Où se concentre la valeur de l'IA : marges, financements croisés et concurrence

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions, juillet 2026 ; révisé en septembre 2026.

Suivre l’argent dans l’IA demande de séparer ce qui est déjà comptabilisé de ce qui est seulement annoncé, puis d’examiner comment la marge, l’intensité capitalistique et le pouvoir de négociation évoluent à chaque étage de la chaîne.

• Les résultats publiés décrivent le présent : chiffre d’affaires, marge, trésorerie et dette.
• Les accords pluriannuels décrivent une intention ou une obligation future, dont l’exécution reste conditionnée au calendrier industriel et au financement.
• Les comparaisons avec 2000 et les scénarios de concurrence sont des grilles d’investisseur, pas des faits accomplis.
• Cet article est pédagogique et ne constitue ni un conseil en investissement ni une recommandation d’achat ou de vente.

---

1. Les quatre étages : qui encaisse vraiment le cash ?

La chaîne de valeur de l’IA distribue aujourd’hui les revenus, les marges et les risques de façon très inégale, depuis les composants déjà vendus jusqu’aux usages métiers dont la rentabilité reste à prouver entreprise par entreprise.

• Silicium : revenus et marges constatés. Au trimestre clos le 26 juillet 2026, Nvidia a publié 96,2 Md$ de chiffre d’affaires, dont 89,0 Md$ pour les centres de données, et 75,0 % de marge brute GAAP [1].
• Fabrication et mémoire : goulots rentables mais cycliques. TSMC a publié 67,7 % de marge brute au deuxième trimestre 2026 [2], tandis que SK hynix a annoncé 76 % de marge opérationnelle pour la même période [3] ; ces records reflètent une forte demande, sans garantir leur maintien.
• Infrastructure : actifs lourds et contraintes physiques. Les centres de données exigent puces, bâtiments, réseaux et énergie ; l’AIE prévoit que leur consommation électrique mondiale fera plus que doubler d’ici 2030 dans son scénario central [4].
• Modèles et applications : économie plus hétérogène. Les laboratoires et éditeurs combinent abonnements, API, licences et services, mais leurs revenus privés, coûts de calcul et engagements d’achat ne sont pas publiés selon une norme commune.

Comparer directement un montant de capex mondial avec le chiffre d’affaires d’un seul sous-segment peut impressionner sans mesurer un retour sur investissement, car les périodes, périmètres comptables et actifs financés ne coïncident pas.

• Le capex crée des capacités utilisées pendant plusieurs années ; il ne doit pas être rapproché d’une seule année de revenus comme s’il s’agissait d’une charge immédiatement consommée.
• Une même infrastructure sert à l’entraînement, à l’inférence, au cloud classique et parfois à des clients externes ; attribuer tout l’investissement à l’IA surestime son coût propre.
• L’écart reste économiquement pertinent : il indique que les revenus futurs doivent croître fortement ou que le coût unitaire du calcul doit baisser pour rémunérer les capacités installées.
• La question utile est donc le taux d’utilisation, le prix du calcul, la durée des contrats et le rendement du capital, plutôt qu’un ratio spectaculaire entre deux agrégats incompatibles.

La marge élevée du matériel ne renverse pas une loi générale du logiciel : elle signale surtout qu’en 2026 certains composants rares captent une rente, tandis que la rentabilité des modèles et des applications dépend davantage de leur coût d’inférence, de leur différenciation et de la disposition des clients à payer.

• Une marge brute mesure ce qui reste après le coût direct des ventes ; elle ne retranche ni la recherche, ni les dépenses commerciales, ni tous les investissements nécessaires à la croissance.
• La rareté des accélérateurs, de la mémoire HBM et des capacités de fabrication soutient les fournisseurs situés en amont.
• À l’aval, la concurrence entre modèles, l’open source et la baisse des prix peuvent transférer une partie de la valeur vers les intégrateurs et les entreprises utilisatrices.

---

2. Les financements croisés : lire la nature de chaque flux

La Banque des règlements internationaux définit le financement circulaire comme une structure réciproque où un fournisseur de cloud ou de puces prend une participation dans un laboratoire ou un opérateur d’infrastructure qui s’engage ensuite à lui acheter du calcul ou du matériel [5].

• Capital : l’investisseur acquiert un actif financier et fournit de la trésorerie à l’entreprise financée.
• Engagement commercial : le bénéficiaire promet des achats futurs, parfois sur plusieurs années ou sous conditions de déploiement.
• Revenu : le fournisseur ne devrait le reconnaître que lorsque les critères comptables applicables sont remplis ; la valeur faciale d’une annonce n’est donc pas du chiffre d’affaires encaissé.
• Risque : si le client dépend du même financement pour honorer ses achats, une baisse des levées de fonds peut toucher simultanément la demande, les créances et la valeur des participations.

