Pourquoi le boom de l’IA ne ressemble pas aux autres bulles

Le Washington Post a avancé sur Google News, le 7 septembre 2026, un argument plus incisif sur la bulle de l’IA, remettant en cause les parallèles rassurants que les investisseurs établissent souvent avec les chemins de fer et l’électricité. Le chroniqueur financier Matthew Lynn estime que le déploiement actuel diffère sur trois points cruciaux : la concentration géographique, une vitesse exceptionnelle et son effet potentiel sur l’emploi qualifié.

Ce cadre est important, car l’analogie historique familière s’accompagne généralement d’une conclusion optimiste. Les chemins de fer, les réseaux électriques et Internet ont attiré des investissements excessifs, détruit du capital, tout en laissant à la société des infrastructures de valeur. La chronique de Lynn se demande si cette séquence offre réellement du réconfort alors qu’un seul pays et quelques entreprises concentrent une grande partie de l’exposition.

L’inquiétude ne se limite plus aux valeurs technologiques surévaluées. Le déploiement concerne désormais les centres de données, les systèmes électriques, les chaînes d’approvisionnement en semi-conducteurs, les obligations d’entreprise, le crédit privé et les contrats de capacité à long terme. Un repli dépasserait donc les laboratoires d’IA ou les actionnaires de Nvidia.

La conclusion la plus solide n’est pas qu’un krach de l’IA soit devenu inévitable. C’est que les comparaisons historiques peuvent masquer les mécanismes précis qui en détermineraient la forme. Le boom actuel combine des infrastructures utiles, des rendements incertains, un financement concentré, une dépréciation rapide du matériel et une transition du travail encore non résolue.

Ce que l’argument sur la bulle IA de Google News change réellement

La chronique du Washington Post modifie le débat en s’attaquant à la partie rassurante de l’analogie historique, et non à l’existence d’un boom de l’investissement.

Publiée le 7 septembre, l’argument sur la bulle IA admet que les chemins de fer, l’électrification et les débuts d’Internet offrent des comparaisons pertinentes. Chacun a attiré des capitaux spéculatifs autour d’une technologie devenue par la suite économiquement importante. Chacun a également généré des pertes lorsque les investissements ont dépassé la demande à court terme.

Le désaccord porte sur ce que les lecteurs doivent déduire de ces précédents. Une interprétation courante veut que les investisseurs puissent perdre de l’argent tout en laissant la société y gagner. Les compagnies ferroviaires ayant échoué ont laissé des voies derrière elles, et les entreprises Internet disparues ont laissé des réseaux de fibre qui ont ensuite soutenu des services de valeur.

Lynn estime que trois différences rendent cette issue moins fiable pour l’IA. D’abord, une grande partie du risque financier est concentrée aux États-Unis, même si la Chine reste un concurrent important. Les précédentes vagues d’infrastructures répartissaient la construction et le financement entre davantage de pays.

Ensuite, le déploiement de l’IA s’est accéléré en moins de cinq ans. Les réseaux ferroviaires et électriques se sont développés sur des décennies, donnant aux opérateurs, aux banques et aux gouvernements davantage de temps pour identifier les modèles économiques fragiles. Aujourd’hui, les acheteurs s’engagent souvent sur des puces, de l’électricité, des baux et des chantiers avant que la demande ne devienne visible.

Enfin, l’IA générative est en partie vendue comme un substitut au travail cognitif. Les précédentes vagues d’infrastructures ont déplacé certaines professions, mais elles ont également nécessité d’importantes forces de travail pour construire et exploiter des réseaux physiques. Les fournisseurs d’IA promettent au contraire des logiciels capables d’effectuer une partie de la rédaction, de la programmation, de l’analyse, du support client et de l’administration.

Ces différences ne prouvent pas que l’infrastructure de l’IA manque de valeur durable. Elles indiquent où l’analogie cesse d’apporter des preuves. Une technologie utile peut encore produire de mauvais investissements, et un réseau pérenne ne garantit pas que ses financeurs initiaux obtiennent des rendements acceptables.

La chronique détourne aussi l’attention des cours boursiers vers la structure du déploiement. Une bulle boursière peut se dégonfler sans désactiver la technologie sous-jacente. Un repli des infrastructures soutenues par la dette peut affecter les entreprises de construction, les services publics, les prêteurs privés, les fournisseurs d’équipements et les économies régionales.

