Matt McLennan affirme que la concentration autour de l’IA a rendu les marchés complaisants
Matt McLennan a précisé le conflit qui entoure les actions liées à l’IA : leur succès a rendu les investisseurs moins attentifs aux risques, malgré une concentration des marchés sans précédent.
Le gestionnaire value de First Eagle Investments a évoqué cette préoccupation avec Vonnie Quinn dans Bloomberg Brief le 5 août. Son argument remet en question une hypothèse rassurante qui sous-tend le rallye de l’IA. Les investisseurs ont considéré la solidité des résultats technologiques, l’expansion des dépenses d’infrastructure et les positions concurrentielles dominantes comme la preuve que la concentration était sans danger.
Cette logique comporte un renversement dangereux. Les entreprises qui attirent le plus de capitaux disposent souvent d’activités exceptionnelles, mais leur popularité peut néanmoins affaiblir les rendements futurs. Des prix élevés laissent moins de marge à la déception, tandis que la concentration des indices répartit les conséquences entre des portefeuilles censés être diversifiés.
McLennan ne soutient pas que l’intelligence artificielle manque de valeur économique. Il remet en question le prix que les investisseurs paient pour cette valeur et la confiance intégrée dans ces prix. Cette distinction compte, car une technologie solide, une entreprise rentable et un investissement attractif sont trois choses différentes.
Le débat dépasse également les gestionnaires de fonds actifs. Quiconque détient un indice pondéré par la capitalisation boursière possède davantage d’une entreprise à mesure que sa valeur de marché augmente. Ce processus mécanique peut accroître l’exposition sans nouveau jugement sur la valorisation, la concurrence ou la pérennité technologique.
Le résultat est un marché façonné par deux idées opposées. Les leaders de l’IA peuvent continuer à produire une croissance réelle de leurs bénéfices, mais leur poids croissant dans les indices peut aussi rendre le marché global plus fragile.
L’avertissement de McLennan porte sur le prix, pas sur le potentiel de l’IA
L’affirmation centrale n’est pas que l’IA échouera, mais que les investisseurs ont cessé d’exiger une protection suffisante contre l’échec.
Dans l’interview de Bloomberg, McLennan a lié la complaisance des marchés à l’intense concentration autour de l’intelligence artificielle. Sa préoccupation reflète l’attention plus large de First Eagle à éviter les pertes permanentes de capital.
Une perte permanente de capital diffère d’une baisse temporaire des cours. Elle se produit lorsqu’un investisseur paie trop cher des flux de trésorerie futurs qui ne se matérialisent jamais, sans perspective réaliste de revenir à la valeur initiale.
McLennan dirige l’équipe Global Value de First Eagle Investments. Son processus se concentre sur des entreprises résilientes, des bilans prudents et ce que les investisseurs value appellent une marge de sécurité. Cette marge correspond à l’écart entre le prix de marché d’un actif et une estimation prudente de sa valeur sous-jacente.
L’enthousiasme pour l’IA peut réduire cette marge. Les investisseurs projettent souvent une forte croissance loin dans l’avenir, puis minimisent les risques concurrentiels, réglementaires et d’exécution. Une entreprise peut atteindre des prévisions ambitieuses tout en offrant de faibles rendements si sa valorisation initiale était suffisamment exigeante.
La philosophie value de First Eagle part du risque de dépréciation permanente causée par un prix d’achat excessif. Ce cadre explique pourquoi McLennan peut respecter le potentiel de l’IA tout en restant prudent à l’égard des actions qui y sont associées.
Cette distinction sépare aussi son argument d’un simple appel à la bulle. Déclarer qu’il y a une bulle suggère que les prix sont largement détachés de la réalité économique. La position de McLennan est plus précise : un groupe restreint d’entreprises prospères a attiré des attentes et des capitaux qui laissent moins de protection face aux surprises.
Ces surprises n’ont pas besoin de détruire la thèse de l’IA. Une croissance plus lente du chiffre d’affaires, des marges plus faibles, une hausse des amortissements ou une capacité de fixation des prix réduite peuvent modifier les résultats d’investissement. Des taux d’intérêt plus élevés peuvent également réduire la valeur actuelle de bénéfices éloignés.
Même une révision modeste peut compter lorsque les valorisations supposent déjà un leadership durable. Les investisseurs ne parient pas seulement sur l’expansion de la demande d’IA. Ils parient sur le fait que les leaders actuels capteront une part suffisante de cette expansion pour justifier leurs valeurs de marché actuelles.
