Les marchés traditionnels ferment, mais la volatilité ne se calme pas. Les indices synthétiques de Deriv se négocient 24h/24 et 7j/7, y compris le dimanche → Explorer les options.
Espace sponsorisé
Les quatre grandes entreprises technologiques américaines – Microsoft, Alphabet, Amazon et Meta – prévoient d'investir environ 725 milliards de dollars dans les infrastructures d'intelligence artificielle en 2026, selon les guides d'investissement confirmés dans leurs présentations de résultats du premier trimestre et compilés par le Financial Times.
Ce chiffre représente un bond de 77 % par rapport aux quelque 410 milliards déboursés en 2025. Goldman Sachs estime que les dépenses cumulées de ces quatre acteurs entre 2025 et 2030 atteindront 5 300 milliards de dollars.
Ce montant ne décrit pas seulement une course technologique : il marque un changement dans la géométrie du pouvoir économique. L’infrastructure nécessaire pour former et déployer des systèmes d’intelligence artificielle à grande échelle est concentrée dans un petit groupe d’entreprises capables d’absorber des investissements qui compriment leur flux de trésorerie disponible à court terme.
Amazon a déjà prévenu la SEC qu'elle pourrait recourir à des émissions de dettes et de capitaux propres pour soutenir le rythme de sa construction.
Pourquoi le calcul est le goulot d'étranglement
Le récit public continue d’être dominé par les avancées des modèles – GPT, Gemini, Claude, Llama – mais le véritable point de friction s’est déplacé vers l’infrastructure qui les rend possibles. La demande d'inférence pour les produits déjà déployés dépasse la capacité installée, et les coûts de formation augmentent parallèlement à l'échelle des modèles frontières. Celui qui contrôle les centres de données, les accords électriques à long terme et le silicium spécialisé contrôle le rythme du secteur.
Les chiffres individuels renforcent cette lecture. Amazon prévoit près de 200 milliards de dollars d’investissements d’ici 2026 ; Microsoft a fixé 190 milliards pour son exercice financier ; Alphabet vise un maximum de 185 milliards ; et Meta a augmenté sa fourchette entre 115 et 145 milliards, citant la hausse des prix de la mémoire et les coûts supplémentaires des centres de données.
Les dépenses combinées au cours d'un seul trimestre dépassent déjà 140 milliards de dollars, selon les données d'Epoch AI sur les dépôts auprès de la SEC.
Le contrepoids décentralisé
Face à cette concentration, un récit alternatif émerge du secteur crypto. Les réseaux DePIN – infrastructure physique décentralisée – ont ensemble une capitalisation boursière de près de 14,28 milliards de dollars selon CoinMarketCap, soit une fraction des investissements annuels d'un seul hyperscaler.
Cependant, la donnée pertinente n’est pas la taille actuelle mais la transition du modèle : ces protocoles abandonnent la croissance subventionnée par les émissions symboliques pour fonctionner avec les revenus réels des clients commerciaux.
Akash Network a enregistré un montant record de 5 millions de dollars en dépenses de calcul au premier trimestre 2026, avec une utilisation du GPU supérieure à 80 % et un accès aux cartes H100 entre 1,20 et 1,80 dollars par heure, contre 4,50 à 5,50 dollars facturés par AWS pour la même ressource.
Render Network, spécialisé dans le rendu et les téléchargements d'IA générative, génère environ 38 millions de dollars de revenus par mois. io.net regroupe 139 000 GPU distribués et s'oriente vers 20 millions de dollars de chiffre d'affaires annualisé.
Bittensor, évalué à environ 2,27 milliards de dollars avec une offre en circulation de 11,07 millions de jetons sur un maximum fixé de 21 millions, coordonne des dizaines de sous-réseaux dédiés à des tâches spécifiques d'intelligence artificielle. Des gestionnaires tels que Grayscale et Bitwise ont des demandes en attente auprès de la SEC pour des ETF au comptant sur l'actif.
Des tensions non résolues
La question ouverte est de savoir si cette infrastructure décentralisée constitue un véritable contrepoids ou une niche complémentaire. L'informatique distribuée fonctionne bien pour les charges parallélisables telles que le rendu et l'inférence, mais la formation de modèles frontières nécessite des interconnexions à faible latence entre des milliers de GPU, un domaine dans lequel les hyperscalers conservent un avantage structurel.
Les garanties de disponibilité, les accords de niveau de service et la conformité réglementaire exigés par les entreprises clientes restent l'obstacle le plus concret à la mise à l'échelle.
Ce que révèle le contraste numérique, c’est que le centre de gravité de l’intelligence artificielle ne réside plus dans celui qui forme le meilleur modèle, mais dans celui qui possède l’infrastructure sur laquelle ces modèles fonctionnent. Pour l’instant, la balance penche clairement en faveur d’une poignée d’entreprises américaines.
La question pour les prochains cycles est de savoir si les modèles alternatifs parviennent à capter une part significative du marché ou sont relégués aux marges d’une économie dont l’axe réel est le capital physique déployé.
En rapport
Voir l’article original en espagnol
