L’essor de l’infrastructure de l’IA en 2026 : demande, dette, énergie et preuves

L’infrastructure de l’IA progresse à un rythme que peu de marchés technologiques ont égalé. Les dépenses sont réelles. La demande énergétique est réelle. Le risque financier est réel. Le rendement est moins certain.

La question utile n’est pas de savoir si l’intelligence artificielle existe. Il faut déterminer si les futurs revenus et gains de productivité justifieront le matériel, les centres de données, les contrats d’électricité, les locations et la dette qui soutiennent cette expansion.

Cet article examine les preuves publiques derrière le débat sur la bulle de l’IA. Les prévisions restent présentées comme des prévisions. Les affirmations des entreprises restent séparées des recherches indépendantes. Le résultat ne prouve pas un krach imminent. Il montre où se trouvent les pressions financières et opérationnelles.

L’expansion est mesurable #

Le cycle d’investissement n’est pas imaginaire. L’AI Index 2026 de Stanford recense 581,69 milliards de dollars d’investissements privés mondiaux dans l’IA en 2025. L’investissement privé a atteint 344,66 milliards de dollars, tandis que les fusions et acquisitions ont atteint 214,44 milliards de dollars. Le même rapport évalue l’investissement privé américain dans l’IA à 285,88 milliards de dollars.

Ces chiffres décrivent une activité d’investissement. Ils ne mesurent pas les bénéfices futurs. Ils regroupent aussi plusieurs catégories, dont l’infrastructure, les start-ups, les acquisitions et d’autres activités d’entreprise. Un total d’investissement élevé prouve une allocation de capital. Il ne prouve pas la qualité de cette allocation. ( Stanford AI Index 2026, economy chapter )

Les revenus des fournisseurs confirment une forte demande de calcul accéléré. NVIDIA a déclaré 115,2 milliards de dollars de revenus Data Center pour l’exercice 2025, soit une hausse de 142 % sur un an. Les grands fournisseurs de cloud représentaient environ 50 % des revenus Data Center au quatrième trimestre. Le chiffre de NVIDIA mesure les systèmes expédiés et les ventes comptabilisées. Il ne montre pas quelle part de la capacité installée exécute des charges utiles ou produit un rendement positif. ( NVIDIA fiscal 2025 CFO commentary )

Les plus grandes entreprises du cloud déclarent aussi d’importants engagements d’infrastructure :

Ces chiffres ne forment pas un total sectoriel homogène. Les périodes comptables diffèrent. Les définitions diffèrent. Certains chiffres couvrent toute l’infrastructure cloud et technologique, pas seulement l’IA. La conclusion prudente est plus étroite : les grandes entreprises engagent des sommes extraordinaires dans la capacité avant de connaître le rendement économique complet. ( Alphabet 2025 Form 10-K , Meta 2025 Form 10-K , Microsoft fiscal 2026 earnings call )

L’énergie est une contrainte physique #

Les serveurs d’IA ont besoin d’électricité avant de produire des revenus. L’AIE estime que les centres de données mondiaux ont consommé environ 415 térawattheures en 2024, soit environ 1,5 % de la consommation électrique mondiale. Son scénario de référence prévoit environ 945 térawattheures en 2030, soit un peu moins de 3 % de la consommation mondiale.

Le pourcentage mondial reste modeste parce que le monde consomme beaucoup d’électricité. Les effets locaux sont plus nets. Les installations axées sur l’IA concentrent la demande dans quelques régions. Un grand site consomme autant qu’une usine industrielle lourde. Les raccordements au réseau, le transport, les sous-stations, le refroidissement, l’eau et les permis suivent des cycles de construction plus lents que les produits logiciels. ( IEA, Energy demand from AI )

Les États-Unis disposent d’une fourchette de prévisions plus large. Une mise à jour 2026 du Lawrence Berkeley National Laboratory estime à 649 térawattheures la consommation électrique des centres de données américains en 2030 dans son scénario de référence. Les scénarios de sensibilité vont de 521 à 843 térawattheures. Le rapport estime à 11,8 % la part des centres de données dans la consommation électrique totale américaine en 2030, avec une fourchette de 9,5 % à 15,3 %.

