Jon Gray remet en question le scepticisme face aux lenteurs des rendements de l’IA

Jon Gray a contesté la demande croissante de rendements immédiats de l’IA, qualifiant cette impatience d’« un peu déplacée » malgré les inquiétudes grandissantes concernant les dépenses et les flux de trésorerie.

L’argument du président de Blackstone, rapporté dans un article de Business Insider diffusé sur google news, repose sur un horizon d’investissement plus long. Les centres de données exigent des années de planification, de construction, d’approvisionnement en électricité et de location aux clients avant que leur rentabilité ne devienne claire.

Cette position entre en conflit avec un message plus ferme des marchés publics. Les investisseurs veulent de plus en plus qu’Alphabet, Amazon, Meta, Microsoft et Oracle relient leurs dépenses d’investissement dans l’IA à des revenus, des marges et des flux de trésorerie disponibles mesurables.

Gray n’est pas un observateur neutre dans ce débat. Blackstone a placé les centres de données, les infrastructures énergétiques et d’autres actifs liés à l’IA au cœur de sa stratégie d’investissement. Ses résultats lui donnent des raisons d’être optimiste, mais son exposition donne également à l’entreprise un intérêt financier évident à maintenir les constructions.

Le véritable débat ne porte donc pas sur la capacité de l’IA à créer de la demande. La croissance actuelle du cloud et les engagements en matière d’infrastructures démontrent déjà une demande substantielle. Le différend concerne le calendrier, la concentration et la question de savoir si les constructions actuelles généreront des rendements acceptables après les coûts de financement et d’exploitation.

L’argument de Jon Gray sur les rendements de l’IA est une question de temps

Gray demande aux investisseurs d’évaluer les infrastructures d’IA comme un actif industriel durable, et non comme une fonctionnalité logicielle censée être rentable en un trimestre.

Les documents publics de Blackstone décrivent un cycle de dépenses pluriannuel impliquant des puces, des centres de données, des équipements de refroidissement et la production d’électricité. Ces actifs doivent exister avant que les fournisseurs de cloud puissent vendre la capacité de calcul qu’ils créent.

Cette séquence rend les premiers calculs de rendement incomplets. Les dépenses de construction apparaissent immédiatement, tandis que les revenus n’arrivent qu’après la mise sous tension des bâtiments, l’installation des serveurs et le début de l’utilisation de la capacité contractuelle par les clients.

Un centre de données peut également accueillir plusieurs générations d’équipements informatiques. La durée de vie économique du bâtiment et de son raccordement électrique peut donc dépasser la durée d’utilité de ses premières puces.

La position de Gray gagne en crédibilité grâce au propre portefeuille de Blackstone. Lors de la conférence téléphonique sur les résultats du deuxième trimestre de l’entreprise, la direction a déclaré que l’IA stimulait les investissements dans les infrastructures numériques et énergétiques. Blackstone a également indiqué que neuf de ses dix plus importantes hausses d’investissement trimestrielles étaient liées à des entreprises associées à l’IA.

L’entreprise a déclaré que sa stratégie mutualisée d’infrastructures numériques avait généré un rendement annuel net de 18 % depuis sa création. Ce chiffre couvre une stratégie d’investissement de Blackstone, et non l’ensemble du marché de l’IA, et ne doit pas être considéré comme une preuve universelle.

Blackstone a mis en avant QTS, l’opérateur de centres de données qu’elle a acquis avant le lancement de ChatGPT. Selon les perspectives de mi-année de l’entreprise, la capacité louée de QTS a été multipliée par quinze en cinq ans.

Cette expérience façonne le raisonnement de Gray. Blackstone a engagé des capitaux avant que la demande en IA générative ne devienne évidente, puis en a bénéficié lorsque de grands clients du cloud ont recherché davantage de capacité de calcul.

Toutefois, le succès d’une seule plateforme ne peut trancher la question plus large des rendements. Les prix d’entrée, la disponibilité de l’électricité, les structures de financement, les contrats des locataires et le calendrier de construction diffèrent selon les actifs.

Les gains de Blackstone reflètent également sa position dans la chaîne d’approvisionnement. Un bailleur disposant de contrats de location à long terme peut générer des rendements attrayants même lorsque les produits d’IA de son locataire restent moins rentables que prévu.

