David Cahn s’interroge : l’IA peut-elle répondre à la question des 3 000 milliards de dollars avant que les retombées ne s’éloignent ?

David Cahn, associé chez Sequoia, a relevé à 1 500 milliards de dollars son estimation des investissements dans les infrastructures d’IA, obligeant les investisseurs à se confronter à un problème de revenus bien plus vaste. L’IA peut-elle répondre à la question des 3 000 milliards de dollars avant que les retombées attendues ne soient repoussées au-delà de 2028 ?

Ce chiffre correspond à l’estimation de Cahn concernant les revenus nécessaires pour justifier les dépenses d’infrastructure engagées par le secteur en 2026. Il englobe le poids économique des puces, des centres de données, des systèmes électriques, des équipements réseau et des marges des opérateurs.

Le débat n’oppose plus simplement les optimistes de l’IA aux sceptiques. Il met désormais face à face les revenus promis par le secteur et les engagements physiques et financiers déjà pris par Google, Meta, Microsoft, Amazon et leurs partenaires.

Les entreprises d’IA connaissent une croissance rapide, mais les engagements en matière d’infrastructure ont progressé à une tout autre échelle. La baisse du coût des tokens et l’essor de modèles open-weight moins chers facilitent l’adoption, tout en rendant l’objectif de revenus plus difficile à atteindre.

Ce renversement place les hyperscalers sous pression. Les investisseurs attendent de leurs gigantesques programmes d’investissement qu’ils génèrent une hausse marquée du flux de trésorerie disponible au cours des prochaines années.

Si ces liquidités n’arrivent pas dans les délais, les conséquences dépasseront les seuls développeurs de modèles. Elles toucheront les fournisseurs de puces, les entreprises énergétiques, les marchés du crédit, les grands indices boursiers et l’économie dans son ensemble.

David Cahn transforme un avertissement de 200 milliards de dollars en un test à 3 000 milliards

La nouvelle estimation de Cahn fait passer le débat sur l’IA d’une question de demande pour les produits à un test visant à déterminer si les revenus peuvent rattraper les dépenses d’infrastructure.

Cahn a commencé à développer cet argument en 2023, lorsque Nvidia déclarait près de 50 milliards de dollars de revenus annuels issus des GPU. Il y a ajouté les coûts d’exploitation et les marges nécessaires sur l’ensemble de la chaîne d’infrastructure.

Ce calcul laissait entendre que le secteur devait générer environ 200 milliards de dollars de revenus pour amortir l’investissement initial. Cette estimation est devenue célèbre sous le nom de « question à 200 milliards de dollars » de l’IA.

Cette question ne visait pas à affirmer que l’IA était vouée à l’échec. Cahn la présentait comme un défi lancé aux entrepreneurs : concevoir des applications capables d’exploiter de manière rentable la capacité de calcul disponible.

Trois années de construction intensive ont changé l’ordre de grandeur. Selon une analyse des infrastructures publiée le 9 juillet, Cahn estime désormais à 1 500 milliards de dollars les dépenses consacrées aux infrastructures d’IA en 2026.

Son modèle implique que le secteur doit générer 3 000 milliards de dollars de revenus pour justifier ces dépenses. Ce chiffre ne se limite pas au prix d’achat des accélérateurs.

Les centres de données ont besoin d’électricité, de systèmes de refroidissement, de réseaux, de mémoire, de terrains, de main-d’œuvre pour leur construction et d’une maintenance continue. Les opérateurs d’infrastructure attendent également un rendement de leurs capitaux.

Cahn estime que le besoin final pourrait être encore plus élevé. Les contraintes liées à la mémoire, les puces spécialisées pour l’inférence et la hausse des coûts de construction peuvent accroître les revenus nécessaires pour chaque gigawatt de capacité.

Un gigawatt mesure une capacité électrique, et non la production d’une IA. Cette unité est importante, car l’électricité est devenue l’une des limites les plus évidentes à la rapidité avec laquelle les entreprises peuvent déployer de nouveaux systèmes informatiques.

Apollo a publié des prévisions distinctes sur les infrastructures qui illustrent la même pression. Le groupe estime que le financement des infrastructures d’IA jusqu’en 2028 nécessiterait près de 3 000 milliards de dollars de capitaux.