Les utilisateurs de Google News qui découvrent cette opinion voient donc une affirmation plus large que « les actions de l’IA semblent chères ». Elle soutient que l’économie a peu d’expérience de cette combinaison de capitaux concentrés, de cycles d’investissement courts et de substitution potentielle du travail.

C’est une correction utile. L’étiquette « bulle » condense souvent plusieurs questions distinctes en un seul mot. Les valorisations peuvent être excessives alors même que l’adoption progresse. Les infrastructures peuvent être nécessaires alors que les capacités deviennent excédentaires. La productivité peut s’améliorer sans que les entreprises individuelles parviennent à capter ces gains.

Un meilleur test consiste à demander où apparaissent les rendements, qui finance les actifs et qui absorbe les pertes lorsque les prévisions ne se réalisent pas. Ces questions mènent directement aux hyperscalers qui construisent la capacité sous-jacente.

Cinq hyperscalers ont fait de l’IA un pari macroéconomique

Le boom paraît différent parce qu’Amazon, Alphabet, Microsoft, Meta et Oracle ont porté les dépenses d’infrastructure des entreprises à un niveau capable d’influencer la croissance nationale.

Des chercheurs de la Réserve fédérale ont calculé que les dépenses d’investissement agrégées de ces cinq entreprises ont atteint 131 milliards de dollars au quatrième trimestre 2025. Elles se sont élevées à 412 milliards de dollars sur l’ensemble de l’année, soit environ 1,31 % du produit intérieur brut annualisé des États-Unis.

Les données de la Réserve fédérale excluent les baux, et ne saisissent donc pas tous les engagements liés au déploiement. Cette limite est importante, car les entreprises peuvent sécuriser des capacités de centres de données grâce à des contrats de long terme sans comptabiliser l’intégralité de l’obligation comme dépense d’investissement immédiate.

La même étude montre à quel point les attentes financières se sont concentrées autour des entreprises fournissant l’infrastructure de l’IA. Entre la sortie de ChatGPT et la fin de 2025, la capitalisation boursière de Nvidia a progressé de 975 %. Broadcom a gagné 636 %, tandis qu’AMD a augmenté de 179 %.

À elles trois, ces entreprises de puces représentaient 11,2 % du S&P 500 à la fin de 2025. Leur part collective avait atteint 12,4 % en octobre. Ces chiffres démontrent une concentration, mais ils n’établissent pas à eux seuls une surévaluation.

Les investissements affluent également vers les développeurs de modèles qui créent la demande de capacité informatique. La Réserve fédérale a indiqué qu’OpenAI et Anthropic ont levé respectivement 58 milliards et 44 milliards de dollars entre 2023 et 2025. Leurs valorisations à la fin de 2025 s’élevaient à 500 milliards et 350 milliards de dollars.

Cela crée un marché étroitement interconnecté. Les fournisseurs cloud investissent dans des laboratoires d’IA, les laboratoires achètent de la capacité cloud, les fabricants de puces approvisionnent les fournisseurs cloud, et la demande attendue pour les modèles soutient la construction de nouveaux centres de données. Chaque transaction peut refléter une activité commerciale réelle, tout en permettant au réseau d’amplifier des hypothèses optimistes.

La Banque des règlements internationaux estime que les cinq plus grands hyperscalers devaient dépenser plus de 1 000 milliards de dollars en dépenses d’investissement liées à l’IA sur 2025 et 2026. Elle a également constaté que ces engagements progressaient plus vite que les bénéfices et les flux de trésorerie disponibles.

Ce décalage ne signifie pas que les entreprises font face à une insolvabilité immédiate. Les plus grands hyperscalers possèdent des activités rentables dans la publicité, le commerce, les logiciels et le cloud. Leurs flux de trésorerie existants leur donnent davantage de marge que les startups des télécommunications et les entreprises spéculatives de la bulle Internet, qui dépendaient fortement de financements externes.

Toutefois, la solidité financière peut intensifier la course concurrentielle. Chaque entreprise craint que des dépenses insuffisantes ne lui fassent céder des clients cloud, le leadership dans les modèles, la fidélité des développeurs ou la distribution grand public. Des décisions défensives rationnelles prises par chaque entreprise peuvent donc produire des capacités excessives à l’échelle du secteur.

L’évaluation des risques de la BRI décrit cette situation comme une compétition pour un marché dont les participants s’attendent à ce qu’il soit dominé par un petit nombre de leaders technologiques. Dans cette logique, refuser d’investir peut sembler plus dangereux que surconstruire.

