Dépenses d’infrastructure d’OpenAI : Bernstein estime le total à moins de 750 milliards de dollars d’ici 2030

Les dépenses d’infrastructure d’OpenAI pourraient totaliser 614 milliards de dollars d’ici 2030, selon une estimation attribuée à Bernstein, soit moins que le chiffre de 750 milliards de dollars largement cité. Ce montant inférieur s’accompagne toutefois d’une réserve importante : il suppose que les contrats identifiés se déroulent comme prévu.

Un rapport du 8 novembre de 36Kr, attribuant l’information à Sina Finance, désigne l’analyste de Bernstein Mark Moerdler comme l’auteur de l’estimation. La note d’analyse originale n’était pas disponible pour examen indépendant au moment de cette publication. Cette conclusion doit donc être lue comme une estimation attribuée, et non comme un calendrier de dépenses audité.

La tension centrale réside entre les engagements annoncés et les paiements liés à la capacité effectivement livrée. Microsoft, Amazon et Oracle figurent tous dans l’expansion de l’infrastructure d’OpenAI, mais leurs annonces décrivent des dispositifs et des périodes différents. Une estimation inférieure ne prouve pas qu’OpenAI a annulé des projets, obtenu des économies ou réduit ses ambitions en matière de calcul.

Ce que dit réellement l’estimation des dépenses d’infrastructure d’OpenAI

L’estimation attribuée à Bernstein décrit une trajectoire de dépenses conditionnelle, et non une réduction confirmée du budget d’OpenAI.

Selon l’estimation des dépenses d’infrastructure, les partenariats de calcul divulgués impliquent environ 614 milliards de dollars de dépenses d’infrastructure cumulées d’ici 2030. Le rapport indique que les retards de construction, les annulations et les ajustements des achats de matériel pourraient réduire ou reporter les paiements réels.

Cette distinction change la nature de l’information. La reconstitution par un analyste de contrats identifiés diffère de l’annonce par une entreprise d’une révision de son plan financier. Le rapport disponible étaye la première description. Il n’établit pas la seconde.

L’écart entre les chiffres mis en avant est de 136 milliards de dollars, soit environ 18 %, calculé à partir des deux totaux rapportés. Cette comparaison montre l’ampleur du désaccord. Elle n’explique pas pourquoi les estimations divergent, ni ne démontre que les deux calculs couvrent des obligations identiques.

Avant d’interpréter cet écart comme des économies, les lecteurs auraient besoin de définitions concordantes. Les deux estimations devraient reposer sur la même date de départ, la même couverture contractuelle, le même traitement des achats optionnels et les mêmes hypothèses de livraison. Sans ces précisions, la différence reste une comparaison entre des chiffres dont les périmètres sont divulgués de manière incomplète.

Le terme « d’ici » compte également. Une estimation cumulée jusqu’en 2030 mesure les dépenses à l’intérieur d’une fenêtre définie. Elle ne couvre pas nécessairement chaque paiement lié à des accords qui se poursuivent au-delà de cette date.

Un retard de construction peut donc réduire le total dans cette fenêtre sans réduire la facture contractuelle finale. À l’inverse, une annulation peut réduire la facture finale tout en supprimant une capacité qu’OpenAI prévoyait d’utiliser. Ces résultats ont des conséquences commerciales différentes, même s’ils produisent tous deux un chiffre inférieur à court terme.

Les hypothèses du rapport font de cette situation une affaire de calendrier autant que de dépenses. Les engagements de calcul d’OpenAI décrivent un accès futur à des ressources. Les paiements dépendent de la manière dont chaque accord individuel transforme cet accès en obligations financières.

L’absence de la note originale limite les conclusions supplémentaires. Le résumé public ne fournit pas d’inventaire complet des contrats, de calendrier de paiement ni de rapprochement avec le point de référence plus élevé. Il n’établit pas non plus si chaque accord identifié bénéficie du même traitement.

L’interprétation la plus défendable est limitée : Bernstein placerait les engagements divulgués sous le seuil couramment cité selon ses hypothèses de modélisation. Cela remet en question une comparaison simpliste des chiffres principaux. Les questions de financement, de livraison et de conditions commerciales restent ouvertes.

La capacité annoncée et les paiements en espèces suivent des calendriers différents

Les annonces d’infrastructure mesurent plus facilement l’ambition que le calendrier des sorties de trésorerie d’un client.

L’expansion Stargate d’OpenAI, annoncée le 23 septembre 2025, illustre cette distinction. L’entreprise a décrit près de 7 gigawatts de capacité prévue et plus de 400 milliards de dollars d’investissement sur trois ans. Un gigawatt mesure une capacité électrique, et non des performances de calcul ou des dépenses.

