Un campus d’inférence dédié de 100 MW utilisant des racks GB200 NVL72 aurait besoin d’environ 2,91 $ par heure GPU pour générer un taux de rendement interne des capitaux propres avec effet de levier de 15 %, selon une analyse approfondie de l’équipe Scotiabank Global Equity Research.

Le modèle de Scotia fixe les dépenses d’investissement totales du projet à 4,03 milliards de dollars pour 100 MW de charge IT critique, soit 40,3 millions de dollars par mégawatt. Sur ce total, 64 % sont alloués aux équipements IT, évalués à 3,0 millions de dollars par rack NVL72, une grande partie de cette dépense allant à NVDA. Les 36 % restants concernent l’infrastructure elle-même, à 14,5 millions de dollars par mégawatt.

La banque suppose que 70 % du projet sont financés à 8,0 % sur six ans et retient une valeur résiduelle de 15 % sur les dépenses d’investissement IT après la sixième année, ce qui montre à quel point l’équation du rendement dépend à la fois des conditions de financement et de la valeur du matériel à la fin de la période de détention.

Scotia indique que les indications actuelles de location du GB200 franchissent le seuil. Au niveau requis de 2,91 $, le modèle correspond à environ 0,81 $ par million de jetons de sortie. À titre de comparaison, les coûts actuels de sortie par jeton pour les modèles fermés vont de 1,50 $ pour Gemini 3.1 Flash-Lite à 15 $ pour GPT 5.4. DeepSeek V4 Flash est proposé entre 0,28 $ et 0,66 $, tandis qu’Ox Alpha semble se situer autour de 0,50 $ pour un produit qui se rapproche de Claude Opus 4.8.

Le rapport souligne également l’ampleur des engagements des hyperscalers. Scotia indique que les montants hors bilan atteignent désormais 2,588 billions de dollars, auxquels s’ajoutent 779 milliards de dollars déjà au bilan. Ces chiffres n’incluent pas 120 milliards de dollars de garanties et d’autres expositions conditionnelles, que la banque ne considère pas comme des engagements fermes.

Un autre chiffre important est l’estimation des dépenses d’exploitation. Scotia fixe les opex à 0,52 $ par heure GPU, qu’elle décrit comme un plancher, car en dessous de ce niveau il vaut mieux arrêter l’installation. Le rapport note que des producteurs de matières premières et des usines ont parfois fonctionné à perte pendant un certain temps, mais estime que cette logique définit tout de même une borne pratique.

Le scénario baissier pour l’infrastructure IA, selon le rapport, est que l’un des locataires engagés de ces centres de données — comme OpenAI ou Anthropic — fasse faillite. Dans ce cas, une installation construite pour 4,03 milliards de dollars et financée par 2,82 milliards de dollars de dette perdrait son locataire. Comme un campus IA conçu sur mesure n’a pas d’usage de remplacement rapide, le prêteur se retrouverait avec une garantie immobilisée et à usage unique. L’équipement à l’intérieur serait également la partie de l’actif qui se déprécie le plus vite. Scotia estime que le prêteur prendrait probablement une dépréciation, trouverait un exploitant et vendrait la puissance de calcul au prix que le marché voudra bien payer.

La banque cite le secteur de la fibre optique comme parallèle historique, en se référant à la période allant de 2001 à environ 2010. Dans ce cas, un seul défaut supprimait la demande contractée tout en ajoutant simultanément de l’offre spot, ce qui faisait baisser les valeurs de seconde main pour la même raison que les loyers chutent quand l’offre excède la demande.

L’estimation du coût de trésorerie de Scotia s’établit à 0,145 $, tandis que le prix catalogue API médian du marché pour les jetons de sortie est de 1,94 $, même si le rapport précise que ce tarif peut évoluer.

Le rapport indique qu’un autre risque majeur est la disponibilité de l’électricité. Les files d’attente de raccordement, les retards sur les transformateurs et les turbines, ainsi que les pénuries de main-d’œuvre électrique qualifiée, pourraient limiter la vitesse à laquelle les capacités annoncées sont effectivement livrées. Cela crée le risque que les installations soient achevées avant que l’électricité ne soit prête, laissant les GPU vieillir avant que les sites puissent être pleinement utilisés.

Un indicateur à surveiller, en excluant le risque de défaut, est le prix des contrats. Scotia écrit : « Dans notre modèle, l’écart entre 2,50 $ et 3,50 $ sépare un scénario de base échoué d’un projet qui franchit à la fois les tests de rendement et de couverture. »

Le rapport laisse également ouverte la question du multiple auquel les hyperscalers devraient se traiter si ces investissements massifs ne dépassent que de peu leurs seuils d’investissement. Si les capex génèrent un véritable bénéfice incrémental, le BPA peut croître dans un contexte de décompression des multiples, laissant le titre évoluer latéralement pendant des années. Scotia indique qu’il s’agit d’un résultat courant lorsqu’une activité à fort rendement se transforme en modèle plus intensif en capital.

Scotia souligne aussi la boucle de financement circulaire qui est devenue une caractéristique majeure du déploiement de l’IA. Les engagements des hyperscalers et des développeurs de modèles soutiennent la dette des projets, créant une exposition corrélée entre locataires, propriétaires d’infrastructures et prêteurs. Une baisse des prix API pourrait fragiliser le crédit des locataires, peser sur les valeurs résiduelles, élargir les spreads de dette des projets et ralentir le refinancement et la construction. Le résultat final dépend, selon la banque, de la capacité d’une intensité de demande croissante à compenser la baisse des prix des jetons et l’obsolescence des capacités installées.

La question finale, toutefois, va dans l’autre sens : que se passe-t-il si l’IA réussit ? Dans un monde de superintelligence, les modèles pourraient rapidement optimiser, ce qui pourrait faire baisser les coûts des jetons. Un modèle auto-apprenant pourrait également concevoir une puce beaucoup plus efficace que celles actuellement utilisées aujourd’hui.