« Higher Ground »

Lire l'article complet (PDF)open_in_new

Économie de l’IA : où iront les profits?

« Bustin’ out, and I’ll break you out, ’cause I’m sailin’ on,
Just, uh, sailin’ on, sailin’ on to higher ground. »
– Red Hot Chili Peppers

Sommaire exécutif

Dans nos deux premiers articles sur le sujet, nous avons examiné comment l’intelligence artificielle (IA) transformele travail et pourquoi les gains de productivité tardent à transparaître dans les données. Ce troisième article s’intéresse aux flux de capitaux.

Si l’IA représente véritablement la prochaine grande vague technologique, la question clé pour les investisseurs est simple : qui empochera vraiment les profits? Comme dans toute chaîne, certains maillons paraissent solides aujourd’hui, mais ils ne le resteront pas tous.

L’économie de l’IA peut être vue comme une structure à cinq paliers.

Les semi-conducteurs et le matériel informatique se trouvent au bas, suivis de l’infrastructure infonuagique. Les modèles fondateurs se situent au milieu, sous l’orchestration et les intergiciels. Au sommet, on trouve les applications que les clients utilisent vraiment et pour lesquelles ils paient. À l’heure actuelle, l’essentiel des profits se concentre près du bas de la structure. NVIDIA a généré des revenus de plus de 215 G$ US au cours de l’exercice 2026 et affichait des marges brutes supérieures à 70 %. Parallèlement, les données disponibles au début juillet indiquaient que les quatre plus grands spécialistes des centres de données (en anglais, les hyperscalers) devraient consacrer environ 725 G$ US à leurs dépenses en immobilisations en 2026, environ 77 % de plus qu’en 2025.

Or, l’histoire a démontré que ces premiers champions ne conservent pas toujours leur titre.

Lors des cycles technologiques passés, des ordinateurs centraux à l’ordinateur personnel, en passant par Internet, le mobile et l’infonuagique, les plus grandes sources de profits ont fini par se rapprocher du client.

C’est déjà en train de se produire avec l’IA. Les modèles ouverts se sont améliorés rapidement, réduisant l’écart de qualité. Et certains des plus grands acteurs de l’industrie contribuent eux-mêmes à ce mouvement.

Nous estimons que la prochaine grande source de valeur devrait émerger au niveau de l’orchestration, soit le palier qui rend l’IA utile au sein des processus d’affaires réels, ainsi que dans ce que Satya Nadella, PDG de Microsoft, a récemment appelé le « token capital », cette capacité interne en IA que les entreprises bâtissent pour elles -mêmes. En fait, ce mouvement est déjà amorcé, et la tendance s’accélérera au cours des prochains mois.

Il en découle une conclusion essentielle : les marges exceptionnelles enregistrées aujourd’hui au bas de la chaîne de valeur doivent être considérées comme conjoncturelles, et non comme permanentes.

Situer les capitaux dans l’actuelle chaîne d’approvisionnement de l’IA

L’économie de l’IA comporte cinq paliers.

À la base se trouve le palier des semi-conducteurs et du matériel informatique. Il regroupe les GPU de NVIDIA, les accélérateurs d’AMD et les semi-conducteurs personnalisés conçus par les hyperscalers eux -mêmes, comme le TPU de Google, le Trainium d’Amazon et le Maia de Microsoft. S’y ajoutent des éléments moins spectaculaires, mais tout aussi essentiels : la mémoire, la mise en réseau, l’alimentation électrique et le refroidissement.

Juste au-dessus, on trouve l’infrastructure infonuagique, dominée par AWS, Microsoft Azure et Google Cloud, et où des acteurs plus récents comme CoreWeave et Oracle tentent de se tailler une place.

Les développeurs de modèles se situent dans le palier du milieu, avec notamment OpenAI, Anthropic, Google DeepMind, Meta, Mistral, DeepSeek et xAI.