Cette annonce établit l’ampleur que OpenAI et ses partenaires entendaient développer. Elle n’établit pas, à elle seule, un montant équivalent payable directement par OpenAI sur la même période. L’investissement dans un projet et les dépenses d’un client nécessitent une comptabilisation distincte.

Un centre de données implique plusieurs relations économiques. Un développeur peut financer le bâtiment, un fournisseur de cloud peut installer les équipements, et un client peut acheter des services. Leurs annonces peuvent concerner la même installation sous-jacente tout en décrivant des transactions financières différentes.

Additionner ces chiffres sans vérifier leur relation crée un risque de double comptage. La valeur d’investissement du bâtiment et la valeur d’un accord de services ne constituent pas automatiquement des ajouts indépendants à un total de dépenses sectorielles. Aucun des deux ne devrait disparaître de l’analyse, mais chacun doit occuper une place définie.

Le calendrier ajoute une autre couche. L’annonce d’un projet peut précéder de manière substantielle la disponibilité de capacités de calcul exploitables. Le terrain, les raccordements électriques, l’installation des équipements et l’acceptation opérationnelle appartiennent à différentes étapes du processus.

Pour l’analyse, la question importante est de savoir à quel moment chaque étape modifie les obligations de paiement. Certains dispositifs peuvent exiger des engagements avant qu’une installation ne devienne opérationnelle. D’autres peuvent lier les paiements plus étroitement à la disponibilité ou à la fourniture du service. Le bref rapport ne divulgue pas ces dispositions dans l’ensemble du modèle de Bernstein.

Cela empêche de conclure simplement qu’un retard de construction procure toujours un allègement financier. Un retard peut reporter certains paiements tout en laissant d’autres obligations intactes. Il peut aussi obliger un client à chercher une capacité de remplacement ailleurs.

Les dispositifs concernant le matériel créent une ambiguïté similaire. L’achat d’équipements par un fournisseur peut intervenir avant qu’un client commence à consommer les services. L’engagement à long terme d’un client peut soutenir cet achat sans correspondre à son calendrier dollar pour dollar.

Ces distinctions expliquent pourquoi une prévision fondée sur les contrats nécessite davantage qu’une archive d’annonces. Elle requiert des hypothèses sur les jalons de livraison, le début des services, les renouvellements d’équipements et la flexibilité contractuelle. Ces hypothèses peuvent déplacer les dépenses d’une année à l’autre sans modifier la stratégie d’expansion fondamentale.

Pour les lecteurs qui suivent les dépenses d’infrastructure d’OpenAI, la comparaison utile porte donc sur des calendriers définis de manière cohérente. Un total d’annonces plus élevé n’implique pas automatiquement une facture immédiate plus importante. Un total modélisé plus faible n’implique pas automatiquement un déploiement plus efficient.

Le travail de reportage consiste à relier les engagements, la construction, la capacité disponible et les paiements. Chacun répond à une question différente quant au bon déroulement de l’expansion.

Les partenaires cloud font face à des versions différentes du même test de livraison

OpenAI et ses partenaires d’infrastructure partagent un intérêt pour l’expansion, mais ils ne partagent pas une exposition financière identique.

L’accord de services Azure de Microsoft, annoncé le 28 octobre 2025, indiquait qu’OpenAI avait conclu un contrat pour acheter 250 milliards de dollars supplémentaires de services Azure. Il supprimait également le droit de premier refus de Microsoft en tant que fournisseur de calcul d’OpenAI.

Cette divulgation historique aide à expliquer l’ampleur des engagements examinés. Elle ne fournit pas un calendrier complet des paiements actuels et n’établit pas quelle part appartient à la période modélisée par Bernstein.

Le partenariat de calcul élargi avec Amazon décrit une structure différente. Il ajoute 100 milliards de dollars sur huit ans à un accord existant de 38 milliards de dollars et comprend environ 2 gigawatts de capacité Trainium. Trainium est la famille de puces d’Amazon conçue pour les charges de travail d’IA.

La durée de huit ans rend le problème comptable concret. La valeur totale d’un accord ne peut pas simplement être intégrée dans un total s’achevant en 2030. Les analystes doivent la répartir entre les années concernées en s’appuyant sur les conditions contractuelles ou sur des hypothèses clairement énoncées.

