Bulle de l’IA : pourquoi Ken Griffin alerte les marchés
Ken Griffin voit une bulle dans l’IA, sans nier son potentiel. Découvrez les risques liés aux GPU, aux prix et aux dépenses avant d’investir.
Bulle de l'IA : pourquoi Ken Griffin s'inquiète sans appeler à tout vendre
L'intelligence artificielle change déjà des métiers et des outils. Mais ça ne veut pas dire que chaque investissement dans le secteur sera rentable, ni que les valorisations actuelles reflètent durablement la valeur créée. C'est exactement la tension que soulève Ken Griffin, fondateur de Citadel : selon lui, les marchés sont « presque certainement » en bulle autour de l'IA. Pour autant, il ne conseille pas de fuir le secteur. Quand une transformation économique démarre, il y a souvent des excès au passage - et certaines entreprises en sortent renforcées pendant des années.
Son point est moins une discussion sur l'utilité de l'IA que sur l'économie de son infrastructure. Les GPU coûtent cher, les centres de données exigent des investissements lourds, et les modèles "premium" peuvent être davantage sous pression si des alternatives moins coûteuses se généralisent. Si l'offre de calcul dépasse la demande solvable, les prix peuvent baisser vite - même si la technologie reste utile.
Cette distinction compte autant pour les entreprises européennes que pour les investisseurs particuliers. Voici comment lire le signal de Griffin, pourquoi sa comparaison avec les sièges d'avion aide à comprendre le mécanisme, et quels critères regarder avant de mettre de l'argent dans l'IA.
Bulle de l'IA : distinguer l'excès financier de la valeur technologique
Lors d'une conférence de Citadel à New York, le 20 octobre, Ken Griffin a estimé que les investisseurs sont « presque certainement » dans une bulle liée à l'intelligence artificielle. La formule peut surprendre, parce qu'il explique ensuite que les bulles accompagnent parfois des transformations majeures, et que les gagnants finissent parfois par devenir des leaders sur le long terme.
Il faut donc séparer deux questions qu'on mélange trop souvent : l'IA va-t-elle vraiment changer durablement certains usages ? Et les prix payés aujourd'hui pour les entreprises, les puces et les infrastructures correspondent-ils à des revenus futurs plausibles ? On peut répondre oui à la première sans que la seconde soit vraie.
Une bulle financière apparaît quand les prix des actifs montent beaucoup plus vite que la capacité des entreprises à générer des bénéfices ou des flux de trésorerie. Ça ne veut pas dire que la technologie derrière est inutile. L'éclatement de la bulle internet n'a pas "effacé" Internet : il a surtout détruit des entreprises et des investissements dont les modèles économiques ne tenaient pas.
Une technologie utile ne garantit pas une valorisation durable
Griffin prend justement l'exemple des années 2000. L'essor des télécommunications a conduit à poser plus de câbles en fibre optique que ce que la demande immédiate justifiait. Une fois l'infrastructure disponible, les prix de communication ont chuté. La fibre était utile ; les anticipations de rendement et certains montages financiers l'étaient moins.
L'idée se transpose à l'IA. Un modèle performant peut aider une équipe à produire plus vite ou mieux, sans que tous les fournisseurs - des modèles aux puces, en passant par les centres de données - captent durablement une part importante de cette valeur. La technologie peut avancer, pendant que les marges se compriment. Le client final peut gagner, mais l'actionnaire qui a payé trop cher une promesse peut perdre de l'argent.
C'est pour ça que parler de « bulle de l'IA » ne suffit pas pour conclure qu'il faut vendre tout de suite, ni pour arrêter tous les projets. Le bon réflexe, c'est de regarder la chaîne de valeur : qui paie, pour quel usage, à quelle fréquence, et quelle partie de la valeur revient réellement aux fournisseurs.
Le signal ne concerne pas que les valeurs "tech"
Le sujet dépasse les investisseurs spécialisés. Les grandes entreprises liées à l'IA pèsent sur les indices boursiers ; beaucoup de fonds indiciels et des portefeuilles retraite y sont donc exposés, même indirectement. En France, un épargnant qui détient un fonds diversifié peut avoir une portion de sociétés américaines du secteur sans acheter une action "IA" de manière explicite.