C’est là que la complaisance entre en jeu. De solides rendements passés peuvent faire paraître l’incertitude moindre, alors que l’éventail sous-jacent des résultats possibles reste large. La hausse des prix devient alors une preuve de l’histoire qui les a produits.
Le processus peut s’auto-renforcer. De meilleures performances attirent davantage de capitaux, davantage de capitaux augmentent le poids dans les indices, et des poids plus importants entraînent des achats passifs supplémentaires. Aucune de ces étapes ne vérifie indépendamment les flux de trésorerie à long terme qui soutiennent le prix.
McLennan avait déjà soulevé des préoccupations similaires. Dans une conversation avec le NYSE, il a décrit d’importants flux vers un petit groupe d’entreprises de croissance après plusieurs années de rendements concentrés.
Il a également identifié une opportunité de l’autre côté. Des entreprises défensives et moins en vogue peuvent devenir relativement attractives lorsque les investisseurs les écartent comme banales. Il s’agit d’une observation sur les valorisations, et non d’une prédiction selon laquelle les leaders technologiques chuteront immédiatement.
Le calendrier reste impossible à connaître. Les marchés concentrés peuvent rester concentrés, et les actifs coûteux peuvent devenir encore plus coûteux. L’avertissement de McLennan concerne l’exposition et la préparation, plutôt qu’un sommet de marché précis.
La concentration du marché transforme la confiance dans l’IA en risque de portefeuille
Un indice diversifié peut détenir des centaines d’entreprises tout en dépendant fortement de quelques-unes seulement.
La pondération par capitalisation boursière attribue des positions plus importantes aux entreprises ayant les plus grandes valeurs boursières. Les investisseurs qui utilisent cette structure ne détiennent pas chaque entreprise à parts égales. Les leaders exercent donc une influence bien plus forte sur les rendements que les composants plus petits.
Cette conception a particulièrement bien fonctionné tant que les grandes entreprises technologiques surperformaient. Elle a donné aux investisseurs une plus grande exposition aux entreprises enregistrant les gains les plus importants, sans exiger une sélection active des actions.
Cette même conception crée un risque de concentration. Un retournement chez plusieurs entreprises de premier plan peut éclipser les performances positives ailleurs. Une large détention par nombre d’entreprises ne garantit pas une exposition équilibrée par moteur économique.
L’IA approfondit les liens entre les actions de premier plan. Les concepteurs de puces vendent des processeurs utilisés par les fournisseurs de cloud. Les fournisseurs de cloud construisent des infrastructures pour les développeurs de modèles. Les plateformes grand public déploient ces modèles tout en vendant des services aux entreprises clientes.
Ces entreprises restent distinctes, mais leurs récits de croissance dépendent de plus en plus de dépenses liées à l’IA. Une réduction de la demande d’infrastructure peut donc affecter plusieurs maillons de la chaîne.
Goldman Sachs Asset Management a indiqué que les dix plus grandes actions du S&P 500 représentaient 36,5 % de l’indice dans son analyse de la concentration de 2026. Nvidia, Apple et Microsoft figuraient parmi les pondérations les plus importantes.
L’analyse de la concentration a également apporté un contrepoint important. La domination des grandes entreprises ne provoque pas automatiquement une crise, en particulier lorsque les entreprises de tête génèrent de solides bénéfices et conservent des bilans sains.
Ces éléments empêchent une conclusion facile. Les leaders actuels de l’IA ne sont pas des entreprises spéculatives dépourvues de revenus, de clients ou d’échelle opérationnelle. Nombre d’entre eux détiennent des infrastructures, des canaux de distribution, des données et des activités existantes générant des liquidités.
Pourtant, la qualité n’élimine pas le risque de prix. Une entreprise solide peut devenir un mauvais investissement lorsque sa valorisation anticipe une exécution presque parfaite. La concentration augmente le coût lorsque plusieurs attentes de ce type sont révisées simultanément.
L’investissement dans l’IA relie aussi les décisions de dépenses des entreprises au leadership boursier. Les hyperscalers, c’est-à-dire les plus grands opérateurs mondiaux de cloud, dépensent massivement dans les processeurs, les centres de données, les réseaux et l’électricité.
