Dans son essai The Butterfly Touch, publié ce 11 mai, Arthur Hayes récupère un concept du XIXe siècle pour expliquer l'un des phénomènes les plus contre-intuitifs du cycle actuel : moins l'intelligence artificielle coûte cher par unité de traitement, plus le volume total de calcul demandé par le monde est grand.
Ce n'est pas une anomalie. Il s’agit d’une loi économique qui est en vigueur depuis 160 ans sans exception.
Qu’est-ce que le paradoxe de Jevons et pourquoi est-il important maintenant ?
William Stanley Jevons l'a formulé en 1865 en observant quelque chose qui semblait être une contradiction. Les améliorations apportées par James Watt aux machines à vapeur n'ont pas réduit la consommation de charbon de la Grande-Bretagne, elles l'ont fait monter en flèche.
À mesure que la production d’énergie devenait plus efficace, de plus en plus d’industries l’adoptaient. À mesure que le coût unitaire diminuait, la demande totale augmentait. Les progrès dans l’efficacité des modèles d’IA rendent l’informatique moins chère et plus accessible, mais cela entraîne une demande explosive de ressources informatiques, et non une réduction.
Hayes le place au centre de l’argument macro qui le conduit à être optimiste sur la cryptographie. Et les données de 2025 et 2026 lui donnent raison.
L'erreur du marché avec DeepSeek
L'expérience la plus récente a eu lieu en janvier 2025. Lorsque le modèle chinois DeepSeek a démontré qu'il était possible de former des systèmes hautes performances pour une fraction du coût précédent, de nombreux investisseurs ont vendu des actions de fabricants de puces.
Le raisonnement était simple : si l’IA nécessite moins de ressources, la demande en matériel diminue.
Ce raisonnement était incorrect. Meta a augmenté son budget d'investissement dans l'intelligence artificielle pour le porter entre 60 et 65 milliards de dollars d'ici 2025, quelques jours seulement après la publication de DeepSeek. L'entreprise a déclaré que l'expansion de son infrastructure continuerait de constituer un avantage concurrentiel à long terme. L'efficacité n'a pas arrêté l'investissement, elle l'a motivé.
Le paradoxe a fonctionné avec une précision clinique.
Des chiffres qui ne sont plus inédits
L’ampleur des CAPEX de l’IA rend difficile d’ignorer le phénomène. CreditSights a révisé à la hausse ses projections en février 2026 et estime désormais une dépense d'environ 750 milliards de dollars en CAPEX pour les cinq plus grands hyperscalers au cours de cette année, ce qui impliquerait une croissance de 67 % sur un an et la troisième année consécutive une augmentation supérieure à 60 %.
Environ 75 % de ces dépenses globales, soit environ 450 milliards de dollars, sont directement liées à l’infrastructure de l’IA.
Hayes ajoute un autre mécanisme qui amplifie le cycle : l’effet Reine Rouge. La valeur économique d’un modèle d’IA est relative – elle est définie par son avantage sur ses concurrents, et non par sa capacité absolue – obligeant chaque entreprise à investir en permanence juste pour maintenir sa position. L'innovation d'un acteur déprécie de manière endogène le capital existant de ses rivaux.
Le résultat est une course où personne ne peut arrêter de dépenser. Et où dépenser davantage est la seule réponse rationnelle.
Ce que cela signifie pour la blockchain et les réseaux décentralisés
Lorsque la demande informatique dépasse la capacité des systèmes centralisés à répondre avec une rapidité suffisante et à des prix abordables, un écart structurel apparaît.
L’écart entre l’offre de GPU et la demande de charges de travail d’IA est le principal moteur structurel des réseaux informatiques décentralisés en 2026.
Les réseaux DePIN – infrastructure physique décentralisée – sont nés directement de cette pression : ils regroupent du matériel sous-utilisé, depuis les fermes minières converties jusqu'aux centres de colocation de milieu de gamme, et le mettent à disposition sur le marché à des prix compétitifs.
En 2026, des projets comme Render Network ont consolidé leur position de fournisseur d’inférence d’IA à grande échelle, et Akash fonctionne comme un cloud décentralisé qui concurrence directement les fournisseurs centralisés en termes de prix et d’accessibilité.
Ce n’est pas un récit spéculatif. Il s’agit d’une réponse du marché à un véritable déséquilibre.
La limite du débat
L'objection la plus sérieuse est légitime : les réseaux distribués ne peuvent garantir la latence, la disponibilité et les normes de service que les grands clients exigent pour la formation des modèles frontières.
C'est une vraie limite. Mais cela ne tient pas compte du fait que la demande en matière d’IA n’est pas homogène.
Les modèles de formation frontières resteront dans les hyperscalers. L'inférence – la partie du processus qui croît le plus rapidement à mesure que les agents d'IA sont déployés à grande échelle – est techniquement compatible avec les architectures distribuées.
Le paradoxe de Jevons ne profite pas de la même manière à tous les acteurs. Il favorise spécifiquement ceux qui donnent accès à l’informatique là où la demande croît le plus rapidement.
La conclusion de Hayes et ce qu'elle implique
Hayes tient bon La touche papillon que les dépenses d’investissement en IA augmenteront indéfiniment jusqu’à ce qu’un événement exogène l’arrête. Identifiez deux candidats : une introduction en bourse ou une fusion d’une ampleur indigeste pour le marché, ou un discours politique anti-IA qui gagne du terrain lors du cycle électoral américain de 2028.
En attendant, le paradoxe persiste. L’efficacité réduit le coût unitaire, entraînant une augmentation disproportionnée de la demande. En conséquence, le calcul total augmente et l’infrastructure qui le prend en charge doit continuer à se développer.
Une loi de 1865 explique toujours plus précisément 2026 que la plupart des modèles construits cette décennie.
-Nœudor