La thèse d’Ed Zitron sur la bulle de l’IA rencontre la flambée des dépenses des Big Tech

Le dernier argument d’Ed Zitron sur la bulle de l’IA a fait son entrée dans Google News, sur fond de dépenses record en infrastructures et de débat grandissant sur la capacité de la demande à justifier la facture.

L’échange avec Blood in the Machine n’annonce ni nouveau modèle ni tour de financement. Il saisit quelque chose de plus important : le scepticisme est passé des marges du secteur à son cycle d’actualité quotidien.

Zitron estime que l’IA générative reste un produit non rentable, soutenu par les dépenses des hyperscalers, l’opacité financière des entreprises privées et des promesses de demande future. Les Big Tech présentent ce même déploiement comme une capacité nécessaire pour les clients cloud, les produits grand public et des modèles toujours plus performants.

Ce conflit compte désormais davantage qu’une nouvelle victoire dans un benchmark. Microsoft, Alphabet, Amazon, Meta et leurs fournisseurs engagent des capitaux avant que quiconque puisse connaître le rendement complet de ces infrastructures sur leur durée de vie.

La question centrale n’est pas de savoir si l’IA fonctionne. De nombreux systèmes produisent déjà du code, des résumés, des images, des résultats de recherche et des analyses scientifiques utiles. La question est de savoir si ces usages peuvent soutenir les investissements, la consommation énergétique et les coûts d’exploitation continus qui les sous-tendent.

L’argument de la bulle est le plus convaincant lorsque les entreprises masquent leurs économies unitaires ou remplacent les chiffres d’adoption par des revenus durables. Il s’affaiblit lorsque la baisse des coûts débloque de la demande et que les activités existantes absorbent avec succès les investissements en IA.

Ces deux évolutions se produisent simultanément. C’est pourquoi l’état actuel de la bulle de l’IA exige une comptabilité plus rigoureuse, et non une simple étiquette de boom ou d’effondrement.

Ce que la conversation avec Ed Zitron a réellement changé

Le changement important est que la structure financière de l’IA est devenue le sujet principal, plutôt que l’arrière-plan d’un nouveau lancement de produit.

Zitron soutient depuis des années que le secteur confond capacité technique et modèle économique viable. Son argumentation porte sur les coûts récurrents de calcul, les besoins colossaux en capitaux et les informations limitées communiquées par les développeurs privés de modèles.

Blood in the Machine aborde l’IA sous l’angle du travail, du pouvoir des entreprises et de l’automatisation. Une conversation entre la publication et Zitron part donc d’une position sceptique. Il ne s’agit pas d’une présentation neutre destinée aux investisseurs.

Ce contexte compte, car l’apparition dans Google News peut faire passer une interview pour un événement d’entreprise distinct. L’événement sous-jacent est éditorial : un critique de premier plan évalue si les promesses financières du boom correspondent à ses résultats opérationnels.

L’affirmation la plus forte de Zitron concerne l’écart entre les dépenses du secteur et les rendements publiés. Les entreprises font régulièrement état de la croissance du cloud, des abonnements, de l’utilisation ou de la demande, sans isoler les bénéfices issus de l’IA générative.

Cela ne prouve pas que ces produits perdent de l’argent. Cela montre que les observateurs externes ne disposent souvent pas des données nécessaires pour les évaluer séparément.

Une division cloud peut croître alors que ses nouvelles charges de travail IA restent coûteuses. Un assistant grand public peut attirer des millions d’utilisateurs sans couvrir ses dépenses d’inférence et de développement. Un outil de programmation peut apporter de véritables gains de productivité tout en s’inscrivant dans une subvention stratégique plus large.

L’inférence est le coût d’exécution d’un modèle entraîné lorsqu’une personne soumet une requête. L’entraînement crée le modèle, mais l’inférence devient une dépense continue à mesure que l’usage augmente.