Apollo prévoyait qu’environ la moitié de ce besoin proviendrait de financements externes. Ses prévisions de financement estimaient également que le crédit privé pourrait fournir plus de 800 milliards de dollars.

Ces estimations portent sur des éléments différents et ne doivent pas être considérées comme équivalentes. Cahn évalue les revenus nécessaires pour justifier les dépenses, tandis qu’Apollo estime les besoins de financement des infrastructures.

Les deux calculs mettent en évidence le même problème de fond. Le déploiement des infrastructures physiques de l’IA progresse plus vite que la capacité démontrée du secteur à générer des revenus clients durables d’ampleur équivalente.

Cette expansion implique également de longs délais. Cahn a indiqué qu’un centre de données dédié à l’IA nécessitait en moyenne environ deux ans de construction.

Les projets annoncés lors de la vague initiale de l’IA générative entrent donc en service après que de nombreuses décisions d’achat ont déjà été prises. Leur valeur économique dépend d’une demande qui devra se maintenir pendant des années.

L’infrastructure cloud offre un précédent plus progressif. Amazon a lancé AWS en 2006, et la migration des charges de travail des entreprises s’est déroulée sur plusieurs décennies.

Ce rythme a permis aux fournisseurs de financer progressivement leur expansion. Le cycle actuel de l’IA exige au contraire des entreprises qu’elles sécurisent les puces, l’électricité et les capacités de construction avant que la demande ne devienne tout aussi visible.

La question des 3 000 milliards de dollars ne consiste donc pas à savoir si les gens utilisent l’IA. Celle-ci s’est déjà répandue dans la recherche en ligne, le développement logiciel, le service client, la recherche scientifique, la production de contenu et le travail de bureau.

Elle consiste à déterminer si les clients paieront suffisamment, et pendant assez longtemps, pour financer les infrastructures assemblées en leur nom. Il s’agit d’un test bien plus exigeant.

L’IA peut-elle répondre à la question des 3 000 milliards de dollars avec les revenus actuels ?

Les principales entreprises d’IA ont bâti des activités considérables, mais les revenus qu’elles déclarent restent très inférieurs au niveau qu’implique le calcul de Cahn.

Selon certaines informations, Anthropic approchait les 60 milliards de dollars de revenus annuels récurrents en juillet 2026. Les revenus annuels récurrents, ou ARR, extrapolent sur une année entière les revenus actuels issus des abonnements et des contrats.

OpenAI aurait généré 13 milliards de dollars en 2025. En novembre 2025, l’entreprise a déclaré avoir atteint 20 milliards de dollars d’ARR, ce qui suggère une accélération continue au-delà des revenus annuels déjà comptabilisés.

Ces chiffres témoignent d’une demande réelle, notamment pour les agents de programmation et les assistants généralistes. Ils ne suffisent toutefois pas à combler un écart de plusieurs milliers de milliards de dollars.

Les revenus des fournisseurs de modèles ne représentent également qu’une partie de la réponse. Google, Microsoft, Amazon et Meta peuvent monétiser l’IA par l’intermédiaire des services cloud, de la publicité, du commerce, des abonnements et des gains d’efficacité internes.

Google peut appliquer ses modèles à la publicité dans les moteurs de recherche et aux charges de travail dans le cloud. Microsoft peut intégrer des assistants à ses logiciels professionnels tout en vendant de la capacité de calcul par l’intermédiaire d’Azure.

Amazon peut utiliser l’IA dans ses activités de vente au détail et proposer des infrastructures de modèles via AWS. Meta peut améliorer ses systèmes publicitaires et l’engagement des utilisateurs sans facturer directement chaque interaction avec un modèle.

Ces rendements indirects compliquent le calcul de Cahn. Un dollar de performance publicitaire supplémentaire peut contribuer à justifier les infrastructures, même s’il n’apparaît jamais dans les revenus d’une API de modèle.

Les économies de coûts comptent également. Un agent qui raccourcit un projet logiciel ou automatise le support client peut créer de la valeur sans constituer une ligne de produits distincte.

