La croissance des serveurs d’IA se heurte à un test d’infrastructure plus difficile

Bernstein a relevé ses prévisions pour les serveurs à mesure que les dépenses s’accéléraient, mais le titre de Google News masque une tension entre la demande et l’infrastructure nécessaire pour y répondre.

Le rapport source d’Investing.com a été publié le 20 septembre 2025. Il indiquait que Bernstein prévoyait que le marché mondial des serveurs atteindrait 450 milliards de dollars en 2026. La société de courtage a relié cette prévision à l’augmentation des budgets de Microsoft, Alphabet, Amazon, Meta, Oracle et de nouveaux opérateurs cloud.

Cette prévision optimiste est désormais étayée par davantage d’éléments, mais elle se heurte aussi à une épreuve plus exigeante. La demande de serveurs s’est étendue au-delà de l’entraînement des grands modèles d’IA. L’inférence, les accélérateurs sur mesure, le stockage, les réseaux et les processeurs conventionnels se disputent tous les composants, l’électricité et les capacités de construction.

Nvidia reste au cœur du déploiement grâce à ses systèmes GPU. Toutefois, Google, Amazon, Meta et Microsoft investissent également dans des circuits intégrés spécifiques à une application, ou ASIC, conçus pour des charges de travail plus ciblées. Cela crée l’affrontement déterminant du marché : les engagements de dépenses face à la capacité physique de les transformer en puissance de calcul opérationnelle.

Ce que disait réellement la prévision de Bernstein reprise par Google News

La prévision de Bernstein ne se limitait pas à anticiper que les entreprises achèteraient davantage de serveurs. Elle affirmait que les dépenses d’investissement soutiendraient un cycle d’infrastructure d’une ampleur inhabituelle.

Le rapport initial indiquait que les estimations consensuelles de dépenses d’investissement pour 2026 avaient augmenté de près de 20 % depuis juillet 2025. Bernstein prévoyait que le portefeuille d’investissements couvert croîtrait à un taux annuel composé de 26 % entre 2024 et 2027, pour atteindre environ 500 milliards de dollars.

Les dépenses d’investissement, souvent abrégées en capex, couvrent les actifs durables tels que les bâtiments, les serveurs, les équipements réseau et les systèmes électriques. Une hausse des prévisions de capex représente donc plus qu’une augmentation des commandes de puces. Elle signale que les opérateurs prévoient d’installer et d’utiliser une capacité de calcul nettement supérieure.

Bernstein a également estimé que les centres de données à venir et en construction représentaient environ 770 milliards de dollars d’investissement total. Les projets cités comprenaient l’expansion Stargate d’Oracle au Texas, le système Colossus de xAI dans le Tennessee et des installations Amazon utilisant ses accélérateurs Trainium.

La société de courtage a traduit ce portefeuille de projets de construction en une prévision de 450 milliards de dollars pour le marché mondial des serveurs en 2026. Elle prévoyait que les serveurs GPU haut de gamme, définis dans le rapport comme des systèmes contenant l’équivalent de huit GPU, progresseraient d’environ 55 % en 2025 et de 35 % en 2026.

Les livraisons de racks fournissaient une autre mesure concrète. Bernstein modélisait une hausse de 30 000 racks en 2025 à 56 000 en 2026, soutenue par les systèmes GB200 et GB300 de Nvidia. Un rack réunit processeurs, réseau, alimentation électrique, interfaces de refroidissement et matériel de support dans une unité déployable de centre de données.

Les prévisions initiales pour les serveurs soulignaient également les accélérateurs sur mesure. Bernstein projetait que les ASIC représenteraient près de 45 % des livraisons d’accélérateurs d’IA fondés sur CoWoS en 2026.

CoWoS est une méthode d’encapsulation avancée qui relie des processeurs à de la mémoire à haute bande passante au sein d’un ensemble étroitement intégré. Sa capacité est importante, car les opérateurs cloud ne peuvent pas déployer d’accélérateurs sans encapsulation, mémoire, cartes et assemblages de serveurs adaptés.

Bernstein a cité plus de 10 milliards de dollars de nouvelles commandes d’IA pour Broadcom comme preuve d’une demande croissante pour les puces sur mesure. Il a également mis en avant Wiwynn et Accton, des fabricants taïwanais impliqués dans les systèmes de serveurs et de réseau destinés aux grands clients cloud.