Cette distinction est importante. Les propriétaires d’infrastructures vendent une capacité rare, tandis que les entreprises de cloud doivent transformer cette capacité en revenus récurrents auprès des clients. Les développeurs d’applications font face à un autre défi, car ils doivent générer suffisamment de revenus pour couvrir l’accès coûteux aux modèles et à la puissance de calcul.

Le commentaire initial se comprend mieux comme une défense du capital patient. Gray n’affirme pas que chaque modèle d’IA, centre de données ou entreprise de logiciels réussira.

Son argument plus limité est que les investisseurs évaluent un déploiement inachevé avant qu’une grande partie de sa capacité ne soit entrée en service. Sur ce point, le calendrier de construction lui donne raison.

Pourtant, ce même calendrier peut masquer des erreurs. Un projet retardé par des contraintes d’approvisionnement électrique peut manquer sa meilleure fenêtre de demande. Une installation conçue autour du matériel actuel pourrait nécessiter des mises à niveau coûteuses plus tôt que prévu.

Le temps constitue donc à la fois la défense de Gray et son risque. Attendre permet à la demande contractuelle de devenir un revenu, mais donne aussi aux concurrents le temps d’ajouter des capacités et de réduire les prix.

Pourquoi google news se remplit de doutes sur les dépenses liées à l’IA

Le scepticisme des investisseurs s’est intensifié parce que les engagements de capitaux augmentent plus rapidement que les entreprises ne peuvent divulguer les rendements qui y sont associés.

Les plus grands fournisseurs de cloud déclarent rarement les revenus et les bénéfices de l’IA comme des postes distincts. L’activité liée à l’IA est plutôt intégrée dans des activités plus larges de cloud, de publicité, de logiciels ou d’infrastructures.

Cette structure comptable rend les calculs directs de rendement difficiles. Google Cloud inclut des charges de travail cloud conventionnelles aux côtés des services d’IA, tandis que le segment cloud de Microsoft combine Azure avec d’autres produits.

Amazon Web Services rencontre le même problème d’attribution. Meta utilise une grande partie de ses infrastructures en interne, où l’IA soutient les recommandations, la publicité, les outils de contenu et le développement de produits.

Une analyse des résultats a conclu que les marges du cloud fournissent des indices mais ne peuvent isoler les rendements des investissements dans l’IA. Les charges de travail cloud traditionnelles restent très rentables et peuvent masquer une économie de l’IA plus faible.

Les chiffres des dépenses sont plus faciles à observer. Reuters a rapporté que les estimations consensuelles de dépenses d’investissement pour Microsoft, Alphabet, Amazon, Meta et Oracle étaient passées d’environ 485 milliards de dollars en janvier à quelque 730 milliards de dollars en juillet 2026.

La même analyse des flux de trésorerie prévoyait que les cinq entreprises pourraient dépenser davantage en dépenses d’investissement qu’elles ne génèrent en flux de trésorerie disponibles en 2027.

Ces estimations incluent des investissements non liés à l’IA, car les entreprises ne séparent pas systématiquement les dépenses d’IA. Toutefois, les dirigeants ont identifié les serveurs, les centres de données, les réseaux et la capacité cloud associée comme des moteurs majeurs des dépenses.

La pression est différente pour chaque entreprise. Microsoft a déclaré 35,8 milliards de dollars de flux de trésorerie opérationnels trimestriels tout en enregistrant 37,5 milliards de dollars de dépenses d’investissement, y compris les contrats de location-financement.

Amazon a déclaré que ses flux de trésorerie opérationnels sur douze mois glissants avaient atteint 148,5 milliards de dollars, tandis que ses flux de trésorerie disponibles tombaient à 1,2 milliard de dollars. Les dépenses d’investissement d’Oracle pour l’exercice 2026 ont atteint 55,7 milliards de dollars, contre 32 milliards de dollars de flux de trésorerie opérationnels.

Ces chiffres ne prouvent pas que les dépenses échoueront. Ils expliquent pourquoi les investisseurs n’acceptent plus la croissance des capacités comme une preuve suffisante.

Les actionnaires publics valorisaient initialement de nombreuses entreprises technologiques comme des plateformes légères en actifs. Les revenus issus des logiciels et de la publicité pouvaient croître sans hausse correspondante des usines, des équipements ou des stocks.