Les logiciels traditionnels bénéficient souvent de marges incrémentales élevées après le développement. L’IA générative présente une courbe de coûts plus complexe, car chaque réponse consomme du calcul, de la mémoire, du réseau et de l’électricité.

Cette comparaison peut toutefois devenir trop simpliste. Les fournisseurs de modèles réduisent les coûts d’inférence grâce à de meilleures puces, des modèles plus petits, l’optimisation logicielle, la mise en cache et des infrastructures spécialisées.

Le secteur peut donc perdre de l’argent sur une charge de travail aujourd’hui tout en améliorant son économie demain. Il peut aussi réduire les prix plus vite que les coûts ne baissent, préservant ainsi le même problème de marge.

La véritable contribution de l’interview n’est pas un diagnostic définitif de bulle. Elle propose un défi vérifiable : montrer d’où viennent les revenus de l’IA, combien coûte leur fourniture et comment ces économies s’améliorent avec l’échelle.

Les lecteurs doivent appliquer ce test différemment à chaque entreprise. Nvidia vend des équipements de calcul rares. Microsoft et Google vendent de la capacité cloud. OpenAI et Anthropic vendent l’accès aux modèles et des applications. Leurs risques sont liés, mais ils ne sont pas identiques.

Un effondrement à un niveau n’effacerait pas toutes les applications utiles. Il modifierait les prix, les conditions de financement, les contrats et les entreprises qui contrôlent les infrastructures survivantes.

Cette distinction sépare une analyse sérieuse de la bulle d’une prédiction selon laquelle toute la technologie de l’IA disparaîtra.

Pourquoi Google News se remplit d’arguments sur la bulle de l’IA

Le débat sur la bulle prend de l’ampleur parce qu’il devient plus difficile de dissocier les engagements en infrastructure des performances des entreprises.

Pendant plusieurs années, les investisseurs ont récompensé les entreprises qui démontraient leur accès aux modèles, aux puces et à la capacité des centres de données. Le marché attend désormais des preuves que ces ressources génèrent des revenus durables ou protègent les activités existantes.

Microsoft illustre cette tension. Son rapport annuel 2025 fait état de 64,6 milliards de dollars d’ajouts en immobilisations corporelles et équipements, contre 44,5 milliards de dollars un an plus tôt.

L’entreprise a indiqué que les investissements dans le cloud et les infrastructures d’IA continueraient d’augmenter les coûts opérationnels. Elle a également averti que ces investissements pourraient réduire les marges opérationnelles.

Ces informations ne confortent pas le récit d’un effondrement immédiat. Microsoft a généré 136,2 milliards de dollars de flux de trésorerie d’exploitation au cours du même exercice, ce qui lui donne une capacité d’investissement considérable.

Elles montrent pourquoi la charge de la preuve augmente. Un acteur historique rentable peut financer une expérimentation coûteuse plus longtemps qu’une startup, mais un capital patient ne garantit pas un rendement attrayant.

Alphabet présente un conflit similaire à une échelle prévue plus importante. L’entreprise a déclaré 91,4 milliards de dollars de dépenses d’investissement en 2025, principalement consacrées à l’infrastructure technique.

Lors de son conférence téléphonique sur les résultats 2025, Alphabet a prévu des dépenses d’investissement pour 2026 comprises entre 175 et 185 milliards de dollars.

L’entreprise a déclaré qu’environ 60 % de son investissement de 2025 était consacré aux serveurs. Les 40 % restants couvraient les centres de données et les équipements réseau.

Alphabet a également indiqué que l’augmentation des amortissements et des coûts opérationnels pèserait sur son compte de résultat. Les amortissements sont passés de 15,3 milliards de dollars en 2024 à 21,1 milliards de dollars en 2025.

Ces chiffres renforcent l’argument de Zitron, car l’infrastructure ne disparaît pas après la publication d’un communiqué de presse. Les serveurs vieillissent, les bâtiments nécessitent de l’énergie et les amortissements finissent par apparaître dans les états financiers.