Les incitations commerciales diffèrent également tout au long de la chaîne d’approvisionnement. OpenAI souhaite des ressources de calcul utilisables qui soutiennent ses produits et ses recherches. Les fournisseurs d’infrastructure souhaitent une demande qui justifie les engagements liés aux équipements, aux installations et au financement.

Un fournisseur peut disposer d’un accord commercialement attractif tout en faisant face à un risque d’exécution. La construction, la disponibilité des équipements et l’acceptation du client peuvent affecter le moment où un projet commence à générer des revenus. La seule valeur contractuelle ne peut résoudre ces questions.

OpenAI fait face au problème opérationnel correspondant. Une capacité livrée tardivement peut perturber les charges de travail prévues, même si le retard reporte les paiements à une période ultérieure. Un calendrier de dépenses plus confortable peut coexister avec un calendrier de produits moins confortable.

C’est pourquoi l’exposition des fournisseurs doit être examinée individuellement. Une activité cloud diversifiée, un fournisseur spécialisé en calcul et un développeur de projets peuvent participer à la même expansion. Leur capacité à absorber les retards ou à rediriger les ressources peut différer.

Cette observation n’établit pas qu’un fournisseur nommé a une exposition excessive. Elle identifie les informations nécessaires pour l’évaluer : les conditions de livraison, la concentration des clients, les dispositifs de financement et les usages alternatifs des actifs.

La comparaison avec Anthropic s’inscrit également ici, dans le même cadre de livraison. En avril, l’expansion de calcul d’Anthropic a décrit jusqu’à 5 gigawatts de nouvelle capacité AWS et des engagements dépassant 100 milliards de dollars sur dix ans. Anthropic a également reconnu une pression sur l’infrastructure affectant la fiabilité et les performances.

Le contraste pertinent porte sur l’échelle contractuelle et les résultats opérationnels des laboratoires concurrents. Le total annoncé de l’une ou l’autre entreprise, considéré isolément, n’établit ni de meilleures conditions économiques ni un service plus robuste. Les deux doivent transformer leur capacité future en produits fiables que les clients continuent d’utiliser.

La flexibilité modifie le calendrier sans éliminer le risque

Davantage d’options pour s’approvisionner en capacité de calcul peuvent améliorer la résilience tout en rendant les prévisions de dépenses plus difficiles à rapprocher.

L’avenant au partenariat cloud d’OpenAI, daté du 27 avril 2026, indique que Microsoft reste son principal partenaire cloud. Il précise également qu’OpenAI peut proposer l’ensemble de ses produits sur tout fournisseur cloud, sous réserve des dispositifs énoncés dans l’annonce.

Cet avenant est important, car l’analyse des infrastructures doit tenir compte de l’évolution des accords. Une description qui reflétait correctement un partenariat antérieur peut devenir incomplète après que les parties ont révisé leurs conditions. Les divulgations historiques de contrats restent utiles, mais elles exigent un contexte daté.

L’avantage opérationnel d’un approvisionnement plus large est simple en principe. Une entreprise disposant de davantage de fournisseurs potentiels a plus de moyens de répondre à une pénurie ou d’adapter les charges de travail aux ressources disponibles. La question de savoir si ces options produisent des avantages financiers dépend des contrats et des charges de travail réels.

Déplacer des charges de travail n’est pas automatiquement simple. Des environnements matériels et logiciels différents peuvent nécessiter des modifications d’ingénierie, des tests et un support opérationnel. Une alternative théorique ne devient utile que lorsque la charge de travail peut y fonctionner de manière satisfaisante.

Il s’agit d’une implication analytique de la diversité des fournisseurs, et non d’une preuve qu’OpenAI a rencontré un problème de migration particulier. Le résumé public des dépenses ne révèle pas un tel problème et ne chiffre pas les coûts de migration.

La même prudence s’applique à la flexibilité des achats. L’autorisation d’ajuster une commande de matériel n’a de valeur que dans les conditions prévues par l’accord. Elle ne démontre pas qu’un engagement de dépenses entier peut être annulé librement.

Il existe également une différence entre réduire un coût et le reporter. Une entreprise peut décaler un paiement au-delà de la période de prévision tout en conservant son obligation. Elle peut réduire un achat en sacrifiant la capacité attendue. Elle peut remplacer un dispositif par un autre dont les coûts apparaissent ailleurs.

Ces possibilités rendent une estimation plus faible ambiguë. Selon sa cause, elle peut refléter de meilleures conditions, une livraison plus lente, un périmètre modifié ou une frontière de mesure différente. Le total communiqué n’indique pas quelle explication prédomine.

