Choc de stratégies | Pourquoi Arvind Krishna, PDG d'IBM, ne croit-il pas à la vision à mille milliards de dollars de Sam Altman – une intelligence artificielle générale (IAG) à un niveau de zéro à un pour cent ?
Version préliminaire d'Xpert
Sélection de voix 📢
Publié le : 4 décembre 2025 / Mis à jour le : 4 décembre 2025 – Auteur : Konrad Wolfenstein
Confrontation de stratégies | Pourquoi Arvind Krishna, PDG d'IBM, ne croit pas à la vision à mille milliards de dollars de Sam Altman – une intelligence artificielle générale (IAG) à 0 ou 1 % ? – Image : Xpert.Digital
Intelligence artificielle générale (IAG) et mathématiques impitoyables : pourquoi le boom des centres de données ne sera jamais rentable.
Le cycle de mortalité sur 5 ans : un risque sous-estimé pour Nvidia, Microsoft et d’autres.
Alors que la Silicon Valley est en proie à une frénésie d'investissement sans précédent, avec des milliards de dollars déversés dans la course à la superintelligence artificielle, l'un des PDG les plus expérimentés du secteur technologique mondial freine des quatre fers. Arvind Krishna, PDG d'IBM, prévient : « Le pari n'est pas gagnant. »
Une véritable ruée vers l'or s'empare du secteur technologique mondial. Des entreprises comme Microsoft, Google et Meta se livrent à une surenchère d'investissements dans de nouveaux centres de données, animées par la crainte d'être distancées lors de la prochaine grande révolution technologique. L'objectif est clair : le développement d'une intelligence artificielle générale (IAG) égale, voire supérieure, à l'intelligence humaine. Mais au milieu de cette euphorie, une voix puissante s'élève, non pas parmi les critiques technologiques, mais au cœur même du pouvoir : celle d'Arvind Krishna, PDG d'IBM.
Dans une analyse rigoureuse fondée sur des calculs mathématiques purs, Krishna déconstruit le discours dominant de la Silicon Valley. Son avertissement est aussi simple que terrifiant : les coûts d’infrastructure explosent tandis que le matériel devient obsolète plus vite qu’il ne peut être amorti. Krishna évoque des investissements pouvant atteindre huit mille milliards de dollars américains, nécessaires pour poursuivre le développement actuel de l’intelligence artificielle générale (IAG) – une somme qui pourrait ruiner même les entreprises les plus riches du monde si les profits astronomiques promis ne se concrétisaient pas.
Mais les critiques de Krishna ne se limitent pas aux chiffres. Il remet en question le fondement technologique même de cet engouement. Alors que Sam Altman et OpenAI présentent l'avènement de la superintelligence comme quasi inévitable, Krishna estime la probabilité d'atteindre cet objectif avec les technologies actuelles de modélisation du langage à grande échelle à un niveau alarmant de zéro à un pour cent.
Sommes-nous confrontés au plus grand mauvais investissement de l'histoire économique ? Le boom de l'IA est-il une bulle sur le point d'éclater, ou les sceptiques négligent-ils le potentiel transformateur qui se cache derrière les bilans ? Cet article examine les arguments, les mathématiques implacables de l'économie des centres de données et le conflit fondamental entre les visionnaires d'une approche « tout ou rien » et les partisans d'un réalisme pragmatique.
Convient à:
Pourquoi le PDG d'IBM prédit la fin de l'expérience la plus coûteuse de l'histoire de la technologie
Le secteur technologique mondial pourrait bien être confronté à l'un des plus grands erreurs d'investissement de l'histoire économique. Tandis que des entreprises comme Microsoft, Amazon, Meta et Google investissent des centaines de milliards de dollars dans le développement d'infrastructures d'intelligence artificielle, une voix s'élève au cœur même de l'industrie informatique pour tirer la sonnette d'alarme. Arvind Krishna, PDG d'IBM depuis 1990, a présenté une analyse économique fondamentale lors d'un entretien avec le podcast Decoder de The Verge fin novembre 2025, une analyse susceptible de dissiper l'euphorie entourant l'intelligence artificielle générale.
Ses déclarations, publiées les 30 novembre et 1er décembre 2025, abordent un débat qui prend de l'ampleur dans les conseils d'administration et les cercles d'analystes. Krishna ne parle pas de risques théoriques ni de considérations philosophiques, mais d'impossibilités financières concrètes qui remettent en question le modèle d'investissement actuel dans le secteur de l'IA. Ses calculs donnent à réfléchir même aux observateurs les plus optimistes du secteur, car ils reposent sur des arithmétiques simples et des principes commerciaux solides.
Convient à:
Les mathématiques impitoyables de l'économie des centres de données
Krishna entame son analyse par un constat lucide des coûts actuels. Un centre de données d'une capacité d'un gigawatt représente un investissement de 80 milliards de dollars américains selon les normes actuelles. Ce montant inclut non seulement l'infrastructure physique et les bâtiments, mais aussi l'ensemble des équipements techniques, des serveurs et composants réseau aux processeurs graphiques hautement spécialisés nécessaires aux calculs d'intelligence artificielle.
Le secteur technologique s'est engagé dans une expansion massive ces derniers mois. Plusieurs entreprises ont annoncé publiquement leur intention de construire entre 20 et 30 gigawatts de capacité de calcul supplémentaire. Au coût actuel du gigawatt, cela représenterait des investissements totaux d'au moins 1 500 milliards de dollars. Cette somme est à peu près équivalente à la capitalisation boursière actuelle de Tesla et illustre l'ampleur considérable du projet.
Mais le calcul devient encore plus alarmant lorsqu'on considère les ambitions liées à l'intelligence artificielle générale (IAG) souhaitée. Krishna estime que la réalisation d'une véritable IAG nécessiterait environ 100 gigawatts de puissance de calcul. Cette estimation repose sur des extrapolations des besoins actuels en entraînement pour les grands modèles de langage et tient compte de la complexité exponentielle qui accompagne chaque étape de développement. À 80 milliards de dollars par gigawatt, les dépenses d'investissement atteindraient la somme astronomique de huit mille milliards de dollars américains.
