Dépenses IA : qui profite vraiment de l’investissement ?

Le chiffre d'affaires IA ne mesure pas le rendement des clients

Les grands fournisseurs vendent des briques de la chaîne : puissance de calcul, services cloud, modèles et logiciels. Une hausse de leurs revenus liés à l'IA indique qu'il y a de la demande. Elle ne dit pas, pour autant, que les entreprises qui achètent ces briques obtiennent une valeur équivalente à leurs dépenses.

C'est une distinction essentielle. Un fournisseur peut vendre plus de capacité à une entreprise qui teste plusieurs scénarios, sans que ces essais réduisent ses coûts ou améliorent ses ventes. Dans ce cas, le contrat montre surtout une dépense - pas une productivité.

À surveiller, donc : les annonces sur les investissements prévus dans les centres de données et sur la part de la croissance du cloud attribuable à l'IA. Une hausse des dépenses peut être rationnelle si la demande tient dans le temps. Elle devient plus fragile si les coûts augmentent plus vite que les revenus récurrents, ou si la capacité construite reste sous-utilisée.

Lire les dépenses d'investissement avec les bons repères

Les dépenses d'infrastructure ne s'expliquent presque jamais sur un seul trimestre. Les centres de données demandent des terrains, de l'énergie, des équipements et des contrats qui engagent sur la durée. L'exercice consiste donc à distinguer le coût supporté maintenant des revenus que cette capacité pourrait générer plus tard.

Pour analyser les annonces, posez trois questions :

• La croissance du cloud accélère-t-elle avec les investissements ? Des dépenses en hausse sans progression nette des revenus demandent une explication.
• Les fournisseurs décrivent-ils une demande durable, ou surtout des pilotes ? Les deux ne pèsent pas pareil dans l'économie.
• Les clients renouvellent-ils et élargissent-ils leurs usages ? Voir des achats qui se répètent en dit souvent plus qu'une première expérimentation.

Les données disponibles sur les grandes entreprises technologiques rappellent aussi une concentration des bénéfices. Selon les chiffres de Bloomberg et Macrobond cités par l'économiste Torsten Slok, les marges des sept plus grandes entreprises technologiques seraient passées d'environ 15 % à 25 % entre début 2023 et début 2026. Pour les 493 autres entreprises du S&P 500, elles resteraient proches de 10 %. Ces chiffres ne prouvent pas que l'IA explique tout, mais ils montrent que, pour l'instant, la valeur se concentre surtout chez ceux qui vendent les outils.

CoreWeave, un signal de tension à surveiller

Selon CNBC, l'assurance contre un défaut de CoreWeave sur cinq ans se négocie autour de 1 082 points de base. On parle d'un niveau qui dépasse le seuil de 1 000 points souvent associé à une détresse. Cela ne signifie pas automatiquement une faillite. Ça reflète le prix que des investisseurs acceptent de payer pour se protéger contre un risque de crédit jugé plus élevé.

Le contexte compte : CoreWeave, Nebius et IREN ont toutes perdu au moins 30 % en Bourse au cours du mois indiqué dans les informations disponibles. Une baisse de cours ne suffit pas à conclure que le modèle d'affaires est en difficulté. Elle suggère toutefois que les investisseurs réévaluent le lien entre croissance, dette et capacité à générer des flux de trésorerie.

Les engagements de Nvidia ajoutent un autre angle. CNBC indique 7 milliards de dollars investis directement dans des fournisseurs de cloud IA, et 164,5 milliards de garanties et d'engagements, soit 171,5 milliards au total. Il faut distinguer les catégories : une garantie n'est pas une dépense déjà réalisée. Mais l'ampleur des liens financiers montre à quel point vendeurs de puces, loueurs de capacité et clients sont connectés.

Le risque vient de l'écart entre capacité et demande

Construire une infrastructure avant que la demande soit totalement confirmée peut se défendre : attendre que tout devienne évident risque de faire perdre des clients. Mais cette stratégie suppose que la capacité sera utilisée et que les revenus couvriront le financement, l'exploitation et le renouvellement des équipements.