L’IA change ce modèle. La croissance des revenus dépend de plus en plus d’installations physiques, de puces spécialisées, de systèmes de refroidissement, d’équipements de transmission et d’une électricité fiable.

Le résultat ressemble à un hybride entre l’économie des logiciels et les infrastructures industrielles. Cette combinaison peut produire des avantages durables, mais elle réduit aussi la flexibilité et consomme des liquidités avant que la demande ne devienne certaine.

C’est la tension qui sous-tend la couverture actuelle de google news. Gray voit une infrastructure qui soutiendra des années de demande en calcul. Les sceptiques voient d’énormes engagements fixes dont la rentabilité reste difficile à mesurer.

Les deux positions ne sont pas totalement opposées. Les investisseurs peuvent croire que la demande en IA va croître tout en s’interrogeant sur la capacité de chaque dollar investi dans les constructions actuelles à générer un rendement adéquat.

Cette distinction explique pourquoi les réactions du marché sont devenues sélectives. Les entreprises affichant une croissance du cloud et des marges stables bénéficient de plus de patience que celles qui dépendent fortement de la dette ou de clients concentrés.

Le débat a dépassé la question de savoir si les dirigeants croient en l’IA. Les investisseurs veulent désormais des preuves que les dépenses supplémentaires produisent des revenus supplémentaires sans affaiblir durablement les marges ou les rendements pour les actionnaires.

Le capital patient des infrastructures face à la pression des marchés trimestriels

Le conflit principal oppose le modèle d’investissement de longue durée de Gray aux investisseurs publics exigeant des preuves financières à court terme.

Blackstone lève des fonds conçus pour détenir des actifs privés sur de longues périodes. Elle peut structurer ses investissements autour de baux longs, de flux de trésorerie contractuels et d’un développement progressif.

Les entreprises technologiques cotées répondent à une autre cadence. Chaque publication de résultats donne aux actionnaires une nouvelle occasion de comparer les dépenses d’investissement avec la croissance du cloud, le résultat opérationnel et les flux de trésorerie disponibles.

Cette différence peut faire paraître les deux camps dans le vrai. Un investissement privé dans un centre de données peut bien fonctionner sur une décennie tout en pesant sur les flux de trésorerie d’un fournisseur de cloud durant ses premières années.

Le modèle de Gray bénéficie également de la rareté. Les terrains appropriés, les raccordements au réseau, les équipements, les permis et les opérateurs expérimentés restent limités sur les principaux marchés de centres de données.

Blackstone affirme que le temps nécessaire pour obtenir de l’électricité dans certains endroits est passé d’environ un an à sept ans ou davantage. La rareté peut soutenir les loyers et la valeur des actifs pour les propriétaires qui contrôlent déjà des sites alimentés.

Pour les hyperscalers, cette même rareté accroît les coûts. Un fournisseur de cloud peut devoir payer davantage pour l’électricité, la construction, les réseaux et les équipements, car retarder les capacités risque de faire perdre des clients.

Cela crée une incitation inhabituelle. Pour les dirigeants technologiques, le sous-investissement peut sembler plus dangereux qu’une surdépense temporaire.

Un client incapable d’obtenir suffisamment de capacité de calcul peut déplacer ses charges de travail ailleurs, construire des systèmes internes ou signer un long contrat avec un concurrent. Les relations perdues peuvent perdurer après l’amélioration de l’offre.

Moody’s a décrit cette préoccupation comme existentielle du point de vue des hyperscalers. Son analyse a également averti qu’une construction agressive pouvait créer des surcapacités et affaiblir les rendements.

Les dépenses consacrées aux centres de données précèdent généralement les revenus d’une marge importante. Les projets nécessitent une planification, une construction, une mise en service, l’installation des équipements et le déploiement chez les clients avant de devenir pleinement productifs.

Ce décalage soutient la critique de l’impatience formulée par Gray. Il serait déraisonnable d’attendre d’une installation en construction qu’elle génère le même rendement qu’un actif mature et entièrement loué.

Toutefois, les investisseurs ne jugent pas uniquement des bâtiments inachevés. Ils évaluent la capacité des équipes dirigeantes à prévoir la demande avec suffisamment de précision pour éviter une surconstruction synchronisée.