Ça ne rend pas ces placements mauvais par principe. Mais ça impose de comprendre ce qu'on détient réellement et d'éviter la fausse impression de diversification. Quand quelques valeurs contribuent fortement à un indice, leur correction peut se répercuter sur des produits qui, à première vue, semblent sans lien avec l'IA.
Pourquoi Ken Griffin compare les GPU aux sièges d'avion
Les GPU, autrement dit les processeurs graphiques, servent notamment à entraîner et exécuter des modèles d'IA. Leur fabrication et leur mise en service demandent du capital, de l'énergie et des installations spécialisées. En revanche, une fois le serveur prêt, le coût supplémentaire pour servir une requête de plus peut devenir relativement faible - tant que la capacité n'est pas saturée.
C'est cette structure de coûts que Griffin rapproche des sièges d'avion. Un vol part avec un nombre de places fixé. À l'approche du départ, une place invendue ne se "reportera" pas sur un autre vol : la compagnie a alors intérêt à réduire le prix pour remplir l'avion. Le coût de transporter un passager supplémentaire reste généralement faible, comparé à ce qui a déjà été engagé pour faire voler l'appareil.
Pour le calcul informatique, le mécanisme n'est pas identique, mais l'intuition se tient : quand de la capacité est disponible et reste inutilisée, l'opérateur cherche souvent des clients - parfois en baissant les tarifs. Si plusieurs acteurs ont investi en même temps et que la demande ne suit pas, la concurrence peut accélérer la baisse des prix.
Le risque de surcapacité
Les centres de données sont construits avant que tous les usages futurs soient clairement identifiés. Les entreprises achètent des puces, lancent des bâtiments, sécurisent l'électricité en anticipant une demande qui peut mettre du temps à arriver. Si l'anticipation est trop optimiste, le secteur se retrouve avec plus de capacité que de clients prêts à payer le prix espéré.
Griffin a ainsi remis en cause la capacité des puces de cinq ou six ans à continuer à générer, sur une période équivalente, des tarifs de location qu'il estime encore élevés. Derrière, il y a une question d'amortissement et de valeur résiduelle : combien de temps une génération de GPU reste-t-elle compétitive, et à quel niveau de prix peut-elle être louée une fois les nouvelles générations disponibles ?
Et surtout : connaître le prix d'achat d'un accélérateur ne suffit pas. Il faut estimer le taux d'utilisation, la consommation électrique, les coûts de refroidissement, la maintenance, et le tarif réellement obtenu auprès des clients. Un équipement utilisé 90 % du temps à un prix soutenable ne produit pas la même économie qu'un matériel souvent inactif.
La comparaison avec la fibre optique a ses limites
Une analogie aide à comprendre un mécanisme, mais elle ne "prévoit" pas l'avenir. La fibre optique, les GPU et les sièges d'avion ne sont pas interchangeables. La capacité de calcul peut être contrainte par l'accès à l'énergie, les réseaux, certains composants, ou des besoins spécifiques des modèles. Et une baisse du prix par unité de calcul peut aussi déclencher de nouveaux usages, ce qui soutient une partie de la demande.
L'élément à surveiller n'est donc pas seulement le nombre de puces produites. C'est l'écart entre la capacité installée, son taux d'utilisation, et les revenus générés par les services qui s'appuient dessus. Une infrastructure abondante peut être un problème pour son propriétaire ; elle peut aussi être un avantage pour les entreprises utilisatrices si elle rend le calcul plus accessible.
Le véritable test : les entreprises paieront-elles pour l'IA ?
Les annonces d'investissement donnent une idée de l'ampleur des attentes. Gartner évaluait les dépenses mondiales liées à l'IA à près de 1 500 milliards de dollars en 2025, en intégrant des postes très différents - des puces et serveurs jusqu'aux téléphones intégrant des fonctions d'IA. Dans le même temps, Jensen Huang, dirigeant de Nvidia, a décrit l'IA comme un chantier d'infrastructure encore largement à construire.
