Le risque lié à l’infrastructure IA selon Gartner place 3 500 milliards de dollars dans la zone des dépréciations

Gartner estime que plus de 3 500 milliards de dollars de dépenses prévues se situent dans une zone de risque liée à l’infrastructure IA d’ici 2030. Cet avertissement remet en cause l’hypothèse centrale qui sous-tend le déploiement actuel : la demande progressera-t-elle assez vite pour rentabiliser des data centers toujours plus coûteux ?

Le cabinet d’études prévoit que les fournisseurs d’IA dépenseront près de 1 000 milliards de dollars en infrastructures en 2026. Il anticipe 6 000 milliards de dollars supplémentaires d’investissement entre 2027 et 2030. Pourtant, les revenus projetés par le secteur restent très inférieurs au rendement nécessaire pour justifier ces actifs.

Il ne s’agit pas simplement d’un nouveau débat sur l’existence ou non d’une bulle financière autour de l’intelligence artificielle. Les prévisions de dépréciation de Gartner mettent en évidence un conflit mesurable entre les dépenses d’investissement et les revenus.

Ce conflit distingue aussi deux catégories de propriétaires d’infrastructures. Les plateformes cloud diversifiées peuvent absorber de faibles rendements au sein d’activités plus larges. Les opérateurs cloud spécialisés dans l’IA dépendent souvent de capitaux empruntés, de matériel coûteux et d’une demande client concentrée.

Cette distinction soumet les neoclouds à une pression plus forte qu’Amazon Web Services, Microsoft Azure ou Google Cloud. Un neocloud est un fournisseur spécialisé qui loue de la capacité de calcul accéléré, généralement construite autour de processeurs graphiques.

Le risque lié à l’infrastructure IA selon Gartner dépasse donc les seules questions comptables. Il met à l’épreuve la capacité des opérateurs à survivre simultanément à la baisse des prix, au vieillissement du matériel, aux coûts de financement et à une adoption plus lente par les entreprises.

Le risque lié à l’infrastructure IA selon Gartner commence par un déficit de 4 900 milliards de dollars

La conclusion centrale de Gartner est un décalage entre les revenus dont les propriétaires d’infrastructures ont besoin et ceux que le marché devrait générer.

Les propriétaires de data centers d’IA ont besoin de 8 500 milliards de dollars de revenus cumulés d’ici 2030, selon Gartner. Ce montant couvrirait les dépenses d’investissement annoncées, les coûts de financement et un rendement de 12 % sur le capital investi.

Gartner ne prévoit pas plus de 3 600 milliards de dollars de revenus attribuables à l’IA dans les entreprises et auprès des consommateurs sur la même période. L’écart atteint 4 900 milliards de dollars, avant même de prendre en compte la façon dont ces revenus seront répartis dans la chaîne de valeur.

Les propriétaires d’infrastructures ne recevront pas nécessairement la majeure partie des revenus générés par les produits d’IA. Les développeurs de modèles, éditeurs de logiciels, consultants, fournisseurs d’applications et distributeurs en prélèvent tous une part.

Gartner prévoit que moins de la moitié des revenus attribuables à l’IA reviendront aux fournisseurs possédant des infrastructures substantielles. De nombreuses entreprises nées de l’IA utilisent plutôt des modèles légers en actifs et louent leur capacité de calcul.

Cette répartition rend l’écart annoncé encore plus préoccupant. Les propriétaires de data centers portent les actifs et les obligations de financement, tandis que d’autres entreprises peuvent capter une grande partie des revenus applicatifs.

Gartner n’affirme pas que 3 500 milliards de dollars disparaîtront avec certitude. Le cabinet estime que ce montant pourrait être exposé à des dépréciations si la trajectoire d’investissement actuelle se poursuit.

Une dépréciation intervient lorsque la valeur comptable d’un actif dépasse le bénéfice économique qu’il peut raisonnablement générer. Son propriétaire réduit alors cette valeur dans ses états financiers.

