Les coûts des centres de données IA selon Bernstein atteignent 39,5 milliards de dollars par GW, mais la dépréciation est l’avertissement le plus important

Les coûts des centres de données IA selon Bernstein atteignent désormais environ 39,5 milliards de dollars par gigawatt pour l’architecture Vera Rubin de Nvidia. Pourtant, l’investissement annoncé n’est pas la partie la plus déterminante de l’analyse. La charge durable provient de la dépréciation de milliards de dollars de serveurs, d’équipements réseau, de mémoire et de systèmes électriques avant que le matériel ne perde sa valeur économique.

L’estimation situe différentes architectures d’accélérateurs dans une fourchette de 34,6 à 39,5 milliards de dollars par gigawatt. La conception ASIC personnalisée Jalapeno d’OpenAI, rapportée par la presse, se situe près de l’extrémité basse, tandis que la plateforme Vera Rubin NVL72 de Nvidia atteint le sommet. Cet écart relativement limité remet en cause l’idée que le choix d’un accélérateur moins cher peut transformer l’économie d’une installation entière.

Les travaux antérieurs de Bernstein évaluaient un gigawatt de capacité IA à près de 35 milliards de dollars, en dessous de l’estimation de Nvidia, qui se situait entre 50 et 60 milliards de dollars. Ses derniers calculs affinent les hypothèses relatives aux composants, mais le conflit stratégique reste le même. Les entreprises technologiques cherchent davantage de puissance de calcul, tandis que les coûts comptables commencent à s’accumuler dès que les équipements entrent en service.

Les coûts des centres de données IA selon Bernstein atteignent 39,5 milliards de dollars par gigawatt

La dernière estimation de Bernstein montre que le choix de l’accélérateur modifie la structure des coûts, mais ne rend pas l’infrastructure IA à l’échelle du gigawatt bon marché.

Un rapport résumé le 10 octobre a évalué l’investissement total pour un gigawatt de capacité entre 34,6 et 39,5 milliards de dollars. Le calcul couvre bien plus qu’un bâtiment vide raccordé au réseau électrique. Il comprend les accélérateurs, serveurs, mémoires, stockages, réseaux, systèmes de refroidissement, alimentations de secours et systèmes électriques nécessaires pour prendre en charge des racks de calcul denses.

L’estimation haute concerne l’architecture Vera Rubin NVL72 prévue par Nvidia. Bernstein aurait réduit son estimation du coût d’un rack Rubin de 9,1 millions à 7,52 millions de dollars. Cela représente une baisse d’environ 17 % par rapport au modèle précédent du cabinet.

Cette révision reflète des hypothèses plus faibles concernant la mémoire à haute bande passante et la capacité de stockage NAND, selon l’estimation de l’infrastructure publiée. La mémoire à haute bande passante, généralement abrégée HBM, place une mémoire rapide à proximité d’un accélérateur afin que les modèles puissent déplacer les données sans attendre un stockage plus lent.

Cette réduction est importante, car la mémoire est devenue une part substantielle de chaque serveur IA. Toutefois, des racks supplémentaires nécessitent toujours des commutateurs, des cartes d’interface réseau, du matériel de conversion électrique, des équipements de refroidissement, des transformateurs et des générateurs.

L’architecture Jalapeno d’OpenAI, rapportée par la presse, apparaît dans la partie basse de la fourchette de Bernstein. Jalapeno est décrit comme un circuit intégré spécifique à une application, ou ASIC, conçu autour d’une charge de travail plus étroite qu’un accélérateur polyvalent. Les puces personnalisées peuvent réduire certaines marges des fournisseurs et optimiser les performances pour des tâches ciblées.

Malgré cela, l’écart total entre les configurations la moins chère et la plus coûteuse est inférieur à 5 milliards de dollars par gigawatt. Cela représente moins de 15 % de l’estimation haute. Le résultat suggère que le choix des puces modifie davantage la destination des dépenses que l’ampleur de l’engagement.