Ce chiffre d'investissement ne représente toutefois que la moitié de l'histoire. Krishna souligne un facteur souvent négligé dans le débat public : le coût du capital. Avec un investissement de huit mille milliards de dollars américains, les entreprises devraient générer environ 800 milliards de dollars de bénéfices annuels rien que pour couvrir les intérêts du capital investi. Ce chiffre repose sur un taux d'intérêt prudent de dix pour cent, qui tient compte du coût du capital, des primes de risque et des anticipations des investisseurs.
Le cycle de vie quinquennal du matériel d'IA
Un point crucial de l'argumentation de Krishna concerne la durée de vie du matériel installé. La capacité de calcul totale doit être pleinement exploitée en cinq ans, car le matériel devra ensuite être mis au rebut et remplacé. Cette évaluation rejoint les observations du secteur et fait l'objet d'intenses débats dans les milieux financiers.
Le célèbre investisseur Michael Burry, connu pour ses prédictions justes de la crise financière de 2008, a exprimé des inquiétudes similaires en novembre 2025. Selon lui, les grandes entreprises technologiques surestiment la durée de vie réelle de leur matériel d'IA, ce qui limite artificiellement leur dépréciation. Il prévoit que les processeurs graphiques et les puces d'IA spécialisées ne resteront, en pratique, économiquement viables que deux à trois ans avant d'être rendus obsolètes par des générations plus récentes et plus performantes.
Le développement rapide du secteur des semi-conducteurs confirme cette analyse. Nvidia, principal fournisseur de puces pour l'IA, lance de nouvelles générations de processeurs environ tous les 12 à 18 mois. Chaque génération offre des gains de performance significatifs, rendant rapidement les anciens modèles obsolètes. Alors qu'un serveur classique dans un centre de données peut facilement être utilisé pendant six ans, voire plus, les règles sont différentes pour le matériel dédié à l'IA.
En pratique, la situation est plus nuancée. Certaines entreprises ont ajusté leurs périodes d'amortissement. Début 2025, Amazon a réduit la durée de vie utile estimée de certains serveurs de six à cinq ans, invoquant l'accélération du développement dans le domaine de l'IA. Cet ajustement devrait amputer le résultat d'exploitation de l'entreprise d'environ 700 millions de dollars en 2026. Meta, quant à elle, a prolongé la période d'amortissement de ses serveurs et équipements réseau à 5,5 ans, ce qui a permis de réduire ses coûts d'amortissement de 2,9 milliards de dollars en 2025.
Ces stratégies divergentes illustrent que même les entreprises investissant des milliards dans le matériel d'IA sont incertaines quant à la viabilité économique de leurs investissements. Le scénario à cinq ans décrit par Krishna se situe dans la fourchette optimiste de ces estimations. Si la durée de vie réelle est plus proche des deux à trois ans prévus par Burry, les coûts d'amortissement, et donc la pression sur la rentabilité, augmenteraient considérablement.
L'impossibilité de rendements profitables
Le lien entre ces deux facteurs amène Krishna à son argument principal. Il estime que la combinaison de coûts d'investissement colossaux et de cycles de vie très courts rend impossible l'obtention d'un retour sur investissement raisonnable. Avec des coûts d'investissement de huit mille milliards de dollars et la nécessité de générer 800 milliards de dollars de bénéfices annuels rien que pour couvrir ces coûts, un système d'IA devrait générer des revenus à une échelle bien supérieure à ce qui semble actuellement réaliste.
À titre de comparaison, Alphabet, la société mère de Google, a réalisé un chiffre d'affaires total d'environ 350 milliards de dollars en 2024. Même en supposant une croissance rapide de 12 % par an, ce chiffre atteindrait environ 577 milliards de dollars d'ici 2029. Le chiffre d'affaires total nécessaire pour justifier les investissements dans l'IA dépasserait largement ce montant.
OpenAI, la société à l'origine de ChatGPT, prévoit un chiffre d'affaires annuel de plus de 20 milliards de dollars pour 2025 et table sur des centaines de milliards de dollars d'ici 2030. L'entreprise a signé des accords d'une valeur d'environ 1 400 milliards de dollars au cours des huit prochaines années. Cependant, même ces chiffres ambitieux soulèvent des interrogations. Les analystes de HSBC estiment qu'OpenAI engagera 792 milliards de dollars de dépenses en infrastructures cloud et d'IA entre fin 2025 et 2030, les engagements totaux en matière de capacité de calcul pouvant atteindre environ 1 400 milliards de dollars d'ici 2033.
Les analystes de HSBC prévoient que le flux de trésorerie disponible cumulé d'OpenAI restera négatif jusqu'en 2030, engendrant un déficit de financement de 207 milliards de dollars. Ce déficit devra être comblé par un endettement supplémentaire, une augmentation de capital ou une stratégie de génération de revenus plus dynamique. La question n'est pas seulement de savoir si OpenAI peut devenir rentable, mais aussi si son modèle économique, reposant sur des investissements massifs dans les centres de données, est viable.
La probabilité infime d'une intelligence artificielle générale (IAG)
Krishna ajoute à sa critique économique une dimension technologique encore plus fondamentale. Il estime la probabilité que les technologies actuelles aboutissent à une intelligence artificielle générale entre zéro et un pour cent. Cette estimation est remarquable car elle ne repose pas sur des considérations philosophiques, mais sur une évaluation rigoureuse des capacités et des limites techniques des grands modèles de langage.
Bien que la définition de l'IA générale (IAG) soit controversée, elle désigne essentiellement des systèmes d'IA capables d'égaler, voire de surpasser, les capacités cognitives humaines dans tous les domaines. Cela signifie qu'un système possède non seulement une expertise dans des domaines spécifiques, mais qu'il est également capable de transférer ses connaissances d'un domaine à un autre, de comprendre de nouvelles situations, de résoudre des problèmes de manière créative et de s'améliorer continuellement sans nécessiter de réentraînement pour chaque nouvelle tâche.