Le palier suivant est celui de l’orchestration et des intergiciels, qui regroupe les outils reliant les modèles aux données, acheminant les tâches, évaluant les résultats et automatisant les processus.

Au sommet, on trouve le palier applicatif, soit celui des logiciels qui intègrent l’IA à un processus pour lequel un client est prêt à payer.

La concentration des profits au bas de la structure saute aux yeux. Les revenus de NVIDIA tirés des centres de données ont atteint 75 ,2 G$ US au premier trimestre de l’exercice 2027, avec des marges brutes de 75 %.

Une telle rentabilité demeure rare, quelle que soit l’échelle. TrendForce prévoit que les dépenses en immobilisations des fournisseurs infonuagiques mondiaux atteindront un sommet de 830 G$ US en 2026, dont environ les trois quarts seront dédiés à l’infrastructure physique et le quart restant, aux semi-conducteurs.

En revanche, les aspects financiers paraissent beaucoup plus faibles dans les paliers du haut. Selon le consensus des participants au marché, les pertes d’OpenAI pourraient atteindre environ 14 G$ US en 2026, contre des revenus annualisés d’environ 20 G$ US.

Autrement dit, nous sommes au stade où les fournisseurs de pioches et de pelles affichent des rendements exceptionnels, tandis que plusieurs entreprises plus près des utilisateurs finaux peinent encore à combler l’écart entre la croissance et la rentabilité.

Les profits voguent vers des sommets : ce que l’histoire nous enseigne

S’il y a une leçon à tirer de l’histoire de l’informatique, c’est bien celle -ci : au fil du temps, les sources de profit tendent à remonter la structure, s’éloignant de l’infrastructure brute pour se rapprocher de la relation client. Bien qu’il ne s’agisse pas d’une loi immuable, ce scénario s’est imposé lors de chaque grande évolution de plateforme au cours du dernier demi -siècle.

L’ordinateur central et l’ordinateur personnel

À l’époque des ordinateurs centraux, dans les années 1970 et au début des années 1980, IBM régnait en maître. Les marges brutes sur les gros systèmes pouvaient atteindre 70 %, et les ordinateurs centraux représentaient environ 42 % des revenus, mais près de 60 % des profits. IBM contrôlait de 60 % à 70 % du marché mondial. Puis vint l’ordinateur personnel.

Pour aller vite, IBM a ouvert l’architecture du PC et confié à l’externe des maillons clés de la chaîne de valeur, notamment le processeur et le système d’exploitation.

Cette décision a modifié la destination des flux financiers. Microsoft a fourni MS-DOS, puis Windows, la couche de système d’exploitation qui se situait entre la machine et l’utilisateur, faisait fonctionner les logiciels dont les gens dépendaient et offrait aux développeurs une plateforme commune. En ce sens, Microsoft s’est davantage rapprochée du client que la division de matériel d’IBM, en contrôlant l’interface quotidienne, l’écosystème applicatif et la norme qui assurait la compatibilité entre les différents PC.

Selon une étude bien connue de la Harvard BusinessSchool, Intel et Microsoft ont conjointement engrangé plus de 15 G$ US de profits nets grâce aux PC en 2004.

De leur côté, Dell, HP et IBM ont réalisé des profits combinés de seulement 2,5 G$ US. Le constat qui s’impose est simple : lorsque le matériel devient interchangeable, les profits migrent vers les entreprises qui contrôlent le standard.

Les opérateurs de réseaux mobiles : construire la route, mais perdre le péage

L’ère du téléphone intelligent offre un exemple plus familier encore.

Les fournisseurs de services de télécommunication ont englouti des centaines de milliards de dollars dans les réseaux 3G, 4G et 5G. AT&T prévoyait investir à elle seule environ 22 G$ US dans des immobilisations en 2025, comparativement à 17,5 G$ US à 18,5 G$ US pour Verizon. À l’échelle mondiale, l’industrie du sans-fil génère environ 1 000 milliards $ US de revenus annuels. Pourtant, le cours des titres n’a pratiquement pas évolué en un quart de siècle.