Deux accords publics montrent pourquoi l’étiquette « circulaire » ne suffit pas et pourquoi il faut examiner le statut juridique, les conditions et le calendrier de chaque opération.

• En septembre 2025, Nvidia et OpenAI ont annoncé une lettre d’intention : Nvidia indiquait vouloir investir jusqu’à 100 Md$ progressivement, à mesure du déploiement d’au moins 10 GW de systèmes Nvidia [6].
• En octobre 2025, AMD et OpenAI ont annoncé un accord définitif portant sur 6 GW, avec un premier déploiement MI450 prévu au second semestre 2026 [7].
• AMD a parallèlement émis à OpenAI un bon de souscription conditionnel pouvant porter sur 160 millions d’actions, acquis par étapes selon des objectifs de déploiement et de cours [7].
• Aucun de ces montants ne doit être présenté comme du revenu déjà encaissé : l’un décrit une intention progressive, l’autre un contrat et une incitation en capital dont les effets s’étalent dans le temps.

Ces relations peuvent accélérer la construction d’une filière et répartir le risque entre partenaires, mais elles rendent la demande finale plus difficile à lire lorsque les mêmes entreprises sont à la fois bailleurs de fonds, fournisseurs et clients.

• Le scénario favorable est un amorçage : le capital finance des capacités qui trouvent ensuite des utilisateurs indépendants et rentables.
• Le scénario fragile est une dépendance : les achats reposent durablement sur de nouvelles levées, des garanties ou des engagements des fournisseurs.
• Les indicateurs à surveiller sont la part de clients tiers, l’utilisation réelle des capacités, les flux de trésorerie opérationnels, les créances, la dette et les clauses d’annulation.
• La circularité constitue donc un facteur de concentration et de transmission du risque ; elle ne prouve ni fraude comptable ni effondrement programmé.

Le précédent des télécoms rappelle le mécanisme sans fournir un calendrier pour l’IA : des documents déposés à la SEC montrent que des opérateurs finançaient leurs achats auprès de Lucent et Nortel, puis ont rencontré des difficultés à rembourser lorsque leurs propres revenus n’ont pas suivi [8][9].

• Le crédit fournisseur soutenait les commandes d’équipements et reportait la sortie de trésorerie du client.
• Lorsque le financement s’est tari, le fournisseur a été exposé à la fois à la baisse des ventes et au risque de crédit.
• L’internet a néanmoins créé une valeur économique durable ; la mauvaise allocation de capital et les valorisations excessives n’invalidaient pas la technologie.
• Les grands hyperscalers actuels disposent d’activités diversifiées et de flux de trésorerie importants, ce qui limite la portée d’une analogie directe avec les opérateurs télécoms fragiles de l’époque.

Les banques centrales décrivent un risque conditionnel plutôt qu’une prédiction : en juillet 2026, la Banque d’Angleterre indiquait qu’une révision des perspectives de bénéfices pourrait être amplifiée par la concentration des indices, le positionnement de marché et l’endettement [10].

• Observation de marché : les valeurs liées à l’IA occupent un poids important dans certains indices mondiaux.
• Condition du scénario : un ajustement brutal suppose une dégradation des attentes d’adoption, de rentabilité ou de financement.
• Canal de transmission : la dette, le crédit privé et les engagements croisés peuvent propager le choc au-delà des actions.
• Incertitude : les mêmes institutions reconnaissent que les résultats peuvent aussi dépasser les attentes ; leur analyse vise la résilience du système financier.

---

3. Où la concurrence peut-elle réduire la rente ?

La concurrence ne se joue pas de la même manière dans l’entraînement d’un grand modèle, qui exige un système cohérent à très grande échelle, et dans l’inférence, où le coût, la latence, l’énergie et l’intégration à une charge précise peuvent peser davantage.

• Entraînement : la puce, le réseau, les bibliothèques, les compilateurs et les outils d’exploitation doivent fonctionner ensemble pendant de longues séquences.
• Inférence : une entreprise peut optimiser un modèle stable pour un matériel précis et arbitrer plus finement entre performance, coût et disponibilité.
• Migration : CUDA et son écosystème créent un coût de changement réel, mais ce coût varie selon les modèles, le code existant et les exigences de production.
• Conséquence : un concurrent peut gagner des charges ciblées sans remplacer Nvidia sur l’ensemble du marché.

