---
title: "La bulle mal nommée : boom de l'intelligence, surchauffe des centres de données et transition de paradigme matériel"
slug: data-center-bubble-ai-2026
language: fr
description: "Papier de recherche France Épargne : le boom de l'IA est réel, la bulle loge dans les centres de données. Couches de risque, actifs échoués, scénarios 2026 à 2030."
keywords: ["bulle de l'IA", bulle des centres de données, intelligence artificielle 2026, capex hyperscalers, actifs échoués, GPU ASIC, inférence embarquée, lois de scaling, Nvidia, valorisation OpenAI Anthropic]
tags: [Intelligence Artificielle, Centres de Données, Semi-conducteurs, Bulle Spéculative, Infrastructure, Hyperscalers, Nvidia, GPU, ASIC, Marchés Financiers]
canonical: "https://www.france-epargne.fr/research/fr/data-center-bubble-ai-2026"
author: France Épargne Research
classification: Strategic Intelligence. Public Distribution
publishedAt: "2026-08-03T00:00:00.000Z"
updatedAt: "2026-08-03T21:04:29.316Z"
readingTimeMinutes: 205
---
> Boom de l'intelligence, surchauffe des centres de données, transition matérielle

# La bulle mal nommée : boom de l'intelligence, surchauffe des centres de données et transition de paradigme matériel

## Résumé

L'expression « bulle de l'IA » domine le commentaire financier de l'été 2026, au moment où l'indice Philadelphia Semiconductor abandonne 28,6 % depuis son sommet du 22 juin et où le fonds Situational Awareness passe de 45 milliards à environ 10 milliards de dollars en quelques semaines. Ce papier soutient que cette expression est analytiquement vide tant que l'on ne précise pas quelle couche de l'écosystème serait mal valorisée. L'écosystème de l'intelligence artificielle se décompose en couches aux économies distinctes : modèles de fondation, semi-conducteurs, cloud, centres de données, énergie, applications, surcouches applicatives (wrappers) et distribution. Les travaux économétriques de 2026 concluent à une révolution technologique réelle assortie de dynamiques de bulle localisées plutôt qu'à une manie uniforme.

L'histoire financière éclaire la configuration actuelle. La relecture des tulipes par Garber, la folie ferroviaire britannique des années 1840, l'électrification, la bulle Internet et la surcapacité de fibre télécom racontent le même enchaînement : les véhicules financiers fragiles sont détruits, la technologie sous-jacente continue de composer sa croissance, puis une phase de déploiement s'appuie sur l'infrastructure survivante. Le cadre installation et déploiement de Carlota Perez formalise ce motif, et les marqueurs de 2026 s'y superposent avec une précision inhabituelle : 725 milliards de dollars de dépenses d'investissement des quatre hyperscalers, environ 94 % de leurs flux de trésorerie opérationnels absorbés, pendant que la consommation de jetons de Google est multipliée par 330 en deux ans.

La thèse est exposée dès l'introduction : le risque systémique réel loge dans l'infrastructure de calcul centralisée, dont la valorisation suppose la permanence du paradigme actuel (entraînement massif sur GPU, inférence centralisée, montée en échelle par force brute). Trois forces menacent cette hypothèse : l'efficacité algorithmique, la saturation des modèles et la spécialisation matérielle. La demande d'intelligence et la demande de capacité de calcul centralisée sont deux variables différentes ; la première peut croître de plusieurs ordres de grandeur pendant que l'économie des projets tardifs de centres de données s'effondre. Si cette couche craque, l'événement sera lu comme « l'éclatement de la bulle de l'IA » alors qu'il marquera une transition de paradigme matériel au sein d'un boom authentique de l'intelligence.

## 1. Introduction : déconstruire l'expression « bulle de l'IA »

### 1.1 Ce que l'on veut dire quand on dit « bulle »

Le 28 juillet 2026, Alphabet publie un rapport de **dépenses d'investissement** (capex) jugé excessif par le marché ; le titre perd 7 % et entraîne Amazon, Meta et Microsoft dans son sillage, les investisseurs scrutant des trésoreries qui fondent face à des retours incertains.[^1] Deux jours plus tard, Situational Awareness LP, le fonds levier emblématique du secteur, liquide ses positions auprès de Citadel après une chute de 45 milliards à environ 10 milliards de dollars d'actifs.[^2] Sur le mois de juillet, l'indice Morgan Stanley Momentum TMT abandonne 53,5 % et le Philadelphia Semiconductor (l'indice **SOX**, référence des valeurs de semi-conducteurs) recule de 28,6 % depuis son pic du 22 juin.[^3] La presse généraliste range ces événements sous une seule étiquette : la bulle de l'IA vacille.

Que désigne cette étiquette ? À l'examen, quatre lectures distinctes circulent sous le même mot. La première est une lecture de valorisation boursière agrégée : dès novembre 2025, la radio publique américaine appliquait le ratio cours sur bénéfices de Shiller à « l'IA » comme à un objet unique, en le comparant aux niveaux d'avant le krach dot-com.[^4] La deuxième est une lecture de flux : l'industrie dépense environ 400 milliards de dollars par an pour des revenus d'intelligence artificielle estimés entre 50 et 60 milliards, un écart d'un ordre de grandeur.[^5] Les quatre **hyperscalers** (les géants du cloud à très grande échelle : Amazon, Google, Meta, Microsoft) prévoient à eux seuls quelque 725 milliards de dollars de dépenses d'investissement en 2026, en hausse de 77 % sur un an,[^6] et ces dépenses devraient absorber environ 94 % de leurs flux de trésorerie opérationnels sur 2026 et 2027, pendant que leur flux de trésorerie disponible cumulé se contracte de 43 % entre le quatrième trimestre 2024 et le premier trimestre 2026.[^7] La troisième est une lecture de circularité financière : une étude de risque systémique de la Banque des règlements internationaux souligne que les participations des hyperscalers dans des laboratoires qui leur rachètent du calcul créent une boucle de valorisation fermée, où un choc sur un nœud se propage à l'ensemble.[^8] La quatrième est une lecture par analogie historique : tulipes, chemins de fer, dot-com, autant de précédents convoqués pour suggérer que l'épisode finira mal.

Or, pendant que ces quatre lectures s'additionnent en un seul récit de fragilité, la variable d'usage suit une trajectoire inverse. Google traitait 9 700 milliards de jetons par mois en mai 2024 (le **jeton**, ou token, est l'unité élémentaire de texte facturée et mesurée par les modèles de langage), 480 000 milliards en mai 2025, puis 3,2 millions de milliards en mai 2026, soit une multiplication par 330 en deux ans.[^9],[^10] OpenRouter, place de marché d'inférence multi-modèles, achemine 25 000 milliards de jetons par semaine fin mai 2026, cinq fois plus qu'en novembre 2025, et lève 113 millions de dollars auprès de CapitalG sur cette croissance.[^11] Le lecteur se trouve donc face à deux séries de faits également documentées : une architecture financière sous tension et une adoption qui accélère au travers même de la tension. Une étiquette unique qui prétend contenir les deux séries découpe mal l'objet qu'elle nomme.

### 1.2 Pourquoi l'étiquette agrégée échoue

L'économie des plateformes a établi de longue date que les systèmes numériques se structurent en couches modulaires faiblement couplées, dont chacune porte sa propre dynamique d'innovation et de concurrence : le cadre canonique de Yoo, Henfridsson et Lyytinen distingue équipements, réseaux, services et contenus précisément parce qu'un diagnostic posé sur l'agrégat perd l'essentiel de l'information.[^12] La théorie des **technologies à usage général** (general purpose technology, GPT) de Bresnahan et Trajtenberg ajoute qu'une technologie de ce type ne crée de la valeur qu'à travers des complémentarités d'innovation dans des secteurs d'application situés en aval, dont les dynamiques sont par construction indépendantes de la couche technologique centrale.[^13] Les travaux d'organisation industrielle appliqués à l'intelligence artificielle confirment cette structure : la chaîne de valeur se décompose en couches interconnectées mais analytiquement distinctes (infrastructures, modèles de fondation, applications, usagers), chacune appelant ses propres leviers concurrentiels et réglementaires.[^14] La formule de synthèse de la Computer and Communications Industry Association résume l'état de l'art : l'IA constitue une famille de technologies opérant à des couches différentes mais reliées, des puces et des infrastructures de données jusqu'aux algorithmes et aux applications finales, et non un marché monolithique.[^15]

Cette structure en couches est également mesurable. Le travail économétrique le plus directement pertinent, publié en juin 2026 par Wang et Chen, teste la question de la bulle par plusieurs méthodes et conclut que l'intelligence artificielle est « une révolution technologique réelle avec des dynamiques de bulle localisées », les signaux préoccupants se concentrant dans les couches à forte intensité capitalistique où les dépenses d'investissement ont accéléré plus vite que la monétisation, tandis que d'autres couches affichent des valorisations adossées à des fondamentaux.[^16] Des praticiens en ont déjà fait un instrument : l'indice de bulle de ClearTake se calcule couche par couche, ce qui démontre que la mesure désagrégée du risque spéculatif est opérationnelle.[^17]

L'objection sérieuse à cette désagrégation mérite d'être posée d'emblée, car elle reviendra tout au long du papier. L'étude de la Banque des règlements internationaux relayée en juillet 2026 soutient que les montages circulaires (participations croisées, contrats de calcul réciproques, financements fournisseurs) recouplent financièrement des couches dont les profils de risque opérationnels divergent.[^8] L'objection est recevable, et elle affine la thèse au lieu de la détruire : le canal de contagion existe, mais il est lui-même une propriété de la couche de financement, qui se laisse cartographier, dater et évaluer comme les autres. Dire « les couches sont financièrement recouplées » suppose déjà d'avoir distingué les couches. Recourir à l'agrégat revient à renoncer à cette cartographie.

Une seconde objection, plus fine, vient de l'intérieur même de l'analyse en couches. Narayanan et Kapur observent que les frontières entre couches sont des objets stratégiques instables : les laboratoires de modèles s'intègrent verticalement à marche forcée, vers le haut en absorbant des fonctionnalités applicatives pour construire des coûts de changement, vers le bas en signant des contrats de calcul géants, précisément pour échapper à la banalisation de leur propre couche.[^18] Une cartographie statique peut donc induire en erreur si elle fige des frontières que les acteurs redessinent chaque trimestre. L'objection est juste, et elle prescrit la méthode plutôt qu'elle ne l'interdit : les couches doivent être définies par la nature économique de l'actif (une usine d'électrons, une usine de jetons, une relation client) plutôt que par le périmètre juridique des entreprises qui les occupent, un même groupe pouvant loger des actifs de trois couches sous une seule capitalisation boursière. C'est la convention adoptée dans toute la suite : Alphabet apparaîtra à la fois dans les semi-conducteurs (TPU), le cloud, les modèles et la distribution, et le diagnostic portera sur chaque actif plutôt que sur le ticker.

La question « y a-t-il une bulle de l'IA ? » doit donc céder la place à une question mieux formée : quelle couche de l'écosystème valorise quels flux de trésorerie futurs sous quelles hypothèses, et lesquelles de ces hypothèses sont fragiles ? Le reste du papier répond à cette question couche par couche.

### 1.3 La thèse, exposée d'emblée

Le lecteur a droit à la position complète avant l'argumentation. Elle tient en neuf propositions.

1. L'expression « bulle de l'IA » est analytiquement inutilisable tant qu'on ne précise pas la couche supposément mal valorisée. L'écosystème se décompose en modèles de fondation, semi-conducteurs, cloud, centres de données, énergie, applications, surcouches applicatives et distribution, chacune portant un profil de risque propre.[^16]

2. Les bulles technologiques historiques (chemins de fer, électricité, dot-com, fibre télécom) ont détruit des véhicules financiers fragiles pendant que la technologie sous-jacente poursuivait sa progression. L'analogie des tulipes induit en erreur quand elle sert à suggérer que l'objet sous-jacent perd son utilité ; la section 2 montre que même pour les tulipes, cette lecture est contestée.[^19]

3. L'usage de l'intelligence artificielle est durable et en expansion. La demande d'intelligence se comporte comme une frontière mobile : chaque capacité résolue élève l'ambition humaine vers la suivante, si bien que les cas d'usage actuels sous-estiment systématiquement le marché futur. La section 6 en détaille les mécanismes.

4. Les applications dominantes d'aujourd'hui (texte, conversation, développement web, logiciel en couche mince) correspondent à la phase lampe à pétrole d'une technologie à usage général. Les équivalents du kérosène aviation, des plastiques et de la pharmacie (l'IA pour la science, la robotique, la médecine, les matériaux, la cybersécurité) restent largement à découvrir. La section 7 développe ce point.

5. La couche des surcouches applicatives présente d'authentiques caractères de bulle, mais elle se purge en continu : chaque publication de modèle de frontière absorbe la partie la plus faible de la couche applicative, si bien que l'excès se dégonfle version après version au lieu de s'accumuler en un seul krach.[^18] Les surcouches fonctionnent comme une étude de marché gratuite pour les laboratoires ; beaucoup de fondateurs sont économiquement des clients des plateformes (jetons, abonnements, calcul, outillage) plutôt que des propriétaires d'entreprises durables, et les rares succès visibles recrutent la vague suivante de participants payants par biais du survivant (niveau de preuve : B).

6. Les grandes valorisations de plateformes ne sont pas automatiquement irrationnelles. Elles doivent être évaluées contre l'hypothèse que l'intelligence artificielle devienne une catégorie de dépense à l'échelle des services publics, étalonnée sur le revenu moyen par abonné des télécoms mondiaux côté consommateur et sur la dépense logicielle par salarié côté entreprise. La section 8 fait ce calcul.

7. Le risque systémique authentique se situe dans l'infrastructure de calcul centralisée. La construction en cours valorise la permanence du paradigme actuel : montée en échelle par force brute, entraînement dépendant du **GPU** (processeur graphique, Graphics Processing Unit), **inférence** centralisée (l'inférence est l'exécution d'un modèle entraîné pour répondre aux requêtes, par opposition à son entraînement). Trois forces menacent cette hypothèse : l'efficacité algorithmique (meilleure conversion des données en intelligence), la saturation des modèles (des modèles plus anciens devenant suffisants pour la plupart des usagers, sur le modèle du renouvellement des smartphones) et la spécialisation matérielle (migration de l'inférence vers des **ASIC**, circuits intégrés spécialisés, et des **NPU**, processeurs neuronaux embarqués, une fois les charges de travail stabilisées).

8. Il faut séparer la demande d'entraînement de la demande d'inférence. La consommation de jetons peut croître de plusieurs ordres de grandeur pendant que l'économie des projets de centres de données tardifs, à horizon long et centrés GPU, s'effondre, parce que la demande d'intelligence et la demande de capacité de calcul centralisée sont deux variables différentes.[^9] Les actifs les plus risqués sont les projets dont la rentabilité exige que le paradigme actuel domine encore à leur mise en service.

9. Si la couche d'infrastructure craque, l'événement sera publiquement lu comme « l'éclatement de la bulle de l'IA » alors qu'il marquera une transition de paradigme matériel au sein d'un boom authentique de l'intelligence (niveau de preuve : B). L'économie narrative de Shiller documente le mécanisme de compression d'une crise complexe en un récit viral unique,[^20] l'analyse des couvertures de presse à travers la manie dot-com, la crise financière de 2008 et le choc de 2020 montre que les médias cristallisent les émotions des investisseurs autour de récits simplifiés pendant les périodes extrêmes,[^21] et le précédent de 2001 en fournit l'illustration exacte : l'effondrement des opérateurs télécoms fut raconté comme la fin de l'exagération Internet pendant que le trafic continuait de doubler chaque année.[^22] Après le krach, le déploiement de l'intelligence artificielle accélère sur une infrastructure moins chère, selon le schéma de déploiement post-krach de Perez.[^23] Des analyses professionnelles opèrent déjà cette distinction, à l'image de la note de Man Group qui localise la bulle dans le financement de l'infrastructure tout en jugeant la technologie transformatrice et durable ;[^24] le canal narratif de masse, lui, reste agrégé.

Le plan découle de la thèse. Le présent bloc pose l'histoire (section 2) et la cartographie des couches (section 3). Les sections 4 à 6 traitent l'économie des surcouches, la position économique des fondateurs et la frontière mobile de la demande. Les sections 7 à 9 traitent la phase lampe à pétrole, le test des valorisations contre l'hypothèse utilitaire et les limites du paradigme de la montée en échelle. Les sections 10 à 13 traitent le piège de l'infrastructure, les **actifs échoués** (stranded assets, actifs immobilisés privés de débouché rentable), les contre-arguments renforcés puis réfutés, et la synthèse de positionnement.

## 2. Ce que l'histoire enseigne réellement

### 2.1 Le cadre : installation, retournement, déploiement

Carlota Perez a formalisé en 2002 la grammaire commune des révolutions technologiques, à partir des cinq grandes vagues observées depuis 1771. Chaque révolution traverse une phase d'installation, où le capital financier spéculatif finance la construction accélérée de la nouvelle infrastructure et où les valorisations papier se découplent de l'économie productive ; puis un retournement, où le krach détruit les véhicules financiers surexposés ; enfin une phase de déploiement, l'âge d'or, où le capital productif exploite l'infrastructure survivante et diffuse la technologie dans l'ensemble de l'économie.[^23] Perez décrit la fonction du krach dans ses termes : le capital financier agit alors comme l'agent d'une destruction créatrice massive, avant que le recouplage du capital financier et du capital productif ne permette une croissance large et soutenable.[^23] Des lectures récentes appliquent explicitement ce gabarit à la construction de 2026 : chaque révolution technologique déroule le même scénario financier, installation, frénésie, krach, puis âge d'or.[^25]

Ce cadre sert de colonne vertébrale à toute la section. Il implique une prédiction précise et vérifiable : le krach, quand il survient, frappe les détenteurs de titres et les structures endettées, tandis que la base technologique et physique survit, se revalorise et alimente la phase de croissance suivante. Cinq épisodes permettent de tester cette prédiction : les tulipes hollandaises, la folie ferroviaire britannique, l'électrification, la bulle Internet et la surcapacité de fibre télécom. Pour chacun, la question est double : qu'ont perdu les investisseurs, et qu'a livré la technologie ensuite ?

### 2.2 Les tulipes, ou le mauvais mythe fondateur

La tulipomanie hollandaise de 1636 et 1637 est l'analogie la plus citée et la plus mal employée du répertoire. Le travail de référence est celui de Peter Garber, d'abord dans le Journal of Political Economy en 1989, puis dans « Famous First Bubbles » (MIT Press, 2000).[^19],[^26] Garber reconstruit les fondamentaux du marché horticole de l'époque et montre que les prix extrêmes concernaient des bulbes rares, dont la reproduction était lente et contrainte : un bulbe planté ne se multiplie qu'à un rythme fixé par la biologie, si bien qu'un prototype recherché commande mécaniquement un prix très élevé qui décroît ensuite à mesure que la propagation augmente l'offre. Il documente le même profil de prix sur les jacinthes du début du dix-neuvième siècle, dont les bulbes chers sont retombés à 1 ou 2 % de leur sommet en une trentaine d'années, sans que personne ne parle de manie ; et il rappelle qu'à la fin des années 1980 encore, un prototype de bulbe de lys s'est négocié un million de florins.[^26] Quant au célèbre marché à terme sur les bulbes ordinaires de l'hiver 1636, Garber le décrit comme un jeu de taverne sans portée économique, pratiqué par une population frappée par la peste, sur des contrats largement inexécutoires.[^26]

Cette relecture importe pour deux raisons. La première est méthodologique : l'épisode canonique de la « bulle absurde », celui que l'on convoque pour clore le débat, est lui-même contesté par la littérature économique ; la charge de la preuve pèse donc sur celui qui l'invoque. La seconde touche directement l'intelligence artificielle : l'analogie des tulipes sert en pratique à insinuer que l'objet sous-jacent perdra son utilité, comme une fleur fanée. Or une tulipe ne produit aucun rendement composé, quand un réseau ferroviaire transporte des marchandises pendant un siècle et qu'un modèle de langage traite des millions de milliards de jetons par mois.[^10] Appliquer le vocabulaire des tulipes à une technologie à usage général revient à présupposer la conclusion. Les quatre épisodes suivants, où l'objet sous-jacent avait une utilité productive, sont les bons comparables.

### 2.3 La folie ferroviaire britannique des années 1840

La Grande-Bretagne des années 1840 offre le premier cas complet. L'étude quantitative de référence est celle d'Odlyzko : la manie ferroviaire a créé environ 1 000 compagnies nouvelles et financé la structure de base du réseau ferré britannique, pendant que les actionnaires subissaient une perte d'environ 50 % sur les cours entre 1846 et 1850.[^27] Le mécanisme d'amplification mérite l'attention des lecteurs de 2026, car il est un mécanisme de financement et non de technologie : les actions étaient partiellement libérées, l'actionnaire n'ayant versé qu'une fraction du nominal à la souscription. Quand les compagnies ont appelé le capital restant, jusqu'à 90 % du nominal, en pleine baisse des cours, les porteurs ont dû payer pour des titres qui s'effondraient, transformant une correction en ruine.[^27] Campbell a réexaminé l'épisode dans la Financial History Review et confirme cette structure : diffusion permanente de la technologie, perte lourde pour l'investisseur marginal, effet de levier logé dans l'instrument de souscription lui-même.[^28]

Le même Campbell apporte l'objection la plus solide au récit de la pure folie : les anticipations de l'époque étaient défendables au vu de l'information disponible, les dividendes ferroviaires ayant effectivement progressé avant le retournement.[^29] L'investissement peut être individuellement rationnel et collectivement ruineux, chaque promoteur répondant correctement à ses propres incitations pendant que la somme des projets excède toute demande finançable. Cette nuance, loin d'affaiblir la leçon, la rend directement applicable à 2026 : aucun hyperscaler ne peut se permettre de sous-construire pendant que ses concurrents construisent, et la rationalité locale de chacun produit l'excès global.[^7] Le bilan de l'épisode tient en deux faits : les porteurs de titres ferroviaires ont perdu la moitié de leur mise et davantage avec les appels de fonds ; la Grande-Bretagne a exploité le réseau ainsi financé pendant un siècle.

### 2.4 L'électrification et le délai de la dynamo

L'électricité figure parmi les cinq révolutions du cadre de Perez, et elle apporte à l'argument une pièce différente : la mesure du délai entre l'installation d'une technologie à usage général et ses gains de productivité. Paul David a établi la chronologie dans un article devenu classique de l'American Economic Review : le moteur électrique s'est diffusé dans les usines américaines dès la fin du dix-neuvième siècle, mais les gains de productivité substantiels ont mis des décennies à se matérialiser, parce que les industriels ont d'abord inséré la dynamo dans des usines conçues pour la vapeur, avec leurs arbres de transmission centraux.[^30] Les gains ne sont arrivés qu'après la réorganisation complète des ateliers autour de l'entraînement unitaire : machines disposées selon le flux de production plutôt qu'autour de l'axe moteur, bâtiments repensés, compétences reconstruites. David appliquait déjà cette grille au paradoxe de productivité informatique des années 1970 et 1980, où l'investissement massif en ordinateurs précédait de longtemps les gains mesurés.[^30]

Pour le présent papier, l'épisode électrique calibre deux attentes. D'une part, la faiblesse relative des revenus applicatifs de l'intelligence artificielle en 2026 (50 à 60 milliards de dollars annuels contre 400 milliards de dépenses)[^5] est compatible avec le profil historique d'une technologie à usage général en début de diffusion : la monétisation suit la réorganisation des processus, qui prend des années. D'autre part, ce délai ne protège en rien les financeurs de l'infrastructure : c'est précisément pendant la période où les usages réels sont en retard sur la capacité installée que les véhicules financiers surexposés se brisent. Le délai de la dynamo invite à la patience sur la trajectoire technologique, tout en laissant entiers les risques des bilans qui financent la période d'attente.

### 2.5 La bulle Internet

Le krach dot-com fournit le cas moderne le plus documenté. Les valeurs technologiques américaines ont progressé d'environ 800 % entre 1995 et le sommet du 10 mars 2000, avant de perdre plus de 80 %.[^31] La destruction a touché aussi bien les sociétés sans revenus que les équipementiers rentables emportés par l'assèchement des commandes. Pendant ce temps, la variable d'usage n'a pas fléchi : l'adoption d'Internet a poursuivi sa progression au travers du krach, puis s'est accélérée avec le déploiement de la fibre résidentielle à partir de 2005, l'iPhone en 2007, la vidéo en flux continu, et le travail à distance de la pandémie.[^31] Les flux de trésorerie promis par les prospectus de 1999 ont fini par exister ; ils sont arrivés plus tard qu'annoncé, et surtout dans d'autres mains que celles des souscripteurs de 1999. L'écart entre le rendement de la technologie et le rendement de l'investisseur, déjà visible dans le cas ferroviaire, se répète à l'identique : l'adoptant paie le coût marginal du service, l'investisseur du sommet paie le coût de reproduction majoré d'une prime, et la concurrence issue de la surcapacité transfère l'essentiel du surplus aux utilisateurs.

L'épisode livre aussi une leçon de méthode sur les indicateurs agrégés. Un ratio de valorisation calculé sur l'ensemble du panier technologique de 1999 aurait mis dans le même sac l'épicier en ligne sans revenus et le détaillant qui allait dominer le commerce mondial : le signal agrégé mesurait la fragilité moyenne du panier, alors que la question d'allocation résidait entièrement dans sa composition. C'est l'usage que la couverture de 2025 fait à nouveau du ratio de Shiller appliqué aux « valeurs de l'IA »,[^4] et l'étude des récits de crise montre que cette compression s'aggrave précisément dans les phases extrêmes, quand la presse a le plus besoin d'une histoire simple.[^21] Le lecteur de 2026 doit donc traiter tout indicateur de bulle agrégé comme une moyenne de couches hétérogènes, qui renseigne sur le climat général sans localiser le risque.

### 2.6 La surcapacité de fibre : le précédent le plus proche de 2026

À l'intérieur du krach dot-com, l'effondrement des télécoms constitue le sous-épisode le plus instructif, parce qu'il porte sur l'infrastructure physique d'une demande réelle. Le secteur s'était construit sur une affirmation de trafic fausse : l'industrie répétait que le trafic Internet doublait tous les 100 jours, alors que les mesures d'Odlyzko montraient un doublement annuel environ.[^22],[^32] Sur la foi de ce chiffre, quelque 2 000 milliards de dollars ont financé la pose de 80 à 90 millions de miles de fibre optique, dont 95 % restaient éteints (la « **fibre noire** », posée mais non utilisée) dès 2001.[^31] Odlyzko qualifie l'épisode de construction menée « au mépris délibéré de la demande réelle ».[^22] Le retournement de 2001 et 2002 a détruit les opérateurs et leur dette : WorldCom et Global Crossing en faillite,[^32] l'action Corning passée de plus de 100 dollars à environ 2 dollars, JDS Uniphase d'environ 150 dollars à 2 dollars.[^31]

La suite est le cœur de la leçon. Le trafic a continué de doubler chaque année à travers la faillite de ses financeurs,[^33] et la fibre posée est restée dans le sol. Au fil de la décennie suivante, la fibre noire a été progressivement allumée et elle est devenue le socle physique du haut débit, du cloud et de la vidéo en flux continu.[^34] Les acquéreurs de la phase de détresse, qui ont racheté cette capacité à prix cassé entre 2002 et 2004, ont capté la valeur de la phase de déploiement que les constructeurs de la phase d'installation avaient financée à perte. Des analyses de 2026 tracent explicitement le parallèle entre cette séquence et la construction actuelle de centres de données.[^35] Le précédent établit une possibilité logique qui structurera la fin de ce papier : la demande d'usage et la santé financière des propriétaires de capacité centralisée sont deux variables distinctes, et la première peut croître sans interruption pendant que la seconde s'effondre.

### 2.7 Ce que le motif prédit pour l'intelligence artificielle

Superposons le gabarit de Perez à la configuration d'août 2026. Les marqueurs de frénésie sont en place : les dépenses d'investissement des plus grands constructeurs de centres de données approchent 750 milliards de dollars en 2026, contre environ 450 milliards en 2025,[^36] les quatre hyperscalers y consacrant environ 94 % de leurs flux de trésorerie opérationnels.[^7] Les marqueurs de retournement affleurent : repli de 28,6 % de l'indice SOX depuis le 22 juin, chute de 53,5 % de l'indice Momentum TMT en juillet, liquidation forcée du fonds levier emblématique du secteur le 30 juillet.[^3],[^2] Et le marqueur de continuité du boom est le plus net des trois : la consommation de jetons accélère au travers même de la tension financière, multipliée par sept sur un an chez Google et par douze sur un an chez OpenRouter.[^10],[^11] L'application du cadre à l'épisode en cours reste une hypothèse, le cycle étant inachevé (niveau de preuve : B) ; la superposition des marqueurs est, elle, factuelle et datée.

L'honnêteté impose de renforcer les deux objections principales avant de conclure. La première porte sur la durabilité de l'actif. Les rails ont servi un siècle, la fibre plus de vingt ans ; la durée de vie utile d'un GPU fait débat depuis que Michael Burry a attaqué les calendriers d'amortissement de six ans, la vie économique réelle pouvant tomber à deux ou trois ans sous la cadence des générations de puces.[^37] Friedman précise la conséquence : l'héritage réutilisable d'un krach de l'IA serait fait des bâtiments, de l'alimentation électrique, du refroidissement et des droits de raccordement au réseau, les puces elles-mêmes étant un consommable.[^38] L'objection est fondée et elle déplace la prédiction au lieu de l'annuler : la phase de déploiement post-krach se nourrirait de sites et de mégawatts bradés plutôt que de calcul brut, et la charge de l'amortissement accéléré des GPU pèse sur la phase d'installation elle-même, ce qui aggrave le risque financier de la couche au lieu de l'atténuer. La seconde objection vient de KKR : la capacité actuelle serait contractualisée et génératrice de flux, à la différence des capacités spéculatives de 1999, les locataires étant de qualité d'investissement et les taux de vacance au plus bas.[^39] L'argument décrit correctement le parc existant ; il protège moins les projets tardifs, dont 30 à 50 % des mises en chantier américaines prévues pour 2026 sont déjà retardées ou annulées,[^40] et il suppose que les contrats de location valent ce que vaudront les économies de leurs signataires, dont les dépenses absorbent déjà la quasi-totalité des flux opérationnels.[^7] Enfin, l'objection de Campbell sur la rationalité des anticipations vaut pour 2026 comme pour 1846 : elle explique pourquoi l'excès se construit, sans empêcher qu'il se paie.[^29]

Une différence avec les précédents historiques mérite d'être conservée à l'esprit pour la suite : la densité des liens financiers entre les couches. L'étude de risque systémique de la Banque des règlements internationaux relevée en juillet 2026 souligne que les montages circulaires (un hyperscaler prend une participation dans un laboratoire, qui lui rachète du calcul, financé par la dette d'un promoteur dont le même hyperscaler est locataire) pourraient synchroniser des corrections que la structure en couches aurait autrement échelonnées.[^8] Les chemins de fer de 1846 n'avaient pas d'équivalent de cette boucle ; la fibre de 2000 en avait une version affaiblie dans le financement fournisseur des équipementiers. Le gabarit historique prédit la localisation du krach ; la circularité de 2026 conditionnera sa vitesse de propagation, et la section 11 en cartographie les canaux.

Le motif historique, testé sur quatre épisodes à objet productif, prédit donc pour l'intelligence artificielle la combinaison suivante : destruction des véhicules financiers les plus exposés de la couche d'infrastructure, continuité de l'adoption, transfert du surplus vers les utilisateurs et les acquéreurs de la phase de détresse, puis accélération du déploiement sur la capacité revalorisée. Les porteurs de titres ferroviaires ont perdu environ la moitié de leur capital pendant que la Grande-Bretagne conservait son réseau ;[^27] les créanciers des opérateurs télécoms ont subi des pertes quasi totales pendant que la fibre posée devenait le socle physique de l'économie numérique.[^34] La question utile pour un allocataire de capital en 2026 est de savoir de quel côté de cette asymétrie chaque actif de son portefeuille est placé. La section suivante cartographie les couches où cette question se pose.

## 3. L'écosystème de l'IA comme empilement de couches

La section 1 a montré pourquoi le diagnostic doit être posé couche par couche ; la section 2, ce que coûte l'oubli de cette règle. La présente section exécute le programme : elle parcourt les huit couches de l'écosystème dans l'ordre suivant : modèles de fondation, semi-conducteurs, cloud, centres de données, énergie, applications, surcouches applicatives, distribution. Pour chaque couche, elle donne un ancrage de taille postérieur à mai 2026, identifie l'hypothèse de valorisation dominante et qualifie le risque. Le tableau de synthèse en fin de section rassemble les huit diagnostics.

### 3.1 Les modèles de fondation

La couche des **modèles de fondation** (les grands modèles généralistes entraînés à très grande échelle, sur lesquels le reste de l'écosystème se construit) concentre le récit médiatique et une part étonnamment faible des flux financiers. Les synthèses de place de 2026 situent OpenAI autour de 20 milliards de dollars de revenu annuel récurrent (**ARR**, annual recurring revenue) et Anthropic au-delà de 4 milliards, chiffres de sources praticiennes à traiter comme des ordres de grandeur.[^41] Rapportés aux quelque 400 milliards de dollars de dépenses annuelles de l'industrie,[^5] ces revenus disent la position singulière de la couche : elle capte l'essentiel de la monétisation directe de l'intelligence tout en restant petite devant l'infrastructure construite pour elle.

Deux dynamiques structurent son risque. La première est la menace de banalisation : un modèle accessible par interface de programmation est un intrant substituable, et la concurrence entre laboratoires comprime les prix par jeton. La réponse des laboratoires, documentée par Narayanan et Kapur, est l'intégration verticale : monter vers l'application pour construire des coûts de changement (la majorité du revenu d'OpenAI provient depuis longtemps du produit ChatGPT plutôt que de l'interface de programmation) et descendre vers le calcul par des contrats d'infrastructure géants.[^18] La seconde dynamique est la dépendance au financement circulaire : une part des revenus de la couche provient d'acteurs qui sont aussi ses actionnaires et ses fournisseurs de calcul, ce qui rend la lecture des chiffres d'affaires moins nette qu'il n'y paraît.[^7] S'y ajoute la pression des modèles à poids ouverts, dont l'économie formelle de la couche fait une variable centrale : le degré d'ouverture des modèles conditionne la capture de valeur entre le modèle et ses compléments, et un modèle ouvert suffisant tire les prix de l'inférence banalisée vers le coût du calcul.[^42] Le verdict de couche : valorisations exigeantes et exposées à la compression concurrentielle, mais assises sur un revenu réel, en croissance rapide, dont le test de rationalité (l'hypothèse utilitaire, étalonnée en section 8) reste ouvert plutôt que perdu.