Cependant, Alphabet a également fait état d’une demande importante de la part des clients cloud. L’entreprise a déclaré que plus de la moitié de sa capacité de calcul en apprentissage automatique pour 2026 servirait l’activité cloud.

Cette affirmation donne au scénario optimiste un fondement mesurable. Si les clients continuent d’acheter de la capacité, l’infrastructure soutient un moteur de revenus établi plutôt qu’une application spéculative.

Le problème réside dans l’attribution. Les revenus de Google Cloud incluent les bases de données, le stockage, le réseau, la sécurité, les logiciels de productivité et l’informatique traditionnelle, en plus de l’IA.

Les investisseurs ne peuvent toujours pas attribuer chaque dollar consacré aux centres de données à l’IA générative. Ils ne peuvent pas non plus supposer que chaque vente cloud aurait eu lieu sans les nouveaux modèles.

La couverture de Google News tend à condenser cette incertitude en titres opposés. Un article considère les dépenses record comme une preuve de demande. Un autre voit dans ces mêmes dépenses la preuve d’une bulle.

Aucune de ces déductions n’est suffisante. Les dépenses d’investissement révèlent une conviction et une exposition, pas le rendement final.

Le débat restera central parce que la décision de dépenser intervient en premier. Les preuves les plus claires sur l’utilisation, les prix, les amortissements et la fidélisation des clients arrivent plus tard.

C’est dans ce décalage temporel que les bulles se développent. C’est aussi là que commencent les cycles d’infrastructure réussis.

Le véritable adversaire est la promesse de l’IA face à son économie

Le conflit principal n’oppose pas Ed Zitron à la Silicon Valley ; il oppose la promesse d’échelle du secteur à l’économie nécessaire pour la soutenir.

Les entreprises d’IA promettent qu’une adoption plus large répartira les coûts fixes de développement sur davantage de clients. Elles s’attendent également à ce que de meilleurs matériels et logiciels réduisent le coût de chaque réponse.

La première partie ressemble à l’économie conventionnelle des logiciels. La seconde reconnaît que l’IA générative reste liée à des ressources physiques pendant son utilisation.

L’échelle peut aider grâce à des accords d’achat plus importants, une meilleure utilisation des puces et des centres de données plus efficaces. Elle peut devenir un handicap lorsque les systèmes de raisonnement populaires consomment davantage de calcul pour chaque réponse.

Les modèles de raisonnement génèrent et évaluent des étapes intermédiaires avant de renvoyer un résultat. Ce processus peut améliorer les performances, mais il exige souvent davantage de tokens et de temps de traitement.

L’économie qui en résulte dépend de la conception de la charge de travail. Une courte requête de classification diffère d’une longue tâche de recherche. La génération de code diffère de la création d’images. Le chat grand public diffère d’un agent d’entreprise connecté à des systèmes internes.

Un coût moyen unique ne peut les décrire tous. Cette complexité rend les affirmations générales sur une rentabilité universelle ou des pertes universelles tout aussi peu fiables.

Le contre-argument le plus fort du secteur repose sur la baisse des prix de l’inférence. L’AI Index de Stanford a constaté que les coûts d’inférence de niveau GPT-3.5 avaient chuté de plus de 280 fois entre novembre 2022 et octobre 2024.

Cette amélioration est considérable. Elle signifie qu’une application autrefois jugée impossible peut devenir abordable sans modifier son expérience utilisateur de base.

La baisse des coûts peut aussi accroître la consommation. Les développeurs peuvent envoyer davantage de requêtes, utiliser des contextes plus longs ou confier aux modèles des tâches qui exigeaient auparavant une vérification manuelle.

Cet effet rebond complique le scénario optimiste. Une plus grande efficacité ne réduit pas automatiquement les besoins totaux en infrastructure lorsque l’usage augmente plus vite que les coûts unitaires ne diminuent.

