Le logiciel a dévoré le monde, et maintenant le matériel dévore le logiciel

• À l’ère du SaaS, les interfaces et les applications captaient 75 à 90 % de marge brute, mais dans l’IA, le centre de valeur descend vers les semi-conducteurs, le calcul, les données et les plateformes d’inférence, tandis que la couche applicative s’amincit
• Les capitaux massifs, les goulots d’étranglement physiques liés à CoWoS, à la HBM et à l’électricité, les coûts de migration des données et la substituabilité de la logique applicative ancrent le centre de valeur dans les couches inférieures
• Le chiffre d’affaires data center de NVIDIA a atteint 75,2 milliards de dollars sur le trimestre clos en avril 2026, en hausse de 92 % sur un an, et les dépenses d’investissement des quatre grands hyperscalers ont atteint 131 milliards de dollars au premier trimestre 2026, concentrant les capitaux vers les couches d’infrastructure physique
• L’écart de performance et le prix des modèles à poids ouverts baissent rapidement, mais les plateformes d’inférence et d’optimisation offrant un haut débit et une faible latence, les plateformes de données propriétaires, ainsi qu’un petit nombre de modèles premium dotés des meilleures performances et de réseaux de distribution entreprise conservent leur valeur
• Dans les applications d’IA, les coûts d’inférence représentent en moyenne 23 % du chiffre d’affaires, ce qui peut limiter la marge brute à 50–60 % ; pour atteindre la défendabilité du logiciel traditionnel, elles doivent donc posséder l’un des éléments suivants : boucle de données propriétaire, système d’enregistrement, workflow réglementé, puissance de distribution ou tarification à la performance

---

L’IA inverse le sens de déplacement de la valeur

• Dans le SaaS, le coût marginal pour servir un utilisateur supplémentaire était proche de zéro, et les entreprises qui possédaient l’interface, le workflow et le système d’enregistrement captaient 75 à 90 % de marge brute
• Dans l’IA, l’inférence devient un coût variable des ventes, ce qui déplace le centre de valeur des applications vers les couches inférieures
  • Les semi-conducteurs et le calcul, les plateformes de données, les moteurs d’inférence exécutant des modèles ouverts, ainsi qu’un petit nombre de modèles frontier premium constituent les principales couches de valeur
• Les applications ne disparaissent pas, mais leur couche s’amincit
  • Alors que les valorisations des modèles et des données augmentent, les applications wrapper non différenciées voient leurs marges et leurs multiples de chiffre d’affaires diminuer
• Après l’éclatement de la bulle internet, les capitaux privés ont quitté les semi-conducteurs, intensifs en capital et cycliques, pour se déplacer vers le cloud et le SaaS, qui offraient plus de 80 % de marge brute et des revenus récurrents
• L’IA inverse ce mouvement et renvoie les capitaux vers le silicium, le packaging, l’électricité, l’infrastructure de données et les fondations d’inférence
  • Les franchises les plus précieuses de la tech redeviennent des entreprises de puces
  • Les plateformes d’inférence et de données deviennent des activités d’infrastructure à la croissance record
  • Les applications asset-light, qui étaient la destination du précédent déplacement de capitaux, se retrouvent avec une structure de marge défavorable dans la stack IA

Quatre raisons pour lesquelles la valeur s’accumule dans les couches inférieures

• Chaque couche de la stack IA peut être évaluée selon la facilité avec laquelle une autre couche peut remplacer le prochain dollar de valeur
• L’intensité capitalistique agit comme une barrière à l’entrée
  • Les quatre grands hyperscalers engagent plus de 500 milliards de dollars de dépenses d’investissement annualisées et se dirigent vers plus de 600 milliards de dollars en 2026
  • Sur un marché qui exige des injections de capitaux massives et continues, le capital lui-même devient un moat
• Les goulots d’étranglement physiques ne se résolvent pas rapidement avec de l’argent seul
  • Le packaging avancé CoWoS, la mémoire à haute bande passante (HBM) et l’électricité constituent des contraintes explicites
  • Les entreprises qui contrôlent ces contraintes rares captent la valeur
• Les coûts de migration et l’inertie accumulent la valeur dans les plateformes de données
  • Plus les pipelines, tables et modèles s’ajoutent dans le même environnement, plus le coût de migration augmente
  • Les poids ouverts étant conçus pour être portables, la valeur se déplace du modèle lui-même vers la plateforme qui le fournit
• Le risque de substitution de la couche de surface continue d’augmenter
  • La logique applicative générique peut être exécutée directement par les modèles, ce qui en fait la partie la plus facilement remplaçable de la stack