La distinction est importante, car une exposition n’est pas équivalente à une perte réalisée. Des projets peuvent être retardés, des capacités réaffectées et des plans de dépenses réduits avant qu’une dépréciation ne devienne nécessaire.

Ces ajustements signaleraient toutefois que les hypothèses initiales sur la demande étaient trop optimistes. Ils pourraient aussi entraîner une baisse des marges, des annulations de projets ou une consolidation sans dépréciation formelle.

L’alerte initiale sur les dépréciations est arrivée alors que les investisseurs s’interrogeaient déjà sur l’économie du déploiement de l’IA. Son ampleur donne à ce débat une structure financière plus claire.

Si l’investissement suit la trajectoire retenue par Gartner, plus de 4 000 milliards de dollars de valeur d’actifs pourraient être exposés à un risque de dépréciation d’ici 2032. Gartner ne prévoit pas que le secteur atteigne le rendement supposé de 12 % avant la fin de 2032.

Cet horizon prolongé modifie la question à laquelle font face les propriétaires d’infrastructures. Ils doivent financer plusieurs années d’expansion avant que les rendements attendus ne rattrapent le capital déployé.

Le risque lié à l’infrastructure IA selon Gartner est donc à la fois un problème de calendrier et de revenus. La demande peut progresser rapidement tout en arrivant trop lentement pour soutenir les actifs construits en prévision.

Les dépenses liées à l’IA devancent la demande démontrée

Le déploiement suppose que les futures charges de travail d’IA seront monétisées à une échelle que l’adoption actuelle par les entreprises n’a pas encore établie.

Les modèles d’IA exigent des processeurs spécialisés, de la mémoire à large bande passante, des équipements réseau, des systèmes de refroidissement, des bâtiments et une électricité fiable. La plupart de ces composants doivent être sécurisés avant qu’un fournisseur sache dans quelle mesure les clients les utiliseront.

Cette séquence crée un cycle d’investissement difficile. Les fournisseurs construisent d’abord la capacité, tandis que l’usage, les prix, la fidélisation client et les modèles économiques logiciels restent incertains.

La capacité ne peut pas apparaître instantanément une fois la demande devenue évidente. Le développement de data centers implique des terrains, des permis, des accords d’approvisionnement électrique, des raccordements au réseau, des commandes d’équipements, la construction et les tests.

Attendre une demande démontrée peut laisser un fournisseur sans capacité suffisante. Construire trop tôt peut laisser du matériel coûteux sous-utilisé tandis que les intérêts et les dépenses de financement continuent de s’accumuler.

Le secteur a largement choisi le second risque. Les grandes entreprises du cloud et les fournisseurs spécialisés se disputent processeurs, électricité, emplacements et clients avant que le modèle de revenus n’atteigne sa maturité.

Ce choix repose sur certains fondements rationnels. L’entraînement de modèles plus grands consomme d’importantes ressources de calcul. Servir des applications d’IA largement utilisées peut exiger encore davantage de capacité, car l’inférence intervient chaque fois que les utilisateurs soumettent des requêtes.

Les entreprises passent également des expérimentations aux systèmes de production. Le service client, le développement logiciel, l’analyse documentaire, la recherche, la sécurité et la recherche scientifique génèrent tous des charges de travail d’inférence récurrentes.

Toutefois, l’usage technique ne crée pas automatiquement des rendements à l’échelle de l’infrastructure. Les fournisseurs doivent transformer cet usage en revenus dépassant les coûts d’amortissement du matériel, d’énergie, de réseau, de financement, de personnel et de maintenance.

La concurrence sur les prix complique cette transformation. Les développeurs de modèles ont à plusieurs reprises amélioré les performances tout en réduisant le coût des tâches d’inférence courantes. L’optimisation matérielle et logicielle peut aussi réduire les besoins de calcul pour chaque réponse.

Ces améliorations peuvent stimuler la demande. Elles peuvent aussi réduire le revenu par unité de calcul plus vite que l’usage total n’augmente.