La cible de cette pression est claire. Les directeurs financiers doivent continuer d’approuver des infrastructures avant que quiconque puisse en mesurer clairement le rendement. Les investisseurs doivent déterminer si la croissance du cloud et les améliorations de la publicité justifient des dépenses qui restent intégrées à des unités d’activité plus vastes.

Les fournisseurs font face à un risque similaire. Les fabricants de semi-conducteurs, les producteurs d’équipements électriques, les spécialistes du refroidissement, les services publics et les entreprises de construction se développent sur la base des prévisions des hyperscalers. Leurs revenus peuvent augmenter avant que les utilisateurs finaux de services d’IA démontrent une volonté durable de payer.

C’est ici que la thèse du Washington Post prend de la force. Les précédents booms d’infrastructures ont également créé des dépendances dans les chaînes d’approvisionnement. La version actuelle est exceptionnellement concentrée autour de quelques budgets d’entreprise dont les décisions influencent les marchés publics, le crédit privé, la planification énergétique et la croissance économique mesurée.

L’adoption réelle de l’IA rend la question de la bulle plus complexe

L’IA n’est pas une histoire purement spéculative, mais une adoption réelle ne permet pas de savoir si les investissements actuels généreront des rendements suffisants.

L’argument le plus solide contre le récit simpliste d’une bulle est que les particuliers et les entreprises utilisent déjà la technologie. Les données de la Réserve fédérale montrent que l’adoption déclarée par les entreprises a progressé à mesure que les questions d’enquête et les méthodes de mesure évoluaient. Sa série révisée plaçait l’adoption par les entreprises à près de 18 % à la fin de 2025, avec une adoption prévue autour de 21 %.

L’utilisation de l’IA générative au travail parmi les salariés interrogés est passée de 33 % en août 2024 à 41 % en novembre 2025. Les services professionnels et la finance ont enregistré une utilisation particulièrement élevée, tandis que l’industrie manufacturière affichait une forte croissance d’une année sur l’autre.

Il ne s’agit pas des visites de sites web sans substance qui caractérisaient de nombreuses entreprises de la bulle Internet. Les travailleurs utilisent les modèles pour rédiger des documents, résumer des réunions, examiner du code, répondre à des demandes de support, retrouver des informations et comparer des options. Les entreprises intègrent l’IA à leurs produits existants et à leurs processus internes.

Les travailleurs du savoir disposent également de davantage de moyens pour relier les modèles à leurs propres documents. Une base de connaissances personnelle peut ancrer un assistant dans des documents, des notes et un historique de travail plutôt que de s’appuyer uniquement sur un modèle généraliste. Cela rend l’IA utile dans des flux de travail répétables plutôt que dans des requêtes isolées.

Pourtant, l’adoption et la rentabilité sont des mesures différentes. Un service peut se diffuser parce que les fournisseurs subventionnent son usage, l’intègrent à des abonnements existants ou acceptent de faibles marges pour gagner des parts de marché. Une forte activité ne démontre pas que les revenus couvrent l’inférence, l’entraînement, la dépréciation, l’énergie et l’acquisition de clients.

L’inférence consiste à exécuter un modèle entraîné afin de générer une réponse. Chaque requête consomme des ressources informatiques, même si le coût varie selon le modèle, la longueur de la réponse, le matériel et le taux d’utilisation. La baisse des coûts d’inférence peut élargir la demande tout en réduisant les revenus tirés de chaque unité de calcul.

Cette tension distingue l’IA des infrastructures physiques aux normes techniques relativement stables. Une ligne ferroviaire peut rester utile pendant des générations. Les accélérateurs d’IA peuvent rapidement perdre de leur valeur économique lorsque de nouvelles puces offrent de meilleures performances ou une meilleure efficacité énergétique.

Microsoft a illustré ce problème dans ses résultats publiés en juillet 2026. L’entreprise a indiqué qu’environ deux tiers de ses dépenses d’investissement concernaient des actifs à courte durée de vie, principalement des processeurs. Ces actifs doivent être remplacés plus fréquemment que les bâtiments, les raccordements électriques ou les terrains.