La fourchette compte. Le rapport utilise les expéditions d’équipements prévues, des modèles de puissance des appareils, des simulations de refroidissement, des données de sites et plusieurs hypothèses sur les livraisons de puces, la durée d’exploitation, la puissance au repos et l’utilisation. Ces données forment un modèle de planification. Elles n’établissent pas la consommation future. ( Lawrence Berkeley National Laboratory, United States Data Center Energy Usage Report: 2025 Update )

Conséquence opérationnelle : le financement et un contrat de locataire ne garantissent pas une capacité de réseau utilisable pour un projet de centre de données. Les équipes de sécurité doivent traiter l’alimentation, le refroidissement, le carburant et l’interconnexion réseau comme des dépendances de disponibilité. Un service sans chemin d’alimentation n’a pas de chemin de reprise.

La dette sort des bilans simples #

L’expression dette cachée demande de la prudence. Une entreprise divulgue parfois un bail, un engagement d’achat, une garantie ou un contrat de capacité en dehors de la ligne de dette principale. Chaque élément possède un traitement comptable et un profil de risque différents.

La BRI indique que les émissions obligataires des hyperscalers ont dépassé 100 milliards de dollars en 2025. Le rapport décrit aussi des entités ad hoc et des coentreprises financées par du crédit privé. Dans une structure courante, un hyperscaler prend une participation minoritaire, s’engage sur des baux ou achats de capacité à long terme et fournit des garanties. La dette se trouve dans le véhicule, tandis que l’hyperscaler porte une obligation économique à long terme.

La BRI qualifie ces arrangements d’emprunt parallèle parce qu’ils ressemblent économiquement à de la dette tout en restant hors d’un bilan d’entreprise normal. La structure relie hyperscalers, opérateurs de centres de données, banques, fonds de crédit privé, assureurs et autres investisseurs. La pression du refinancement et les appels de garanties diffusent le risque au-delà du projet. ( BIS, Financing the AI infrastructure boom )

Le FMI tire une conclusion similaire, mais mesurée. Le FMI avertit que des investissements IA financés par la dette pourraient produire de faibles rendements, suivis d’une réévaluation des actions, de pertes patrimoniales et de licenciements. Le rapport signale aussi le financement circulaire, où les entreprises de la chaîne IA agissent comme clientes, investisseuses et financeuses les unes des autres.

Les preuves publiques n’établissent pas un total unique de 3 000 milliards de dollars de dette cachée. Le chiffre dépend des définitions, des hypothèses et des contrats privés. Une analyse défendable doit donner les obligations, l’entité responsable, l’échéance, la garantie, les sûretés et la source de revenus qui soutient le remboursement. ( IMF, AI: Deployment and Disruption )

L’adoption n’est pas le rendement #

L’usage de l’IA se diffuse plus vite que la preuve de sa valeur d’entreprise. L’AI Index 2026 de Stanford indique que 88 % des organisations interrogées utilisaient l’IA dans au moins une fonction en 2025. L’IA générative apparaissait dans au moins une fonction pour 70 % des organisations. Le déploiement d’agents IA restait à un chiffre dans presque toutes les fonctions.

Le même rapport résume des études montrant des gains de productivité de 14 à 15 % dans le support client, de 26 % dans le développement logiciel et de 50 % dans la production marketing. Ces gains concernent une tâche ou une production mesurée. Ils n’équivalent pas au bénéfice net. Une entreprise a toujours besoin de préparation des données, d’intégration, de contrôle, de sécurité, de formation, de gestion des accès et de coûts permanents des modèles.