Cela crée un paradoxe technologique familier. Un calcul moins coûteux élargit le marché, mais les propriétaires d’infrastructures ont besoin d’un volume suffisant pour compenser la baisse des prix unitaires et le vieillissement rapide des équipements.

Des recherches indépendantes avaient déjà décrit l’ampleur du déploiement physique. Une analyse des investissements dans le calcul de 2025 estimait que les data centers mondiaux nécessiteraient 6 700 milliards de dollars d’ici 2030.

Cette estimation incluait 5 200 milliards de dollars pour les installations gérant les charges de travail d’IA et 1 500 milliards de dollars pour l’informatique traditionnelle. Elle avertissait également qu’un surinvestissement pourrait immobiliser des actifs, tandis qu’un sous-investissement pourrait freiner la croissance.

L’analyse de Gartner va plus loin en comparant cette vague de construction aux revenus attribuables et aux rendements requis. Cette comparaison transforme une prévision de capacité en test de solvabilité.

Expliquer les dépenses liées à l’IA uniquement par la hausse de la demande de modèles omet cette dimension financière. Davantage de tokens, d’agents et de déploiements en entreprise ne garantissent pas que le propriétaire de l’infrastructure capte une valeur suffisante.

Le chiffre le plus important n’est pas l’usage total de l’IA. C’est la marge restante après que chaque intervenant entre la puce et l’application finale a prélevé sa part.

Cette marge doit aussi être générée avant que le matériel concerné ne perde sa compétitivité. Un processeur peut rester fonctionnel tout en devenant économiquement obsolète face à des systèmes plus récents offrant de meilleures performances par watt.

Le risque lié à l’infrastructure IA selon Gartner s’accroît lorsque la capacité progresse plus vite que les charges de travail rentables. Il augmente encore lorsque du matériel plus récent réduit la valeur des équipements achetés au cours du cycle précédent.

Les neoclouds font face à la version la plus difficile de ce test

Les fournisseurs spécialisés d’infrastructures IA associent des revenus concentrés à des actifs susceptibles de perdre rapidement leur valeur économique.

Gartner prévoit que plus de 80 % des fournisseurs de neoclouds cesseront d’opérer de manière indépendante d’ici 2030. Ce résultat pourrait inclure des faillites, acquisitions, fusions ou intégrations à de plus grandes plateformes.

Cette prévision ne signifie pas que 80 % fermeront tout simplement leurs portes. Elle décrit un marché susceptible de se consolider lorsque la pression sur les coûts révélera une différenciation insuffisante.

Les neoclouds ont émergé parce que la demande de calcul accéléré dépassait la capacité disponible auprès des plateformes cloud traditionnelles. Ils pouvaient sécuriser des processeurs, assembler des clusters et les louer à des développeurs de modèles ou à des clients entreprises.

Ce modèle fonctionne particulièrement bien lorsque le calcul reste rare. Les clients tolèrent des prix plus élevés, des engagements de longue durée ou une flexibilité limitée, car l’accès lui-même a de la valeur.

La rareté peut s’estomper à mesure que de nouvelles installations entrent en service. Les clients peuvent alors comparer les fournisseurs selon les prix, la fiabilité, les logiciels, le réseau, la couverture géographique et l’assistance.

Un fournisseur louant du matériel globalement similaire dispose d’une protection limitée lorsque ses concurrents proposent les mêmes processeurs. Les contrats peuvent soutenir les revenus à court terme, mais les renouvellements dépendent des prix futurs et des exigences des clients.

Le financement ajoute une autre source de pression. Les opérateurs spécialisés ne disposent souvent pas des revenus tirés de la publicité, du commerce, des logiciels de productivité et des activités cloud établies dont bénéficient les entreprises technologiques diversifiées.

Ils ont donc moins de latitude pour subventionner l’infrastructure pendant que la demande se développe. Une installation retardée, la perte d’un client, un problème de refinancement ou une forte baisse des prix peuvent affecter l’ensemble de l’entreprise.

La concentration de la clientèle peut amplifier ces chocs. Un grand développeur de modèles peut soutenir une expansion importante, mais le fournisseur devient vulnérable si ce client réduit sa demande ou change de prestataire.

