Insights Investing
Décrypter la pile technologique de l’IA : analyse des goulets d’étranglement, des avantages concurrentiels durables (moats) et de la captation de valeur pour les investisseurs à long terme
Podcast · Écouter (24 min)
Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market
Sommaire
- 1. Décomposer les couches de l’IA : goulets d’étranglement et captation de valeur économique
- 2. Infrastructure et intensité des dépenses d’investissement : la révolution industrielle sous-jacente à l’IA
- 3. Puces, mémoire et économie des modèles : banalisation et frontières mouvantes
- 4. Plans d’exécution, IA physique et paradoxe de Jevons
- 5. Chiffres clés
- 6. Ce qui nous ferait changer d’avis
- 7. Sources
La valeur se forme dans les différentes couches technologiques de l’intelligence artificielle non pas simplement grâce à une rareté physique absolue, mais là où les goulets d’étranglement technologiques se conjuguent au pouvoir de fixation des prix, à une expansion récurrente des volumes, aux coûts de changement de fournisseur et à une rentabilité marginale élevée du capital investi (ROIC). Si le cadre à six couches de Chamath Palihapitiya (infrastructure, puces, données, modèles, exécution, applications) met justement en évidence la banalisation économique des modèles de fondation et l’émergence de points de passage critiques dans le matériel, les investisseurs à long terme doivent distinguer la rareté technique absolue de la création durable de valeur pour les actionnaires. Alors que les géants de l’informatique en nuage se transforment en entreprises industrielles à forte intensité capitalistique, dont les dépenses d’infrastructure de calcul et de réseau électrique devraient dépasser $700 milliards en 2026, l’évaluation de la valeur intrinsèque nécessite d’analyser la pérennité des flux de trésorerie disponibles (FCF), les risques liés à l’intensité capitalistique et les boucles de rétroaction des processus de travail propriétaires, plutôt que de s’appuyer uniquement sur les goulets d’étranglement physiques.
1. Décomposer les couches de l’IA : goulets d’étranglement et captation de valeur économique
L’analyse de l’intelligence artificielle au moyen d’une architecture en couches apporte une clarté essentielle aux investisseurs fondamentalistes. Chamath Palihapitiya classe l’écosystème en six strates distinctes : infrastructure (électricité, terrains, refroidissement, minerais, usines de fabrication de semi-conducteurs), puces (GPU/ASIC, mémoire à haute bande passante [HBM], encapsulation, réseaux), données (données propriétaires, sensorielles et robotiques), modèles (intelligence fondamentale), exécution (agents, orchestration, API, actionneurs) et applications (logiciels et systèmes destinés aux utilisateurs finaux). Le concept analytique central reliant ces couches est celui de l’« actif pivot » : un composant irremplaçable par lequel chaque couche supérieure doit passer et qui ne peut pas être facilement remplacé.
Il existe toutefois une distinction cruciale entre un goulet d’étranglement technologique absolu et un avantage concurrentiel durable (moat) à forte rentabilité économique. Un actif peut se trouver directement sur le chemin critique technologique sans procurer aux actionnaires des rendements financiers proportionnels. Pour les investisseurs à long terme qui évaluent les avantages concurrentiels durables (moats) selon le cadre de Graham et Buffett, la rareté physique ne garantit pas, à elle seule, la croissance composée à long terme des owner earnings (bénéfices du propriétaire).
Cette dynamique apparaît clairement dans la comparaison entre ASML et NVIDIA. ASML détient un goulet d’étranglement technologique absolu et irremplaçable dans les systèmes de lithographie à ultraviolet extrême (EUV) ; les usines de fabrication de semi-conducteurs avancés ne peuvent pas remplacer les machines d’ASML. Pourtant, NVIDIA a généré une appréciation de la valeur de ses capitaux propres bien supérieure. ASML vend un nombre limité de machines très complexes et à forte intensité capitalistique à un groupe concentré d’acheteurs, ce qui limite la progression automatique de son chiffre d’affaires lorsque la consommation mondiale de jetons double. À l’inverse, NVIDIA associe les goulets d’étranglement du silicium à la chaîne d’outils logiciels CUDA, aux architectures de systèmes, aux réseaux NVLink et à une intégration poussée dans l’écosystème. NVIDIA capte directement l’élasticité croissante des volumes d’inférence et d’entraînement de l’IA.