Les investisseurs s’attendent généralement à ce que ces dépenses créent des revenus et une productivité durables. Ce qui reste incertain, c’est la rapidité avec laquelle les nouveaux revenus dépasseront le coût total d’exploitation et de remplacement de l’infrastructure.
Les amortissements méritent une attention particulière. Les serveurs d’IA peuvent devenir économiquement obsolètes avant qu’une installation classique n’atteigne la fin de sa durée de vie utile. Des cycles matériels plus rapides peuvent accroître le coût récurrent du maintien de la compétitivité.
La concurrence peut également transférer la valeur économique loin des leaders actuels. La baisse des prix des modèles peut profiter aux acheteurs de logiciels tout en limitant les rendements des fournisseurs de modèles. Les puces personnalisées peuvent réduire la dépendance envers les fournisseurs généralistes, bien que ces projets comportent leurs propres risques.
Cela signifie qu’un investisseur peut prédire correctement une adoption généralisée de l’IA tout en prédisant incorrectement où les profits s’accumuleront. L’adoption technologique et les rendements pour les actionnaires suivent des trajectoires différentes.
Les précédents historiques incitent à la prudence. Les chemins de fer, les réseaux de télécommunications et l’internet commercial ont créé une immense valeur économique. Les investisseurs qui ont payé des prix excessifs pour certains participants ont néanmoins subi des pertes durables.
Les entreprises d’IA diffèrent sensiblement de ces précédents, de sorte que la comparaison a ses limites. La leçon utile concerne l’intensité capitalistique et les attentes. Des infrastructures importantes peuvent attirer trop de capitaux avant que la demande et les prix ne deviennent clairs.
La concentration rend cette incertitude pertinente au-delà des spécialistes de la technologie. Les comptes de retraite, les portefeuilles de pension et les fonds d’actions généralistes peuvent hériter de la même exposition via les pondérations de référence.
C’est la pression que l’argument de McLennan exerce sur les investisseurs passifs. Ils doivent décider si la détention d’un indice large leur offre encore la diversification qu’ils attendent, ou si un rééquilibrage supplémentaire est approprié.
Pourquoi la complaisance du marché de l’IA peut s’auto-renforcer
Le rallye de l’IA a créé une boucle de rétroaction dans laquelle la vigueur des cours attire des capitaux qui produisent davantage de vigueur des cours.
Le mécanisme commence par de véritables performances opérationnelles. La demande de calcul avancé augmente les revenus des entreprises de puces, des opérateurs de cloud et des fournisseurs de réseaux. Les investisseurs récompensent les participants les plus solides par des valorisations plus élevées.
Ces valorisations plus élevées augmentent la position de chaque entreprise dans les indices pondérés par la capitalisation boursière. Les fonds qui suivent ces indices doivent maintenir une exposition correspondante. Les nouveaux capitaux entrant dans ces fonds orientent donc une part plus importante vers les mêmes leaders.
La forte performance des indices encourage ensuite davantage d’investissement indiciel. Elle met aussi sous pression les gestionnaires actifs qui détiennent des positions plus faibles dans les leaders. Sous-performer un indice de référence peut provoquer des retraits de clients, même lorsque la prudence du gestionnaire finit par être justifiée.
Le risque de carrière modifie les comportements. Un gestionnaire de portefeuille peut perdre des clients en évitant une action coûteuse qui continue de progresser. Détenir la même action que tout le monde peut sembler plus sûr, car tout retournement affectera simultanément les pairs et les indices de référence.
Cette sécurité est sociale, non financière. Une exposition partagée réduit la pénalité réputationnelle d’avoir seul tort. Elle ne réduit pas la possibilité sous-jacente d’une perte de capital.
Les incitations des entreprises peuvent renforcer cette boucle. Une hausse du cours de l’action rend la rémunération en actions plus attractive et les acquisitions plus faciles à financer. Elle peut aussi renforcer la confiance des clients, fournisseurs et employés.
Les entreprises peuvent alors investir plus agressivement, soutenant le récit de croissance initial. Les concurrents doivent répondre par leurs propres dépenses, ce qui augmente encore la demande d’infrastructure d’IA.
Le cycle ne requiert pas des participants irrationnels. Chaque décision peut sembler raisonnable lorsqu’elle est examinée séparément. Le risque naît de la manière dont ces décisions interagissent.