Le matériel se déprécie aussi économiquement avant de cesser de fonctionner. De nouveaux accélérateurs peuvent offrir une meilleure vitesse d’entraînement, davantage de mémoire, un réseau plus performant ou une meilleure efficacité énergétique.

Les processeurs plus anciens peuvent rester utiles pour l’inférence ou les charges de travail moins exigeantes. Toutefois, les déplacer vers ces marchés implique généralement d’accepter des tarifs de location plus bas.

Les data centers eux-mêmes ont une durée de vie utile plus longue que leurs serveurs. Pourtant, un bâtiment configuré pour des clusters d’IA denses peut nécessiter de nouvelles dépenses lorsque les exigences en matière de refroidissement, d’alimentation électrique ou de réseau évoluent.

La thèse de Gartner est la plus convaincante là où se chevauchent l’endettement, des clients concentrés et une capacité peu différenciée. Ces facteurs peuvent transformer une baisse des tarifs de location en dépréciation ou en restructuration.

La réaction du marché après l’avertissement a reflété cette préoccupation. Les actions liées au calcul spécialisé et à la capacité des data centers ont subi des pressions, les investisseurs réévaluant les rendements attendus.

Les mouvements boursiers à court terme ne prouvent pas les prévisions de Gartner. Ils montrent néanmoins que les marchés financiers distinguent la croissance des revenus d’une économie durable des infrastructures.

Un néocloud peut contrer cette pression en obtenant des contrats à long terme, en maîtrisant les coûts énergétiques et en développant des logiciels qui augmentent les coûts de changement pour les clients. Il peut aussi se spécialiser dans des charges de travail où l’expertise opérationnelle compte.

Ces défenses exigent davantage que la disponibilité de processeurs. Elles exigent un service différencié qui conserve sa valeur une fois que la capacité de calcul brute devient plus facile à trouver.

C’est pourquoi les prévisions de Gartner sur les dépréciations liées à l’IA pointent vers une consolidation. L’échelle peut améliorer les achats, le financement, l’utilisation des capacités et la diversification de la clientèle, tandis que les acquisitions peuvent transférer des actifs vers des bilans plus solides.

La consolidation pourrait préserver une grande partie de la capacité physique. Elle confirmerait néanmoins que de nombreux opérateurs initiaux n’ont pas pu générer des rendements indépendants suffisants.

Les hyperscalers disposent de davantage de marges de manœuvre pour défendre leurs investissements

Amazon, Microsoft et Google font face aux mêmes contraintes économiques d’infrastructure, mais leurs activités plus larges leur offrent davantage de moyens de capter la valeur de l’IA.

Un hyperscaler exploite une infrastructure informatique à l’échelle mondiale et prend en charge de nombreux services au-delà de l’IA. Ce portefeuille rend son argumentaire d’investissement différent de celui d’un fournisseur spécialisé.

Les plateformes cloud peuvent générer des revenus grâce au stockage, aux bases de données, aux réseaux, à la sécurité, aux outils de développement et à l’informatique traditionnelle. Les charges de travail d’IA peuvent également renforcer ces activités connexes.

Les plateformes contrôlent une plus grande partie du parcours entre l’infrastructure et l’application. Elles peuvent louer des accélérateurs, vendre un accès géré aux modèles, héberger les données des clients et fournir des outils de déploiement des systèmes d’IA.

Elles peuvent également utiliser l’infrastructure en interne. La recherche, la publicité, les recommandations, les logiciels de productivité, le commerce et le support client créent tous des charges de travail qui n’apparaissent pas comme des ventes cloud externes.

Cette captation plus large n’élimine pas le risque d’infrastructure IA identifié par Gartner. Elle donne aux hyperscalers davantage de possibilités de justifier leurs dépenses à travers plusieurs sources de revenus.

Amazon Web Services a avancé un contre-argument direct après la publication des conclusions de Gartner. John Felton, directeur financier d’AWS, a déclaré que les dépenses d’investissement de l’entreprise soutenaient une innovation significative et la demande des clients.