Les avantages indirects restent cependant difficiles à isoler. Les entreprises peuvent attribuer à l’IA des améliorations qui résultent également de changements tarifaires, de réductions d’effectifs, de la croissance du marché ou de mises à niveau logicielles conventionnelles.

Les applications les plus solides à court terme demeurent concentrées dans quelques domaines. Dans ses perspectives sur l’IA en 2026, Cahn a désigné la programmation et ChatGPT comme les deux applications phares déjà établies.

Il s’attendait à ce que ces deux catégories atteignent ou dépassent chacune plusieurs dizaines de milliards de dollars de revenus annuels. Il observait également un groupe croissant de startups se rapprochant d’une envergure commerciale significative.

Les agents de programmation présentent un intérêt économique particulièrement clair. Ils peuvent rédiger du code, examiner des modifications, tester des interfaces, analyser des défaillances et utiliser des outils de développement.

L’acheteur peut comparer ces résultats au temps de travail des ingénieurs, à la rapidité des mises en production et aux taux de défauts. Le rendement est ainsi plus facile à mesurer qu’une promesse générale d’amélioration du travail intellectuel.

Même dans ce domaine, l’attribution des revenus demeure difficile. Une entreprise peut payer pour plusieurs assistants tout en continuant à utiliser ses outils de développement et ses services cloud existants.

La question pertinente n’est pas de savoir si l’agent produit du code utile. Il faut déterminer si les gains de productivité qui en résultent dépassent les coûts d’abonnement, d’inférence, de révision, de sécurité et d’intégration.

La mise en œuvre en entreprise introduit un délai supplémentaire. Les grandes organisations doivent connecter les modèles à leurs données privées, à leurs autorisations, à leurs systèmes logiciels et à leurs processus d’approbation.

Elles ont également besoin de méthodes d’évaluation permettant de distinguer une réponse fluide d’un résultat fiable. Un modèle performant lors d’une démonstration peut néanmoins échouer au sein d’un long processus de production.

Cahn a décrit les entreprises comme étant lassées par la difficulté de leurs projets internes d’IA. Cette lassitude crée une ouverture pour les startups spécialisées dans les applications, mais ralentit également les revenus dont ont besoin les propriétaires d’infrastructures.

Une application ciblée peut structurer les modèles autour d’une tâche précise et éliminer le travail d’intégration. Son fournisseur reste néanmoins soumis à la pression exercée par la baisse du coût des modèles et la copie rapide des fonctionnalités.

La viabilité des revenus doit donc être assurée à plusieurs niveaux. Les fournisseurs de modèles ont besoin de contrats, les éditeurs d’applications doivent fidéliser leurs clients et les hyperscalers doivent rentabiliser l’utilisation de leurs centres de données.

Un taux d’utilisation supérieur ne suffit pas si chaque unité de travail devient moins chère plus rapidement que la demande ne progresse. Les revenus dépendent de l’interaction entre le volume d’utilisation et la baisse du coût unitaire.

Pour que l’IA réponde à la question des 3 000 milliards de dollars, les clients devront consommer beaucoup plus d’intelligence à mesure que son coût diminuera. Ce scénario est plausible, mais l’augmentation nécessaire est considérable.

La baisse du coût des tokens crée le paradoxe central des revenus de l’IA

Les mêmes gains d’efficacité qui facilitent l’adoption de l’IA peuvent affaiblir la croissance des revenus nécessaire pour amortir ses infrastructures.

Les entreprises de modèles facturent généralement les tokens, les petites unités de texte ou de code traitées pendant la génération. La baisse du coût des tokens réduit les dépenses liées au fonctionnement des assistants et des agents.

C’est une bonne nouvelle pour les développeurs et les entreprises clientes. Un processus trop coûteux l’an dernier peut devenir commercialement viable après l’amélioration d’un modèle ou du matériel.

Cependant, la baisse des coûts unitaires exerce une pression sur les fournisseurs. Si un agent accomplit la même tâche avec moins de tokens, le fournisseur perçoit moins de revenus d’utilisation, à moins que les clients n’exécutent davantage de tâches.

C’est le renversement central de l’argument de Cahn. Le progrès technique améliore le produit tout en augmentant le volume nécessaire pour amortir les investissements dans les infrastructures.