Krishna soutient que les grands modèles de langage, qui constituent le cœur de la révolution actuelle en IA, présentent des limitations fondamentales. Ces modèles, basés sur des schémas statistiques issus d'immenses ensembles de données textuelles, sont capables de performances impressionnantes dans les tâches linguistiques. Ils peuvent générer des textes cohérents, répondre à des questions et même écrire du code informatique. Cependant, ils ne comprennent pas véritablement ce qu'ils font. Ils sont dépourvus d'une représentation du monde, d'une notion de causalité et d'une véritable capacité d'abstraction.
Ces limitations se manifestent dans plusieurs domaines. Les modèles de langage produisent régulièrement des hallucinations, c'est-à-dire qu'ils inventent des faits qui semblent plausibles mais qui sont faux. Ils peinent avec le raisonnement logique à plusieurs étapes et échouent souvent à des tâches triviales pour les humains si celles-ci n'étaient pas incluses dans leur ensemble de données d'entraînement. Ils sont dépourvus de mémoire épisodique et ne peuvent apprendre de leurs erreurs sans un réentraînement.
De plus en plus de scientifiques et de chercheurs de divers domaines partagent ce scepticisme. Marc Benioff, PDG de Salesforce, a exprimé un scepticisme similaire concernant l'intelligence artificielle générale (IAG) en novembre 2025. Dans un podcast, il a qualifié le terme IAG de potentiellement trompeur et a critiqué l'industrie technologique, l'accusant d'être sous une forme d'hypnose quant aux capacités imminentes de l'IA. Benioff a souligné que, malgré leurs performances impressionnantes, les systèmes actuels ne possèdent ni conscience ni véritable compréhension.
Yann LeCun, chercheur principal en intelligence artificielle chez Meta, affirme que les grands modèles de langage ne mèneront jamais à une intelligence artificielle générale, quelle que soit leur taille. Il préconise des approches alternatives qui dépassent la simple prédiction de texte, notamment des modèles multimodaux du monde qui, en plus de traiter le texte, intègrent des informations visuelles et sensorielles pour construire des représentations internes du monde.
Notre expertise américaine en développement commercial, ventes et marketing
Notre expertise américaine en développement commercial, ventes et marketing - Image : Xpert.Digital
Secteurs d'activité : B2B, digitalisation (de l'IA à la XR), ingénierie mécanique, logistique, énergies renouvelables et industrie
En savoir plus ici :
Un pôle thématique avec des informations et une expertise :
- Plateforme de connaissances sur l'économie mondiale et régionale, l'innovation et les tendances sectorielles
- Recueil d'analyses, d'impulsions et d'informations contextuelles issues de nos domaines d'intervention
- Un lieu d'expertise et d'information sur les évolutions actuelles du monde des affaires et de la technologie
- Plateforme thématique pour les entreprises qui souhaitent en savoir plus sur les marchés, la numérisation et les innovations du secteur
Bulle de l'IA ou moteur du futur ? Le dangereux fossé entre investissements, consommation d'énergie et profits réels.
La percée technologique nécessaire
Krishna estime que la réalisation de l'intelligence artificielle générale (IAG) nécessitera davantage de technologies que celles offertes actuellement par les grands modèles de langage. Il suggère que l'intégration de connaissances fondamentales aux modèles de langage pourrait constituer une approche viable. Par connaissances fondamentales, il entend des connaissances structurées et explicites sur les relations causales, les lois physiques, les principes mathématiques et d'autres formes de connaissances qui dépassent les simples corrélations statistiques.
Cette perspective s'inscrit dans le cadre des recherches en intelligence artificielle neuro-symbolique, qui visent à combiner la puissance de reconnaissance de formes des réseaux neuronaux avec les capacités logiques des systèmes d'intelligence artificielle symbolique. L'intelligence artificielle symbolique, fondée sur des règles et l'inférence logique, a dominé les premières décennies de la recherche en IA, mais a été supplantée par les approches neuronales ces dernières années. L'hybridation de ces deux approches pourrait théoriquement aboutir à des systèmes capables à la fois d'apprentissage et de raisonnement logique.
Parmi les autres pistes de recherche prometteuses, citons l'IA incarnée, où les systèmes apprennent par interaction avec un environnement physique ou simulé ; l'apprentissage continu, où les systèmes peuvent étendre leurs capacités sans perdre leurs connaissances antérieures ; et les systèmes intrinsèquement motivés qui explorent et apprennent par eux-mêmes.
Même avec ces technologies supplémentaires, Krishna reste prudent. Interrogé sur la possibilité que cette approche élargie mène à une intelligence artificielle générale (IAG), il se contente de répondre « peut-être ». Cette prudence souligne l'incertitude qui persiste, même chez les experts travaillant sur l'IA depuis des décennies. Le développement d'une IAG ne se résume pas à une simple question de puissance de calcul ou de volume de données ; il pourrait nécessiter une compréhension fondamentalement nouvelle de la nature même de l'intelligence.
Convient à:
Le paradoxe de l'IA productive aujourd'hui
Malgré son scepticisme à l'égard de l'IA générale et de la rentabilité des investissements massifs dans les centres de données, Krishna est loin d'être pessimiste quant à l'IA. Au contraire, il parle avec enthousiasme des outils d'IA actuels et de leur impact sur le monde des affaires. Il est convaincu que ces technologies permettront aux entreprises de réaliser des gains de productivité se chiffrant en milliers de milliards de dollars.
Cette distinction est essentielle pour comprendre sa position. Krishna ne remet pas en cause la valeur intrinsèque de l'IA, mais plutôt la viabilité économique de la voie empruntée par ce secteur. Les systèmes d'IA actuels, notamment les grands modèles de langage, permettent déjà des gains de productivité considérables dans de nombreux domaines sans nécessiter huit mille milliards de dollars d'investissements en infrastructure.
IBM offre un exemple frappant de ces gains de productivité. Depuis janvier 2023, l'entreprise a déployé l'IA et l'automatisation à grande échelle au sein de ses opérations et prévoit de réaliser des gains de productivité de 4,5 milliards de dollars d'ici fin 2025. Cette initiative, baptisée Client Zero par IBM, a consisté en le déploiement d'une infrastructure de cloud hybride, de technologies d'IA et d'automatisation, ainsi qu'en la mise à disposition d'expertise en conseil auprès de différentes unités opérationnelles.