Il a évoqué un carnet de commandes de près de 500 milliards de dollars communiqué pour le deuxième trimestre. AWS a indiqué que cette demande provenait de grandes entreprises, de laboratoires d’IA et de plus petites sociétés.

Selon le dossier d’AWS sur ses dépenses, l’entreprise reste à l’aise avec ses investissements, car les clients s’engagent sur une utilisation à long terme. AWS a déclaré un chiffre d’affaires trimestriel de 42,2 milliards de dollars, en hausse de 36,7 % sur un an.

Un carnet de commandes apporte de la visibilité, mais ne tranche pas entièrement la question du rendement. Les contrats peuvent s’étendre sur plusieurs années, comporter des obligations de service et inclure des charges de travail sans rapport avec une infrastructure d’IA spécialisée.

La croissance du chiffre d’affaires diffère également du rendement du capital investi. Une entreprise peut se développer rapidement tout en générant un rendement inférieur au coût et au risque de ses investissements.

La réponse d’AWS identifie néanmoins la contestation la plus solide du modèle de Gartner. La visibilité sur la demande et la diversification des revenus peuvent permettre aux grandes plateformes de continuer à investir pendant une phase plus faible du cycle.

Les hyperscalers peuvent aussi ralentir une catégorie de construction sans abandonner leurs stratégies cloud plus larges. Ils peuvent redéployer le matériel, renégocier les calendriers d’achat ou privilégier les installations où la demande est plus forte.

Leur pouvoir d’achat peut réduire les coûts d’équipement et de financement. Leur présence mondiale leur permet de déplacer les charges de travail entre régions lorsque l’énergie, la réglementation ou la capacité locale deviennent contraintes.

Les accélérateurs personnalisés constituent une autre défense. Des puces conçues en interne peuvent réduire la dépendance à un fournisseur unique et améliorer l’économie de certaines charges de travail.

Cette stratégie entraîne ses propres coûts. Concevoir des processeurs, des logiciels et des réseaux nécessite des investissements soutenus, tandis que les clients attendent toujours une compatibilité avec les systèmes largement adoptés.

L’adversaire central de cette histoire n’est donc pas Gartner face à une entreprise. C’est la promesse de revenus du secteur face à la réalité économique des capitaux déployés.

Les hyperscalers disposent de davantage de défenses, mais ils ont toujours besoin que les clients utilisent les services d’IA à une échelle extraordinaire. Leur avantage réside dans leur capacité à capter de la valeur à travers un système bien plus vaste.

Ce que l’avertissement de 3 500 milliards de dollars ne prouve pas

Les prévisions de Gartner constituent un scénario fondé sur des hypothèses de dépenses, de revenus et de rendement, et non un calendrier audité de pertes inévitables.

L’analyse suppose que la trajectoire actuelle des investissements se poursuit. Les fournisseurs peuvent modifier cette trajectoire lorsque l’économie des projets se dégrade.

La construction peut être retardée avant l’arrivée des équipements. Les commandes de matériel peuvent être révisées, les installations peuvent ouvrir par phases et les sites prévus peuvent rester non développés.

Les pénuries de capacité peuvent aussi soutenir les prix plus longtemps que prévu. L’accès à l’électricité, les retards d’autorisation, les contraintes d’approvisionnement et l’opposition locale peuvent limiter les nouveaux projets avant que le marché n’atteigne une offre excédentaire.

Ces contraintes réduiraient la quantité d’infrastructures achevées exposées à une demande faible. Elles pourraient également rendre les capacités opérationnelles plus précieuses.

La demande pourrait dépasser les prévisions de revenus de Gartner. Les agents IA, les systèmes scientifiques, la robotique, la génération de médias, les outils de programmation et l’automatisation d’entreprise pourraient créer des charges de travail encore difficiles à modéliser.

Le secteur pourrait également développer de meilleurs modes de monétisation. Les entreprises pourraient payer davantage lorsque les systèmes d’IA accomplissent un travail utile au lieu de fournir une assistance occasionnelle.