Il complique aussi le scénario de la bulle. Une catégorie de produits dont l’économie s’améliore rapidement ne peut pas être jugée uniquement sur sa structure de coûts initiale.

La distinction la plus utile est celle entre efficacité technique et efficacité économique. L’efficacité technique mesure le résultat par unité de calcul. L’efficacité économique mesure la marge brute et la valeur client par dollar dépensé.

Un fournisseur peut améliorer la première tout en dégradant la seconde par des remises agressives. Il peut également améliorer l’efficacité économique en orientant les modèles vers des tâches à forte valeur.

Le développement logiciel offre un exemple concret. Un assistant de programmation qui fait gagner plusieurs heures lors d’une migration complexe peut justifier une dépense de calcul importante.

Un assistant qui produit du code générique peu fiable peut déplacer le travail vers la revue et le débogage. Une forte utilisation exagérerait alors l’adoption sans confirmer la valeur économique.

Le même test s’applique à la recherche en entreprise. Un modèle qui retrouve une politique ou une clause contractuelle enfouie peut réduire le temps de recherche. Une réponse inexacte peut créer un risque juridique ou opérationnel.

Les équipes ont besoin de sources traçables, de procédures d’évaluation et de vérification humaine. Une base de connaissances IA consultable peut soutenir ce processus, mais elle ne supprime pas la nécessité du jugement.

C’est là que le débat sur la bulle de l’IA devient concret pour les acheteurs. Les entreprises ne devraient pas se demander si l’IA est globalement transformatrice. Elles devraient mesurer si un flux de travail défini s’améliore après prise en compte des erreurs et de la supervision.

L’industrie veut faire croire aux clients que l’échelle résoudra l’équation économique. La critique de Zitron demande si l’échelle ne fait que multiplier des coûts que les entreprises n’ont pas clairement divulgués.

Les deux camps disposent désormais d’éléments probants. Aucun n’en a suffisamment pour affirmer connaître l’issue finale.

Ce que les chiffres de la bulle de l’IA ne prouvent toujours pas

Des dépenses considérables révèlent une exposition, mais elles ne prouvent ni qu’un effondrement est imminent ni que l’investissement est rationnel.

Diagnostiquer une bulle exige davantage que des actifs coûteux et un discours promotionnel. Cela implique généralement des prix ou des engagements de financement qui ne peuvent être justifiés par des flux de trésorerie futurs plausibles.

Les hyperscalers cotés restent rentables grâce à leurs activités historiques. La publicité, les logiciels cloud, le commerce et les franchises de systèmes d’exploitation peuvent absorber les investissements dans l’IA pendant des années.

Cela distingue le cycle actuel d’un ensemble de startups reposant uniquement sur des financements externes. Cela rend également la véritable économie plus difficile à observer.

Les revenus existants peuvent subventionner l’expérimentation. L’IA peut aussi renforcer ces produits existants sans apparaître comme une ligne distincte.

Google peut améliorer ses systèmes publicitaires grâce au machine learning tout en proposant Gemini séparément. Microsoft peut protéger ses relations Azure en offrant l’accès à des modèles, même si un assistant affiche de faibles marges.

Meta peut utiliser une infrastructure d’IA pour les recommandations et la publicité, en parallèle de produits génératifs. Amazon peut vendre de la capacité de calcul tout en expérimentant ses propres modèles et applications.

Un critique peut raisonnablement soutenir que les entreprises utilisent des activités historiques rentables pour dissimuler des investissements spéculatifs. Un optimiste peut raisonnablement répondre que les retours intégrés constituent toute la stratégie.

Aucune de ces positions ne peut être tranchée en comptant uniquement les abonnements à des chatbots.

Les développeurs privés de modèles posent un problème de vérification distinct. Ils communiquent certains chiffres de revenus, de valorisation, d’utilisation et de partenariats sans publier d’états financiers complets et audités.