OpenAI a indiqué que GPT-5.4 nécessitait moins de tokens que GPT-5.2 pour de nombreuses tâches. L’entreprise l’a également présenté comme un modèle plus performant pour la programmation, l’utilisation d’outils et les processus professionnels.

Lors d’une évaluation publique de programmation, GPT-5.4 a obtenu un score de 57,7 %, contre 55,6 % pour GPT-5.2. L’évaluation du modèle publiée par OpenAI faisait également état de progrès importants en matière de recherche agentique sur le Web.

OpenAI a ensuite affirmé que son modèle le plus récent utilisait 54 % de tokens en moins pour les tâches de programmation agentique. Cette affirmation décrit la quantité de calcul exprimée en tokens, et non un gain de productivité garanti.

Les résultats obtenus indépendamment en production peuvent varier en fonction des prompts, des outils, de la longueur des tâches et des paramètres de raisonnement. Un benchmark ne permet pas d’établir le coût final d’un déploiement en entreprise.

La tendance est néanmoins claire. Les modèles rivalisent non seulement sur le plan de l’intelligence, mais aussi sur leur capacité à convertir efficacement les ressources de calcul en tâches accomplies.

L’efficacité peut stimuler la demande par un effet économique bien connu. Lorsqu’une ressource devient moins chère, les utilisateurs découvrent souvent de nouvelles manières de l’exploiter.

Les développeurs peuvent passer d’une complétion occasionnelle du code à des agents qui surveillent les tests en continu. Les équipes d’assistance peuvent analyser chaque interaction avec les clients plutôt qu’un simple échantillon.

Les chercheurs peuvent mener plusieurs investigations en parallèle. Les équipes produit peuvent générer, tester et comparer un nombre bien plus élevé de prototypes avant d’en sélectionner un.

Ces scénarios peuvent accroître la consommation totale de tokens malgré une baisse du coût par tâche. La thèse de l’infrastructure suppose que cette expansion se produise sur un marché de très grande ampleur.

Les workflows agentiques offrent une voie possible. Un agent ne se contente pas de répondre à une seule requête avant de s’arrêter. Il planifie, appelle des outils, lit des fichiers, vérifie les résultats et répète certaines étapes.

Une étude publiée en 2026 a révélé que les tâches de programmation agentique pouvaient consommer bien plus de tokens que les échanges classiques consacrés au code. La même étude a constaté de fortes variations entre plusieurs exécutions successives.

Cette variabilité explique pourquoi les affirmations relatives à l’efficacité doivent être considérées avec prudence. Une consommation supérieure de tokens ne se traduisait pas systématiquement par une meilleure précision, et les modèles peinaient à prévoir leur propre consommation.

Les acheteurs exigeront de plus en plus un travail accompli plutôt qu’un simple volume de tokens. Cette évolution accentue la pression en faveur d’évaluations fondées sur les résultats, de budgets prévisibles et d’une exécution auditable.

Une entreprise qui organise ses propres activités liées à l’IA peut tirer parti du regroupement des sources, des décisions et des résultats des modèles. Une base de connaissances IA consultable peut limiter les recherches répétitives et préserver le contexte qui sous-tend les résultats.

Un meilleur contexte peut réduire le gaspillage, mais il ne garantit pas la fiabilité. Les équipes doivent toujours prévoir une validation humaine pour les décisions importantes en matière de finance, de droit, de médecine, de sécurité et d’exploitation.

La question économique consiste à déterminer si ces workflows génèrent suffisamment d’activité supplémentaire pour compenser les gains d’efficacité. Les fournisseurs ont besoin que la consommation augmente plus rapidement que les coûts unitaires ne diminuent.

Cette exigence rappelle d’autres transitions informatiques. La baisse du coût du stockage a entraîné la création de davantage de données, tandis que celle de la bande passante a favorisé le streaming vidéo et les applications cloud.

L’IA pourrait suivre la même trajectoire. La différence tient au volume de capitaux engagés avant que la nouvelle courbe de demande ne se soit pleinement matérialisée.