### 3.2 Les semi-conducteurs

La couche des puces porte la concentration la plus spectaculaire de l'écosystème : Nvidia détient environ 80 à 90 % du marché des puces d'entraînement.[^41] Cette position fait de la couche le baromètre boursier de tout le complexe, ce que juillet 2026 a illustré : l'indice SOX a reculé de 28,6 % depuis son sommet du 22 juin, entraîné par la révision des anticipations de dépenses des hyperscalers.[^3] Le risque de la couche ne se réduit pourtant pas à sa cyclicité boursière. Son hypothèse de valorisation profonde est la permanence du GPU généraliste comme support dominant de l'intelligence artificielle. Or les analyses matérielles de début 2026 décrivent déjà la bascule des charges de travail de l'entraînement vers l'inférence et la montée des alternatives spécialisées, la génération Rubin de Nvidia faisant face aux TPU v7 de Google (**TPU**, Tensor Processing Unit, circuit dédié aux calculs de réseaux de neurones).[^43] Ces analyses datent d'avant la borne de fraîcheur de mai 2026 et valent comme direction plutôt que comme état des lieux ; la section 10 traitera la substitution GPU vers ASIC en détail. La même dynamique éclaire les périphéries de la couche : des concepteurs comme Groq ou Cerebras construisent des ponts entre la couche des modèles et celle du silicium par la co-conception, pendant que Nvidia s'étend vers les réseaux, les systèmes complets et le logiciel d'infrastructure pour transformer une position de composant en position de plateforme.[^41] Le sort de ces ponts dépendra du rythme de stabilisation des charges de travail, question instruite en section 10. Le verdict de couche : profitabilité présente exceptionnelle, risque de valorisation élevé parce que le cours capitalise à la fois le volume futur des dépenses d'investissement et le maintien de la part de marché dans un paradigme matériel qui bouge.

### 3.3 Le cloud

Les quatre hyperscalers forment la couche intermédiaire qui achète les puces, construit ou loue les centres de données et vend le calcul. Leur programme 2026 atteint environ 725 milliards de dollars de dépenses d'investissement : quelque 200 milliards pour Amazon, 175 à 185 milliards pour Google, 115 à 135 milliards pour Meta, 110 à 120 milliards pour Microsoft, en hausse de 77 % sur un an.[^6] Ces montants absorbent environ 94 % de leurs flux de trésorerie opérationnels sur 2026 et 2027, et leur flux de trésorerie disponible cumulé s'est contracté de 43 % entre fin 2024 et début 2026.[^7] Le marché a commencé à tarifer cette tension : la sanction de 7 % infligée à Alphabet le 28 juillet 2026 s'est propagée le jour même à Amazon, Meta et Microsoft.[^1]

Le profil de risque de la couche est pourtant plus équilibré que ces chiffres ne le suggèrent, pour une raison structurelle : les hyperscalers sont présents dans plusieurs couches à la fois. Google combine TPU, laboratoire, cloud et distribution par Android et Chrome ; Microsoft combine Azure, participation dans OpenAI et distribution par Office ; l'effort d'investissement est financé par leurs profits publicitaires et logiciels préexistants. Une correction de la couche d'infrastructure frapperait leurs cours, comme juillet 2026 l'a montré, sans menacer leur solvabilité. Le risque se loge dans l'allocation du capital : chaque dollar investi dans des capacités GPU à durée de vie courte est exposé à l'obsolescence anticipée si le paradigme de service évolue,[^37] et la logique concurrentielle décrite en section 2.7 (aucun acteur ne peut sous-construire pendant que les autres construisent) reproduit exactement la rationalité locale collectivement ruineuse de 1846.[^29] Le verdict de couche : risque de rendement du capital investi élevé, risque de solvabilité faible, et statut d'amortisseur potentiel du système en cas de krach, les hyperscalers étant les acquéreurs naturels des actifs en détresse.

### 3.4 Les centres de données

Voici la couche où la thèse de ce papier situe la bulle proprement dite. Les plus grands constructeurs y engagent près de 750 milliards de dollars de dépenses d'investissement en 2026, contre environ 450 milliards en 2025.[^36] En face de cette accélération, l'exécution cale déjà : 30 à 50 % des centres de données américains prévus pour 2026 sont attendus en retard ou annulés, 5 gigawatts seulement sont effectivement en chantier sur les 16 gigawatts annoncés, et 150 à 200 milliards de dollars de dépenses glissent de 2026 vers 2027 et 2028.[^40] Le précédent irlandais donne la forme concrète du risque : dès fin 2025, environ 5,8 milliards d'euros de projets y étaient immobilisés avec terrain et permis mais sans raccordement électrique, préfiguration d'actifs échoués.[^44]

L'hypothèse de valorisation de la couche est la plus fragile de l'écosystème, parce qu'elle cumule trois paris. Premier pari : la permanence du paradigme centralisé, c'est-à-dire que l'inférence restera majoritairement servie depuis de grands sites GPU. Deuxième pari : la solvabilité durable des locataires, souvent un locataire unique par site, dans des montages où la dette est garantie par les GPU eux-mêmes, actif dont la vie économique fait débat entre deux et six ans.[^37] Troisième pari : le calendrier, des sites livrables en 2028 ou 2029 devant leur rentabilité à l'état du paradigme à cette date, alors qu'une génération matérielle dure moins que le chantier. L'objection dominante mérite d'être citée : les taux de vacance sont au plus bas et la capacité se préloue des années à l'avance auprès de locataires de qualité d'investissement, ce qui distingue le parc actuel des capacités spéculatives de 1999.[^45] L'objection protège le parc existant et les premiers millésimes ; elle ne dit rien des millésimes tardifs, précisément ceux que les retards et annulations de 2026 commencent à trier.[^40]

La possibilité logique établie par le précédent télécom s'applique ici avec toute sa force. La consommation d'intelligence peut croître de plusieurs ordres de grandeur pendant que l'économie des nouveaux sites centralisés se dégrade, parce que l'efficacité déplace la production de jetons vers les formes de service les moins chères, comme le paradoxe de Jevons le décrit depuis 1866 : l'usage économe d'une ressource en accroît la consommation totale, sans garantir que cette consommation passe par l'infrastructure en place.[^46] Le paradoxe est d'ailleurs devenu un argument de direction générale, Satya Nadella l'invoquant publiquement dès janvier 2025 pour justifier la poursuite des dépenses, et Erik Brynjolfsson jugeant en février 2025 que les métiers augmentés par l'IA en réunissent les conditions ;[^46] l'ironie analytique est que l'argument établit la croissance de la consommation d'intelligence, tandis que la localisation de sa production reste une variable ouverte, et la couche des centres de données a intérêt à confondre les deux. Le trafic Internet a doublé chaque année pendant la faillite des propriétaires de la capacité construite pour lui ;[^33] les jetons peuvent faire de même vis-à-vis des centres de données GPU tardifs (niveau de preuve : B, la conjonction n'étant pas encore observée en août 2026, la demande centralisée excédant encore l'offre livrable en août 2026).[^36] Le verdict de couche : risque maximal de l'écosystème, concentré sur les projets à horizon long, à locataire unique et à financement adossé aux puces.

### 3.5 L'énergie

La couche énergétique est le goulet d'étranglement physique de tout l'édifice. L'analyse institutionnelle du Belfer Center décrit la collision entre la construction de centres de données et la capacité du réseau électrique américain comme un moment de bascule, en documentant les canaux de risque d'actifs échoués pour les électriciens.[^47] Les files d'attente de raccordement au réseau dépassent cinq ans sur les marchés principaux, ce qui explique que le raccordement soit devenu l'actif rare autour duquel les projets se disputent.[^40] Les électriciens eux-mêmes portent un risque symétrique de celui des promoteurs : des milliards d'investissements de production et de transport engagés contre des projections de demande dont une partie ne se matérialisera pas si les projets glissent ou meurent.[^48]

Le profil de risque de la couche est cependant asymétrique dans le bon sens. La valeur d'un raccordement au réseau ne dépend pas du paradigme de calcul qui le consomme. Si la thèse de ce papier est correcte, les droits de raccordement, les sites alimentés et les capacités de production sont précisément l'héritage durable qu'un krach de la couche centres de données léguerait à la phase de déploiement, sur le modèle de la fibre noire.[^38] Le verdict de couche : risque de contrepartie réel à court terme pour les électriciens exposés à des promoteurs fragiles, valeur refuge structurelle à moyen terme, l'énergie étant la seule couche dont l'actif ne s'use pas au rythme des générations de GPU. Les régions en excédent d'énergie, l'Alberta, la Louisiane ou les Émirats arabes unis, ainsi que les spécialistes du raccordement et de la production sur site, occupent de ce fait une position de bénéficiaires structurels de la pénurie, quel que soit le sort des promoteurs qu'ils alimentent.

### 3.6 Les applications

La couche applicative regroupe les entreprises qui vendent un service construit sur l'intelligence artificielle avec une épaisseur propre : flux de travail, données propriétaires, distribution verticale. Les synthèses de 2026 recensent plus de 200 sociétés significatives et plus de 150 milliards de dollars levés sur l'ensemble de la pile, avec une rotation des investisseurs vers la couche applicative au motif que ses revenus arrivent plus vite et que ses chemins vers la rentabilité sont plus lisibles ; Perplexity y est valorisée au-delà de 9 milliards de dollars mi-2026 sur une croissance rapide d'usagers et de revenus publicitaires.[^49] Le cadrage structurel reste néanmoins celui que Cahn posait dès juin 2024 : les dépenses d'infrastructure impliquaient déjà un besoin de revenus finaux de 600 milliards de dollars par an, quand la première entreprise du secteur en réalisait 3,4 milliards en rythme annualisé,[^50] et l'écart agrégé entre dépenses et revenus demeure d'un ordre de grandeur en 2026.[^5]

Le risque de la couche est hétérogène par construction, et c'est son trait le plus important pour un allocataire : elle mélange des entreprises qui possèdent un actif défendable et des entreprises qui n'en possèdent pas. Le critère de tri est simple à énoncer : une application survit aux publications de modèles si sa valeur réside dans ce que le modèle ne peut pas absorber (corpus propriétaire, propriété du flux de travail réglementé, confiance sectorielle, distribution installée) ; elle meurt si sa proposition de valeur tient dans une note de version future d'un laboratoire. Ce critère sépare la couche applicative de la couche suivante, qui en est le segment sans actif.

Une mise en garde s'impose sur le fossé défensif le plus souvent invoqué, celui des données. Casado et Lauten ont montré dès 2019 que les prétendus effets de réseau de données sont le plus souvent de simples effets d'échelle de données, aux rendements fortement décroissants : le millionième exemple d'entraînement vaut beaucoup moins que le millième, et l'avantage acquis par l'accumulation se rattrape.[^51] Pour la couche applicative de 2026, la conséquence est directe : un corpus propriétaire ne protège que s'il se renouvelle par l'usage dans un domaine où l'accès est fermé (dossiers réglementés, boucles de retour humaines spécialisées, jeux d'évaluation détenus par le client) ; une simple antériorité de collecte ne constitue pas un fossé. Le tri des 200 sociétés de la couche doit donc s'opérer sur la nature du flux de données plutôt que sur son stock.[^49]

### 3.7 Les surcouches applicatives

La surcouche applicative, ou **wrapper** (littéralement l'emballage : un produit mince qui revend la capacité d'un modèle tiers derrière une interface), est la couche authentiquement bulleuse de l'écosystème par le nombre d'entrants et la mortalité attendue. Sa mécanique de destruction est théorisée de longue date. L'enveloppement de plateforme décrit comment un fournisseur de plateforme entre sur le marché d'un complément en groupant la fonctionnalité de la cible avec la sienne, en s'appuyant sur la relation utilisateur déjà acquise ;[^52] les développeurs appellent ce sort être sherlocké, du nom du logiciel Apple qui absorba son imitateur amélioré au début des années 2000.[^53] La pratique de 2025 et 2026 suit la théorie à la lettre : la fonction Company Knowledge de ChatGPT a absorbé les surcouches de gestion de connaissances, Claude Code les outils de programmation minces, et Claude Tag, lancé en juin 2026 comme travailleur numérique intégré à l'entreprise, une catégorie entière d'agents d'exécution.[^18]

Le trait distinctif de cette purge, argumenté en détail en section 4, est sa continuité. Schumpeter décrivait la destruction créatrice comme une tempête perpétuelle plutôt que comme un orage unique,[^54] et c'est exactement le régime observé : chaque publication de modèle redéfinit quels produits minces sont redondants, si bien que l'excès se dégonfle version après version au lieu de s'accumuler en un seul krach daté, à la différence des purges discrètes du monde crypto. Il faut préciser la limite de preuve : la cadence du mécanisme est documentée par les cas d'absorption datés, mais aucune série quantitative publique de mortalité des surcouches par publication de modèle n'existe à ce jour (niveau de preuve : B).[^18]

La couche remplit par ailleurs une fonction économique pour les laboratoires, développée en sections 4 et 5. La recherche sur l'innovation par les utilisateurs montre que les utilisateurs pilotes ont été les pionniers de 54,4 % des innovations jugées les plus importantes, les producteurs ne commercialisant qu'une fois l'étendue du marché devenue claire ;[^55] les constructeurs de surcouches jouent ce rôle d'éclaireurs sur la télémétrie même des plateformes. Et la position économique des fondateurs s'en déduit : le cadre du capitalisme de plateforme décrit des intermédiaires d'infrastructure qui encaissent un revenu récurrent pendant que les entreprises dépendantes portent le risque de marché ;[^56] l'économie expérimentale établit que l'excès d'entrée sous surconfiance persiste même quand les entrants savent que la plupart perdront,[^57] et le biais du survivant fait le reste, les échecs restant hors de l'échantillon observé.[^58] La structure du capital-risque amplifie mécaniquement ce biais : sept décennies d'histoire du secteur s'organisent autour de la loi de puissance, une poignée de valeurs extrêmes produisant la quasi-totalité des rendements, ce qui garantit que les succès visibles sont des événements de queue de distribution, matière première idéale d'une inférence faussée sur les taux de réussite.[^59] Le verdict de couche : mortalité structurelle très élevée, risque systémique faible précisément parce que la purge est continue et que les capitaux engagés par cohorte restent petits devant l'infrastructure.

### 3.8 La distribution

La dernière couche est la moins commentée et la plus solide : la distribution, c'est-à-dire la propriété de la relation avec l'utilisateur final et du canal par lequel l'intelligence lui parvient. Les acteurs intégrés y cumulent des positions héritées de l'ère précédente : Google distribue par Android et Chrome, Microsoft par Office et ses déploiements d'entreprise, Apple par le parc d'appareils où l'inférence embarquée s'exécute localement. La demande qui transite par ces canaux est la variable la plus dynamique de tout l'écosystème : 3,2 millions de milliards de jetons par mois chez Google en mai 2026, multipliés par 330 en deux ans,[^10] et 25 000 milliards de jetons par semaine sur OpenRouter fin mai 2026, avec un pic hebdomadaire à 28 900 milliards, la couche d'aiguillage entre modèles levant 113 millions de dollars sur cette seule croissance.[^11] En périphérie, le marché de l'inférence en bordure de réseau (**edge**, l'exécution des modèles au plus près de l'utilisateur, jusque sur son appareil) est projeté vers 118 milliards de dollars en 2033 à un rythme annuel de 21,7 %.[^60]

Le risque de la couche est faible pour une raison de structure : la distribution est indifférente au paradigme matériel. Que le jeton soit produit par un GPU en centre de données, un TPU, un ASIC d'inférence ou une puce embarquée, il transite par les mêmes canaux et la même relation client. L'objection qui borne cet optimisme concerne le lieu de production plutôt que la distribution elle-même : la latence, la taille des modèles de frontière, la gravité des données et la sécurité maintiennent une part durable de l'inférence dans les grands sites centralisés, ce qui plafonne la substitution vers la bordure.[^61] L'arbitrage entre ces forces est l'objet de la section 10. Le verdict de couche : la position la plus robuste de l'écosystème, et le poste d'observation idéal, les volumes de jetons distribués étant l'indicateur d'usage le plus propre qui existe.

### 3.9 Lecture d'ensemble

Le tableau suivant rassemble les huit diagnostics.

| Couche | Ancrage de taille (postérieur à mai 2026, sauf mention) | Hypothèse de valorisation dominante | Risque |
|---|---|---|---|
| Modèles de fondation | OpenAI environ 20 milliards de dollars d'ARR ; Anthropic plus de 4 milliards (ordres de grandeur)[^41] | L'IA devient une catégorie de dépense utilitaire | Élevé sur la valorisation, réel sur le revenu |
| Semi-conducteurs | Nvidia à 80 à 90 % des puces d'entraînement ; SOX en repli de 28,6 % depuis le 22 juin 2026[^41],[^3] | Permanence du GPU généraliste dominant | Élevé (concentration et substitution) |
| Cloud | 725 milliards de dollars de capex 2026 ; 94 % des flux opérationnels absorbés[^6],[^7] | Retour sur capital des capacités GPU | Modéré (bilans solides, allocation risquée) |
| Centres de données | Environ 750 milliards de capex 2026 ; 30 à 50 % des projets américains 2026 retardés ou annulés[^36],[^40] | Permanence du paradigme centralisé à la mise en service | Très élevé (millésimes tardifs) |
| Énergie | Files de raccordement supérieures à cinq ans ; 5,8 milliards d'euros de projets irlandais immobilisés fin 2025[^40],[^44] | Matérialisation des projections de demande | Modéré, avec valeur refuge structurelle |
| Applications | Plus de 200 sociétés, plus de 150 milliards de dollars levés ; Perplexity au-delà de 9 milliards mi-2026[^49] | Possession d'un actif non absorbable | Hétérogène (le tri est le travail) |
| Surcouches applicatives | Cohortes nombreuses, capitaux unitaires faibles ; purge continue documentée[^18] | Stabilité du modèle sous-jacent | Mortalité très élevée, risque systémique faible |
| Distribution | 3,2 millions de milliards de jetons par mois chez Google en mai 2026[^10] | Croissance de l'usage, tous paradigmes confondus | Faible |

Trois conclusions se dégagent de cette cartographie et gouvernent la suite du papier. Premièrement, les couches où le récit public place la bulle (modèles, applications) portent des risques réels mais bornés, adossés à des revenus qui croissent ; la couche où les signaux économétriques de bulle se concentrent est celle des centres de données, avec l'énergie en goulet et le cloud en amortisseur.[^16] Deuxièmement, la variable d'usage, mesurable en jetons distribués, est découplée par construction de la santé financière des propriétaires de capacité, et le précédent télécom démontre que ce découplage peut durer des années.[^33] Troisièmement, la fragilité décisive de tout l'édifice se résume à une hypothèse unique, la permanence du paradigme de calcul actuel à l'horizon de mise en service des projets engagés ; les sections 9 et 10 examinent les trois forces qui l'érodent, et la section 11 nomme les millésimes de projets qui y sont exposés. La bulle existe ; elle a une adresse identifiable dans la pile, et cette adresse est une couche parmi huit.

## 4. L'économie des surcouches et la purge continue

La couche applicative mince est l'endroit de l'écosystème où le vocabulaire de la bulle s'applique avec le plus de justesse. Des milliers d'entreprises y vendent une **surcouche** (wrapper dans l'usage anglo-saxon): une application construite au-dessus de l'**interface de programmation applicative (API)**, le canal technique par lequel un **modèle de fondation** (le modèle d'intelligence artificielle généraliste entraîné par un laboratoire et servi à grande échelle) se loue à la requête. La valeur ajoutée d'une surcouche se limite à un habillage d'interface, à des invites préconfigurées et à un abonnement mensuel facturé au-dessus du prix des jetons. Le capital y est entré en volume, les valorisations d'amorçage s'y sont formées sur des multiples de revenus naissants, et la barrière à l'entrée y est à peu près nulle puisque le cœur technologique appartient au laboratoire qui loue le modèle. Si l'expression « bulle de l'IA » désigne quelque chose de réel, elle désigne d'abord cette couche.

L'erreur analytique consiste à en déduire un krach à venir sur le modèle de 2000 ou de 2022. Cette section établit trois résultats. Premièrement, l'absorption des surcouches par les laboratoires suit un mécanisme théorisé de longue date, l'enveloppement de plateforme, dont 2025 et 2026 fournissent des cas datés et nommés. Deuxièmement, la purge de cette couche est continue: elle procède version après version, à la cadence des publications de modèles, un profil temporel qui la distingue des effondrements discrets ayant purgé les cryptomonnaies. Troisièmement, les surcouches remplissent pour les laboratoires une fonction d'étude de marché gratuite, conforme à ce que la théorie de l'innovation par les utilisateurs prédit depuis cinq décennies.

### 4.1 L'enveloppement de plateforme, théorie du mécanisme

Le cadre théorique existe depuis avant l'IA générative. Dans leur article de référence, Thomas Eisenmann, Geoffrey Parker et Marshall Van Alstyne définissent l'**enveloppement de plateforme** comme la stratégie par laquelle « un fournisseur présent sur un marché de plateforme peut pénétrer un autre marché de plateforme, en combinant ses propres fonctionnalités avec celles de la cible dans une offre groupée multiplateforme qui exploite des relations utilisateurs partagées »[^62]. Le point décisif de la théorie tient dans la dernière proposition: l'avantage de l'attaquant réside dans la possession préalable de la relation avec les utilisateurs du complément, qui lui permet de livrer la fonctionnalité visée comme une extension naturelle de ce que ces utilisateurs paient déjà[^62].

Trois conditions rendent l'enveloppement rentable selon ce cadre: une base d'utilisateurs largement commune entre la plateforme et la cible, un coût marginal faible d'intégration de la fonctionnalité visée dans l'offre existante, et une demande déjà démontrée sur le marché cible[^62]. Dans l'écosystème de l'IA générative, ces trois conditions atteignent des niveaux qu'aucun cas historique étudié par les auteurs n'approchait. Les utilisateurs d'une surcouche sont, par construction, des utilisateurs du modèle sous-jacent: la base commune est totale. Le coût d'intégration se réduit à une décision de produit, puisque la capacité technique réside déjà dans le modèle que le laboratoire possède. Et la demande est observée par le laboratoire en temps réel, à travers le trafic de sa propre API, avec une granularité dont aucun envelopeur des années 2000 ne disposait. Le laboratoire qui convertit une catégorie de surcouches en fonctionnalité de premier rang le fait de surcroît avec un coût d'acquisition client nul: la relation utilisateur, l'identifiant, le moyen de paiement existent déjà chez lui[^62].

Le phénomène a un précédent nommé dans l'industrie logicielle. Le verbe anglais « to sherlock » désigne, depuis les années 2002 à 2005, le fait pour un éditeur de plateforme de livrer en standard une fonctionnalité qui rend caduc un logiciel tiers; le terme vient de Sherlock, l'outil de recherche d'Apple, dont la version 3 reprit les fonctions du produit tiers Watson[^63]. Le vocabulaire des développeurs avait donc absorbé le mécanisme vingt ans avant que les laboratoires d'IA ne l'industrialisent. La différence de 2026 tient au rythme: Apple sherlockait un produit par cycle de système d'exploitation, tandis que les laboratoires de modèles, comme la séquence documentée en 4.3 le montre, sherlockent des catégories entières par note de version[^64].

### 4.2 La banalisation des compléments et le mobile des laboratoires

Pourquoi un laboratoire absorbe-t-il ses propres clients applicatifs, qui lui versent pourtant des revenus d'API? La réponse tient à l'économie des compléments. Un **complément** est un produit dont la consommation accroît la valeur du produit principal: la surcouche rend le modèle utile à un segment que le laboratoire ne servait pas directement. Une plateforme a intérêt à des compléments abondants et bon marché, car leur banalisation augmente la valeur captée par le produit central. Tant qu'une catégorie de compléments reste fragmentée et peu rentable, la plateforme la laisse prospérer; dès qu'elle prouve un marché substantiel, l'enveloppement transforme le chiffre d'affaires du complément en fonctionnalité de rétention pour la plateforme[^62]. La théorie modélise explicitement l'enveloppement comme une stratégie d'entrée répétable, que la plateforme peut exécuter successivement contre chaque marché de compléments arrivé à maturité, ce qui implique une élimination roulante des compléments plutôt qu'un événement unique[^62].

Le mobile est lisible dans la structure de revenus des laboratoires eux-mêmes. ChatGPT, le produit grand public, représente depuis longtemps la majorité du chiffre d'affaires d'OpenAI, devant l'API; et les laboratoires construisent délibérément des coûts de changement plus haut dans la pile applicative, précisément pour échapper à la banalisation de la couche modèle que la concurrence entre laboratoires et les modèles à poids ouverts organisent par le bas[^64]. Arvind Narayanan et Akash Kapur documentent cette remontée dans la pile en juillet 2026: un modèle vendu à l'API est une matière première exposée à la concurrence par les prix, tandis qu'un produit de travail intégré porte une relation directe, des données de contexte accumulées et un coût de sortie[^64]. L'absorption des surcouches sert cette stratégie deux fois: elle capte le revenu applicatif et elle épaissit la relation directe avec l'utilisateur final.

La menace ne s'applique pas uniformément à toute la couche applicative, et l'objection mérite d'être posée avant les cas. Le paysage d'investissement 2026 montre une rotation des capitaux vers les sociétés d'application et d'agents, au motif que leurs revenus sont plus proches et leurs trajectoires de rentabilité plus lisibles; Perplexity, société d'application construite en partie sur des modèles loués, était valorisée autour de 9 milliards de dollars à la mi-2026 avec une croissance rapide de ses utilisateurs et de ses revenus publicitaires[^65]. L'affirmation « aucune surcouche n'a de douve » serait donc trop absolue. La ligne de partage que la théorie et les cas dessinent est plus précise: les produits dont la valeur se réduit à une logique d'invites meurent à la prochaine version; les applications qui possèdent un flux de travail, des données propres ou une distribution verticale disposent d'actifs que la note de version d'un modèle ne réplique pas. La suite de cette section porte sur la première population, qui constitue l'essentiel des effectifs de la couche.

### 4.3 Les absorptions documentées de 2025 et 2026

La séquence 2025 et 2026 fournit des cas datés, chacun associant une publication de laboratoire à la catégorie de surcouches qu'elle rend redondante. OpenAI a livré dans ChatGPT la fonctionnalité Company Knowledge, qui connecte le produit aux référentiels internes de l'entreprise: la catégorie des surcouches de gestion des connaissances, qui vendaient précisément cette connexion au-dessus de l'API, a vu sa proposition de valeur intégrée au produit du laboratoire[^64]. Anthropic a développé Claude Code, outil de codage agentique vendu en direct, sur le segment que des assistants de codage tiers avaient prouvé en s'appuyant sur les mêmes modèles[^64]. En juin 2026, Anthropic a lancé Claude Tag, positionné comme un employé numérique intégré à l'environnement de travail de l'entreprise, sur le terrain des produits d'agents d'entreprise tiers[^64]. Ces trois publications ont converti trois catégories de compléments en fonctionnalités de premier rang.

Deux propriétés de cette séquence méritent d'être explicitées. La première: chaque absorption suit l'ordre de découverte que la théorie prédit. La catégorie est d'abord prouvée à grande échelle par des tiers construisant sur l'API du laboratoire; le laboratoire, qui observe cette traction à travers son propre trafic, internalise ensuite la catégorie démontrée[^64],[^62]. La seconde: aucune de ces absorptions n'a requis d'acquisition, de campagne commerciale dédiée ni de guerre des prix. La fonctionnalité apparaît dans le produit que les clients du complément utilisent déjà, au prix qu'ils paient déjà. Pour l'investisseur qui évalue une société applicative, le test opérationnel s'énonce simplement: tout produit dont la proposition de valeur intégrale tiendrait dans la note de version d'un modèle futur est exposé à ce mécanisme, et le calendrier d'exposition se mesure en cycles de publication, c'est-à-dire en mois.

### 4.4 Une déflation version par version, et le contraste avec les cryptomonnaies

Le profil temporel de cette destruction distingue la couche des surcouches de tous les précédents auxquels le débat public la compare. Joseph Schumpeter décrivait la destruction par l'innovation comme « l'ouragan perpétuel de la destruction créatrice », un processus continu et constitutif du capitalisme, par opposition à un accident épisodique[^66]. La couche des surcouches vit exactement sous ce régime: chaque publication majeure de modèle ou de produit par OpenAI, Anthropic ou Google redéfinit quelles applications minces sont redondantes, et la mortalité arrive par vagues synchronisées sur le calendrier des versions, sans discontinuité unique[^64]. L'excès spéculatif de la couche ne s'accumule pas en attendant un jour de liquidation; il se dégonfle par tranches, à chaque fois qu'une capacité passe du complément payant à la fonctionnalité incluse (niveau de preuve B).

Le contraste avec les cryptomonnaies est instructif parce que les deux épisodes servent d'analogie dans le débat, alors que leurs mécaniques de purge s'opposent terme à terme. La destruction de valeur du cycle crypto de 2022 s'est concentrée en événements discrets, liés à la défaillance de véhicules financiers, sans évolution de la technologie sous-jacente. Terra, écosystème bâti sur un stablecoin algorithmique, a perdu près de 45 milliards de dollars de capitalisation en une semaine de mai 2022 quand le mécanisme de parité a cédé[^67]. FTX, deuxième plateforme d'échange mondiale, a déposé le bilan le 11 novembre 2022 après une ruée de retraits ayant exposé un trou de 8 milliards de dollars créé par le prêt des fonds clients à sa société de trading affiliée[^68]. Dans les deux cas, l'objet technique (la chaîne de blocs) n'avait pas changé la semaine du krach; ce sont des structures financières qui ont rompu, d'un coup, en entraînant le marché entier. La purge des surcouches procède du mouvement inverse: la technologie sous-jacente s'améliore, et c'est cette amélioration même qui détruit les positions faibles, par petites cohortes, à chaque version. Un observateur qui attend « l'éclatement de la bulle des applications IA » comme un événement daté attend un phénomène dont le mécanisme moteur ne produit pas cette forme.

L'honnêteté impose de signaler ce que les données ne permettent pas encore. Aucune série quantitative vérifiée ne mesure la mortalité des surcouches version par version: le nombre de fermetures, de pivots ou de cessions par cohorte de publication de modèle n'est recensé par aucune source publique identifiée à ce jour[^64]. Le constat de la purge continue repose donc sur la convergence entre la théorie (Schumpeter, l'enveloppement comme stratégie répétable) et la séquence datée des absorptions de 2025 et 2026, en l'absence de toute série de mortalité; cette base justifie le niveau de preuve B plutôt que A. La construction d'une telle série constituerait, du reste, un actif analytique réel pour quiconque la produirait: la section 5 y revient à propos des taux d'échec.

Il existe un scénario dans lequel la purge continue se transformerait en purge synchronisée, et il faut le prendre au sérieux parce qu'il vient du meilleur argument adverse. Une étude de risque systémique de la Banque des règlements internationaux, relayée en juillet 2026, souligne que le financement de l'écosystème est devenu circulaire: un petit nombre de grands nœuds s'achètent mutuellement calcul, participations et engagements de capacité, de sorte qu'un ralentissement des achats d'un seul grand nœud ferait chuter les revenus de l'ensemble du cluster simultanément[^69]. Un choc de financement de cette nature gèlerait les levées de fonds de la couche applicative d'un coup, et la mortalité des startups, jusque-là étalée sur le calendrier des versions, se concentrerait en un trimestre. La réponse du présent papier tient en une distinction: ce risque appartient à la couche de financement de l'infrastructure, dont les sections 11 et 12 traitent en détail, et son déclencheur serait financier. La cadence technologique, elle, resterait continue même dans ce scénario: le gel du financement ajouterait un choc de demande par-dessus le mécanisme d'absorption, il ne changerait pas la nature de ce mécanisme. Confondre les deux reviendrait précisément à l'erreur d'agrégation que la section 1 a identifiée: imputer à la couche applicative un risque qui se loge dans la structure de financement de la couche infrastructure.

La cadence de la purge a une conséquence financière que les conventions du capital-risque n'ont pas encore intégrée: l'inadéquation des durées. Un plan d'affaires applicatif se souscrit sur cinq ans; la durée de vie d'un écart de capacité entre le modèle et le besoin de l'utilisateur se mesure en cycles de publication, c'est-à-dire en mois, comme la séquence des absorptions de 2025 et 2026 l'a montré[^64]. Le produit dont la marge repose sur un tel écart (la surcouche vend une capacité que le modèle courant ne fournit pas encore) voit son actif principal se déprécier au rythme des versions, indépendamment de la qualité de son exécution. Les positions les plus exposées sont donc de deux ordres: les startups dont la feuille de route suppose la stabilité du modèle sous-jacent, et les investisseurs qui souscrivent des plans quinquennaux sur des écarts de capacité dont la durée de vie observée est semestrielle. Inversement, la structure récompense les équipes construites pour la rotation: celles qui traitent chaque écart de capacité comme un arbitrage temporaire, en extraient la trésorerie rapidement et se repositionnent à chaque version, ainsi que les studios organisés pour la production sérielle de produits plutôt que pour la persistance d'un produit unique. Cette population de pivoteurs professionnels tire un revenu réel de la couche applicative sans détenir de position longue sur aucun produit; elle est à la surcouche ce que le teneur de marché est au titre: sa rémunération provient du flux des rotations successives.

### 4.5 L'étude de marché gratuite des laboratoires

Le troisième résultat renverse la perspective: vue depuis le laboratoire, la population des surcouches constitue un dispositif de découverte de la demande dont la valeur est considérable et le coût nul. Le cadre théorique est celui d'Eric von Hippel sur l'innovation par les utilisateurs. Ses travaux, appuyés sur cinq décennies d'études empiriques, montrent que les innovations importantes sont d'abord développées par des **utilisateurs pilotes** (lead users), qui innovent pour leurs propres besoins avant tout marché constitué; sur 1 678 innovations étudiées, les utilisateurs pilotes furent à l'origine de 54,4 % de celles jugées les plus importantes, et les producteurs n'en commercialisent une version qu'une fois « l'étendue du marché devenue claire »[^70]. Le constructeur de surcouche est un utilisateur pilote au sens strict: il détecte un besoin, assemble une solution sur l'infrastructure disponible, et prouve ou infirme le marché à ses frais.

La structure de l'IA générative ajoute à ce schéma classique une torsion qui le rend plus favorable encore au producteur. Chez von Hippel, le producteur doit observer le marché depuis l'extérieur pour repérer les innovations d'utilisateurs qui méritent d'être industrialisées. Le laboratoire d'IA, lui, héberge l'expérimentation: chaque surcouche opère sur son API, et la traction d'une catégorie, ses volumes de requêtes, sa croissance, sa rétention, transitent par l'infrastructure du laboratoire[^62]. La théorie de l'enveloppement note que la plateforme attaque les marchés de compléments précisément parce que la demande y est déjà démontrée et observable à travers les utilisateurs partagés[^62]. Chaque cohorte de surcouches livre ainsi au laboratoire une liste hiérarchisée d'usages monétisables, avec expériences de tarification et données d'attrition incluses, financée par le capital-risque d'autrui. Là encore, une limite de preuve doit être posée: aucune divulgation publique vérifiée n'établit qu'un laboratoire arbitre sa feuille de route produit sur la télémétrie de son API; l'inférence reste structurelle, fondée sur la théorie et sur la correspondance observée entre catégories tierces à succès et publications ultérieures des laboratoires (niveau de preuve B)[^64].