L’amélioration rapide aide les utilisateurs, mais elle complique l’économie de l’investissement. Un centre de données achevé aujourd’hui peut conserver sa valeur alors que son matériel installé devient moins compétitif. Les opérateurs doivent arbitrer entre faire fonctionner plus longtemps des équipements anciens et investir à nouveau afin de réduire les coûts d’exploitation.

Les états financiers des entreprises cloud ne fournissent que des réponses partielles. Amazon, Alphabet, Microsoft et Meta ne communiquent pas séparément les bénéfices générés par l’infrastructure d’IA. Les revenus liés à l’IA sont intégrés aux divisions cloud, aux activités publicitaires, aux logiciels de productivité et à d’autres activités établies.

Les marges cloud publiées sont restées solides dans plusieurs cas. Cela étaye l’idée que les entreprises leaders disposent de véritables moteurs de revenus. Cela n’isole pas le rendement marginal des plus récentes capacités d’IA.

Cette distinction est importante, car les charges de travail cloud existantes peuvent donner l’impression qu’une division fortement exposée à l’IA est rentable. À l’inverse, les coûts actuels d’amortissement et de construction peuvent peser sur les marges avant que les capacités nouvellement installées n’atteignent un niveau d’utilisation efficace. Les informations publiques ne permettent pas aux observateurs externes de dissocier complètement ces effets.

Une analyse d’août a constaté que les marges opérationnelles d’AWS avaient atteint environ 39 %, tandis que Google Cloud avait atteint 35,6 % au deuxième trimestre. La marge d’Intelligent Cloud de Microsoft est restée proche de 41 %. Les dirigeants ont néanmoins évité d’attribuer directement ces résultats à l’IA.

L’écart de rentabilité du cloud reste la principale question non résolue. Les analystes peuvent observer les dépenses d’investissement, la croissance du cloud et le carnet de commandes. Ils ne peuvent pas encore calculer un rendement fiable pour les actifs spécifiquement liés à l’IA.

C’est pourquoi qualifier le boom de manifestement rationnel ou de manifestement spéculatif passe à côté du mécanisme. L’adoption valide la technologie. Elle ne valide pas chaque centre de données, valorisation, structure de financement ou prévision construit autour d’elle.

Le nouveau risque se situe dans la dette, les contrats et la concentration de clientèle

L’argument sceptique devient le plus convaincant lorsque les dépenses transparentes des entreprises cèdent la place à l’emprunt, aux engagements hors bilan et à une demande circulaire.

La première phase du développement de l’IA reposait largement sur les flux de trésorerie opérationnels des hyperscalers. À mesure que les dépenses ont dépassé les niveaux d’investissement habituels, la dette a pris une place plus importante. La Banque des règlements internationaux a indiqué que les émissions d’obligations d’entreprises par les hyperscalers avaient dépassé 100 milliards de dollars en 2025.

Une grande partie de ces emprunts avait des échéances supérieures à cinq ans. Les longues échéances peuvent réduire la pression immédiate de refinancement, mais elles engagent aussi les entreprises à financer des actifs dont la durée de vie économique reste incertaine.

Le financement va au-delà des obligations classiques. Les hyperscalers collaborent de plus en plus avec des sociétés de crédit privé et des entités ad hoc, des véhicules juridiquement distincts créés pour détenir ou financer des actifs particuliers. Ces entités peuvent développer des centres de données et relouer des capacités à une entreprise technologique.

Dans une structure typique, l’hyperscaler détient une participation minoritaire tout en s’engageant dans des locations ou des achats à long terme d’électricité et de capacités de calcul. Des investisseurs privés fournissent les fonds propres, et le véhicule contracte une dette supplémentaire.

Le financement des infrastructures peut remplacer des dépenses d’investissement immédiates par des années de dépenses d’exploitation. La BRI qualifie certaines de ces obligations d’« emprunts fantômes », car elles se comportent économiquement comme de la dette tout en restant hors du bilan principal de l’hyperscaler.

De tels montages ne sont pas intrinsèquement inappropriés. Ils peuvent répartir le risque entre des parties aptes à financer des actifs à longue durée de vie. Ils peuvent aussi rendre l’exposition totale plus difficile à mesurer pour les actionnaires, les prêteurs et les régulateurs.

Les banques peuvent accorder des lignes de crédit aux entités ad hoc. Les assureurs et les fonds de crédit privé peuvent détenir la dette. Les hyperscalers peuvent offrir des garanties ou des engagements contractuels qui soutiennent le financement.