Le problème apparaît quand une entreprise s'endette pour acheter des puces en anticipant des contrats, alors que ses clients finaux n'ont pas encore prouvé un retour sur investissement suffisant. Si ces clients coupent leurs budgets, le fournisseur d'infrastructure peut se retrouver avec des charges fixes et des équipements dont la valeur économique dépend d'un marché encore en mouvement.

La leçon pour un acheteur est simple : ne confondez pas disponibilité de capacité et preuve de valeur. Pour un investisseur, l'analyse doit regarder les échéances de dette, les engagements contractuels, la concentration des clients et le niveau d'utilisation des équipements - pas seulement les annonces de croissance.

Mesurer un processus, pas une impression

Prenons un assistant utilisé pour préparer des réponses au service client. Le volume de réponses générées ne suffit pas. Il faut suivre le temps réellement passé par les équipes, le taux de correction, les erreurs qui déclenchent des réclamations et le délai de traitement. Si l'outil produit plus de texte mais ajoute une étape de vérification lourde, le gain apparent peut disparaître.

Une façon utile de raisonner :

Valeur nette = coûts évités ou revenus supplémentaires − coût total d'adoption.

Le coût total inclut les licences, l'intégration, les validations humaines, la formation, la sécurité, l'usage des modèles et le temps consacré à la maintenance. Il faut aussi regarder l'impact sur les processus. Un abonnement « pas cher » peut devenir coûteux si chaque réponse doit être relue par plusieurs personnes.

Fixez une période de test réaliste et comparez un groupe qui utilise l'outil avec un groupe (ou une période) de référence. Limitez-vous à quelques indicateurs, pas à une dizaine de métriques qui se contredisent. Pour une tâche de rédaction, par exemple : le délai jusqu'à une version validée, la part de contenu conservé et le nombre de corrections nécessaires.

Les outils plus complexes ne garantissent pas de meilleurs résultats

Une étude de chercheurs de l'université du Shandong, rapportée par VentureBeat, a comparé Claude Code, OpenCode et mini-SWE-agent avec cinq modèles sur près de 500 tâches SWE-Bench Verified. Les taux de réussite étaient statistiquement proches, tandis que la configuration la plus élaborée coûtait jusqu'à trois fois plus par tâche.

Ce n'est pas un argument contre les outils sophistiqués. C'est surtout un rappel : ajouter des agents, des étapes et des appels au modèle ne donne pas automatiquement un meilleur résultat. La meilleure comparaison, c'est le coût par tâche correctement terminée, en tenant compte du temps humain et des incidents - pas la quantité de fonctionnalités affichées.

Le choix du modèle par défaut compte aussi. Replit a indiqué avoir basculé son option par défaut pour son agent vers OpenAI, en citant le coût, le partenariat et les performances. Les utilisateurs peuvent toujours choisir Claude, mais dans une entreprise, ce réglage initial influence souvent les usages réels. Un paramètre par défaut peut donc déplacer une part importante des dépenses sans décision explicite de chaque collaborateur.

Avant de déployer à grande échelle, testez plusieurs options sur vos données et sur vos tâches. Les classements « généraux » ne remplacent pas un essai opérationnel : les performances varient selon le langage, le niveau d'exigence en confidentialité et le degré de contrôle requis.

Les contenus politiques générés compliquent la confiance

Des vidéos générées par IA ont circulé pendant la campagne électorale israélienne, avec notamment des contenus mettant en scène des opposants politiques et des responsables publics. Al Jazeera a rapporté des exemples publiés par le premier ministre Benjamin Netanyahu et le ministre des Finances Bezalel Smotrich. Haaretz a aussi décrit des dizaines de robots conçus au départ pour attaquer le gouvernement iranien, puis réorientés en faveur du Likoud.

Ce type de cas montre qu'un contenu synthétique peut être réutilisé dans un contexte différent de celui pour lequel il a été créé. Le problème ne se limite donc pas à la capacité technique à produire une image ou une vidéo convaincante. Il touche l'origine du contenu, le contexte de diffusion et la possibilité de l'attribuer à une source identifiable.