Un fournisseur de cloud dépense parce que ses clients veulent de la capacité d’IA. Un fournisseur de puces augmente sa production parce que les fournisseurs de cloud passent des commandes. Un fonds indiciel achète parce que la valeur des entreprises a augmenté. Un investisseur achète le fonds parce que ses performances récentes ont été solides.
Ensemble, ces actions peuvent rendre le marché moins sensible aux valorisations. Elles peuvent aussi masquer les divergences d’opinion, car les achats guidés par les indices n’expriment aucun point de vue sur les bénéfices futurs d’une entreprise donnée.
State Street Global Advisors a décrit les solides résultats liés à l’IA comme une force importante derrière la concentration des indices. Sa recherche sur la concentration souligne également que la concentration exige une analyse plutôt qu’une conclusion automatiquement baissière.
La boucle de rétroaction peut se poursuivre tant que les bénéfices valident les dépenses. Les problèmes apparaissent lorsqu’un maillon s’affaiblit. Les clients peuvent retarder leurs déploiements, les fournisseurs de cloud peuvent modérer leurs plans d’investissement, ou de nouvelles capacités peuvent faire baisser les prix.
Un changement n’a pas besoin d’être spectaculaire. Les actions de croissance tirent une part importante de leur valeur de bénéfices attendus dans de nombreuses années. De petits changements dans les hypothèses de croissance ou de taux d’actualisation peuvent donc entraîner des variations de prix plus importantes.
Les investisseurs font aussi face à un problème de mesure. Les revenus liés à l’IA peuvent être difficiles à distinguer des ventes plus larges de cloud, de publicité ou de logiciels. Les dépenses d’investissement apparaissent clairement dans les états financiers, tandis que les rendements associés peuvent rester répartis entre plusieurs lignes de produits.
Cette asymétrie encourage une interprétation narrative. Les dirigeants peuvent présenter l’IA comme un facteur contributif sans divulguer suffisamment de détails pour calculer un rendement autonome. Les investisseurs utilisent alors des signaux indirects, tels que la croissance du cloud ou l’usage des modèles, pour estimer les progrès.
Ces signaux comptent, mais ils ne répondent pas à toutes les questions. L’utilisation peut augmenter alors que les prix unitaires baissent. Les revenus peuvent croître tandis que les coûts d’infrastructure augmentent plus vite. Les gains de productivité peuvent davantage profiter aux clients qu’aux fournisseurs.
Le marché dépend donc d’une série d’hypothèses. La demande d’IA doit rester forte, les principales plateformes doivent défendre leurs positions et l’économie des infrastructures doit s’améliorer. Les valorisations actuelles déterminent la marge d’erreur que les investisseurs peuvent absorber.
L’argument de McLennan sur la complaisance vise cette marge d’erreur. Lorsque les investisseurs considèrent les leaders comme des gagnants presque inévitables, ils exigent moins de compensation pour l’incertitude.
De Solides Résultats Compliquent la Thèse Baissière
La concentration est une vulnérabilité, mais elle ne prouve pas que les actions liées à l’IA sont déconnectées de leurs activités.
Toute évaluation sérieuse doit se confronter à l’argument le plus solide contre la prudence de McLennan. Les principales entreprises technologiques ont généré des bénéfices substantiels, entretiennent des relations clients établies et financent leurs investissements grâce à de vastes activités opérationnelles.
Cette base distingue le marché actuel des entreprises les plus fragiles de la période dot-com. De nombreuses actions Internet de l’époque dépendaient de financements externes et de modèles économiques non éprouvés. Les plus grandes entreprises technologiques d’aujourd’hui vendent des produits matures à l’échelle mondiale.
Leurs avantages concurrentiels sont également concrets. Les opérateurs de cloud contrôlent de vastes réseaux informatiques. Les concepteurs de puces possèdent une expertise spécialisée et des systèmes logiciels. Les plateformes grand public atteignent des milliards d’utilisateurs via leurs services existants.
L’IA peut renforcer ces avantages. Une entreprise disposant d’une distribution peut placer de nouveaux outils directement devant ses clients. Une entreprise générant des flux de trésorerie peut financer une infrastructure coûteuse tandis que des rivaux plus petits peinent à suivre.
L’argument de l’adoption va au-delà des chatbots médiatisés. Les entreprises utilisent l’apprentissage automatique pour le codage, le support client, la publicité, la logistique, la détection de fraude, la recherche et la recherche interne. Ces applications peuvent soutenir une demande récurrente, même si l’enthousiasme des consommateurs fluctue.