Ce réseau crée plusieurs canaux potentiels de transmission. Une baisse de la demande anticipée d’IA peut réduire la valeur des centres de données, dégrader les conditions de refinancement, réduire l’appétit pour le crédit privé et déclencher des garanties d’entreprise. Les difficultés peuvent se propager même si les plus grandes entreprises technologiques restent solvables.

La concentration de la clientèle crée une autre incertitude. Les entreprises cloud comptent les développeurs de modèles parmi leurs clients IA connaissant la plus forte croissance. Ces développeurs reçoivent aussi d’importants investissements de la part des mêmes fournisseurs d’infrastructure dont ils achètent les capacités.

Cela ne rend pas les revenus fictifs. OpenAI et Anthropic servent de véritables utilisateurs et entreprises. Cela signifie toutefois qu’une partie de la croissance du secteur des infrastructures dépend de clients qui continuent d’avoir besoin de capitaux externes substantiels.

La BRI a également mis en évidence des financements circulaires entre fabricants de puces, fournisseurs cloud, laboratoires d’IA et entreprises cloud spécialisées. Un investisseur peut financer un client qui s’engage ensuite à acheter les services de calcul ou le matériel de cet investisseur.

Chaque accord peut répondre à un objectif stratégique. Pris ensemble, ils compliquent l’identification de la demande financée par les clients finaux plutôt que par des capitaux circulant au sein de la chaîne d’approvisionnement de l’IA.

Le risque augmente lorsque des engagements à long terme rencontrent une baisse des prix du calcul. Si plusieurs opérateurs construisent des capacités similaires, la concurrence peut faire baisser les prix de location. Les clients en bénéficient, mais les propriétaires d’actifs peuvent gagner moins que ne le prévoyaient leurs modèles de financement.

Les contraintes électriques peuvent d’abord masquer ce danger. Des raccordements au réseau, transformateurs, puces avancées et équipements de refroidissement limités maintiennent la rareté des capacités. Les entreprises réagissent en réservant des ressources plusieurs années à l’avance, ce qui renforce les carnets de commandes publiés.

La rareté ne garantit pas un pouvoir de fixation des prix durable. Les goulets d’étranglement peuvent inciter chaque participant à sécuriser davantage de capacités qu’il n’en aura finalement besoin. Lorsque l’offre arrive, le marché peut basculer rapidement de la pénurie à la surcapacité.

L’argument du Washington Post ne doit pas être exagéré ici. La concentration de la dette et de l’exposition contractuelle ne confirme pas une crise imminente. Les données publiques restent incomplètes, et les entreprises leaders disposent d’activités générant d’importants flux de trésorerie.

La conclusion la plus défendable est plus étroite. Le système financier s’expose à l’IA par des canaux que les seules valorisations boursières ne peuvent révéler. Toute analyse sérieuse d’une bulle doit inclure les obligations, les locations, le crédit privé, les garanties et la qualité des clients sous-jacents.

L’emploi distingue ce boom des chemins de fer et de l’électricité

La différence la plus importante est que l’investissement dans l’IA vise à la fois l’expansion des infrastructures et la réduction de la main-d’œuvre nécessaire aux tâches cognitives.

Les chemins de fer ont modifié les structures d’emploi, nui aux entreprises de transport concurrentes et créé de nouveaux gagnants géographiques. Ils ont aussi employé un grand nombre de personnes pour construire les voies, exploiter les trains, entretenir les équipements et gérer des réseaux en expansion.

L’électrification a produit une combinaison similaire. Elle a remplacé certaines technologies et professions tout en soutenant les usines, les appareils électroménagers, les services publics et des industries entièrement nouvelles. L’infrastructure nécessitait de la main-d’œuvre avant que ses gains de productivité ne se diffusent dans l’ensemble de l’économie.

Les centres de données d’IA créent également des emplois dans la construction et la technique. Ils nécessitent des électriciens, ingénieurs, spécialistes du refroidissement, agents de sécurité, techniciens de maintenance et projets énergétiques. La demande d’équipements profite à des industries bien au-delà du logiciel.

La différence réside dans l’objectif déclaré du produit. L’IA générative est souvent achetée pour accomplir des parties du travail auparavant confiées à des rédacteurs, programmeurs, analystes, designers, chercheurs et employés de service. L’infrastructure soutient un système dont la valeur économique peut dépendre de la réduction des besoins en main-d’œuvre.