Alphabet, Amazon, Meta, Microsoft et Oracle se développent simultanément. Les fournisseurs de cloud spécialisés et les projets souverains ajoutent une autre couche d’offre prévue.

Si tous les participants utilisent des prévisions de croissance similaires, ils peuvent collectivement construire davantage de capacités que les clients ne peuvent en absorber. Les prix du cloud baisseraient alors tandis que les dépenses d’amortissement, d’intérêts et d’électricité demeureraient.

Jason Helfstein d’Oppenheimer a résumé la préoccupation en termes directs : si le secteur crée trop de capacités, leur prix diminuera. C’est le risque classique des marchés à forte intensité capitalistique.

Les télécommunications offrent une comparaison historique pertinente. Les investissements dans la fibre à la fin des années 1990 ont créé une infrastructure qui est finalement devenue essentielle, mais de nombreux investisseurs ont souffert parce que les capacités sont arrivées avant une demande rentable.

Internet n’était pas une technologie en échec. De nombreux projets et entreprises individuels ont néanmoins généré de faibles rendements.

L’infrastructure d’IA peut connaître la même issue contrastée. La société peut utiliser bien davantage de puissance de calcul, tandis que certains propriétaires découvriront qu’ils ont trop payé ou financé leurs projets de manière trop agressive.

Goldman Sachs a estimé que les dépenses des hyperscalers dans l’IA devraient atteindre 700 milliards de dollars en 2026 pour égaler le pic des télécommunications de la fin des années 1990 en part de l’économie. Ses perspectives d’investissement soulignent également que les grands fournisseurs disposent d’importantes capacités de bilan.

L’échelle réduit donc le risque de difficultés financières immédiates pour les entreprises les plus solides. Elle ne garantit pas que leur prochaine unité de capacité générera le même rendement que la précédente.

L’argument de Gray est le plus solide lorsqu’il s’applique à des infrastructures rares et sous contrat, détenues par des investisseurs bien capitalisés. Il devient moins convaincant lorsqu’il est généralisé à des projets spéculatifs, des opérateurs endettés et des applications non éprouvées.

L’impatience du marché ne relève pas simplement d’une vision à court terme. Elle cherche à distinguer une infrastructure durable de capacités construites sur des hypothèses qui n’ont pas été testées.

L’absence de données sur les rendements crée un véritable déficit de vérification

L’optimisme de Gray ne peut résoudre le problème central, car ni Blackstone ni les hyperscalers ne fournissent une vision complète de la rentabilité de l’IA.

Blackstone peut présenter les performances de certaines stratégies d’infrastructure et d’entreprises individuelles de son portefeuille. Ces résultats montrent comment ses actifs ont performé dans le cadre de contrats et de structures de propriété spécifiques.

Ils ne révèlent pas le rendement obtenu par les clients cloud qui utilisent ces installations. Ils n’indiquent pas non plus si les applications d’IA générative peuvent soutenir les prix nécessaires tout au long de la chaîne d’approvisionnement.

Les informations publiées par les hyperscalers présentent la limite inverse. Elles montrent le chiffre d’affaires consolidé, les marges, les flux de trésorerie et les dépenses d’investissement, mais isolent rarement la contribution de l’infrastructure d’IA.

Les investisseurs doivent donc combiner des signaux indirects. Ils suivent la croissance du cloud, le carnet de commandes, le taux d’utilisation, les marges d’exploitation, les amortissements, les engagements de location et les commentaires de la direction.

Chaque signal comporte des faiblesses. Le carnet de commandes peut inclure des contrats s’étalant sur de nombreuses années, et les clients peuvent négocier des calendriers de déploiement avant que le chiffre d’affaires ne soit comptabilisé.

Le taux d’utilisation peut s’améliorer alors que les prix baissent. La croissance du cloud peut refléter une demande conventionnelle en bases de données, stockage et réseaux plutôt que l’IA générative.

Les marges peuvent également rester stables parce que des services historiques rentables compensent les pertes liées aux nouvelles charges de travail d’IA. Sans informations par segment, de bons résultats dans le cloud ne prouvent pas que les rendements de l’IA sont attrayants.

