Les modèles deviennent plus accessibles et moins chers. Pourtant, les sommes investies dans les puces, l’électricité et les data centers continuent de grimper. Faut-il y voir les prémices d’un effondrement de l’IA ? Pas exactement. Le marché entre plutôt dans une phase de sélection économique : les promesses doivent désormais tenir face aux coûts, aux marges et au remboursement de la dette.
Il y a un an, IA Pratique se demandait déjà si l’IA était une bulle. Depuis, le doute n’a pas disparu. Il a changé d’objet.
À l’époque, la question portait surtout sur les valorisations des laboratoires et l’emballement autour des assistants génératifs. En 2026, l’enjeu est plus matériel : qui finance les data centers nécessaires à l’entraînement et au fonctionnement des modèles, et quels revenuspermettront de payer cette infrastructure ?
La réponse courte est la suivante : l’IA ne disparaîtra pas si les marchés se retournent. En revanche, certains projets, certains fournisseurs de calcul et certaines valorisations pourraient être très sévèrement remis à leur place. Le mot important est moins « krach ».
Le capital devient le nerf de la guerre
Les grands acteurs de l’IA ont longtemps pu financer une grande partie de leurs investissements grâce à leurs activités historiques : cloud, publicité, logiciels ou commerce en ligne. Cela ne suffit plus toujours.
La Banque d’Angleterre observe que les cinq grands hyperscalers américains représentaient plus de 15 % des émissions obligataires américaines de qualité depuis le début de 2026, contre 3 % du stock de dette à la fin de 2025. Autrement dit, les data centers ne sont plus seulement financés avec les profits du cloud. Ils le sont aussi par de la dette, du crédit privé et des structures de financement moins lisibles.
Le Fonds monétaire international alerte sur cette concentration. Dans une analyse de 14 transactions, il recense 300 milliards de dollars de fonds propres et 650 milliards de dollars de dette, en échange de 1 400 milliards de dollars d’engagements de revenus futurs. Le montage fonctionne si la demande progresse assez vite. Si elle ralentit, chacun se retrouve dépendant de la capacité des autres à payer.
Ce n’est pas un scénario imaginaire de science-fiction financière. C’est le mécanisme classique d’une industrie lourde : on investit énormément avant de savoir précisément combien les clients achèteront réellement.
Les modèles baissent de prix, les usines à IA coûtent toujours cher
Le paradoxe est là. L’intelligence artificielle devient moins coûteuse à utiliser, tandis que son infrastructure devient plus coûteuse à construire.
DeepSeek a ainsi rendu permanente une baisse de 75 % sur l’accès API de son modèle V4-Pro, selon Reuters. Ce mouvement s’inscrit dans une concurrence chinoise très agressive, où les modèles ouverts, les promotions et les prix bas servent aussi à gagner des développeuses, des développeurs et des entreprises.
La conséquence est double :
- bonne nouvelle pour les entreprises, qui peuvent tester davantage de cas d’usage à moindre coût ;
- moins bonne nouvelle pour les laboratoires, dont le pouvoir de fixer les prix est mis sous pression.
L’analyse de J.P. Morgan Asset Management est particulièrement utile : les modèles chinois se rapprochent du niveau des meilleurs modèles américains sur plusieurs usages, avec un avantage de prix et d’ouverture. Mais le prix au million de jetons ne raconte pas tout. Un modèle peut consommer plus de jetons pour accomplir la même tâche et un modèle ouvert reste coûteux à héberger.
Pour une PME, la leçon est simple : ne pas choisir un modèle uniquement sur son tarif affiché. Il faut comparer le coût par tâche réussie, le temps humain économisé, la qualité obtenue, la sécurité des données et la facilité de changer de fournisseur.
OpenAI et Anthropic : des signaux à lire sans raccourci
Les difficultés de financement ou de rentabilité des laboratoires sont souvent racontées comme la preuve que « l’IA ne marche pas ». C’est trop rapide.
Concernant OpenAI, Reuters a rapporté, sur la base d’informations du Financial Times, un objectif de levée ramené de 30 à 20 milliards de dollars et une valorisation visée réduite. Cette information n’établit pas un problème de fourniture de service. Elle montre surtout que les investisseurs deviennent plus attentifs au prix qu’ils acceptent de payer pour financer du calcul à grande échelle.
Chez Anthropic, le signal est différent. Son dossier financier amendé, fait état d’un chiffre d’affaires trimestriel de 16,96 milliards de dollars, mais aussi d’une perte opérationnelle de 567 millions de dollars et d’engagements de dépenses de calcul proches de 895 milliards de dollars. Il serait donc faux de dire qu’Anthropic ne vend rien. Il serait tout aussi faux d’ignorer que les coûts de calcul peuvent absorber une part considérable de cette croissance.
Le problème n’est pas l’absence de clients. Le problème est la vitesse à laquelle le revenu doit croître pour rattraper les investissements déjà engagés.