Couche 1 : semi-conducteurs et calcul

• NVIDIA et les dépenses d’investissement des hyperscalers

  • Le chiffre d’affaires data center de NVIDIA a atteint 75,2 milliards de dollars sur le trimestre clos en avril 2026, en hausse de 92 % sur un an
  • Sa marge brute est d’environ 75 %, et son chiffre d’affaires annualisé d’environ 300 milliards de dollars
  • La guidance de chiffre d’affaires total pour le trimestre suivant est de 91 milliards de dollars, et sa part de marché en chiffre d’affaires des accélérateurs IA est d’environ 80 %
  • Les dépenses d’investissement des quatre grands hyperscalers ont atteint environ 131 milliards de dollars au premier trimestre 2026
    • Amazon a dépensé 44,2 milliards de dollars, Alphabet 35,7 milliards
    • Microsoft a investi 30,9 milliards de dollars, Meta 19,8 milliards
  • Ce niveau d’investissement représente environ 525 milliards de dollars annualisés et augmente vers la guidance annuelle 2026 de plus de 600 milliards de dollars
  • Goldman Sachs estime les dépenses d’investissement cumulées des hyperscalers sur 2025–2030 à 5 300 milliards de dollars

• Contraintes d’approvisionnement en calcul, mémoire et stockage

  • Le chiffre d’affaires mondial des semi-conducteurs a atteint 793 milliards de dollars en 2025, en hausse de 21 % sur un an, et devrait approcher 1 000 milliards de dollars en 2026
    • La prévision du WSTS est d’environ 975 milliards de dollars, soit une hausse de 25 % sur un an
    • La prévision de Gartner est plus élevée
  • L’IA représente environ 30 % du chiffre d’affaires total des semi-conducteurs et devrait dépasser 50 % en 2029
  • Dans le calcul, le marché des accélérateurs IA devrait passer d’environ 80 milliards de dollars en 2024 à plus de 280 milliards de dollars en 2029
  • La mémoire subit elle aussi une pression rapide
    • La demande de HBM a augmenté d’environ 130 % en 2025, puis d’environ 70 % supplémentaires en 2026
    • Les prix contractuels de la DRAM classique ont augmenté d’environ 90 % au premier trimestre 2026 par rapport au trimestre précédent
    • Les data centers IA absorbent environ 70 % de la DRAM haut de gamme
  • Le marché NAND atteindra environ 65 milliards de dollars en 2026, et un cinquième de l’ensemble des bits sera utilisé par l’IA
    • D’ici 2027, la croissance de la demande devrait atteindre 20–22 %, dépassant la croissance de l’offre, estimée à 15–17 %

• Goulots d’étranglement dans le packaging et l’électricité, et risque de rendement

  • La contrainte centrale se déplace de la conception des puces vers le packaging et l’électricité
  • La capacité CoWoS de TSMC passera d’environ 70 000 wafers par mois en 2025 à environ 110 000 wafers par mois en 2026, mais elle est pratiquement entièrement vendue
  • NVIDIA a réservé plus de la moitié de l’approvisionnement jusqu’en 2027
  • La nouvelle capacité de data centers IA annoncée en 2025 a dépassé 10 GW, tandis que la base de packaging actuelle peut soutenir environ 18 GW
  • Le silicium personnalisé des hyperscalers, comme les Google TPU, AWS Trainium et ASIC Broadcom, devient un marché des accélérateurs de plus de 200 milliards de dollars
    • À long terme, il peut réduire la part de NVIDIA, mais il ne déplace pas la valeur hors de la couche des semi-conducteurs
  • Le principal risque n’est pas le chiffre d’affaires, mais le retour sur investissement
    • Avec plus de 500 milliards de dollars de dépenses d’investissement annuelles et une durée de vie utile des accélérateurs de 2 à 3 ans, le taux d’utilisation de la base installée doit être suffisamment élevé pour préserver les marges
    • Plus que la concurrence, le taux d’utilisation des équipements est la variable la plus déterminante pour la rentabilité de l’ensemble de la stack IA