Pour évaluer la captation de valeur économique dans les différentes couches, les investisseurs devraient appliquer une formule qualitative complète plutôt que de mesurer la rareté isolément :
$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$
Des rendements économiques durables ne se matérialisent que lorsqu’un point de passage opérationnel incontournable est associé à une élasticité des volumes, à des coûts élevés de changement de fournisseur et à une forte rentabilité marginale du capital investi.
2. Infrastructure et intensité des dépenses d’investissement : la révolution industrielle sous-jacente à l’IA
Les couches fondamentales de l’IA connaissent une transition structurelle, passant de modèles logiciels peu intensifs en actifs à des activités industrielles à forte intensité capitalistique. Les goulets d’étranglement critiques à la base de ces couches révèlent des concentrations géographiques et sectorielles extrêmes :
- Rareté des matériaux pour semi-conducteurs : les fournisseurs japonais de matériaux contrôlent environ 78% des ventes mondiales de résines photosensibles pour semi-conducteurs, selon la nationalité des entreprises, Shin-Etsu, JSR, Tokyo Ohka Kogyo et Fujifilm dominant certains marchés de produits chimiques de haute pureté.
- Quartz de haute pureté (HPQ) : la production de lingots de silicium de qualité semi-conducteur repose sur des creusets en quartz fondu issus d’un quartz exceptionnellement pur extrait à Spruce Pine, en Caroline du Nord. Sibelco (qui produit le matériau IOTA à partir de deux gisements de minerai pur) et The Quartz Corp sont les seuls fournisseurs produisant à grande échelle et de manière économiquement viable du HPQ avancé de qualité supérieure.
Au-delà des matières premières physiques, l’infrastructure des réseaux électriques constitue une contrainte opérationnelle majeure. L’Agence internationale de l’énergie (AIE) prévoit que la consommation mondiale d’électricité des centres de données doublera presque, passant d’environ 485 TWh en 2025 à quelque 950 TWh d’ici 2030. Les dépenses d’investissement des géants de l’informatique en nuage devraient dépasser $700 milliards en 2026, principalement sous l’effet de l’expansion des centres de données.
| Domaine d’infrastructure | Point de passage critique et principaux fournisseurs | Incidence économique et indicateurs |
|---|---|---|
| Matériaux pour semi-conducteurs | Résines photosensibles japonaises (Shin-Etsu, JSR, TOK, Fujifilm) | ~78% de part de marché selon la nationalité ; intrants chimiques non substituables. |
| Quartz de haute pureté | Gisements de Spruce Pine (Sibelco, The Quartz Corp) | Source exclusive pour les creusets en quartz fondu destinés aux lingots de silicium. |
| Puissance électrique effectivement livrable par le réseau | Transformateurs, appareillages de commutation, alimentations sans interruption, interconnexions | Les contraintes apparaissent avant celles de la production brute ; 485 TWh $\rightarrow$ 950 TWh (AIE). |
| Dépenses d’investissement des géants de l’informatique en nuage | Expansion des centres de données et accélération du calcul | >$700B prévus en 2026 (AIE) ; fortes pressions liées aux amortissements. |
Point crucial, la production brute d’électricité n’est pas la principale limite à court terme. Des recherches de l’université Johns Hopkins montrent que les équipements d’acheminement du réseau électrique — notamment les transformateurs, les appareillages de commutation, les systèmes d’alimentation sans interruption (UPS), les interconnexions de transport et les infrastructures de refroidissement spécialisées — limiteront la construction des centres de données avant que la capacité de production elle-même ne devienne le principal goulet d’étranglement. L’actif économiquement rare dans l’immédiat est l’électricité effectivement livrable à la tension, à l’emplacement et avec la fiabilité requis.
