penser que l'écart entre les capitaux engagés et les rendements générés commence peut-être enfin à se resserrer.

Les dernières publications de résultats et données opérationnelles confirment une tendance perceptible depuis le début de l'année : les usages progressent, les revenus accélèrent et l'adoption commerciale se généralise. Le scepticisme entourant l'ampleur des dépenses consacrées à l'IA reste légitime, mais les signes indiquant qu'une partie des infrastructures aujourd'hui déployées commence à produire des retombées économiques mesurables se multiplient. Une question reste néanmoins en suspens : cette dynamique peut-elle s'accélérer suffisamment pour permettre d'envisager une génération durable de flux de trésorerie et une rentabilité pérenne ?

L'accélération des revenus ne fait guère de doute. Les revenus générés par les modèles d'IA les plus avancés continuent d'augmenter. La demande est bien là. La croissance des revenus se heurte désormais davantage à la disponibilité des capacités de calcul qu'à un manque d'intérêt de la part des clients. La puissance de calcul est devenue le véritable facteur limitant.

Les agents de programmation, les solutions d'IA destinées aux entreprises et les applications s'appuyant sur ces modèles constituent désormais de véritables activités commerciales. Nous ne sommes plus au stade des expérimentations menées en coulisses. Les marges s'améliorent également. Elles restent peut-être en deçà des attentes des investisseurs, mais la tendance est positive. L'efficacité progresse et la croissance des revenus est tangible.

La rentabilité doit néanmoins encore monter en puissance. Les investisseurs doivent accepter que l'écosystème de l'IA se développe à un rythme très soutenu alors même que ses perspectives de revenus et de rentabilité à long terme ne sont pas encore pleinement établies. Cette situation est, par nature, source d'inconfort.

Les entreprises à la pointe de l'IA commencent-elles pour autant à rentabiliser leurs investissements ? Peut-être. Selon certaines estimations, les capacités d'inférence [1] des modèles les plus avancés pourraient progresser beaucoup plus rapidement que les coûts de location des GPU, tandis que les marges s'améliorent progressivement. Pour certains modèles de pointe à forte valeur ajoutée, les revenus tirés de l'inférence pourraient ainsi commencer à justifier les dépenses engagées dans les infrastructures.

La demande et les taux d'utilisation restent robustes. Anthropic a indiqué que l'utilisation de ses services demeurait soutenue. Son principal problème concerne les capacités de calcul, avec des interruptions de service provoquées par une demande trop importante. OpenAI continue pour sa part d'accroître fortement ses engagements en matière de puissance de calcul afin d'accompagner sa croissance. SpaceX/xAI a également pu pratiquer des tarifs élevés, les clients étant aujourd'hui prêts à payer davantage pour accéder à des capacités particulièrement recherchées. Nvidia propose de son côté des garanties d'utilisation et différents mécanismes de soutien afin de favoriser le déploiement de nouvelles capacités.

La demande n'est donc pas le problème. Ce sont les capacités disponibles qui font défaut.

L'une des principales inquiétudes tenait jusqu'ici au risque de voir les dépenses d'investissement progresser plus rapidement que la rentabilité. Or, dans le même temps, les revenus continuent d'augmenter régulièrement. Les charges de travail liées à l'inférence et au codage assisté par l'IA pourraient effectivement générer des rendements suffisants pour justifier ces investissements. Les marges évoluent dans le bon sens et les premiers signes de levier opérationnel commencent à apparaître.

Tout cela se produit alors même que les coûts d'inférence restent élevés et que les marges demeurent inférieures aux objectifs de long terme. Les progrès sont encore modestes, mais ils sont bien réels.

À la lumière des dernières publications de résultats des hyperscalers, nous assistons peut-être à une évolution du sentiment des investisseurs. Désormais, chaque dollar supplémentaire investi dans l'IA doit avant tout prouver sa capacité à générer un retour sur investissement, plutôt que servir à financer une promesse encore lointaine et incertaine.

Le cloud, l'inférence et la distribution offrent une certaine visibilité. Les modèles les plus avancés restent, eux, beaucoup plus difficiles à évaluer. Certains investisseurs chercheront à miser sur la prochaine rupture technologique. D'autres préféreront financer les capacités de calcul indispensables au fonctionnement de l'ensemble de l'écosystème.

Les investissements dans les infrastructures offrent une visibilité nettement supérieure tout en conservant un potentiel de rendement élevé. Les modèles de pointe peuvent offrir des perspectives de rendement comparables, voire supérieures, mais au prix d'une incertitude beaucoup plus forte.

Les hyperscalers détiennent en quelque sorte les clés des véhicules qui empruntent l'autoroute de l'IA. Les laboratoires développant les modèles les plus avancés sont, eux, les Ferrari et les Lamborghini lancées à pleine vitesse sur les autoroutes allemandes. Ces bolides doivent sans cesse conserver une longueur d'avance, car cette course pourrait, à terme, ne couronner qu'un seul vainqueur. Pour l'heure, la pole position semble changer de mains toutes les deux semaines.

Peut-être le marché cherchera-t-il donc de moins en moins à déterminer quelle voiture acheter, et davantage à identifier les acteurs capables de transformer leurs capacités en rendements économiques significatifs.

Les hyperscalers sont peut-être les mieux placés pour y parvenir, en transformant progressivement l'intelligence en une commodité. Mais cela suppose, au bout du compte, que les besoins en puissance de calcul, en inférence, en intégration et en distribution continuent de croître. Autrement dit, de plus en plus de conducteurs voudront emprunter cette autoroute.

Quant aux laboratoires à la pointe de l'IA, nos Ferrari et Lamborghini, leur succès dépendra de la volonté des utilisateurs de payer davantage pour bénéficier de performances supérieures, et du maintien d'un écart suffisamment important avec les BMW et Audi qui les suivent.

Au final, les revenus accélèrent. Le codage assisté par l'IA est désormais une réalité. L'IA en entreprise trouve ses usages. Et les taux d'utilisation restent élevés. Le principal obstacle réside dans les capacités de calcul, non dans la demande.

Peu à peu, les arguments en faveur d'une justification économique des investissements massifs consacrés aux infrastructures d'IA se renforcent. Certes, la génération de flux de trésorerie disponible reste un enjeu. La rentabilité doit encore faire ses preuves. Les coûts d'inférence demeurent élevés. Et les dépenses d'investissement continuent d'augmenter à un rythme soutenu.

Mais l'écart entre les sommes investies dans l'IA et les rendements économiques qu'elles génèrent commence peut-être enfin à se réduire.
________________________________________
[1] Phase au cours de laquelle un modèle d'IA déjà entraîné utilise de nouvelles données ou requêtes pour générer une réponse, une prédiction ou un contenu.