Couche 2 : modèles ouverts et plateformes d’inférence

• Convergence des performances des modèles et expansion de l’offre

  • Selon le Stanford AI Index, sur Chatbot Arena, l’écart entre le meilleur modèle fermé et le meilleur modèle à poids ouverts est passé de 8,04 % en janvier 2024 à 1,70 % en février 2025
  • Sur MMLU, l’écart d’environ 17,5 points en 2023 a pratiquement disparu
  • DeepSeek R1 a montré qu’un budget d’entraînement de l’ordre de 100 millions de dollars n’était pas indispensable pour atteindre une inférence de niveau frontier
  • Qwen a dépassé Llama pour devenir la famille de modèles la plus téléchargée sur Hugging Face
  • Hugging Face recense plus de 2,2 millions de modèles, et le catalogue a doublé en environ 24 mois
  • Quand des milliers de modèles ouverts similaires existent, la capacité rare n’est plus les poids eux-mêmes, mais l’aptitude à les exécuter efficacement
    • Il faut optimiser le débit, la latence et le coût par token
    • Le routage des modèles, le caching, le fine-tuning, l’évaluation et les guardrails sont également nécessaires

• Modèles ouverts non américains et valeur des plateformes

  • La part des développeurs non américains augmente à la frontière des poids ouverts
  • D’août 2024 à août 2025, les développeurs chinois ont représenté 17,1 % des téléchargements sur Hugging Face
    • La part des développeurs américains était de 15,8 %
  • Qwen a dépassé Llama pour devenir la première famille de modèles en téléchargements
  • La commoditisation des modèles ouverts ne relève pas seulement de l’économie, mais aussi de variables de chaîne d’approvisionnement et de politique publique
  • De même que Red Hat et le cloud ont capté la valeur économique davantage que Linux lui-même, dans les poids ouverts, ce sont les plateformes qui les fournissent de manière fiable et bon marché qui absorbent la dépense, plus que les modèles
  • Une activité durable ressemble davantage à une plateforme d’inférence et d’optimisation qu’à un modèle ouvert en soi
    • La capacité à exploiter en production des modèles portables de façon fiable et peu coûteuse ne se commoditise pas facilement

• Croissance et structure de coûts des plateformes d’inférence

  • Fireworks AI a annoncé avoir dépassé 800 millions de dollars de chiffre d’affaires annualisé en environ trois ans, avec une croissance de plus de 4× sur un an
  • Together AI serait d’une taille similaire, et Baseten a dépassé 5× de croissance sur un an pour atteindre environ 600 millions de dollars
  • Ces entreprises ne sont pas des laboratoires de modèles, mais des fournisseurs d’infrastructure qui rendent les poids ouverts utilisables en production
  • Pour une fonctionnalité IA de taille intermédiaire traitant 50 milliards de tokens de sortie par mois, l’écart de coûts est important
    • Si le prix de sortie d’une API frontier est d’environ 10 à 15 dollars par million de tokens, le coût mensuel est d’environ 500 000 à 750 000 dollars
    • Si des modèles ouverts comme Llama, Qwen ou DeepSeek sont proposés via une plateforme d’inférence à environ 0,40 à 1 dollar par million de tokens, le coût mensuel est d’environ 20 000 à 50 000 dollars
  • La réduction de coût dépasse 90 %, et la plateforme capte une partie de l’économie sous forme de marge
  • Ce calcul est un exemple ; les coûts réels varient selon le modèle, la longueur de contexte et le taux d’utilisation