Les prévisions consensuelles citées dans le rapport anticipaient une hausse respective de 130 % et 111 % du chiffre d’affaires de Wiwynn et Accton. Ces estimations reflétaient la valeur circulant dans la chaîne d’approvisionnement, et non seulement un nombre croissant de machines identiques.

Cette distinction est importante pour interpréter le titre. Les revenus des serveurs peuvent augmenter parce que les fournisseurs livrent davantage de systèmes, parce que chaque système devient plus coûteux ou parce que le mix de produits se déplace vers des racks d’IA complexes. La projection de 450 milliards de dollars de Bernstein combinait ces trois forces.

Le rapport comportait également un signal favorable du côté de l’approvisionnement. Bernstein indiquait que les pénuries de T-glass, un matériau spécialisé utilisé dans les substrats avancés de semi-conducteurs, semblaient « moins graves que redouté ». L’amélioration des rendements des fournisseurs semblait réduire un risque immédiat pour la production des systèmes Nvidia.

Toutefois, la prévision n’a jamais garanti que chaque projet annoncé deviendrait opérationnel dans les délais. Elle établissait les arguments en faveur des dépenses. L’exécution dépendait toujours des puces, de la mémoire, des réseaux, du refroidissement, de l’électricité, des permis et de clients prêts à utiliser la capacité ainsi créée.

Les dépenses d’infrastructure d’IA dépassent désormais l’entraînement sur GPU

Le soutien le plus solide à la thèse de Bernstein tient au fait que la demande d’IA s’étend désormais à davantage de types de serveurs, et pas uniquement aux clusters GPU les plus coûteux.

Les premiers investissements dans l’IA générative se concentraient fortement sur l’entraînement. Celui-ci utilise de vastes ensembles d’accélérateurs pour construire ou affiner un modèle en traitant d’importants jeux de données. Cette charge de travail a créé une demande exceptionnelle pour les GPU Nvidia et la mémoire à haute bande passante.

L’inférence est différente. Elle exécute un modèle entraîné afin de répondre à des requêtes, générer des médias, classer des contenus ou accomplir une tâche automatisée. À mesure que l’usage progresse, l’inférence peut nécessiter une base installée plus importante et plus durable que les cycles d’entraînement périodiques.

Les agents d’IA ajoutent une couche supplémentaire. Un agent peut appeler des modèles, récupérer des informations, utiliser des outils logiciels et répéter des étapes jusqu’à ce qu’il accomplisse une tâche. Même une simple demande utilisateur peut déclencher plusieurs appels de modèles, recherches dans des bases de données et opérations de calcul conventionnelles.

Ce schéma répartit la demande entre accélérateurs et serveurs à usage général. Les CPU préparent les données, coordonnent les requêtes, gèrent le stockage, authentifient les utilisateurs et traitent le travail avant et après l’exécution du modèle. Les équipements réseau déplacent l’information entre chaque étape.

TrendForce a projeté en janvier que les livraisons de serveurs d’IA en 2026 progresseraient de plus de 28 % sur un an. Le cabinet prévoyait que l’ensemble des livraisons mondiales de serveurs, y compris les systèmes conventionnels, augmenterait de 12,8 %.

Le cabinet attribuait une partie de cette croissance aux achats par Google et Microsoft de davantage de serveurs à usage général pour le trafic d’inférence de Gemini et Copilot. Ses prévisions de livraisons d’IA évoquaient également le remplacement de machines achetées lors de l’expansion du cloud entre 2019 et 2021.

Cela crée un cycle de dépenses plus large que ne le suggère un récit centré uniquement sur les GPU. Un fournisseur cloud peut installer un rack d’accélérateurs, ajouter des serveurs CPU pour préparer les requêtes, étendre le stockage et moderniser son réseau interne. L’installation doit ensuite fournir suffisamment d’électricité et évacuer la chaleur produite.

La prévision de Bernstein reprise par Google News capturait donc un changement directionnel important. L’infrastructure d’IA avait commencé à passer d’un entraînement concentré des modèles à un système de production à plusieurs niveaux au service des charges de travail quotidiennes.