Mais ces montants ne sont pas des revenus "garantis" pour un fournisseur donné. Ils additionnent des catégories de dépenses et des acteurs très variés. Acheter du matériel ne se traduit pas automatiquement par une productivité mesurable. Une expérimentation n'est pas forcément un contrat récurrent. Le point décisif, c'est le passage du budget d'investissement à une valeur que le client peut vérifier.
Griffin dit observer des entreprises qui regardent leurs factures et cherchent où se trouvent les gains de productivité. La démarche est saine. Après une phase d'essais, les directions doivent trancher : quelles tâches justifient un modèle haut de gamme, lesquelles peuvent être couvertes par un modèle moins coûteux, et lesquelles n'ont tout simplement pas besoin d'IA.
Les modèles premium face aux alternatives moins chères
Les modèles d'OpenAI ou d'Anthropic peuvent convenir aux tâches où la qualité, la fiabilité ou la capacité à traiter des demandes complexes justifient un tarif plus élevé. Pour des opérations plus simples, des modèles open source - téléchargeables et exploitables sous certaines conditions - peuvent réduire la facture ou donner plus de contrôle sur le déploiement.
Le choix n'est pas qu'une comparaison de prix par requête. Une entreprise doit intégrer la qualité des réponses, le coût d'intégration, la sécurité, la maintenance, les exigences de conformité, et la capacité à changer de fournisseur. Un modèle moins cher peut demander plus de travail technique. À l'inverse, payer une solution premium pour une tâche élémentaire peut rogner la marge d'un produit.
En Europe, ces arbitrages doivent aussi tenir compte de la protection des données et du cadre applicable, notamment le RGPD. Il faut savoir quelles données sont envoyées, où elles sont traitées, combien de temps elles sont conservées et quelles clauses contractuelles encadrent l'usage. La facture de calcul n'est qu'une partie du coût total.
Mesurer le retour sur investissement plutôt que compter les démonstrations
Pour évaluer un cas d'usage, mieux vaut repartir d'un processus concret que d'une démonstration spectaculaire. Prenons un service client : l'IA peut aider à classer les demandes, proposer des réponses, ou retrouver des informations. Le gain ne se mesure pas au nombre de messages produits, mais à la baisse du délai de traitement, au taux de résolution, à la satisfaction client et au coût de supervision.
Un test exploitable doit définir une situation de départ, un groupe (ou une période) de comparaison, des critères de qualité et un coût complet. Il faut aussi compter les erreurs et le travail nécessaire pour les corriger. Si l'outil accélère la rédaction mais oblige ensuite un expert à vérifier chaque phrase, le gain net peut être faible - voire négatif.
Une grille simple peut aider à décider s'il faut généraliser :
- Valeur créée : quel résultat métier s'améliore, et de combien ?
- Coût complet : combien coûtent le modèle, l'intégration, l'exploitation et le contrôle ?
- Risque opérationnel : que se passe-t-il en cas d'erreur, d'indisponibilité ou de changement de tarif ?
- Alternative : une règle métier, une recherche classique ou un modèle moins coûteux feraient-ils aussi bien ?
- Réversibilité : peut-on déplacer le cas d'usage vers un autre fournisseur sans reconstruire tout le produit ?
Comment les entreprises et les investisseurs peuvent réagir
Le propos de Griffin n'est pas celui d'un observateur extérieur qui condamnerait tout le secteur. Citadel a d'ailleurs acquis une partie du portefeuille public du fonds Situational Awareness, fondé par l'ancien chercheur d'OpenAI Leopold Aschenbrenner, après une forte baisse et la nécessité de vendre une partie de ses actifs. D'après les informations rapportées, la transaction se serait faite avec une décote d'environ 10 % ; Griffin a ensuite indiqué avoir réduit de plus de 80 % le risque associé à ce portefeuille.
Ce détail ne prouve pas que l'achat était "le bon" ni que le marché est proche d'un plancher. Mais il illustre une idée plus pratique : on peut juger un risque, acheter certains actifs, et ne pas s'enfermer dans une croyance sur l'avenir de l'IA. Le prix, la taille de la position, la manière de la financer et le scénario de sortie comptent autant que la conviction initiale.