Ce point était déjà visible dans l’analyse précédente de Bernstein sur les systèmes GB200 de Nvidia. Ces travaux évaluaient la construction totale à près de 35 milliards de dollars par gigawatt, les processeurs graphiques représentant environ 39 % des dépenses d’investissement. Les réseaux représentaient approximativement 13 %, tandis que les systèmes mécaniques et électriques approchaient un tiers du total.

Les accélérateurs restent donc la catégorie individuelle la plus importante, mais ils ne constituent pas l’ensemble du centre de données. Un prix plus bas pour les accélérateurs n’élimine pas les équipements qui fournissent l’électricité, évacuent la chaleur et relient des milliers de processeurs.

Bernstein avait précédemment estimé qu’un rack GB200 NVL72 coûtait environ 5,9 millions de dollars. Environ 3,4 millions de dollars étaient consacrés au matériel de calcul, tandis que 2,5 millions couvraient l’infrastructure physique associée. Ces chiffres, rapportés dans une précédente ventilation des coûts, montrent pourquoi les comparaisons fondées uniquement sur les prix des puces peuvent induire les investisseurs en erreur.

L’unité doit également être interprétée avec prudence. Un gigawatt décrit une charge électrique continue immense, et non une salle de serveurs classique. À pleine utilisation, elle représente une demande électrique suffisamment importante pour faire du projet une préoccupation d’infrastructure régionale.

L’estimation de Bernstein pour les centres de données fournit donc un dénominateur commun aux systèmes concurrents. Nvidia, les développeurs d’ASIC personnalisés, les opérateurs cloud et les fournisseurs d’infrastructures peuvent tous mettre en avant une efficacité supérieure. Toutefois, les investisseurs doivent toujours se demander quelle quantité de calcul productif et de revenus fournit chaque gigawatt complet.

Cette question crée la tension centrale. Le secteur a passé des années à considérer l’accès aux accélérateurs et à l’électricité comme les contraintes déterminantes. L’analyse de Bernstein suggère que la prochaine contrainte sera de savoir si les opérateurs peuvent générer suffisamment de revenus avant que les équipements installés ne deviennent obsolètes, financièrement et techniquement.

La dépréciation, et non l’électricité, crée la charge récurrente la plus lourde

L’électricité attire l’attention du public, mais la dépréciation détermine à quelle vitesse l’infrastructure IA doit générer des revenus durables.

La dépréciation est le processus comptable qui répartit le coût d’un actif sur sa durée de vie utile prévue. Elle n’exige pas un nouveau paiement en espèces chaque trimestre. Toutefois, elle réduit les bénéfices déclarés et représente la consommation d’équipements achetés avec du capital réel.

Le précédent modèle Vera Rubin de Bernstein illustre l’ampleur du phénomène. Avec un tarif d’électricité de 0,15 dollar par kilowattheure, une installation d’un gigawatt supporterait environ 1,3 milliard de dollars de dépenses annuelles d’électricité. Le même modèle aboutissait à environ 7,9 milliards de dollars de dépréciation annuelle sur une durée de vie matérielle de six ans.

Ces chiffres provenaient d’une analyse de juin qui évaluait alors l’infrastructure Vera Rubin totale à 47 milliards de dollars par gigawatt. Bernstein a depuis réduit son estimation des racks, de sorte que la charge exacte de dépréciation changerait. La relation explique néanmoins l’avertissement du cabinet : les coûts de possession peuvent dépasser la facture d’électricité, même pour une installation consommant un gigawatt.

Le modèle de coûts Rubin sous-jacent supposait 3 557 racks de 220 kilowatts chacun. Il attribuait environ 32 milliards de dollars aux équipements liés aux racks et 15 milliards supplémentaires à l’infrastructure physique. Son calendrier sur six ans transformait cet engagement initial en une charge récurrente sur les bénéfices.

Une durée de vie comptable de six ans ne garantit pas que chaque accélérateur restera compétitif pendant six ans. Un serveur peut continuer à fonctionner après que des systèmes plus récents ont offert de meilleures performances par watt ou des coûts d’inférence inférieurs. Cet écart entre durée de vie physique et utilité économique constitue le véritable risque.