Cela ne signifie pas que chaque déploiement supprime un emploi. De nombreuses applications assistent plutôt les travailleurs. Un développeur peut examiner plus rapidement un code qu’il ne connaît pas, tandis qu’un chercheur peut interroger un vaste ensemble de documents sans examiner manuellement chaque fichier.

Un chef de produit peut utiliser un flux de travail IA hebdomadaire pour organiser des notes dispersées et préparer une mise à jour de statut. Le résultat immédiat peut être un travail plus complet plutôt qu’une équipe plus réduite.

Toutefois, l’assistance peut devenir une substitution lorsque les entreprises réorganisent leurs processus autour d’elle. Si un employé gère davantage de clients ou de projets, la demande d’embauche peut diminuer même si aucun salarié actuel ne reçoit de notification de licenciement.

Cette transition rend les données de productivité difficiles à interpréter. Une production plus élevée par travailleur peut soutenir les salaires et la croissance au fil du temps. Elle peut aussi coïncider avec une croissance plus lente de l’emploi dans les professions les plus exposées à l’automatisation.

La BRI a observé que les secteurs américains davantage exposés à l’IA avaient enregistré des gains de productivité plus importants, parallèlement à une croissance de l’emploi plus faible que dans d’autres secteurs. Cette relation ne prouve pas que l’IA a causé chaque différence. Elle montre pourquoi les résultats sur le marché du travail doivent faire partie du débat sur l’investissement.

La concentration géographique approfondit la question. Les États-Unis captent une grande partie de la valeur de marché associée aux principales entreprises cloud et aux concepteurs de puces. Ils sont également fortement exposés si l’IA réduit la demande de travail de service bien rémunéré.

D’autres pays participent via la fabrication de semi-conducteurs, l’assemblage, les exportations d’énergie et la construction de centres de données. La Chine est en concurrence dans les modèles, les puces, les applications et les infrastructures. L’Europe utilise une politique industrielle pour attirer des capacités et développer des alternatives nationales.

Les marchés actions américains portent néanmoins une part inhabituellement importante des attentes mondiales. La BRI a indiqué que les actions américaines représentaient environ 64 % de l’indice MSCI Global. Une réévaluation pourrait donc transmettre des effets de richesse bien au-delà des investisseurs américains.

Le déplacement de l’emploi suivrait une trajectoire différente d’une correction boursière. Les marchés peuvent s’ajuster en quelques jours, tandis que les organisations adoptent de nouveaux flux de travail sur plusieurs années. Une entreprise peut annoncer un investissement dans l’IA aujourd’hui, tester des outils le trimestre prochain et modifier ses plans d’embauche bien plus tard.

Ce décalage crée un piège de mesure. Les partisans peuvent citer le nombre limité de licenciements actuels comme preuve que les craintes sont exagérées. Les critiques peuvent interpréter chaque ralentissement des embauches comme de l’automatisation, même lorsque les taux d’intérêt ou une demande plus faible offrent des explications plus simples.

Les lecteurs devraient résister à ces deux affirmations. Une analyse fiable nécessite des données par profession sur les embauches, les salaires, les heures, la productivité et l’évolution des tâches. Les seuls décomptes de licenciements médiatisés ne peuvent révéler si l’IA complète les travailleurs ou réduit discrètement les futures opportunités.

La question de l’emploi modifie également la réponse politique. Les gouvernements ont toléré les précédents effondrements de l’investissement, en partie parce que les infrastructures restantes soutenaient une large expansion future. La tolérance publique pourrait être plus faible si les contribuables doivent faire face à des pertes financières parallèlement à une pression concentrée sur l’emploi.

Cela ne garantit pas une réglementation restrictive. Cela signifie que les décideurs examineront conjointement les transitions des travailleurs, les coûts énergétiques, les infrastructures locales, les droits sur les données et le pouvoir de marché. Le boom de l’IA ne porte pas seulement sur la construction d’un nouveau réseau.

Ce qui confirmerait ou affaiblirait l’alerte sur la bulle de l’IA

Trois signaux détermineront si le débat de Google News devient un avertissement durable ou s’estompe à mesure que les revenus de l’IA rattrapent les dépenses.

Le premier signal est la publication de revenus spécifiquement liés à l’IA par les plus grands fournisseurs cloud. Les investisseurs reçoivent actuellement des prévisions de dépenses d’investissement, des taux de croissance du cloud, des carnets de commandes et de larges marges opérationnelles. Ils reçoivent peu d’informations directes sur les rendements du matériel d’IA récemment installé.