Pourquoi? Parce que le véritable surplus économique généré par la révolution du téléphone intelligent n’a pas été capté par les propriétaires de réseaux, mais plutôt par Apple et Google, les entreprises qui contrôlaient la plateforme et la relation client.

Les opérateurs ont construit la route, mais d’autres ont perçu le péage. Ils sont devenus de simples conduits, ce qui constitue une mise en garde utile pour les investisseurs en IA d’aujourd’hui.

Le palier infonuagique et la pression sur les fabricants

Le segment des services infonuagiques raconte la même histoire, mais sous un autre angle.

AWS affichait des marges d’exploitation d’environ 35 % à la fin de 2025. En comparaison, des fabricants de serveurs comme Dell affichent des marges d’exploitation annuelles avoisinant 6 %. Le processus s’est déroulé progressivement.

À mesure que les entreprises transféraient les charges de travail informatiques de leurs propres centres de données vers AWS, Azure et Google Cloud, elles ont cessé d’acheter autant de serveurs directement, préférant louer de la puissance de calcul, du stockage, des bases de données et des logiciels auprès des hyperscalers.

Ces derniers ont à leur tour acheté des serveurs en quantités massives, développé davantage leur propre infrastructure, standardisé le matériel et relégué les fournisseurs à un rôle d’assemblage à faible marge.

Concrètement, la relation client est passée d’un modèle où le fabricant vend des boîtiers à un modèle où la plateforme infonuagique vend de la capacité flexible et des services à plus forte valeur ajoutée.

Des entreprises de logiciels comme Salesforce, Snowflake, Datadog et ServiceNow ont ensuite construit des applications par-dessus les plateformes infonuagiques, captant de la valeur que les fournisseurs infonuagiques avaient contribué à créer sans jamais se l’approprier pleinement. À chaque étape, le même principe se répète : c’est souvent le maillon le plus près du client qui finit par bénéficier des meilleures conditions économiques.

Transformer son complément en produit de base

Une règle empirique bien connue du monde technologique permet de cadrer cette idée : si vous parvenez à rendre le produit complémentaire moins cher, la demande pour votre produit phare augmente. En d’autres mots, si vous rendez le palier d’un autre acteur meilleur marché, le vôtre gagne en valeur.

C’est exactement ce que l’on observe dans l’économie de l’IA. NVIDIA a lancé ses modèles ouverts Nemotron non pas pour dominer le marché des modèles, mais pour maintenir une forte demande en GPU. Meta rend Llama accessible en code source ouvert pour éviter de verser de lourdes redevances à des fournisseurs de modèles externes susceptibles de comprimer ses marges publicitaires. Google fait la promotion de Gemma pour une raison similaire : elle cherche à réduire la rareté et le coût du palier des modèles, à l’instar d’Android, qui a contribué à affaiblir le pouvoir économique des systèmes d’exploitation mobiles.

Aucune de ces entreprises ne tire l’essentiel de ses revenus de la vente de modèles. Elles tirent leurs bénéfices des semi-conducteurs, de la capacité infonuagique, de la publicité ou des licences de logiciels. Ce point est important. Lorsque les acteurs disposant des moyens financiers les plus importants souhaitent que le modèle lui-même devienne abondant et peu coûteux, les laboratoires spécialisés exclusivement dans les modèles se trouvent devant un problème épineux. En effet, leur produit correspond précisément à ce que tous les autres acteurs souhaitent banaliser en produit de base.

Le palier des modèles : la banalisation en temps réel

Si les sources de profits se déplacent à mesure que les paliers inférieurs se banalisent, alors l’IA progresse déjà plus vite que prévu.

L’écart entre le meilleur modèle à poids fermés et la meilleure solution à poids ouvert¹ n’est pas très grand et il ne s’est pas élargi au cours des dernières années, selon des tests de performance. Ainsi, même si des modèles comme ceux d’OpenAI et d’Anthropic conservent une longueur d’avance, notamment pour les tâches les plus complexes, les modèles ouverts se sont améliorés au même rythme. Dans la pratique, cela signifie que pour de nombreuses applications concrètes, les meilleurs modèles ouverts sont désormais assez performants.