Une objection sérieuse vient réduire la portée de ce que les surcouches croient posséder, et par symétrie de ce que les laboratoires en tirent. Martin Casado et Peter Lauten ont soutenu dès 2019 que les prétendus « effets de réseau de données » sont pour l'essentiel des effets d'échelle de données, à rendements fortement décroissants: passé un seuil, chaque tranche supplémentaire de données d'usage améliore marginalement le produit[^71]. Si cette analyse est correcte, elle coupe dans les deux sens. La surcouche qui espère se défendre par « ses données » détient un actif qui se déprécie vite; et le signal d'usage que le laboratoire récolte vaut surtout comme carte du marché, beaucoup moins comme actif d'entraînement. C'est la lecture que ce papier retient: la fonction d'étude de marché des surcouches est une fonction de cartographie de la demande, dont la valeur pour le laboratoire réside dans la hiérarchisation des catégories à absorber; les données d'usage elles-mêmes se déprécient vite[^71].

Ce qui précède permet de formuler le critère de survie de la couche applicative avec plus de précision que le débat « les wrappers vont-ils mourir ». Survivent les actifs qu'une version de modèle ne peut pas absorber: les pipelines de données propriétaires alimentés en continu par une position de marché, la propriété de flux de travail réglementés où le droit d'opérer se conquiert dossier par dossier (juridique, médical, assurance), la distribution verticale et la confiance sectorielle accumulée, et l'orchestration multimodèle qui survit au cycle de publication de chaque laboratoire pris isolément. Ces actifs partagent une propriété: leur constitution demande du temps calendaire et des interactions hors plateforme, deux ressources qu'une note de version ne comprime pas. Le reste de la couche, majoritaire en nombre de sociétés, occupe une position dont la durée de vie se mesure en cycles de publication. La section suivante examine ce que cette position signifie pour ceux qui l'occupent: pendant que leurs produits attendent l'absorption, leurs budgets alimentent les plateformes.

## 5. Les fondateurs comme clients

La section 4 traitait les surcouches comme des produits. Le présent chapitre déplace la focale vers les personnes qui les construisent et pose une question comptable élémentaire: entre les startups d'IA et les plateformes qui les hébergent, dans quel sens l'argent circule-t-il, en agrégat et sur la durée? La réponse documentée renverse la représentation courante de l'entrepreneur d'IA comme capteur de la valeur créée par la technologie. Une part substantielle des fondateurs occupe, économiquement, la position de clients des plateformes: ils paient des jetons d'API, des abonnements d'infrastructure en nuage et des outils de codage vendus par les laboratoires eux-mêmes, avant d'avoir constitué un chiffre d'affaires propre, et la probabilité qu'ils en constituent un durable est faible et reste sans mesure publiée. Cette section établit d'abord le cadre théorique (le capitalisme de plateforme), puis la trace comptable des flux, puis le mécanisme psychologique qui entretient le recrutement de nouveaux entrants, avant de conclure sur une analogie éclairante pour le lecteur investisseur.

### 5.1 Le capitalisme de plateforme appliqué à l'entrepreneuriat IA

Le cadre analytique existe depuis 2016. Dans « Platform Capitalism », Nick Srnicek décrit les plateformes comme des intermédiaires d'infrastructure qui se rendent incontournables pour l'activité d'autrui et extraient de la valeur de cette activité: les entreprises dépendantes portent le risque de marché, expérimentent à leurs frais, échouent à leurs frais, tandis que la plateforme encaisse un revenu récurrent sur chaque tentative, réussie ou non[^72]. Le modèle a été formulé à propos des plateformes de travail et de commerce; il s'applique trait pour trait à l'entrepreneuriat d'IA de 2026.

Considérons la structure de coûts d'une startup applicative d'IA typique. Ses dépenses techniques se composent d'appels d'API facturés au jeton par un laboratoire, d'infrastructure en nuage facturée par un hyperscaler, et d'outils de développement assistés par IA, catégorie dont le produit dominant, Claude Code, est vendu par un laboratoire[^64]. Chacune de ces lignes de coût est un revenu pour la couche des plateformes, exigible dès le premier jour, indexé sur l'activité de développement elle-même. Les revenus de la startup, eux, restent conditionnels: ils supposent que le produit trouve un marché, que ce marché paie, et que la catégorie ne soit pas absorbée par une note de version avant l'équilibre (mécanisme documenté en section 4). La position économique qui en résulte se décrit sans caricature: la startup se comporte comme un segment de clientèle premium des plateformes, dont la particularité est de financer ses achats par du capital-risque plutôt que par un budget d'exploitation. Cette caractérisation est une interprétation étayée par la structure des flux documentée ci-dessous; aucune statistique de population mesurée ne l'établit à ce jour (niveau de preuve B).

### 5.2 La circulation effective de l'argent

La trace comptable commence par un jalon daté qu'il faut citer comme de l'histoire, conformément à la règle de fraîcheur de ce papier. Dès juin 2024, David Cahn, associé de Sequoia Capital, chiffrait ce qu'il appelait la « question à 600 milliards de dollars »: au niveau de dépenses d'investissement (capex) d'alors, chaque année de construction d'infrastructure d'IA impliquait environ 600 milliards de dollars de revenus finaux annuels pour être justifiée, tandis qu'OpenAI, première entreprise d'IA par le chiffre d'affaires, atteignait 3,4 milliards de dollars annualisés et que la plupart des startups d'IA restaient sous les 100 millions de dollars de revenus[^73]. L'écart entre la dépense d'infrastructure et le revenu final n'était donc pas un accident de jeunesse: il était structurel dès l'origine du cycle.

Les données de 2026 confirment la structure et en précisent la géométrie. L'industrie de l'IA dépense de l'ordre de 400 milliards de dollars par an, contre 50 à 60 milliards de dollars de revenus d'IA, et une partie de ces revenus circule à l'intérieur de l'écosystème par des montages de financement croisés[^74]. Le revenu qui existe se concentre massivement à la couche des modèles et des plateformes: les synthèses 2026 de la pile d'IA d'entreprise situent OpenAI autour de 20 milliards de dollars de **revenu annuel récurrent (ARR)** (annual recurring revenue, la mesure normalisée du chiffre d'affaires d'abonnement) et Anthropic au-delà de 4 milliards[^75]. L'analyse graphique de Bloomberg sur les accords circulaires de l'écosystème documente le complément: les grands flux de revenus d'IA circulent principalement entre acteurs de plateforme et d'infrastructure, Microsoft, OpenAI et Nvidia se payant mutuellement calcul, licences et participations, tandis que les constructeurs d'applications se tiennent à l'extérieur de cette boucle en position de payeurs nets[^76].

Le cas de l'outillage mérite un paragraphe, parce qu'il ferme le circuit. Le poste de dépense le plus spécifique du constructeur d'applications d'IA, l'assistant de codage agentique, appartient désormais aux laboratoires: Claude Code, produit d'Anthropic, connaît une croissance explosive comme outil de production logicielle[^64]. Le fondateur paie donc la plateforme trois fois: pour l'inférence de son produit (API), pour son hébergement (nuage), et pour sa propre productivité de développement (outil de codage). Chaque étape du cycle de vie d'une startup applicative, de la première ligne de code au service en production, génère un revenu pour la couche supérieure, indépendamment du destin commercial de la startup. C'est la position dite des pioches et des pelles, formalisée à l'échelle d'une industrie: le vendeur d'équipement encaisse pendant toute la prospection, que de l'or soit trouvé ou non.

Une lacune de données doit être signalée ici avec la même netteté qu'en section 4. Aucune ventilation publique vérifiée n'établit la part agrégée des budgets des startups d'IA consacrée aux API, au nuage et à l'outillage: le ratio « dépense de plateforme sur budget total », qui permettrait de quantifier la thèse au niveau de la population, n'est publié par aucune source identifiée[^74]. L'asymétrie structurelle des flux, elle, est documentée aux deux extrémités (400 milliards de dépense annuelle contre 50 à 60 milliards de revenus; concentration de l'ARR chez les plateformes), ce qui fonde la caractérisation « fondateurs comme clients » au niveau de preuve B: une interprétation soutenue par la structure des flux, en attente d'une statistique de population.

L'objection symétrique de celle de la section 4 s'applique et doit être versée au dossier. La rotation des investissements de 2026 vers les sociétés d'application et d'agents, documentée par les panoramas de marché, s'appuie sur des revenus réels et proches: Perplexity et les sociétés de sa cohorte lèvent sur des trajectoires de chiffre d'affaires effectives, avec une valorisation autour de 9 milliards de dollars à la mi-2026 pour Perplexity[^65]. Une fraction des fondateurs capte donc bien de la valeur au-dessus des plateformes. La caractérisation défendue ici décrit la position médiane de la population des constructeurs; l'extrémité supérieure y échappe, et l'écart entre la médiane et cette extrémité constitue l'objet de la sous-section suivante.

### 5.3 Le biais du survivant et la fonction de recrutement des succès rares

Pourquoi la population des constructeurs continue-t-elle de croître alors que la structure des flux lui est défavorable et que la purge de la couche applicative est observable en continu? La littérature expérimentale fournit un mécanisme précis. Dans leur expérience de référence publiée dans l'American Economic Review, Colin Camerer et Dan Lovallo montrent que des sujets placés devant une décision d'entrée sur un marché surestiment systématiquement leur habileté relative et entrent en surnombre, au point que l'excès d'entrée persiste alors même que les sujets savent que la plupart des entrants perdront de l'argent; le facteur décisif est la confiance de chacun dans son propre classement, les sujets connaissant par ailleurs les probabilités agrégées[^77]. Le phénomène porte un nom dans la littérature: l'**excès d'entrée** (excess entry), l'écart entre le nombre d'entrants observé et le nombre que la capacité rentable du marché justifie.

Ce biais individuel est amplifié par un biais d'échantillonnage collectif que Jerker Denrell a décrit pour la Harvard Business Review: « Les dirigeants apprennent par l'exemple. Eux, et les consultants qu'ils rémunèrent, étudient les méthodes et les tactiques des entreprises qui réussissent, en quête des formules magiques de la prospérité », tandis que les entreprises ayant appliqué les mêmes tactiques et échoué ne figurent pas dans l'échantillon observable[^78]. L'observateur infère donc des relations causales à partir d'un échantillon tronqué par la survie, et adopte des pratiques dont le succès relevait pour partie de la chance. Dans le capital-risque, la troncature est portée à son maximum par la structure même des rendements: Sebastian Mallaby, dans « The Power Law », montre sur sept décennies d'histoire du secteur que la quasi-totalité des rendements provient d'une poignée de valeurs extrêmes[^79]. Il en découle que les succès visibles d'un cycle technologique sont, par construction, des événements de queue de distribution, et que s'y référer surestime l'espérance de gain de l'entrant médian[^79].

Appliqué à l'IA de 2026, ce mécanisme acquiert une propriété supplémentaire: le biais du survivant y remplit une fonction commerciale pour la couche des plateformes. Les histoires de la cohorte visible (les trajectoires de type Cursor, Perplexity ou Midjourney) circulent dans les canaux mêmes que les plateformes animent, et chaque entrant recruté par ces récits devient un client d'API, de nuage et d'outillage, que son projet aboutisse ou non[^77],[^65]. Les panoramas 2026 recensent plus de 200 sociétés et plus de 150 milliards de dollars levés sur l'ensemble de la pile d'IA, avec une valeur concentrée sur un petit nombre de noms[^65]: la base de la pyramide finance la couche des plateformes pendant que son sommet fournit le matériel narratif du recrutement de la base suivante. Le mécanisme du biais est établi expérimentalement au niveau de preuve A; sa magnitude spécifique dans la population des constructeurs de 2026 n'est pas mesurée, et l'affirmation sur ce point reste de niveau C.

Car la lacune de données déjà rencontrée se répète ici sous sa forme la plus conséquente: aucun jeu de données vérifié ne mesure le taux d'échec des startups d'IA pour 2026[^65]. Ni les fermetures, ni les pivots contraints, ni les cessions à prix décoté ne font l'objet d'une série publique. Cette absence a elle-même un effet de marché: en l'absence de taux de base observable, l'inférence des entrants se règle nécessairement sur l'échantillon des survivants, c'est-à-dire sur le pire estimateur disponible. L'objection rationaliste mérite d'être énoncée: si les sociétés applicatives de 2026 atteignent réellement le revenu plus vite que les cohortes antérieures, comme la rotation des investisseurs le suggère[^65], une partie de la confiance des entrants est une mise à jour rationnelle sur un meilleur taux de base. La réponse tient au statut de la preuve: cette mise à jour serait rationnelle si le taux de base était observé; il ne l'est pas, et le signal sur lequel les entrants se règlent effectivement, la cohorte visible des succès, est précisément celui dont Denrell et Mallaby établissent qu'il surestime structurellement les chances de l'entrant médian[^78],[^79]. Quiconque publierait une série de mortalité honnête de la couche applicative, catégorie par catégorie et version par version, détiendrait un actif de crédibilité dont la valeur composerait à mesure que la purge se poursuit.

### 5.4 L'analogie avec l'investisseur particulier

Pour un lecteur investisseur, la structure décrite dans cette section a un précédent familier: le courtage pour particuliers. L'analogie est structurelle et présentée comme telle (niveau de preuve C); elle ne repose sur aucune équivalence chiffrée, et sa valeur est de rendre visible une topologie de flux que le vocabulaire de « l'écosystème entrepreneurial » recouvre. Le courtier en ligne encaisse des commissions et des écarts sur chaque transaction, indépendamment du résultat du client. Les gains spectaculaires de quelques traders particuliers alimentent l'ouverture de nouveaux comptes, par le récit plus que par la statistique. L'espérance de gain de la population des clients actifs peut être médiocre sans que le modèle du courtier cesse de prospérer, puisque le revenu du courtier est indexé sur l'activité de ses clients et reste insensible à leur performance; l'asymétrie de 400 milliards de dépenses contre 50 à 60 milliards de revenus documentée plus haut reproduit cette indexation à l'échelle d'une industrie[^74].

La transposition terme à terme est directe. Les laboratoires et les fournisseurs de nuage occupent le poste du courtier: leur revenu suit le volume d'activité de construction, indépendamment du succès des constructions. Les fondateurs occupent le poste des traders actifs: exposition individuelle au risque, financement de l'activité par leur propre capital (ici, celui de leurs investisseurs), rendement de population dominé par une queue étroite. Les démonstrations publiques, les classements de startups et les fils d'actualité technologique occupent le poste des forums de trading: ils assurent la circulation des récits de gains qui entretient le flux d'ouvertures de comptes[^78]. Même la couche pédagogique se retrouve: les cours et gabarits « construisez votre startup IA en un week-end » jouent le rôle des formations au trading, produits rentables vendus à l'entrée de l'entonnoir, dont le modèle économique est indépendant du succès de l'élève.

Trois conséquences pratiques en découlent pour l'allocation de capital. Premièrement, une société applicative s'évalue sur les actifs qui survivent aux versions de modèles, identifiés en section 4 (données propriétaires alimentées en continu, flux de travail réglementés, distribution verticale, orchestration multimodèle); la démonstration produit du trimestre, que la note de version suivante peut répliquer[^62],[^64], fonde une valorisation fragile. Deuxièmement, la dépense de plateforme des sociétés en portefeuille doit être lue comme un transfert vers la couche des modèles et de l'infrastructure, couche que les mêmes fonds détiennent parfois par ailleurs, configuration de flux croisés que Bloomberg documente au niveau des grands acteurs[^76]; un portefeuille peut ainsi se payer lui-même en croyant se diversifier. Troisièmement, la croissance de revenus de la couche applicative se lit en net des coûts de plateforme: un chiffre d'affaires applicatif qui croît moins vite que sa propre facture d'inférence décrit un client qui s'agrandit plutôt qu'une entreprise qui compose. L'agrégat « l'IA perd de l'argent » et l'agrégat « l'IA imprime des revenus records » sont donc vrais simultanément, chacun sur sa couche; l'addition des deux dans un chiffre unique détruit l'information que leur écart contient, et ce papier soutient que le signal d'investissement réside dans cet écart.

## 6. La demande d'intelligence comme frontière en expansion

Les sections 4 et 5 décrivent une couche qui se dégonfle en continu et une population d'entrants qui la finance. Un lecteur pressé en tirerait la conclusion que la demande d'IA elle-même est fragile. Les données de 2026 établissent l'inverse: pendant que la couche applicative purge ses positions faibles, la consommation agrégée d'intelligence croît plus vite que toutes les prévisions institutionnelles, y compris les plus récentes. La clef de cette coexistence tient dans la nature de la demande d'intelligence: elle ne se comporte pas comme un marché fini de tâches existantes à automatiser, dont on approcherait la saturation à mesure que les modèles s'améliorent. Elle se comporte comme une frontière mobile, que chaque progrès repousse.

Cette section documente trois mécanismes, puis un cas d'école, puis une conséquence. Les trois mécanismes: la demande induite, mesurée par l'élasticité de la consommation de calcul au prix; la création de tâches nouvelles à côté des tâches automatisées; la montée de l'ambition humaine à chaque génération de modèle. Le cas d'école: le développement web, première frontière résolue, dont l'histoire montre ce qu'une résolution fait à la demande. La conséquence: les cas d'usage courants sous-estiment systématiquement le marché futur, ce qui invalide toute valorisation comme toute prévision d'infrastructure fondée sur un marché total adressable figé.

### 6.1 Demande induite et paradoxe de Jevons

Deux concepts anciens décrivent le régime de demande observé. La **demande induite** désigne le phénomène, documenté d'abord dans l'économie des transports, par lequel une capacité nouvelle engendre son propre trafic au lieu de résorber le trafic existant. Le **paradoxe de Jevons** en est la forme énergétique: William Stanley Jevons observa en 1865 que l'amélioration du rendement des machines à vapeur augmentait la consommation totale de charbon au lieu de la réduire, l'efficacité rendant la ressource rentable pour des usages jusque-là hors de portée. La littérature académique de 2026 applique ce cadre à l'infrastructure d'IA et le quantifie: la demande de calcul d'inférence est superélastique, une baisse de 1 % du prix engendrant une hausse de 1,42 % du volume consommé[^80]. Quand l'élasticité dépasse l'unité, chaque gain d'efficacité accroît la dépense totale; c'est la définition opérationnelle du régime de Jevons.

Le second volet de cette littérature mesure le phénomène côté entreprises. Malgré une baisse des coûts unitaires d'un à deux ordres de grandeur en quatre ans, la dépense totale d'IA des entreprises continue de croître, parce que le volume de déploiement s'étend jusqu'à absorber chaque gain d'efficacité; la structure de la dépense d'entreprise se déplace du poste travail vers le poste calcul[^81]. La trace de prix confirme le mécanisme au niveau le plus fin, celui du **jeton** (token, l'unité élémentaire de texte que les modèles facturent): le prix mixte du million de jetons a chuté d'environ 67 % en un an, de 18,40 dollars à 6,07 dollars entre le premier trimestre 2025 et le premier trimestre 2026, pendant que les volumes explosaient[^82]. Un prix unitaire divisé par trois accompagné d'une dépense totale en hausse constitue la signature opérationnelle du régime de Jevons, relevée ici sur données de marché[^80],[^82].

Les volumes en question méritent d'être écrits en chiffres, car leur échelle et leur vitesse constituent l'argument. Le débit mondial atteignait environ 11 millions de milliards de jetons par mois à la mi-2026 (11 x 10^15), soit le double de l'estimation que Goldman Sachs avait publiée en mai 2026, qui tablait sur 5,6 millions de milliards[^83]. Une banque de premier plan, outillée pour prévoir, s'est trompée d'un facteur deux en deux mois, dans le sens de la sous-estimation. Le détail par acteur montre la pente: Google est passé de 9 700 milliards de jetons traités par mois en mai 2024 à plus de 3,2 millions de milliards en mai 2026, un facteur 330 en deux ans et un facteur 7 sur la seule dernière année[^84]. Fireworks AI, fournisseur d'inférence indépendant, traitait environ 40 000 milliards de jetons par jour à la mi-juillet 2026, contre 15 000 milliards en avril, un débit multiplié par 2,7 en trois mois[^83]. Sur cette base, Goldman Sachs Research projette 120 millions de milliards de jetons par mois en 2030, 24 fois le niveau de 2026, tirés par l'inférence agentique[^85].

L'implication pour l'analyse de bulle est directe. Un diagnostic de surcapacité suppose une estimation de la demande; or toute planification fondée sur un **marché total adressable (TAM)** figé est démentie en quelques trimestres, l'estimation de mai 2026 de Goldman ayant été doublée par les faits en deux mois[^83]. Le mécanisme de demande induite est établi au niveau de preuve A: la théorie est canonique, l'élasticité est mesurée, et les données d'usage de 2026 l'instancient directement[^80],[^83]. Ce constat ne blanchit pas pour autant la couche infrastructure, et la nuance importe pour la suite du papier: la demande d'intelligence (des jetons, servis n'importe comment) et la demande de capacité de calcul centralisée d'une génération matérielle donnée sont deux variables distinctes; les sections 10 et 11 documentent les conditions de leur divergence.

### 6.2 La création de tâches à côté de l'automatisation

Le premier mécanisme explique pourquoi la consommation croît à tâches constantes quand le prix baisse. Le deuxième explique pourquoi l'ensemble des tâches lui-même s'étend. Le cadre canonique est celui de Daron Acemoglu et Pascual Restrepo: la technologie exerce sur le travail deux effets opposés, un effet de déplacement, qui automatise des tâches existantes, et un **effet de réintégration** (reinstatement effect), qui crée des tâches nouvelles n'existant pas avant elle; l'ensemble des tâches économiquement valorisables est donc endogène à la technologie, et le marché du travail comme le marché des usages se recomposent au lieu de se vider[^86]. L'honnêteté commande de citer la réserve que les auteurs eux-mêmes apportent: leur décomposition empirique montre que sur les trois décennies précédant 2019, l'effet de déplacement s'est accéléré tandis que la réintégration faiblissait[^86]. La frontière mouvante est donc un mécanisme documenté dont l'intensité varie selon les technologies; la question est de savoir si l'IA générative se comporte comme les technologies d'automatisation de la période 1987 à 2017 ou comme une catégorie plus féconde en tâches nouvelles.

Un argument théorique de poids penche pour la seconde branche. Iain Cockburn, Rebecca Henderson et Scott Stern soutiennent que l'apprentissage profond appartient à une classe plus rare que les technologies à usage général: celle des méthodes générales d'invention. L'IA « pourrait avoir un impact plus grand encore en servant de nouvelle méthode générale d'invention, capable de remodeler la nature du processus d'innovation et l'organisation de la recherche et développement »[^87]. Une technologie qui change la manière de produire des idées crée des tâches de recherche qui n'existaient pas, et son marché inclut la production des champs scientifiques qu'elle transforme, dont aucun revenu actuel ne rend compte. La modélisation récente prolonge l'argument: un modèle de croissance semi-endogène publié par le National Bureau of Economic Research en 2025 montre que l'automatisation de la recherche dans un secteur élève la productivité de recherche des autres, et que, dans la simulation calibrée, l'automatisation complète de la recherche logicielle combinée à 5 % d'automatisation ailleurs suffit à engendrer une croissance explosive en six ans[^88]. Ce résultat est un produit de simulation sous hypothèses, versé ici comme borne haute théorique, sans valeur de prévision.

La borne basse existe et provient du même auteur que le cadre canonique. Dans « The Simple Macroeconomics of AI », Acemoglu estime que l'IA n'ajoutera pas plus de 0,66 % à la productivité totale des facteurs américaine en dix ans, chiffre qu'il révise sous 0,53 %, au motif que la plupart des tâches exposées sont difficiles à bien automatiser et que la création de tâches véritablement nouvelles est lente[^89]. L'écart entre cette estimation et les scénarios de croissance explosive du même corpus académique mesure l'incertitude réelle du moment. Les praticiens de la prévision se répartissent sur le même intervalle: le rapport international sur la sécurité de l'IA de 2026 relève que les experts en prévision d'IA donnent une probabilité médiane de 20 % à la compression de six années de progrès en deux ans, contre 8 % chez les superprévisionnistes généralistes[^90].

Entre ces bornes, l'empirie de 2026 fournit des instances datées du mécanisme de création de tâches. Des travaux évalués par les pairs, rapportés en mai 2026, montrent des assistants d'IA qui accélèrent la découverte scientifique en concevant et en interprétant des expériences, au-delà de leur simple exécution[^91]; l'institut Stanford HAI documente la transformation de la découverte à travers les disciplines et la compare à l'arrivée du télescope et du microscope, c'est-à-dire à une expansion de classe instrumentale: des questions auparavant impossibles à poser deviennent des programmes de recherche[^92]. Concevoir une expérience pour un système automatisé, évaluer les hypothèses qu'il génère ou auditer ses conclusions sont des tâches créées par la technologie elle-même, dont les travaux cités documentent l'apparition[^91],[^92]. Le bilan de preuve s'établit ainsi: le mécanisme de création de tâches est établi directement (niveau de preuve A); sa magnitude macroéconomique reste disputée entre 0,53 % et l'explosion, et toute affirmation sur cette magnitude relève du niveau B au mieux.

### 6.3 La dynamique de l'ambition: A, puis A+1, puis B

Le troisième mécanisme opère au niveau de l'utilisateur individuel, et c'est lui qui donne à la frontière sa vitesse. La thèse de ce papier le formule ainsi: quand la tâche A est résolue, l'ambition de l'utilisateur se déplace vers A+1, la version plus exigeante de la même tâche, puis vers B, une classe de tâches qu'il ne tentait pas. La demande adressée aux modèles est donc indexée sur l'ambition humaine, qui monte avec la capacité; un modèle de stock fixe de besoins préexistants se trouve démenti par les données d'usage de la sous-section 6.1.

L'étude de terrain la plus complète sur ce point est celle de Fabrizio Dell'Acqua et ses coauteurs, menée sur 758 consultants du Boston Consulting Group et publiée dans Organization Science: à l'intérieur de la frontière de capacité du modèle, les consultants équipés accomplissent 12,2 % de tâches en plus, 22 à 28 % plus vite, avec une qualité supérieure de 38 à 43 %[^93]. Le concept central de l'étude, la « frontière technologique déchiquetée », désigne le périmètre irrégulier des tâches que le modèle réussit; ce périmètre s'élargit à chaque génération, et ce que les travailleurs entreprennent se recompose à chaque élargissement[^93]. La même étude fournit le garde-fou: au-delà de la frontière réelle du modèle, la performance des utilisateurs chute de 19 points de pourcentage en moyenne, l'ambition montée plus vite que la capacité produisant des erreurs plutôt que du rendement[^93]. Le mécanisme d'entraînement de la demande par l'ambition est donc conditionnel: il exige que la frontière avance réellement, ce qui renvoie aux sections 9 et 12 sur la poursuite du progrès des modèles. Les résultats convergent ailleurs: Shakked Noy et Whitney Zhang, dans Science, mesurent un temps d'écriture professionnel réduit de 40 % et une qualité accrue de 18 %, et observent que l'exposition à l'outil modifie ce que les participants choisissent ensuite de produire[^94]. Le gain de productivité se convertit ainsi en changement d'assortiment de tâches, au-delà de la simple économie de temps.

La trace comportementale à grande échelle suit exactement ce schéma. ChatGPT approchait le milliard d'utilisateurs actifs hebdomadaires en juillet 2026, contre environ 400 millions dix-huit mois plus tôt[^95], et avait franchi le milliard d'utilisateurs mensuels en juin 2026[^96]. Sur cette base, OpenAI a lancé le 9 juillet 2026 ChatGPT Work, un agent qui prend un objectif et le porte jusqu'à des documents et des sites finis, en restant sur des projets complexes « pendant des heures »[^97]. La chronologie des produits raconte la dynamique A, A+1, B en trois marches datées: la réponse à une question (2023), la production d'un document ou d'une analyse (2024 et 2025), la conduite d'un projet de plusieurs heures (2026). Chaque marche existe parce que la précédente a été gravie et que l'utilisateur, ayant vérifié la capacité du système sur A, lui confie A+1. La conséquence sur la consommation de calcul est mesurée: Gartner relevait en mars 2026 que les charges de travail agentiques consomment 5 à 30 fois plus de jetons par tâche que l'usage conversationnel[^83]. Chaque marche d'ambition multiplie donc le volume de jetons par tâche, ce qui relie ce mécanisme aux courbes de la sous-section 6.1: la croissance de 330 fois du débit de Google en deux ans[^84] est le produit arithmétique de plus d'utilisateurs, plus de tâches par utilisateur et plus de jetons par tâche. Le statut de preuve doit être énoncé: les effets de frontière sont mesurés directement; la montée de l'ambition elle-même est inférée du comportement d'adoption et de l'escalade des charges de travail, aucune étude ne mesurant l'aspiration comme variable; l'ensemble s'établit au niveau de preuve B.

La géométrie de ces charges dessine aussi la carte des positions de la période. Les bénéficiaires directs de la montée en ambition sont les plateformes dont la valeur croît avec la taille des travaux confiés, OpenAI avec ChatGPT Work[^97] et Anthropic avec Claude Code[^64], ainsi que les infrastructures d'inférence qui encaissent le volume, Fireworks AI ayant multiplié son débit par 2,7 en trois mois[^83]. Les positions dormantes se situent un cran plus loin, dans l'outillage des usages agentiques encore en formation: les couches d'orchestration et d'évaluation d'agents, dont l'assiette économique croît mécaniquement avec la part agentique des charges de travail, celle-là même que Gartner mesure à 5 à 30 fois plus de jetons par tâche[^83]. Un investisseur qui cherche l'exposition à la frontière sans le risque d'absorption de la section 4 la trouve dans ces couches transversales, qui restent exposées à la croissance agrégée des charges agentiques indépendamment du laboratoire dont les modèles dominent.

### 6.4 Le développement web, cas d'école d'une frontière résolue

Si la thèse de la frontière mobile est exacte, l'histoire récente doit en offrir au moins un cycle complet: une classe de tâches attaquée, résolue pour l'essentiel, et dont la résolution a déplacé l'ambition au lieu d'éteindre la demande. Le développement web fournit ce cycle, et son choix comme premier terrain conquis s'explique par la structure du domaine: le code offre un signal de vérification immédiat et objectif (le programme s'exécute ou échoue, les tests passent ou cassent), les corpus d'entraînement y sont abondants et publics, et la boucle de correction se referme en secondes. Ces trois propriétés font du code le terrain où la boucle d'amélioration des modèles tourne le plus vite; la frontière s'y est résolue en premier, et les mesures d'impact y sont parmi les plus solides de la littérature appliquée.

Zheyuan Cui et ses coauteurs, dans Management Science, agrègent trois expériences de terrain contrôlées chez Microsoft, Accenture et une société du classement Fortune 100: les développeurs équipés d'un assistant d'IA accomplissent 26,08 % de tâches en plus, l'adoption et le gain étant les plus forts chez les développeurs les moins expérimentés[^98]. Cette dernière observation porte une information de structure de marché: l'outil élargit la population capable de produire du logiciel professionnel au lieu de concentrer le gain chez les experts. La frontière du domaine a ensuite avancé selon la séquence exacte que la sous-section 6.3 décrit. L'autocomplétion de lignes (A) a cédé la place à la génération de fonctions, puis de fonctionnalités entières (A+1), puis aux sessions d'agents qui conduisent un chantier logiciel sur des heures (B): Claude Code, l'outil agentique d'Anthropic, connaît une croissance explosive comme instrument de production[^64], et ChatGPT Work livre des sites finis à partir d'un objectif exprimé en langage naturel[^97].

Le point décisif pour la thèse est ce que cette résolution a fait à la demande. Une frontière résolue, dans le modèle du marché fini, devrait comprimer le marché du développement, avec des heures facturables et une dépense en baisse. L'observation de 2026 montre l'expansion sur les trois axes de la décomposition précédente. La population des producteurs s'élargit par le bas, les moins expérimentés captant le gain le plus fort[^98]. La taille des projets tentés s'accroît, les charges agentiques consommant 5 à 30 fois plus de jetons par tâche[^83]. Et la consommation d'inférence associée au code alimente les courbes agrégées de la sous-section 6.1, dont la croissance a doublé la prévision de Goldman en deux mois[^83]. Le développement web illustre en outre la compatibilité des deux faces de ce bloc: c'est le domaine où la purge des surcouches a été la plus visible, les assistants de codage tiers ayant été parmi les premières catégories absorbées par les laboratoires (section 4)[^64], et c'est simultanément le domaine où la demande d'intelligence a le plus crû. La destruction de la couche des intermédiaires et l'expansion de la consommation sous-jacente sont un seul et même mouvement, observé sur un seul et même terrain.

Ce précédent indique où regarder ensuite. La boucle qui a résolu le code (signal de vérification objectif, corpus riches, itération rapide) est en cours d'assemblage dans les domaines scientifiques où l'expérimentation se robotise: les travaux de mai 2026 sur les assistants de découverte[^91] et la comparaison instrumentale de Stanford HAI[^92] décrivent les premières pièces de cette boucle pour la chimie, la biologie et les matériaux. L'hypothèse de ce papier, présentée comme telle (niveau de preuve C, analogique), est que ces domaines suivront la trajectoire du développement web avec un décalage dicté par la vitesse de leurs boucles de vérification: la section 7 en détaille les candidats, des modèles de monde à la robotique.

### 6.5 Un marché que les usages courants sous-estiment

Reste à tirer la conséquence des trois mécanismes, car elle gouverne la lecture des valorisations (section 8) comme celle du risque d'infrastructure (sections 10 et 11). Le cadre est celui de Timothy Bresnahan et Manuel Trajtenberg, qui ont défini la **technologie à usage général** (general purpose technology): une technologie caractérisée par sa diffusion transversale à l'économie, son amélioration continue et ses complémentarités d'innovation, dont la valeur se réalise dans des applications aval qui n'existent pas au moment où la technologie apparaît[^99]. La conséquence est mécanique: les premiers usages d'une telle technologie sous-estiment le marché final, l'ampleur de la sous-estimation étant l'ampleur de l'aval non encore inventé. L'histoire de l'électricité en donne la mesure temporelle: Paul David a montré que le gain de productivité de l'électrification a demandé environ quatre décennies, les usines ne l'ayant libéré qu'après s'être réorganisées autour des moteurs unitaires dans les années 1920, quarante ans après la dynamo[^100]. Le calendrier de valeur d'une technologie à usage général suit la réorganisation de ses utilisateurs davantage que son invention ou ses premiers revenus.