Une meilleure transparence renforcerait le scénario optimiste si les revenus, l’utilisation et les marges progressaient de concert. Elle l’affaiblirait si les dépenses d’investissement restaient élevées tandis que les capacités d’IA fonctionnaient en dessous des attentes ou que les prix baissaient plus rapidement que les coûts.

Le deuxième signal concerne la structure du financement. Les hyperscalers peuvent soutenir des investissements agressifs plus sûrement lorsque leurs activités établies génèrent assez de liquidités pour les couvrir. La hausse des émissions obligataires, des garanties, des crédits-bails et des financements dédiés indique que l’exposition se répartit plus largement.

La BRI a constaté que les emprunts avaient déjà augmenté, les dépenses dépassant l’investissement habituel. Les prochains rapports devraient préciser la taille, l’échéance, les contreparties et les garanties associées aux projets hors bilan.

Un financement transparent, de longue durée et soutenu par une clientèle diversifiée réduirait les inquiétudes à court terme. Une dépendance croissante au refinancement, à des locataires concentrés ou à des garanties divulguées de manière imprécise conforterait l’avertissement du Washington Post.

Le troisième signal est l’adoption mesurée sur le lieu de travail. La question importante n’est plus de savoir si les employés essaient l’IA générative. Elle est de savoir si les organisations transforment son usage en gains de productivité durables, en revenus, en meilleurs services ou en réductions de coûts.

Le scénario de croissance mondiale indique que les investissements dans les équipements de traitement de l’information et les logiciels ont augmenté de 16,5 % sur un an au troisième trimestre 2025. Il soutient également que les statistiques conventionnelles peuvent ne pas saisir les bénéfices immatériels liés aux données, aux algorithmes et aux changements organisationnels.

Ce problème de mesure joue dans les deux sens. Le PIB peut comptabiliser les serveurs et les logiciels comme investissements avant que les capacités créées ne produisent suffisamment de services de valeur. Il peut aussi sous-estimer les bénéfices qui se manifestent par une recherche plus rapide, de meilleures décisions ou de nouveaux produits.

Au cours des prochains trimestres, des gains de productivité crédibles dans de nombreux secteurs renforceraient l’hypothèse d’une technologie généraliste durable. Des gains limités aux fournisseurs technologiques et à quelques secteurs professionnels laisseraient entière la préoccupation liée à la concentration.

Les lecteurs doivent également distinguer la survie du boom de la réussite de chacun de ses participants. Les chemins de fer, l’électricité et Internet ont transformé les économies malgré des faillites et de sévères corrections de marché. L’IA peut suivre cette trajectoire générale tout en produisant des gagnants, des pertes et des effets sur l’emploi très différents.

La chronique du Washington Post est convaincante lorsqu’elle utilise l’histoire comme un avertissement contre les certitudes. Elle l’est moins si les lecteurs interprètent les différences comme une preuve d’effondrement. Les caractéristiques inédites créent de l’incertitude, pas une issue prédéterminée.

Pour les développeurs, l’enjeu pratique est de savoir si la demande d’applications perdure après la fin des expérimentations subventionnées. Pour les acheteurs d’entreprise, il s’agit de déterminer si les systèmes d’IA apportent une valeur mesurable après prise en compte des coûts d’intégration, de gouvernance, de formation et de contrôle.

Les travailleurs du savoir devraient observer comment les employeurs redéfinissent les rôles, et pas seulement le nombre d’outils qu’ils achètent. Les investisseurs devraient examiner les flux de trésorerie, la qualité des clients, la dépréciation et les engagements de financement plutôt que de s’appuyer sur de vastes affirmations d’adoption.

Google News a fait émerger un débat qui mérite davantage de précision que le mot « bulle » n’en reçoit habituellement. Le prochain test sera celui des preuves : des revenus liés à l’IA plus clairs, un financement transparent et une productivité qui dépasse les entreprises vendant l’infrastructure.

Posez ces trois questions chaque fois qu’un nouvel investissement record est annoncé. Qui paie réellement pour la capacité, quel rendement mesurable produit-elle, et quelle part de la demande dépend de la poursuite de financements externes ? Les réponses montreront si ce déploiement ressemble à un réseau durable, à un coûteux cycle de surcapacité, ou à une combinaison inconfortable des deux.