Un pari colossal sur l’infrastructure
OpenAI s’est lancé dans un projet d’une ampleur inédite: engager plus de 1 000 milliards de dollars sur quelques années pour bâtir l’infrastructure de l’IA. D’après la presse économique, l’objectif serait d’atteindre environ 26 gigawatts de capacité de calcul auprès de géants comme Nvidia, AMD et Oracle. Pour donner un ordre de grandeur, cela équivaut à la puissance électrique nécessaire à des dizaines de grands centres de données. Et l’accélération s’est faite brutalement, avec des engagements massifs pris au cours du dernier mois.
Cette montée en puissance n’est pas qu’une question de serveurs et de puces: elle implique de sécuriser l’énergie, les terrains, la logistique, et des chaînes d’approvisionnement déjà sous tension. En toile de fond, un message simple: pour être premier en IA, il faut d’abord acheter le temps de calcul — et donc dépenser.
Une économie de plus en plus exposée
Ce pari dépasse le seul cadre d’OpenAI. Une partie croissante de l’économie — des fournisseurs de puces aux opérateurs de cloud, en passant par les marchés financiers — dépend de la réussite de ce modèle. L’idée d’une bulle IA revient avec insistance: si la promesse de revenus ne se matérialise pas à la hauteur des investissements, le choc pourrait se propager bien au-delà de la tech.
Les dépenses d’équipement liées à l’IA ont déjà porté une grande partie de la croissance américaine cette année, davantage que la consommation des ménages selon plusieurs analyses. La question qui fâche: que se passe-t-il si l’appétit pour l’IA ralentit? Une correction brutale pèserait sur l’ensemble de la chaîne de valeur.
Recettes: beaucoup de pistes, peu de certitudes
Face à cette facture, OpenAI multiplie les leviers. La société explore la publicité en ligne, la monétisation de son générateur texte‑vers‑vidéo nommé Sora, et même des fonctionnalités liées au commerce. Un appareil personnel pensé avec l’ex‑designer d’Apple Jony Ive est aussi sur la table.
Reste que transformer ces idées en revenus récurrents est tout sauf acquis. L’entreprise puise dans la dette pour garder le rythme, sans garantie que ces paris convergent assez vite. Les dirigeants eux‑mêmes reconnaissent que la feuille de route à cinq ans manque de clarté, notamment pour Sora, très gourmand en ressources mais encore flou sur son modèle tarifaire.
L’énorme défi de la conversion payante
OpenAI revendique environ 800 millions d’utilisateurs de ChatGPT. Impressionnant, mais la proportion de clients payants demeure faible: environ 5 % selon des sources internes citées dans la presse. Autrement dit, la majorité s’en tient à l’offre gratuite et hésite à passer à 20 $/mois, et plus encore à 200 $/mois pour des formules avancées.
Pour stimuler l’usage, la plateforme a déjà fait évoluer ses règles — y compris sur des applications “adultes”, un revirement par rapport aux déclarations passées. Le message implicite: tout ce qui peut accroître l’engagement est à l’étude, tant que cela peut, à terme, soutenir un modèle économique.
Des pertes massives malgré la croissance
Malgré une forte progression du chiffre d’affaires, la société reste lourdement déficitaire. Sur le premier semestre, les pertes auraient atteint environ 8 milliards de dollars. En interne, certains s’inquiètent de l’absence d’un plan suffisamment robuste pour passer d’une croissance coûteuse à une rentabilité durable.
Le pari actuel d’OpenAI peut se résumer ainsi: investir d’abord, scaler ensuite, et trouver la rentabilité plus tard. La direction ne fait pas de l’équilibre financier immédiat sa priorité, tout en reconnaissant qu’il faudra “un jour” dégager de gros bénéfices.
S’appuyer sur les partenaires pour gagner du temps
Pour tenir la cadence, OpenAI cherche à faire porter une partie des dépenses d’infrastructure à ses partenaires — Oracle en tête — afin de se donner “du temps pour construire le business.” En parallèle, certains montages financiers inquiètent les observateurs: lorsque des fabricants de puces investissent dans des clients qui leur achètent ensuite du matériel, l’effet de boucle alimente les critiques sur un marché potentiellement auto‑entretenu.
“Plus de compute = plus de revenus” ? Un pari contesté
La conviction de la direction est simple: davantage de capacité de calcul permettra d’offrir des modèles plus puissants, donc d’augmenter la valeur perçue et les revenus. Mais cette logique fait débat. Les coûts d’inférence et d’entraînement peuvent exploser plus vite que les recettes si la conversion payante n’accélère pas. Et l’histoire récente d’objets grand public dopés à l’IA — comme certains assistants portés — rappelle que l’adoption peut être inégale malgré le battage médiatique.
Un appareil IA personnel: une pente glissante
Même avec un nom prestigieux comme Jony Ive, lancer un terminal IA reste risqué. Le marché a déjà vu des objets ambitieux échouer à convaincre, minés par un rapport valeur/prix défavorable et des usages mal fixés. Sans applications “incontournables” et sans coûts d’usage maîtrisés, le risque est de créer une vitrine coûteuse plutôt qu’un relais de croissance.
En résumé
- Des engagements d’investissement supérieurs à 1 000 milliards de dollars pour atteindre environ 26 GW de calcul.
- Une dépendance croissante de l’écosystème technologique et financier à la réussite d’OpenAI, avec un risque de bulle.
- Des revenus encore fragiles: faible taux de conversion payante, monétisation de Sora incertaine, projet d’appareil personnel à haut risque.
- Des pertes élevées malgré la croissance, et une stratégie qui assume de privilégier l’expansion avant la rentabilité.
- Un pari central contesté: plus de compute suffira‑t‑il à faire décoller les recettes?
FAQ
Qu’est-ce que “26 gigawatts” signifie concrètement pour l’IA ?
C’est une mesure de puissance électrique disponible pour des centres de données. À cette échelle, on parle de parcs entiers de data centers, avec des besoins en refroidissement, en réseaux, et en alimentation équivalents à des infrastructures industrielles lourdes.
Où se situent les principaux coûts: entraînement ou inférence ?
Historiquement, l’entraînement initial coûte très cher. Mais à grande échelle, l’inférence (faire tourner les modèles pour les utilisateurs) peut dépasser l’entraînement si l’usage explose et que l’optimisation logicielle ne suit pas.
Quels leviers pourraient améliorer la rentabilité à moyen terme ?
- Des modèles plus efficaces et spécialisés, réduisant les coûts d’inférence.
- Des offres entreprises à forte valeur ajoutée (sécurité, conformité, intégrations).
- De meilleures conversions via des fonctionnalités premium réellement différenciantes.
- L’optimisation de la chaîne matérielle (nouveaux GPU/ASIC, scheduling, caching).
Quels indicateurs suivre pour juger de la viabilité ?
- Le taux de conversion vers les abonnements payants et le revenu moyen par utilisateur.
- Le coût par requête et sa trajectoire.
- La part des revenus entreprises récurrents.
- L’évolution du capex et des besoins en énergie.
La régulation peut‑elle améliorer l’équation économique ?
Oui, indirectement. Des règles claires sur la sécurité, la propriété intellectuelle et la transparence peuvent favoriser la confiance des entreprises et accélérer l’adoption payante, tout en réduisant le risque juridique et les coûts cachés.