L'état des prévisions de 2026 porte la marque de cette inconnaissabilité, et cette marque est en soi une donnée. Les estimations du « marché de l'IA » pour 2026 s'étalent de 601 à 750 milliards de dollars dans le périmètre des revenus des fournisseurs[^101], tandis que la dépense totale d'IA, infrastructure comprise, est évaluée à 2 520 milliards de dollars, en hausse de 44 % sur un an[^102]. Un facteur quatre sépare les deux chiffres selon le périmètre retenu: quand la taille d'un marché varie de un à quatre selon la convention de mesure, la grandeur mesurée n'est pas encore stabilisée[^102]. Les projections longues prolongent la pente: 1 810 milliards de dollars en 2030 pour le marché de l'IA au sens strict selon Grand View Research[^103], environ 3 500 milliards en 2033 selon MarketsandMarkets[^104]. La valeur de ces chiffres tient à leur direction commune et au fait, documenté à trois reprises dans ce bloc, que chaque prévision institutionnelle récente de l'usage a été dépassée en quelques mois, l'estimation de jetons de Goldman ayant doublé en deux[^83]; leur précision, elle, ne résiste pas à la dispersion mesurée au paragraphe précédent. La thèse de l'ordre de grandeur (le marché final excédera d'au moins un ordre de grandeur les usages actuels) repose sur l'analogie des technologies à usage général et sur cette dispersion des prévisions: la direction est fortement étayée par l'histoire, la magnitude n'est pas démontrable ex ante (niveau de preuve B)[^99],[^100].

Ce bloc se referme alors sur ses trois résultats joints. La couche des surcouches se dégonfle en continu, version par version, selon un mécanisme théorisé et documenté qui ne produit pas de krach unique (section 4). La population des fondateurs qui l'habite finance la couche des plateformes pendant la purge, dans une asymétrie de flux de 400 milliards de dollars de dépenses contre 50 à 60 milliards de revenus, entretenue par le biais du survivant (section 5)[^74]. Et sous ces deux phénomènes, la demande agrégée d'intelligence s'étend plus vite que toutes les prévisions, portée par une élasticité mesurée de 1,42, par la création de tâches nouvelles et par la montée de l'ambition à chaque génération de modèle (section 6)[^80],[^83]. L'expression « bulle de l'IA » agrège ces trois faits en un signal unique et les rend illisibles: elle impute à la demande agrégée une fragilité qui appartient en propre à la couche applicative, et elle masque l'expansion de la consommation sous-jacente derrière la mortalité des surcouches. La suite du papier applique cette grille aux couches où le capital est réellement concentré: la section 7 examine ce que la phase actuelle des usages laisse hors du champ des prévisions, la section 8 confronte les valorisations des plateformes à l'hypothèse du service essentiel, et les sections 9 à 11 localisent le risque véritable, celui qui se construit en béton, en silicium et en dette.

## 7. Le stade de la lampe à pétrole

### 7.1 Ce que la théorie des technologies à usage général affirme exactement

La catégorie de **technologie à usage général** (general purpose technology, ou GPT dans la littérature anglophone, à ne pas confondre avec l'acronyme des modèles de langage) a été formalisée par Timothy Bresnahan et Manuel Trajtenberg en 1992, puis publiée dans le Journal of Econometrics en 1995.[^105] Leur définition tient en trois critères cumulatifs: la pervasivité, c'est-à-dire la capacité de la technologie à se diffuser dans un grand nombre de secteurs utilisateurs; l'amélioration continue, qui fait baisser le coût d'usage et monter la performance sur plusieurs décennies; et les complémentarités innovationnelles, par lesquelles l'adoption de la technologie amont augmente le rendement de l'innovation en aval. Ces trois critères sont livrés ici dans l'ordre où Bresnahan et Trajtenberg les posent, et chacun porte une conséquence distincte pour l'évaluation d'un actif.

La conséquence la moins commentée est la troisième. Bresnahan et Trajtenberg démontrent que le marché décentralisé produit systématiquement « trop peu, trop tard » d'innovation complémentaire dans les premières phases d'une technologie à usage général.[^105] Le raisonnement est un problème de coordination: l'innovateur aval ne connaît pas la trajectoire de coût du composant amont, l'innovateur amont ne connaît pas les usages qui justifieraient l'investissement, et aucun des deux ne capture l'intégralité du surplus qu'il crée pour l'autre. Le résultat est un décalage temporel structurel entre le moment où la technologie devient techniquement disponible et le moment où l'économie sait quoi en faire. Ce décalage n'est pas une pathologie du cycle actuel: il est la propriété définitionnelle de la classe d'objets à laquelle appartient l'intelligence artificielle.

L'implication pour un allocateur de capital est directe et inconfortable. Si les usages précoces d'une technologie à usage général sous-estiment systématiquement sa signification finale, alors le chiffre d'affaires de la couche applicative en 2026 est un estimateur biaisé, et biaisé vers le bas, du marché terminal. La prévision de dépenses mondiales en intelligence artificielle pour 2026, environ 2 520 milliards de dollars, soit 44 % de plus qu'en 2025, coexiste avec des revenus de couche applicative inférieurs d'un ordre de grandeur.[^106] Cet écart entre formation de capital et valeur aval réalisée est exactement le profil que Carlota Perez appelle la période d'installation, la première des deux moitiés d'une révolution technologique, celle où le capital financier construit l'infrastructure avant que le capital productif ne sache l'exploiter.[^107] Une évaluation multi méthodes publiée sur arXiv en juin 2026 cadre explicitement l'investissement en intelligence artificielle de 2026 dans ces termes d'installation contre déploiement.[^108]

Le même écart reste compatible avec deux lectures opposées: une couche applicative embryonnaire dont la monétisation viendra plus tard, ce que la théorie prédit, ou un surinvestissement dont une partie ne sera jamais servie par aucun revenu. La théorie des technologies à usage général ne tranche pas entre les deux. Elle établit seulement que l'argument « les applications actuelles sont médiocres, donc la technologie est surévaluée » est logiquement invalide pour cette classe de technologies. La part de l'infrastructure qui sera servie est traitée aux sections 10 et 11.

### 7.2 Le kérosène, ou cinquante ans passés dans le mauvais produit

L'industrie pétrolière américaine commence en 1859 à Titusville. Pendant les cinq premières décennies de son existence, son produit principal est l'huile d'éclairage. Le kérosène « est resté l'usage final commercial prédominant du pétrole raffiné aux États-Unis jusqu'en 1909, année où il a été dépassé par les carburants moteurs ».[^109] Daniel Yergin, dans l'histoire de référence du secteur, documente cette période comme celle où le pétrole était une affaire de lampes, avec ses guerres de prix, ses trusts, ses faillites et sa concurrence frontale avec le gaz de houille puis avec l'électricité.[^110]

Le détail qui mérite d'être retenu par un investisseur porte sur ce que faisaient les raffineurs de l'essence avant cette date. Dans l'ère de raffinage précoce, l'essence était un sous-produit indésirable, trop volatile pour l'éclairage, dangereuse à stocker, sans débouché identifié.[^109] Le produit qui allait constituer le plus gros marché de l'industrie pendant le siècle suivant a passé cinquante ans dans la catégorie des déchets, parce que la machine qui valorisait ses propriétés physiques n'existait pas encore à l'échelle.

Le parallèle avec l'intelligence artificielle générative se pose de manière opératoire. La question porte sur la capacité actuellement mal valorisée, mal emballée, ou traitée comme un sous-produit du produit conversationnel, qui correspond à l'essence de 1900. Les candidats identifiables en 2026 sont la génération de code exécutable dans des boucles longues, la simulation de systèmes physiques, la recherche de structures dans des espaces combinatoires, et la conduite d'expériences de laboratoire par des agents. Chacun de ces usages existe aujourd'hui, chacun est mesuré en résultat scientifique plutôt qu'en chiffre d'affaires, et aucun ne représente une fraction visible du revenu des laboratoires.

La discipline analytique impose une réserve. L'analogie historique établit un précédent sans établir une nécessité, et il existe des technologies restées bloquées à leur phase précoce: le transport supersonique civil, la fission pour la chaleur industrielle. Le cadrage « lampe à pétrole » appliqué à l'intelligence artificielle reste analogique (niveau de preuve: C), discipliné par la théorie des technologies à usage général sans être démontré empiriquement pour ce cas. Ce que l'analogie interdit est de conclure de la composition actuelle des usages à la taille finale du marché.

### 7.3 Le retard de la dynamo et la réorganisation des usines

Paul David a fourni en 1990 la version la plus utile du décalage, dans un article devenu la référence canonique sur le paradoxe de productivité.[^111] Son observation: vers 1900, les dynamos électriques étaient visibles partout sauf dans les statistiques de productivité. L'électricité commerciale existait depuis les années 1880. Les usines américaines n'ont capté ses gains qu'après la refonte des années 1920 autour de l'entraînement unitaire, soit environ quarante ans après l'électrification commerciale.

Le mécanisme documenté par David est organisationnel avant d'être technique. L'usine du dix-neuvième siècle était construite autour d'une source d'énergie centrale, machine à vapeur ou turbine hydraulique, dont la puissance était distribuée mécaniquement par des arbres de transmission et des courroies. Toute l'architecture du bâtiment découlait de cette contrainte de distribution. Les premiers industriels électrifiés ont remplacé la machine à vapeur par un gros moteur électrique, en conservant les arbres de transmission: une source d'énergie substituée dans une architecture inchangée, pour un gain réel et marginal.

L'entraînement unitaire, qui consiste à doter chaque machine de son propre moteur, a supprimé cette contrainte et libéré la disposition de l'atelier. Les machines pouvaient être placées selon la logique du flux de production, les plafonds descendre, les bâtiments s'étendre horizontalement. Le gain de productivité mesuré est venu de la réorganisation que l'électricité permettait, et cette réorganisation a demandé une génération de dirigeants industriels formés dans le nouveau paradigme.[^111]

Le stade de l'intelligence artificielle en 2026 correspond au moteur central substitué à la machine à vapeur. Les entreprises déploient des assistants dans des processus conçus pour des travailleurs humains exécutant des tâches humaines. Le gain mesuré est réel et modeste: l'essai randomisé Microsoft sur plus de 6 000 travailleurs répartis dans 56 organisations donne trente minutes de lecture de courriels économisées par semaine et des documents achevés 12 % plus vite, avec environ 40 % d'adoption régulière parmi les salariés ayant reçu l'accès.[^112] Ces chiffres ressemblent au rendement du gros moteur électrique dans une usine à courroies: positif, mesurable, sans commune mesure avec ce que la refonte permettrait.

La conséquence pour l'allocation de capital est que le rendement de l'intelligence artificielle en entreprise est aujourd'hui plafonné par l'architecture des processus, pas par la capacité des modèles. Les entreprises qui redessinent leurs flux autour de l'agent, plutôt que d'insérer l'agent dans des flux existants, sont les analogues des architectes d'usine qui ont maîtrisé l'entraînement unitaire. Cette catégorie d'acteurs est aujourd'hui presque invisible dans les valorisations, ce qui en fait la classe de dormants la plus cohérente avec la lecture historique (niveau de preuve: C).

### 7.4 Ce que l'intelligence artificielle sert réellement en 2026

L'état des usages doit être établi avec des chiffres, pas avec des impressions. ChatGPT a franchi le milliard d'utilisateurs actifs mensuels en juin 2026, pour environ 2,5 milliards de requêtes par jour, en restant un produit de conversation textuelle.[^113] Les compilations d'usage de juillet 2026 fondées sur les recherches d'OpenAI donnent environ 70 % d'utilisation non professionnelle et environ 49 % de requêtes relevant de la demande de connaissance générale.[^114]

Ces deux chiffres définissent la lampe: une base d'utilisateurs planétaire, un usage majoritairement domestique, une requête sur deux qui consiste à poser une question. Le marché de masse est authentique et il constitue la version 2026 de l'huile d'éclairage, un produit largement distribué dont la valeur unitaire est faible et dont la substituabilité augmente à mesure que les capacités se diffusent.

Le premier signal d'un déplacement hors de cette phase est apparu le 9 juillet 2026, avec le lancement de ChatGPT Work, produit agentique conçu pour prendre en charge des tâches sur des durées longues.[^115] La différence économique entre un produit qui répond à une question et un produit qui exécute une tâche pendant plusieurs heures se compte en ordres de grandeur de consommation de calcul, donc en prix atteignable. Les données de consommation de jetons développées en section 8 confirment que cette bascule est déjà visible dans les volumes.

Le kérosène ne s'est pas effondré en 1909, il a continué de croître pendant que l'essence le dépassait. La composition des revenus d'un secteur à usage général se recompose sur des horizons de plusieurs décennies, et aucune extrapolation fondée sur la composition actuelle ne résiste à cette recomposition.

### 7.5 La lignée AlphaFold: là où les résultats sont déjà arrivés

La partie non textuelle de l'intelligence artificielle a produit, depuis 2021, une série de résultats dont la qualité scientifique est établie par publication dans Nature et dont la valeur commerciale est proche de zéro. Cette combinaison est précisément le profil d'une couche applicative pré monétisation.

AlphaFold, publié par John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov et leurs coauteurs dans Nature en 2021, est la première méthode computationnelle capable de prédire régulièrement des structures protéiques à précision atomique, y compris en l'absence de structure homologue connue, avec une performance compétitive face aux structures expérimentales dans une majorité des cas du concours CASP14.[^116] GNoME, décrit par Amil Merchant et ses coauteurs dans Nature en 2023, a produit 381 000 nouveaux matériaux stables, presque un ordre de grandeur de plus que l'ensemble des travaux antérieurs.[^117] AlphaProof, décrit par Thomas Hubert et ses coauteurs dans Nature (mise en ligne le 12 novembre 2025, numéro de mars 2026), a atteint le niveau de la médaille d'argent à l'Olympiade internationale de mathématiques 2024, première performance de niveau médaille par un système d'intelligence artificielle.[^118]

L'année 2026 fait passer cette lignée du résultat isolé à la découverte agentique en boucle fermée. Deux articles de Nature publiés en 2026 documentent des systèmes multi agents conduisant des programmes de découverte: Co-Scientist, de Google DeepMind, a proposé des candidats médicamenteux et des thérapies combinées inédits pour la leucémie myéloïde aiguë, de nouvelles cibles pour la fibrose hépatique et des mécanismes de résistance antimicrobienne; Robin, de FutureHouse, a identifié des traitements candidats pour la dégénérescence maculaire liée à l'âge.[^119] Ces résultats ont été rapportés le 20 mai 2026.

La revue publiée par Stanford HAI le 27 mai 2026 ajoute une série de résultats de la même famille.[^120] Le modèle Samudra simule mille ans de climat par jour sur un seul processeur graphique, contre douze ans par jour pour les modèles traditionnels. Le modèle de langage d'ADN EVO a généré seize bactériophages inédits surpassant les phages naturels contre des bactéries résistantes. Un laboratoire virtuel d'agents a conçu en quelques jours des lieurs d'anticorps anti COVID supérieurs aux conceptions humaines antérieures. Le plus grand jeu de données en neurosciences a enregistré 3,1 millions de neurones. L'apprentissage profond a identifié entre 3 et 4 millions d'éléments régulateurs de l'ADN. En mathématiques, des systèmes ont obtenu des scores parfaits aux examens de niveau licence les plus difficiles en décembre 2025 et résolu des dizaines de problèmes ouverts d'Erdős, selon la même revue.

Aucun de ces résultats n'émane d'un produit de conversation, et chacun est mesuré en publication, en structure prédite, en matériau découvert, en cible thérapeutique proposée. La conversion de cette production scientifique en revenu passe par des chaînes de valeur lentes: validation expérimentale, réglementation, essais cliniques, industrialisation. Le niveau de preuve est fort et direct pour l'existence et la qualité de ces résultats (niveau de preuve: A), et indirect pour l'affirmation qu'ils deviendront les applications économiquement les plus importantes (niveau de preuve: B).

### 7.6 L'objection de magnitude, et ce qu'elle concède

L'objection la mieux construite ne conteste pas le statut de technologie à usage général. Daron Acemoglu, dans « The Simple Macroeconomics of AI », accepte que l'intelligence artificielle appartienne à cette classe et estime néanmoins le gain de productivité totale des facteurs aux États-Unis à au plus 0,66 % sur dix ans, chiffre révisé à moins de 0,53 %.[^121] Son argument est un argument de base taxable: la fraction des tâches réellement exposées à l'automatisation par les systèmes actuels est bornée, et la moyenne pondérée des gains sur ces tâches, une fois corrigée des tâches difficiles où les gains mesurés sont faibles, produit un agrégat modeste.

L'objection est solide sur son propre terrain et elle concède l'essentiel. Elle porte sur un horizon de dix ans, raisonne sur la base de tâches identifiables aujourd'hui, et suppose la stabilité de la frontière des capacités. Or la théorie des technologies à usage général affirme que la base de tâches est endogène et s'étend par innovation complémentaire aval.[^105] Acemoglu mesure le rendement du gros moteur électrique dans l'usine à courroies, et sa mesure est probablement correcte pour cette configuration.

Une seconde objection, plus contraignante pour la lignée scientifique, vient de Risa Wechsler, citée dans la revue Stanford HAI du 27 mai 2026: l'intelligence artificielle change quels problèmes sont traitables sans dire quels problèmes importent, et la valeur scientifique reste goulottée par le jugement humain, la validation expérimentale et le débit des laboratoires humides.[^120] Cette objection fixe une borne de vitesse à la conversion des résultats de la section 7.5 en production économique. Elle ne conteste pas les résultats. Elle affirme que le facteur limitant se déplace vers l'expérimentation physique, ce qui redirige la question vers la robotique de laboratoire et l'automatisation expérimentale, deux domaines dont la capitalisation en 2026 reste sans rapport avec celle de la couche textuelle.

La position du papier sur cette section: la composition des usages actuels de l'intelligence artificielle ne contient aucune information fiable sur la taille du marché terminal, et l'argument de surévaluation fondé sur cette composition est invalide. Les faits qui falsifieraient cette position sont identifiables: une stagnation des résultats scientifiques non textuels sur trois années consécutives, une absence de conversion des découvertes de 2026 en candidats cliniques entrant en phase d'essai, ou une démonstration que les gains mesurés par Acemoglu ne s'améliorent pas malgré la refonte des processus dans les entreprises les plus avancées.

## 8. Les valorisations face à l'hypothèse de l'utility

### 8.1 La forme correcte de la question

La question « les valorisations de l'intelligence artificielle sont-elles rationnelles » n'a pas de réponse tant qu'elle n'est pas conditionnée. La forme utilisable est la suivante: sous quel régime de dépense les capitalisations actuelles des laboratoires sont-elles justifiées par des flux futurs actualisés, et ce régime est-il observable aujourd'hui? Le régime en question a un nom précis dans ce papier: l'hypothèse de l'**utility**, c'est-à-dire l'hypothèse selon laquelle l'intelligence devient une ligne de dépense permanente, par personne et par salarié, du même type que l'électricité, l'eau ou les télécommunications, plutôt qu'un achat logiciel discrétionnaire.

Philip Trammell et Anton Korinek fournissent le cadre macroéconomique de l'extrémité haute de cette hypothèse.[^122] Leur modélisation, révisée en avril 2026, examine les régimes de croissance sous des systèmes capables d'automatiser l'essentiel du travail: l'automatisation de la production seule élève fortement le taux de croissance et abaisse la part du travail dans le revenu, unique régime dans lequel une entreprise logicielle peut plausiblement capter une fraction du produit mondial comparable à celle d'un service public. Bresnahan et Trajtenberg fournissent le mécanisme intermédiaire: une technologie à usage général devient un intrant de tous les secteurs aval, donc une ligne de dépense comparable à une utility.[^105]

Aswath Damodaran, dans une note du 18 juin 2026 consacrée à SpaceX, OpenAI et Anthropic et à la question de leur inclusion dans le S&P 500, défend la position selon laquelle juger ces sociétés sur leurs résultats courants manque les véritables moteurs de valeur d'entreprises jeunes.[^123] C'est l'argumentaire standard en faveur de multiples anticipés élevés, et il est ici formulé par un auteur qui a par ailleurs produit la critique la plus tranchante de ce type de valorisation.

### 8.2 Valorisations et revenus des laboratoires au printemps 2026

Les chiffres disponibles pour Anthropic divergent selon les sources, et cette divergence doit être présentée telle quelle. Le profil d'entreprise Sacra donne un revenu annualisé passé d'environ 9 milliards de dollars fin 2025 à environ 47 milliards de dollars en mai 2026, soit une multiplication par environ 5,2 en cinq mois, et une valorisation post money de 965 milliards de dollars associée au dossier d'introduction en bourse déposé le 1er juin 2026.[^124] Une autre compilation de 2026 donne Anthropic à 183 milliards de dollars de valorisation et 30 milliards de dollars de revenu annualisé récurrent en avril 2026.[^125] L'écart entre 183 et 965 milliards en deux mois est trop grand pour être arbitré par ce papier: les deux chiffres sont donnés avec leur source, et toute conclusion appuyée sur l'un ou l'autre doit être retestée avant décision d'investissement. Une précision comptable s'ajoute: Anthropic déclare son revenu brut des reversements aux revendeurs cloud, ce qui gonfle le chiffre par rapport aux pairs qui déclarent en net.[^124]

Pour OpenAI, Sacra donne environ 25 milliards de dollars de revenu annualisé récurrent en février 2026, chiffre périmé au regard de la règle de fraîcheur de ce papier et conservé comme histoire datée, une valorisation post money de 852 milliards de dollars issue du tour du 31 mars 2026, et plus d'un milliard d'utilisateurs mensuels de l'application en mai 2026.[^126] La part entreprise dépasse 40 % du revenu et se dirige vers la parité avec le grand public d'ici fin 2026; la marge brute est d'environ 33 %, contrainte par le coût d'inférence; la consommation de trésorerie projetée est de 27 milliards de dollars en 2026 et de 63 milliards en 2027.[^126] Une autre compilation donne 730 milliards de dollars post money et 122 milliards de dollars levés en avril 2026.[^127] Là encore, les deux chiffres coexistent dans les sources disponibles.

Pour xAI, les données vérifiables s'arrêtent avant la date butoir. Sacra donne 250 milliards de dollars de valorisation après la transaction SpaceX du 2 février 2026, une série E de 20 milliards de dollars close en janvier 2026, et environ 3,83 milliards de dollars de revenu consolidé 2025, dont 500 millions en autonome hors publicité de X.[^128] Aucun chiffre xAI postérieur à mai 2026 n'a pu être vérifié. L'argument que ce papier tire de xAI ne dépend donc pas d'un chiffre courant: la structure du dossier, une valorisation de plusieurs centaines de milliards adossée à un revenu autonome de quelques centaines de millions, est la forme la plus tendue de l'exposition décrite en section 8.3, et cette forme est établie par les chiffres de février 2026 en tant qu'histoire datée.

Un dernier fait de croissance, celui-ci postérieur à mai 2026: la croissance du nombre d'utilisateurs mensuels de Claude atteint 640 % en glissement annuel au deuxième trimestre 2026, contre 62 % pour ChatGPT.[^126] Le rythme de composition des deux principaux laboratoires n'a été égalé par aucune catégorie de logiciel d'entreprise antérieure.

### 8.3 Le mirage du grand marché

La critique la plus précise de l'ensemble de ces valorisations a été formulée avant le cycle actuel. Bradford Cornell et Aswath Damodaran, dans « The Big Market Delusion », montrent que lorsqu'un marché est perçu comme immense, chaque participant est valorisé comme s'il allait en capter une part importante, de sorte que la capitalisation agrégée du secteur dépasse toute vision cohérente du marché lui-même.[^129] Le mécanisme est individuellement rationnel et collectivement incohérent: chaque valorisation prise isolément est défendable, la somme ne l'est pas.

Cette critique porte exactement sur la structure de l'hypothèse de l'utility. Une catégorie vaste ne signifie pas que tous ses prétendants seront servis: l'histoire des utilities réelles montre une concentration extrême, avec deux ou trois opérateurs par géographie. La conjonction du cadre Trammell et Korinek et de la critique Cornell et Damodaran donne la position de ce papier: le marché terminal peut être réel, à l'échelle décrite, et la majorité de l'équité privée du secteur peut néanmoins être mal valorisée. Ces deux propositions ne sont pas en tension.

Le niveau de preuve du caractère rationnel des grandes valorisations est moyen et indirect (niveau de preuve: B). Le conditionnel est cohérent, la croissance des revenus est réelle, et aucune donnée postérieure à mai 2026 ne montre encore la dépense en intelligence artificielle se comportant comme une facture non discrétionnaire.

### 8.4 Ce que les consommateurs disent valoir l'intelligence artificielle

La mesure la plus directe de la valeur consommateur vient d'un travail académique de David Nguyen, Erik Brynjolfsson, Sophia Kazinnik, Avinash Collis et Felix Eggers, publié en avril 2026.[^130] La méthode repose sur des expériences de choix en ligne auprès d'adultes américains représentatifs, conduites en juillet 2025 et en mars 2026, mesurant la **disposition à accepter** (willingness to accept, ou WTA), c'est-à-dire la compensation monétaire exigée pour renoncer à l'accès aux agents conversationnels pendant un mois.

Le résultat central: la disposition moyenne à accepter est passée de 98 dollars par mois en juillet 2025 à 124,50 dollars en mars 2026, une hausse de 27 %, le surplus agrégé des consommateurs américains passant de 116 à 172 milliards de dollars.[^130] Ce chiffre moyen dépasse la facture mobile moyenne des ménages américains, établie à 98 dollars par mois en 2026 par le rapport doxoINSIGHTS.[^131]

L'objection est dans le même article, et elle est décisive pour la formulation de la thèse. La médiane de la disposition à accepter en 2026 est de 11,40 dollars par mois, contre une moyenne de 124,50 dollars.[^130] La distribution est fortement asymétrique: une minorité d'utilisateurs intensifs porte presque toute la valeur, et la fréquence d'usage est le meilleur prédicteur de la disposition à accepter. Pour l'individu médian, l'intelligence artificielle n'approche pas une facture de taille télécom. La formulation défendable est donc bornée: la thèse tient pour les utilisateurs intensifs (niveau de preuve: B), et reste analogique pour l'individu médian (niveau de preuve: C).

L'écart entre valeur mesurée et prix payé est la réserve de croissance. Les prix consommateurs d'août 2026 pour Claude s'échelonnent de 0 dollar pour l'offre gratuite, 20 dollars par mois pour Pro (17 dollars en annuel), à partir de 100 dollars par mois pour Max selon le multiple d'usage.[^132] Le palier Max et l'équivalent Pro chez OpenAI franchissent la ligne télécom pour les utilisateurs intensifs. La conversion payante reste basse: environ 50 millions d'utilisateurs payants de ChatGPT au premier trimestre 2026, soit environ 5,5 % de la base, contre 20 millions en avril 2025.[^133] Ce chiffre antérieur à la date butoir sert d'histoire datée et constitue le meilleur point de conversion disponible.

### 8.5 Le point de comparaison télécom, et ses limites

Le secteur des télécommunications sert de référence parce que c'est la dernière catégorie de dépense technologique devenue universelle, permanente et non discrétionnaire pour la quasi totalité des ménages des économies développées. Le rapport Ericsson Mobility de juin 2026 établit que les abonnements 5G ont dépassé trois milliards dans le monde.[^134] C'est la barre de pénétration que l'intelligence artificielle devrait franchir, indépendamment du prix.

Sur le prix, les données de ménage américaines de 2026 donnent la structure suivante: mobile 98 dollars par mois, câble et internet 124 dollars, électricité 125 dollars, pour un total de factures ménagères de 3 289 dollars par mois.[^131] Une ligne supplémentaire de 100 dollars par mois pour l'intelligence artificielle ne se crée pas ex nihilo dans ce budget: elle se substitue à une catégorie existante ou déplace de la consommation. C'est la raison pour laquelle les opérateurs télécoms et les fournisseurs d'accès figurent parmi les dormants de cette section: intégrer l'intelligence artificielle au forfait mobile ou internet convertirait une souscription discrétionnaire en composant de la facture télécom elle-même.

Une lacune doit être signalée sans être comblée par une estimation. Aucun chiffre vérifié de revenu moyen par utilisateur (average revenue per user, ou **ARPU**) mondial des télécommunications postérieur à mai 2026 n'a pu être obtenu, les sources sectorielles habituelles ayant renvoyé des erreurs d'accès. Le seul repère structurel disponible est ancien: le revenu mondial des services de télécommunications était projeté à 2 200 milliards de dollars en 2015 et 2 400 milliards en 2019.[^135] Ce papier ne construit donc pas de comparaison chiffrée d'ARPU mondial. La comparaison qu'il retient est structurelle: une facture universelle, mensuelle, à faible élasticité, dont la pénétration se mesure en milliards d'abonnements. L'intelligence artificielle grand public satisfait le critère de pénétration en utilisateurs (plus d'un milliard d'utilisateurs mensuels pour ChatGPT[^126]) et échoue au critère de conversion payante (environ 5,5 %[^133]).

### 8.6 La dépense logicielle par salarié

Le côté entreprise donne des données plus dures, parce qu'elles sont observées sur des paiements réels plutôt que déclarées en expérience de choix. L'indice Ramp de juin 2026, construit sur plus de 70 000 entreprises américaines, donne une dépense médiane de 2 246 dollars par mois et par entreprise, soit 11,38 dollars par salarié et par mois; le décile supérieur atteint 611 dollars par salarié et par mois, et le centile supérieur 7 450 dollars.[^136] La dépense moyenne par entreprise est de 140 842 dollars par mois en avril 2026, signature d'une distribution en loi de puissance. La consommation de jetons sur les entreprises suivies a progressé de 1 001 % entre janvier 2025 et avril 2026.[^136]

Le rapport entre ces chiffres et le prix consommateur est le point analytique de la section. Le décile supérieur des entreprises dépense environ trente fois le prix d'un abonnement grand public par salarié, et le centile supérieur environ 370 fois. La dépense d'entreprise par salarié appartient à un ordre de grandeur différent de celui du modèle consommateur, et c'est cet ordre de grandeur qui rend l'hypothèse de l'utility arithmétiquement atteignable sans supposer que le grand public paie des factures de taille télécom.

Le moteur identifiable de cette dépense est le codage agentique. Les coûts d'assistance au code se situent entre 150 et 250 dollars par développeur et par mois en usage courant, et montent de 500 à 2 000 dollars par mois pour des flux agentiques consommant de 400 000 à 2 millions de jetons par session.[^136] Les prix de siège affichés sous-estiment le coût réel parce que la consommation à l'usage s'ajoute par-dessus: Microsoft 365 Copilot est facturé 21 dollars par utilisateur et par mois en tarif standard en août 2026, avec une promotion à 18 dollars sur engagement annuel jusqu'au 30 septembre 2026, ou 25,20 dollars sans engagement, et 32 dollars par utilisateur et par mois pour l'offre Business Premium avec Copilot en annuel.[^137] Claude Team est à 25 dollars par siège standard (20 dollars en annuel) et 125 dollars par siège premium (100 dollars en annuel), l'offre Enterprise démarrant à 20 dollars par siège plus la consommation.[^132]

La base de productivité qui justifie ces prix est établie par essais contrôlés. L'essai Microsoft 365 Copilot déjà cité donne 12 % de gain sur le temps d'achèvement des documents et trente minutes de lecture de courriels économisées par semaine.[^112] L'effet le plus élevé mesuré en contexte professionnel vient de trois expériences de terrain avec des développeurs logiciels conduites par Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng et Tobias Salz, publiées dans Management Science: une hausse de 26,08 % des tâches achevées.[^138] Le décile de dépense le plus élevé et le domaine où l'effet mesuré est le plus fort sont le même domaine, ce qui rend la dépense soutenable là où elle est concentrée.

La décomposition sectorielle donne l'ordre de grandeur agrégé. Menlo Ventures chiffre la dépense d'entreprise en intelligence artificielle générative à 37 milliards de dollars en 2025, en croissance de 3,2 fois sur un an, répartie entre 19 milliards d'applications et 18 milliards d'infrastructure, avec 47 % des projets atteignant la production contre 25 % pour le logiciel en service traditionnel.[^139] Ce chiffre est antérieur à la date butoir et sert de décomposition datée. Les parts de marché des interfaces de programmation (application programming interface, ou **API**) d'entreprise donnent Anthropic à 40 %, OpenAI à 27 % et Google à 21 %, avec Anthropic estimé à 54 % sur le codage, la catégorie de dépense par siège la plus élevée.[^139] Une publication Menlo du 16 juillet 2026 mesure le volume quotidien de jetons chez un fournisseur d'inférence passant d'environ 15 000 milliards à environ 43 000 milliards par jour depuis fin 2025, à mesure que les modèles gagnent la capacité de soutenir des tâches longues.[^140]

Le niveau de preuve sur la dépense entreprise par salarié est fort et direct (niveau de preuve: A): les montants sont mesurés sur paiements, et la base de productivité vient d'essais randomisés.

### 8.7 Là où l'écart de revenus mord

L'écart entre revenus et capitaux engagés doit être localisé, parce qu'il ne se situe pas là où le discours public le place. Les dépenses d'investissement combinées d'Amazon, Alphabet, Microsoft et Meta pour 2026 se situent entre 700 et 725 milliards de dollars, en hausse d'environ 77 % par rapport à environ 410 milliards en 2025, réparties approximativement en 200 milliards pour Amazon, 175 à 185 milliards pour Alphabet, 125 à 145 milliards pour Meta et 110 à 120 milliards pour Microsoft.[^141] Une projection de janvier 2026 situait les dépenses d'investissement des hyperscalers au-delà de 500 milliards de dollars pour 2026 et le cumul 2025 à 2027 à 1 150 milliards de dollars.[^125] Le chiffre de janvier a été dépassé par les plans annoncés à l'été.

Confronter directement ce capital aux revenus des laboratoires produit une mesure trompeuse, parce que les deux ne sont pas dans la même unité économique: le capital est un stock immobilisé sur des durées d'amortissement de plusieurs années, le revenu un flux annualisé qui composait à un rythme de 5,2 fois en cinq mois pour Anthropic entre fin 2025 et mai 2026.[^124] La question pertinente porte sur la date à laquelle le flux, à son rythme de composition observé, sert le stock, et sur la sensibilité de cette date au taux de composition.