L’ampleur des budgets cloud soutient cette interprétation. En février 2026, les prévisions d’entreprises compilées par Axios indiquaient que les principaux hyperscalers pourraient dépenser environ 610 milliards de dollars au cours de l’année. Ce point médian représentait environ trois fois le montant dépensé deux ans plus tôt.

Les hyperscalers sont de grands opérateurs cloud qui construisent des infrastructures dans plusieurs régions et servent de nombreux clients. Leurs décisions d’achat influencent la production de semi-conducteurs, la conception des équipements, le développement énergétique et les finances des fabricants de serveurs.

L’estimation des dépenses des hyperscalers ne correspond pas parfaitement aux revenus des serveurs. Ces budgets comprennent les bâtiments, les terrains, les réseaux, les systèmes énergétiques et d’autres équipements. Ils montrent néanmoins que le signal de demande sous-jacent à l’analyse de Bernstein n’a pas disparu.

Les dépenses atteignent également de nouveaux fournisseurs d’infrastructure. Les neoclouds se spécialisent dans la location de capacité de calcul accélérée, souvent autour des systèmes Nvidia. Ils peuvent accroître rapidement la capacité disponible, mais leur économie dépend des coûts de financement, du taux d’utilisation, de la disponibilité du matériel et de la concentration des clients.

Les grands opérateurs cloud disposent d’un avantage différent. Ils peuvent orienter les charges de travail vers leurs propres puces et répartir les investissements entre leurs services existants. Google peut connecter les Tensor Processing Units à Google Cloud, Gemini, la publicité, la recherche et aux développeurs externes de modèles.

Amazon peut associer les processeurs Trainium et Inferentia à sa plateforme AWS plus large. Microsoft peut optimiser son infrastructure pour les services Azure et Copilot. Meta peut déployer du silicium sur mesure face à d’immenses charges de travail internes de recommandation et de publicité.

Cette diversité rend la poursuite de la croissance des serveurs plus plausible. Elle rend aussi le marché plus difficile à mesurer avec un simple décompte des racks, car différentes architectures regroupent la puissance de calcul de façons différentes.

Les puces d’IA sur mesure mettent sous pression la position dominante de Nvidia

La pression concurrentielle centrale ne porte plus sur la question de savoir si l’infrastructure d’IA va croître. Elle porte sur l’architecture qui captera chaque nouveau dollar de cette croissance.

Nvidia a établi la plateforme par défaut pour l’IA accélérée grâce aux GPU, aux réseaux, aux systèmes et à son environnement logiciel CUDA. CUDA fournit aux développeurs des outils et des bibliothèques permettant d’exécuter des tâches de calcul sur les processeurs Nvidia.

Cette base logicielle rend Nvidia difficile à remplacer. Une puce concurrente doit offrir des performances acceptables, un approvisionnement fiable, des logiciels efficaces et suffisamment de développeurs disponibles. Un coût matériel inférieur ne peut compenser des mois de travail d’ingénierie ou une faible fiabilité de production.

Les entreprises cloud ont néanmoins de solides raisons de développer des ASIC. Un accélérateur sur mesure peut supprimer des fonctions dont une charge de travail donnée n’a pas besoin. Il peut aussi optimiser les transferts de mémoire, la consommation électrique, les formats numériques et les connexions au réseau de l’entreprise.

Google poursuit cette stratégie avec ses Tensor Processing Units, que l’entreprise propose via Google Cloud pour les charges de travail d’entraînement et d’inférence. Amazon dispose de Trainium pour l’entraînement des modèles et Inferentia pour l’inférence. Meta a développé ses propres accélérateurs, tandis que Microsoft a introduit des puces pour des charges de travail internes et cloud.

TrendForce prévoyait initialement que les serveurs d’IA fondés sur des ASIC représenteraient 27,8 % des livraisons de 2026. Le cabinet décrivait cette part comme la plus élevée depuis 2023 et anticipait une croissance plus rapide des systèmes à puces sur mesure que des systèmes GPU.

Cette prévision plaçait les GPU à 69,7 % des livraisons. Nvidia conservait donc une position majoritaire, même si les architectures sur mesure gagnaient du terrain. Le changement significatif n’était pas un remplacement immédiat des GPU. C’était l’émergence d’alternatives crédibles pour les charges de travail à fort volume.