Les résultats concrets de cette transformation sont impressionnants. IBM a mis en œuvre des outils d'IA au sein de son service client, permettant de résoudre 70 % des demandes et d'améliorer le délai de résolution de 26 %. Dans l'ensemble de ses divisions, près de 270 000 employés sont désormais équipés de systèmes d'IA automatisés qui orchestrent des flux de travail complexes et assistent les collaborateurs.
Ce type d'application d'IA ne nécessite pas de nouveaux centres de données massifs, mais peut s'appuyer sur l'infrastructure existante. Elle se concentre sur des cas d'usage spécifiques où l'IA apporte des améliorations tangibles, plutôt que sur le développement hypothétique d'une intelligence générale. C'est là le cœur de l'argument de Krishna : la technologie est précieuse et transformatrice, mais l'approche actuelle consistant à investir des milliards dans la recherche d'une intelligence artificielle générale n'est pas économiquement viable.
Selon les estimations de McKinsey, l'IA générative pourrait générer entre 2 600 et 4 400 milliards de dollars de valeur économique annuelle, répartis sur 63 cas d'usage analysés. En intégrant l'IA générative aux logiciels actuellement utilisés pour d'autres tâches, ce chiffre pourrait quasiment doubler. Ces gains de productivité pourraient accroître la croissance annuelle de la productivité du travail de 0,1 à 0,6 point de pourcentage d'ici à 2040.
Les stratégies divergentes des géants de la technologie
Tandis que Krishna exprime ses inquiétudes, d'autres géants de la tech investissent massivement dans l'infrastructure d'IA. Les dépenses des quatre grands acteurs du secteur illustrent l'ampleur de ce cycle d'investissement. Microsoft prévoit de consacrer environ 80 milliards de dollars à la construction de centres de données basés sur l'IA au cours de l'exercice 2025, dont plus de la moitié aux États-Unis.
Amazon a annoncé des investissements d'environ 125 milliards de dollars pour 2025, principalement destinés à l'IA et aux infrastructures associées pour Amazon Web Services. L'entreprise a déjà indiqué que ces investissements seront encore plus importants en 2026. Meta Platforms prévoit des investissements compris entre 70 et 72 milliards de dollars pour 2025, contre une estimation précédente de 66 à 72 milliards de dollars. Pour 2026, l'entreprise a indiqué que les investissements seraient nettement supérieurs.
Alphabet, la maison mère de Google, prévoit des investissements d'investissement compris entre 91 et 93 milliards de dollars pour 2025, contre 85 milliards précédemment. Ensemble, ces quatre entreprises prévoient de dépenser entre 350 et 400 milliards de dollars en 2025, soit plus du double des dépenses d'il y a deux ans.
Ces investissements massifs interviennent dans un contexte où les revenus réels issus des services d'IA restent bien en deçà des prévisions. OpenAI affiche un chiffre d'affaires annuel de plus de 20 milliards de dollars, mais demeure déficitaire. Microsoft génère environ 13 milliards de dollars de revenus annuels grâce à l'IA, avec une croissance annuelle de 175 %, tandis que Meta ne déclare aucun revenu direct lié à l'IA.
Le décalage entre les investissements et les revenus est frappant. Morgan Stanley estime que le secteur de l'IA dépensera environ 3 000 milliards de dollars américains en centres de données d'ici 2028. En comparaison, les revenus actuels sont négligeables. Une étude du MIT datant de juillet 2025 a révélé qu'environ 95 % des entreprises ayant investi dans l'IA n'ont tiré aucun profit de cette technologie. Le total des dépenses de ces entreprises est estimé à environ 40 milliards de dollars américains.
Les voix de plus en plus sceptiques
L'avertissement de Krishna s'inscrit dans un concert de voix sceptiques de plus en plus nombreuses, issues de divers secteurs des sphères technologiques et financières. Ces inquiétudes portent non seulement sur les avantages économiques immédiats, mais aussi sur les risques systémiques découlant de la dynamique actuelle des investissements.
Les économistes soulignent que le secteur de l'IA a représenté environ les deux tiers de la croissance du PIB américain au premier semestre 2025. Une analyse de JPMorgan Asset Management montre que les dépenses liées à l'IA dans les centres de données ont davantage contribué à la croissance économique que la consommation cumulée de centaines de millions de consommateurs américains. L'économiste de Harvard, Jason Furman, a calculé que sans les centres de données, la croissance du PIB au premier semestre 2025 n'aurait été que de 0,1 %.
Cette concentration de la croissance sur un seul secteur comporte des risques. Daron Acemoglu, économiste au MIT et lauréat du prix Nobel d'économie 2024, affirme que l'impact réel de l'IA pourrait être bien moindre que ne le laissent entendre les prévisions du secteur. Il estime que seulement 5 % des emplois seront remplacés par l'IA au cours des dix prochaines années, un chiffre bien inférieur aux prédictions enthousiastes de certains leaders technologiques.
Plusieurs facteurs alimentent les craintes de formation d'une bulle spéculative. Les entreprises technologiques ont de plus en plus recours à des instruments financiers appelés sociétés à vocation spécifique (SPV) pour dissimuler des milliards de dollars de dépenses dans leur bilan. Ces SPV, financées par Wall Street, servent de sociétés écrans pour la construction de centres de données. Cette pratique soulève des questions de transparence et d'évaluation des risques réellement supportés par ces entreprises.
Sundar Pichai, PDG d'Alphabet, a qualifié la flambée des investissements dans l'IA de moment extraordinaire lors d'une interview à la BBC en novembre 2025, tout en reconnaissant une certaine irrationalité liée à l'essor actuel de l'IA. Il a averti que toutes les entreprises seraient touchées si la bulle de l'IA venait à éclater. Même Sam Altman, PDG d'OpenAI et l'un des plus fervents défenseurs de l'IA, a admis en août 2025 que l'IA pourrait être dans une bulle, comparant la situation du marché à celle de la bulle Internet et soulignant que de nombreuses personnes brillantes s'enthousiasmaient trop pour un fond de vérité.