Trois faits déterminent où l'écart mord réellement. Le premier est la marge brute: environ 33 % chez OpenAI, contrainte par le coût d'inférence.[^126] Un revenu qui compose vite avec une marge brute de logiciel serait servi rapidement; une marge brute de 33 % impose que le volume de revenu nécessaire soit trois fois plus élevé pour la même contribution. Le deuxième est la consommation de trésorerie: 27 milliards de dollars projetés en 2026 et 63 milliards en 2027 chez OpenAI.[^126] Une entreprise dont la consommation de trésorerie croît plus vite que la marge brute dépend de l'accès continu au financement primaire, et cet accès est procyclique. Le troisième est la concentration du rendement côté client: l'enquête McKinsey sur l'état de l'intelligence artificielle de novembre 2025 trouve 88 % d'organisations utilisant l'intelligence artificielle dans au moins une fonction, mais seulement 39 % rapportant un effet sur le résultat opérationnel au niveau de l'entreprise et 5,5 % qualifiant comme entreprises performantes.[^125]

La conjonction de ces trois faits localise l'écart. Il ne se situe pas dans la demande d'intelligence, dont les mesures de volume (jetons multipliés par près de trois en moins d'un an chez un fournisseur d'inférence[^140], consommation de jetons en hausse de 1 001 % sur quinze mois côté entreprise[^136]) sont sans ambiguïté. Il se situe dans la conversion de cette demande en marge, et dans la structure de financement qui couvre l'intervalle. La sensibilité de l'ensemble du système à la trajectoire du coût d'inférence est donc la variable maîtresse, et cette trajectoire est l'objet de la section 9.

La réaction de marché de juillet 2026 confirme que les investisseurs ont identifié cette variable. Alphabet a relevé sa prévision de dépenses d'investissement 2026 lors de la publication de ses résultats du deuxième trimestre, fin juillet 2026; le titre a cédé 7 % le lendemain, et Amazon, Meta et Microsoft ont reculé par sympathie.[^141] Le marché ne sanctionne plus l'annonce de capacité comme une nouvelle positive, ce qui constitue le premier signal observable de la séquence décrite en section 13.

## 9. Le paradigme du scaling et ses limites

### 9.1 Les lois d'échelle comme doctrine d'investissement

L'infrastructure décrite en section 8 repose sur une proposition scientifique datée et signée. En janvier 2020, Jared Kaplan, Sam McCandlish, Tom Henighan, Tom Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu et Dario Amodei publient « Scaling Laws for Neural Language Models ».[^142] Le résultat: la perte d'un modèle de langage décroît selon une loi de puissance en fonction de la taille du modèle, de la taille du jeu de données et du calcul d'entraînement, avec des tendances tenant sur plus de sept ordres de grandeur, et les détails d'architecture comptent beaucoup moins que l'échelle.

L'effet de cet article sur l'allocation de capital dépasse son contenu technique. Une loi de puissance stable sur sept ordres de grandeur transforme un problème de recherche en problème d'ingénierie financière: la performance devient une fonction prévisible d'un budget, et un dirigeant peut approuver une dépense d'investissement de plusieurs dizaines de milliards en s'appuyant sur une courbe plutôt que sur un pari scientifique. Les 700 à 725 milliards de dollars planifiés pour 2026 par les quatre principaux hyperscalers sont la monétisation directe de cette conviction.[^141]

Le raffinement décisif vient de Jordan Hoffmann et de ses coauteurs en 2022, dans le travail connu sous le nom de Chinchilla.[^143] Plus de 400 modèles entraînés, de 70 millions à 16 milliards de paramètres, sur des jeux de 5 milliards à 500 milliards de jetons, établissent que l'entraînement optimal en calcul fait croître paramètres et jetons dans la même proportion: doubler la taille du modèle exige de doubler le nombre de jetons d'entraînement. Chinchilla, avec 70 milliards de paramètres et quatre fois plus de données, a dépassé Gopher (280 milliards) et GPT-3 (175 milliards), atteignant 67,5 % au test de compréhension multitâche massive du langage (massive multitask language understanding, ou **MMLU**). C'est la preuve canonique que l'ingestion de données, et pas seulement le nombre de paramètres, est un intrant contraignant.

La mesure des tendances de calcul complète le tableau. Dario Amodei et Danny Hernandez avaient documenté en 2018 un temps de doublement de 3,4 mois du calcul des plus grands entraînements et une croissance supérieure à 300 000 fois entre 2012 et 2018.[^144] Jaime Sevilla et ses coauteurs ont documenté l'explosion du calcul dans l'ère de l'apprentissage profond.[^145] Epoch AI mesure aujourd'hui une croissance du calcul d'entraînement des modèles de frontière de 4 à 5 fois par an depuis 2020,[^146] et un doublement du coût d'entraînement des plus grands modèles environ tous les huit mois.[^147] Epoch projette le nombre de modèles dépassant 1e26 opérations en virgule flottante (floating point operations, ou **FLOP**) d'environ 10 en 2026 à plus de 200 en 2030.[^148]

Une objection technique mérite d'être posée dès ce point, parce qu'elle modifie la nature du calcul optimal. Nikhil Sardana et Jonathan Frankle montrent que l'optimalité de type Chinchilla se casse dès que la demande d'inférence est incluse dans la fonction de coût: un laboratoire qui sert un très grand nombre de requêtes a intérêt à entraîner des modèles plus petits sur beaucoup plus de données.[^149] Le paradigme n'est donc pas « plus gros vaut mieux » dans l'absolu, il est façonné par l'économie de déploiement. Cette correction pointe déjà vers la conclusion de la section: la pression économique interne au paradigme pousse vers des modèles plus petits et mieux entraînés, ce qui est exactement le mouvement qui réduit la demande de calcul d'entraînement centralisé par unité de capacité livrée.

### 9.2 L'ingestion par force brute, décrite précisément

La description du mécanisme d'entraînement doit être faite avec précision, parce que c'est de sa description que découle l'évaluation de son inefficacité.

Un modèle de langage de frontière est entraîné en présentant à un réseau de neurones une séquence de jetons et en lui demandant de prédire le jeton suivant. L'écart entre la prédiction et le jeton réel est converti en gradient, propagé à travers l'ensemble des paramètres, et utilisé pour corriger chacun d'eux d'une fraction. L'opération est répétée sur chaque position de chaque séquence du corpus, plusieurs fois pour certaines portions. Le corpus des modèles de frontière se compte en dizaines de milliers de milliards de jetons: DeepSeek-V3, dont le rapport technique est public, a été entraîné sur 14 800 milliards de jetons.[^150]

La propriété qui rend ce procédé de force brute est l'absence de sélection. Chaque jeton du corpus contribue au gradient avec un poids déterminé par la fonction de perte, non par une évaluation de sa valeur informationnelle. La régularité linguistique dominante est apprise des millions de fois; le fait rare est vu une fois et peut être écrasé par la moyenne. L'efficacité informationnelle du procédé est donc structurellement basse, et la comparaison avec l'apprentissage humain la rend quantitative.

Michael Frank a établi la comparaison de référence: les modèles de langage reçoivent quatre à cinq ordres de grandeur plus de données linguistiques qu'un enfant humain.[^151] Un enfant atteint une compétence linguistique complète sur un ordre de grandeur de dix millions à cent millions de mots entendus. Un modèle de frontière en consomme dix mille à cent mille fois plus pour atteindre une compétence linguistique différente, plus large sur la connaissance factuelle et plus fragile sur la généralisation hors distribution. L'argument d'inefficacité d'échantillonnage, également porté par Yann LeCun avec les modèles du monde contre les modèles du mot et par François Chollet sur la généralisation, repose sur cette mesure.

L'inefficacité serait une curiosité académique si elle n'avait pas de conséquence sur la demande de calcul. Elle en a une, directe: le calcul d'entraînement nécessaire est une fonction croissante du nombre de jetons ingérés, et le nombre de jetons ingérés est aujourd'hui dimensionné par une méthode qui n'exploite qu'une fraction de l'information de chaque jeton. Toute amélioration de l'exploitation informationnelle par jeton réduit mécaniquement le calcul nécessaire pour un niveau de capacité donné.

### 9.3 L'efficacité algorithmique double tous les huit mois

Cette réduction est mesurée. Anson Ho, Tamay Besiroglu, Ege Erdil, David Owen, Robi Rahman, Zifan Carl Guo, David Atkinson, Neil Thompson et Jaime Sevilla ont analysé plus de 200 évaluations de modèles de langage couvrant la période 2012 à 2023 et établi que le calcul nécessaire pour atteindre un niveau de performance fixé a été divisé par deux environ tous les huit mois, avec un intervalle de confiance à 95 % de 5 à 14 mois.[^152] C'est plus rapide que la loi de Moore. Les auteurs décomposent également l'apport des innovations: l'architecture transformeur à elle seule équivaut à près de deux ans de progrès algorithmique, et le passage aux proportions Chinchilla équivaut à 8 à 16 mois.

Le résultat est corroboré sur une autre modalité. Danny Hernandez et Tom Brown avaient mesuré que le calcul nécessaire pour atteindre le niveau d'AlexNet sur ImageNet avait été divisé par 44 entre 2012 et 2019, soit un doublement d'efficacité tous les 16 mois, alors que le matériel seul n'aurait apporté qu'un facteur 11.[^153] Ege Erdil et Tamay Besiroglu ont étendu la méthodologie de mesure à la vision par ordinateur et corroboré la persistance des gains logiciels multiplicatifs.[^154]

La traduction commerciale de ces gains est la variable qui compte pour la thèse. Le prix de l'inférence de niveau GPT-4 est passé d'environ 20 à 30 dollars par million de jetons en 2022 et 2023 à environ 0,40 à 0,80 dollar par million de jetons au printemps 2026, soit une baisse d'environ 95 % en deux ans et d'environ 1 000 fois en trois ans.[^155] Google a tarifé Gemini 3.1 Flash à 0,10 dollar par million de jetons en entrée et 0,40 dollar par million en sortie en avril 2026, soit une réduction de prix d'environ 99,7 % en trois ans.[^156] Les analyses de 2026 attribuent ce déclin à trois forces qui se composent: l'efficacité algorithmique, l'amélioration du matériel (de H100 à Blackwell, puis les circuits intégrés spécifiques à une application), et la concurrence tarifaire des modèles à poids ouverts, pour un rythme d'environ dix fois par an à score de référence constant depuis 2021.[^157] Ces trois forces sont livrées ici dans l'ordre où la source les recense.

L'objection appartient à la même équipe qui a produit la mesure. La décomposition de Shapley d'Epoch AI attribue de 60 à 95 % des gains de performance à la montée en échelle du calcul et des données, contre 5 à 40 % aux algorithmes, et note que les innovations algorithmiques sont souvent dépendantes de l'échelle.[^158] L'efficacité se substitue au calcul à niveau de capacité donné, elle ne s'y substitue pas à la frontière. Le niveau de preuve est fort et direct pour les taux d'efficacité mesurés (niveau de preuve: A), moyen pour la substitution complète (niveau de preuve: B).

Cette distinction est le cœur de l'argument de ce papier sur l'infrastructure. Une capacité donnée devient dix fois moins chère par an. La frontière, elle, continue de coûter plus cher. Ces deux mouvements sont compatibles et ils frappent des actifs différents: le second soutient la demande de calcul de frontière, le premier détruit la valeur du calcul construit pour servir des capacités qui seront banalisées avant l'amortissement de l'actif.

### 9.4 Le mur des données

La contrainte la plus dure sur le paradigme actuel est un stock. Pablo Villalobos, Anson Ho, Jaime Sevilla, Tamay Besiroglu, Lennart Heim et Marius Hobbhahn ont estimé le stock effectif de texte humain public de qualité ajustée à environ 300 000 milliards de jetons, entièrement utilisé entre 2026 et 2032 si les tendances se poursuivent.[^159] C'est le mur des données.

La position du mur mérite d'être lue avec attention: la fenêtre d'épuisement commence l'année en cours. Le paradigme d'ingestion par force brute décrit en 9.2 arrive à la limite de son intrant principal pendant la période même où l'infrastructure destinée à le servir est construite. La conséquence n'est pas l'arrêt des progrès, elle est le déplacement obligatoire de la source de progrès depuis l'accumulation de texte humain vers autre chose.

Les issues connues sont au nombre de trois, et elles sont livrées ici dans cet ordre. La première est la donnée sous licence et la donnée produite par contractants, c'est-à-dire l'achat de corpus non publics et la production dirigée de contenu spécialisé. La deuxième est la donnée synthétique, c'est-à-dire la génération de corpus par des modèles pour l'entraînement d'autres modèles. La troisième est le changement de source d'information, depuis le texte vers l'expérience: apprentissage par renforcement sur environnements vérifiables, interaction avec des outils, données multimodales et données du monde physique.

Les analyses de l'écosystème de données d'entraînement de 2026 décrivent les corpus de frontière comme six couches d'approvisionnement parallèles plutôt qu'un seul pipeline d'exploration du web, avec un centre de gravité qui se déplace des crawls bruts vers les flux sous licence, la donnée produite par contractants et la donnée synthétique.[^160]

La deuxième issue porte un risque documenté. Ilia Shumailov, Zakhar Shumaylov, Yiren Zhao, Yarin Gal, Nicolas Papernot et Ross Anderson ont établi que l'entraînement récursif sur du contenu généré par modèle provoque un effondrement de modèle irréversible, les queues de distribution disparaissant progressivement.[^161] La conséquence pratique est que la donnée synthétique fonctionne lorsqu'elle est vérifiée par un signal externe (un test unitaire qui passe, une preuve formelle qui se vérifie, une expérience qui réussit) et se dégrade lorsqu'elle est produite en boucle fermée sans ancrage. Le contexte aggrave l'enjeu: des estimations circulant en 2026 situent le contenu généré par intelligence artificielle à environ la moitié du nouveau contenu internet, ce qui contamine la source même de la première issue.[^162]

### 9.5 Distillation, compression et architectures sous quadratiques

Entre le mur des données et la demande de calcul se situe une couche technique dont l'effet économique est direct: l'ensemble des méthodes qui réduisent le coût d'exécution d'une capacité donnée.

La **distillation** consiste à entraîner un modèle compact à reproduire les sorties d'un modèle plus grand, transférant une part substantielle de la capacité pour une fraction des paramètres. L'**élagage** supprime les paramètres dont la contribution est négligeable. La **quantification** réduit la précision numérique de représentation des poids, divisant l'empreinte mémoire et augmentant le débit. Le **mélange d'experts** (mixture of experts, ou **MoE**) n'active qu'une fraction des paramètres par jeton, découplant la capacité totale du coût par requête. Le **décodage spéculatif** fait produire des jetons candidats par un petit modèle et les fait vérifier par lot par le grand, réduisant le nombre de passes coûteuses. Ces cinq techniques sont livrées dans l'ordre annoncé et leur empilement explique une part majeure de l'effondrement des prix d'inférence documenté en 9.3.

Une seconde ligne de travail attaque l'architecture elle-même. Albert Gu et Tri Dao ont introduit Mamba, modèle à espace d'états sélectif sans mécanisme d'attention, avec un débit d'inférence cinq fois supérieur à celui des transformeurs et une mise à l'échelle linéaire en longueur de séquence, contre quadratique pour l'attention.[^163] Les familles RWKV et Jamba prolongent la même direction sous quadratique. Sara Hooker, dans « On the Slow Death of Scaling », documente les fissures dans les lois d'échelle et soutient que la prochaine vague se définit par le coût d'adaptabilité plutôt que par la taille du modèle, en citant Falcon 180B (2023) surpassé par Llama 3 8B (2024) un an plus tard.[^164] Un modèle vingt-deux fois plus petit dépassant son prédécesseur en douze mois est la mesure la plus lisible de ce que l'efficacité algorithmique fait à la valeur d'un actif d'entraînement.

Les synthèses de praticiens de 2026 rapportent des plateaux spécifiques par classe de capacité: au-delà d'environ 30 milliards de paramètres pour les tâches de connaissance, au-delà d'environ 34 milliards pour le code, avec des coûts d'entraînement de modèles de frontière projetés entre 5 et 10 milliards de dollars.[^165] Cette source est secondaire et ses chiffres de plateau doivent être traités comme indicatifs.

L'objection la mieux formulée à cette section vient de Victor Dibia: la montée en échelle demeure l'infrastructure nécessaire, les gains d'efficacité chevauchent des capacités d'abord débloquées par de grands entraînements, et le calcul d'entraînement de frontière a continué de croître de 4 à 5 fois par an jusqu'en 2026, Epoch anticipant un plateau plutôt qu'un repli.[^166] L'objection est correcte et elle délimite la portée de la thèse: l'efficacité ne supprime pas le besoin de grands entraînements, elle supprime le besoin de dimensionner l'infrastructure de service comme si chaque capacité restait aussi coûteuse qu'à sa découverte.

### 9.6 DeepSeek comme preuve appliquée

Le passage de l'argument théorique à la preuve appliquée se fait par un cas unique et documenté. DeepSeek-V3 est un modèle à mélange d'experts de 671 milliards de paramètres, dont 37 milliards actifs par jeton, entraîné sur 14 800 milliards de jetons en 2,788 millions d'heures de processeur graphique H800, ce qui correspond au chiffre largement cité d'environ 5,6 millions de dollars pour l'entraînement.[^150] DeepSeek-R1, publié dans Nature en 2025, a incité la capacité de raisonnement par apprentissage par renforcement pur, sans trajectoires de raisonnement annotées par des humains.[^167]

Deux enseignements distincts sortent de ce cas. Le premier concerne le coût: l'ingénierie et les recettes de données se substituent à l'échelle brute dans une proportion mesurable, sur un modèle dont les poids et le rapport technique sont publics et donc vérifiables. Le second concerne la méthode: R1 démontre qu'un signal de récompense vérifiable remplace l'annotation humaine pour l'acquisition d'une capacité de haut niveau, ce qui est une réponse directe au mur des données de la section 9.4.

Le troisième enseignement concerne l'organisation. Amy Zegart et Emerson Johnston, dans une recherche de la Hoover Institution d'avril 2025, documentent l'équipe clé de DeepSeek: 31 contributeurs principaux, une moyenne de plus de 1 500 citations chacun, environ 98 % formés dans des institutions chinoises, et concluent que le leadership technologique se gagnera avec des stratégies plus intelligentes de compétition mondiale pour les talents autant qu'avec des puces plus rapides ou des modèles plus grands.[^168] Les profils publics situent l'effectif de recherche autour de 150 personnes, organisées en groupes plats orientés objectifs.[^169]

L'objection de 2026 renverse partiellement la lecture. La guerre des talents montre le capital achetant la compétence: Meta aurait offert à un chercheur une rémunération pouvant atteindre 1,5 milliard de dollars sur six ans, des primes de signature de 100 millions de dollars sont documentées pour un petit nombre de recrutements seniors, et en janvier 2026 Meta aurait recruté plus d'une douzaine de chercheurs avec des paquets atteignant 300 millions de dollars sur quatre ans.[^170] Les enquêtes de rémunération de 2026 chez OpenAI, Anthropic, DeepMind, Meta et xAI donnent une part d'actions de 40 à 70 % de la rémunération totale.[^171] Si le talent d'élite est acheté par les plus gros bilans, capital et savoir-faire se concentrent ensemble. Le niveau de preuve du déplacement de l'avantage vers le savoir-faire est donc moyen et indirect (niveau de preuve: B).

### 9.7 La diffusion open source et la déflation des avantages

La vitesse à laquelle une technique de frontière devient un bien public détermine la durée de vie d'un avantage concurrentiel, et cette vitesse est mesurée.

L'épisode R1 est l'expérience naturelle la plus propre. Chong Zhang et ses coauteurs ont publié « 100 Days After DeepSeek-R1 », recensant les études de réplication et documentant la reproduction par la communauté ouverte du raisonnement de type R1, par recettes d'ajustement supervisé (supervised fine-tuning, ou **SFT**) et par apprentissage par renforcement à récompenses vérifiables, en environ cent jours.[^172] Hugging Face avait lancé le projet Open-R1, pipeline de reproduction entièrement ouvert couvrant entraînement, évaluation et génération de données synthétiques, quelques jours après la publication de R1.[^173] La reproduction TinyZero, conduite par Jiayi Pan et son équipe à Berkeley, a fait émerger des comportements de raisonnement dans des modèles de 1,5 milliard de paramètres pour moins de 30 dollars de calcul.[^174]

Le canal de diffusion est mesurable. Le hub Hugging Face héberge plus de deux millions de modèles publics avec environ 40 000 nouveaux modèles par mois,[^175] et la plateforme dépassait 2,5 millions de modèles et 700 000 jeux de données en mai 2026, l'entreprise atteignant la rentabilité.[^176] Les statistiques de téléchargement de 2026 montrent que les modèles de moins d'un milliard de paramètres représentent environ 92 % des téléchargements du hub, soit environ 2,2 milliards de téléchargements cumulés.[^177] La diffusion se concentre dans les petits modèles efficaces, ce qui indique où la demande réelle de calcul déployé se situe.

L'écart de capacité entre modèles ouverts et fermés est désormais suivi comme une série temporelle. Epoch AI, dans une note du 29 mai 2026 couvrant la période du 1er janvier au 28 mai 2026, mesure que depuis janvier 2026 les meilleurs modèles à poids ouverts accusent un retard moyen de quatre mois sur les modèles fermés de frontière, soit huit points de son indice de capacité, comparable à l'écart entre deux versions successives d'un modèle de frontière.[^178] Un travail académique de Grogan, soumis en mars 2026, formalise la conséquence: le pré-entraînement à grande échelle ne constitue pas un fossé concurrentiel durable, les alternatives ouvertes approchent la performance de frontière, les coûts d'inférence s'effondrent, les entreprises applicatives consomment les modèles comme des commodités, et les poids ouverts servent la souveraineté des États.[^179]

L'objection est quantitative et elle corrige le chiffre. Une analyse publiée sur LessWrong soutient que l'écart est sous-estimé par les tests publics: sur des tests privés tenus hors échantillon, les modèles ouverts accusent un retard de 8 à 10 mois contre 4 à 6 sur les tests publics, et Epoch a mesuré un élargissement du retard, de trois mois en octobre 2025 à quatre mois en mai 2026.[^180] La banalisation est réelle et la prime de frontière n'a pas disparu. La diffusion reproduit par ailleurs les techniques publiées, non les pipelines de données, les environnements d'apprentissage par renforcement et l'infrastructure des laboratoires fermés: le secret s'est partiellement déplacé de l'architecture vers les données et le post entraînement, qui diffusent plus lentement.

Le niveau de preuve de la banalisation de la couche de capacité est moyen et indirect (niveau de preuve: B): la vitesse de diffusion est directement mesurée, l'érosion complète des fossés fondés sur l'infrastructure est une extrapolation que les données de retard de frontière ne soutiennent que partiellement.

La conséquence d'allocation est néanmoins nette. Un laboratoire dont l'avantage tient à une capacité de modèle fait face à une horloge de dépréciation de quatre mois sur cette capacité, mesurée par la source la plus rigoureuse disponible.[^178] Un actif d'infrastructure amorti sur cinq à six ans est adossé à une couche de capacité dont l'exclusivité se mesure en trimestres.

### 9.8 De la force brute à l'extraction des motifs

Le mouvement que cette section décrit a un contenu technique précis, et il est déjà documenté par une littérature évaluée par les pairs.

Ben Sorscher, Robert Geirhos, Shashank Shekhar, Surya Ganguli et Ari Morcos ont montré, dans un article distingué à NeurIPS 2022, qu'avec une bonne métrique d'élagage des données l'erreur peut décroître exponentiellement plutôt qu'en loi de puissance en fonction de la taille du jeu de données.[^181] Ce résultat est le plus important de la section pour la question de la demande de calcul: une donnée curée casse le régime de mise à l'échelle par force brute. Le régime en loi de puissance impose de multiplier le corpus par un facteur constant pour chaque décrément d'erreur; le régime exponentiel obtenu par sélection permet d'atteindre le même décrément avec une croissance de corpus bien moindre. La quantité d'information exploitée par jeton devient le levier, à la place du nombre de jetons.

L'apprentissage par renforcement sur récompense vérifiable est la seconde composante du mouvement. DeepSeek-R1 a produit une capacité de raisonnement sans démonstration humaine annotée, par incitation via récompense.[^167] La lignée AlphaZero avait établi le principe dans les jeux; R1 l'a établi dans le langage sur un modèle dont le rapport est public. La source du signal d'apprentissage se déplace du corpus vers l'environnement, ce qui contourne le mur des données sans dépendre de la génération récursive de texte.

La troisième composante est la tâche synthétique vérifiée. Le travail QUEST, publié en mai 2026, entraîne des agents de recherche approfondie avec seulement 8 000 tâches entièrement synthétisées, atteignant ou dépassant des agents fermés de frontière sur des tests de recherche.[^182] Huit mille tâches contre des dizaines de milliers de milliards de jetons: la comparaison des ordres de grandeur donne la mesure de ce que l'extraction structurée fait au besoin de données brutes, dans un domaine spécialisé.

Ces trois composantes (élagage curatif, récompense vérifiable, tâche synthétique vérifiée) sont livrées dans l'ordre annoncé et elles convergent sur un même effet. Le niveau de preuve du basculement complet est moyen et indirect (niveau de preuve: B): les briques évaluées par les pairs sont solides et les victoires appliquées sont réelles, la transition de paradigme est directionnelle et non consommée.

L'effet sur la demande de calcul d'entraînement doit être énoncé sans ambiguïté, parce que c'est la charnière entre cette section et les sections 10 et 11. Le calcul d'entraînement total ne diminue pas nécessairement: Epoch mesure toujours une croissance de 4 à 5 fois par an[^146] et anticipe un plateau plutôt qu'un repli.[^166] Ce qui change est la relation entre le calcul d'entraînement et la capacité livrée. Sous le régime de force brute, servir une capacité supplémentaire exigeait un corpus et un calcul proportionnellement plus grands, ce qui rendait la demande d'infrastructure prévisible et croissante. Sous un régime d'extraction des motifs, une part croissante de la capacité provient de la sélection, de la vérification et de la structuration, dont l'intensité en calcul par unité de capacité est plus faible et dont une partie s'exécute sur des modèles nettement plus petits.

Trois conséquences en découlent, et elles sont livrées dans cet ordre. D'abord, les projets d'infrastructure dont le rendement suppose que la conversion actuelle de calcul en capacité reste la norme sont exposés à une révision de cette conversion, et cette révision progresse à un rythme mesuré de division par deux tous les huit mois à capacité constante.[^152] Ensuite, la valeur se déplace vers les couches où le savoir-faire est le facteur rare: pipelines de données, environnements de vérification, recettes de post entraînement, tous domaines où la diffusion est plus lente que celle des architectures.[^180] Enfin, la déflation des prix d'inférence, environ dix fois par an à score constant depuis 2021,[^157] transfère continûment de la valeur des fournisseurs de capacité vers les consommateurs de capacité, ce qui soutient la demande en volume tout en comprimant la marge unitaire de ceux qui ont financé la capacité.

La section 10 traite de ce que cette compression fait au partage entre calcul d'entraînement et calcul d'inférence, et du matériel sur lequel ce dernier finira par s'exécuter.

## 10. Le piège de l'infrastructure

### 10.1 Deux demandes sous un seul mot

Le débat public traite « la demande de calcul pour l'IA » comme une grandeur homogène. Elle ne l'est pas. Epoch AI a formalisé la décomposition: un laboratoire capable d'arbitrer librement son calcul entre entraînement et inférence doit y consacrer des ressources comparables à performance fixée, ce qui fait des deux postes deux problèmes d'optimisation distincts, avec des économies distinctes[^183]. L'entraînement est discontinu, concentré sur quelques acteurs de frontière, assimilable à de la recherche et développement. L'inférence est continue, tirée par l'usage, directement liée au chiffre d'affaires. Les deux tolèrent des siliciums différents: l'inférence s'accommode de précisions faibles et de circuits spécialisés, l'entraînement exige la flexibilité.

Les ordres de grandeur ont basculé. Une estimation Deloitte présentée au CES de janvier 2026 situait l'inférence à environ 50 % de tout le calcul d'IA en 2025, avec une projection aux deux tiers pour 2026[^184]. Les analyses de mi 2026 convergent: le marché des puces optimisées pour l'inférence est estimé à 50 milliards de dollars pour 2026, soit 60 à 70 % d'un marché des accélérateurs d'IA d'environ 400 milliards de dollars, et les dépenses d'investissement des hyperscalers pour 2026 (630 à 725 milliards de dollars selon les décomptes) sont décrites comme majoritairement dirigées vers le silicium d'inférence[^185]. Selon les sources et les méthodologies, la part de l'inférence dans le calcul d'IA s'étale de 50 à 90 %, et Epoch AI rappelait en août 2025 que l'entraînement et l'expérimentation conservent une part importante de la consommation électrique[^186]; la fourchette reste incertaine, tandis que la direction fait consensus.

Le point d'ancrage le plus direct vient de Nvidia. Au trimestre clos en avril 2026 (résultats publiés le 20 mai 2026), le groupe a annoncé 81,6 milliards de dollars de chiffre d'affaires (en hausse de 85 % sur un an), dont 75,2 milliards pour les centres de données (en hausse de 92 %), et Jensen Huang a déclaré que « la génération de tokens d'inférence a été multipliée par dix en une seule année »[^187]. Le même communiqué souligne que les charges de raisonnement consomment de quelques centaines à quelques milliers de fois plus de tokens par tâche que l'inférence en un coup[^187]. Un investisseur qui évalue un projet de centre de données doit donc répondre à une question précise: ce site est-il construit pour la charge qui croît (le service de tokens) ou pour la charge qui se concentre (l'entraînement de frontière)? Traiter les deux comme un seul marché revient à mal valoriser les deux.

### 10.2 La flexibilité du GPU contre l'efficacité de l'ASIC

Le schéma est un classique de l'architecture des ordinateurs. Le matériel généraliste et flexible domine tant qu'une charge de travail évolue vite; une fois la charge stabilisée, un silicium spécialisé la capture avec un avantage de coût et d'énergie d'un ordre de grandeur. Le **GPU** (processeur graphique, matériel massivement parallèle et programmable) incarne la première phase; l'**ASIC** (circuit intégré spécifique à une application, figé pour une seule famille de calculs) incarne la seconde.

La preuve fondatrice est publiée et évaluée par les pairs. En 2017, l'équipe de Norman Jouppi et David Patterson a documenté le premier **TPU** (Tensor Processing Unit, l'ASIC d'apprentissage automatique de Google): une matrice de 65 536 multiplicateurs 8 bits délivrant 92 téra opérations par seconde en crête, mesurée en production « en moyenne 15 à 30 fois plus rapide » que les GPU K80 et CPU Haswell contemporains, avec un rendement énergétique (**TOPS** par watt, téra opérations par seconde par watt) « 30 à 80 fois supérieur », et un potentiel de près de 70 fois le GPU avec une mémoire plus rapide[^188]. Les auteurs concluaient que les grands progrès de coût et d'énergie devraient désormais venir du matériel spécifique à un domaine[^188]. La feuille de route a tenu: le TPU v4, publié en 2023, surpasse le v3 de 2,1 fois et améliore la performance par watt de 2,7 fois, à l'échelle de 4 096 puces par supercalculateur[^189]. Une décennie de courbe d'efficacité ASIC sur une charge stabilisée, mesurée et publiée.

En 2026, la migration est visible dans les chiffres de marché. Les analyses sectorielles agrégées à la mi 2026 donnent au marché des ASIC d'IA sur mesure une croissance annuelle moyenne d'environ 44,6 %, contre environ 16 % pour les GPU marchands, et projettent que les ASIC captureront la majorité des dépenses d'inférence dès 2027 (chiffres de tiers, à traiter avec prudence)[^190]. Les données fournisseurs de 2026 pointent dans la même direction: Groq sert Llama 3.3 70B à environ 750 tokens par seconde, facturés 0,59 et 0,79 dollar par million de tokens en entrée et en sortie, et revendique 40 à 60 % de consommation électrique en moins que les GPU à débit équivalent; Cerebras sert le même modèle à environ 2 100 tokens par seconde et revendique un rendement par téraflop environ dix fois supérieur[^191]. ByteIota rapporte le cas de Midjourney, qui aurait réduit ses coûts d'inférence de 65 % en migrant vers des TPU[^192]. Ces grandeurs de 2026 restent des affirmations de fournisseurs en attente de confirmation indépendante (la section 12 y revient); le socle physique de 2017 et 2023, lui, est passé par la revue par les pairs.

### 10.3 Les programmes de silicium sur mesure

Le comportement des acheteurs vaut plus qu'un discours. En 2026, chacun des grands opérateurs de nuage exploite ou monte en cadence son propre programme d'ASIC: Google avec le TPU v7 Ironwood, passé en disponibilité générale en avril 2026[^193]; Meta avec la lignée MTIA; Amazon avec Trainium 3; Microsoft avec Maia 200; OpenAI avec une puce d'inférence conçue avec Broadcom[^190]. Broadcom, le partenaire de conception commun à plusieurs de ces programmes, est crédité d'un carnet de commandes lié à l'IA d'environ 73 milliards de dollars (chiffre de tiers, à traiter avec prudence)[^190]. Ces cinq programmes représentent des milliards de dollars d'ingénierie engagés par les entreprises qui voient leurs propres factures internes de calcul, c'est-à-dire les acteurs les mieux informés du monde sur le vrai coût de servir un token sur GPU marchand.

La boucle se referme avec la conception assistée par IA. L'article de Nature de 2021 sur le placement de circuits par apprentissage par renforcement (méthodologie dite AlphaChip) génère « en moins de six heures » des plans de masse « supérieurs ou comparables à ceux produits par des humains », une tâche qui exigeait auparavant des mois d'ingénierie physique; la méthode a façonné les générations suivantes de TPU[^194]. L'adoption commerciale est massive: Synopsys revendique plus de 700 mises en fabrication en production via DSO.ai, Cadence plus de 1 000 conceptions achevées via Cerebrus, avec des clients nommés (Samsung, SK hynix, Renesas, MediaTek)[^195]. L'IA comprime le segment de conception du cycle, sans toucher aux files d'attente de fabrication ni aux délais des fonderies, qui dominent encore le calendrier entre un modèle et son silicium dédié (niveau de preuve A pour l'accélération de la conception, B pour le raccourcissement du cycle complet)[^194]. L'hypothèse plus lointaine d'ASIC spécifiques à un modèle produits sur un rythme d'électronique grand public reste spéculative (niveau de preuve D): les capacités hors du duopole de pointe montent (Huawei vise 1,6 million de dies Ascend en 2026, SMIC double sa capacité 7 nm), mais les rendements de la gravure avancée chinoise, environ 20 % sur le 5 nm en DUV selon la presse spécialisée, maintiennent le silicium de frontière dans un régime artisanal[^196].

### 10.4 NPU et inférence embarquée: les livraisons de mi 2026

Le troisième front du piège se trouve dans les poches et sur les bureaux. Le **NPU** (unité de traitement neuronal, l'accélérateur d'inférence intégré aux puces grand public) équipe désormais la majorité du renouvellement des parcs. Counterpoint Research prévoit que les smartphones capables d'IA générative représenteront 45 % des livraisons mondiales en 2026, contre 36 % en 2025, et 52 % en 2027, portés par les gammes premium d'Apple et de Samsung[^197]. Le marché global recule pourtant: les livraisons mondiales de smartphones sont attendues en baisse de 13,9 % sur un an, à 1,08 milliard d'unités en 2026, pendant que la part IA monte[^198]. Sur PC, les machines Copilot Plus ont franchi 42 % des livraisons de nouveaux portables Windows en juin 2026 avec la montée du Snapdragon X2[^199]. Apple avait déjà livré plus de 450 millions d'appareils compatibles Apple Intelligence à fin du premier trimestre 2026[^200].