La concentration de la clientèle crée une autre incertitude. La recherche technologique de HSBC a estimé qu’OpenAI et Anthropic représentent environ la moitié des carnets de commandes liés à l’IA divulgués par plusieurs grands fournisseurs de cloud.

La part exacte est difficile à vérifier, car les fournisseurs communiquent peu de détails sur leurs clients. Cette possibilité est toutefois importante, car les deux laboratoires dépendent de la poursuite des investissements externes et d’importants engagements d’infrastructure.

Un marché concentré peut paraître plus solide qu’il ne l’est. Les revenus d’infrastructure d’un fournisseur peuvent provenir d’un client dont les dépenses sont financées par une autre entreprise du même réseau d’investissement.

Ces relations ne sont pas automatiquement circulaires ou insoutenables. Des investisseurs stratégiques peuvent raisonnablement financer des développeurs de modèles tout en leur vendant de la capacité de calcul.

Néanmoins, ces montages compliquent l’analyse de la demande. Les investisseurs doivent déterminer quelle part de l’utilisation provient de clients indépendants et payants, plutôt que de capitaux recyclés au sein d’un petit groupe.

Le point de vue sceptique va également au-delà des hyperscalers. Les entreprises indiquent expérimenter l’IA, mais l’expérimentation ne se transforme pas toujours en déploiement à grande échelle.

Un projet pilote peut démontrer une valeur technique sans couvrir les coûts d’intégration, de sécurité, de formation, de gouvernance et d’inférence. Les entreprises peuvent réduire leur utilisation lorsque ces coûts dépassent les économies mesurables.

Blackstone indique qu’environ la moitié des entreprises de son portefeuille sont passées à une forme d’adoption de l’IA. Cela offre une perspective utile sur différents secteurs, mais les stades d’adoption ne sont pas équivalents à des rendements financiers.

La donnée la plus importante qui manque est le bénéfice incrémental. Les investisseurs doivent savoir si l’IA génère des revenus ou des économies au-delà de ce que les entreprises auraient gagné sans l’infrastructure supplémentaire.

Ce calcul exige un scénario contrefactuel, c’est-à-dire une estimation des résultats sans l’investissement. Les entreprises en publient rarement, et les observateurs externes ne peuvent pas le construire avec précision.

Un système de recommandation peut améliorer les revenus publicitaires tout en utilisant du nouveau matériel d’IA. Pourtant, ces mêmes revenus peuvent également refléter des prix plus élevés, la croissance de l’audience ou des changements de produits sans rapport.

Un assistant de programmation IA peut accroître les abonnements logiciels. Sa contribution dépend toujours de la fidélisation des clients, des coûts de calcul, des dépenses de support et d’une éventuelle cannibalisation des produits existants.

Ce déficit de vérification laisse aux deux camps la possibilité de sélectionner les éléments favorables. Gray peut mettre en avant la croissance des locations et les rendements de l’infrastructure. Les critiques peuvent souligner la baisse des flux de trésorerie disponibles et la communication limitée.

Aucun des deux ne prouve l’issue finale. Le déploiement reste en cours, et une grande partie des capacités pertinentes n’a pas fonctionné assez longtemps pour établir une économie stable.

Pour les lecteurs arrivant depuis google news, cette incertitude est plus importante que le désaccord mis en avant dans le titre. Le débat ne peut être tranché par la seule confiance.

Les preuves devront finalement apparaître dans des revenus récurrents, une utilisation soutenue, des prix stables, des marges en amélioration et une génération de trésorerie après les coûts du capital.

Tant que ces chiffres ne seront pas visibles, le commentaire de Gray restera une thèse d’investissement plausible plutôt qu’une conclusion vérifiée sur l’ensemble de l’économie de l’IA.

Là où la thèse de Jon Gray fait face à son test le plus difficile

Le plus grand risque n’est pas que la demande d’IA disparaisse, mais que l’offre, le financement et l’économie des clients ne parviennent pas à s’aligner.

La demande de puissance de calcul peut croître rapidement tout en produisant des rendements décevants pour les investisseurs. Le prix payé pour les actifs et le coût du financement déterminent qui capte la valeur.

Des charges d’intérêts élevées peuvent effacer l’avantage de solides revenus locatifs. Des retards de construction peuvent générer des coûts avant qu’une installation ne commence à facturer ses clients.