Convient à:
La question énergétique comme facteur limitant
Un autre problème fondamental, que Krishna n'aborde pas explicitement mais qui est sous-jacent à ses calculs de coûts, concerne l'approvisionnement énergétique. Un centre de données de 100 gigawatts nécessiterait environ 20 % de la production totale d'électricité des États-Unis. Il ne s'agit pas d'un défi anodin, mais d'un goulot d'étranglement potentiel susceptible de compromettre l'ensemble du projet.
L'Agence internationale de l'énergie prévoit que la demande mondiale d'électricité des centres de données pourrait plus que doubler d'ici 2030, passant d'environ 415 térawattheures en 2024 à un niveau compris entre 900 et 1 000 térawattheures. L'intelligence artificielle pourrait représenter entre 35 et 50 % de la consommation d'électricité des centres de données d'ici 2030. Aux États-Unis, la demande d'électricité des centres de données devrait passer de 35 gigawatts à 78 gigawatts d'ici 2035, soit 8,6 % de la consommation d'électricité du pays.
Cette demande survient alors que de nombreux pays s'efforcent de décarboner leurs réseaux électriques et d'accroître la part des énergies renouvelables. Le problème est que les centres de données nécessitent une alimentation électrique continue, 24 heures sur 24 et 365 jours par an. Cela complexifie la transition vers les énergies renouvelables, car l'énergie éolienne et solaire est intermittente et requiert des solutions de stockage ou une capacité de secours.
Les émissions de carbone des centres de données devraient passer de 212 millions de tonnes en 2023 à potentiellement 355 millions de tonnes d'ici 2030, bien que ce chiffre puisse varier considérablement en fonction du rythme de déploiement des solutions d'énergie propre et des améliorations en matière d'efficacité énergétique. La génération d'une seule image par intelligence artificielle consomme autant d'électricité qu'une charge complète de smartphone. Le traitement d'un million de jetons produit autant de dioxyde de carbone qu'une voiture à essence parcourant entre 8 et 32 kilomètres.
L'intelligence artificielle générative (IA générative) consomme environ sept à huit fois plus d'énergie que les applications informatiques traditionnelles. L'entraînement de grands modèles d'IA peut consommer autant d'électricité que la consommation de centaines de foyers pendant plusieurs mois. Cette forte consommation énergétique signifie que même si les ressources financières nécessaires à la construction de centres de données massifs étaient disponibles, l'infrastructure physique requise pour alimenter ces installations pourrait ne pas être prête à temps.
Convient à:
Voies technologiques alternatives et leur importance
Le débat autour des limites des modèles de langage à grande échelle a entraîné une intensification des efforts de recherche dans des domaines alternatifs. L'informatique quantique est perçue par certains comme une avancée majeure susceptible de surmonter les limitations actuelles. En octobre 2025, Google a dévoilé sa puce quantique Willow, qui a démontré un avantage quantique vérifiable. Cette étape importante a repoussé les frontières de la physique classique et ouvert de nouvelles perspectives dans des domaines tels que la médecine, l'énergie et l'intelligence artificielle.
Les ordinateurs quantiques fonctionnent selon des principes totalement différents de ceux des ordinateurs classiques. Ils utilisent des bits quantiques, ou qubits, qui peuvent exister simultanément dans plusieurs états, permettant ainsi des calculs parallèles à une échelle impossible à atteindre avec les systèmes conventionnels. Cependant, les ordinateurs quantiques sont confrontés à des défis importants, notamment la décohérence, qui affecte la stabilité des qubits.
Les récentes avancées en matière de stabilisation des qubits laissent entrevoir la possibilité de voir apparaître des ordinateurs quantiques à grande échelle d'ici quelques années. Des entreprises comme PsiQuantum prévoient de mettre en service, avant la fin de la décennie, des ordinateurs quantiques 10 000 fois plus puissants que Willow — des ordinateurs suffisamment performants pour aborder des questions fondamentales concernant les matériaux, la médecine et les aspects quantiques de la nature.
La convergence de l'informatique quantique et de l'intelligence artificielle pourrait théoriquement ouvrir de nouvelles perspectives. Les algorithmes quantiques ont progressé de plus de 200 fois dans la simulation de médicaments et de matériaux importants. Certains estiment que la combinaison de l'intelligence artificielle générale (IAG) et de l'informatique quantique pourrait être possible d'ici un à deux ans, suivie de l'avènement d'une superintelligence artificielle d'ici cinq ans.
Parmi les autres pistes de recherche prometteuses figurent les architectures de calcul optique qui utilisent la lumière plutôt que l'électricité pour alimenter les puces. Une architecture appelée Multiplication Matrice Optique Parallèle, dévoilée en novembre 2025, pourrait lever l'un des principaux obstacles au développement actuel de l'IA. Contrairement aux méthodes optiques précédentes, elle effectue simultanément plusieurs opérations tensorielles avec une seule impulsion laser, ce qui pourrait considérablement accélérer le traitement.
Le positionnement stratégique d'IBM
La position de Krishna est particulièrement intéressante au regard de la stratégie d'IBM. Ces dernières années, IBM a délibérément réorienté son activité, délaissant le matériel et l'infrastructure au profit des logiciels d'entreprise, des services cloud et du conseil. L'entreprise a cédé une grande partie de ses activités informatiques traditionnelles pour se concentrer sur les solutions de cloud hybride et les applications d'IA destinées aux entreprises.
Cette orientation stratégique diffère fondamentalement des approches de Microsoft, Amazon, Google et Meta, qui investissent massivement dans la construction de leur propre infrastructure. IBM, quant à elle, privilégie l'accompagnement des entreprises dans le déploiement de l'IA selon leurs propres conditions, en toute transparence, avec choix et flexibilité. Cette philosophie repose sur la conviction que toutes les entreprises n'opteront pas pour un cloud public unique et que, notamment, les secteurs réglementés et les entreprises hors des États-Unis privilégieront des solutions hybrides.