La question sceptique est donc de savoir si le modèle capture l’ensemble des conséquences économiques de chaque ajustement. Si un projet retardé nécessite une capacité de remplacement temporaire, le calendrier de paiement initial ne décrira pas à lui seul le résultat complet.

De nouveaux accords peuvent encore compliquer la situation. Un modèle fondé sur des contrats identifiés est nécessairement lié à une date de disponibilité de l’information. Les achats futurs peuvent accroître les dépenses au-delà de cet instantané, même si les projets existants prennent du retard.

Rien de tout cela n’invalide un modèle fondé sur les contrats. Cela définit ce qu’un tel modèle peut établir. Il peut organiser les engagements divulgués en une prévision conditionnelle. Il ne peut garantir que les décisions futures, les calendriers de construction ou la demande de produits suivront la trajectoire supposée.

Les engagements d’OpenAI en matière de calcul doivent donc être interprétés comme des données d’entrée d’un plan évolutif. L’analyse la plus solide expliquera les changements de périmètre et de calendrier, plutôt que de présenter chaque total révisé comme un verdict sur l’ensemble de l’entreprise.

Les acheteurs d’entreprise ont davantage besoin de preuves de livraison que d’un total de dépenses

Pour les clients, la question pratique est de savoir si l’investissement dans l’infrastructure produit un accès fiable à des services d’IA utiles.

L’estimation communiquée n’établit pas qu’OpenAI modifiera les conditions d’abonnement, restreindra certains produits ou retardera la sortie d’un modèle. Ces conclusions nécessitent des éléments de preuve distincts. Les dépenses d’infrastructure sont pertinentes pour la prestation de services, mais elles ne remplacent pas les informations sur les produits.

Prenons l’exemple d’une équipe logicielle qui évalue un assistant d’IA pour le travail d’ingénierie interne. Sa décision dépend de la qualité des réponses, de la disponibilité, des contrôles des données et de l’intégration aux systèmes existants. Une prévision cumulée d’infrastructure ne peut pas répondre directement à ces questions.

L’histoire des dépenses devient pertinente lorsqu’elle modifie les hypothèses de l’équipe concernant la capacité. Si l’accès devient irrégulier, l’équipe peut avoir besoin de solutions de repli. Si des ressources supplémentaires améliorent la fiabilité, elle peut être plus à l’aise pour confier des tâches récurrentes au service.

Il s’agit d’exemples conditionnels, et non de rapports sur des expériences précises de clients d’OpenAI. Ils montrent comment l’exécution de l’infrastructure peut atteindre le lieu de travail sans supposer une relation directe entre les dollars engagés et la qualité du produit.

La même distinction s’applique à une application de connaissances d’entreprise. L’inférence, le processus consistant à exécuter un modèle entraîné afin de produire une réponse, consomme des ressources de calcul pendant son utilisation. Un service doit prendre en charge cette demande continue ainsi que la recherche à l’origine des futurs modèles.

Une entreprise peut donc subir des pressions différentes liées à l’expansion de la recherche et à l’adoption par les clients. La pertinence d’une nouvelle installation dépend en partie des charges de travail qu’elle prend en charge. Les chiffres de dépenses agrégés ne révèlent pas cette répartition.

Les acheteurs doivent également distinguer l’investissement des fournisseurs des protections contractuelles dont ils disposent. Un partenariat d’infrastructure ne renforce pas automatiquement les engagements de service d’un client, ses conditions de traitement des données ou ses dispositifs de reprise. Ces protections doivent faire partie de l’évaluation propre au client.

Cela est particulièrement pertinent lorsqu’un flux de travail devient dépendant d’un seul service de modèle. La préoccupation opérationnelle est la continuité : la capacité de l’organisation à conserver ses sources, comprendre ses dépendances et se rétablir lorsqu’un service devient indisponible.

Pour les équipes qui construisent une base de connaissances IA, cela signifie traiter l’organisation de l’information comme une décision distincte du choix du modèle. Les titres sur l’infrastructure peuvent éclairer le suivi des fournisseurs. Ils ne doivent pas remplacer une évaluation de la manière dont l’équipe stocke et retrouve ses connaissances de travail.

Cette distinction maintient également le débat sur les dépenses dans des proportions appropriées. Une prévision plus faible n’est pas automatiquement une bonne nouvelle pour chaque client. L’important est de savoir si ce changement reflète une efficacité accrue, une capacité retardée ou une réduction des investissements dans les ressources dont les clients ont besoin.