La qualité compte, mais les coûts aussi. Et sur ce plan, la tendance est frappante. L’écart de coût n’est plus marginal. Pour de nombreuses tâches en entreprise, des modèles à poids ouverts comme DeepSeek peuvent coûter de 10 à 50 fois moins cher que les modèles propriétaires haut de gamme d’OpenAI ou d’Anthropic. Cette tendance change la donne sur le plan économique. Si le modèle propriétaire n’est que modérément supérieur, le fardeau de la preuve s’inverse, et la prime de qualité doit alors justifier une prime de coût nettement plus élevée.

Si c’est le cas, la distribution compte alors davantage que la qualité brute des modèles. Or, la distribution appartient en grande partie aux hyperscalers. La fin des droits de distribution exclusifs de Microsoft sur les modèles d’OpenAI, le 27 avril, a constitué un des faits marquants du monde des affaires au début de 2026.

Le moment choisi n’était pas anodin, car Anthropic, qui avait rendu Claude disponible dès le départ sur les trois principales plateformes infonuagiques, a pu s’imposer précisément parce que les clients pouvaient l’adopter là où ils opéraient déjà. La conclusion générale est bien connue : les laboratoires deviennent de plus en plus des fournisseurs, tandis que les hyperscalers deviennent les canaux de distribution.

Lorsqu’un produit exceptionnel entre en concurrence avec un système de distribution particulièrement pratique, c’est souvent ce dernier qui l’emporte. Netscape l’a appris à ses dépens lors de la guerre des navigateurs à la fin des années 1990. Bien que son navigateur ait contribué à définir les débuts du Web, Microsoft a intégré Internet Explorer directement à Windows, le rendant ainsi disponible par défaut pour ses utilisateurs. Même si de nombreux utilisateurs préféraient Netscape, la commodité et la préinstallation ont pesé plus lourd que la qualité marginale du produit, et le marché des navigateurs s’est rapidement orienté vers la plateforme qui contrôlait déjà la relation client.

Les laboratoires de modèles se retrouvent ainsi confrontés à un risque structurel qui rappelle malheureusement une situation bien connue. Ils pourraient finir comme les opérateurs de réseaux mobiles : importants sur le plan stratégique, à forte intensité en capital, mais incapables de capter l’essentiel des bénéfices car ils ne contrôlent pas la relation client.

Ce n’est pas la seule issue possible. Un laboratoire pourrait encore mettre en place un réseau de distribution direct et des coûts de transfert pour se tailler une avance durable. Cependant, l’histoire montre que ce sont généralement les distributeurs qui ont l’avantage.

Le palier d’orchestration : le nouveau goulot d’étranglement

Si le modèle lui-même devient un intrant de plus en plus interchangeable, la position stratégique dominante se déplace vers le palier qui détermine la manière dont les modèles sont réellement utilisés, soit celui de l’orchestration et des intergiciels.

C’est là que les entreprises relient les modèles à leurs données internes, établissent des garde-fous, orientent les tâches, évaluent les résultats, surveillent la qualité et rendent l’ensemble du système suffisamment fiable pour un usage professionnel.

Ce palier n’est peut-être pas le plus prestigieux, mais c’est là que l’IA cesse d’être une démo et devient un véritable système d’exploitation pour le travail.

L’analogie de l’usine, présentée dans notre précédent article intitulé Learn to Fly, permet d’illustrer ce point. Le remplacement d’une machine à vapeur par un moteur électrique n’a pas permis, à lui seul, de libérer tout le potentiel de productivité tant que les usines n’ont pas été repensées autour de cette nouvelle technologie. Il en va de même pour l’IA, la refonte s’opérant au niveau du palier de l’orchestration.