Si le matériel de nouvelle génération réduit fortement le coût de production d’une réponse IA, les propriétaires de systèmes plus anciens sont soumis à une pression pour réduire les prix de location. Leurs calendriers de dépréciation restent en place, sauf si les entreprises prolongent les durées de vie utiles ou comptabilisent des pertes de valeur. Aucun de ces choix ne crée davantage de demande pour les équipements plus anciens.

Prolonger la durée de vie utile réduit la dépréciation annuelle et soutient les bénéfices à court terme. Cela suppose également que l’équipement restera productif plus longtemps. Une entreprise qui procède à cet ajustement de manière trop agressive peut reporter la reconnaissance d’une détérioration de l’économie du projet.

Une perte de valeur emprunte le chemin inverse. Elle reconnaît qu’un actif ne récupérera pas sa valeur comptable par les flux de trésorerie futurs. La charge est sans effet sur la trésorerie lorsqu’elle est comptabilisée, mais elle révèle que les dépenses d’investissement antérieures rapporteront moins que prévu.

Ce mécanisme distingue les coûts de dépréciation de l’IA d’une facture d’électricité ordinaire. L’électricité augmente avec l’usage, de sorte qu’un cluster peu utilisé consomme moins d’énergie. La dépréciation se poursuit même lorsque les serveurs attendent des clients, des logiciels ou de la capacité réseau.

L’utilisation devient donc cruciale. Un cluster entièrement occupé peut répartir la dépréciation sur davantage d’exécutions d’entraînement, de tokens générés ou de contrats cloud. Une installation sous-utilisée supporte une grande partie de la même charge de possession tout en générant moins de revenus.

Le problème de calendrier est tout aussi important. Les entreprises engagent généralement des fonds dans les terrains, les équipements électriques, les puces et la construction avant que le cluster achevé ne commence à servir des clients. Les retards peuvent immobiliser le capital sans revenus correspondants, tandis que certains actifs installés commencent déjà à vieillir.

AllianceBernstein a décrit un danger connexe comme une « poche d’air » informationnelle. Les preuves de revenus peuvent rester incomplètes pendant une période plus courte que le cycle de dépréciation. Les investisseurs doivent alors évaluer des dépenses à long terme sans savoir si l’adoption s’élargira assez rapidement.

Cette préoccupation ne prouve pas que les dépenses sont inutiles. La demande en entraînement et en inférence IA peut croître rapidement, et les systèmes plus récents peuvent traiter beaucoup plus de travail. Elle signifie que la croissance des revenus, l’utilisation et l’efficacité matérielle doivent toutes progresser ensemble.

La dépréciation modifie également la manière dont les lecteurs devraient interpréter les marges du cloud. Un fournisseur peut signaler une hausse de la demande en IA tout en subissant une pression sur ses marges à mesure que de nouveaux actifs entrent en service. Les flux de trésorerie, le résultat d’exploitation et les bénéfices ajustés peuvent raconter des histoires différentes, car chacun traite l’investissement en capital différemment.

La charge peut passer d’une entreprise à une autre sans disparaître. Un développeur de modèles qui loue de la puissance de calcul évite de posséder chaque serveur, mais son fournisseur cloud intègre alors la dépréciation et le financement dans le contrat. Un opérateur cloud peut recourir à des véhicules ad hoc ou à des contrats de location, mais un autre investisseur possède toujours les actifs.

La question centrale n’est donc pas de savoir si quelqu’un peut financer le prochain cluster. Elle est de savoir si l’ensemble de la chaîne peut générer une production économique suffisante avant qu’une autre génération de matériel ne réinitialise le niveau de compétitivité.

Nvidia et les puces IA personnalisées font face à la même réalité du capital

Le principal affrontement n’oppose pas Nvidia à une puce personnalisée ; il oppose la promesse d’une puissance de calcul croissante à la réalité d’une infrastructure qui se déprécie.