La différence entre l’estimation de près de 45 % de Bernstein et celle d’environ 28 % de TrendForce mérite attention. Bernstein faisait spécifiquement référence aux livraisons d’accélérateurs d’IA fondés sur CoWoS, tandis que TrendForce évoquait la part des livraisons de serveurs d’IA. Ces dénominateurs mesurent des choses différentes.

Un nombre d’accélérateurs, un nombre d’encapsulations avancées et un nombre de serveurs ne peuvent pas être traités comme interchangeables. Un serveur peut contenir plusieurs accélérateurs, tandis que les systèmes à l’échelle du rack combinent des nombres variables de plateaux de calcul. Les définitions de produits diffèrent également selon les cabinets de recherche.

C’est l’une des raisons pour lesquelles un court titre de Google News peut surestimer la certitude. Les « livraisons de serveurs » semblent être une unité standardisée, mais le marché comprend des machines CPU conventionnelles, des serveurs à huit GPU, des plateformes à l’échelle du rack et des systèmes sur mesure.

La dynamique de fond reste la même. Les ASIC prennent une place plus importante, car les fournisseurs de cloud recherchent une plus grande diversité d’approvisionnement et davantage de contrôle sur les coûts d’exploitation. Les GPU restent l’option flexible pour les nouveaux modèles, les logiciels en évolution et les clients qui nécessitent une plateforme familière.

Les puces personnalisées offrent les meilleures performances lorsque les charges de travail sont prévisibles et suffisamment importantes pour justifier les coûts de conception. Une entreprise de cloud exécutant des milliards d’opérations d’inférence similaires peut répartir ces coûts sur un volume d’utilisation considérable. Un acheteur plus modeste ne le peut généralement pas.

Cela crée une répartition des rôles plutôt qu’un vainqueur unique. Nvidia peut rester indispensable pour l’entraînement de pointe et le calcul accéléré généraliste, tandis que les puces personnalisées absorbent certaines charges de travail d’inférence.

Les fabricants de serveurs doivent répondre à ces deux trajectoires. Ils ont besoin de conceptions adaptées aux architectures en rack de Nvidia ainsi que de systèmes construits autour de silicium détenu par les fournisseurs de cloud. Les exigences en matière de réseau, de refroidissement, d’alimentation électrique et de validation varient selon les clients.

La pression s’étend à Intel et AMD. Les clusters d’IA ont toujours besoin de CPU hôtes, de contrôleurs de stockage, de fonctions de sécurité et de calcul généraliste. Pourtant, les processeurs Grace de Nvidia et les puces Arm conçues pour le cloud peuvent s’emparer de tâches autrefois attribuées automatiquement aux systèmes x86.

Le marché s’élargit donc tout en devenant moins uniforme. La croissance ne garantit pas que chaque fournisseur conserve sa part de marché, ses prix ou ses marges.

Les prévisions se heurtent à la réalité des composants et de l’électricité

La demande n’est plus la seule contrainte sérieuse. Le boom des serveurs doit passer par une chaîne d’approvisionnement et un système électrique qui ne peuvent pas se développer à la vitesse des logiciels.

En avril 2026, TrendForce a révisé ses perspectives globales concernant les livraisons de serveurs. Le cabinet a indiqué que la croissance sur l’ensemble de l’année resterait proche de 13 %, contre une prévision précédente qui approchait les 20 %.

Cette révision ne reflétait pas une faiblesse de l’intérêt des clients. Les fournisseurs privilégiaient les composants destinés aux systèmes d’IA à plus forte valeur, laissant les serveurs conventionnels confrontés à des délais plus longs. Les cartes de circuits imprimés et les CPU subissaient des retards approchant un an.

Les circuits intégrés de gestion de l’alimentation, ou PMIC, régulent la tension et distribuent l’électricité au sein des systèmes électroniques. Les serveurs d’IA exigent une densité de puissance bien plus élevée ; les fournisseurs ont donc affecté davantage de capacité de production à ces produits.

TrendForce prévoyait que les délais des PMIC pour les serveurs généralistes passeraient de 21 à 26 semaines à environ 35 à 40 semaines. Les puces de contrôleur de gestion de carte mère, qui surveillent et administrent les serveurs, étaient également confrontées à des délais d’attente plus longs.