Les modèles à poids ouverts mettent sous pression les prévisions des hyperscalers

La concurrence des modèles à poids ouverts remet en cause l’hypothèse selon laquelle l’augmentation de l’usage de l’IA profitera principalement aux plateformes américaines de modèles et de cloud les plus coûteuses.

Un modèle à poids ouverts met ses paramètres entraînés à la disposition des utilisateurs afin qu’ils puissent les télécharger ou les exploiter. Il ne divulgue pas nécessairement ses données d’entraînement ni l’intégralité de son processus de développement.

Les organisations peuvent exécuter ces modèles sur leur propre infrastructure, recourir à des services d’hébergement spécialisés ou les adapter à des tâches plus ciblées. Cette flexibilité peut réduire leur dépendance envers un fournisseur unique.

Torsten Slok, économiste en chef d’Apollo, a identifié cette évolution comme un risque pour les prévisions des hyperscalers. Il a souligné que les modèles chinois gagnaient des parts de marché tandis que les prix des tokens continuaient de baisser.

Selon l’analyse publiée par Apollo en juillet, les modèles chinois devançaient leurs homologues américains en matière d’utilisation des tokens parmi les 20 modèles les plus employés. Les graphiques sous-jacents s’appuyaient sur OpenRouter et d’autres jeux de données d’utilisation.

Ces jeux de données ne représentent pas l’ensemble du marché. Ils peuvent surreprésenter les développeurs qui changent fréquemment de modèle et sous-représenter les déploiements privés des entreprises.

Ils révèlent néanmoins des comportements concurrentiels significatifs. Les utilisateurs choisissent souvent un modèle moins cher lorsque ses performances suffisent pour une tâche courante.

Une équipe logicielle peut réserver un modèle de pointe aux décisions d’architecture, tout en employant des modèles plus petits pour les tests, la documentation, la classification et la mise en forme.

Un service client peut confier les demandes simples à un modèle local. Il peut transmettre les conversations ambiguës à un système hébergé plus performant.

Cette combinaison réduit le prix que peut facturer un fournisseur donné. Elle diminue également la valeur d’une première place dans les benchmarks lorsque plusieurs modèles satisfont le niveau d’exigence de l’acheteur.

Google, Meta, Microsoft et Amazon restent protégés par leur échelle, leurs canaux de distribution et leurs relations existantes avec les clients. Ils peuvent regrouper l’IA avec des services cloud, des logiciels de productivité, des systèmes publicitaires et des plateformes de développement.

Leur solidité financière leur permet également de poursuivre leurs investissements pendant une guerre des prix. Les petits fournisseurs d’infrastructures ne disposent pas de cette marge de manœuvre.

Toutefois, l’échelle crée autant d’exposition qu’elle offre de protection. Les plus grandes entreprises ont engagé le plus de capitaux et font face aux attentes les plus élevées des investisseurs.

Les prévisions consensuelles examinées par Apollo anticipent un flux de trésorerie disponible des hyperscalers plus que doublé au cours des prochaines années. Le flux de trésorerie disponible désigne la trésorerie restante après les dépenses d’exploitation et les investissements.

Ces prévisions supposent que les investissements actuels produiront des entreprises plus grandes et plus rentables. Elles supposent également que les bénéfices arriveront assez vite pour dépasser l’amortissement et les coûts de financement.

L’amortissement répartit le coût d’un actif sur sa durée d’utilisation prévue. Il devient particulièrement important lorsque de nouveaux accélérateurs rendent le matériel existant économiquement moins attractif.

Un centre de données peut rester pleinement opérationnel sur le plan physique tout en générant des rendements inférieurs aux prévisions. Des puces plus rapides peuvent réduire la valeur des anciens systèmes avant la fin de leur durée de vie comptable.

Cahn a également averti que le report des échéances relatives à l’intelligence artificielle générale pourrait fragiliser les capacités actuelles. Si les fonctionnalités avancées arrivent plus tard, certains équipements pourraient vieillir avant que la demande ne justifie leur déploiement.

Ce risque ne signifie pas que les puces installées deviendront inutiles. Les systèmes existants peuvent servir à exécuter des modèles plus petits, des opérations d’ajustement fin, de l’inférence, des travaux de recherche et des charges de travail moins prioritaires.