La littérature académique confirme que cette base installée sait servir de vrais modèles. La revue systématique du déploiement de modèles de langage embarqués documente des charges significatives tournant sur des NPU de classe téléphone, via compression, quantification et accélération dédiée[^201], et le corpus sur l'intelligence de périphérie positionne l'inférence en bordure comme plus économique, plus rapide et plus respectueuse de la vie privée que le nuage pour une large classe de tâches[^202]. Deux limites tiennent la migration en respect: les TOPS affichés surestiment le débit utilisable et la bande passante mémoire, davantage que la puissance de calcul, borne la qualité des modèles embarqués[^203]; et le déplacement du trafic reste une histoire de capacité plus que de trafic mesuré, aucune source ne quantifiant encore le volume d'inférence nuagique effectivement remplacé (niveau de preuve B)[^197]. La conclusion opérationnelle demeure: chaque trimestre, des dizaines de millions d'appareils capables d'absorber la tranche basse de l'inférence sortent d'usine, et cette tranche basse est précisément celle qui domine les volumes routés (section 10.6).

### 10.5 La saturation des modèles et l'analogie du smartphone

Le piège de l'infrastructure a une composante logicielle: la saturation. Clayton Christensen a décrit le mécanisme sous le nom de surabondance de performance: quand la performance d'un produit dépasse ce que le marché de masse peut absorber, la base de la concurrence glisse vers la fiabilité, puis la commodité, puis le prix[^204]. Herbert Simon en avait posé le fondement comportemental dès 1956: les agents cessent d'optimiser une fois un niveau d'aspiration atteint[^205]. Le précédent le plus proche est le smartphone. Le cycle mondial de remplacement s'est étiré d'environ 2,4 ans à environ 3,5 ans en 2025, et 75 % des utilisateurs citent la batterie, 55 % l'écran endommagé, comme déclencheur du renouvellement, devant toute nouvelle fonctionnalité[^206]. TechCrunch rapportait le 1er août 2026 que le cycle mondial devrait s'étirer à quatre ans en 2026[^207]. Côté iPhone, 42 % des acheteurs américains remplaçaient un appareil détenu trois ans ou plus, contre 32 % un an plus tôt[^208].

Les données d'IA de 2026 dessinent la même pente. Le rapport Publicis Sapient 2026 sur l'IA en entreprise trouve 47 % des entreprises jugeant l'IA déjà pleinement capable de répondre à leurs besoins actuels, pendant que 42 % estiment leur organisation incapable d'en capter la valeur[^209]. L'économie des versions, formalisée par Deneckere et McAfee, prédit que la masse du surplus se capte dans les gammes dégradées et bon marché[^210]; le trafic routé le confirme. En avril 2026, OpenRouter acheminait plus de 20 000 milliards de tokens par semaine, les cinq modèles à plus forte croissance offraient tous un accès gratuit ou un prix sous 1 dollar par million de tokens, et les modèles d'origine chinoise dépassaient 45 % du trafic; par fournisseur, Xiaomi pesait 22,3 % des tokens routés, Anthropic 15,4 %, MiniMax 9,2 %, Alibaba 8,8 % et OpenAI 8,1 %[^211]. La semaine du 18 au 24 mai 2026, sur 28 900 milliards de tokens routés, Anthropic ne représentait que 12 % des tokens mais 46 % du chiffre d'affaires[^212]: la frontière se vend cher à une minorité pendant que le volume coule vers le bon marché.

Cette minorité est théorisée depuis quarante ans: Eric von Hippel a montré qu'un petit segment d'utilisateurs de pointe précède le marché de plusieurs années et tire la demande de frontière[^213]. Les données de revenus s'y superposent: environ 80 % du chiffre d'affaires d'Anthropic viendrait de la consommation d'API par les entreprises, avec plus de 1 000 clients au-dessus du million de dollars annuel (chiffres de tiers, à traiter avec prudence)[^214], et l'Anthropic Economic Index mesure une concentration forte des usages, le code dominant l'API[^215]. Le contre exemple existe et mérite d'être posé: environ 70 % du chiffre d'affaires d'OpenAI provient des abonnements grand public[^216], si bien que la frontière est aussi financée par la masse. La lecture prudente: le besoin structurel de la toute dernière génération se concentre chez une minorité technique qui la paie cher, pendant que la masse s'installe dans le suffisant et que le volume bascule vers les gammes à bas prix. Pour l'infrastructure, la conséquence est directe: un parc dimensionné pour servir la frontière à tout le monde surestime son marché.

### 10.6 Où les tokens seront réellement générés

L'ordre de grandeur du volume s'établit en premier. Sundar Pichai a annoncé à Google I/O en mai 2026 que Google traitait 3,2 quadrillions de tokens par mois, contre 480 000 milliards en mai 2025 et 9 700 milliards en 2024, soit environ 330 fois plus en deux ans[^217]. OpenRouter est passé d'environ 2 400 milliards de tokens par semaine en mai 2025 à 25 000 à 28 900 milliards en mai 2026[^212]. OpenAI servait environ 900 millions d'utilisateurs hebdomadaires à l'été 2026, sur un revenu annualisé d'environ 25 milliards de dollars début 2026, la directrice financière Sarah Friar indiquant fin juillet que le revenu annualisé de juillet dépassait celui de tout le deuxième trimestre[^218]. La demande d'intelligence n'a rien d'une bulle; la question est l'endroit où ces tokens seront produits.

Trois destinations se partagent l'avenir du token: les flottes centralisées d'ASIC, la périphérie et l'embarqué, et le centre GPU résiduel. Le papier de Grogan (2026) soutient que le centre économique de l'IA glisse du préentraînement vers l'inférence comme infrastructure: servir des modèles banalisés à coût unitaire décroissant est la couche où se concentrent la valeur et le contrôle stratégique[^219]. Epoch AI prévoit que le calcul d'inférence dépassera le calcul d'entraînement vers 2030, avec une part importante migrant vers les ASIC[^220]. En face, deux forces retiennent les tokens au centre: l'économie du traitement par lots, qui amortit les poids et le matériel sur des milliers de requêtes simultanées, un levier de coût qu'aucun appareil individuel ne possède[^221], et le calcul au moment du test, dont les charges de raisonnement multiplient les tokens par tâche de plusieurs ordres de grandeur et croissent plus vite que tout le reste[^222]. La pratique de 2026 est déjà l'arbitrage: le routage hybride, qui place chaque requête sur l'échelon le moins cher adéquat (appareil, bordure, nuage) selon la complexité, la latence et le coût, est décrit comme le standard de l'année[^223].

La thèse de ce papier n'exige pas que le centre se vide. Elle exige seulement que trois déplacements se produisent ensemble: du GPU vers l'ASIC au sein du centre (section 10.2, niveau de preuve A sur la direction), de la frontière vers le suffisant au sein de la demande (section 10.5, niveau de preuve B), et du centre vers la périphérie pour la tranche banalisée (section 10.4, niveau de preuve B). Le scénario fort, celui où cette triple migration casse l'économie des centres de données GPU centralisés, reste une hypothèse graduée (niveau de preuve C): le mécanisme est plausible et chaque ingrédient est vérifié, mais aucune destruction de demande centralisée n'est encore observée, et les forces de rappel (lots, raisonnement, taille des modèles) sont au moins aussi bien documentées[^224]. Le piège n'en est pas moins réel: les projets financés sur l'hypothèse que tous les tokens de 2029 seront générés sur des GPU marchands dans des campus géants portent seuls le risque de cette triple migration. La section suivante chiffre ce risque dans le temps.

Notes

## 11. Actifs échoués et calendrier

### 11.1 Une définition et un mécanisme

Un **actif échoué** (stranded asset) est, selon la définition canonique de Ben Caldecott, un actif ayant subi des dépréciations, dévaluations ou conversions en passifs prématurées et non anticipées[^225]. La littérature souligne que l'échouage d'actifs accompagne régulièrement le développement économique, bien au-delà du seul champ climatique[^226]. Appliqué au calcul: un centre de données devient un actif échoué quand ses hypothèses financières (taux d'utilisation, prix du token servi, génération de matériel hébergée) se périment plus vite que son béton. Le mécanisme n'exige aucun effondrement de la demande d'intelligence; il exige seulement un décalage entre le calendrier de l'actif et la cadence de son contenu.

### 11.2 Le calendrier contre la cadence

Trois horloges tournent à des vitesses incompatibles. Première horloge, la construction: un campus hyperscale se bâtit en 2 à 4 ans. Deuxième horloge, le réseau électrique: les attentes de raccordement atteignent 4 à 7 ans en Virginie du Nord, à Phoenix et à Dallas; la formule de Data Center Knowledge résume le problème: « en Virginie du Nord, l'attente du réseau est de sept ans, quand le bâtiment se construit en deux »[^227]. Les délais de livraison des transformateurs de sous-station dépassaient 160 semaines en 2026, contre environ 150 en 2025 et 140 en 2023[^228]; le Belfer Center de Harvard documentait en février 2026 l'ampleur du choc que l'IA impose au réseau américain[^229]. Troisième horloge, le silicium: Nvidia est passé à une cadence architecturale annuelle, confirmée au CES et à la GTC 2026: Blackwell Ultra au second semestre 2025, Vera Rubin au second semestre 2026, Rubin Ultra au second semestre 2027, Feynman en 2028[^230].

L'arithmétique est brutale. Un projet signé en 2025 et raccordé en 2029 aura vu défiler quatre générations de matériel entre sa conception et sa mise sous tension. Une salle dessinée autour d'une hypothèse de densité électrique par rack se révèle parfois physiquement incapable d'accueillir la génération suivante, dont la densité et le refroidissement diffèrent. Les conséquences se lisent déjà dans les carnets: 30 à 50 % de la capacité américaine prévue pour 2026 devrait être retardée ou annulée, et plus de 150 milliards de dollars de projets américains ont été bloqués ou retardés en 2025[^231],[^232]. Bill Dollins identifie les actifs les plus exposés: les coquilles électrifiées génériques dans des emplacements faibles, terrain bon marché, transmission contrainte, fibre médiocre[^233].

### 11.3 L'économie de l'amortissement: la critique de Burry et la défense de la cascade

Le débat comptable est l'expression financière de ce décalage. Michael Burry estime que les hyperscalers sous-déclareront leurs dotations aux amortissements d'environ 176 milliards de dollars sur 2026 à 2028, gonflant leurs bénéfices de plus de 20 %[^234]. Son argument: amortir sur 6 ans un GPU dont l'utilité de frontière dure 2 à 3 ans revient à étaler la perte au lieu de la constater. La défense mérite sa meilleure forme: State Street soutient que la critique confond le cycle d'obsolescence de l'entraînement de frontière (2 à 3 ans) avec le cycle d'utilité économique de la cascade matérielle, dans laquelle les GPU vieillissants descendent vers l'inférence et les charges internes, ce qui rend défendables des durées de vie de 4 à 6 ans; Nvidia avance le même argument[^235].

L'historique des politiques comptables donne la chronologie du bras de fer. Microsoft a allongé la durée de vie de ses serveurs de 4 à 6 ans en 2022, Alphabet est passé à 6 ans en janvier 2023, Meta à 5,5 ans au 1er janvier 2025. Amazon a rompu le mouvement en février 2025 en raccourcissant à 5 ans une partie de ses serveurs et équipements réseau, en invoquant le rythme de l'innovation en IA; l'effet sur les neuf mois clos le 30 septembre 2025: 889 millions de dollars d'amortissements supplémentaires et 677 millions de dollars de résultat net en moins[^236]. La cascade matérielle est une vraie défense tant que l'inférence reste sur GPU; elle s'affaiblit exactement dans la mesure où la section 10 a raison, car un monde où l'inférence stabilisée migre vers les ASIC et l'embarqué assèche le second étage de la cascade. La durée de vie comptable d'un GPU est donc une variable dépendante de la thèse de ce papier: chaque point de migration vers le silicium spécialisé raccourcit la vie économique réelle des flottes GPU, et le premier hyperscaler qui suivra Amazon vers le bas donnera le signal.

### 11.4 190 gigawatts annoncés, environ 5 en chantier

L'écart entre les annonces et le béton donne la mesure de la part spéculative du pipeline. Depuis 2024, les développeurs ont annoncé environ 190 **GW** (gigawatts) de capacité future; environ 5 GW seulement des 16 GW prévus pour 2026 sont effectivement en construction[^237]. Les dépenses d'investissement des plus grands acteurs du centre de données approchent 750 milliards de dollars en 2026, contre environ 450 milliards en 2025, et les attentes des analystes sur les dépenses 2027 des quatorze plus grands développeurs ont grimpé de 56 % entre août 2025 et février 2026[^237]. Depuis mai 2026, le facteur limitant n'est plus le capital ni les puces mais la couche électrique physique: transformateurs haute tension, appareillage moyenne tension[^237].

Stargate illustre la friction entre l'annonce et la réalité. Le programme atteignait environ 7 GW planifiés et plus de 400 milliards de dollars engagés fin 2025; en mars 2026, des pans de l'expansion OpenAI et Oracle ont été revus à la baisse au milieu de complexités de financement et d'hypothèses de demande révisées[^238]. À la mi 2026, 0,3 GW est opérationnel à Abilene, six autres sites américains sont en construction, avec plus de 9 GW projetés d'ici 2029, et le campus de 1 GW du Michigan se livre par phases jusqu'en 2027[^238],[^239]. Le pipeline est asymétrique: la première cohorte se livre et se loue, tandis que la queue de la file porte des promesses dont 30 à 50 % glissent déjà[^231],[^240].

### 11.5 Les structures de financement

La fragilité se loge dans le montage plus que dans le mètre carré. Trois structures dominent le financement de la vague: les neoclouds, loueurs de GPU financés par de la dette adossée aux puces elles-mêmes et à des contrats de location; les véhicules ad hoc (**SPV**, sociétés de projet isolant la dette hors des bilans des sponsors); et le financement circulaire de fournisseur, dans lequel un vendeur de calcul prend des participations dans des laboratoires qui lui rachètent du calcul. L'histoire fournit le gabarit de ce genre d'empilement: la manie ferroviaire britannique des années 1840, étudiée par Andrew Odlyzko comme la plus grande manie technologique de l'histoire, a écrasé le plus durement ceux qui avaient souscrit du capital au sommet[^241]; les actions ferroviaires ont chuté d'environ 50 % entre 1846 et 1850, et les pertes ont été aggravées par les appels sur les 90 % non libérés des actions partiellement payées: les souscripteurs tardifs portaient des engagements de capital ouverts dans la baisse[^242], l'analogue structurel des baux fermes pluriannuels de centres de données signés avant construction. Odlyzko montre que le schéma s'est répété dans les années 1860 avec de nouveaux instruments financiers[^243]; les SPV adossés aux GPU sont l'instrument nouveau de ce cycle-ci. L'objection de BloombergNEF garde sa place: la construction avance sur du capital engagé et de la demande contractualisée, ce qui distingue ce pipeline d'un pur troupeau[^244]. La réponse tient dans la chronologie: la demande contractualisée de 2026 sécurise les millésimes qui se livrent maintenant; elle ne dit rien de la solvabilité du paradigme au moment où la queue de la file, signée au pic, sera raccordée.

### 11.6 La première victime réalisée: Situational Awareness

Le 30 juillet 2026, la thèse de l'infrastructure a produit sa première victime de taille institutionnelle. Situational Awareness LP, le fonds spéculatif concentré sur l'IA fondé en 2024 par Leopold Aschenbrenner, ancien chercheur d'OpenAI et auteur de l'essai de juin 2024 du même nom, avait dépassé 20 milliards de dollars d'actifs sous gestion avec un gain net d'environ 270 % sur 2026 à fin mai et plus de 1 000 % depuis la création[^245]; le Financial Times rapportait un rendement net de 439 % au premier semestre 2026[^246]. Au pic, début juillet 2026, les encours approchaient 45 milliards de dollars, investis en positions longues concentrées et à effet de levier (rapporté jusqu'à 400 %) sur l'infrastructure de l'IA: SK Hynix, CoreWeave, Nebius, Micron, Bloom Energy[^247].

Puis le marché s'est retourné sur le segment exact que le fonds incarnait. L'indice Philadelphia Semiconductor a perdu 28,6 % depuis son pic du 22 juin 2026, l'indice Morgan Stanley Momentum TMT a chuté de 53,5 % en juillet, et les lignes concentrées du fonds ont perdu entre 35 et 47 % sur le mois[^247]. Les appels de marge de Goldman Sachs, JPMorgan et Bank of America ont contraint le fonds à céder l'intégralité de son portefeuille coté à Citadel avec une décote[^248],[^249]. Les encours sont retombés d'environ 45 à environ 10 milliards de dollars, le solde étant dominé par une participation privée d'environ 5 milliards dans Anthropic, et le véhicule continue comme fonds privé[^250]. SpotGamma décrit la mécanique: un étau à quatre mâchoires, positions longues en chute, positions courtes adverses, appels de marge, aucun capital frais[^251]. Certains chiffres circulant sur l'épisode (l'ampleur exacte du repli du fonds, la décote précise consentie à Citadel) n'étaient pas vérifiés indépendamment à la publication[^252]; les faits multi sourcés suffisent à la leçon. Elle est double. D'abord, le marché a montré en juillet 2026 qu'il savait réévaluer brutalement le complexe de l'infrastructure sans que l'adoption ralentisse, les volumes de tokens ayant continué de croître à travers l'épisode (section 10.6). Ensuite, le fonds a explosé sur le levier et l'encombrement alors que sa thèse semestrielle avait été spectaculairement juste; une défaillance de liquidité à l'intérieur d'un pari directionnel gagnant est la signature d'un cycle du capital entré en phase de retournement.

### 11.7 Millésimes sûrs, millésimes exposés

La grille de lecture par millésime découle des sections précédentes. Sont relativement protégés: les sites déjà livrés ou en livraison 2026 et 2027, préloués à des locataires de qualité d'investissement, dans des marchés où la vacance reste proche de ses plus bas et où la demande excède l'offre livrable[^253]; les sites dont le raccordement et les transformateurs sont sécurisés, l'équipement électrique étant devenu le goulot (160 semaines de délai)[^228],[^237]; et les campus détenus en propre par des hyperscalers pour leurs charges internes, où le risque d'utilisation est absorbé par un bilan qui contrôle aussi la demande. Sont exposés: les projets signés au pic de 2025 pour des livraisons 2028 et 2029, qui livreront dans le paradigme qui existera alors, comme les souscripteurs de 1846 livraient dans le marché de 1849[^241],[^242]; les coquilles génériques en emplacement faible[^233]; les montages mono locataire à dette ferme dont le modèle suppose une utilisation quasi pleine en inférence GPU centralisée (section 10.6, hypothèse de migration, niveau de preuve C)[^224]; et les flottes de neoclouds d'une seule génération, dont la valeur de gage fond à chaque étage de la cadence annuelle Rubin puis Feynman[^230]. La position à retenir: la variable discriminante d'un projet est la date à laquelle ses hypothèses de paradigme ont été figées, rapportée à la date de sa mise sous tension, davantage que sa taille ou l'identité de son locataire.

### 11.8 Le précédent de la fibre, avec sa désanalogie

La fibre télécom de 1998 à 2001 fournit le gabarit le plus proche. Le boom était financé par un mythe de demande, le « trafic Internet double tous les 100 jours » promu par WorldCom et UUNet, quand Odlyzko et Coffman mesuraient une croissance réelle de 75 à 150 % par an[^254]. Environ 2 000 milliards de dollars ont posé 80 à 90 millions de miles de fibre, dont 95 % restaient éteints en 2001; après l'éclatement, seuls 2,7 à 5 % de la capacité installée étaient allumés des années durant, les prix de la bande passante se sont effondrés jusqu'à 90 %, et le secteur a produit plus de 60 faillites, WorldCom et Global Crossing en tête[^255],[^256]. Pendant ce temps, le trafic a continué de doubler à peu près chaque année à travers la faillite des propriétaires de capacité[^257]: l'usage et le rendement du capital se sont découplés, exactement la configuration que la section 10 décrit pour les tokens. Les extrapolations linéaires de demande de calcul de 2025 et 2026 jouent le rôle du mythe des 100 jours.

La désanalogie doit être posée avec la même honnêteté. Le verre posé en 2000 avait une durée de vie physique de 20 à 30 ans; il a attendu la demande, a fini allumé, et est devenu le substrat du haut débit, du nuage et de la vidéo, comme le documente la littérature sur la fibre noire rallumée[^258],[^259]. Le silicium GPU s'obsolète sur une cadence architecturale de 1 à 3 ans[^230],[^234]: un excès de construction en IA échoue plus vite et se réutilise plus mal à la couche de la puce. Ce qui se réutilise bien, ce sont les coquilles, l'alimentation, le refroidissement et les droits de raccordement, dont la durée de vie se rapproche de celle de la fibre. Deuxième différence, favorable cette fois aux constructeurs: en 2026 la capacité se préloue des années à l'avance et le goulot est la livraison, pas la demande[^237],[^253], quand la fibre de 2000 se posait sans locataire. Le précédent télécom prédit donc la forme d'un éventuel accident (découplage usage contre capital, faillites concentrées chez les porteurs de capacité endettés, rachat à la casse par des consolidateurs) sans en garantir la reproduction à l'identique: la partie durable de l'actif est plus petite qu'en 2000, tandis que la demande est cette fois contractualisée en avance (niveau de preuve C pour l'analogie d'ensemble)[^260].

Notes

## 12. Les contre arguments, sous leur meilleure forme

Une thèse d'allocation vaut ce que valent les objections qu'elle a affrontées. Cette section présente les neuf contre arguments les plus solides relevés dans le corpus de preuves, chacun armé de ses meilleures pièces avant toute réponse.

### 12.1 La loterie du matériel: les architectures changent trop vite pour les ASIC

L'objection, à son meilleur. Sara Hooker a montré en 2020 que le progrès en apprentissage automatique est distordu par une « loterie du matériel »: les idées gagnent parce qu'elles conviennent au matériel installé, et tout silicium spécialisé est un pari sur la stabilité d'une charge de travail; si les architectures de modèles bifurquent (nouvelles variantes d'attention, nouvelles modalités, modèles à états), l'ASIC devient obsolète du jour au lendemain, quand le GPU programmable survit à la bifurcation[^261]. C'est exactement la raison pour laquelle les GPU dominent depuis quinze ans un champ de recherche en churn permanent.

La réponse. L'argument est valide pour la recherche de frontière et c'est précisément pourquoi la thèse ne prédit aucune disparition du GPU: l'entraînement et l'expérimentation restent son territoire. Le pari ASIC porte sur l'inférence de charges stabilisées, et la charge dominante (le transformeur en inférence) est stable depuis 2017, assez pour soutenir une feuille de route TPU de plus d'une décennie mesurée et publiée[^188],[^189]. Le comportement d'acheteurs parfaitement informés tranche dans le même sens: les cinq programmes de silicium sur mesure des hyperscalers sont des paris de plusieurs milliards sur la stabilité de la charge servie[^190]. Enfin, Hooker elle-même documentait en 2026 que l'optimisation quitte l'axe du calcul brut[^262]: un monde d'architectures figées plus longtemps est un monde encore plus favorable aux ASIC. Le vrai contenu résiduel de l'objection est un délai: chaque bifurcation architecturale remet le chronomètre ASIC à zéro, ce qui protège une part GPU durable sans protéger les volumes d'inférence banalisée.

### 12.2 Le batching et le calcul au moment du test recentralisent l'inférence

L'objection, à son meilleur. L'économie du service par lots favorise structurellement le centre: servir en batch élevé amortit les poids du modèle et le matériel sur des milliers de requêtes simultanées, un levier de coût qu'aucun appareil individuel ne possède, et les modèles de frontière excèdent la mémoire des appareils[^221]. S'y ajoute le calcul au moment du test: les modèles de raisonnement échangent des tokens supplémentaires contre de la précision, consomment de quelques centaines à quelques milliers de fois plus de tokens par tâche, constituent le segment qui croît le plus vite, et ne tournent pas sur un téléphone[^222],[^187]. Nvidia mesure la génération de tokens d'inférence multipliée par dix en un an[^187]. Un futur centré sur le token n'est donc pas un futur d'infrastructure légère.

La réponse. L'objection est en grande partie concédée, et elle ne sauve pas les actifs qu'elle semble défendre. Elle démontre que le centre garde du volume, sans démontrer que ce volume sera servi sur des GPU marchands dans les campus des millésimes tardifs. Le service par lots massifs fonctionne au moins aussi bien sur des flottes d'ASIC (TPU v7, Trainium 3, la puce OpenAI et Broadcom sont conçus exactement pour cela)[^190],[^193], et Epoch AI projette que l'inférence dépassera l'entraînement vers 2030 avec une part importante sur ASIC[^220]. La thèse vise le silicium et le millésime plutôt que l'existence du centre: une demande de raisonnement décuplée, mesurée par Nvidia sur un an[^187], reste compatible avec l'échec du projet GPU signé en 2025 pour 2029 sur ses hypothèses de matériel et de prix du token. Le routage hybride, standard de 2026, écrème par ailleurs la tranche banalisée vers l'appareil[^223], ce qui suffit à attaquer les hypothèses d'utilisation des montages les plus tendus (niveau de preuve C sur l'ampleur)[^224].

### 12.3 Les plafonds de mémoire des appareils bornent l'embarqué

L'objection, à son meilleur. Les TOPS affichés des NPU relèvent du marketing: le débit utilisable est une fraction du chiffre en vitrine, et la contrainte dure est la bande passante mémoire, qui borne la taille et la qualité des modèles embarqués très en dessous de la frontière[^203]. Un parc de 45 % de smartphones IA[^197] mesure des capacités livrées, pas du trafic déplacé; aucune étude ne mesure encore un volume d'inférence nuagique réellement remplacé par l'embarqué (niveau de preuve B, reconnu dans le corpus)[^197].

La réponse. Exact sur toute la ligne, et compatible avec la thèse, dont le canal embarqué ne prétend capter que la tranche basse. Or cette tranche basse est le gros des volumes: sur OpenRouter en avril 2026, les cinq modèles à plus forte croissance étaient gratuits ou sous 1 dollar par million de tokens[^211], soit exactement la classe de modèles qui tient dans un NPU de 2026 quantifié. Le déplacement pertinent pour l'économie des centres de données concerne les requêtes à faible marge dont les projets financés sur une utilisation quasi pleine ont besoin pour remplir leurs salles, davantage que les requêtes de frontière. La question du calendrier reste ouverte, et le papier la traite comme telle: la migration embarquée est une histoire de capacité installée en avance sur son trafic, à surveiller par la première étude de trafic déplacé (section 13.4).

### 12.4 Jevons absorbe tous les gains d'efficacité

L'objection, à son meilleur. Le paradoxe de Jevons, invoqué pour l'IA par Satya Nadella, veut que tout gain d'efficacité abaisse le coût effectif et augmente la consommation totale[^263]. La version quantifiée existe: une baisse de 1 % du prix du calcul génère 1,42 % de volume supplémentaire, une demande super élastique[^264], et Goldman Sachs projette une multiplication par 24 de la consommation mondiale de tokens entre 2026 et 2030[^265]. Chaque gain d'efficacité agrandit donc le marché des centres de données au lieu de le rétrécir; l'histoire du calcul n'a jamais montré autre chose.

La réponse. La thèse endosse Jevons; elle en tire la conclusion complète au lieu de la moitié. L'analyse d'Alcott précise le mécanisme: la consommation augmente, et elle migre vers la forme la moins chère de la ressource, qui n'est pas nécessairement l'infrastructure en place[^263]. Le précédent télécom est la démonstration historique de cette asymétrie: le trafic Internet a doublé à peu près chaque année à travers le krach de 2001 à 2003 pendant que les propriétaires de la capacité centralisée construite pour ce trafic faisaient faillite[^257]. Jevons garantit la demande d'intelligence, et cette demande ira se faire servir là où le token se produit le moins cher, sur un ASIC, en périphérie ou sur l'appareil, plutôt que dans une coquille GPU de 2028 mal raccordée. L'élasticité de 1,42 travaille pour le vainqueur de coût, quel qu'il soit.

### 12.5 Les runs de frontière continuent de croître

L'objection, à son meilleur. Les données réalisées contredisent tout aplatissement: Epoch AI mesure un calcul d'entraînement de frontière qui croît encore de 4 à 5 fois par an[^266], le deuxième trimestre 2026 a vu les cycles simultanés Grok 5, GPT-5.5 et DeepSeek V4 décrits comme le trimestre le plus dépensier de l'histoire de l'IA[^267], un run de préentraînement de frontière coûte 200 à 500 millions de dollars en 2026 à 10^26 à 10^27 **FLOP** (opérations en virgule flottante), avec des runs de 1 à 3 milliards projetés pour fin 2027[^268]. La décomposition de Shapley d'Epoch attribue 60 à 95 % des gains de performance à l'échelle du calcul et des données, contre 5 à 40 % aux algorithmes, souvent dépendants de l'échelle eux-mêmes[^269]; Dibia soutient que l'échelle reste le substrat nécessaire dont les gains d'efficacité dérivent[^270]. L'efficacité se comporte, jusqu'ici, en Jevons: elle augmente la dépense totale d'entraînement.

La réponse. Concédé sur l'observation: l'aplatissement de la demande d'entraînement de frontière n'est pas un fait réalisé, et le corpus le grade en conséquence (scénario, niveau de preuve C)[^271]. Trois précisions bornent la portée de la concession. Premièrement, la thèse théorique (Gundlach, Lynch et Thompson: les rendements marginaux du calcul brut se contractent au point que l'avantage des plus gros budgets s'érode[^271], et Ho et al.: le calcul nécessaire à performance fixée se divise par deux tous les 8 mois environ[^272]) est déjà observée sous la frontière, où toute cible de capacité fixée devient environ dix fois moins chère par an. Deuxièmement, même en croissance, l'entraînement de frontière se concentre sur une poignée de laboratoires et de campus dédiés: des runs à 500 millions de dollars ne remplissent pas 190 GW de pipeline, et le marché des accélérateurs est déjà aux deux tiers un marché d'inférence[^185]. Troisièmement, la dépense d'entraînement est un budget de recherche discontinu, sans lien contractuel avec le revenu, exactement le type de dépense qui se coupe en premier dans un retournement; les infrastructures de deuxième rang optimisées entraînement en portent le risque. La croissance des runs de frontière est donc compatible avec l'échouage des actifs qui ne servent pas ces runs.

### 12.6 L'écart de revenus accuse toute la pile, couche modèles comprise

L'objection, à son meilleur. David Cahn posait dès 2024 la « question à 600 milliards de dollars »: le trou entre les dépenses d'infrastructure et le revenu final nécessaire pour les justifier[^273]. En 2026, l'industrie dépense environ 400 milliards de dollars par an contre 50 à 60 milliards de revenus d'IA mesurés[^274]. McKinsey trouve 88 % des organisations utilisant l'IA mais seulement 39 % rapportant un impact sur le résultat d'exploitation, et 5,5 % de vrais performants[^275]. Cornell et Damodaran fournissent le cadre: dans un marché perçu comme énorme, chaque acteur est valorisé comme un futur vainqueur, et la capitalisation agrégée du secteur excède toute vision cohérente du marché; le TAM peut être réel et la majorité des fonds propres mal valorisée quand même[^276]. Pourquoi la couche modèles échapperait-elle au verdict qui condamne la couche infrastructure?

La réponse. La distinction tient aux trajectoires et aux structures de coût. Côté revenus, la couche modèles compose à des vitesses sans précédent dans le logiciel: OpenAI autour de 25 milliards de dollars de revenu annualisé début 2026, le mois de juillet dépassant à lui seul tout le deuxième trimestre[^218]; Anthropic rapporté autour de 30 milliards en avril 2026, majoritairement en API d'entreprise (chiffres de tiers, et gonflés par une comptabilisation brute des reversements aux revendeurs de nuage, à traiter avec prudence)[^214],[^277]; côté valeur d'usage, la compensation moyenne exigée pour renoncer un mois aux chatbots est passée de 98 dollars en juillet 2025 à 124,50 dollars en mars 2026, avec un surplus du consommateur américain estimé de 116 à 172 milliards de dollars, la médiane restant à 11,40 dollars[^278]. Un laboratoire dont le revenu compose à ces vitesses rejoint sa valorisation par la croissance; un bail ferme de centre de données signé en 2025 conserve, lui, des flux et des hypothèses figés jusqu'à l'échéance. L'écart de revenus est réel et il mord, mais il mord par couche: il désigne les acteurs dont les flux sont fixes et les hypothèses figées, c'est-à-dire la couche physique tardive, avant les acteurs dont les flux composent. Le garde-fou de Cornell et Damodaran reste valable à l'intérieur de la couche modèles: toutes les valorisations de laboratoires ne peuvent pas être simultanément justes, et le papier ne le prétend pas.

### 12.7 Le financement circulaire rend laboratoires et infrastructure conjointement fragiles

L'objection, à son meilleur. L'étude de risque systémique relayée en juillet 2026 à partir des travaux de la Banque des règlements internationaux décrit une boucle de valorisation fermée: les hyperscalers prennent des participations dans des laboratoires qui leur rachètent du calcul, si bien qu'un choc sur un nœud se propage à tous, et qu'un seul grand acheteur qui ralentit fait chuter le revenu de toute la grappe simultanément[^279]. Le boom dépasserait en taille toutes les bulles technologiques historiques, et la décomposition par couches, argument central de ce papier, serait illusoire puisque la finance a recouplé les couches que la technologie sépare.

La réponse. C'est l'objection la plus sérieuse du corpus, et la réponse honnête commence par une concession: la circularité recouple financièrement des couches aux risques opérationnels distincts, et c'est la voie de transmission la plus probable d'un accident. Juillet 2026 en a fourni la répétition générale: l'indice semi conducteurs en repli de 28,6 %, le panier momentum en chute de 53,5 %, un fonds de 45 milliards liquidé de force[^247],[^250], sans aucun ralentissement mesuré des tokens[^217],[^218]. Le krach s'est propagé par la finance (levier, encombrement, appels de marge) et s'est arrêté à la porte de l'usage. L'épisode vérifie la décomposition par couches en conditions réelles: le canal financier couple les prix des actifs sans coupler la demande. La conséquence pratique consiste à cartographier ce risque contrat par contrat plutôt qu'à le nier: participations croisées, engagements de calcul réciproques, dette de SPV adossée aux puces, clauses de take or pay. L'investisseur qui sait quels flux sont circulaires sait quelles valorisations tomberont ensemble, une information que l'agrégat « bulle de l'IA » ne fournit pas.