La position de Nvidia en fait le bénéficiaire le plus visible de la vague de dépenses. Ses accélérateurs, produits réseau, logiciels et systèmes à l’échelle du rack captent plusieurs couches d’un déploiement. Des performances système plus élevées peuvent aussi justifier des configurations plus coûteuses lorsque les clients valorisent le temps nécessaire pour entraîner ou servir un modèle.

Les ASIC personnalisés proposent une approche différente. Google, Amazon, Microsoft, Meta et les laboratoires d’IA ont poursuivi le développement de puces conçues pour leurs propres charges de travail. Ces systèmes peuvent éliminer certaines marges liées aux puces vendues sur le marché et adapter plus étroitement le matériel aux logiciels internes.

Les estimations de Bernstein impliquent qu’aucune des deux approches n’échappe à la facture plus large. Un accélérateur personnalisé peut coûter moins cher, mais l’opérateur peut déployer davantage de racks avec le budget disponible. Chaque rack a toujours besoin de mémoire, de réseau, de distribution électrique, de refroidissement et d’un site physique.

Le résultat ressemble au paradoxe de Jevons, selon lequel l’efficacité réduit le coût d’utilisation d’une ressource et stimule une consommation supplémentaire. De meilleures performances par dollar peuvent réduire le coût d’une charge de travail tout en encourageant les développeurs à exécuter des modèles plus grands, à utiliser des contextes plus longs ou à servir davantage de requêtes.

Cette dynamique favorise les fournisseurs d’infrastructure, mais elle complique l’idée selon laquelle l’efficacité réduira automatiquement les besoins en capitaux. Le secteur peut transformer les gains d’efficacité en davantage de calcul plutôt qu’en baisse des dépenses totales.

Les propres estimations de Nvidia montrent à quel point ces calculs restent incertains. L’entreprise avait auparavant avancé une fourchette de 50 à 60 milliards de dollars par gigawatt, tandis qu’une ancienne analyse de Bernstein évaluait une capacité comparable à près de 35 milliards de dollars. L’écart reflète différentes générations de matériel, définitions et hypothèses sur l’infrastructure incluse.

Broadcom et AMD ont décrit une opportunité adressable pour les accélérateurs d’environ 15 à 20 milliards de dollars par gigawatt. Ce chiffre ne représente pas le coût d’un centre de données entièrement achevé. Il décrit l’opportunité liée aux semi-conducteurs au sein du projet plus large.

Ces mesures sont souvent reprises comme si elles répondaient à la même question. Ce n’est pas le cas. Une estimation peut couvrir les accélérateurs, une autre un rack complet, et une autre encore inclure la production d’électricité ou le financement.

La dernière fourchette de Bernstein est utile parce qu’elle compare des architectures complètes selon une même méthodologie. Ce n’est pas un devis universel de construction. Le prix du terrain, l’accès au réseau, les systèmes énergétiques, les objectifs d’utilisation, le financement et la main-d’œuvre locale peuvent tous modifier le résultat final.

Les comparaisons d’architectures doivent aussi tenir compte de la production utile. Un cluster plus coûteux peut être rentable s’il entraîne un modèle plus rapidement ou traite nettement davantage de requêtes. Un cluster moins cher peut décevoir si le support logiciel, la fiabilité ou la demande des clients limitent son utilisation.

Vera Rubin devrait améliorer sensiblement les performances de calcul par rapport à la génération Blackwell de Nvidia. Le modèle antérieur de Bernstein estimait 2 520 pétaflops FP8 par rack Rubin, contre 720 pétaflops pour Blackwell. FP8 est un format numérique sur huit bits qui accélère les calculs d’IA tout en acceptant une précision moindre que les formats plus larges.

Le débit brut ne se traduit pas directement en travail facturable. L’architecture du modèle, la capacité mémoire, les surcoûts de communication, l’optimisation logicielle et le temps de disponibilité influencent la part des performances annoncées qui atteint réellement les clients.