Les délais des BMC devaient passer de 11 à 16 semaines à environ 21 à 26 semaines. L’avertissement sur les composants du cabinet montrait comment la demande liée à l’IA peut stimuler un segment tout en en limitant un autre.

C’est le principal défi pour interpréter les prévisions de hausse des livraisons. Les commandes peuvent augmenter plus vite que les livraisons. Le chiffre d’affaires peut progresser alors que la croissance en unités reste inférieure aux attentes antérieures. Une pénurie peut aussi réorienter la production vers des systèmes coûteux, augmentant la valeur du marché sans expansion physique équivalente.

Les puces personnalisées introduisent un autre risque de calendrier. Meta, Amazon et d’autres opérateurs doivent valider de nouveaux processeurs, cartes, équipements réseau et logiciels avant des déploiements à grande échelle. TrendForce a légèrement réduit sa prévision de part des serveurs ASIC, de près de 28 % à environ 27 %, car les ajustements pourraient retarder les livraisons.

Les plateformes Nvidia sont soumises à leurs propres exigences d’intégration. Les systèmes à l’échelle du rack nécessitent un refroidissement liquide, un réseau à haut débit, une distribution électrique spécialisée et une installation précise. La livraison de processeurs individuels ne signifie pas qu’un opérateur peut immédiatement servir ses clients.

L’électricité constitue la limite physique la plus importante. Gartner prévoyait que la consommation mondiale d’électricité des centres de données augmenterait de 26 % en 2026, passant de 447 térawattheures à 565 térawattheures.

Selon ces prévisions, les serveurs optimisés pour l’IA ont consommé environ 95 térawattheures en 2025. Leur consommation devait atteindre 175 térawattheures en 2026, soit une hausse d’environ 84 %.

Gartner prévoyait que les serveurs d’IA consommeraient 258 térawattheures en 2027. Leur consommation d’électricité dépasserait alors pour la première fois celle du matériel conventionnel des centres de données.

La demande de refroidissement augmente parallèlement à la demande de calcul. Gartner prévoyait que les systèmes de refroidissement des centres de données consommeraient 195 térawattheures en 2026, soit 22,6 % de plus que l’année précédente.

Ses prévisions pour les centres de données identifiaient la disponibilité de l’électricité comme une contrainte déterminante. Un rack de serveurs achevé ne produit aucun résultat utile si l’opérateur ne dispose pas d’un bâtiment alimenté, d’une capacité de refroidissement ou d’un raccordement au réseau.

Les contraintes énergétiques varient aussi selon les lieux. Un fournisseur de cloud peut disposer de capacités excédentaires dans une région et faire face à une file d’attente de plusieurs années auprès des services publics dans une autre. Les clients peuvent exiger un emplacement précis pour des raisons de latence, de réglementation ou de résidence des données, ce qui limite la valeur des capacités à distance.

L’utilisation de l’eau, les mises à niveau du réseau, l’opposition locale et les autorisations peuvent retarder des projets après le début des commandes d’équipement. Les opérateurs explorent de plus en plus la production sur site, les accords nucléaires et les contrats d’énergie renouvelable à long terme, mais les grands projets prennent des années.

Ces contraintes n’invalident pas la thèse optimiste de Bernstein. Elles en modifient le calendrier et la répartition. Les fournisseurs disposant de composants disponibles, de conceptions qualifiées et d’un accès à des installations alimentées peuvent capter davantage de valeur.

Le risque est que les engagements financiers précèdent les capacités réellement déployables. Une entreprise de cloud peut annoncer un budget avant qu’un service public n’approuve le raccordement. Un fabricant de serveurs peut enregistrer une commande avant que l’approvisionnement de chaque composant soit sécurisé.

Les investisseurs et les acheteurs devraient donc distinguer trois étapes : les dépenses d’investissement annoncées, les équipements expédiés et les capacités productives. La première mesure l’intention. La deuxième mesure l’exécution de la chaîne d’approvisionnement. La troisième détermine si les clients peuvent réellement exécuter des charges de travail.

Des livraisons plus élevées ne garantissent pas de meilleurs résultats économiques

Le marché des serveurs d’IA peut croître rapidement tout en générant des rendements inégaux pour les opérateurs de cloud, les fabricants et leurs clients.