Du point de vue de l’investissement dans la valeur, cette transition affecte fortement les bilans des entreprises et leurs indicateurs de rentabilité. Alors que les géants de l’informatique en nuage engagent plus de $700 milliards de dépenses d’investissement annuelles, des actifs physiques valant plusieurs milliards de dollars entrent au bilan en tant qu’immobilisations corporelles (PP&E). Une fois ces actifs opérationnels, les amortissements linéaires pèsent sur les comptes de résultat, indépendamment de la réalisation immédiate de revenus. Si la demande de jetons monétisable ou l’adoption des logiciels d’entreprise prend du retard sur la construction des infrastructures physiques, la rentabilité du capital investi (ROIC) et les taux de conversion en flux de trésorerie disponible (FCF) s’effondrent sous le poids des infrastructures non amorties. Cette dynamique rappelle directement les épisodes historiques de surinvestissement dans les infrastructures, comme l’effondrement du secteur de la fibre télécom impliquant WorldCom et Global Crossing, où des dépenses d’investissement massives ont créé de fortes surcapacités et détruit la valeur pour les actionnaires, malgré la validité finale des perspectives d’adoption d’Internet à long terme.
3. Puces, mémoire et économie des modèles : banalisation et frontières mouvantes
Si les modèles théoriques supposent que les goulets d’étranglement matériels se résorbent naturellement avec le temps à mesure que les capacités de fabrication se normalisent, les contraintes d’approvisionnement en semi-conducteurs restent aiguës. La mémoire à haute bande passante (HBM) et l’encapsulation avancée constituent des goulets d’étranglement structurels pluriannuels plutôt que des frictions temporaires. L’AIE prévoit que les pénuries de HBM persisteront au moins jusqu’à la fin de 2027. Les parts de marché restent très concentrées ; les données de Counterpoint pour Q2 2026 estiment les parts du chiffre d’affaires de la HBM à :
- SK Hynix : 50%
- Samsung : 33%
- Micron : 18%
Les avantages concurrentiels durables (moats) du matériel moderne ne reposent pas sur des puces de calcul autonomes, mais sur une intégration complète à l’échelle du système : puces GPU/ASIC intégrées à la HBM au moyen d’interposeurs, encapsulation avancée, réseaux à haut débit (tels que NVLink), alimentation électrique et refroidissement spécialisé. Cette intégration des systèmes devient encore plus essentielle à mesure que les charges de travail passent de l’entraînement des modèles à l’inférence. McKinsey prévoit que l’inférence représentera environ 60% de la demande totale d’IA d’ici 2030. Par conséquent, la concurrence se déplace directement vers la bande passante mémoire, la capacité, la latence, l’efficacité thermique et la consommation électrique par jeton utile produit, ce qui consolide les avantages concurrentiels durables (moats) structurels des fournisseurs de matériel intégré.
Parallèlement, l’économie des modèles d’intelligence fondamentale affiche une baisse rapide des coûts. Les données de l’indice de l’IA de Stanford indiquent que le coût d’exécution d’un modèle présentant des performances MMLU de niveau GPT-3.5 est passé d’environ $20 par million de jetons en novembre 2022 à quelque $0.07 en octobre 2024, soit une réduction des coûts d’un facteur 280 en 18 mois. En outre, des études de l’OCDE montrent que les prix des modèles de langage corrigés de la qualité ont diminué de près de 80% entre janvier 2024 et avril 2026.