Les alternatives sont déjà industrielles, mais leurs annonces doivent encore être converties en livraisons, disponibilité logicielle, taux d’utilisation et satisfaction des clients.

• AMD : l’accord OpenAI prévoit une première tranche d’un gigawatt de MI450 au second semestre 2026, puis des déploiements pluriannuels conditionnés [7].
• AWS : Amazon déclarait en février 2026 que 1,4 million de puces Trainium2 avaient été installées et que son cluster Rainier en utilisait plus de 500 000 pour Anthropic [11].
• Google : les TPU sont proposés dans Google Cloud avec des engagements de capacité, ce qui élargit leur rôle au-delà des seuls usages internes [12].
• Puces spécialisées : leur avantage potentiel dépend d’une charge suffisamment stable et volumineuse pour amortir la conception, les logiciels et la chaîne d’approvisionnement.

La thèse d’investisseur est qu’une offre plus large pourrait comprimer les prix et les marges des accélérateurs, mais son résultat dépendra du rythme de croissance de la demande et de la capacité des concurrents à livrer un système complet.

• Si la demande totale croît plus vite que les gains de parts des concurrents, Nvidia peut continuer à augmenter son chiffre d’affaires malgré une concurrence accrue.
• Si les puces internes absorbent surtout l’inférence, la pression peut porter d’abord sur le prix par requête plutôt que sur l’entraînement de pointe.
• TSMC peut bénéficier de plusieurs concepteurs concurrents puisqu’il fabrique une partie de leurs puces ; diversification des designs ne signifie donc pas diversification de la fonderie.
• Les marges records attirent l’investissement concurrent, mais elles ne déterminent ni sa vitesse ni son succès.

---

Décisions pour un dirigeant d’entreprise

Pour un dirigeant de PME ou d’ETI, cette lecture sert surtout à acheter de la capacité avec discipline et à conserver du pouvoir de négociation, sans transformer une décision opérationnelle en pari sur le cours d’un fournisseur.

• Relier chaque dépense à un processus, un volume, une qualité attendue et un responsable métier.
• Mesurer le coût complet par résultat utile, y compris l’intégration, le contrôle humain, la sécurité et l’exploitation.
• Éviter les dépendances inutiles en séparant données, logique métier et fournisseur de modèle lorsque l’économie le justifie.
• Réexaminer régulièrement le prix, la qualité et les conditions de sortie, car le marché des modèles et du calcul évolue vite.

La baisse du coût unitaire du calcul peut favoriser les entreprises utilisatrices, mais la valeur ne migre pas mécaniquement vers elles : elle apparaît seulement lorsqu’un usage améliore durablement le chiffre d’affaires, la marge, le besoin en fonds de roulement, le risque ou la qualité de service.

• Une baisse de prix sans adoption ne crée aucun rendement.
• Une automatisation mal intégrée peut déplacer les coûts vers le contrôle, les erreurs et le support.
• Un cas d’usage industrialisé peut, au contraire, transformer la baisse des coûts technologiques en avantage opérationnel.
• Le livre blanc sur l’industrialisation de l’IA approfondit cette mise en production, et la Méthode Junyr™ fournit le cadre de transformation.

Avertissement. Cet article est pédagogique et informatif ; il ne constitue ni un conseil en investissement ni une recommandation d’achat ou de vente, les données sont arrêtées au 6 septembre 2026 et les performances passées ne préjugent pas des performances futures.

---

Situez votre organisation avec l’audit de maturité IA Junyr gratuit.

Sources

Sources consultées le 6 septembre 2026.

[1] NVIDIA, résultats du deuxième trimestre fiscal 2027, trimestre clos le 26 juillet 2026.

[2] TSMC, résultats du deuxième trimestre 2026, 16 juillet 2026.

[3] SK hynix, résultats du deuxième trimestre 2026, 29 juillet 2026.

[4] Agence internationale de l’énergie, Energy and AI, synthèse.

[5] Banque des règlements internationaux, Annual Economic Report 2026, chapitre « Progress and peril ».

[6] NVIDIA et OpenAI, lettre d’intention du 22 septembre 2025.

[7] AMD, formulaire 8-K et accord OpenAI du 6 octobre 2025.

[8] SEC, rapport annuel 2001 de Lucent Technologies.

[9] SEC, déclaration d’un opérateur sur ses obligations de financement fournisseur envers Nortel et Lucent, 2001.

[10] Banque d’Angleterre, compte rendu du Financial Policy Committee, juillet 2026.

[11] Amazon, résultats du quatrième trimestre 2025 publiés en février 2026.

[12] Google Cloud, réservations futures de capacité TPU, mise à jour du 26 août 2026.