Couche 3 : un petit nombre de modèles premium

• La convergence des modèles ouverts réduit l’écart de performance moyen, mais elle ne supprime pas la frontière elle-même
• Il restera une couche premium dans les domaines prêts à payer pour un point supplémentaire de performance, comme les tâches agentiques complexes, la fiabilité sur longue exécution, le codage en production et la sécurité
• Le chiffre d’affaires annualisé d’Anthropic est passé d’environ 1 milliard de dollars fin 2024 à environ 47 milliards de dollars en mai 2026, et devrait atteindre environ 100 milliards de dollars en fin d’année
  • L’entreprise compte plus de 1 000 clients entreprise dépensant plus de 1 million de dollars par an
• Le chiffre d’affaires annualisé d’OpenAI était d’environ 6 milliards de dollars fin 2024, environ 20 milliards fin 2025, environ 30 milliards mi-2026, et se dirige vers environ 60 milliards en fin d’année
• Les deux laboratoires utilisent des bases de chiffre d’affaires différentes, et les chiffres de fin 2026 sont des estimations ; il faut donc se concentrer sur la trajectoire de croissance plutôt que sur les montants absolus
• La couche premium est plus étroite qu’on ne l’anticipait en 2023, et pour obtenir une position défendable, il faut non seulement une performance frontier, mais aussi un réseau de distribution atteignant les clients entreprise

Couche 4 : plateformes de données

• Les plateformes de données créent une gravité des données : plus les pipelines, tables et ontologies s’accumulent, plus les coûts de migration augmentent
• Le chiffre d’affaires annualisé de Databricks a dépassé 6,9 milliards de dollars, avec une croissance d’environ 80 %
  • Les produits IA représentent déjà environ 26 % du chiffre d’affaires
  • Sa valorisation privée est d’environ 170 milliards de dollars
• Palantir est une couche opérationnelle qui relie les données d’entreprise à des décisions contrôlées
  • Au premier trimestre 2026, son chiffre d’affaires a augmenté de 85 % sur un an, atteignant environ 6,5 milliards de dollars annualisés
  • Le chiffre d’affaires commercial aux États-Unis a progressé de 133 %
  • Son Rule of 40 atteint 145 %
  • Sa capitalisation boursière est d’environ 350 milliards de dollars, soit environ 50 fois son chiffre d’affaires
• Les modèles convergent entre eux, mais les données propriétaires des entreprises et les workflows et ontologies construits dessus ne sont pas remplacés
• Plus la couche modèle se commoditise, plus les plateformes qui possèdent les données et les boucles de décision obtiennent un levier durable
• Les multiples de chiffre d’affaires élevés, comme environ 50× pour Palantir et 25–50× pour les entreprises de modèles de fondation, se concentrent sur les couches combinées à des données propriétaires, plutôt que sur les surfaces logicielles génériques

Couche 5 : l’amincissement des applications

• Pression sur la marge brute

  • Le SaaS traditionnel pouvait afficher 75 à 90 % de marge brute, car le coût de support d’un utilisateur supplémentaire était presque nul
  • Les applications IA natives doivent réexécuter un modèle à chaque requête, ce qui place leur marge brute autour de 50–60 %
  • Dans les données 2026 d’ICONIQ, les coûts d’inférence des entreprises IA en phase de croissance représentent en moyenne environ 23 % du chiffre d’affaires
  • Contrairement au coût des ventes du SaaS, la part des coûts d’inférence ne baisse pas automatiquement avec l’échelle
  • Les wrappers extrêmement minces peuvent voir leur marge brute descendre jusqu’à 25 %

• Polarisation des valorisations

  • Le marché applique des multiples de chiffre d’affaires différents selon les couches de la stack IA
    • Les entreprises de modèles de fondation sont valorisées 25 à 50×
    • Les plateformes IA natives se situent autour de 25 à 30×
    • Le multiple médian du SaaS traditionnel est passé d’un pic de 18,6× en 2021 à environ 6,7×
    • Les wrappers IA sont valorisés 5 à 8×, soit autant que le SaaS existant, voire moins
  • Les modèles et les données reçoivent des valorisations élevées, tandis que les surfaces applicatives non différenciées sont faiblement valorisées
  • Une application durable doit posséder des actifs difficiles à absorber par un modèle
    • Elle doit disposer d’une boucle de données propriétaire ou d’un système d’enregistrement
    • Les workflows réglementés et de véritables réseaux de distribution apportent de la défendabilité
    • La tarification à la performance peut transformer les coûts d’inférence en marge
  • Sans ces éléments, l’application reste une couche mince faite de prompts et de code de connexion posés sur des modèles en voie de commoditisation