Ce résultat exige une valeur économique mesurable. Les clients entreprises doivent à terme obtenir des gains de productivité, des revenus supplémentaires ou des coûts d’exploitation réduits qui justifient des dépenses récurrentes en IA.

Les entreprises à forte intensité de connaissances font face au même test à plus petite échelle. Une base de connaissances IA ne crée de valeur que lorsque les personnes peuvent utiliser ses résultats dans de véritables décisions et flux de travail.

Les fournisseurs d’infrastructure dépendent de cette réussite au niveau applicatif. Si l’IA d’entreprise reste un poste budgétaire expérimental, la demande ne soutiendra pas tous les centres de données actuellement prévus.

L’efficacité crée une autre incertitude. De meilleurs matériels, des modèles plus petits, la mise en cache, la quantification et des logiciels améliorés peuvent fournir davantage de résultats à partir de la même infrastructure.

L’efficacité peut accroître les marges des fournisseurs bien utilisés. Elle peut également réduire la capacité totale nécessaire pour répondre à un niveau donné de demande.

L’effet dépend de l’élasticité, c’est-à-dire de l’intensité avec laquelle l’usage réagit lorsque les coûts baissent. Si des coûts plus faibles créent une demande beaucoup plus importante, les fournisseurs peuvent maintenir leurs systèmes occupés.

Si la demande augmente lentement, l’efficacité peut rendre les nouvelles capacités construites superflues. La même avancée technique peut donc renforcer les applications tout en affaiblissant les propriétaires d’infrastructure.

L’hypothèse de rendement de 12 % retenue par Gartner mérite également attention. Elle représente le taux de rentabilité exigé choisi par le cabinet pour le capital d’investissement, plutôt qu’un seuil comptable universel.

Un rendement requis plus faible réduirait l’écart modélisé. Des coûts de financement plus élevés ou un risque de projet accru l’élargiraient.

L’attribution des revenus pose un autre défi. L’IA contribue aux contrats cloud, aux produits publicitaires, aux abonnements logiciels et à l’efficacité interne, mais cette valeur est difficile à attribuer avec précision.

Un modèle d’attribution étroit pourrait sous-estimer les revenus soutenus par l’infrastructure. Un modèle large pourrait attribuer à l’IA une activité que les systèmes existants auraient générée de toute façon.

Le chiffre de 3 500 milliards de dollars doit donc être lu comme une estimation de l’exposition. Il révèle l’ampleur du décalage selon les hypothèses de Gartner, mais n’identifie pas des actifs ou des entreprises précis.

Cette limite ne rend pas l’avertissement anodin. L’analyse de scénarios est utile lorsque les décisions d’investissement interviennent des années avant que leurs résultats deviennent observables.

L’argument de Gartner sur les dépréciations liées à l’IA devient plus solide si les dépenses se poursuivent alors que l’utilisation, les marges et les revenus attribuables restent faibles. Il s’affaiblit si la demande rentable rattrape son retard avant que la dépréciation ne s’accélère.

Trois signaux détermineront si l’avertissement se confirme

L’utilisation des capacités, les rendements en trésorerie et la consolidation montreront si le déploiement de l’IA crée des entreprises d’infrastructure durables ou des capacités échouées.

Le premier signal est l’utilisation divulguée des centres de données d’IA. Les fournisseurs offrent rarement une mesure complète et comparable, mais plusieurs indicateurs opérationnels peuvent révéler la tendance.

Les investisseurs devraient surveiller les prix de location, la durée des contrats, la concentration des clients, les retards de déploiement et le temps nécessaire pour remplir de nouvelles capacités. Une baisse des prix accompagnée de nouvelles vacances soutiendrait l’avertissement de Gartner.

Une utilisation élevée ne suffit pas à elle seule. Les fournisseurs peuvent remplir des installations grâce à des contrats à prix réduit qui ne couvrent pas le financement et la dépréciation.