Les recherches sur l’adoption par les grandes entreprises suggèrent également que le déploiement reste incomplet. Une étude de 2026 portant sur les entreprises du S&P 500 a constaté des niveaux variables d’intégration de l’IA jusqu’en 2025. Cela laisse place à une adoption supplémentaire, même si l’adoption à elle seule ne garantit pas les bénéfices des fournisseurs.
La thèse haussière repose donc sur plus que l’enthousiasme. Elle combine des bénéfices existants, des coûts de changement élevés, une large distribution et un potentiel de croissance à long terme.
La concentration du marché peut également refléter une concentration économique. Si un petit groupe d’entreprises réalise une grande part des bénéfices totaux, des pondérations élevées dans les indices ne constituent pas nécessairement une erreur. Elles peuvent représenter la structure de l’économie sous-jacente.
L’histoire offre des exemples de groupes dominants ayant duré plus longtemps que ne l’attendaient les sceptiques. Le leadership ne doit pas nécessairement s’inverser simplement parce qu’il est devenu manifeste.
Les investisseurs doivent également distinguer la concentration absolue de l’opportunité relative. Éviter toutes les grandes actions technologiques peut introduire son propre risque. Un portefeuille peut passer à côté de sociétés capables de générer durablement de la valeur tout en détenant des entreprises moins chères dont l’économie se détériore.
Le cadre de First Eagle répond à cette tension en distinguant la valeur d’un faible multiple de valorisation. Une entreprise n’est pas attrayante simplement parce qu’elle paraît bon marché. La question pertinente est de savoir si ses flux de trésorerie, sa résilience et son prix créent des probabilités favorables.
Le même raisonnement s’applique aux leaders de l’IA. Un multiple élevé peut être justifié par une croissance durable, mais seulement après prise en compte de la concurrence, des besoins de réinvestissement et de l’incertitude.
L’indice MSCI Global Artificial Intelligence offre une autre vision de l’exposition thématique. Sa méthodologie sélectionne des entreprises dans plusieurs univers géographiques et utilise un score de pertinence lié à l’IA. Les pondérations des composants individuels sont plafonnées à 10 %.
Cette méthodologie d’indice IA illustre une réponse à la concentration. Un plafond peut limiter la dépendance à une seule entreprise tout en préservant l’exposition au thème plus large.
Cependant, cette construction n’élimine pas les risques communs. Différentes entreprises d’IA peuvent toujours dépendre du même cycle de dépenses, des mêmes conditions de financement et des mêmes attentes des clients.
La diversification par code boursier peut donc surestimer la diversification par cause économique. Les investisseurs doivent identifier quelles positions reposent sur les mêmes hypothèses.
L’argument baissier peut aussi aller trop loin en traitant les dépenses d’investissement comme intrinsèquement inefficaces. Les dépenses d’infrastructure peuvent générer des capacités précieuses, une expertise propriétaire et des coûts unitaires plus faibles. Leur rendement ne devient visible qu’avec le temps.
McLennan ne peut pas établir que le marché a atteint un sommet en identifiant simplement de la complaisance. La confiance des investisseurs est difficile à mesurer, et les signaux de valorisation sont de mauvais outils de timing à court terme.
Son avertissement doit plutôt être envisagé comme une question de portefeuille. Quelle part du résultat d’un investisseur dépend de plusieurs entreprises connectées qui répondent à des attentes exigeantes ?
Cette question reste utile même lorsque la thèse haussière est correcte. La gestion du risque concerne les conséquences d’une erreur, et pas seulement la probabilité attribuée à chaque scénario.
Le Véritable Risque Est un Cycle Commun de Dépenses en IA
Le principal danger n’est pas l’échec d’un produit, mais une réévaluation synchronisée des puces, de l’infrastructure cloud et des logiciels.
L’exposition au marché de l’IA semble souvent diversifiée entre plusieurs secteurs. Un portefeuille peut détenir des concepteurs de semi-conducteurs, des fabricants d’équipements, des opérateurs de centres de données, des services publics, des plateformes cloud et des développeurs d’applications.
Pourtant, ces entreprises peuvent partager un même moteur sous-jacent : les attentes d’investissements soutenus dans l’IA. Lorsque ce moteur change, des positions apparemment distinctes peuvent évoluer ensemble.