### 12.8 Les preuves d'efficacité des ASIC dépendent des benchmarks des fournisseurs

L'objection, à son meilleur. Ironwood a atteint la disponibilité générale en avril 2026 sans prix public à l'heure puce, et les comparatifs de coût circulants reposent sur des débits revendiqués par les vendeurs plutôt que sur des données **MLPerf** (la suite de référence indépendante de l'industrie) au niveau requis[^193]. Les chiffres de Groq et Cerebras sont du marketing fournisseur[^191]; en face, les gains générationnels de l'écosystème CUDA (B200, cycles MLPerf successifs) resserrent l'écart[^280]. L'avantage de coût des ASIC est davantage affirmé qu'audité.

La réponse. La critique est fondée sur les grandeurs de 2026 et le papier les traite en conséquence: les multiples précis des fournisseurs sont gradés B et cités comme revendications, pas comme mesures. Le socle de la thèse ne repose pas sur eux. Il repose sur deux choses. D'une part le dossier évalué par les pairs, indépendant des communiqués: les mesures TPU de 2017 (15 à 30 fois plus rapide, 30 à 80 fois plus efficace par watt) et de 2023 (2,7 fois par génération) sortent de la conférence ISCA, pas d'une plaquette[^188],[^189]. D'autre part la préférence révélée des acheteurs les mieux informés: cinq programmes de silicium sur mesure et un carnet Broadcom d'environ 73 milliards de dollars (chiffre de tiers)[^190] constituent un signal coûteux émis par des acteurs qui voient leurs coûts internes réels. Le point est falsifiable et le papier accepte le test: des soumissions MLPerf indépendantes comparant ASIC et GPU de même génération sur l'inférence de modèles ouverts arbitreront les multiples; leur absence prolongée affaiblirait la thèse (section 13.4).

### 12.9 La controverse AlphaChip fragilise l'argument du matériel conçu par l'IA

L'objection, à son meilleur. Igor Markov soutient que l'article de Nature de 2021 a retenu des éléments critiques de méthodologie et d'intrants, et que les reproductions indépendantes de la lignée Cheng et Kahng n'ont pas trouvé que le placeur par apprentissage par renforcement bat clairement les meilleures heuristiques existantes[^281]. Si l'accélération AlphaChip est contestée au niveau des benchmarks, la « boucle courte » entre un modèle et son silicium dédié, un des accélérateurs de la thèse, repose sur un résultat fragile.

La réponse. Il faut délimiter ce que la controverse conteste. Elle porte sur l'ampleur de l'avantage du placement par apprentissage par renforcement face aux heuristiques de pointe sur des bancs d'essai publics; l'usage en production chez Google n'est pas disputé, et l'addendum de Nature d'octobre 2024 documente que la méthodologie a façonné la génération suivante de TPU, en identifiant le préentraînement comme l'ingrédient omis par les reproductions[^194]. Surtout, l'argument du papier ne dépend pas d'un seul résultat de Google: les deux vendeurs dominants d'**EDA** (electronic design automation, la conception électronique assistée par ordinateur) comptent plus de 700 mises en fabrication via DSO.ai et plus de 1 000 conceptions via Cerebrus chez des clients nommés, avec des flux agentiques annoncés à la DAC 2026 avec Nvidia[^195]. La revendication retenue est graduée: A pour l'accélération de la conception en production, B pour le raccourcissement du cycle complet modèle vers silicium, la fabrication restant le goulot[^194]; et l'extension spéculative (des ASIC par modèle itérés comme de l'électronique grand public) est explicitement gradée D[^196]. Une controverse sur les benchmarks d'un des acteurs n'atteint pas une adoption commerciale multi fournisseurs de cette ampleur.

Notes

## 13. Synthèse et positionnement

### 13.1 La carte des acteurs

Le tableau suivant condense les cartographies d'acteurs du corpus de preuves en trois familles: gagnants durables, menacés, dormants. Le mécanisme compte plus que le nom: c'est lui qui dit à quelles conditions le classement change.

| Famille | Acteurs | Mécanisme |
| --- | --- | --- |
| Gagnants durables | TSMC et les acteurs du packaging | Toute issue de la migration silicium (GPU, ASIC, NPU) passe par leurs capacités; le goulot de fabrication est leur carnet de commandes[^196] |
| Gagnants durables | Broadcom | Partenaire de conception des programmes ASIC des hyperscalers, carnet IA rapporté autour de 73 milliards de dollars (chiffre de tiers)[^190] |
| Gagnants durables | Google | Seul acteur intégré du modèle au silicium: TPU v7 en disponibilité générale, AlphaChip dans la boucle de conception, 3,2 quadrillions de tokens mensuels servis[^193],[^194],[^217] |
| Gagnants durables | Apple, Qualcomm, Arm, MediaTek, Samsung | Propriétaires du canal NPU: 45 % des smartphones livrés en 2026 sont capables d'IA générative, 42 % des portables Windows neufs sont Copilot Plus[^197],[^199] |
| Gagnants durables | Synopsys et Cadence | Péage de la conception assistée par IA: plus de 700 et plus de 1 000 conceptions en production respectivement[^195] |
| Gagnants durables | Équipementiers du réseau électrique | 160 semaines de délai sur les transformateurs font de leur carnet l'actif rare du cycle[^228] |
| Gagnants durables | Nuages d'inférence spécialisés (Groq, Cerebras, Fireworks, Together AI, Baseten) et routeurs (OpenRouter) | Positionnés sur la charge qui croît, avec l'arbitrage de coût pour modèle d'affaires; OpenRouter a levé sa série B à 25 000 milliards de tokens hebdomadaires[^282] |
| Menacés | Neoclouds GPU sans stratégie de spécialisation (dont CoreWeave et Nebius, positions longues du fonds Situational Awareness) | Marge de revente compressée à mesure que les charges stables migrent; valeur de gage des flottes d'une génération érodée par la cadence annuelle[^230],[^247] |
| Menacés | Développeurs de mégacampus des millésimes 2028 et 2029 et coquilles génériques | Livraison dans un paradigme fixé des années plus tôt; 30 à 50 % du pipeline 2026 glisse déjà[^231],[^233] |
| Menacés | Prêteurs de SPV et montages de financement circulaire | Boucle de valorisation fermée; un nœud qui ralentit propage le choc à toute la grappe[^279] |
| Menacés | Fonds à levier concentrés sur le complexe infrastructure | Le précédent est réalisé: liquidation forcée de Situational Awareness le 30 juillet 2026[^248],[^250] |
| Menacés | Modèles d'affaires indexés sur la mise à niveau perpétuelle vers la frontière | 47 % des entreprises jugent l'IA actuelle suffisante; le volume coule vers les gammes sous 1 dollar par million de tokens[^209],[^211] |
| Dormants | Fonds de dette décotée et acheteurs secondaires d'infrastructure | Le rôle Citadel à l'échelle des sites: acheter campus à moitié construits, mégawatts et droits de raccordement à la casse[^250],[^255] |
| Dormants | Détenteurs de positions d'interconnexion et d'actifs électriques | L'actif dont la durée de vie excède le cycle du silicium; le goulot de 2026 est leur rente[^228],[^237] |
| Dormants | Concepteurs d'ASIC émergents (Etched, Tenstorrent), écosystème RISC-V, ASIC fab light sur nœuds matures | Bénéficiaires d'une itération silicium abaissée par l'EDA à IA; hypothèse graduée D sur le rythme électronique grand public[^196] |
| Dormants | Exécution embarquée et distribuée (llama.cpp, ExecuTorch, ONNX Runtime, réseaux d'inférence pair à pair) | Capteurs naturels de la tranche banalisée si le routage hybride se généralise[^201],[^223] |
| Dormants | Recyclage et reconditionnement d'accélérateurs | Jusqu'à 2,5 millions de tonnes de déchets électroniques d'infrastructure IA par an d'ici 2030 selon l'ONU; la chaîne de revente des A100 et H100 existe déjà[^283],[^284] |

### 13.2 La séquence observable

Une thèse d'allocation doit dire ce qui la confirmerait et ce qui la réfuterait. Sept marqueurs, dans l'ordre probable d'apparition, arbitreront celle-ci. Premier marqueur: des soumissions MLPerf indépendantes comparant ASIC et GPU de même génération sur l'inférence; des écarts de coût par token conformes aux revendications des fournisseurs confirment, une parité prolongée réfute[^193]. Deuxième marqueur: la part des ASIC sur mesure dans les dépenses d'inférence; le franchissement de la majorité projeté pour 2027 confirme, un plafonnement sous un tiers réfute[^190]. Troisième marqueur: les politiques d'amortissement des hyperscalers; un deuxième acteur suivant Amazon vers des durées raccourcies confirme la critique de Burry, une génération Rubin servant encore à pleine charge en 2030 la réfute[^234],[^236]. Quatrième marqueur: la convergence entre pipeline annoncé et béton; si la part construite des 190 GW reste de l'ordre du quarantième, l'excès annoncé se purge par annulation, ce qui est le scénario doux; une accélération des mises en chantier sans contrats d'achat correspondants durcirait le scénario[^237]. Cinquième marqueur: le premier abandon comptable majeur, dépréciation d'un mégacampus ou vente forcée d'un neocloud; juillet 2026 a fourni la version boursière de l'événement; la version comptable manque encore[^247]. Sixième marqueur: la première étude mesurant un trafic d'inférence nuagique effectivement déplacé vers l'embarqué; son existence transformerait la migration de capacité en migration de trafic[^197]. Septième marqueur: la trajectoire des tokens; une croissance qui se maintiendrait autour de 7 fois l'an chez Google à l'I/O 2027 confirmerait que la demande d'intelligence traverse le stress financier, comme elle a traversé juillet 2026[^217]. Si les tokens ralentissaient fortement en même temps que l'infrastructure se réévalue, la thèse de ce papier serait fausse et la lecture agrégée « bulle de l'IA » serait la bonne.

### 13.3 Le scénario du phénix

Carlota Perez décrit la séquence des révolutions technologiques: une phase d'installation financée par le capital spéculatif, une frénésie, un krach au point de retournement, puis une phase de déploiement conduite par le capital productif; dans ses termes, « le capital financier agit alors comme l'agent d'une destruction créatrice massive »[^285]. La configuration de 2026 coche les cases de la frénésie tardive: 750 milliards de dollars de dépenses d'investissement, 190 GW annoncés, un blowup à levier à la périphérie financière, et une courbe d'adoption qui n'a pas cillé[^237],[^247],[^217]. Le précédent télécom montre la suite: la fibre surconstruite a fini allumée et a porté le haut débit, le nuage et la vidéo pendant deux décennies[^258],[^259].

La version IA du phénix se dessine avec une correction importante, empruntée à l'objection de Dave Friedman: les âges d'or à la Perez ont couru sur des infrastructures durables achetées à la casse (rails, verre à 25 ans de durée de vie), quand le GPU s'obsolète en 1 à 3 générations[^286]. L'héritage durable de ce cycle sera fait de sites, de mégawatts, de refroidissement et de droits de raccordement; le silicium est le consommable. Le scénario, gradé comme hypothèse (niveau de preuve B sur le gabarit historique, la seconde moitié restant à observer)[^285]: un accident financier sur la couche infrastructure, transmis par les montages circulaires et le levier, réévalue violemment les actifs du paradigme sortant; les acquéreurs de la détresse achètent des mégawatts, pas des flottes; le coût de service du token, déjà en chute par la triple migration de la section 10, chute encore d'un cran sur l'infrastructure repricée; et le déploiement de l'IA accélère précisément parce que l'infrastructure a cessé d'être chère. Dans ce scénario, la une des journaux annoncera l'éclatement de la bulle de l'IA au moment exact où l'économie de l'intelligence deviendra assez bon marché pour se généraliser.

### 13.4 Conclusion du papier

Ce papier a soutenu une position en quatre blocs qui se résume en trois constats et un pari daté. Premier constat: « la bulle de l'IA » est une expression sans contenu analytique tant qu'on ne précise pas la couche visée; l'écosystème se décompose en couches aux risques distincts, et l'histoire des manias technologiques (chemins de fer, électricité, dot-com, fibre) montre des technologies qui composent à travers la ruine de leurs véhicules financiers[^241],[^256]. Deuxième constat: la demande d'intelligence se comporte en frontière mobile et les chiffres de 2026 sont sans ambiguïté, 3,2 quadrillions de tokens mensuels chez Google (330 fois le niveau de 2024), un milliard d'utilisateurs hebdomadaires approché chez OpenAI, des revenus de laboratoires qui composent en mois[^217],[^218]. Troisième constat: le risque systémique réel s'est logé dans l'infrastructure de calcul centralisée, dont les millésimes tardifs capitalisent la permanence d'un paradigme (entraînement GPU, inférence centralisée, cadence de mise à niveau perpétuelle) que trois forces documentées érodent simultanément: l'efficacité algorithmique, la saturation du suffisant, la spécialisation du silicium[^188],[^204],[^272].

Le pari daté, alors: la demande de tokens continuera de croître d'ordres de grandeur pendant que l'économie des projets de centres de données GPU tardifs, longs et centralisés se dégradera, et l'événement financier qui matérialisera cette dégradation sera raconté comme l'éclatement de la bulle de l'IA alors qu'il marquera une transition de paradigme matériel à l'intérieur d'un boom de l'intelligence. Juillet 2026 a livré le prologue: un indice semi conducteurs en repli de 28,6 %, un fonds emblématique liquidé de force, et des compteurs de tokens qui ont continué de tourner[^247],[^217]. L'allocation de capital qui découle de cette lecture tient en une phrase de méthode: financer la demande d'intelligence et les goulots durables (fabrication, silicium spécialisé, électricité, distribution embarquée), refuser de financer la permanence du paradigme, et dater chaque actif à l'année où ses hypothèses ont été figées. Les marqueurs de la section 13.2 diront, échéance après échéance, si cette lecture tient.