Conditions pour que la valeur remonte vers les applications

• Si une application accumule rapidement des données d’interaction, elle peut devenir sa propre plateforme de données et acquérir une gravité des données
  • Les applications qui jouent le rôle de système d’enregistrement peuvent faire exception à la tendance d’amincissement de la couche
• Si un laboratoire de modèles premium possède l’inférence, construit des agents et vend directement jusqu’à l’application, il peut internaliser la valeur de trois couches
  • Cela concentre la valeur dans une seule entreprise plutôt que de la redistribuer vers le haut, mais peut affaiblir les plateformes d’inférence indépendantes et la couche applicative
• Si les coûts d’inférence se commoditisent plus vite que prévu, la marge brute des applications IA peut revenir au niveau du SaaS
  • LLMflation estime que le coût d’une unité d’intelligence baisse d’environ 10× par an, et que depuis début 2024, la médiane des prix baisse à un rythme d’environ 200× par an
  • Si l’inférence devient presque gratuite, le problème de marge de la couche applicative s’atténue
  • Toutefois, même si le coût tombe à zéro, la substituabilité de la couche de surface demeure, de sorte que le problème de valorisation subsiste largement
• La même baisse des coûts peut à la fois mettre sous pression les prix des semi-conducteurs et des plateformes d’inférence et restaurer les marges des applications, mais le risque structurel de substitution de la couche de surface persiste

Réponses des investisseurs, fondateurs et entreprises établies

• Les investisseurs doivent évaluer les points de contrôle plutôt que les interfaces
  • Ils doivent examiner les goulots d’étranglement physiques comme le calcul, le packaging, l’électricité et la mémoire
  • Cela inclut les plateformes de données qui accumulent continuellement des données propriétaires
  • Les plateformes d’inférence et d’optimisation qui monétisent l’abondance de modèles ouverts sont également concernées
  • Il faut distinguer le petit nombre de modèles premium qui disposent à la fois de performances frontier et d’un réseau de distribution entreprise
• Pour les applications, il faut exiger une boucle de données ou un système d’enregistrement et, jusqu’à preuve du contraire, supposer une marge brute de 50 à 60 % plutôt que de plus de 80 %
• Les fondateurs doivent posséder une boucle de données propriétaire ou devenir un système d’enregistrement
  • Ou bien fixer leurs prix à la performance, afin que la baisse des coûts d’inférence ne reste pas seulement une économie pour les clients, mais se transforme en marge pour l’entreprise
• Les entreprises établies peuvent louer le moat des couches fondamentales qui exigent énormément de capital, mais il leur est difficile de le posséder directement
  • Plutôt que de concurrencer le calcul ou les modèles frontier, il est plus adapté de construire leur défendabilité dans la couche de données, en gardant données, apprentissage et serving au même endroit

Indicateurs à surveiller au cours des quatre prochains trimestres

• Si le ratio dépenses d’investissement des hyperscalers sur chiffre d’affaires dépasse 25–30 % tout en maintenant les marges, la logique de rendement des couches fondamentales reste valide
  • Si le rendement du capital investi s’effondre, la valeur de toute la stack pourrait être réévaluée
• Si les revenus récurrents annuels de Fireworks AI, Together AI et Baseten augmentent chacun vers environ 1 à 2 milliards de dollars, cela renforcera l’idée que la valeur se concentre dans la couche d’inférence plutôt que dans les modèles
• Si l’écart entre modèles ouverts et fermés reste inférieur à environ 2 points sur des benchmarks difficiles comme les agents et le codage, la commoditisation de la couche modèle se consolidera
• Si la marge brute des applications IA en phase de croissance reste à 50–60 %, la thèse de l’amincissement des applications se maintient ; si elle remonte au-delà de 75 %, elle s’affaiblit
• Si les prix de la DRAM et de la HBM continuent d’augmenter à deux chiffres chaque trimestre, cela confirmera que les contraintes physiques et les marges restent dans les couches fondamentales

Positionnement à 3–5 ans

• Dans le scénario le plus probable, il faut se concentrer sur les couches fondamentales et les couches de données, et ne choisir les modèles premium qu’en cas de forte conviction sur un petit nombre de gagnants
• Les applications ne devraient recevoir des multiples de chiffre d’affaires comparables à ceux du logiciel traditionnel que lorsqu’elles disposent d’une boucle de données ou d’un système d’enregistrement
• La gravité de la valeur créée par le capital, les goulots d’étranglement physiques, les coûts de migration des données et la substituabilité accumule la valeur dans les couches inférieures de la stack IA