La demande de puces se situe au début de la chaîne. Les entreprises de cloud achètent des processeurs et des équipements réseau pour développer leurs capacités. Les développeurs de modèles et les entreprises louent ou utilisent ensuite cette capacité.
Si la demande finale augmente comme prévu, l’utilisation s’accroît et les fournisseurs peuvent répartir les coûts fixes sur davantage de charges de travail. Cela améliore l’économie de l’ensemble du système.
Si le déploiement prend plus de temps, les capacités inutilisées peuvent peser sur les rendements. Les fournisseurs peuvent réduire leurs prix pour attirer des charges de travail, tandis que les clients retardent leurs engagements parce que le matériel futur promet de meilleures performances.
Le décalage temporel compte. L’infrastructure doit souvent être construite avant que la demande ne soit certaine. Les entreprises prennent donc des engagements importants à partir de prévisions plutôt que de commandes déjà réalisées.
L’électricité et la construction ajoutent d’autres contraintes. Les nouveaux centres de données nécessitent des raccordements au réseau, des systèmes de refroidissement, des terrains et des équipements spécialisés. Les retards peuvent accroître les coûts même lorsque la demande reste saine.
Au niveau des applications, la pression concurrentielle peut faire baisser rapidement les prix. Les développeurs peuvent changer de modèles, combiner des fournisseurs ou utiliser des alternatives ouvertes. De meilleures performances ne se traduisent pas toujours par un pouvoir de fixation des prix durable.
L’adoption en entreprise introduit une autre incertitude. Une démonstration réussie n’est pas équivalente à un déploiement en production. Les entreprises doivent traiter les questions de sécurité, d’accès aux données, de fiabilité, d’intégration et de flux de travail des employés.
Les travailleurs du savoir ont également besoin de preuves que les résultats de l’IA reposent sur un contexte utile. Une base de connaissances IA bien organisée peut améliorer l’accès aux sources, mais elle ne supprime pas la nécessité de vérification.
Ces obstacles pratiques peuvent ralentir la comptabilisation des revenus sans mettre fin à l’adoption. Cette trajectoire plus lente reste pertinente lorsque les prix de marché supposent une monétisation rapide.
Un cycle de dépenses partagé peut s’inverser par plusieurs canaux. Les entreprises de cloud peuvent réduire leurs prévisions d’investissement. Les clients entreprises peuvent allonger leurs délais de décision d’achat. La baisse des prix des modèles peut affaiblir les projections de revenus.
La réglementation peut augmenter les coûts, même si elle ne touchera probablement pas tous les participants de la même manière. Les litiges liés au droit d’auteur, les exigences en matière de confidentialité et les règles de sécurité peuvent modifier l’économie de l’entraînement et du déploiement.
Les restrictions géopolitiques créent une autre source d’incertitude. Les contrôles à l’exportation peuvent limiter les marchés accessibles pour les puces avancées, tandis que les politiques de chaîne d’approvisionnement peuvent augmenter les coûts de production.
La concurrence reste la pression la plus large. Le marché peut correctement identifier l’IA comme un changement majeur de plateforme tout en surestimant les bénéfices accessibles aux fournisseurs actuels. De nouvelles architectures peuvent réduire la demande de certains composants.
Les gains d’efficacité créent une ambiguïté similaire. Une inférence moins chère, c’est-à-dire les calculs nécessaires pour exécuter un modèle entraîné, peut accroître l’usage total. Elle peut aussi réduire le revenu par tâche.
C’est la tension classique entre des coûts plus bas et une demande en expansion. Les investisseurs ont besoin d’éléments montrant quel effet domine.
La section sur les risques de la thèse de McLennan doit donc rester mesurée. La concentration ne signifie pas que toutes les entreprises d’IA déclineront ensemble. Les bilans, les produits et les bases de clients restent différents.
De même, des dépenses d’investissement élevées ne prouvent pas qu’un effondrement suivra. Elles identifient un point où les attentes peuvent être testées par des résultats financiers observables.
La question cruciale est de savoir si les rendements en trésorerie s’élargissent parallèlement aux investissements. La croissance des revenus doit finir par couvrir l’amortissement, les coûts d’exploitation et le coût d’opportunité du capital.
Sans ces preuves, les investisseurs s’appuient largement sur les prévisions de la direction et la confiance du marché. C’est précisément l’environnement dans lequel la complaisance peut devenir coûteuse.
