Alors que les entreprises entament la "réduction des coûts de puissance de calcul", Goldman Sachs avertit que les 5 300 milliards de dollars de dépenses en capital pour l’IA approchent de la saturation du crédit !

La vague d'investissement dans l'infrastructure AI est en train de remodeler le paysage des marchés financiers mondiaux, mais les risques de dette qui se cachent derrière ne doivent pas être ignorés.

Selon la dernière prévision de Goldman Sachs, entre 2025 et 2030, les dépenses en capital des entreprises de cloud computing à très grande échelle dans le domaine de l'AI et des data centers atteindront un total de 5,3 trillions de dollars, inaugurant un super cycle d’investissement en capital sans précédent.

Goldman Sachs prévoit que ces entreprises devront trouver des financements sur divers marchés, car elles risquent d’être limitées par la saturation des marchés de crédit liquides.

Gary Marcus, professeur d'honneur à l'Université de New York, en relayant l’analyse, a qualifié la déclaration de Goldman Sachs de "phrase terrifiante", en ajoutant :

Pour moi, désormais, la question n’est pas de savoir si le modèle de très grande échelle va s’effondrer, mais à quel point les dommages collatéraux seront graves.

Gary Marcus avertit en outre :

Les fournisseurs de cloud à très grande échelle ne pourront pas récupérer leur investissement de 5,3 trillions de dollars, sauf s’ils obtiennent d’énormes subventions gouvernementales, en prélevant cet argent sur les contribuables. C’est précisément leur intention.

Parallèlement, selon l’estimation de Morgan Stanley, rien que pour la construction des data centers mondiaux, les dépenses en capital atteindront près de 2,9 trillions de dollars d’ici 2028, et une proportion importante reposera sur le financement par la dette. Cela signifie que si un ajustement du marché survient, les pertes ne seront plus limitées aux actionnaires, mais risquent de se propager à toute la société via les marchés du crédit.

Le revers de cette grande fête de l’investissement, c’est l’apparent resserrement des finances des entreprises. Uber, Amazon, Walmart et d’autres adopteurs précoces de l’AI à grande échelle ont successivement imposé des plafonds à l’utilisation de l’AI par leurs employés ou mis en œuvre des mesures de réduction des coûts.

Après qu’Anthropic ait modifié son mode de tarification pour facturer à la token, Carter Busse, CIO de Workato, a vu les dépenses quotidiennes grimper de 7 fois, concluant :

Nous avons créé un monstre.

Selon l’analyse des experts de Goldman Sachs, les dépenses en capital AI augmentent à un rythme plus rapide que la construction réelle de data centers, ce qui implique que les futurs points d’étranglement pourraient passer de la demande de modèles à la capacité de financement, à l’approvisionnement en électricité et à l’exécution des projets.

Les calculs de Morgan Stanley sont plus précis. D’ici 2028, la composition des sources de financement des 2,9 trillions de dollars de dépenses en capital pour la construction des data centers mondiaux est la suivante :

• Cash flow propre des entreprises de cloud à très grande échelle environ 1,4 trillion de dollars ;
• Dettes d’entreprise environ 200 milliards de dollars ;
• Crédit titrisé d’actifs environ 150 milliards de dollars ;
• Crédit privé, financement adossé à des actifs et dette de coentreprise environ 800 milliards de dollars ;
• Autres capitaux environ 350 milliards de dollars.

Cette structure montre que l’investissement dans l’infrastructure AI est largement tiré par le crédit.

Rohan Paul, créateur de contenus AI sur X, souligne que comme seules quelques entreprises de cloud à très grande échelle ne peuvent indéfiniment émettre de la dette sur le marché obligataire public, les investisseurs commencent à s’inquiéter du risque de concentration des émetteurs.

La complexité du financement des data centers aggrave ce problème.

Ce ne sont pas des actifs uniques, mais un ensemble comprenant terrain, accès à l’électricité, liens réseau, construction, systèmes de refroidissement et serveurs AI, de sorte que le besoin de financement déborde naturellement sur les fonds d’infrastructure, les fonds immobiliers, le crédit privé et les obligations d’entreprise sur plusieurs marchés.

Si un ajustement systémique survient sur le marché, la chaîne de transmission des pertes sera bien plus complexe qu’à l’époque de la bulle internet.

Du côté de la demande, le coût élevé du fonctionnement de l’AI oblige les entreprises à réévaluer la valeur de chaque requête et workflow automatisé.

Uber illustre ce cas de façon exemplaire. Les Nouvelles de Wall Street rapportent que le géant du transport a dépensé en un trimestre tout son budget AI de l’année 2026.

Après l’épuisement en avril, Uber a décidé d’imposer un plafond de 1500 dollars par mois pour les tokens utilisés par ses employés sur un outil AI. Andrew Macdonald, président et COO d’Uber, admet :

Il devient de plus en plus compliqué de justifier les dépenses en tokens AI, il est difficile d’établir une relation de cause à effet claire entre les chiffres de dépenses et l’amélioration des fonctions réelles du produit.

Walmart a également imposé un plafond sur l’utilisation de tokens par son assistant AI interne. Suresh Kumar, CTO mondial de Walmart, indique que l’utilisation de sa plateforme Code Puppy pour la programmation "a explosé", et qu’il est désormais temps de "prendre du recul et reconsidérer".

Cette tendance est portée par un changement structurel des modes de facturation. Anthropic, OpenAI et d’autres grands laboratoires AI ont commencé à basculer certains services du forfait à la facturation à la token, rendant les entreprises plus sensibles au coût de chaque mot-clé ou workflow automatisé.

Costi Perricos, responsable mondial de l’AI générative chez Deloitte, déclare :

Le coût de la puissance de calcul commence à attirer l’attention des CFO et des conseils d’administration. On a toujours dit aux consommateurs et aux entreprises que l’AI est bon marché ou gratuite, mais c’est loin d’être le cas.

Sam Altman, CEO d’OpenAI, a également reconnu ce mois-ci que le coût est devenu "un problème clé" pour les clients cette année, alors que ce sujet était quasi absent l’année dernière.

Les actions de réduction des coûts au niveau des entreprises affectent aussi l’amont de la chaîne industrielle AI.

Anthropic et OpenAI envisagent toutes deux une introduction en bourse plus tard cette année, avec une valorisation proche du trillion de dollars. Cependant, la tendance à la contraction des dépenses AI par les entreprises représente une pression potentielle sur leurs perspectives de croissance de revenus.

Les grandes plateformes AI commencent à adapter leur stratégie en guidant les utilisateurs vers des modèles non avancés moins onéreux pour maintenir le taux d’adoption.

Kyle Daigle, COO de GitHub, indique que Microsoft a commencé à discuter plus tôt des changements de tarification avec ses clients, explorant "l’adaptation et l’applicabilité", tout en soulignant que "toutes les tâches ne nécessitent pas des modèles avancés".

Microsoft, Amazon et Google proposent désormais des outils qui routent automatiquement les requêtes des utilisateurs vers le modèle le plus adapté et au coût optimal.

Certains entreprises optent pour les modèles open source, les exécutant sur leurs serveurs internes ou appareils personnels afin de réduire les paiements aux laboratoires AI et aux fournisseurs de cloud.

Patel de Cisco résume le dilemme de nombreuses entreprises :

Nos ingénieurs veulent plus de tokens, il nous faut trouver un moyen de les financer.

Cette phrase révèle la difficulté de tout le secteur : la valeur stratégique de l’AI est largement acceptée, mais il reste à prouver que le marché validera la logique commerciale de paiements récurrents.