La voie des puces sur mesure introduit un autre compromis. Les opérateurs gagnent le contrôle de la conception matérielle et peuvent potentiellement réduire les marges des fournisseurs. Ils assument aussi le risque de développement, le travail d’intégration logicielle et le défi de maintenir une feuille de route compétitive.

Nvidia répartit ces coûts entre de nombreux clients et soutient son matériel par un environnement logiciel mature. Cela peut réduire le risque de déploiement même lorsque le prix d’achat est plus élevé. Un hyperscaler disposant d’une demande interne suffisante peut justifier le choix inverse.

L’estimation de Bernstein pour le centre de données ne désigne donc pas un vainqueur évident. Elle montre qu’aucune des deux architectures ne change l’ordre de grandeur. Le résultat financier dépend davantage de l’utilisation, des revenus et de la vitesse de remplacement du matériel.

C’est pourquoi le principal affrontement se comprend mieux comme une expansion du calcul face à la récupération du capital. Nvidia et les ASIC sur mesure représentent des voies différentes face à la même pression. Tous deux doivent produire suffisamment de travail de valeur avant que l’amortissement ne consomme le rendement attendu.

Ce que l’estimation de 39,5 milliards de dollars ne prouve pas

Le calcul de Bernstein met en lumière la structure des coûts, mais il ne peut établir l’utilisation future, la durée de vie utile ou le rendement des investissements.

L’estimation atteint le public par des résumés de recherches propriétaires plutôt que par une nomenclature d’ingénierie intégralement accessible. Les lecteurs peuvent examiner les principales hypothèses, mais ne peuvent pas auditer indépendamment chaque composant ou prix fournisseur.

Cette limite est importante, car le modèle a changé. L’analyse de Bernstein de juin évaluait l’infrastructure Vera Rubin à près de 47 milliards de dollars par gigawatt et un rack à 9,1 millions de dollars. Le résumé d’octobre a ramené l’estimation du rack à 7,52 millions de dollars et l’investissement total à 39,5 milliards de dollars.

Une révision de 17 % du rack en quelques mois démontre à quel point le modèle est sensible aux hypothèses sur la mémoire, le stockage et la configuration. Elle n’invalide pas la nouvelle estimation. Elle plaide néanmoins contre le traitement de 39,5 milliards de dollars comme une loi immuable de l’infrastructure IA.

Ce chiffre inférieur ne prouve pas non plus que les rendements se sont améliorés. Si les tarifs de location du marché diminuent parallèlement aux coûts matériels, les opérateurs pourraient transmettre les économies aux clients. La concurrence peut transformer une réduction de coûts en inférence moins chère plutôt qu’en marges plus élevées.

Les estimations de durée de vie utile créent une autre incertitude. Six ans offrent un calendrier d’amortissement commode, mais les accélérateurs d’IA évoluent dans un cycle produit bien plus rapide. Certains systèmes plus anciens resteront précieux pour l’inférence, le fine-tuning ou des charges de travail moins exigeantes. D’autres peuvent devenir non rentables plus tôt en raison de leur consommation d’énergie ou des exigences logicielles.

Les entreprises peuvent prolonger la durée d’utilisation du matériel plus ancien en le faisant descendre dans l’échelle des charges de travail. Un cluster qui n’entraîne plus le plus grand modèle de frontière peut encore servir des modèles plus petits ou des travaux par lots. La demande résiduelle et les prix de ces tâches restent incertains.

Les coûts d’électricité varient également fortement. L’estimation annuelle antérieure de Bernstein, de 1,3 milliard de dollars, reposait sur 0,15 dollar par kilowattheure. Une installation disposant d’une électricité contractuelle moins chère dépenserait moins, tandis que les régions contraintes peuvent faire face à des coûts plus élevés d’électricité et de modernisation du réseau.

Un gigawatt de capacité raccordée n’est pas toujours un gigawatt de charge informatique continue. La maintenance, la redondance, les surcoûts de refroidissement, l’efficacité énergétique et les calendriers de montée en charge influencent la consommation. Les comparaisons exigent des définitions cohérentes de la puissance fournie par le réseau, de la charge critique et de la charge des accélérateurs.