| Indicateur / Objet de la mesure | Référence historique | Niveau récent / projeté | Importance analytique |
|---|---|---|---|
| Coût des jetons au niveau MMLU de GPT-3.5 | $20.00 / M de jetons (nov. 2022) | $0.07 / M de jetons (oct. 2024) | Réduction de 280x du coût unitaire de l’intelligence (Stanford). |
| Prix des modèles de langage | Niveau de référence (janv. 2024) | Baisse de ~80% (avr. 2026) | Effondrement rapide des prix de la production corrigés de la qualité (OCDE). |
| Écart de performance entre modèles fermés et ouverts | Écart important (2023) | Écart de 3.3%–3.4% (mars 2026) | Banalisation des capacités de base (indice de l’IA 2026 de Stanford). |
| Part des dépenses des entreprises | 35% pour les modèles de pointe (Q3 2025) | 63% pour les modèles de pointe (Q3 2026) | Consentement à payer une prime pour le raisonnement à l’état de l’art (Menlo). |
Malgré cet effondrement des prix, les modèles de fondation ne sont pas encore devenus de simples produits banalisés. L’intelligence de base se banalise : l’indice de l’IA 2026 de Stanford montre que les meilleurs modèles de pointe (Anthropic, xAI, Google, OpenAI) ne sont séparés que par 25 points Elo sur Arena, et que les modèles fermés ne devancent les solutions à poids ouverts que de 3.3% à 3.4% en mars 2026. Toutefois, les entreprises clientes continuent de payer une prime pour les capacités de pointe. Les recherches de Menlo montrent que la part des modèles de pointe dans les dépenses d’IA des entreprises est passée de 35% en Q3 2025 à 63% en Q3 2026.
La couche des modèles fonctionne comme une frontière économique mouvante : les capacités de base se banalisent rapidement, tandis que le raisonnement à l’état de l’art conserve un pouvoir de fixation des prix, obligeant les développeurs de modèles à supporter en permanence des investissements massifs simplement pour rester au niveau des modèles de pointe.
4. Plans d’exécution, IA physique et paradoxe de Jevons
À mesure que les modèles fondamentaux se banalisent, la valeur économique se déplace vers le plan d’exécution et de contrôle. Cette couche de logiciel intermédiaire englobe le routage dynamique des modèles, la mémoire d’état persistante, la gestion des identités, la gestion des autorisations, l’évaluation, l’intégration des outils et l’orchestration. Sous l’angle des bilans des entreprises, les acheteurs de logiciels d’entreprise n’achètent pas des jetons bruts de modèles fondamentaux ; ils achètent des résultats opérationnels achevés. La couche d’exécution fonctionne comme un « logiciel intermédiaire » institutionnel — analogue à Kubernetes, à la gestion des identités et des accès et à l’observabilité dans l’informatique en nuage — qui pérennise les coûts de changement de fournisseur pour les entreprises et protège les marges bénéficiaires, même lorsque les modèles de base sous-jacents fluctuent. L’enquête 2026 de LangChain sur l’utilisation en production confirme que les architectures d’entreprise multimodèles constituent désormais la norme, les principaux goulets d’étranglement du déploiement se déplaçant des coûts unitaires des jetons vers la fiabilité de l’exécution, la sécurité et l’achèvement des tâches.
De même, les données génériques d’entraînement issues du Web se banalisent par rapport aux boucles de rétroaction propriétaires fondées sur les résultats. Des avantages concurrentiels durables (moats) se créent lorsque les applications logicielles s’intègrent directement dans des processus opérationnels propres à un domaine, où les actions produisent des évaluations vérifiables dans le monde réel.