Les systèmes d’IA intègrent des processeurs, de la mémoire, des équipements réseau et de refroidissement coûteux. Cette nomenclature élevée peut générer un chiffre d’affaires considérable pour les assembleurs de serveurs tout en leur laissant une marge brute limitée.

Les fabricants peuvent accepter des pourcentages plus faibles parce que le profit absolu d’une grosse commande reste important. Ils peuvent aussi espérer que les services, le stockage, le réseau ou de futures commandes amélioreront la relation client.

Cependant, les acheteurs concentrés disposent d’un pouvoir de négociation considérable. Microsoft, Amazon, Google, Meta et les grands neoclouds peuvent exiger des conceptions personnalisées, des calendriers de livraison agressifs et des contrôles détaillés des coûts.

Ces acheteurs font face à leur propre défi économique. Ils doivent maintenir leurs accélérateurs installés suffisamment occupés pour justifier l’amortissement, le financement, l’électricité et la maintenance. Le taux d’utilisation mesure la part de la capacité de calcul disponible qui effectue un travail rémunéré ou productif.

Un marché du cloud encombré peut faire baisser les tarifs de location, en particulier pour les anciennes générations d’accélérateurs. Les nouveaux produits Nvidia peuvent réduire la valeur relative de systèmes achetés seulement un an auparavant. Les puces personnalisées peuvent également détourner des charges de travail des GPU commerciaux.

La qualité de la demande compte donc autant que son volume. Les contrats d’entraînement, les services d’IA grand public, les abonnements d’entreprise, les améliorations publicitaires et les outils de productivité internes génèrent des profils de revenus différents.

Le rapport Bernstein original reliait les dépenses à des commentaires positifs de la chaîne d’approvisionnement et à des livraisons GB200 plus fluides. Ces éléments étayaient les livraisons. Ils n’établissaient pas indépendamment le rendement à long terme de chaque projet de centre de données.

Les entreprises restent également sélectives. Beaucoup utilisent des services d’IA hébergés plutôt que de posséder de grands clusters. Elles peuvent accroître l’utilisation des modèles sans acheter directement des serveurs, ce qui concentre l’infrastructure entre les mains de quelques fournisseurs.

Ces fournisseurs peuvent se permettre une expérimentation étendue, mais les actionnaires attendent toujours des rendements. Si les revenus de l’IA augmentent moins vite que l’amortissement et les coûts d’exploitation, les équipes dirigeantes subiront des pressions pour modérer les constructions futures.

L’issue inverse renforcerait les prévisions. Un taux d’utilisation élevé, des revenus d’IA en expansion et des coûts d’inférence en baisse justifieraient la poursuite des investissements. Une efficacité accrue peut réduire le coût par tâche, même lorsque la consommation totale d’électricité augmente.

Cet effet est parfois décrit comme une demande de rebond. Lorsque le calcul devient moins cher, les développeurs l’utilisent pour davantage de requêtes, davantage d’utilisateurs ou des raisonnements plus complexes. L’efficacité peut donc augmenter la consommation globale d’infrastructure au lieu de la réduire.

Les améliorations logicielles compliquent le calcul. Des modèles plus petits, la quantification, la mise en cache et une meilleure planification peuvent réduire le calcul par requête. La quantification réduit la précision numérique utilisée par un modèle, diminuant les besoins en mémoire et en traitement.

Pourtant, les applications peuvent consacrer ces économies à des contextes plus longs, à des appels de modèles supplémentaires ou à des populations d’utilisateurs plus vastes. Un agent qui vérifie son propre travail plusieurs fois peut utiliser davantage d’inférence qu’une réponse de chatbot classique.

Pour les développeurs et les acheteurs en entreprise, la conséquence pratique est contrastée. Davantage d’infrastructure peut améliorer la disponibilité et réduire certains coûts de calcul. La fragmentation architecturale peut rendre les choix plus difficiles en matière de plateformes cloud, de portabilité des modèles et de performances.

Une charge de travail optimisée pour un accélérateur personnalisé peut ne pas se déplacer facilement vers un autre fournisseur. L’environnement logiciel commun de Nvidia réduit une partie de cette friction, ce qui renforce sa valeur stratégique même à mesure que l’adoption des ASIC progresse.