Le financement complique encore le tableau. Deux projets dotés d’équipements identiques peuvent produire des rendements différents lorsque l’un s’appuie sur la trésorerie de l’entreprise et l’autre sur une dette coûteuse. Les intérêts sont distincts de l’amortissement, mais les deux doivent en définitive être couverts par les revenus.

La structure de financement devient plus importante à mesure que les dépenses dépassent les bilans des entreprises les plus solides. L’analyse plus large d’AllianceBernstein sur les dépenses d’investissement dans l’IA avertissait qu’une hausse de l’endettement et du financement par les fournisseurs peut dégrader la qualité du financement.

Cette même analyse a estimé à environ 400 milliards de dollars les dépenses de construction de centres de données en 2025. Elle a également évalué les investissements projetés des hyperscalers jusqu’en 2027 à plus de 1 000 milliards de dollars. Ces totaux montrent pourquoi de faibles variations de l’utilisation ou de la durée de vie des actifs peuvent affecter les bénéfices de l’ensemble du secteur.

La demande reste la variable décisive manquante. Les contrats signés apportent plus de certitude que les prévisions, mais même les contrats exigent une évaluation. Leur durée, les droits de résiliation, la concentration des clients, les prépaiements et les garanties de crédit déterminent si les revenus promis correspondent au risque de l’actif.

Certains opérateurs peuvent se protéger grâce à des baux de longue durée qui transfèrent aux locataires les coûts d’électricité et d’autres dépenses d’exploitation. Cette structure améliore la visibilité pour le propriétaire du bien. Elle ne garantit pas que le locataire tire suffisamment de revenus de la capacité de calcul.

L’analyse ne peut pas non plus déterminer dans quelle mesure l’adoption de l’IA va progresser. Les développeurs de modèles créent des systèmes de programmation, des outils de recherche, des générateurs de médias, des produits publicitaires et des agents pour les entreprises. Le revenu par utilisateur et le coût par tâche restent incertains.

Pour les acheteurs en entreprise, la baisse des coûts d’inférence peut accélérer l’adoption. Davantage d’organisations peuvent faire passer les systèmes d’IA du stade expérimental aux flux de travail réguliers. Les équipes devront toujours mesurer si ces systèmes économisent du travail, améliorent les résultats ou créent de nouveaux revenus.

Les travailleurs du savoir sont confrontés à une discipline similaire. L’accès à davantage de calcul ne produit pas automatiquement de meilleures décisions. Les organisations ont besoin d’informations fiables, de processus utilisables et de moyens de conserver les résultats. Une base de connaissances IA consultable peut aider à préserver le contexte, mais elle ne modifie pas l’économie de l’infrastructure.

La conclusion sceptique est limitée mais importante. Bernstein a fourni un cadre de coûts plausible, non la preuve d’une bulle de l’IA ou que les puces personnalisées surpasseront Nvidia. L’estimation identifie l’obstacle que les revenus futurs devront franchir.

Trois signaux montreront si l’investissement peut être rentable

La prochaine phase sera jugée selon l’amortissement, l’utilisation et la qualité des revenus plutôt que selon les annonces de gigawatts supplémentaires.

Le premier signal est la croissance de l’amortissement chez les hyperscalers. Amazon, Microsoft, Alphabet, Meta et Oracle communiquent leurs amortissements dans leurs états financiers et commentaires de résultats. Les investisseurs devraient comparer ces charges aux revenus du cloud et au résultat d’exploitation.

La hausse de l’amortissement est attendue pendant une vague de construction. L’avertissement apparaît lorsque l’amortissement augmente durablement plus vite que les revenus soutenus par les nouveaux actifs. Ce schéma renforcerait l’idée que la récupération du capital est devenue la principale contrainte.

Les changements de durée de vie utile méritent une attention égale. Prolonger la durée de vie des serveurs peut réduire la charge annuelle et augmenter les bénéfices publiés sans modifier les flux de trésorerie actuels. Les entreprises devraient expliquer pourquoi les accélérateurs plus anciens restent productifs et comment ils sont réaffectés.

