En IA, le 41 % dépend du -59 %
L'économiste en chef d'Apollo, Torsten Slok, a publié une note riche en graphiques décomposant les marges bénéficiaires de l'IA par maillon de la chaîne de valeur. Le titre : les marges bénéficiaires sont inversées dans l'IA — plus on se rapproche de l'utilisateur final, plus on perd d'argent.
Les chiffres
- Semi-conducteurs et équipements (Nvidia, AMD, Broadcom, TSMC, SK Hynix, Micron, etc.) : +41% de marge moyenne
- Énergie et réseau (Constellation Energy, Vistra, NextEra, Vertiv, Eaton) : +17%
- Calcul et cloud (AWS, Azure, Google Cloud, CoreWeave, Super Micro, Dell) : +10%
- Modèles et applications (OpenAI, Anthropic) : -59%
Ce sont des moyennes équipondérées provenant de Bloomberg, PitchBook et du Financial Times (estimations du 2e trimestre 2026 pour OpenAI et Anthropic).
La dépendance
Le point clé : les marges de 41% en amont ne sont pas financées par les revenus des clients finaux. OpenAI et Anthropic brûlent du capital à un rythme effarant, et ce capital — et non la demande des clients — est ce qui finance les achats de GPU, les locations de centres de données et les contrats d'énergie qui remontent la chaîne.
Dans une entreprise normale, le profit provient de l'entité qui détient la relation client. Dans l'IA, le pouvoir de fixation des prix se situe au niveau des semi-conducteurs et de l'infrastructure, mais ces profits sont en fin de compte subventionnés par des investisseurs qui parient sur les retours futurs de la couche des modèles.
La conclusion de Slok : "La partie la plus rentable de la chaîne de valeur de l'IA dépend de la partie la moins rentable qui continue à augmenter ses revenus ou à lever des capitaux."
Le capital peut combler l'écart "pendant un certain temps, mais pas indéfiniment". Le risque, dit-il, est de savoir si le retour sur investissement se matérialisera pour les clients finaux de l'IA assez rapidement pour soutenir les dépenses qui génèrent ces marges en amont.
Pour les ingénieurs en IA, c'est une perspective macroéconomique utile sur la fragilité de l'industrie. Les outils que vous construisez sur les modèles de pointe ne sont stables que dans la mesure où le financement en capital-risque maintient ces fournisseurs de modèles en vie. Si OpenAI ou Anthropic ne trouvent pas de retour sur investissement dans leurs produits destinés aux clients, toute la chaîne d'approvisionnement en amont est réinitialisée.
Il vaut la peine de lire la note originale pour le graphique complet et les sources de données.
📖 Lire la source complète : HN AI Agents
👀 See Also
Mainteneur du noyau Linux signale un changement soudain dans la qualité des rapports de bogues générés par l'IA
Greg Kroah-Hartman affirme que les rapports de bogues générés par l'IA pour le noyau Linux sont passés de 'déchets d'IA' à des rapports légitimes il y a environ un mois, les équipes de sécurité des projets open source observant le même changement. L'équipe du noyau gère cette augmentation avec des outils comme Sashiko pour l'automatisation des revues.
Deezer rapporte que 44 % des téléchargements quotidiens sont de la musique générée par l'IA
Deezer a annoncé que les morceaux générés par l'IA représentent désormais 44 % de toute la nouvelle musique téléchargée sur sa plateforme, avec près de 75 000 pistes IA téléchargées quotidiennement. Le système de détection de l'entreprise étiquette ces morceaux, les retire des recommandations et démonétise 85 % des streams IA en raison de fraudes.
Travailleurs d'Amazon inventent du travail factice pour atteindre les quotas d'utilisation de l'IA
Pour se conformer aux directives internes d'adoption des outils d'IA, les employés d'Amazon fabriquent des tâches, gonflent les statistiques d'utilisation et trafiquent les indicateurs, révélant une mise en œuvre défaillante des politiques d'adoption de l'IA.
ICML 2026 rejette 2 % des articles sur le bureau pour violation de la politique de révision par LLM.
ICML 2026 a rejeté 497 articles (environ 2 % des soumissions) après avoir détecté 795 évaluations (environ 1 % de toutes les évaluations) où les évaluateurs ont violé des accords explicites de ne pas utiliser de LLM. La méthode de détection impliquait le tatouage numérique des PDF avec des instructions LLM cachées.