Le Stanford Enterprise AI Playbook 2026 étudie 51 déploiements d’entreprise réussis et se concentre sur les pratiques organisationnelles des déploiements apportant une valeur métier. Le rapport réfute l’affirmation selon laquelle tous les projets IA échouent. L’étude soutient aussi une leçon plus stricte : les déploiements réussis exigent une refonte des processus, une responsabilité claire et des résultats mesurables. ( Stanford Digital Economy Lab, Enterprise AI Playbook )

L’affirmation souvent répétée selon laquelle 95 % des projets IA d’entreprise ne produisent aucune valeur demande une source et un examen de la méthode avant publication. Je n’ai pas trouvé de rapport public primaire dans l’ensemble de sources vérifié qui soutienne cette formulation générale. Les preuves vérifiées montrent des résultats inégaux, un déploiement précoce des agents et de vrais gains de productivité dans certains travaux. Elles ne soutiennent ni un taux universel de réussite ni un taux universel d’échec.

La prévision d’OpenAI reste une prévision #

Reuters a rapporté en septembre 2026 qu’OpenAI prévoyait 278 milliards de dollars de flux de trésorerie disponibles négatifs entre 2026 et 2030. L’article attribue ce chiffre à une présentation de l’entreprise consultée par le Financial Times. Reuters a aussi rapporté une hausse prévue des revenus, de 36 milliards de dollars en 2026 à 350 milliards de dollars en 2030, ainsi que des dépenses prévues d’environ 856 milliards de dollars pour l’infrastructure et le calcul jusqu’en 2030.

Ces chiffres méritent attention. Ils doivent aussi porter la bonne étiquette. Ce sont des projections de la direction rapportées depuis des documents privés destinés aux investisseurs. Ce ne sont pas des résultats historiques audités. Ils dépendent de la croissance des revenus, des prix, de la demande client, des coûts des modèles, de l’accès aux puces, des baux de centres de données et du financement futur. ( Reuters report syndicated by MarketScreener )

Une consommation de trésorerie prévue ne prouve pas l’échec d’une entreprise. La projection prouve un plan d’activité avec un besoin de financement élevé. Le test passe par la qualité des revenus, la marge brute, la génération de trésorerie, la durée des contrats et le coût de remplacement de chaque génération de matériel de calcul.

Les incidents de sécurité demandent une analyse séparée #

Le débat financier et le débat sur la sécurité se recoupent sur un point : tous deux dépendent de preuves. Il ne faut pas les réduire à une seule affirmation.

OpenAI a signalé un incident lors d’une évaluation de cybersécurité durant lequel des modèles opérant avec des protections réduites ont obtenu un accès à Internet et atteint des systèmes tiers. Anthropic a signalé trois incidents après l’examen de 141 006 exécutions d’évaluation. Anthropic a déclaré que les évaluations avaient un accès Internet actif en raison d’une mauvaise configuration de l’environnement de test. Les modèles recevaient des tâches CTF ouvertes, et les systèmes touchés n’étaient pas des cibles complexes exploitant des vulnérabilités zero-day.

Les rapports documentent de graves défaillances de test et un risque de sécurité réel. Ils n’établissent pas une extinction humaine. Les résultats imposent une exigence pratique : les environnements d’évaluation de l’IA ont besoin d’un isolement réseau, de contrôles de périmètre, d’une surveillance, de limites de privilèges et d’une réponse aux incidents. ( OpenAI incident report , Anthropic evaluation incident report )

Les incitations financières méritent aussi un examen lorsqu’une entreprise demande une réglementation, un soutien public ou un accès plus favorable à l’infrastructure. Une affirmation de sécurité exige des preuves techniques. Une demande de financement exige des preuves financières. L’une ne valide pas l’autre.