Les critiques de Krishna à l'égard des investissements massifs dans les infrastructures peuvent donc être interprétées comme une défense implicite de l'approche d'IBM. Si la poursuite de l'intelligence artificielle générale (IAG) à travers des investissements de plusieurs milliers de milliards de dollars dans les centres de données s'avère effectivement non viable économiquement, cela confirmerait la stratégie d'IBM, qui consiste à se concentrer sur des cas d'usage spécifiques et créateurs de valeur, pouvant s'appuyer sur une infrastructure existante ou modérément étendue.
Dans le même temps, IBM est fortement impliquée dans des domaines tels que l'informatique quantique, qui pourrait représenter la prochaine révolution technologique. L'entreprise investit massivement dans le développement des ordinateurs quantiques et collabore avec d'autres sociétés technologiques pour faire progresser cette technologie. Cela laisse penser que Krishna n'est pas opposé à l'innovation ni aux objectifs technologiques ambitieux, mais plutôt à une approche spécifique qu'il juge économiquement non viable.
Bénéficiez de la vaste expertise quintuple de Xpert.Digital dans un package de services complet | BD, R&D, XR, PR & Optimisation de la visibilité numérique
Bénéficiez de la vaste expertise de Xpert.Digital, quintuple, dans une offre de services complète | R&D, XR, RP et optimisation de la visibilité numérique - Image : Xpert.Digital
Xpert.Digital possède une connaissance approfondie de diverses industries. Cela nous permet de développer des stratégies sur mesure, adaptées précisément aux exigences et aux défis de votre segment de marché spécifique. En analysant continuellement les tendances du marché et en suivant les évolutions du secteur, nous pouvons agir avec clairvoyance et proposer des solutions innovantes. En combinant expérience et connaissances, nous générons de la valeur ajoutée et donnons à nos clients un avantage concurrentiel décisif.
En savoir plus ici :
Productivité oui, intelligence artificielle générale non : pourquoi des projets d’IA ciblés pourraient être plus rentables que les mégamodèles
Le point de vue de la direction d'OpenAI
Le scepticisme de Krishna contraste fortement avec les déclarations publiques de Sam Altman, PDG d'OpenAI. Ce dernier a maintes fois souligné qu'OpenAI est prêt à réaliser des investissements massifs pour atteindre l'intelligence artificielle générale (IAG). L'entreprise a conclu des accords totalisant environ 1 400 milliards de dollars sur les huit prochaines années, notamment des contrats importants avec Oracle, Broadcom et d'autres partenaires.
Altman prévoit qu'OpenAI réalisera un chiffre d'affaires annuel de plusieurs centaines de milliards de dollars américains d'ici 2030. Cette projection repose sur l'hypothèse d'une croissance exponentielle de la demande de services d'IA, à mesure que les systèmes gagneront en puissance. Le modèle économique d'OpenAI repose sur la volonté des entreprises et des particuliers de payer des sommes importantes pour accéder à des capacités d'IA avancées.
Krishna a déclaré dans le podcast qu'il comprenait le point de vue d'Altman, mais qu'il ne le partageait pas. Cette formulation, d'une remarquable diplomatie, laisse entendre qu'il respecte la vision d'OpenAI, mais qu'il a des hypothèses fondamentalement différentes quant à sa faisabilité technologique et sa viabilité économique. À la question de savoir si OpenAI peut rentabiliser ses investissements, Krishna répond par un « non » catégorique.
Ce désaccord représente un conflit fondamental au sein de l'industrie technologique entre ceux qui croient en une intelligence artificielle générale (IAG) transformatrice imminente et sont prêts à investir des sommes astronomiques, et ceux qui sont plus sceptiques et préfèrent une approche progressive et plus durable sur le plan économique.
Convient à:
Le rôle de la politique d'amortissement et des normes comptables
Le débat autour de la durée de vie utile réelle du matériel d'IA soulève des questions fondamentales de comptabilité et de transparence. La manière dont les entreprises amortissent leurs actifs a un impact direct sur leurs bénéfices déclarés et, par conséquent, sur le cours de leurs actions et leur valorisation.
Michael Burry soutient que les grandes entreprises technologiques surestiment la durée de vie utile de leurs puces d'IA afin de minimiser l'amortissement et d'augmenter leurs profits. Par exemple, si Meta investit 5 milliards de dollars dans un nouveau rack de serveurs Nvidia Blackwell en 2025 et l'amortit sur 5,5 ans, les coûts annuels d'amortissement s'élèveront à environ 909 millions de dollars. Or, si la durée de vie utile réelle n'est que de trois ans, l'amortissement annuel devrait avoisiner 1,67 milliard de dollars, soit un écart considérable.
Burry estime que cette durée de vie prolongée pourrait accroître les profits de plusieurs grandes entreprises de 176 milliards de dollars entre 2026 et 2028. Nvidia a contesté ces affirmations dans une note interne de novembre 2025, arguant que les hyperscalers amortissent les GPU sur une période de quatre à six ans en fonction de leur durée de vie réelle et des tendances d'utilisation. L'entreprise a souligné que les GPU plus anciens, comme l'A100 sorti en 2020, continuent d'être utilisés à des taux élevés et conservent une valeur économique significative.
La réalité se situe probablement entre les deux. Les GPU peuvent certes fonctionner physiquement pendant plus de trois ans, mais leur valeur économique peut chuter rapidement avec l'arrivée sur le marché de modèles plus récents et plus performants. Un facteur clé est la valorisation progressive : les GPU plus anciens, même s'ils ne sont plus optimaux pour l'entraînement des modèles les plus récents, peuvent encore être utiles pour les tâches d'inférence et l'exécution de modèles déjà entraînés. Ils peuvent également être utilisés pour des applications moins exigeantes ou revendus sur le marché de l'occasion.
Ces nuances rendent toute évaluation claire difficile. CoreWeave, fournisseur de services cloud spécialisé en IA, a étendu la période d'amortissement de ses GPU de quatre à six ans en janvier 2023. Les critiques perçoivent cette décision comme une tentative d'améliorer artificiellement la rentabilité. Les partisans, quant à eux, soutiennent que l'utilisation réelle du matériel justifie des périodes plus longues.