L’électricité est une autre contrainte. Les centres de données ont besoin d’une alimentation fiable, et les nouveaux projets de transport ou de production d’électricité peuvent prendre plus de temps que les installations de calcul elles-mêmes.

Les développeurs disposant d’une alimentation électrique sécurisée peuvent bénéficier d’un plus grand pouvoir de fixation des prix. Ceux qui n’en disposent pas peuvent détenir des terrains et des équipements coûteux en attendant leur raccordement au réseau.

Les communautés et les régulateurs influencent également le calendrier. Les préoccupations portent notamment sur les tarifs d’électricité des ménages, la consommation d’eau, le bruit, les émissions et la concurrence pour les terrains.

De nouvelles exigences peuvent transférer les coûts d’infrastructure vers les opérateurs de centres de données. Cela peut protéger les résidents tout en réduisant les rendements des projets ou en retardant la construction.

Les cycles d’équipement ajoutent une incertitude supplémentaire. Les processeurs avancés peuvent devenir commercialement dépassés bien plus vite que les bâtiments, les sous-stations et les systèmes de refroidissement.

Les propriétaires doivent concevoir des installations capables de prendre en charge les densités matérielles futures. Un bâtiment qui ne peut accueillir de nouvelles exigences d’alimentation électrique et de refroidissement peut nécessiter des investissements supplémentaires.

Les gains rapides d’efficacité créent une autre tension. Des puces plus efficaces peuvent réduire le coût de calcul par tâche, ce qui encourage une utilisation accrue grâce à des prix plus bas.

Toutefois, l’efficacité peut aussi réduire le nombre de machines nécessaires pour une charge de travail donnée. La demande doit croître assez rapidement pour absorber ces gains.

La concurrence touche chaque couche. Nvidia fournit une grande partie du matériel de calcul accéléré, tandis que les entreprises cloud développent leurs propres processeurs afin de réduire leurs coûts et leur dépendance aux fournisseurs.

Google exploite depuis longtemps des tensor processing units, des processeurs spécialisés conçus pour les charges de travail d’apprentissage automatique. Amazon et Microsoft proposent également des puces d’IA conçues en interne.

Le matériel personnalisé peut améliorer l’économie des hyperscalers. Il peut aussi fragiliser les hypothèses qui sous-tendent des installations ou des accords de financement optimisés autour d’un processeur externe particulier.

La pression la plus forte à court terme pourrait peser sur les opérateurs endettés plutôt que sur les plus grandes entreprises technologiques. Les hyperscalers peuvent soutenir leurs dépenses grâce à des revenus diversifiés et d’importants flux de trésorerie.

Les petits fournisseurs d’infrastructure dépendent souvent de la dette, du financement d’équipements ou d’un nombre limité de locataires. Un contrat retardé ou un problème de refinancement peut avoir un effet bien plus important.

S&P Global Ratings estime que cinq grands fournisseurs de cloud dépenseront environ 750 milliards de dollars en dépenses d’investissement en 2026, soit environ 38 % de leurs revenus. Son évaluation du crédit prévoit que les flux de trésorerie se redresseront à mesure que les revenus de l’IA prendront de l’ampleur.

L’agence avertit également que la qualité du crédit à long terme dépend de la capacité de la croissance des revenus à dépasser les engagements de capital. Cette condition résume le test central plus précisément que les affirmations générales sur une bulle de l’IA.

La thèse de Gray tient si la demande reste supérieure à l’offre utilisable et si les contrats à long terme transforment la rareté en flux de trésorerie. Elle s’affaiblit si les coûts de financement augmentent tandis que les capacités deviennent interchangeables.

Elle s’affaiblit également si les principaux clients de l’IA ne peuvent financer leurs engagements par leurs revenus d’exploitation. La demande d’infrastructure dépend alors de levées de capitaux continues plutôt que d’une utilisation autosuffisante.

Le défi pour les lecteurs est d’éviter de traiter l’IA comme un marché uniforme. Un actif énergétique rentable, une installation entièrement louée, un service cloud et un chatbot grand public ont des économies différentes.

Le succès de Blackstone dans une couche ne démontre pas la rentabilité dans toutes les couches. À l’inverse, une économie d’application faible ne rend pas automatiquement un centre de données sous contrat non rentable.