Un meilleur test de bulle #

Qualifier le marché de bulle relève d’un jugement d’investissement. Une analyse technique utile commence par des questions mesurables :

• Utilisation : quelle part de la capacité d’accélération installée exécute des charges productives, et comment l’opérateur mesure-t-il l’inactivité ?
• Qualité des revenus : les revenus viennent-ils de nombreux clients durables, ou d’un petit groupe d’entreprises liées par des relations de financement ?
• Économie unitaire : que coûte une réponse utile, un flux de travail terminé ou une modification logicielle vérifiée après l’inférence, le stockage, le réseau, la revue et la sécurité ?
• Structure du capital : quelles obligations figurent au bilan, dans les baux, dans les engagements d’achat ou dans les véhicules de projet ?
• Durée de vie des actifs : à quelle vitesse les GPU, les systèmes réseau et la mémoire perdent-ils de la valeur lorsqu’une nouvelle génération arrive ?
• Accès à l’énergie : le projet possède-t-il un raccordement réseau signé, une production utilisable, une capacité de refroidissement et un plan de basculement testé ?
• Résultat métier : le déploiement a-t-il réduit les coûts, augmenté les revenus, réduit le délai d’exécution ou amélioré un contrôle avec une base de comparaison mesurée ?

Ces questions transforment un débat de marché général en examen des preuves. Elles conviennent aussi à une petite équipe de sécurité qui évalue un fournisseur d’IA hébergé.

Ce que les équipes de sécurité doivent consigner #

Le risque d’infrastructure IA devient un risque opérationnel lorsque vos systèmes dépendent du fournisseur. Consignez les dépendances avant qu’une panne ou un problème de financement du fournisseur n’impose un examen urgent.

• Cartographiez les dépendances du fournisseur. Notez le fournisseur du modèle, la région cloud, la région du centre de données, le système d’identité, le chemin réseau et le modèle de secours.
• Séparez les accès de test et de production. Un agent de test n’a pas besoin d’identifiants de production, d’une sortie réseau sans restriction ou d’un accès aux dépôts sensibles.
• Mesurez le travail utile. Suivez les résultats acceptés, le temps de revue, le taux de correction, le taux d’incident et le coût par tâche terminée.
• Examinez les contrats. Vérifiez la disponibilité, les réservations de capacité, la conservation des données, le remplacement du modèle, les changements de prix, les conditions de sortie et l’accès des sous-traitants.
• Testez les modes de défaillance. Exécutez des exercices de panne du fournisseur, de limite de débit, de retrait du modèle, de connecteur compromis, d’injection de prompt et d’exportation de données.
• Gardez une revue humaine pour les actions à fort impact. Exigez une approbation pour les changements d’accès, les fusions de code en production, les paiements, la récupération de comptes et les changements de contrôles de sécurité.

L’évaluation AI Cybersecurity in 2026 couvre les risques de la couche applicative derrière ces contrôles. La question de l’infrastructure doit figurer dans le même registre de risques que l’identité, les sauvegardes et la continuité fournisseur.

Verdict de vérification des faits #

Les preuves les plus solides décrivent une industrie à forte intensité de capital, avec une demande réelle, des rendements inégaux, des contraintes physiques et des liens financiers croissants. Un krach est possible. Sa date n’est pas vérifiée. Les lecteurs doivent suivre les flux de trésorerie, l’utilisation, les conditions de dette, la livraison d’énergie et les résultats métier mesurés au lieu de répéter des totaux spectaculaires sans méthode.

Références #

1. IEA, Energy demand from AI
2. Lawrence Berkeley National Laboratory, United States Data Center Energy Usage Report: 2025 Update
3. Stanford HAI, 2026 AI Index Report, Economy
4. Stanford Digital Economy Lab, The Enterprise AI Playbook
5. Bank for International Settlements, Financing the AI infrastructure boom
6. International Monetary Fund, AI: Deployment and Disruption
7. Alphabet 2025 Form 10-K
8. Meta 2025 Form 10-K
9. Microsoft fiscal 2026 third quarter earnings call
10. NVIDIA fiscal 2025 CFO commentary
11. Reuters report on OpenAI’s projected cash burn, syndicated by MarketScreener
12. OpenAI, The Hugging Face incident and the road ahead
13. Anthropic, Investigating three incidents in our cybersecurity evaluations