Les revenus déclarés peuvent progresser rapidement alors que les pertes augmentent aussi. Les revenus contractuels peuvent différer des revenus comptabilisés. Les engagements de calcul peuvent s’étaler sur des années et inclure des conditions renégociables.

Les lecteurs doivent donc considérer les projections divulguées comme des affirmations plutôt que comme des résultats acquis. La même prudence s’applique aux prévisions de faillite inévitable.

La critique de Zitron est la plus convaincante lorsqu’elle relève des flux de trésorerie incohérents, des financements circulaires ou des dépendances non divulguées. Elle l’est moins lorsque chaque application utile devient la preuve d’un gaspillage.

Les systèmes d’IA apportent clairement de la valeur dans certains contextes. La question difficile porte sur l’ampleur, la durabilité et la répartition de cette valeur.

La technologie possède aussi une valeur stratégique que les rapports financiers peuvent saisir indirectement. Une entreprise peut dépenser de manière défensive pour empêcher ses clients de migrer vers une plateforme rivale.

Ces dépenses défensives peuvent être rationnelles même lorsqu’un produit autonome génère des bénéfices modestes. Elles peuvent aussi déclencher une course aux armements dans laquelle chaque participant obtient un faible rendement.

L’histoire offre des exemples dans les deux sens. Les entreprises de télécommunications ont surinvesti dans la fibre à l’époque de la bulle Internet, entraînant d’importantes pertes tout en laissant derrière elles une infrastructure utile.

Le cloud computing a nécessité des années d’investissement avant de devenir une importante source de bénéfices. L’existence de surinvestissements antérieurs ne détermine pas quelle analogie convient à l’IA.

Le scénario sceptique a également besoin d’un mécanisme d’échec clair. Des dépenses d’investissement élevées ne contraindront pas, à elles seules, les entreprises rentables à s’arrêter.

La pression s’accumulerait à travers une baisse de la demande cloud, une faible utilisation, une chute des prix, une hausse des amortissements, des tensions de financement ou une résistance des clients. Plusieurs signaux devraient probablement apparaître simultanément.

Une déception isolée concernant un modèle ne suffirait pas. L’échec d’une startup privée ne mettrait pas nécessairement fin aux investissements des hyperscalers.

À l’inverse, un bon trimestre dans le cloud ne validerait pas chaque centre de données. Une application productive ne justifierait pas chaque valorisation de modèle.

Les éléments actuels étayent une conclusion plus limitée : l’industrie a pris d’énormes engagements avant que des retours transparents ne soient disponibles.

C’est un risque réel. Le qualifier d’effondrement garanti dépasse les éléments disponibles.

Qui subirait le plus de pression si les dépenses ralentissaient

Les premières victimes d’une remise à zéro des dépenses liées à l’IA seraient les fournisseurs très exposés et les projets d’infrastructure financés, et non tous les utilisateurs de l’IA.

La chaîne d’approvisionnement de l’IA comprend des entreprises disposant de marges de sécurité très différentes. Les hyperscalers génèrent des liquidités grâce à des opérations diversifiées. Les startups de modèles dépendent plus directement du soutien des investisseurs et des partenariats de calcul.

Les développeurs de centres de données peuvent dépendre d’un petit nombre de clients. Les fournisseurs de puces bénéficient lorsque ces clients se disputent des accélérateurs rares.

Les fournisseurs d’énergie, les équipementiers réseau, les producteurs de mémoire, les spécialistes du refroidissement et les entreprises de construction se situent plus bas dans la même chaîne d’investissement.

Un ralentissement se propagerait donc de manière inégale. Les acheteurs pourraient retarder de nouveaux campus tout en continuant d’exploiter les systèmes installés. Ils pourraient orienter les charges de travail vers des modèles plus petits plutôt que d’abandonner l’IA.

Ils pourraient aussi exiger des prix plus bas de la part des fournisseurs de modèles. Cette réponse aiderait les clients d’entreprise tout en comprimant les marges des fournisseurs.