L’Interview de McLennan par Bloomberg Laisse Trois Signaux à Surveiller
Les dépenses d’investissement, la monétisation et l’ampleur du marché montreront si la confiance dans l’IA reste soutenue par les résultats.
Le premier signal concerne les prévisions d’investissement des hyperscalers lors du prochain cycle de résultats. Les investisseurs devraient comparer les dépenses prévues à la demande de cloud, aux revenus des services d’IA et aux commentaires de la direction sur l’utilisation des capacités.
L’augmentation des dépenses, associée à une demande plus forte, soutiendrait le scénario haussier. Elle indiquerait que les investissements dans les infrastructures suivent les clients, au lieu de simplement les anticiper.
Une hausse des dépenses sans monétisation plus claire renforcerait les inquiétudes de McLennan. Cela laisserait penser que le marché continue de récompenser l’investissement avant que les entreprises ne démontrent des rendements suffisants.
Un ralentissement des dépenses exige une interprétation prudente. Il peut signaler une demande plus faible, ce qui pèserait sur les fournisseurs d’infrastructures. Il peut aussi refléter une meilleure efficacité après une période de construction exceptionnellement intense.
Le deuxième signal concerne le rapport entre les revenus liés à l’IA et le coût total des infrastructures. Les investisseurs ont besoin de davantage que des nombres d’utilisateurs, des sorties de modèles ou des volumes de traitement.
Ils ont besoin de preuves que les revenus additionnels peuvent couvrir l’amortissement, l’énergie, les réseaux et le remplacement continu du matériel. L’amélioration des marges affaiblirait la thèse de la complaisance, car elle validerait une plus grande part des attentes du marché.
La baisse des prix parallèlement à l’augmentation de l’usage produirait un résultat contrasté. Elle pourrait élargir le marché tout en retardant les profits. L’effet différerait selon les fournisseurs de puces, les fournisseurs de cloud et les entreprises d’applications.
La qualité des informations publiées sera importante. Les entreprises qui distinguent les revenus, coûts et capacités liés à l’IA peuvent réduire l’incertitude. Les déclarations générales sur la demande sont moins utiles lorsque les dépenses atteignent une ampleur significative.
Le troisième signal est l’étendue du marché, c’est-à-dire la répartition des gains entre les entreprises et les secteurs. Une croissance plus large des bénéfices réduirait la dépendance à l’égard de quelques leaders liés à l’IA.
Cette étendue peut s’améliorer de deux manières. D’autres secteurs peuvent générer des rendements plus élevés, ou les grandes entreprises technologiques peuvent marquer une pause pendant que le reste du marché les rattrape.
L’une ou l’autre de ces évolutions rendrait l’exposition aux indices moins concentrée. Elle offrirait aussi aux gérants actifs davantage d’opportunités en dehors des plus grandes valeurs de croissance.
Une étendue plus étroite renforcerait l’argument de McLennan. Si les gains des indices continuent de reposer sur les mêmes entreprises, les portefeuilles deviennent plus sensibles à leurs bénéfices et à leurs plans d’investissement.
Les investisseurs ne devraient pas considérer ces signaux comme des instructions automatiques de trading. Chaque indicateur peut évoluer pour plusieurs raisons, et les réactions à court terme du marché masquent souvent la tendance sous-jacente.
La meilleure approche consiste à tester régulièrement le récit. La demande d’IA génère-t-elle des rendements en trésorerie ? Ces rendements bénéficient-ils à davantage d’entreprises ? Les prix actuels laissent-ils une marge pour les problèmes d’exécution ordinaires ?
L’avertissement de McLennan porte, au fond, sur la discipline. L’IA peut rester l’une des technologies les plus importantes de cette période, tandis que ses principales actions deviennent des investissements difficiles à certains niveaux de prix.
Pour les lecteurs qui suivent cette histoire via Bloomberg ou les flux RSSHub Bloomberg, les prochaines preuves décisives viendront des états financiers plutôt que d’une nouvelle prédiction assurée. Les dépenses, les marges et l’étendue du marché détermineront si la concentration reflète une économie durable ou une prudence qui s’estompe.
La question pratique est simple : quelle part de déception votre portefeuille peut-il absorber ? Examinez quelles positions reposent sur les mêmes hypothèses de dépenses liées à l’IA, puis suivez si les résultats opérationnels justifient cette exposition collective.