Autre exemple : une étude rapportée par TechCrunch sur près de 500 élections américaines de mi-mandat. Quand on leur demandait de choisir un candidat, Grok 4.7 aurait sélectionné le candidat républicain dans 92 % des cas, tandis que GPT-6.1 Sol aurait choisi le candidat démocrate dans 97 % des cas. Les applications grand public refusaient de faire ce choix, et OpenAI a précisé que le comportement de son API ne reflétait pas nécessairement celui de ChatGPT.

Ce genre de résultat ne prouve pas que les modèles seraient un outil fiable pour conseiller des électeurs. Il rappelle surtout qu'une réponse dépend du modèle, de la formulation et du contexte d'usage. Un système qui semble neutre peut devenir très orienté dès qu'on lui demande de trancher.

La gouvernance doit suivre les usages réels

Pour une organisation, les garde-fous doivent être proportionnés au risque. Une aide à la reformulation interne ne demande pas le même niveau de contrôle qu'un système qui recommande une décision concernant un client, un salarié ou un citoyen. Le RGPD reste central dès que l'usage implique des données personnelles, mais la conformité réglementaire ne remplace pas la vérification de la qualité des résultats.

Concrètement, il faut au minimum identifier les données envoyées au modèle (et si elles sont consultées), si elles sont conservées, et ce qu'un utilisateur doit contrôler avant de réutiliser une réponse. Pour les contenus publics, clarifiez aussi les règles de validation et de signalement des contenus synthétiques. L'objectif n'est pas d'interdire : c'est de savoir où une erreur est acceptable, où elle ne l'est pas, et qui porte la responsabilité.

Une grille de décision en quatre étapes

1. Définissez le problème métier. Formulez une tâche et un résultat mesurables : réduire le délai de traitement, améliorer la recherche documentaire ou diminuer les erreurs de saisie. « Utiliser l'IA » ne suffit pas : ce n'est pas un objectif opérationnel.
2. Établissez une référence. Mesurez le processus avant l'outil : durée, coût, taux d'erreur, volume traité et temps de contrôle. Sans point de comparaison, on ne peut pas attribuer une amélioration au système de façon crédible.
3. Calculez le coût complet. Incluez licences, appels aux modèles, intégration, sécurité, formation et supervision humaine. Ajoutez aussi les coûts « de sortie » : dépendance au fournisseur, migration des données ou réécriture d'un processus devenu trop spécifique à un outil.
4. Fixez une règle de décision. Continuez si l'indicateur principal s'améliore sans dégrader la qualité, la sécurité ou l'expérience utilisateur. Ajustez si le gain existe mais que le coût devient trop élevé. Arrêtez si les résultats ne dépassent pas la référence après une période de test fixée.

Ce qu'il faut suivre cette semaine

Pour lire les résultats de Microsoft, Alphabet et Amazon, regardez surtout les indications sur les investissements à venir, la croissance du cloud et la demande associée à l'IA. Ne déduisez pas la rentabilité des clients à partir de leurs revenus. Pour évaluer le risque d'infrastructure, regardez plutôt les prix du crédit, les engagements et la façon dont les contrats se concentrent autour des fournisseurs de capacité.

Dans votre entreprise, appuyez-vous sur les données d'usage réel : qui utilise l'outil, à quelle fréquence, avec quel taux de correction et pour quelles tâches ? Une hausse du nombre de connexions peut masquer une adoption superficielle. À l'inverse, un outil utilisé par une petite équipe peut apporter une valeur importante s'il accélère un processus coûteux et récurrent.

À retenir : les résultats des vendeurs confirment qu'il y a un marché. Mais le retour sur investissement se démontre chez l'acheteur. Le bon indicateur n'est ni le nombre de licences ni le volume de texte généré : c'est la valeur nette d'un processus réellement amélioré, une fois qu'on a compté les coûts et les risques.