Nvidia représente le symbole le plus évident du boom, car ses accélérateurs permettent une grande partie de la capacité actuelle d’entraînement et d’inférence. Pourtant, son économie diffère de celle d’un laboratoire de modèles.

Une vente de puces crée des revenus comptabilisés pour le fournisseur. L’acheteur supporte ensuite le risque lié à l’utilisation et à l’amortissement.

Cette distinction importe pour évaluer la bulle de l’IA. Une application non rentable peut tout de même générer des ventes de matériel rentables pendant la phase de déploiement.

Le risque apparaît lorsque les clients concluent qu’une capacité supplémentaire ne rapportera pas assez. Les commandes peuvent ralentir avant que les applications existantes ne disparaissent.

Les fournisseurs de cloud public font face à un calcul différent. Ils peuvent louer l’infrastructure à des clients externes, l’utiliser en interne ou la rediriger entre différentes charges de travail.

Cette flexibilité réduit le risque associé à un seul produit. Elle n’élimine pas la possibilité de surcapacité ou de faibles rendements.

Les laboratoires privés d’IA subissent une pression plus forte, car le calcul est central à la fois pour la fourniture de produits et la recherche. L’augmentation de l’utilisation peut accroître simultanément les revenus et les dépenses d’exploitation.

Leur pouvoir de négociation dépend de la qualité des modèles, de la fidélité des clients et de l’accès à des fournisseurs d’infrastructure concurrents. Les partenariats peuvent réduire les besoins immédiats de liquidités tout en créant des obligations à long terme.

Les acheteurs d’entreprise font face à un risque plus discret. Ils peuvent devenir dépendants d’outils dont les prix, les modèles ou les conditions évoluent à mesure que les fournisseurs cherchent des marges durables.

Un pilote peut sembler attrayant avec une tarification promotionnelle. Un déploiement en production doit résister à une utilisation plus importante, aux exigences de conformité, aux coûts d’évaluation et aux changements de fournisseur.

Les travailleurs du savoir supportent également des coûts de changement lorsque l’IA s’intègre aux routines quotidiennes. Le remplacement d’un modèle peut modifier la qualité des résultats, le comportement ou la compatibilité avec les prompts existants.

Les équipes devraient préserver les documents sources, les notes exportables et les flux de travail indépendants des fournisseurs. Un système de connaissances personnelles peut réduire la dépendance à une interface de modèle unique.

Cela n’exige pas de rejeter les outils d’IA. Cela signifie traiter les modèles comme des composants remplaçables plutôt que comme des référentiels permanents de la mémoire organisationnelle.

Si les dépenses ralentissent, les applications utiles devraient survivre grâce à des modèles moins chers, des systèmes plus ciblés et des achats plus disciplinés. Les produits faibles soutenus principalement par des subventions d’investisseurs subiront une pression plus forte.

Ce résultat ressemblerait à une correction de marché plutôt qu’à la disparition de l’intelligence artificielle.

L’ajustement le plus brutal toucherait les entreprises dont les valorisations exigent une croissance ininterrompue. Il toucherait aussi les projets financés sur la base d’hypothèses optimistes de capacité.

L’avertissement de Zitron est donc pertinent au-delà des actionnaires. Le surinvestissement peut affecter la planification énergétique, les infrastructures locales, l’emploi et les contrats clients.

Cependant, la répartition du risque reste plus importante que l’ampleur affichée dans les titres. Un hyperscaler, une startup de modèles et un acheteur de logiciels ne font pas le même pari.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si la thèse de la bulle se renforce : l’utilisation, les marges liées à l’IA et une évolution durable des dépenses d’investissement.

Le premier signal est le taux d’utilisation des centres de données. Les entreprises mettent actuellement l’accent sur les contraintes d’offre et la demande des clients.

Surveillez l’évolution de ce discours. Des projets retardés, des baux plus courts, une capacité disponible en accélérateurs ou des carnets de commandes cloud plus faibles suggéreraient que la demande attendue n’arrive pas.