Cette issue fragmentée est plus probable qu’un verdict simple de boom ou d’effondrement. Les plateformes solides peuvent générer des rendements attrayants tandis que les projets plus faibles se restructurent, se consolident ou ferment.

L’argument de Gray sur l’impatience doit donc être appliqué de manière sélective. Le temps aide les actifs soutenus par une demande réelle et un financement discipliné. Le temps ne corrige pas un prix d’entrée excessif ou un client peu fiable.

Ce que les lecteurs de google news devraient surveiller ensuite

Les trois prochains signaux montreront si Gray est en avance, a raison, ou néglige un écart croissant entre la construction et la demande rentable.

Premièrement, surveillez les flux de trésorerie disponibles parallèlement aux dépenses d’investissement lors du prochain cycle de résultats des hyperscalers. La croissance des revenus à elle seule ne tranchera pas la question.

La preuve la plus solide en faveur de Gray serait une hausse des revenus d’IA ou de cloud tandis que les marges d’exploitation restent stables et que les flux de trésorerie commencent à absorber les nouveaux coûts du capital.

Le schéma inverse affaiblirait sa thèse. Des dépenses qui continuent d’augmenter tandis que les flux de trésorerie disponibles diminuent accroîtraient la pression en faveur de projets retardés, de rachats d’actions réduits ou d’un financement externe accru.

Les investisseurs devraient comparer les dépenses d’investissement aux flux de trésorerie d’exploitation plutôt que de considérer chaque chiffre isolément. Ils devraient également tenir compte des locations financières, qui peuvent déplacer les engagements d’infrastructure hors de comparaisons plus simples des dépenses de trésorerie.

Deuxièmement, surveillez la transformation des carnets de commandes divulgués en revenus comptabilisés. Les grands contrats ne soutiennent la thèse de l’infrastructure que lorsque les clients déploient des charges de travail et effectuent des paiements durables.

Les éléments utiles comprennent une utilisation plus élevée, l’accélération des ventes cloud et des références moins fréquentes aux contraintes de capacité. Des prix stables ou en amélioration suggéreraient que la demande dépasse toujours l’offre utilisable.

Des déploiements retardés enverraient un message différent. Il en irait de même d’une baisse des prix provoquée par plusieurs fournisseurs libérant simultanément des capacités.

La composition de la clientèle compte autant que le carnet de commandes total. Une adoption plus large par les entreprises réduirait la dépendance à OpenAI, Anthropic et à un petit groupe d’acheteurs fortement financés.

Troisièmement, surveillez l’évolution du financement. Les émissions de dette, les coentreprises, les cessions d’actifs et les structures de financement privé révèlent qui assume le risque de construction.

Les capitaux externes peuvent être judicieux, car les centres de données sont des actifs à longue durée de vie. Les associer à des financements de longue durée peut éviter aux entreprises technologiques de financer directement chaque projet.

Le financement devient plus préoccupant lorsqu’il masque l’endettement ou transfère le risque vers des véhicules dépendant d’hypothèses optimistes d’utilisation. Les investisseurs devraient examiner les garanties, les obligations locatives et la concentration des locataires.

Ces signaux devraient se préciser sur plusieurs périodes de résultats, et non à partir d’un seul titre. Ce calendrier étaye une partie du message de Gray tout en préservant le droit du marché d’exiger des preuves.

Sa déclaration s’oppose à un verdict trimestriel sur un cycle d’infrastructures pluriannuel. Elle ne supprime pas la nécessité de jalons en cours de route.

La question la plus utile n’est donc pas de savoir si les investisseurs sont trop impatients. Elle est de savoir si les entreprises peuvent démontrer des progrès constants avant que la patience ne devienne une excuse.

Les lecteurs peuvent suivre ces progrès à travers les flux de trésorerie, le carnet de commandes converti et la qualité du financement. Ces mesures en révéleront davantage qu’une nouvelle vague d’annonces optimistes sur l’IA.

Gardez ces trois indicateurs à l’esprit lors du prochain titre Google News sur les dépenses en IA. S’ils s’améliorent tous ensemble, l’argument de Gray en faveur de la patience se renforce. S’ils divergent, le scepticisme du marché paraîtra de plus en plus justifié.