Pourquoi ce n’est pas une copie conforme de la bulle Internet
La comparaison avec l’an 2000 est utile,
Les grands groupes qui construisent aujourd’hui l’infrastructure IA ont des activités rentables, des clientes et clients, des flux de trésorerie et des bilans autrement plus solides que beaucoup de jeunes pousses de l’ère dotcom. Goldman Sachs souligne d’ailleurs que les profits des entreprises américaines ont progressé et que leurs bilans restent globalement robustes.
Mais la banque met aussi le doigt sur le nœud du problème : environ 27 000 milliards de dollars de capitalisation supplémentaire ont été attribués aux entreprises liées à l’IA depuis fin 2022. Pour justifier durablement ce niveau, il faut supposer que les acteurs concernés conserveront longtemps des profits exceptionnels. Or, la concurrence, la baisse du prix des modèles et l’obsolescence rapide des puces peuvent réduire ces marges.
Les économistes de la Banque centrale européenne vont plus loin : dans les grandes vagues technologiques, une correction des valorisations finit souvent par survenir, même lorsque la technologie produit réellement des gains. Le fait que l’IA soit utile ne garantit donc pas que chaque investissement ou chaque action cotée soit correctement valorisé.
Les usages professionnels existent, mais le retour sur investissement reste concentré
Le récit de la bulle oublie parfois un fait important : l’IA génère déjà de la valeur dans des activités précises. Développement logiciel, analyse documentaire, service client, traitement de données, recherche interne et production de contenus structurés figurent parmi les cas les plus avancés.
Le constat est toutefois moins spectaculaire que certains discours commerciaux. Dans son enquête 2026, McKinsey indique que 37 % des organisations interrogées observent déjà un effet sur leur résultat opérationnel. Mais seules 6 % affichent un impact significatif, correspondant au moins à 5 % de leur résultat opérationnel.
De son côté, BCG mesure un retour sur investissement moyen de 13,8 % pour les déploiements étudiés. Les entreprises les plus matures déclarent environ 19 % de retour, contre 8 à 9 % pour les structures peu avancées. Ces enquêtes ne constituent pas une promesse de rendement. Elles montrent en revanche que le marché se divise déjà entre celles qui industrialisent quelques usages bien choisis et celles qui accumulent des démonstrateurs sans propriétaire métier ni mesure de résultat.
L’IA n’est donc pas un bouton magique. Elle ressemble davantage à un programme de transformation : elle produit des résultats quand le processus, les données, les équipes et le pilotage suivent.
Une phase de sélection, pas la fin de l’IA
La grande erreur serait de choisir entre deux caricatures : « l’IA va tout transformer immédiatement » ou « tout cela va s’effondrer demain ».
La réalité est plus intéressante. Les modèles deviennent moins rares. Les coûts baissent pour une partie des usages. Les entreprises commencent à distinguer les gains mesurables du simple effet de mode. En même temps, les infrastructures exigent des montants jamais vus, alors que l’électricité, les puces et le financement ne sont pas illimités.
L’IA entre donc dans son âge adulte économique. Les projets utiles ne seront pas jugés sur la qualité d’une démonstration, mais sur leur capacité à faire gagner du temps, réduire un coût, sécuriser un processus ou créer un revenu. Le reste risque de rejoindre le grand cimetière des abonnements oubliés, entre le logiciel de mind mapping de 2018 et la tablette achetée pour « prendre des notes autrement ».
En savoir plus
- FMI, rapport sur la stabilité financière mondiale et risques liés à l’IA
- Banque d’Angleterre, rapport de stabilité financière de juillet 2026
- BCE, l’essor de l’IA est-il rationnel ou une nouvelle bulle dotcom
- Goldman Sachs, valorisations américaines et fondamentaux économiques
- McKinsey, état de l’IA en 2026
- BCG, budget informatique et retour sur investissement de l’IA
- Reuters, baisse durable des prix de DeepSeek V4-Pro
- IA Pratique, FAQ Bulle IA ou pas
- IA Pratique, DeepSeek casse le compteur des coûts avec V4-Flash
FAQ sur la bulle IA
L’IA est-elle en bulle en 2026 ?
Les valorisations et les dépenses d’infrastructure sont très élevées, ce qui augmente le risque de correction. Mais les usages, les revenus et les gains de productivité existent déjà. Il est plus juste de parler d’une phase de sélection économique que d’un effondrement inévitable.
Pourquoi la dette des data centers est-elle surveillée ?
Les infrastructures IA exigent des investissements massifs avant que les revenus associés soient pleinement connus. Si la demande ralentit ou si le coût du capital augmente, les projets les plus endettés deviennent vulnérables.
La baisse des prix des modèles est-elle une mauvaise nouvelle ?
Pour les entreprises, elle peut réduire le coût des usages. Pour les fournisseurs de modèles, elle rend plus difficile la conservation de marges élevées. Le gagnant ne sera pas forcément le modèle le plus cher, mais celui qui apporte le meilleur résultat au coût total le plus juste.