Harvey, dans le secteur juridique, illustre particulièrement bien cette dynamique. Harvey ne se positionne pas comme une interface fragile autour d’un modèle fondamental vendant de la génération générique de jetons. Il s’intègre plutôt directement dans les processus juridiques, en combinant systèmes de référence juridiques, distribution, conformité réglementaire, confiance des clients et boucles de rétroaction propriétaires (analyse de contrat $\rightarrow$ révision par un avocat $\rightarrow$ dépôt final auprès du tribunal/règlement). Parce que Harvey maîtrise le processus de bout en bout et les données de résultats qui en découlent, il crée des coûts élevés de changement de fournisseur et défend son pouvoir de fixation des prix, reléguant le choix du modèle fondamental sous-jacent au second plan par rapport au résultat opérationnel obtenu. Des boucles de rétroaction similaires fondées sur les résultats émergent dans des domaines spécialisés comme la programmation (correctif $\rightarrow$ résultat du test $\rightarrow$ résultat du déploiement), la médecine (diagnostic $\rightarrow$ traitement $\rightarrow$ résultat pour la santé du patient) et la finance (facture $\rightarrow$ compensation $\rightarrow$ résolution du litige).
Dans les systèmes d’IA physique, les dynamiques d’allocation du capital diffèrent fondamentalement de l’économie des entreprises de logiciels purs. Les logiciels peuvent changer d’échelle à un coût marginal quasi nul, tandis que la robotique physique nécessite d’importants capitaux consacrés à la nomenclature des composants (BOM). McKinsey estime que les actionneurs de précision représentent 40% à 60% de la BOM d’un robot humanoïde, contre 5% à 10% pour les modules de batterie. Par ailleurs, CRU estime que chaque robot humanoïde nécessite 2 à 3 kg d’aimants en terres rares NdFeB (néodyme-fer-bore). Si les composants de l’IA physique représentent un potentiel stratégique à long terme, les actifs de calcul et de mémoire des centres de données génèrent dès aujourd’hui des flux de trésorerie immédiats et vérifiables.
| Composant matériel de l’IA physique | Part estimée de la BOM / des ressources | Principaux déterminants économiques et de la chaîne d’approvisionnement |
|---|---|---|
| Actionneurs de précision | 40% – 60% de la BOM totale (McKinsey) | Articulations, boîtes de vitesses, moteurs et réducteurs de haute précision. |
| Modules de batterie | 5% – 10% de la BOM totale (McKinsey) | Allocation de capital relativement plus faible que pour l’actionnement. |
| Aimants en terres rares NdFeB | 2 – 3 kg par robot humanoïde (CRU) | Moteur structurel de la demande d’éléments de terres rares lourdes. |
Comprendre cette expansion structurelle des dépenses d’investissement nécessite d’appliquer le paradoxe de Jevons. Une division par 100 des coûts unitaires des jetons ne réduit pas les dépenses totales de calcul ; au contraire, la baisse des prix unitaires déclenche une expansion explosive de la consommation globale de jetons. À mesure que les interactions simples de type question-réponse sont remplacées par des boucles de raisonnement multiagents exécutant des simulations continues en arrière-plan et des appels automatisés aux outils, la demande globale de matériel de calcul s’accélère malgré l’effondrement des prix unitaires.
Pour les investisseurs fondamentaux à long terme qui évaluent l’allocation du capital, capter durablement la valeur exige d’éviter les activités fondées uniquement sur la rareté physique, au profit d’entreprises affichant un ROIC incrémental élevé, un pouvoir de fixation des prix et des boucles de rétroaction intégrées aux processus. Les investisseurs intéressés par des modèles de valorisation plus approfondis et des calculs fondamentaux d’owner earnings (bénéfices du propriétaire) peuvent consulter nos recherches sur les entreprises en accès libre sur le site de DeepValues Research ou évaluer la valeur intrinsèque et la marge de sécurité de n’importe quelle action à l’aide de l’application DeepValues.
5. Chiffres clés
- 78% : Part de marché approximative des entreprises japonaises dans les ventes de résines photosensibles pour semi-conducteurs, selon la nationalité des entreprises.
- >$700 milliards : Dépenses d’investissement estimées des opérateurs de centres de données à très grande échelle en 2026 selon l’AIE, principalement consacrées à l’expansion des centres de données.
- 485 TWh à ~950 TWh : Hausse prévue de la consommation électrique des centres de données de 2025 à 2030 (AIE).
