Les petits modèles "capturent" la demande de puissance de calcul en cloud, mettant à l'épreuve les dépenses en capital des centres de données, évaluées à des billions de dollars

Les applications d'IA continuent de s'étendre, mais les investissements dans les centres de données hyperscale qui soutiennent cette vague connaissent désormais de nouveaux défis du côté de la demande.

Le rapport de Jefferies souligne que l’amélioration des performances et la baisse des coûts des petits modèles linguistiques pourraient pousser les entreprises à passer d'un déploiement centralisé dans le cloud à une approche plus localisée, ce qui exercerait une pression sur la demande de puissance de calcul dans le cloud ainsi que sur les dépenses d’investissement massives dans les centres de données.

Cette analyse repose notamment sur l'observation récente de l’utilisation réelle des serveurs d'IA. En septembre 2026, Swerve Research Technologies a construit un « indice de congestion » en suivant le temps d'attente dans les files de requêtes des serveurs d'Anthropic, révélant que le taux d’utilisation des serveurs concernés a chuté de 26 % par rapport au pic observé entre janvier et février 2026. Ce chiffre ne se traduit pas directement en revenu pour l’entreprise, mais si l'utilisation continue de baisser, cela pourrait signifier qu'une partie de la puissance de calcul commence à être inutilisée.

Parallèlement, les investissements dans l’infrastructure IA continuent de croître rapidement. Le marché s’attend actuellement à ce que les dépenses en capital combinées de Meta, Alphabet, Amazon et Microsoft atteignent 990 milliards de dollars en 2027. Le rapport estime que si la croissance de la demande en puissance de calcul IA ne parvient pas à suivre un tel niveau d’investissement, certains centres de données pourraient faire face à une rentabilité insuffisante, voire devenir des « actifs délaissés ».

Baisse de l’utilisation des serveurs, la puissance de calcul IA mise à l’épreuve

Le lancement du produit IA personnel Muse par Meta le 8 septembre a entraîné une hausse de 21 % de l’action Meta en quelques semaines, devenant un point fort des applications IA grand public récentes. Mais le rapport estime que le succès d’une seule application ne suffit pas à prouver que le cycle d’investissement dans l’infrastructure IA puisse se poursuivre durablement.

Il est plus pertinent de noter que les entreprises spécialisées dans l’IA envoient elles-mêmes des signaux différents de l’optimisme général du marché. Les PDG d’Anthropic, d’OpenAI (Sam Altman) et Elon Musk ont récemment évoqué publiquement la nécessité de ralentir le développement de l’IA ; l’introduction en bourse initialement prévue par Anthropic a été reportée à novembre.

Dans le même temps, Anthropic avait auparavant signé un contrat de puissance de calcul de 45 milliards de dollars sur trois ans avec SpaceX, et conclu des accords de collaboration sur plusieurs milliards de dollars avec Amazon et Google Cloud. Si la croissance des revenus IA ralentit, mais que ces contrats de puissance de calcul déjà engagés doivent être honorés, la pression sur les coûts des entreprises pourrait encore augmenter.

D’après les rapports, Meta a également négocié avec Anthropic en juillet pour lui louer une puissance de calcul de centre de données pouvant atteindre 10 milliards de dollars en deux ans. Selon le rapport, le fait que les grandes entreprises technologiques cherchent désormais activement des clients externes pour absorber leur puissance de calcul montre qu’avec la rapide expansion de l’offre d’infrastructures, l’optimisation de l’utilisation des actifs devient un nouvel enjeu.

Les petits modèles rattrapent en performance, le local pourrait détourner la demande du cloud

Comparée à l’évolution à court terme de l’usage des serveurs, le rapport s’intéresse davantage aux transformations structurelles des modèles d’IA.

Selon l’étude « Intelligence per Watt » co-publiée par l’université Stanford et Together AI, les petits modèles linguistiques rattrapent rapidement les grands modèles en termes de performance, tout en affichant une consommation énergétique et un coût de calcul inférieurs de 50 à 85 %. Si cette tendance se confirme, l’échelle de puissance de calcul et la structure de coûts nécessaires au déploiement de l’IA en entreprise pourraient évoluer.

Par le passé, les entreprises s’appuyaient surtout sur de grands modèles centralisés dans le cloud pour leurs tâches d’IA ; à mesure que la performance des petits modèles augmente, certains cas d’usage pourraient adopter un déploiement local. Pour des secteurs comme la banque, qui exigent un haut niveau de sécurité des données, le déploiement local est déjà très demandé ; et si les petits modèles réduisent davantage les coûts, cette approche pourrait encore s’étendre.

Cela signifie que la croissance des applications IA ne mènera pas forcément à une augmentation proportionnelle de la demande en puissance de calcul dans le cloud. Les entreprises pourraient à la fois étendre leurs usages IA tout en réduisant leur dépendance aux API des modèles géants et à la puissance de calcul centralisée du cloud.

C’est aussi la principale raison pour laquelle le rapport remet en question le niveau quasi-billionième des dépenses d’investissement : si, à l’avenir, une majorité d’applications IA reposent sur des modèles localisés de petite taille et peu coûteux, l’actuelle frénésie d’investissement dans les centres de données hyperscale pourrait ne plus correspondre à la demande réelle de puissance de calcul.

Dans ce contexte, la vraie question n’est pas de savoir si la demande en IA existera, mais de déterminer de combien de puissance de calcul centralisée elle aura réellement besoin et si ces centres de données pourront générer des rendements à la hauteur des investissements réalisés.