La construction des infrastructures d'intelligence artificielle devrait coûter environ 10 300 milliards de dollars rien qu'aux États-Unis entre 2025 et 2032. Pour que cet investissement soit rentable, le secteur de l'IA devrait générer environ 3 700 milliards de dollars de revenus annuels d'ici la fin de cette période.

Ces chiffres proviennent de Stijn Van Nieuwerburgh, professeur à Columbia Business School, dont l'analyse a été présentée à la conférence Brookings Papers on Economic Activity, une tribune de longue date où les économistes présentent de nouvelles recherches sur l'économie américaine. L'étude tente de répondre à une question qui ronge discrètement tous ceux qui suivent la construction des infrastructures d'IA : les calculs tiennent-ils réellement la route ?

Les chiffres derrière la construction

La projection centrale prévoit l'ajout d'environ 182,7 gigawatts de capacité de centres de données d'ici 2032. À titre de comparaison, cela représente une quantité vertigineuse d'infrastructures électriques, avec des dépenses d'investissement équivalant à environ 3,63 % du PIB américain par an.

Pour mettre l'échelle en perspective, le rapport souligne que cette construction dépasserait les investissements d'infrastructure historiques comme la construction du réseau ferroviaire et du réseau autoroutier interétatique.

L'économie par unité raconte une histoire tout aussi exigeante. L'analyse estime que la rentabilité requiert environ 5,5 dollars de revenus par GPU-heure installée à pleine utilisation — une référence qui lie directement le rendement de chaque puce installée à ce que les clients paient réellement pour la puissance de calcul IA. Si l'utilisation tombe à un niveau plus réaliste de 80 %, ce chiffre grimpe à 6,9 dollars par GPU-heure.

Le seuil de rendement utilisé dans le modèle suppose un rendement non levé de 10 % — une mesure calculée avant l'effet du financement par dette — avec une marge de trésorerie de 50 %. Atteindre ces références exigerait que le secteur de l'IA maintienne environ 80 % de croissance annuelle composée de ses revenus d'aujourd'hui jusqu'en 2032.

Ce taux de croissance est comparé à un taux de revenus annuel actuel combiné d'environ 100 milliards de dollars pour OpenAI et Anthropic, les développeurs derrière ChatGPT et Claude respectivement. Passer de 100 milliards à 3 700 milliards de dollars de revenus annuels en environ sept ans est une trajectoire qui paraît impressionnante dans un pitch deck et vertigineuse sur le tableau blanc d'un comité des risques.

Comment c'est financé

Le rapport examine les structures de financement, un domaine particulièrement pertinent pour quiconque'inquiète du risque systémique. Les hyperscalers — les opérateurs des plus grands réseaux de cloud et de centres de données, comme Microsoft, Amazon et Google — se tournent de plus en plus vers la dette externe et des arrangements financiers complexes pour financer leurs ambitions d'infrastructure d'IA.

Le rapport signale cette interconnexion comme une source potentielle de risque systémique, particulièrement si la demande de services d'IA n'augmente pas aussi vite que la capacité en construction. Un déficit de la demande d'IA se ferait alors sentir non seulement sur les entreprises technologiques elles-mêmes, mais aussi sur les prêteurs et investisseurs de l'autre côté de cette dette. Une surcapacité de centres de données financée par la dette externe est un problème très différent d'une surcapacité financée par les bénéfices conservés.

La question des 3 700 milliards de dollars

L'objectif de 3 700 milliards de dollars de revenus annuels d'ici 2032 représenterait environ 9,2 % du PIB américain projeté pour cette année-là.

Il existe également des contraintes physiques qui pourraient ralentir la construction, indépendamment de la disponibilité du financement. La production d'électricité et la capacité du réseau restent des goulots d'étranglement dans de nombreuses régions du pays, et les délais d'autorisation pour les nouvelles centrales électriques et lignes de transmission dépassent souvent largement ce que le calendrier d'investissement de l'IA exige.

Le rapport soulève aussi des questions sur les taux d'utilisation. Construire 182,7 GW de capacité ne génère de rendements que si cette capacité est réellement utilisée. La différence entre les exigences de revenus de 5,5 et 6,9 dollars par GPU-heure à pleine utilisation et à 80 % illustre la sensibilité de l'économie du secteur aux fluctuations de la demande.

L'étude présente ces chiffres comme une référence pour évaluer si la trajectoire de revenus du secteur peut soutenir le rythme des investissements d'infrastructure actuellement en cours. Mesurés à cette aune, les indicateurs observables à venir sont les publications de revenus des grands laboratoires d'IA, l'utilisation de la capacité GPU installée, les conditions auxquelles les hyperscalers lèvent de la dette externe, et la vitesse à laquelle les nouvelles capacités de production d'électricité et les autorisations surmontent les contraintes identifiées par le rapport.