La question porte sur le rendement obtenu par rapport aux prévisions initiales. Des capacités conçues pour fournir une intelligence haut de gamme et rare pourraient finalement alimenter un marché concurrentiel de commodités.

Slok a présenté trois conséquences possibles si les retombées déçoivent. Premièrement, les prévisions de trésorerie et de bénéfices diminueraient alors que les investissements et l’amortissement se poursuivraient.

Deuxièmement, une vague de ventes touchant les plus grandes entreprises technologiques pourrait se propager aux marchés des puces, de l’énergie, des centres de données et des actions.

Troisièmement, les hyperscalers pourraient davantage recourir à l’endettement si leur trésorerie d’exploitation ne suffisait plus à financer leur expansion. Cela augmenterait leur effet de levier et exposerait les prêteurs à davantage de risques liés aux infrastructures.

L’analyse d’Apollo va plus loin, estimant que des retombées tardives pourraient contribuer à une récession et à une correction du S&P 500. Il s’agit d’un scénario de risque, et non d’une prévision établie.

Cette affirmation doit également être replacée dans son contexte. Les plus grands hyperscalers disposent d’activités diversifiées, d’une forte capacité à générer de la trésorerie et de la possibilité de modifier leurs plans de dépenses.

Ils peuvent reporter des projets, renégocier leurs engagements d’approvisionnement, réaffecter les charges de travail ou rediriger leurs capacités vers des produits internes. Leurs programmes d’investissement ne sont pas totalement rigides.

La concurrence ouverte peut aussi faire l’objet d’une interprétation optimiste. Des modèles moins chers peuvent favoriser l’adoption de l’IA par davantage d’organisations, ce qui accroîtrait la demande en stockage cloud, en réseaux, en sécurité et en outils de déploiement.

Les hyperscalers pourraient gagner de l’argent en hébergeant des modèles concurrents, même si leurs propres modèles perdent des parts de marché. Historiquement, les plateformes d’infrastructure ont bénéficié d’écosystèmes logiciels étendus.

La pression provient donc du calendrier et des marges, et non d’un simple effondrement de la demande. L’adoption peut continuer de progresser même si les rendements financiers arrivent plus tard que ne l’anticipent les marchés.

Trois indicateurs montreront si les investissements dans l’IA commencent à porter leurs fruits

La réponse apparaîtra d’abord dans les taux d’utilisation, les flux de trésorerie disponibles et le comportement des entreprises, et non dans un nouveau benchmark à la une.

Le premier indicateur est le flux de trésorerie disponible des hyperscalers. Google, Meta, Microsoft et Amazon doivent démontrer que leurs investissements dans l’IA favorisent une croissance de la trésorerie jusqu’en 2028.

La seule croissance du chiffre d’affaires ne suffira pas à trancher. Les investisseurs doivent constater que la trésorerie d’exploitation dépasse les besoins liés à la construction de centres de données, à l’achat d’équipements et aux infrastructures associées.

Les entreprises fourniront des explications différentes, car leurs modèles économiques ne sont pas les mêmes. Le carnet de commandes cloud est important pour Microsoft, Amazon et Google, tandis que les rendements publicitaires pèsent davantage pour Meta.

La comparaison pertinente porte sur le rapport entre les investissements et les flux de trésorerie supplémentaires. Un écart croissant renforcerait l’hypothèse de retombées différées.

Un écart qui se réduit l’affaiblirait, en particulier si les entreprises identifient des revenus récurrents issus de l’IA au lieu de s’appuyer sur de vagues affirmations relatives à l’engagement.

Le deuxième indicateur est le taux d’utilisation physique des centres de données. Cahn a suggéré que des puces entreposées signaleraient des retards de construction ou un décalage entre la livraison des équipements et la disponibilité des installations.

Le matériel a besoin d’électricité, de refroidissement, de réseaux et de bâtiments achevés avant de pouvoir générer des revenus. Un accélérateur livré mais inutilisé reste une dépense d’investissement.

Il faudra surveiller les reports de dates d’ouverture, les contraintes d’alimentation électrique et les modifications des calendriers de déploiement des équipements. Il faudra également vérifier si les fournisseurs indiquent que les nouvelles capacités sont rapidement commercialisées après leur mise en service.