Les dimensions sociales et politiques
Le débat autour des investissements dans l'IA comporte également une dimension politique et sociale. David Sacks, capital-risqueur et conseiller de la Maison-Blanche sur les cryptomonnaies et l'IA, a averti en novembre 2025 qu'un retournement de la dynamique des investissements dans l'IA risquerait de provoquer une récession. Ses propos laissent entendre que l'économie est devenue tellement dépendante de ces investissements qu'un arrêt ou un ralentissement significatif aurait des conséquences macroéconomiques considérables.
Cette dépendance soulève la question de savoir si la société s'est placée dans une situation où elle est contrainte de continuer à investir, indépendamment de la viabilité économique de ces investissements, simplement pour éviter un choc brutal. Il s'agirait alors d'une dynamique de bulle classique, où les considérations économiques rationnelles sont occultées par la crainte des conséquences d'un éclatement de bulle.
La concentration des investissements et des ressources sur l'IA soulève également des questions quant aux coûts d'opportunité. Les milliers de milliards de dollars investis dans les centres de données dédiés à l'IA pourraient théoriquement être utilisés pour d'autres priorités sociétales, comme l'amélioration des systèmes éducatifs, le développement des énergies renouvelables ou la réparation des déficits d'infrastructures. La justification de cette allocation massive de ressources dépendra de la concrétisation des bénéfices promis.
Dans le même temps, l'IA a déjà des effets positifs manifestes. En Allemagne, selon une étude IBM de novembre 2025, deux tiers des entreprises font état de gains de productivité significatifs grâce à l'IA. Les domaines où les gains de productivité liés à l'IA sont les plus importants concernent le développement logiciel et l'informatique, le service client et l'automatisation des processus métier. Environ un cinquième des entreprises allemandes ont déjà atteint leurs objectifs de retour sur investissement grâce à des initiatives de productivité basées sur l'IA, et près de la moitié anticipent un retour sur investissement dans les douze mois.
Ces chiffres montrent que l'IA crée effectivement de la valeur économique, mais ils appuient également l'argument de Krishna selon lequel cette valeur ne résulte pas nécessairement de la poursuite de l'IA générale avec des investissements de plusieurs billions de dollars, mais plutôt d'applications plus ciblées et spécifiques.
La perspective historique des transformations technologiques
Pour bien comprendre la situation actuelle, il est utile d'examiner des parallèles historiques. La bulle Internet de la fin des années 1990 est souvent citée comme un exemple à ne pas suivre. À cette époque, des sommes colossales ont afflué vers les entreprises internet, portées par la conviction, justifiée à juste titre, qu'internet allait révolutionner le monde. Nombre de ces investissements se sont révélés erronés, et lorsque la bulle a éclaté en 2000, des milliers de milliards de dollars de capitalisation boursière ont été anéantis.
Néanmoins, la technologie sous-jacente s'est révélée véritablement transformatrice. Des entreprises comme Amazon et Google, qui ont survécu à la crise, sont devenues les forces dominantes de l'économie mondiale. L'infrastructure construite pendant la période de forte croissance, y compris celle d'entreprises ayant fait faillite, a constitué le socle de l'économie numérique des décennies suivantes. En ce sens, on pourrait affirmer que même un investissement excessif dans l'infrastructure d'IA pourrait s'avérer bénéfique à long terme, même si nombre des acteurs actuels échouent.
Cependant, une différence majeure réside dans l'intensité capitalistique. Les entreprises internet de première génération pouvaient se développer rapidement avec des investissements relativement faibles une fois l'infrastructure de base en place. Un site web ou un service en ligne, une fois développé, pouvait toucher des millions d'utilisateurs à moindre coût. L'IA, notamment telle qu'elle est pratiquée actuellement, ne suit pas ce modèle. Chaque requête adressée à un vaste modèle de langage engendre des coûts de calcul considérables. Le déploiement à grande échelle des services d'IA nécessite une augmentation proportionnelle des infrastructures, ce qui modifie fondamentalement leur modèle économique.
On peut également établir un parallèle historique avec le développement de l'électricité. Lorsque l'énergie électrique est apparue, il a fallu des décennies aux entreprises pour apprendre à repenser leurs processus de production afin d'exploiter pleinement les nouvelles possibilités. Au départ, les usines se sont contentées de remplacer les machines à vapeur par des moteurs électriques, conservant par ailleurs leurs agencements et procédés antérieurs. Les véritables gains de productivité ne sont survenus que lorsque les ingénieurs et les gestionnaires ont appris à concevoir des usines entièrement nouvelles, en tirant parti de la flexibilité de l'énergie électrique.
Il en va probablement de même pour l'IA. Les applications actuelles n'exploitent peut-être qu'une infime partie du potentiel de cette technologie, et de véritables transformations pourraient ne se produire que lorsque les organisations auront appris à se réorganiser en profondeur pour tirer parti des capacités de l'IA. Cela prendra du temps, peut-être des années, voire des décennies, et il est difficile de savoir si la dynamique actuelle des investissements permet une telle patience.
L'avenir du développement de l'IA
Malgré le scepticisme et les mises en garde, le développement de l'IA se poursuivra. La question n'est pas de savoir si l'IA est importante, mais quelle voie est la plus prometteuse et économiquement viable. L'intervention de Krishna peut être interprétée comme un plaidoyer pour une réévaluation de la stratégie, et non comme un appel à l'arrêt de la recherche en IA.
L'évolution la plus probable est une diversification des approches. Tandis que certaines entreprises continueront d'investir massivement dans le développement de modèles de langage à grande échelle, d'autres exploreront des pistes alternatives. Les approches neuro-symboliques, les systèmes multimodaux, l'intelligence incarnée, l'apprentissage continu et d'autres axes de recherche seront menés en parallèle. Les avancées matérielles, de l'informatique quantique aux architectures de calcul optique en passant par les puces neuromorphiques, pourraient changer la donne.
Un facteur déterminant sera l'acceptation effective du marché. Si les entreprises et les consommateurs sont prêts à investir des sommes importantes dans les services d'IA, même les coûts d'infrastructure élevés pourraient se justifier. Or, à ce jour, la question reste largement ouverte. ChatGPT et les services similaires ont séduit des millions d'utilisateurs, mais la disposition à payer des prix élevés pour ces services demeure limitée. La plupart des utilisateurs privilégient les versions gratuites ou fortement subventionnées.