- Fin de 2027 : Persistance attendue des pénuries d’approvisionnement en mémoire à haute bande passante (HBM) (AIE).
- 50% / 33% / 18% : Parts estimées du chiffre d’affaires de la HBM au Q2 2026 pour SK Hynix, Samsung et Micron, respectivement (Counterpoint).
- $20 à $0.07 par million de jetons : Baisse du coût d’obtention de performances au test MMLU de niveau GPT-3.5 entre novembre 2022 et octobre 2024, soit une réduction de 280x (indice de l’IA de Stanford).
- ~80% : Baisse des prix des modèles de langage ajustés de la qualité entre janvier 2024 et avril 2026 (OCDE).
- 25 points Elo sur Arena : Faible écart de performance séparant les modèles de pointe d’Anthropic, de xAI, de Google et d’OpenAI en mars 2026 (indice de l’IA 2026 de Stanford).
- 3.3%–3.4% : Écart de performance entre le meilleur modèle à code source fermé et le meilleur modèle à poids ouverts en mars 2026 (indice de l’IA de Stanford).
- 35% à 63% : Augmentation de la part des modèles de pointe dans les dépenses d’IA des entreprises entre Q3 2025 et Q3 2026 (recherche de Menlo).
- 40%–60% contre 5%–10% : Proportion estimée de la nomenclature des composants (BOM) d’un robot humanoïde représentée par les actionneurs par rapport aux modules de batterie (McKinsey).
- 2–3 kg : Besoin estimé en aimants en terres rares NdFeB par robot humanoïde (CRU).
6. Ce qui nous ferait changer d’avis#
- Obsolescence rapide des architectures CUDA et HBM : Accélération du développement d’interconnexions ou d’architectures de mémoire alternatives parvenant à supplanter HBM et NVLink, ce qui éroderait les avantages concurrentiels durables (moats) des réseaux au niveau système avant 2027.
- Réduction des dépenses d’investissement des opérateurs de centres de données à très grande échelle : Forte révision à la baisse de la trajectoire de dépenses d’investissement annuelles de >$700 milliards de ces opérateurs, en raison d’une rentabilité des capitaux investis (ROIC) décevante ou de graves retards de raccordement aux réseaux électriques.
- Monétisation rapide et stagnation des modèles à poids ouverts : Disparition de l’écart de performance de 3.3–3.4% avec les modèles de pointe, amenant les entreprises clientes à abandonner les modèles fermés haut de gamme au profit de modèles à poids ouverts localisés et bon marché.
- Déploiement accéléré de l’IA physique : Commercialisation de masse et fabrication à grande échelle de robots humanoïdes atteignant des millions d’unités bien avant 2030, déplaçant la captation immédiate de valeur sous forme de flux de trésorerie vers les chaînes d’approvisionnement en actionneurs et en aimants.
7. Sources#
Décrypter la valeur de l’IA, Chamath Palihapitiya (lettre annuelle 2025 et cadre associé) Indice de l’IA de Stanford (université Stanford, données 2024–2026) Rapports de l’Agence internationale de l’énergie (AIE) sur l’électricité et les dépenses d’investissement Counterpoint Research (analyse du marché des semi-conducteurs et de la HBM au Q2 2026) Recherches de McKinsey & Company sur la nomenclature des composants robotiques Recherches de CRU Group sur les matériaux et les terres rares Études de l’OCDE sur les prix des modèles de langage (2024–2026) Recherches de Menlo Ventures sur les dépenses d’IA des entreprises (2025–2026) Recherches de l’université Johns Hopkins sur les infrastructures et l’alimentation électrique des centres de données Enquête de LangChain sur l’IA en production (2026)
Regarder
Liens vers les sources
- Decoding AI Value
Regarder et écouter
- Chamath's AI Stack: Who Gets Paid From $700B Capex? YouTube · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出 YouTube · 中文
- Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market Podcast · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出|美股市場 Podcast · 中文