Notes

[^1]: CNBC, « Hyperscalers face higher capex scrutiny after Alphabet report panned », 28 juillet 2026, https://www.cnbc.com/2026/07/28/hyperscalers-face-higher-capex-scrutiny-after-alphabet-report-panned.html
[^2]: CNBC, « Leopold Aschenbrenner's Situational Awareness fund fire sale », 31 juillet 2026, https://www.cnbc.com/2026/07/31/leopold-aschenbrenner-situational-awareness-fund-fire-sale.html
[^3]: CNBC, « Why Leopold Aschenbrenner's Situational Awareness hedge fund imploded », 31 juillet 2026, https://www.cnbc.com/2026/07/31/why-leopold-aschenbrenner-situational-awareness-hedge-fund-imploded.html
[^4]: NPR, « Is an AI bubble brewing? Shiller PE Ratio nears levels seen before dot-com crash », 13 novembre 2025, https://www.npr.org/2025/11/13/nx-s1-5604845/is-an-ai-bubble-brewing-shiller-pe-ratio-nears-levels-seen-before-dot-com-crash
[^5]: Columbia University (blog), « Circular Financing », 2026, https://blogs.cuit.columbia.edu/gjb2124/circular-financing/
[^6]: Tom's Hardware, « Big Tech's AI spending plans reach 725 billion dollars », 2026, https://www.tomshardware.com/tech-industry/big-tech/big-techs-ai-spending-plans-reach-725-billion
[^7]: Bloomberg, « AI Circular Deals: How Microsoft, OpenAI and Nvidia Keep Paying Each Other », 2026, https://www.bloomberg.com/graphics/2026-ai-circular-deals/
[^8]: TechTimes, « AI Boom Outgrows Every Tech Bubble in History, BIS Systemic Risk Study Finds », 15 juillet 2026, https://www.techtimes.com/articles/320580/20260715/ai-boom-outgrows-every-tech-bubble-history-bis-systemic-risk-study-finds.htm
[^9]: Sundar Pichai, discours d'ouverture Google I/O 2025, mai 2025, https://blog.google/technology/ai/io-2025-keynote/
[^10]: Google, annonce Google I/O du 20 mai 2026 (3,2 millions de milliards de jetons par mois), relayée notamment par digit.in, shacknews.com et techweez.com, https://blog.google
[^11]: Business Wire, « OpenRouter raises 113 million dollars Series B led by CapitalG », 26 mai 2026, https://www.businesswire.com/news/home/20260526953416/en/
[^12]: Youngjin Yoo, Ola Henfridsson et Kalle Lyytinen, « Research Commentary: The New Organizing Logic of Digital Innovation: An Agenda for Information Systems Research », Information Systems Research 21(4), 2010, https://pubsonline.informs.org/doi/10.1287/isre.1100.0322
[^13]: Timothy Bresnahan et Manuel Trajtenberg, « General Purpose Technologies: Engines of Growth? », Journal of Econometrics 65(1), 1995, pages 83 à 108, https://www.nber.org/papers/w4148
[^14]: « Competition between AI foundation models: dynamics and policy recommendations », Industrial and Corporate Change 34(5), 2025, https://academic.oup.com/icc/article/34/5/1085/7942098
[^15]: CCIA, « Intense Competition Across the AI Stack », https://ccianet.org/articles/intense-competition-across-the-ai-stack/
[^16]: Qianan Wang et Zen Chen, « Boom, Bubble, or Buildout? A Multi-Method Evaluation of Whether Artificial Intelligence Is in an Ongoing Financial Bubble », juin 2026, arXiv, https://arxiv.org/abs/2606.01575
[^17]: ClearTake, « AI Bubble Index: How to Read the Layer Gauges », 2026, https://cleartake.ai/bubble-index/
[^18]: Arvind Narayanan et Akash Kapur, « Up the Stack: How AI's Escape From the Commodity Trap Risks Enterprise Lock-in », Normal Technology, 9 juillet 2026, https://www.normaltech.ai/p/up-the-stack-how-ais-escape-from
[^19]: Peter M. Garber, « Famous First Bubbles: The Fundamentals of Early Manias », MIT Press, 2000, référence vérifiée via https://en.wikipedia.org/wiki/Tulip_mania
[^20]: Robert J. Shiller, « Narrative Economics: How Stories Go Viral and Drive Major Economic Events », Princeton University Press, 2019, https://www.jstor.org/stable/j.ctvdf0jm5
[^21]: « Narrative Emotions and Market Crises », Journal of Behavioral Finance, Taylor and Francis, 2024, https://www.tandfonline.com/doi/full/10.1080/15427560.2024.2365723
[^22]: Andrew Odlyzko, « Telecom collapse », exposé ISSCC, University of Minnesota, https://www-users.cse.umn.edu/~odlyzko/talks/isscc-telecom-crash.pdf
[^23]: Carlota Perez, « Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages », Edward Elgar, 2002, https://en.wikipedia.org/wiki/Technological_Revolutions_and_Financial_Capital
[^24]: Paul Kedrosky, Sumant Wahi et Alex Preston, « The AI Bubble: Hidden Risks and Opportunities », Man Group, 19 février 2026, https://www.man.com/insights/the-ai-bubble
[^25]: Closelook, « Technological Revolutions and Financial Capital », 5 juillet 2026, https://www.closelook.net/library/technological-revolutions-and-financial-capital/
[^26]: Peter M. Garber, « Tulipmania », Journal of Political Economy 97(3), 1989, et « Famous First Bubbles », Journal of Economic Perspectives 4(2), 1990, références vérifiées via https://en.wikipedia.org/wiki/Tulip_mania
[^27]: Andrew Odlyzko, « Collective Hallucinations and Inefficient Markets: The British Railway Mania of the 1840s », University of Minnesota, 2010, https://www.researchgate.net/publication/228291464_Collective_Hallucinations_and_Inefficient_Markets_The_British_Railway_Mania_of_the_1840s
[^28]: Gareth Campbell, « Deriving the railway mania », Financial History Review, Cambridge University Press, https://www.cambridge.org/core/journals/financial-history-review/article/abs/deriving-the-railway-mania/2EA377886FE48B4BF2DD620D4F845991
[^29]: Gareth Campbell, « The railway mania: not so great expectations? », CEPR VoxEU, https://cepr.org/voxeu/columns/railway-mania-not-so-great-expectations
[^30]: Paul A. David, « The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox », American Economic Review 80(2), 1990, pages 355 à 361, référence vérifiée via https://en.wikipedia.org/wiki/Productivity_paradox
[^31]: ISE Magazine, « The Perils of Irrational Exuberance: The 25th Anniversary of The Dot-Com Boom », https://www.isemag.com/professional-development-leadership/article/55293922/the-perils-of-irrational-exuberancethe-25th-anniversary-of-the-dot-com-boom
[^32]: Wikipedia, « Telecoms crash », https://en.wikipedia.org/wiki/Telecoms_crash
[^33]: Andrew Odlyzko, « Internet traffic growth: Sources and implications », Proc. SPIE ITCom, 2003, https://www-users.cse.umn.edu/~odlyzko/doc/itcom.internet.growth.pdf
[^34]: Communications of the ACM, « Dark Fiber Is Lighting Up », https://cacm.acm.org/news/dark-fiber-is-lighting-p/
[^35]: Lime, « Overbuilding the Future: Why AI Is Repeating the Railways and Dark Fiber », 2026, https://lime.co/news/overbuilding-the-future-why-ai-is-repeating-the-railways-and-dark-fiber-144565/
[^36]: Build Inc., « AI infrastructure capex and data center development », 2026, https://build.inc/insights/ai-infrastructure-capex-data-center-development
[^37]: CNBC, « The question everyone in AI is asking: How long before a GPU depreciates? », 14 novembre 2025, https://www.cnbc.com/2025/11/14/ai-gpu-depreciation-coreweave-nvidia-michael-burry.html
[^38]: Dave Friedman, « GPU Obsolescence is Complicated », https://davefriedman.substack.com/p/gpu-obsolescence-is-complicated
[^39]: KKR, « Beyond the Bubble: Why AI Infrastructure Will Compound Long after the Hype », https://www.kkr.com/insights/ai-infrastructure
[^40]: The AI Consulting Network, « US data centers 2026: half delayed or canceled », 2026, https://www.theaiconsultingnetwork.com/blog/us-data-centers-2026-half-delayed-canceled-cre-investors
[^41]: Simon Labatt, « The AI Stack: A Map of Who Powers Enterprise AI in 2026 », 2026, https://www.labattsimon.com/blog/the-ai-stack-a-map-of-who-powers-enterprise-ai-in-2026
[^42]: « The Economics of AI Foundation Models: Openness, Competition, and Governance », arXiv, 2025, https://arxiv.org/pdf/2510.15200
[^43]: Zylos, « AI chip hardware acceleration 2026 », 1er février 2026, https://zylos.ai/research/2026-02-01-ai-chip-hardware-acceleration-2026/
[^44]: Enlit World, « Data centre assets left stranded by power constraints », fin 2025, https://www.enlit.world/library/data-centre-assets-left-stranded-by-power-constraints
[^45]: Connect CRE, « Popping the Data Center Bubble Concern », 2026, https://www.connectcre.com/stories/popping-the-data-center-bubble-concern/
[^46]: William Stanley Jevons, « The Coal Question », 2e édition, Macmillan, 1866, et Blake Alcott, « Jevons' paradox », Ecological Economics 54(1), 2005, pages 9 à 21, invocations de Nadella (Barron's, 28 janvier 2025) et Brynjolfsson (NPR, 4 février 2025) documentées via https://en.wikipedia.org/wiki/Jevons_paradox
[^47]: Mural et al., « AI, Data Centers, and the U.S. Electric Grid: A Watershed Moment », Harvard Kennedy School Belfer Center, février 2026, https://www.belfercenter.org/sites/default/files/2026-02/Mural%20et%20al_AI%20Data%20Centers%20Grid_20260206.pdf
[^48]: Utility Dive, « Utilities are spending billions on the data center boom. What are the risks? », 2026, https://www.utilitydive.com/news/utilities-data-center-risk-buildout-bubble-ai-infrastructure-grid/812781/
[^49]: ValueAddVC, « The Full AI Landscape 2026 », 2026, https://valueaddvc.com/ai-landscape
[^50]: David Cahn, « AI's 600B Dollar Question », Sequoia Capital, 20 juin 2024, https://www.sequoiacap.com/article/ais-600b-question/
[^51]: Martin Casado et Peter Lauten, « The Empty Promise of Data Moats », Andreessen Horowitz, 2019, https://a16z.com/the-empty-promise-of-data-moats/
[^52]: Thomas Eisenmann, Geoffrey Parker et Marshall Van Alstyne, « Platform Envelopment », Harvard Business School Working Paper 07-104, 2010, https://www.hbs.edu/ris/Publication%20Files/07-104.pdf
[^53]: Wikipedia, « Sherlock (software) », https://en.wikipedia.org/wiki/Sherlock_(software)
[^54]: Joseph A. Schumpeter, « Capitalism, Socialism and Democracy », 1942, chapitres sur la destruction créatrice, via https://en.wikipedia.org/wiki/Creative_destruction
[^55]: Eric von Hippel, « Democratizing Innovation », MIT Press, 2005, https://web.mit.edu/evhippel/www/democ1.htm et https://en.wikipedia.org/wiki/Eric_von_Hippel
[^56]: Nick Srnicek, « Platform Capitalism », Polity, 2016, référence vérifiée via https://en.wikipedia.org/wiki/Nick_Srnicek
[^57]: Colin Camerer et Dan Lovallo, « Overconfidence and Excess Entry: An Experimental Approach », American Economic Review 89(1), 1999, pages 306 à 318, https://www.aeaweb.org/articles?id=10.1257/aer.89.1.306
[^58]: Jerker Denrell, « Selection Bias and the Perils of Benchmarking », Harvard Business Review, avril 2005, https://hbr.org/2005/04/selection-bias-and-the-perils-of-benchmarking
[^59]: Sebastian Mallaby, « The Power Law: Venture Capital and the Making of the New Future », 2022, référence vérifiée via https://en.wikipedia.org/wiki/Sebastian_Mallaby
[^60]: Core, « Edge computing and AI inference 2026 », 2026, https://core.cz/en/blog/2026/edge-computing-ai-inference-2026/
[^61]: DSA Research, « Edge Inference vs. Centralized GPU Clusters », https://dsa-research.org/blog/edge-inference-vs-centralized-gpu/
[^62]: Thomas Eisenmann, Geoffrey Parker, Marshall Van Alstyne, « Platform Envelopment », Harvard Business School Working Paper 07-104, version révisée du 27 juillet 2010, https://www.hbs.edu/ris/Publication%20Files/07-104.pdf
[^63]: Wikipedia, « Sherlock (software) », https://en.wikipedia.org/wiki/Sherlock_(software)
[^64]: Arvind Narayanan, Akash Kapur, « Up the Stack: How AI's Escape From the Commodity Trap Risks Enterprise Lock-in », Normal Technology, 9 juillet 2026, https://www.normaltech.ai/p/up-the-stack-how-ais-escape-from
[^65]: ValueAddVC, « The Full AI Landscape 2026 », 2026, https://valueaddvc.com/ai-landscape
[^66]: Joseph A. Schumpeter, « Capitalism, Socialism and Democracy », 1942, chapitres sur la destruction créatrice, référence via https://en.wikipedia.org/wiki/Creative_destruction
[^67]: Wikipedia, « Terra (blockchain) », https://en.wikipedia.org/wiki/Terra_(blockchain)
[^68]: Wikipedia, « Bankruptcy of FTX », https://en.wikipedia.org/wiki/Bankruptcy_of_FTX
[^69]: TechTimes, « AI Boom Outgrows Every Tech Bubble in History, BIS Systemic Risk Study Finds », 15 juillet 2026, https://www.techtimes.com/articles/320580/20260715/ai-boom-outgrows-every-tech-bubble-history-bis-systemic-risk-study-finds.htm
[^70]: Eric von Hippel, « Democratizing Innovation », MIT Press, 2005, https://web.mit.edu/evhippel/www/democ1.htm; synthèse des résultats via https://en.wikipedia.org/wiki/Eric_von_Hippel
[^71]: Martin Casado, Peter Lauten, « The Empty Promise of Data Moats », Andreessen Horowitz, 2019, https://a16z.com/the-empty-promise-of-data-moats/
[^72]: Nick Srnicek, « Platform Capitalism », Polity, 2016, notice bibliographique via https://en.wikipedia.org/wiki/Nick_Srnicek
[^73]: David Cahn, « AI's $600B Question », Sequoia Capital, 20 juin 2024, https://www.sequoiacap.com/article/ais-600b-question/
[^74]: Columbia University (blog d'analyse), « Circular Financing », 2026, https://blogs.cuit.columbia.edu/gjb2124/circular-financing/
[^75]: Simon Labatt, « The AI Stack: A Map of Who Powers Enterprise AI in 2026 », 2026, https://www.labattsimon.com/blog/the-ai-stack-a-map-of-who-powers-enterprise-ai-in-2026
[^76]: Bloomberg, « AI Circular Deals: How Microsoft, OpenAI and Nvidia Keep Paying Each Other », 2026, https://www.bloomberg.com/graphics/2026-ai-circular-deals/
[^77]: Colin Camerer, Dan Lovallo, « Overconfidence and Excess Entry: An Experimental Approach », American Economic Review 89(1), 1999, pages 306 à 318, https://www.aeaweb.org/articles?id=10.1257/aer.89.1.306
[^78]: Jerker Denrell, « Selection Bias and the Perils of Benchmarking », Harvard Business Review, avril 2005, https://hbr.org/2005/04/selection-bias-and-the-perils-of-benchmarking
[^79]: Sebastian Mallaby, « The Power Law: Venture Capital and the Making of the New Future », 2022, notice bibliographique via https://en.wikipedia.org/wiki/Sebastian_Mallaby
[^80]: Tuan Anh Do, « The Jevons Paradox in AI Infrastructure: Efficiency, Rebound, and the Limits of Cost Reduction », SSRN, 2026, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6775299
[^81]: Tuan Anh Do, « The Cost Shift: Jevons' Paradox and the Restructuring of Enterprise AI Spend from Labor to Compute », SSRN, 2026, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7141759
[^82]: PDP Spectra, « AI Token Pricing Economics 2026 », 2026, https://pdpspectra.com/blog/ai-token-pricing-economics-2026/
[^83]: io fund, « AI Token Demand Shattering Forecasts », juillet 2026, https://io-fund.com/ai-stocks/ai-token-demand-shattering-forecasts
[^84]: io fund, « Token Growth Surging: Beneficiaries », 2026, https://io-fund.com/ai-stocks/token-growth-surging-beneficiaries
[^85]: Goldman Sachs, « AI Agents Forecast to Boost Tech Cash Flow as Usage Soars », 2026, https://www.goldmansachs.com/insights/articles/ai-agents-forecast-to-boost-tech-cash-flow-as-usage-soars
[^86]: Daron Acemoglu, Pascual Restrepo, « Automation and New Tasks: How Technology Displaces and Reinstates Labor », Journal of Economic Perspectives 33(2), 2019, pages 3 à 30, https://www.aeaweb.org/articles?id=10.1257%2Fjep.33.2.3
[^87]: Iain M. Cockburn, Rebecca M. Henderson, Scott Stern, « The Impact of Artificial Intelligence on Innovation: An Exploratory Analysis », NBER Working Paper 24449, 2018, https://www.nber.org/papers/w24449
[^88]: NBER, « When Does Automating AI Research Produce Explosive Growth? Feedback Loops in Innovation Networks », Working Paper 35155, 2025, https://www.nber.org/papers/w35155
[^89]: Daron Acemoglu, « The Simple Macroeconomics of AI », NBER Working Paper 32487, 2024, https://www.nber.org/papers/w32487
[^90]: International AI Safety Report 2026, https://arxiv.org/pdf/2602.21012
[^91]: TechXplore, « AI Assistants Accelerate Scientific Discoveries », mai 2026, https://techxplore.com/news/2026-05-ai-scientific-discoveries.html
[^92]: Stanford HAI, « How AI Is Transforming Scientific Discovery While Keeping Humans at the Center », 2026, https://hai.stanford.edu/news/how-ai-is-transforming-scientific-discovery-while-keeping-humans-at-the-center
[^93]: Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, Karim Lakhani, « Navigating the Jagged Technological Frontier », Organization Science, 2025, https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
[^94]: Shakked Noy, Whitney Zhang, « Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence », Science, 2023, https://www.science.org/doi/10.1126/science.adh2586
[^95]: PYMNTS, « ChatGPT Approaches 1 Billion Weekly Active User Milestone », juillet 2026, https://www.pymnts.com/news/artificial-intelligence/2026/chatgpt-approaches-1-billion-weekly-active-user-milestone/
[^96]: DemandSage, « ChatGPT Statistics », 2026, https://www.demandsage.com/chatgpt-statistics/
[^97]: Bloomberg, « OpenAI Unveils ChatGPT Work Agent to Field Tasks for Hours », 9 juillet 2026, https://www.bloomberg.com/news/articles/2026-07-09/openai-unveils-chatgpt-work-agent-to-field-tasks-for-hours
[^98]: Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, Tobias Salz, « The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers », Management Science, 2025, https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535
[^99]: Timothy F. Bresnahan, Manuel Trajtenberg, « General Purpose Technologies: Engines of Growth? », Journal of Econometrics 65, 1995, pages 83 à 108, https://www.nber.org/papers/w4148
[^100]: Paul A. David, « The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox », American Economic Review 80(2), 1990, http://www.dklevine.com/archive/refs4115.pdf
[^101]: SQ Magazine, « AI Market Statistics », 2026, https://sqmagazine.co.uk/ai-market-statistics/
[^102]: AI Statistics Center, « AI Market Size », 2026, https://aistatisticscenter.com/statistics/ai-market-size
[^103]: Grand View Research, « Artificial Intelligence Market », https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-market
[^104]: MarketsandMarkets, « Artificial Intelligence Market », https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-market-74851580.html
[^105]: Timothy F. Bresnahan et Manuel Trajtenberg, « General Purpose Technologies: Engines of Growth? », Journal of Econometrics 65, pp. 83 à 108, 1995 (NBER Working Paper 4148, 1992), https://www.nber.org/papers/w4148
[^106]: AI Statistics Center, prévision de dépenses mondiales en intelligence artificielle pour 2026, 2026, https://aistatisticscenter.com/statistics/ai-market-size
[^107]: Carlota Perez, « Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages », Edward Elgar, 2002, https://en.wikipedia.org/wiki/Technological_Revolutions_and_Financial_Capital
[^108]: « Boom, Bubble, or Buildout? A Multi-Method Evaluation of Whether Artificial Intelligence Is in an Ongoing Financial Bubble », arXiv, juin 2026, https://arxiv.org/pdf/2606.01575
[^109]: Histoire industrielle du kérosène (dossier documentaire), consulté en 2026, https://en.wikipedia.org/wiki/Kerosene
[^110]: Daniel Yergin, « The Prize: The Epic Quest for Oil, Money, and Power », Simon and Schuster, 1990, https://en.wikipedia.org/wiki/The_Prize:_The_Epic_Quest_for_Oil,_Money,_and_Power
[^111]: Paul A. David, « The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox », American Economic Review 80(2), 1990, http://www.dklevine.com/archive/refs4115.pdf
[^112]: Eleanor Wiske Dillon, Sonia Jaffe, Sida Peng, Alexia Cambon, « Early Impacts of M365 Copilot », arXiv:2504.11443, 2025, https://arxiv.org/abs/2504.11443
[^113]: DemandSage, statistiques ChatGPT, 2026, https://www.demandsage.com/chatgpt-statistics/
[^114]: FatJoe, compilation des statistiques d'usage de ChatGPT fondée sur les recherches d'usage d'OpenAI, juillet 2026, https://fatjoe.com/blog/chatgpt-stats/
[^115]: Bloomberg, « OpenAI Unveils ChatGPT Work Agent to Field Tasks for Hours », 9 juillet 2026, https://www.bloomberg.com/news/articles/2026-07-09/openai-unveils-chatgpt-work-agent-to-field-tasks-for-hours
[^116]: John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov et al., « Highly accurate protein structure prediction with AlphaFold », Nature 596(7873), pp. 583 à 589, 2021, DOI 10.1038/s41586-021-03819-2, https://pubmed.ncbi.nlm.nih.gov/34265844/
[^117]: Amil Merchant et al., « Scaling deep learning for materials discovery », Nature, 2023, DOI 10.1038/s41586-023-06735-9, https://pubmed.ncbi.nlm.nih.gov/38030720/
[^118]: Thomas Hubert et al., « Olympiad-level formal mathematical reasoning with reinforcement learning », Nature, 2026, DOI 10.1038/s41586-025-09833-y, https://pubmed.ncbi.nlm.nih.gov/41225005/
[^119]: Ali Essam Ghareeb et al., « A multi-agent system for automating scientific discovery », Nature 2026, DOI 10.1038/s41586-026-10652-y; Juraj Gottweis et al., « Accelerating scientific discovery with Co-Scientist », Nature 2026, DOI 10.1038/s41586-026-10644-y, rapportés le 20 mai 2026, https://techxplore.com/news/2026-05-ai-scientific-discoveries.html
[^120]: Stanford HAI, « How AI Is Transforming Scientific Discovery While Keeping Humans at the Center », 27 mai 2026, https://hai.stanford.edu/news/how-ai-is-transforming-scientific-discovery-while-keeping-humans-at-the-center
[^121]: Daron Acemoglu, « The Simple Macroeconomics of AI », NBER Working Paper 32487, 2024, publié en 2025 dans Economic Policy, https://www.nber.org/papers/w32487
[^122]: Philip Trammell et Anton Korinek, « Economic Growth under Transformative AI », NBER Working Paper 31815, 2023, révisé en avril 2026, https://www.nber.org/papers/w31815
[^123]: Aswath Damodaran, « SpaceX, OpenAI and Anthropic: The S&P 500 Inclusion Question and Investment Consequences », Musings on Markets, 18 juin 2026, https://aswathdamodaran.blogspot.com/2026/06/
[^124]: Sacra, profil d'entreprise Anthropic, 2026, https://sacra.com/c/anthropic/
[^125]: SQ Magazine, statistiques du marché de l'intelligence artificielle, 2026, https://sqmagazine.co.uk/ai-market-statistics/
[^126]: Sacra, profil d'entreprise OpenAI, 2026, https://sacra.com/c/openai/
[^127]: Technology Checker, statistiques ChatGPT, avril 2026, https://technologychecker.io/blog/chatgpt-statistics
[^128]: Sacra, profil d'entreprise xAI, 2026, https://sacra.com/c/xai/
[^129]: Bradford Cornell et Aswath Damodaran, « The Big Market Delusion: Valuation and Investment Implications », Financial Analysts Journal 76(2), 2020, DOI 10.1080/0015198X.2020.1730655, version SSRN 2019 DOI 10.2139/ssrn.3501688
[^130]: David Nguyen, Erik Brynjolfsson, Sophia Kazinnik, Avinash Collis, Felix Eggers, « What is Generative AI Worth? », SSRN, publié le 14 avril 2026, DOI 10.2139/ssrn.6569938
[^131]: doxoINSIGHTS, « 2026 U.S. Household Bill Pay Report », 2026, https://www.doxo.com/insights/2026-us-household-bill-pay-report/
[^132]: Anthropic, page tarifaire Claude, août 2026, https://claude.com/pricing
[^133]: Limelight Digital, statistiques d'utilisateurs ChatGPT, premier trimestre 2026, https://www.limelightdigital.co.uk/chatgpt-users/
[^134]: Ericsson, « Ericsson Mobility Report », juin 2026, https://www.ericsson.com/en/reports-and-papers/mobility-report
[^135]: Insight Research, projections de revenu mondial des services de télécommunications, cité dans le dossier documentaire du secteur, https://en.wikipedia.org/wiki/Telecommunications_industry
[^136]: Ramp AI Index, juin 2026, rapporté par Grey Journal, https://greyjournal.net/hustle/work-tech/how-much-companies-spend-ai-tokens-2026/
[^137]: Microsoft, tarification Microsoft 365 Copilot pour les entreprises, août 2026, https://www.microsoft.com/en-us/microsoft-365/copilot/business
[^138]: Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, Tobias Salz, « The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers », Management Science, 2025, https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535
[^139]: Menlo Ventures, « 2025: The State of Generative AI in the Enterprise », 9 décembre 2025, https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/
[^140]: Menlo Ventures, « Menlo's Investment in Fireworks: The Runtime for Specialized Intelligence », 16 juillet 2026, https://menlovc.com/perspective/menlos-investment-in-fireworks-the-runtime-for-specialized-intelligence/
[^141]: CNBC, « Hyperscalers face higher capex scrutiny after Alphabet report panned », 28 juillet 2026, https://www.cnbc.com/2026/07/28/hyperscalers-face-higher-capex-scrutiny-after-alphabet-report-panned.html
[^142]: Jared Kaplan, Sam McCandlish, Tom Henighan, Tom Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu, Dario Amodei, « Scaling Laws for Neural Language Models », arXiv, 2020, https://arxiv.org/abs/2001.08361
[^143]: Jordan Hoffmann et al., « Training Compute-Optimal Large Language Models », NeurIPS et arXiv, 2022, https://arxiv.org/abs/2203.15556
[^144]: Dario Amodei et Danny Hernandez, « AI and Compute », OpenAI, 2018, https://openai.com/index/ai-and-compute/
[^145]: Jaime Sevilla et al., « Compute Trends Across Three Eras of Machine Learning », arXiv, 2022, https://arxiv.org/pdf/2202.05924
[^146]: Epoch AI, « Training compute of frontier AI models grows by 4-5x per year », https://epoch.ai/publications/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
[^147]: Epoch AI, « Cost trend of large scale AI training runs », https://epoch.ai/data-insights/cost-trend-large-scale
[^148]: Epoch AI, « Model counts above compute thresholds », https://epoch.ai/publications/model-counts-compute-thresholds
[^149]: Nikhil Sardana et Jonathan Frankle, « Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws », arXiv, 2024, https://arxiv.org/pdf/2401.00448
[^150]: DeepSeek-AI, « DeepSeek-V3 Technical Report », arXiv, 2024, https://arxiv.org/abs/2412.19437
[^151]: Michael C. Frank, « Bridging the data gap between children and large language models », Trends in Cognitive Sciences, 2023, https://www.sciencedirect.com/science/article/abs/pii/S1364661323002036
[^152]: Anson Ho, Tamay Besiroglu, Ege Erdil, David Owen, Robi Rahman, Zifan Carl Guo, David Atkinson, Neil Thompson, Jaime Sevilla, « Algorithmic progress in language models », NeurIPS 2024 et arXiv, https://arxiv.org/abs/2403.05812
[^153]: Danny Hernandez et Tom Brown, « Measuring the Algorithmic Efficiency of Neural Networks », OpenAI et arXiv, 2020, https://arxiv.org/abs/2005.04305
[^154]: Ege Erdil et Tamay Besiroglu, « Algorithmic progress in computer vision », arXiv, 2022, https://arxiv.org/pdf/2212.05153
[^155]: ValueAdd VC, « How AI inference costs have dropped 95% in two years and what happens next », 2026, https://valueaddvc.com/blog/how-ai-inference-costs-have-dropped-95-in-two-years-and-what-happens-next
[^156]: AI Superior, guide des coûts de jetons des modèles de langage, 2026, https://aisuperior.com/llm-token-cost/
[^157]: GPUnex, « AI inference economics 2026 », 2026, https://www.gpunex.com/blog/ai-inference-economics-2026/
[^158]: Epoch AI, « Algorithmic progress in language models » (analyse et décomposition de Shapley), https://epoch.ai/blog/algorithmic-progress-in-language-models
[^159]: Pablo Villalobos, Anson Ho, Jaime Sevilla, Tamay Besiroglu, Lennart Heim, Marius Hobbhahn, « Will we run out of data? Limits of LLM scaling based on human-generated data », arXiv 2022, mis à jour 2024, ICML 2024, https://arxiv.org/pdf/2211.04325 et https://epoch.ai/publications/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data
[^160]: Semiautonomous Systems, « The training data ecosystem in 2026 », 2026, https://semiautonomous.systems/blog/training-data-ecosystem-2026/
[^161]: Ilia Shumailov, Zakhar Shumaylov, Yiren Zhao, Yarin Gal, Nicolas Papernot, Ross Anderson, « The Curse of Recursion: Training on Generated Data Makes Models Forget », 2023, version Nature 2024, https://arxiv.org/abs/2305.17493
[^162]: Future Picker, « AI training data crisis and synthetic collapse », 2026, https://futurepicker.com/en/ai-training-data-crisis-synthetic-collapse-2026-en/
[^163]: Albert Gu et Tri Dao, « Mamba: Linear-Time Sequence Modeling with Selective State Spaces », COLM 2024 et arXiv 2023, https://arxiv.org/abs/2312.00752
[^164]: Sara Hooker, « On the Slow Death of Scaling », SSRN, 2026, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5877662
[^165]: Build Fast with AI, « LLM scaling laws explained », 2026, https://www.buildfastwithai.com/blogs/llm-scaling-laws-explained
[^166]: Victor Dibia, « Is Scaling a Dead End? Why Model Scaling is Necessary Infrastructure », 2026, https://newsletter.victordibia.com/p/is-scaling-a-dead-end-why-model-scaling
[^167]: DeepSeek-AI, « DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning », Nature 645, pp. 633 à 638, 2025, https://arxiv.org/abs/2501.12948
[^168]: Amy Zegart et Emerson Johnston, « A Deep Peek into DeepSeek AI's Talent and Implications for US Innovation », Hoover Institution, avril 2025, https://www.hoover.org/research/deep-peek-deepseek-ais-talent-and-implications-us-innovation
[^169]: ChinaTalk, « DeepSeek's Secret to Success », https://www.chinatalk.media/p/deepseeks-secret-to-success, et Tech in Asia, profil de l'équipe DeepSeek, https://www.techinasia.com/news/chinas-deepseek-relies-young-team-challenge-giants
[^170]: Why So Geek, « Meta Superintelligence Labs AI talent war », juin 2026, https://whysogeek.com/meta-superintelligence-labs-ai-talent-war-june-2026/
[^171]: Jobs by Culture, enquête de rémunération des ingénieurs et chercheurs en intelligence artificielle, 2026, https://jobsbyculture.com/blog/ai-engineer-researcher-salary-2026
[^172]: Chong Zhang, Yue Deng, Xiang Lin, Bin Wang, Dianwen Ng, Hai Ye, Xingxuan Li, Yao Xiao, Zhanfeng Mo, Qi Zhang, Lidong Bing, « 100 Days After DeepSeek-R1: A Survey on Replication Studies and More Directions for Reasoning Language Models », arXiv, 2025, https://arxiv.org/abs/2505.00551
[^173]: Hugging Face, projet Open-R1, lancé en janvier 2025, https://github.com/huggingface/open-r1
[^174]: Solo Soft, « TinyZero and the R1 reproduction wave », 2026, https://www.solosoft.dev/post/tinyzero-r1-reproduction-2026/ et https://unanswered.io/guide/has-deepseek-been-replicated
[^175]: Agent Market Cap, « Hugging Face agents hub: open ecosystem versus proprietary marketplaces », 8 avril 2026, https://agentmarketcap.ai/blog/2026/04/08/hugging-face-agents-hub-open-ecosystem-vs-proprietary-marketplaces
[^176]: Tokens Cost, « Hugging Face sustainable monetization », mai 2026, https://tokenscost.com/blog/hugging-face-sustainable-monetization-2026
[^177]: Programming Helper, « Hugging Face 2026: 2 million models, 80 percent downloads », 2026, https://www.programming-helper.com/tech/hugging-face-2026-2-million-models-80-percent-downloads-python
[^178]: Epoch AI, « The gap between open and closed models » (indice de capacité, période du 1er janvier au 28 mai 2026), 29 mai 2026, https://epoch.ai/data-insights/open-closed-eci-gap
[^179]: Grogan, « The End of the Foundation Model Era: Open-Weight Models, Sovereign AI, and Inference as Infrastructure », arXiv, soumis le 18 mars 2026, https://arxiv.org/abs/2604.06217
[^180]: LessWrong, « How far behind are open models? », https://www.lesswrong.com/posts/rJcCrXyEsJKmmDpWG/how-far-behind-are-open-models
[^181]: Ben Sorscher, Robert Geirhos, Shashank Shekhar, Surya Ganguli, Ari Morcos, « Beyond neural scaling laws: beating power law scaling via data pruning », NeurIPS 2022 (Outstanding Paper Award), https://arxiv.org/abs/2206.14486
[^182]: « QUEST: Training Frontier Deep Research Agents with Fully Synthetic Tasks », arXiv, 2026, https://arxiv.org/abs/2605.24218
[^183]: Epoch AI (Erdil et al.), Optimally Allocating Compute Between Inference and Training, https://epoch.ai/publications/optimally-allocating-compute-between-inference-and-training
[^184]: Computerworld, CES 2026: AI compute sees a shift from training to inference, janvier 2026, https://www.computerworld.com/article/4114579/ces-2026-ai-compute-sees-a-shift-from-training-to-inference.html
[^185]: AgentMarketCap, AI inference overtakes training: two thirds of 2026 compute, avril 2026, https://agentmarketcap.ai/blog/2026/04/17/ai-inference-overtakes-training-two-thirds-2026-compute; ValueAddVC, Inference chips vs training chips, https://valueaddvc.com/blog/inference-chips-vs-training-chips-why-the-next-semiconductor-race-is-different
[^186]: Epoch AI, The Epoch AI Brief, août 2025, https://epochai.substack.com/p/the-epoch-ai-brief-august-2025
[^187]: Nvidia, communiqué de résultats du premier trimestre fiscal 2027, 20 mai 2026, https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Announces-Financial-Results; analyse: Intellectia, NVDA earnings analysis, mai 2026, https://intellectia.ai/blog/nvda-stock-earnings-analysis-may-2026
[^188]: Jouppi, Young, Patil, Patterson et al., In Datacenter Performance Analysis of a Tensor Processing Unit, ISCA 2017, https://arxiv.org/abs/1704.04760
[^189]: Jouppi et al., TPU v4: An Optically Reconfigurable Supercomputer for Machine Learning, ISCA 2023, https://arxiv.org/abs/2304.01433
[^190]: Analyses sectorielles agrégées, mi 2026, via https://html.duckduckgo.com/html/?q=ASIC+vs+GPU+inference+2026+custom+silicon+shift+Google+TPU+Broadcom+OpenAI+Meta+MTIA
[^191]: Comparatifs fournisseurs et sites spécialisés, 2026, via https://html.duckduckgo.com/html/?q=Groq+LPU+energy+efficiency+cost+per+token+vs+GPU+Cerebras+inference+MLPerf+2026
[^192]: ByteIota, AI Inference Costs 2026: The Hidden 15 to 20x GPU Crisis, 2026, https://byteiota.com/ai-inference-costs-2026-the-hidden-15-20x-gpu-crisis/
[^193]: Spheron, Google TPU v7 Ironwood vs NVIDIA B200: Inference Cost, 2026, https://www.spheron.network/blog/google-tpu-v7-ironwood-vs-nvidia-b200-inference-cost/
[^194]: Mirhoseini, Goldie et al., A graph placement methodology for fast chip design, Nature 594, 2021, https://www.nature.com/articles/s41586-021-03544-w; addendum: Goldie, Mirhoseini, Yazgan et al., Nature 634, octobre 2024, DOI 10.1038/s41586-024-08032-5
[^195]: Synopsys, DSO.ai, https://www.synopsys.com/ai/ai-powered-eda/dso-ai.html; Cadence, Cerebrus AI Studio, https://www.cadence.com/en_US/home/tools/digital-design-and-signoff/soc-implementation-and-floorplanning/cadence-cerebrus-ai-studio.html
[^196]: Presse spécialisée agrégée sur les capacités chinoises, 2026, via https://html.duckduckgo.com/html/?q=China+chip+production+capacity+2026+SMIC+expansion+Huawei+Ascend+status
[^197]: Counterpoint Research, GenAI smartphone share to rise to 45 percent of global shipments in 2026, 2026, https://www.counterpointresearch.com/en/insights/genai-smartphone-share-to-rise-to-45-percent-of-global-shipments-in-2026
[^198]: Communications Today (données Counterpoint), GenAI smartphones to make up 45 percent of global shipments in 2026, 2026, https://www.communicationstoday.co.in/genai-smartphones-to-make-up-45-of-global-shipments-in-2026/
[^199]: AIPC Index, juin 2026, https://aipc.computer/index
[^200]: PC Central, Apple Intelligence iPhone shipments hit 450 million Q1 2026, 2026, https://pccentral.net/apple-intelligence-iphone-shipments-hit-450-million-q1-2026/
[^201]: On Device Language Models: A Comprehensive Review, 2024, arXiv, https://arxiv.org/html/2409.00088v1
[^202]: Mobile Edge Intelligence for Large Language Models: A Contemporary Survey, 2024, arXiv, https://arxiv.org/abs/2407.18921
[^203]: SolidAITech, NPU Guide: TOPS Marketing vs Reality, juin 2026, https://www.solidaitech.com/2026/06/npu-guide-tops-marketing-vs-reality.html
[^204]: Clayton M. Christensen, The Innovator's Dilemma, Harvard Business School Press, 1997; synthèse: https://www.christenseninstitute.org/theory/disruptive-innovation/
[^205]: Herbert A. Simon, Rational Choice and the Structure of the Environment, Psychological Review 63, 1956, https://pubmed.ncbi.nlm.nih.gov/13310708/
[^206]: SellCell, How Often Do People Upgrade Their Phone?, page statistique 2026 (données 2025), https://www.sellcell.com/blog/how-often-do-people-upgrade-their-phone/
[^207]: TechCrunch, Should you still buy your next smartphone or subscribe to it instead?, 1er août 2026, https://techcrunch.com/2026/08/01/should-you-still-buy-your-next-smartphone-or-subscribe-to-it-instead/
[^208]: iDropNews, How Long Do People Keep iPhones? 2026 Upgrade Data, 2026, https://www.idropnews.com/news/why-iphone-upgrade-cycles-are-longer/261990/
[^209]: Publicis Sapient, 2026 Global Enterprise AI Report, 2026, https://www.publicissapient.com/company/news/ai-adoption-enterprise-readiness-report-2026
[^210]: Deneckere et McAfee, Damaged Goods, Journal of Economics and Management Strategy 5(2), 1996, https://onlinelibrary.wiley.com/doi/10.1111/j.1430-9134.1996.00149.x
[^211]: Digital Applied, OpenRouter Rankings April 2026: Top AI Models by Data, 2026, https://www.digitalapplied.com/blog/openrouter-rankings-april-2026-top-ai-models-data
[^212]: Nodemini, OpenRouter token weekly rankings and billing market share, semaine du 18 au 24 mai 2026, https://nodemini.com/en/blog/2026-openrouter-token-weekly-rankings-billing-market-share.html
[^213]: Eric von Hippel, Lead Users: A Source of Novel Product Concepts, Management Science 32(7), 1986, https://pubsonline.informs.org/doi/10.1287/mnsc.32.7.791
[^214]: Trackers de revenus tiers sur Anthropic, mi 2026, via https://html.duckduckgo.com/html/?q=Anthropic+revenue+2026+API+enterprise+share+ARR+coding
[^215]: Anthropic Economic Index, rapports 2025 et 2026, https://www.anthropic.com/economic-index
[^216]: ValueAddVC, OpenAI Revenue 2026, https://valueaddvc.com/blog/openai-revenue-2026-20b-arr-4b-month-path-to-profitability
[^217]: Sundar Pichai, keynote Google I/O 2026, mai 2026, https://blog.google/innovation-and-ai/sundar-pichai-io-2026/
[^218]: CNBC, OpenAI CFO Sarah Friar tells employees ARR in July topped all of Q2, 29 juillet 2026, https://www.cnbc.com/2026/07/29/openai-cfo-sarah-friar-tells-employees-arr-in-july-topped-all-of-q2.html; AIBusinessWeekly, OpenAI statistics, juillet 2026, https://aibusinessweekly.net/p/openai-statistics
[^219]: Grogan, The End of the Foundation Model Era: Open-Weight Models, Sovereign AI, and Inference as Infrastructure, 2026, arXiv, https://arxiv.org/abs/2604.06217
[^220]: Epoch AI, Trading Off Compute in Training and Inference, https://epoch.ai/publications/trading-off-compute-in-training-and-inference; couverture de la prévision 2030: https://phemex.com/news/article/epoch-ai-forecasts-inference-compute-to-surpass-model-training-by-2030-86253
[^221]: The Economics of LLM Inference: Batch Economics, https://mlechner.substack.com/p/the-economics-of-llm-inference-batch
[^222]: Genius Tech Lab, Reasoning models break inference economics, 28 juin 2026, https://geniustechlab.com/posts/2026-06-28-reasoning-models-test-time-compute-economics
[^223]: Data Gate, Edge AI vs Cloud cost analysis 2026, https://data-gate.ch/edge-ai-vs-cloud-cost-analysis-2026/
[^224]: Spheron, AI Inference Cost Economics 2026, https://spheron.network/blog/ai-inference-cost-economics-2026/
[^225]: Ben Caldecott, Introduction to special issue: stranded assets and the environment, Journal of Sustainable Finance and Investment, 2017, https://www.tandfonline.com/doi/full/10.1080/20430795.2016.1266748
[^226]: Caldecott et al., Stranded Assets: Environmental Drivers, Societal Challenges, and Supervisory Responses, Annual Review of Environment and Resources, 2021, https://www.annualreviews.org/content/journals/10.1146/annurev-environ-012220-101430
[^227]: Data Center Knowledge, Gridlocked: How Power Constraints Are Shaping the Future of Data Centers, https://www.datacenterknowledge.com/energy-power-supply/gridlocked-how-power-constraints-are-shaping-the-future-of-data-centers
[^228]: ATK Energy, Grid Interconnection for Data Centers in 2026, 2026, https://atkenergygroup.com/blog/grid-interconnection-data-centers/
[^229]: Mural et al., AI, Data Centers, and the U.S. Electric Grid: A Watershed Moment, Harvard Belfer Center, février 2026, https://www.belfercenter.org/sites/default/files/2026-02/Mural%20et%20al_AI%20Data%20Centers%20Grid_20260206.pdf
[^230]: Hyperframe Research, NVIDIA's Annual Roadmap Rhythm: Innovation Engine or CapEx Quicksand?, 7 janvier 2026, https://hyperframeresearch.com/2026/01/07/nvidias-annual-roadmap-rhythm-innovation-engine-or-capex-quicksand/; corroboration GTC 2026: Technology Pulse, 22 mai 2026, https://technologypulse.app/2026-05-22-nvidia-rubin-architecture/
[^231]: Tech Insider, U.S. AI Data Center Delays: 7 GW Capacity Crisis, 2026, https://tech-insider.org/us-ai-data-center-delays-cancellations-7gw-capacity-crisis-2026/
[^232]: Network World, Up to 50 percent of data center capacity slated for 2026 could be delayed, 2026, https://www.networkworld.com/article/4201941/up-to-50-of-data-center-capacity-slated-for-2026-could-be-delayed.html
[^233]: Bill Dollins, AI Data Centers and the Risk of Stranded Infrastructure, 15 juin 2026, https://blog.geomusings.com/2026/06/15/ai-data-centers-and-the-risk-of-stranded-infrastructure
[^234]: Dave Friedman, The 176 billion dollar accounting question, https://davefriedman.substack.com/p/the-176-billion-accounting-question
[^235]: State Street Global Advisors, Why the AI CapEx cycle may have more staying power than you think, https://www.ssga.com/us/en/institutional/insights/ai-capex-cycle-may-have-more-staying-power; Deep Quarry, Depreciation of GPUs: between useful life and obsolescence, https://deepquarry.substack.com/p/depreciation-of-gpus-between-useful
[^236]: MBI Deep Dives, Big Tech earnings quality, https://www.mbi-deepdives.com/big-tech-earnings-quality/; Deep Quarry, https://deepquarry.substack.com/p/depreciation-of-gpus-between-useful
[^237]: Build Inc., AI Infrastructure Capex Is Rewriting Data Center Development in 2026, 2026, https://build.inc/insights/ai-infrastructure-capex-data-center-development
[^238]: Epoch AI, OpenAI Stargate: where the US sites stand, https://epoch.ai/publications/openai-stargate-where-the-us-sites-stand; Data Center Knowledge, Stargate Update: AI's Biggest Data Center Buildout Meets Reality, https://www.datacenterknowledge.com/ai-data-centers/stargate-update-ai-s-biggest-data-center-buildout-meets-reality
[^239]: Tradeline, Oracle and OpenAI celebrate construction of Stargate data center, juillet 2026, https://www.tradelineinc.com/news/2026-7/oracle-and-openai-celebrate-construction-stargate-data-center
[^240]: Réutilisation des chiffres de retards du pipeline 2026: voir [^449] et [^450].
[^241]: Andrew Odlyzko, Collective Hallucinations and Inefficient Markets: The British Railway Mania of the 1840s, University of Minnesota, 2010, https://www.researchgate.net/publication/228291464_Collective_Hallucinations_and_Inefficient_Markets_The_British_Railway_Mania_of_the_1840s
[^242]: Gareth Campbell, The railway mania: not so great expectations?, CEPR VoxEU, https://cepr.org/voxeu/columns/railway-mania-not-so-great-expectations
[^243]: Andrew Odlyzko, The railway mania of the 1860s and financial innovation, University of Minnesota, https://www-users.cse.umn.edu/~odlyzko/doc/mania18.pdf
[^244]: BloombergNEF, AI Data Center Build Advances at Full Speed: Five Things to Know, https://about.bnef.com/insights/data-centers/ai-data-center-build-advances-at-full-speed-five-things-to-know/
[^245]: Barchart, Leopold Aschenbrenner's Situational Awareness surpasses 20 billion dollars as AI focused hedge fund gains 270 percent in 2026, https://www.barchart.com/story/news/2370002/leopold-aschenbrenners-situational-awareness-surpasses-20-billion-as-ai-focused-hedge-fund-gains-270-in-2026
[^246]: Disruption Banking, Can the Situational Awareness hedge fund raise capital after its 439 percent H1 gain?, 30 juillet 2026, https://www.disruptionbanking.com/2026/07/30/can-the-situational-awareness-hedge-fund-raise-capital-after-its-439-h1-gain/
[^247]: CNBC, Why Leopold Aschenbrenner's Situational Awareness hedge fund imploded, 31 juillet 2026, https://www.cnbc.com/2026/07/31/why-leopold-aschenbrenner-situational-awareness-hedge-fund-imploded.html
[^248]: CNBC, Leopold Aschenbrenner's hedge fund is facing steep AI losses, 30 juillet 2026, https://www.cnbc.com/2026/07/30/leopold-aschenbrenners-hedge-fund-is-facing-steep-ai-losses.html
[^249]: Bloomberg, Aschenbrenner hedge fund Situational Awareness seeks capital after loss, 30 juillet 2026, https://www.bloomberg.com/news/articles/2026-07-30/aschenbrenner-hedge-fund-situational-awareness-seeks-capital-after-loss-ft-says
[^250]: CNBC, Leopold Aschenbrenner Situational Awareness fund fire sale, 31 juillet 2026, https://www.cnbc.com/2026/07/31/leopold-aschenbrenner-situational-awareness-fund-fire-sale.html
[^251]: SpotGamma, Anatomy of a Margin Call: How Situational Awareness LP Unwound a 20 Billion Dollar AI Book in One Trade, https://spotgamma.com/situational-awareness-unwind-margin-call-ai/
[^252]: Rebellion Research, The rise, the margin, the drawdown: the lesson of Situational Awareness, https://www.rebellionresearch.com/the-rise-the-margin-the-drawdown-the-lesson-of-situational-awareness
[^253]: Connect CRE, Popping the Data Center Bubble Concern, 2026, https://www.connectcre.com/stories/popping-the-data-center-bubble-concern/
[^254]: Andrew Odlyzko, Internet growth: Myth and reality, use and abuse, University of Minnesota, 2001, https://www-users.cse.umn.edu/~odlyzko/doc/internet.growth.myth2.pdf; entretien: Broadband Breakfast, https://broadbandbreakfast.com/broadband-expert-andrew-odlyzko-warns-telecom-investors-that-industry-has-its-math-wrong-again/
[^255]: The Bubble Bubble, The Late 1990s Telecom Bubble, https://www.thebubblebubble.com/telecom-bubble/; Fabricated Knowledge, Lessons from History: The Rise and Fall of the Telecom Bubble, https://www.fabricatedknowledge.com/p/lessons-from-history-the-rise-and
[^256]: ISE Magazine, The Perils of Irrational Exuberance: The 25th Anniversary of The Dot-Com Boom, https://www.isemag.com/professional-development-leadership/article/55293922/the-perils-of-irrational-exuberancethe-25th-anniversary-of-the-dot-com-boom
[^257]: Andrew Odlyzko, Internet traffic growth: Sources and implications, Proc. SPIE ITCom, 2003, https://www-users.cse.umn.edu/~odlyzko/doc/itcom.internet.growth.pdf
[^258]: Opus Interactive, The Telecom Overbuild That Built the Cloud, https://www.opusinteractive.com/opus-blog/post/the-telecom-overbuild-that-built-the-cloud-lessons-from-fiber-glut-to-hyperscale-success/
[^259]: Communications of the ACM, Dark Fiber Is Lighting Up, https://cacm.acm.org/news/dark-fiber-is-lighting-p/
[^260]: Federal Reserve Bank of Richmond, Boom and Bust in Telecommunications, Economic Quarterly, 2003, https://www.richmondfed.org/~/media/richmondfedorg/publications/research/economic_quarterly/2003/fall/pdf/wolman.pdf
[^261]: Sara Hooker, The Hardware Lottery, 2020, Communications of the ACM, https://arxiv.org/abs/2009.06489
[^262]: Sara Hooker, On the Slow Death of Scaling, 2026, SSRN, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5877662
[^263]: Blake Alcott, Jevons' paradox, Ecological Economics 54(1), 2005; W. S. Jevons, The Coal Question, 2e éd., Macmillan, 1866; invocation par Satya Nadella rapportée par Barron's, janvier 2025; synthèse: https://en.wikipedia.org/wiki/Jevons_paradox
[^264]: SSRN, Jevons dans l'infrastructure d'IA (élasticité prix volume de 1,42), https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6775299
[^265]: Goldman Sachs, AI agents forecast to boost tech cash flow as usage soars, https://www.goldmansachs.com/insights/articles/ai-agents-forecast-to-boost-tech-cash-flow-as-usage-soars
[^266]: Epoch AI, Training compute of frontier AI models grows by 4-5x per year, https://epoch.ai/publications/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
[^267]: Tesorb, Frontier AI models Q2 2026 tracker, https://tesorb.com/frontier-ai-models-q2-2026-tracker/
[^268]: Deluair, Frontier AI training cost 2026, https://deluair.com/consultancy/insights/frontier-ai-training-cost-2026; Varun K., What it takes to train a frontier LLM, https://www.varunk.me/blog/what-it-takes-to-train-a-frontier-llm
[^269]: Epoch AI, Algorithmic progress in language models (décomposition de Shapley), https://epoch.ai/blog/algorithmic-progress-in-language-models
[^270]: Victor Dibia, Is Scaling a Dead End? Why Model Scaling is Necessary Infrastructure, 2026, https://newsletter.victordibia.com/p/is-scaling-a-dead-end-why-model-scaling
[^271]: Gundlach, Lynch, Thompson, Meek Models Shall Inherit the Earth, 2025, arXiv, https://arxiv.org/abs/2507.07931
[^272]: Ho et al., Algorithmic progress in language models, NeurIPS 2024, https://arxiv.org/abs/2403.05812
[^273]: David Cahn, AI's 600B Question, Sequoia Capital, juin 2024, https://www.sequoiacap.com/article/ais-600b-question/
[^274]: ValueAddVC, The Full AI Landscape 2026, https://valueaddvc.com/ai-landscape
[^275]: McKinsey, State of AI survey, novembre 2025, cité par SQ Magazine, https://sqmagazine.co.uk/ai-market-statistics/
[^276]: Cornell et Damodaran, The Big Market Delusion: Valuation and Investment Implications, Financial Analysts Journal 76(2), 2020, DOI 10.1080/0015198X.2020.1730655
[^277]: Sacra, profil Anthropic, https://sacra.com/c/anthropic/
[^278]: Nguyen, Brynjolfsson, Kazinnik, Collis, Eggers, mesure de la willingness to accept des chatbots, DOI 10.2139/ssrn.6569938
[^279]: TechTimes, AI Boom Outgrows Every Tech Bubble in History, BIS Systemic Risk Study Finds, 15 juillet 2026, https://www.techtimes.com/articles/320580/20260715/ai-boom-outgrows-every-tech-bubble-history-bis-systemic-risk-study-finds.htm
[^280]: Labo LLM, TPU vs GPU 2026, https://www.labo-llm.fr/en/infrastructure/tpu-vs-gpu-2026/
[^281]: Igor Markov, The False Dawn: Reevaluating Google's Reinforcement Learning for Chip Macro Placement, 2023, arXiv, https://arxiv.org/abs/2306.09633; réévaluation CACM: https://cacm.acm.org/research/reevaluating-googles-reinforcement-learning-for-ic-macro-placement/
[^282]: Business Wire, OpenRouter raises 113 million dollar Series B led by CapitalG, 26 mai 2026, https://www.businesswire.com/news/home/20260526953416/en/
[^283]: UN News, AI infrastructure e-waste projected up to 2.5 million tonnes annually by 2030, juin 2026, https://news.un.org/en/story/2026/06/1167658
[^284]: Hashrate Index, Used GPU market: A100 and H100 pricing and depreciation, https://hashrateindex.com/blog/used-gpu-market-pricing-deprecation-secondary-ai/
[^285]: Carlota Perez, Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages, Edward Elgar, 2002; synthèse: https://en.wikipedia.org/wiki/Carlota_Perez; application 2026: Closelook, 5 juillet 2026, https://www.closelook.net/library/technological-revolutions-and-financial-capital/
[^286]: Dave Friedman, GPU Obsolescence is Complicated, https://davefriedman.substack.com/p/gpu-obsolescence-is-complicated