L'épisode rappelle aussi l'importance de l'endettement. Un investisseur qui emprunte pour augmenter son exposition peut être obligé de vendre quand ses créanciers demandent plus de garanties. Ces ventes forcées peuvent amplifier la baisse et déclencher de nouveaux appels de marge. Pour une entreprise, l'équivalent consiste à construire un plan d'affaires qui ne tient que si le financement reste accessible et si la demande continue de croître sans interruption.
Pour une entreprise : avancer par étapes
Dans une entreprise française ou européenne, la réponse raisonnable n'est ni de lancer un grand programme d'IA parce que "tout le monde en parle", ni d'interdire par crainte d'une bulle. L'objectif est de limiter d'abord le coût d'apprentissage, puis d'augmenter l'investissement seulement si les résultats confirment qu'on avance dans la bonne direction.
Une démarche pragmatique peut suivre quatre étapes :
- Choisir un problème fréquent et mesurable. Un processus répétitif, documenté et coûteux donne souvent un meilleur point de départ qu'une ambition vague du type « transformer l'entreprise ».
- Tester à périmètre limité. Définissez les utilisateurs, les données autorisées, le coût maximal et une solution de repli.
- Comparer plusieurs options. Évaluez un fournisseur commercial, un modèle open source, et - quand c'est pertinent - une solution sans IA. La comparaison doit porter sur le coût total et la qualité réelle.
- Généraliser après validation. Vérifiez le gain en conditions de production, avec des volumes et des utilisateurs représentatifs. Prévoyez aussi un plan de sortie si le prix ou les performances changent.
Ce cadre permet d'éviter de confondre preuve de concept et création de valeur. Une démonstration réussie prouve qu'une tâche est techniquement faisable. Elle ne prouve pas encore que le service est exploitable, sécurisé et finançable à grande échelle.
Pour un investisseur : regarder l'exposition et l'horizon
Un particulier ne peut pas déduire d'une phrase de marché le bon moment pour acheter ou vendre. En revanche, il peut vérifier son exposition indirecte aux grands acteurs technologiques, le niveau de concentration de son portefeuille et sa tolérance à une baisse marquée. Le recours à l'endettement pour investir dans des actifs volatils mérite une prudence particulière : il réduit votre marge de manœuvre quand les prix commencent à tomber.
Pour les entreprises qui construisent l'infrastructure, quelques indicateurs sont utiles à suivre régulièrement : croissance des dépenses d'investissement, rythme de mise en service des centres de données, taux d'utilisation, tarifs de location des GPU, et part des dépenses clients qui se transforme en revenus récurrents. Des analystes de Goldman Sachs Research s'attendaient à un ralentissement de la croissance des dépenses d'investissement des principaux bâtisseurs de l'infrastructure IA, d'environ 75 % au troisième trimestre 2025 à 25 % vers la fin de 2026. Une décélération n'est pas forcément un effondrement, mais elle peut changer les anticipations déjà intégrées dans les cours.
Conclusion : investir dans l'usage, pas dans le récit
Ken Griffin ne dit pas que l'IA est une mode sans lendemain. Il rappelle surtout que la valeur d'une technologie et la valeur des actifs qui l'entourent ne sont pas la même chose. Une bulle peut accélérer la construction d'infrastructures utiles, tout en laissant certains investisseurs avec des actifs trop chers ou des entreprises avec une capacité excédentaire.
Pour les décideurs, l'antidote à l'euphorie comme à la peur, c'est une méthode simple : partir d'un problème métier, mesurer le gain net, comparer les modèles, et garder la possibilité de changer de fournisseur. Pour les investisseurs, le point clé est de comprendre l'exposition réelle et de ne pas financer une conviction avec un niveau de risque qu'on ne peut pas supporter.
Avant votre prochain projet, choisissez un processus précis et tracez-le : coût actuel, niveau de qualité attendu et résultat visé. Si l'IA améliore ces indicateurs à un coût soutenable, vous avez une raison concrète d'investir. Sinon, attendre ou choisir une solution plus simple peut tout à fait rester une décision rationnelle.