Le signal plus robuste combinerait une utilisation élevée avec des prix stables et une amélioration des marges d’exploitation. Ce schéma montrerait que les clients accordent suffisamment de valeur à la capacité pour en soutenir l’économie.

Le deuxième signal est le rendement du capital investi des grandes plateformes. Les dépenses d’investissement peuvent soutenir la croissance future, mais la génération de trésorerie doit finir par démontrer le rendement.

Les revenus cloud, les marges d’exploitation, les flux de trésorerie disponibles, la dépréciation, les engagements d’achat et la conversion du carnet de commandes méritent tous attention. Aucun chiffre isolé ne peut résoudre la question.

Si la croissance du cloud reste forte tandis que les marges résistent à l’augmentation de la dépréciation, la défense des hyperscalers gagne en crédibilité. Si les revenus augmentent tandis que les rendements en trésorerie diminuent durablement, le risque d’infrastructure IA de Gartner devient plus difficile à écarter.

Le troisième signal est la consolidation des néoclouds. Gartner prévoit que plus de 80 % de ces fournisseurs cesseront leurs activités indépendantes d’ici 2030.

Les acquisitions, restructurations, projets annulés, modifications de clauses financières et ventes d’actifs en difficulté fourniraient des preuves précoces. Il en irait de même d’un basculement marqué vers quelques opérateurs à grande échelle.

La consolidation ne signifie pas nécessairement que la demande en IA s’est effondrée. Elle peut signifier que la demande est restée saine tandis que les fournisseurs initiaux recouraient à des structures financières insoutenables.

La disponibilité de l’électricité influencera les trois signaux. Les centres de données ne peuvent pas monétiser des processeurs dépourvus d’une alimentation électrique fiable ou de connexions au réseau.

Les perspectives de demande énergétique prévoient une consommation mondiale d’électricité des centres de données d’environ 945 térawattheures d’ici 2030. C’est plus du double du niveau récent.

L’IA devrait alimenter une grande partie de cette hausse. Pourtant, les centres de données concentrent la demande dans des lieux précis, où les capacités de transport et de production peuvent devenir des contraintes déterminantes.

Les goulets d’étranglement énergétiques pourraient protéger les installations achevées contre une offre excédentaire. Ils pourraient également bloquer des projets ayant obtenu des terrains et des équipements sans connexion viable.

La séquence est importante. Les prévisions de Gartner se renforcent si les entreprises continuent d’engager des capitaux malgré des rendements plus faibles et des capacités excédentaires visibles.

Elles s’affaiblissent si les fournisseurs réduisent les projets marginaux, améliorent l’utilisation et transforment l’adoption en entreprise en une demande récurrente rentable. La discipline des dépenses pourrait éviter les dépréciations sans réfuter l’importance plus large de l’IA.

Les lecteurs devraient distinguer le succès de l’intelligence artificielle du succès de chaque entreprise qui finance son infrastructure. Une technologie utile peut tout de même attirer trop de capitaux aux mauvais prix.

La même distinction s’appliquait lors des précédents booms des communications et de l’informatique. Les constructions excessives ont nui aux investisseurs, mais les infrastructures survivantes ont ensuite soutenu des services précieux.

L’avertissement de Gartner indique que le secteur approche de ce test avant que le déploiement ne soit terminé. Son modèle place plus de 3 500 milliards de dollars à risque selon la trajectoire actuelle.

La question suivante n’est pas de savoir si l’usage de l’IA continue de croître. Ce sera presque certainement le cas. La question est de savoir si les revenus atteignent les propriétaires des actifs assez rapidement pour dépasser la dépréciation, les coûts de financement et la nouvelle concurrence.

Observez ce que les fournisseurs déclarent plutôt que ce qu’ils promettent. Les nouvelles installations se remplissent-elles à des prix durables ? Les rendements s’améliorent-ils après amortissement ? Les opérateurs spécialisés restent-ils indépendants ?

Ces réponses détermineront si Gartner a identifié un décalage de capitaux évitable ou la phase initiale d’un cycle historique de dépréciations.