Du cycle du battage au cycle de l'infrastructure
La première vague d'investissement en AI générative s'est caractérisée par un enthousiasme débridé — les entreprises ont vu leurs valorisations augmenter simplement en incluant AI dans un communiqué de presse. Goldman Sachs Research soutient que cette phase touche à sa fin, remplacée par quelque chose de plus sélectif et ancré dans les réalités physiques.
Les analystes de l'entreprise décrivent une dynamique de fuite vers la qualité où les investisseurs avertis déplacent leur attention vers la couche fondamentale de l'économie de l'AI : les data centers et le matériel informatique qui les remplit. Le raisonnement est simple. Les capacités des modèles continueront à s'améliorer, les applications viendront et repartiront, mais l'infrastructure physique requise pour entraîner et servir ces modèles est une nécessité absolue dont l'approvisionnement est limité par la disponibilité énergétique et les calendriers de construction qui ne peuvent pas être compressés par des avancées logicielles seules.
Les chiffres derrière le changement
Goldman Sachs estime que les charges de travail en AI représenteront environ 30% de la capacité totale des data centers d'ici deux ans, sur la base des plans de dépenses en capital annoncés par les hyperscalers représentant des centaines de milliards de dollars en nouvelles constructions.
La dimension énergétique est encore plus frappante. L'entreprise estime que la demande mondiale d'énergie des data centers pourrait augmenter d'environ 175% d'ici 2030 par rapport aux niveaux de 2023, entraînée principalement par l'intensité énergétique de l'entraînement et de l'inférence d'AI. Cette augmentation seule serait à peu près équivalente à ajouter la consommation électrique d'une économie mondiale parmi les dix premières au réseau. Ce n'est pas une considération secondaire pour la stratégie d'AI — c'est une contrainte principale qui façonne déjà le lieu et la vitesse du développement.
Les contraintes d'infrastructure restructurent la stratégie
Construire un data center AI à grande échelle n'est pas simplement une question de capital. Les terres doivent être acquises et zonées près d'une énergie fiable. Les connexions au réseau doivent être négociées avec les services qui peuvent nécessiter des délais de plusieurs années pour augmenter la capacité de transmission. Les grands transformateurs de puissance sont devenus un véritable goulot d'étranglement ; les délais se sont allongés à deux ans ou plus sur certains marchés, limités par une capacité de fabrication restreinte et la demande concurrente de la construction d'énergies renouvelables.
La sélection des sites est devenue une fonction stratégique dans les principales entreprises d'AI. Les emplacements éloignés avec accès à l'énergie hydroélectrique ou géothermique, des températures ambiantes plus fraîches et une fibre existante à haut débit sont maintenant des actifs véritablement rares. La concentration géographique du calcul d'AI reflète le regroupement de conditions d'infrastructure favorables.
L'implication pour les investisseurs
Pour les investisseurs, l'analyse de Goldman Sachs pointe vers un schéma des cycles informatiques précédents. Pendant la construction d'Internet, les entreprises propriétaires de câbles physiques et de data centers ont capturé des revenus stables tandis que les entreprises de couche application ont connu des cycles volatiles. Une dynamique similaire se forme probablement dans l'AI.
Les opérateurs de data centers, les entreprises de services aux campus d'AI, les spécialistes des technologies de refroidissement et les fabricants de matériel réseau se situent plus près de la base d'infrastructure que la plupart des entreprises de logiciels d'AI. L'entreprise note que les fournisseurs de cloud hyperscale, malgré leurs énormes capitalisations boursières, sont principalement des entreprises d'infrastructure lorsqu'on analyse où leur capital est réellement déployé.
Le joker de l'énergie
Goldman identifie l'énergie comme la variable la plus susceptible de devenir contraignante avant la capacité de calcul. L'infrastructure énergétique existante n'a pas été construite pour accueillir les taux de croissance projetés pour l'AI. Les services investissent dans l'expansion du réseau, mais l'approbation réglementaire et les calendriers de construction signifient que la nouvelle génération et la capacité de transmission restent en retard par rapport à la demande pendant des années.
Cela pousse déjà les entreprises d'AI à explorer des solutions non conventionnelles : les accords d'achat d'énergie nucléaire, la génération de gaz naturel dédiée et le stockage par batterie longue durée colocalisé avec les data centers. La question énergétique n'est plus périphérique à la stratégie d'AI — elle pourrait bien être le facteur déterminant de quelles entreprises peuvent évoluer et lesquelles ne peuvent pas.