C’est là que réside la logique propre à chaque entreprise : les règles d’acheminement, les systèmes de récupération, les étapes de validation et les mécanismes d’escalade qui reflètent le fonctionnement réel d’une entreprise. Ce palier permet aussi aux entreprises de conserver la flexibilité nécessaire pour changer de fournisseur de modèles sans perdre les capacités déjà bâties.

C’est l’expression concrète de la co-invention, ce cycle d’investissement invisible qui doit se produire avant que les gains de productivité ne se reflètent dans les chiffres.

Ce palier gagne rapidement en maturité. Le Model Context Protocol d’Anthropic, lancé à la fin de 2024 comme standard ouvert pour relier les systèmes d’IA à des données externes, a apparemment obtenu le soutien d’OpenAI, de Google, de Microsoft et d’AWS en moins d’un an. Sa gouvernance est depuis passée à la Linux Foundation.

LangChain, un cadre d’orchestration ouvert de premier plan, a fait état de 90 millions de téléchargements mensuels et d’une adoption par 35 % des entreprises du palmarès Fortune 500 au moment de sa ronde de financement de série B en octobre 2025. Selon son sondage State of Agent Engineering, 57 % des répondants avaient alors des agents en production, l’utilisation simultanée de plusieurs modèles était devenue la norme, et le principal obstacle n’était ni le coût ni la puissance brute des modèles, mais l’assurance qualité.

Ce dernier point est déterminant.

La question n’est plus de savoir si un modèle est techniquement capable d’accomplir une tâche, mais si le système qui l’encadre est assez fiable pour qu’on puisse lui faire confiance.

D’ailleurs, Gartner prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici 2027, principalement en raison d’une évaluation déficiente, d’une gouvernance faible et de frictions au niveau de l’intégration.

Autrement dit, le goulot d’étranglement se situe de moins en moins du côté du cerveau et de plus en plus du côté de la plomberie. Les entreprises qui maîtrisent bien ce palier vont au-delà de l’utilisation de l’IA, se dotant d’un avantage durable.

Conclusion

La chaîne de l’IA s’étend du silicium à l’infonuagique, puis au modèle, au processus d’affaires et au client. Aujourd’hui, les maillons les plus solides en termes de marges se trouvent au bas de la structure. Cependant, l’histoire nous laisse penser que cette force ne restera pas à ce niveau indéfiniment. Avec le temps, la valeur devrait remonter vers le haut de la chaîne.

Quatre indicateurs méritent d’être suivis de près.

1. La banalisation des modèles

Si les modèles ouverts continuent de resserrer l’écart de qualité, le pouvoir de fixation de prix au niveau des modèles s’affaiblira, et la valeur continuera de migrer vers le haut.

2. La distribution

Si les laboratoires ne parviennent pas à établir des relations directes avec les utilisateurs et des coûts de transfert significatifs, les hyperscalers pourraient les reléguer au rang de simples fournisseurs de services.

3. La maturité de l’orchestration

Lorsque la question principale passe de « Quel modèle devrions-nous utiliser? » à « Comment construire des systèmes fiables autour des modèles? », c’est signe que la source de valeur s’est déplacée vers les intergiciels.

4. L’accumulation intangible

Les entreprises qui parviennent à remplacer le modèle généraliste sous le capot sans perdre leurs capacités institutionnelles en IA sont celles qui transforment leurs dépenses en IA en véritable actif.

Le vrai risque n’est pas que l’IA échoue, mais que les investisseurs se méprennent sur le palier où se situe réellement la valeur durable, et confondent les flux de trésorerie d’aujourd’hui avec les avantages concurrentiels de demain. Les marges au bas de la structure sont bien réelles. Mais les leçons tirées des ordinateurs centraux, des opérateurs de réseaux mobiles et des fabricants de serveurs sont sans équivoque : les marges liées aux infrastructures ont tendance à diminuer lorsque le palier complémentaire devient assez abordable.

La chaîne peut tenir le coup, mais la valeur, elle, reste rarement en place.