Les acheteurs devraient évaluer les coûts totaux des charges de travail plutôt que les seuls benchmarks des puces. Le réseau, le déplacement des données, le stockage, le temps d’ingénierie, les délais d’attente et la disponibilité de l’électricité affectent tous le résultat exploitable.

Les prévisions de Bernstein décrivent un marché en croissance, et non une répartition égale des profits. Les fournisseurs disposant de composants rares peuvent gagner en pouvoir de négociation. Les assembleurs peuvent voir leur chiffre d’affaires augmenter plus vite que leurs marges. Les opérateurs de cloud peuvent accroître leurs capacités tout en assumant des charges d’amortissement plus élevées.

C’est le renversement central derrière le titre optimiste. Davantage de livraisons de serveurs confirment que l’investissement dans l’IA reste actif, mais elles augmentent aussi le montant des revenus que les futurs produits d’IA devront générer.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si les prévisions de Bernstein représentent un déploiement durable ou un cycle de dépenses qui devance ses contraintes.

Le premier signal est la capacité livrée, et non les budgets annoncés. Microsoft, Alphabet, Amazon, Meta et Oracle continueront de publier leurs dépenses d’investissement. Les lecteurs devraient comparer ces totaux avec les commentaires des directions sur les capacités alimentées, les calendriers de déploiement et la disponibilité pour les clients.

Un budget en hausse ne renforce la thèse de la demande que lorsque l’équipement devient utilisable. Des retards répétés dus aux raccordements au réseau, aux installations de refroidissement ou aux pénuries de composants affaibliraient les prévisions de livraisons à court terme.

Le deuxième signal est la répartition entre les GPU Nvidia et les ASIC conçus pour le cloud. Les déploiements en rack de Nvidia restent la mesure la plus claire d’une demande étendue d’accélérateurs. Les déploiements de Google TPU, Amazon Trainium, Microsoft Maia et des accélérateurs de Meta révèlent si le silicium personnalisé capte des charges de travail répétables.

Une adoption externe réussie de TPU ou de Trainium ferait des puces personnalisées plus que de simples projets internes de contrôle des coûts. Des retards de validation, un faible support logiciel ou une utilisation limitée par les clients renforceraient la position par défaut de Nvidia.

Les lecteurs devraient éviter de comparer des pourcentages de livraisons incompatibles. Les unités d’accélérateurs, les serveurs et les racks décrivent différentes couches du marché. Les informations les plus utiles relieront le matériel installé à la capacité disponible et à l’utilisation réelle des charges de travail.

Le troisième signal est l’efficacité de l’infrastructure. Les entreprises du cloud doivent montrer que les revenus liés à l’IA, le taux d’utilisation ou les économies opérationnelles progressent parallèlement aux besoins en capitaux. Les fournisseurs de serveurs doivent démontrer que l’augmentation des revenus issus de l’IA génère des bénéfices durables, plutôt qu’un simple volume sans rendement.

La consommation d’électricité fait également partie de ce signal. L’énergie sécurisée par des accords à long terme ne compte que si la production et les raccordements au réseau arrivent dans les délais. Une dépendance à court terme envers des réseaux régionaux déjà contraints peut ralentir des projets pourtant financés.

Le cadrage de Google News présente la révision de Bernstein comme une simple réponse à l’augmentation des dépenses liées à l’IA. La réalité complète est plus exigeante. Les dépenses sont restées élevées, l’inférence élargit la demande de serveurs et les puces personnalisées diversifient le marché.

Dans le même temps, les composants, l’électricité, le refroidissement et l’économie déterminent quelle part de cette demande devient une capacité productive. Ces contraintes déterminent qui bénéficie de l’expansion, et à quel moment.

Le prochain trimestre de titres sur les dépenses d’investissement attirera l’attention, mais la meilleure question est opérationnelle : combien de systèmes ont été installés, alimentés et utilisés pour des activités génératrices de revenus ?

Surveillez ces trois signaux avant de considérer qu’une nouvelle prévision revue à la hausse constitue à elle seule une confirmation. Si les déploiements, l’utilisation et les revenus liés à l’IA progressent ensemble, la thèse de Bernstein se renforce. Si les budgets augmentent alors que les calendriers dérapent et que les rendements restent incertains, le boom des serveurs sera toujours réel, mais son modèle économique sera bien moins certain.