De même, un engagement plus important ne garantit pas une meilleure expérience. Les acheteurs ont toujours besoin de preuves issues du service réel et des charges de travail qu’ils prévoient d’exécuter. L’échelle de l’infrastructure devient commercialement significative lorsqu’elle soutient un travail fiable et utile.

Les dépenses d’infrastructure d’OpenAI méritent l’attention parce qu’elles façonnent les ressources qui sous-tendent ces services. Leur importance pratique se manifestera par la livraison et les performances, plutôt que par le seul total affiché.

Surveiller la livraison de capacité, les informations des fournisseurs et la demande utilisable

Les prochains éléments de preuve devraient relier la livraison physique, les rapports financiers et l’utilisation par les clients, dans cet ordre.

Au cours des un à trois prochains mois, le premier signal sera une mise à jour concrète sur la capacité utilisable. Une annonce de site, une étape de construction et un déploiement opérationnel décrivent des phases différentes. Les rapports doivent préciser quelle phase a effectivement évolué.

La preuve que les ressources prévues sont devenues disponibles renforcerait la confiance dans les hypothèses de livraison qui sous-tendent un calendrier de dépenses. De nouveaux retards affaibliraient ces hypothèses, bien que leurs effets financiers dépendent toujours des conditions contractuelles.

Les mises à jour les plus utiles relieraient un projet à une date définie de mise en service ou à une charge de travail. Sans ce lien, un autre chiffre important de capacité peut ajouter de l’ampleur au récit tout en laissant la question du paiement sans réponse.

Le deuxième signal est un niveau de détail accru de la part des fournisseurs d’infrastructure. Les publications financières et les échanges sur les résultats peuvent aider à distinguer les engagements signés, les services livrés et les revenus futurs attendus. Toute comparaison nécessite des définitions cohérentes et une période de référence explicite.

Le fait qu’un fournisseur signale une demande contractuelle plus forte n’établirait pas, à lui seul, qu’OpenAI a déjà effectué les paiements correspondants. De même, les dépenses consacrées aux installations ne prouveraient pas que toutes les ressources installées sont immédiatement accessibles à un client.

Ce qui renforcerait l’analyse serait un lien plus clair entre ces étapes. Les lecteurs devraient rechercher des explications sur le moment où la capacité entre en service et sur la manière dont cela affecte la comptabilisation financière. Des éléments propres à chaque contrat seraient plus utiles qu’une nouvelle répétition de la valeur d’un accord agrégé.

Si les fournisseurs communiquent des calendriers révisés, les analystes devraient expliquer quelles années changent et si l’obligation finale évolue également. Cela aiderait à déterminer si un total plus faible à court terme représente un report, une annulation ou un dispositif commercial révisé.

Le troisième signal est la demande utilisable : une activité client que l’infrastructure livrée peut prendre en charge de manière constante. L’accès aux produits, les informations sur la fiabilité et des preuves crédibles d’adoption sont importants, car l’infrastructure doit en fin de compte servir un travail que les clients valorisent.

Les chiffres d’adoption doivent également être interprétés avec prudence. La croissance du nombre d’utilisateurs n’établit pas automatiquement la rentabilité, et une charge de travail plus importante ne révèle pas son coût de prestation. Les preuves les plus solides relieraient l’adoption à une livraison fiable et à une amélioration de l’économie opérationnelle.

Une annonce de financement peut soutenir l’expansion, mais le financement seul n’établit pas que les installations fonctionnent ou que les services sont économiquement viables. Chaque élément de preuve doit répondre à sa propre question.

Ces signaux affineraient la conclusion rapportée de Bernstein sans imposer un verdict prématuré. Les preuves de livraison testent le calendrier. Les informations des fournisseurs testent la traduction financière. L’utilisation par les clients teste si les ressources soutiennent une activité durable.

Suivez les dépenses d’infrastructure d’OpenAI en gardant ces questions distinctes. Lorsqu’un nouvel engagement apparaît, vérifiez sa durée, ses conditions et sa relation avec les annonces antérieures. Lorsqu’un projet prend du retard, demandez-vous si le paiement est déplacé, si l’obligation diminue ou si une capacité de remplacement devient nécessaire. Lorsqu’un produit s’étend, recherchez des preuves que les clients peuvent l’utiliser de manière fiable. Conservez ensemble les informations datées afin que les conditions révisées ne disparaissent pas derrière des titres plus anciens. L’estimation rapportée de 614 milliards de dollars donne aux lecteurs une raison utile de revoir le calcul. L’étape suivante consiste à suivre les preuves reliant les accords aux ressources opérationnelles et aux services utiles. Quelle prochaine publication rendra ce lien plus clair ?