Le deuxième signal est l’utilisation réelle des nouveaux clusters Rubin et ASIC sur mesure. Les annonces de commandes montrent une demande pour l’équipement, mais les taux d’occupation et les volumes de charges de travail révèlent si la capacité achevée génère des revenus.

Les fournisseurs de cloud peuvent apporter des éléments de preuve par la conversion du carnet de commandes, les revenus des services d’IA, les calendriers de déploiement et les tendances de marge. Les entreprises de modèles peuvent fournir une preuve plus solide au moyen d’une utilisation payante plutôt que d’indicateurs généraux sur les utilisateurs inscrits ou les tokens générés.

Si les systèmes Rubin entrent en service avec une forte utilisation et un coût inférieur par unité de production utile, la borne haute de la fourchette de Bernstein devient plus facile à défendre. Si la capacité monte lentement en charge, l’amortissement commence à peser contre la thèse d’investissement.

Les puces sur mesure font face au même test. Un coût d’installation plus bas n’aide que si les logiciels et la demande maintiennent le matériel occupé. Une forte utilisation étayerait l’idée que l’intégration verticale crée des économies durables. Une faible utilisation montrerait que des coûts de composants inférieurs ne peuvent compenser une capacité inutilisée.

Le troisième signal est la relation entre les revenus contractés et les obligations de financement. Le secteur recourt de plus en plus aux baux, à la dette, aux véhicules ad hoc, aux prépaiements des clients et aux accords avec les fournisseurs pour financer l’infrastructure.

Ces structures peuvent accélérer la construction et répartir le risque. Elles peuvent aussi rendre l’économie plus difficile à suivre. Les investisseurs devraient surveiller la durée des contrats, la concentration des clients, les coûts d’intérêt, les clauses de résiliation et l’écart de calendrier entre les paiements et la livraison des actifs.

AllianceBernstein estime que le secteur a besoin de preuves d’une croissance généralisée des revenus avant que le cycle d’amortissement ne dépasse la visibilité. Son inquiétude ne porte pas simplement sur la valorisation totale des entreprises d’IA. Elle concerne la période où les dépenses sont certaines mais où la trajectoire des revenus reste incertaine.

Un scénario plus favorable inclurait une expansion des marges du cloud malgré un amortissement plus élevé, une hausse de l’utilisation des clusters achevés et une couverture plus longue des revenus contractés. Ces évolutions affaibliraient l’idée que le déploiement a dépassé la demande.

Un scénario plus défavorable combinerait des retards de déploiement, des prolongations de durée de vie utile, une baisse des prix de location et une conversion plus lente du carnet de commandes. Cette combinaison renforcerait l’avertissement de Bernstein, même si les entreprises continuent d’annoncer de nouveaux projets.

La leçon plus générale est que la disponibilité de l’électricité n’est que la condition d’entrée. Une fois qu’une entreprise a obtenu le terrain, l’électricité, le refroidissement et les accélérateurs, elle acquiert un second problème. Elle doit transformer cette capacité en production économique récurrente assez rapidement pour récupérer l’investissement.

Les coûts des centres de données d’IA de Bernstein rendent cette échéance tangible. L’écart entre 34,6 milliards de dollars et 39,5 milliards de dollars compte, mais ce n’est pas la variable décisive. Les revenus générés avant que le matériel ne perde sa valeur économique détermineront si le prochain gigawatt deviendra une infrastructure productive ou une coûteuse charge comptable.

Les lecteurs devraient désormais regarder au-delà de la taille de chaque campus annoncé. Surveillez l’amortissement dans les résultats trimestriels, le taux d’utilisation lors de la mise en service de nouveaux systèmes, et la solidité des contrats soutenant la construction. Ces trois signaux révéleront si le boom des infrastructures d’IA bâtit une plateforme informatique durable ou emprunte de la croissance à du matériel qui vieillit plus vite que son modèle économique.