Apollo a indiqué en juillet que les capacités GPU à la demande restaient pratiquement épuisées. L’entreprise a également fait état d’une demande locative soutenue pour certaines puces plus anciennes.

Ces éléments étayent l’hypothèse d’une pénurie à court terme. Des pénuries persistantes affaibliraient l’idée selon laquelle le secteur a déjà construit des capacités excessives.

La situation changerait si les tarifs de location baissaient tandis que des capacités achevées restaient inutilisées. Cette combinaison indiquerait que l’offre rattrape la demande avant que les revenus n’atteignent l’échelle jugée nécessaire par Cahn.

Le troisième indicateur est la dépense des entreprises consacrée au travail effectivement accompli. Les entreprises doivent dépasser le stade des expérimentations et renouveler leurs systèmes d’IA parce que ceux-ci produisent des résultats mesurables.

Les indicateurs utiles comprennent les taux d’accomplissement des agents, la fidélisation des clients, la croissance des charges de travail en production ainsi que les réductions documentées du temps de travail ou des délais de cycle. Le nombre brut de requêtes apporte moins d’informations.

Le développement logiciel restera un test important. La programmation repose sur des workflows clairs, des coûts de main-d’œuvre élevés, des outils numériques et des résultats mesurables.

Si les agents de programmation deviennent une infrastructure de production standard, ils pourront soutenir une demande durable pour différents modèles et clouds. Si leur adoption se limite à une assistance supervisée, les prévisions de revenus devront être révisées.

Le service client constitue un autre test. Les modèles doivent résoudre correctement les demandes, respecter les politiques, protéger les données et savoir quand transmettre le dossier à un humain.

Une baisse du coût par conversation n’a d’importance que si la qualité reste acceptable. Dans le cas contraire, les économies se transforment en coûts de contrôle, de correction et de reconquête des clients.

Le travail intellectuel pose un problème de mesure plus complexe. Les organisations doivent connecter les assistants à un contexte interne fiable avant que leurs résultats ne deviennent systématiquement utiles.

Cela exige un accès aux documents, une gestion des autorisations, une traçabilité des sources et une mémoire institutionnelle. Un workflow de gestion des connaissances pratique peut aider les équipes à déterminer si l’IA fait gagner du temps dans les tâches récurrentes.

Les prochains trimestres devraient révéler si ces exemples deviennent des systèmes durables ou restent des fonctionnalités de productivité dispersées. Les systèmes durables génèrent une demande récurrente et résistent mieux aux coupes budgétaires.

Les investisseurs doivent également distinguer les revenus des modèles des rendements des infrastructures. Le succès d’une application ne garantit pas automatiquement des marges élevées à chaque propriétaire de centre de données.

De même, la baisse des coûts des API ne démontre pas automatiquement une faiblesse de la demande. Elle peut rendre viables des charges de travail qui ne l’étaient pas auparavant.

L’IA peut-elle répondre à la question des 3 000 milliards de dollars ? Le secteur a démontré l’existence d’une demande, une amélioration rapide des produits et plusieurs applications de grande valeur.

Il n’a pas encore démontré l’existence de revenus à la hauteur des engagements pris en matière d’infrastructures. Les éléments décisifs viendront de la trésorerie, des taux d’utilisation et des achats répétés des entreprises.

Le calcul de Cahn doit être considéré comme un test de résistance plutôt que comme un compte à rebours vers l’échec. Il met en évidence la quantité de valeur économique que le développement actuel des infrastructures devra, à terme, soutenir.

Pour les développeurs et les entreprises acheteuses, la réponse pragmatique ne consiste pas à cesser d’adopter l’IA. Elle consiste à mesurer soigneusement les résultats et à conserver les éléments probants qui sous-tendent chaque décision.

Il faut suivre le travail accompli, les coûts de contrôle, les substitutions de modèles et la croissance réelle de l’utilisation. Ces données montreront si l’efficacité crée davantage de valeur ou se contente de réduire la facture.

La réponse à la question des 3 000 milliards de dollars ne viendra pas d’une seule conférence sur les résultats. Elle se dessinera à mesure que des milliers d’organisations décideront quels workflows d’IA méritent de devenir permanents.