Dans le secteur des entreprises, la situation est quelque peu différente. On observe une réelle volonté de payer pour des solutions d'IA qui résolvent des problèmes métiers spécifiques. Microsoft fait état d'une forte croissance de ses services d'IA destinés aux entreprises. La question est de savoir si ces revenus peuvent croître suffisamment vite pour justifier les investissements massifs consentis.
Convient à:
Résultats d'une analyse multidimensionnelle
Les préoccupations soulevées par Arvind Krishna dans le podcast Decoder touchent au cœur même de l'un des paris économiques et technologiques les plus importants de l'histoire. Son argumentation repose sur des principes économiques solides et une parfaite compréhension technique. La combinaison de coûts d'investissement colossaux, de cycles de vie matériels très courts et de la faible probabilité que les technologies actuelles mènent à une intelligence artificielle générale (IAG) constitue un argument convaincant contre la stratégie d'investissement actuelle.
Parallèlement, la position de Krishna n'est pas sans objections. Les partisans d'investissements massifs dans l'IA soutiennent que les technologies de rupture nécessitent souvent des investissements initiaux considérables, que le coût par unité de calcul diminue sans cesse, que de nouveaux modèles économiques, encore imprévisibles, verront le jour, et que le risque de prendre du retard dans le développement d'une technologie potentiellement révolutionnaire est supérieur au risque financier d'un investissement excessif.
La vérité se situe probablement entre ces deux positions extrêmes. L'IA est indéniablement une technologie importante et transformatrice qui créera une valeur économique considérable. Les modèles de langage et les applications d'IA actuels démontrent déjà des capacités impressionnantes et génèrent des gains de productivité mesurables dans de nombreux domaines. Parallèlement, l'idée qu'une simple généralisation des approches actuelles conduirait à une intelligence artificielle générale est de plus en plus controversée, même parmi les chercheurs les plus éminents en IA.
L'analyse économique est éloquente. L'ampleur des investissements requis et la nécessité de générer des profits considérables en un temps record constituent un défi sans précédent. Si les calculs de Krishna sont ne serait-ce qu'approximativement exacts, il est difficile d'imaginer comment la stratégie d'investissement actuelle peut être viable.
Cependant, cela ne signifie pas nécessairement qu'une catastrophe est imminente. Les marchés ont la capacité de s'adapter. Les flux d'investissement peuvent se réorienter, les modèles économiques évoluer et les percées technologiques transformer en profondeur l'économie. L'histoire des technologies regorge d'exemples où le scepticisme initial a été dissipé et où des défis apparemment insurmontables ont été relevés.
Il est probable que nous assistions à une période de consolidation et de réévaluation. Le rythme de croissance actuel des investissements dans l'IA ne peut se maintenir indéfiniment. À un moment donné, investisseurs et dirigeants d'entreprise voudront constater des résultats concrets. Les entreprises capables de proposer des cas d'usage convaincants et une valeur économique tangible prospéreront. D'autres devront peut-être revoir leur stratégie ou se retirer du marché.
L'intervention de Krishna constitue un avertissement important : il convient d'être prudent dans un contexte d'euphorie et de course à la performance. Ses décennies d'expérience dans le secteur technologique et sa position à la tête de l'une des entreprises informatiques les plus anciennes et les plus établies au monde confèrent du poids à ses propos. L'avenir nous dira s'il a raison. Ce qui est certain, en revanche, c'est que les questions qu'il soulève doivent être prises au sérieux et faire l'objet d'un examen approfondi avant d'investir des milliards supplémentaires dans une stratégie dont le succès est loin d'être garanti.
Une nouvelle dimension de la transformation numérique avec l'intelligence artificielle (IA) - Plateforme et solution B2B | Xpert Consulting
Une nouvelle dimension de la transformation numérique avec l'intelligence artificielle (IA) – Plateforme et solution B2B | Xpert Consulting - Image : Xpert.Digital
Ici, vous apprendrez comment votre entreprise peut mettre en œuvre des solutions d’IA personnalisées rapidement, en toute sécurité et sans barrières d’entrée élevées.
Une plateforme d'IA gérée est une solution complète et sans souci pour l'intelligence artificielle. Au lieu de gérer une technologie complexe, une infrastructure coûteuse et des processus de développement longs, vous recevez une solution clé en main adaptée à vos besoins, proposée par un partenaire spécialisé, souvent en quelques jours.
Les principaux avantages en un coup d’œil :
⚡ Mise en œuvre rapide : De l'idée à la mise en œuvre opérationnelle en quelques jours, et non en quelques mois. Nous proposons des solutions concrètes qui créent une valeur immédiate.
🔒 Sécurité maximale des données : Vos données sensibles restent chez vous. Nous garantissons un traitement sécurisé et conforme, sans partage de données avec des tiers.
💸 Aucun risque financier : vous ne payez qu'en fonction des résultats. Les investissements initiaux importants en matériel, logiciels ou personnel sont totalement éliminés.
🎯 Concentrez-vous sur votre cœur de métier : concentrez-vous sur ce que vous faites le mieux. Nous prenons en charge l'intégralité de la mise en œuvre technique, de l'exploitation et de la maintenance de votre solution d'IA.
📈 Évolutif et évolutif : Votre IA évolue avec vous. Nous garantissons une optimisation et une évolutivité continues, et adaptons les modèles avec souplesse aux nouvelles exigences.
En savoir plus ici :
Votre partenaire mondial de marketing et de développement commercial
☑️ Notre langue commerciale est l'anglais ou l'allemand
☑️ NOUVEAU : Correspondance dans votre langue nationale !
Konrad Wolfenstein
Je serais heureux de vous servir, vous et mon équipe, en tant que conseiller personnel.
Vous pouvez me contacter en remplissant le formulaire de contact ou simplement m'appeler au +49 89 89 674 804 (Munich) . Mon adresse e-mail est : wolfenstein ∂ xpert.digital
J'attends avec impatience notre projet commun.