Une utilisation élevée soutiendrait le point de vue opposé. Elle montrerait que les clients absorbent la capacité avant même que chaque charge de travail n’atteigne des marges matures.

L’utilisation seule ne peut pas établir la rentabilité. Elle révèle toutefois si le surinvestissement devient visible dans l’infrastructure physique.

Le deuxième signal est la divulgation des marges associées aux services d’IA. Les investisseurs ont besoin de plus que des nombres d’utilisateurs, des volumes de tokens ou une croissance cloud généralisée.

Ils ont besoin d’éléments sur les coûts de fourniture du service, les remises, la fidélisation des clients et la relation entre croissance des revenus et dépenses de calcul.

La marge brute mesure les revenus restants après les coûts directs de fourniture. Elle offre une vision plus claire de l’économie des modèles que la valorisation ou les revenus annualisés.

Les entreprises cotées peuvent ne pas isoler ces chiffres. Les développeurs privés ont encore moins d’obligations de divulgation.

Cette absence maintiendrait vivante la critique de Zitron. Des marges transparentes et en amélioration affaibliraient la version la plus forte de son argument sur la bulle.

Le troisième signal est une réduction durable des dépenses d’investissement prévues chez plusieurs hyperscalers. Un campus retardé ne signifierait pas grand-chose, car les autorisations, l’énergie et l’équipement peuvent modifier le calendrier d’un projet.

Des réductions coordonnées signifieraient que les équipes dirigeantes constatent des rendements plus faibles ou une capacité suffisante. Des hausses continues indiqueraient de la confiance, mais pas nécessairement une validation.

La qualité des dépenses compte aussi. Les entreprises peuvent réorienter le capital vers l’inférence, les puces propriétaires, les réseaux ou les bâtiments à longue durée de vie.

Un basculement vers du matériel spécialisé moins coûteux pourrait améliorer l’économie sans réduire la dépense totale. Un basculement vers des campus spéculatifs pourrait accroître l’exposition à long terme.

Les lecteurs devraient également distinguer le reportage de l’agrégation. Google News peut révéler que le débat sur la bulle de l’IA se propage, mais son titre ne valide aucun des deux camps.

Les sources sous-jacentes, les documents réglementaires et les définitions financières comptent davantage que le nombre d’articles similaires dans un flux.

La critique de Zitron mérite l’attention car elle exige une comptabilité là où l’industrie propose souvent des aspirations. Ses conclusions méritent le même examen qu’il applique aux affirmations des entreprises.

Le scénario optimiste exige également de la discipline. La baisse des coûts d’inférence, la croissance de la demande cloud et les applications utiles ne garantissent pas que les valorisations actuelles survivront.

L’issue probable n’est pas un verdict unique et net. Certaines infrastructures produiront de solides rendements, d’autres feront l’objet de dépréciations, et certains produits subventionnés deviendront plus chers.

Les développeurs devraient surveiller les prix des modèles et la disponibilité des capacités. Les acheteurs d’entreprise devraient mesurer les résultats des flux de travail et les coûts de changement. Les travailleurs du savoir devraient préserver l’accès à leurs informations sous-jacentes.

La question de la bulle de l’IA devient actionnable lorsque les lecteurs cessent de demander si l’IA est réelle. La meilleure question est de savoir quels revenus subsistent après que les subventions, les remises et les coûts d’infrastructure deviennent visibles.

Suivez le prochain cycle de résultats en appliquant ce test. Comparez les dépenses d’investissement avec l’utilisation, l’amortissement et les marges d’IA divulguées plutôt qu’avec l’adoption affichée dans les titres.

Si ces indicateurs s’améliorent ensemble, la thèse la plus forte de l’effondrement s’affaiblit. Si les dépenses augmentent tandis que les rendements restent opaques, l’avertissement d’Ed Zitron gagne en poids.

C’est le signal qu’il vaut la peine de suivre, au-delà du prochain titre de Google News.