J.P. Morgan met en garde contre l'accumulation de signaux d'alerte sur le marché de l'IA

Alors que l'intelligence artificielle continue de propulser des avancées technologiques sans précédent, les analystes financiers tirent la sonnette d'alarme sur une potentielle instabilité du marché. Un rapport récent de J.P. Morgan suggère que « l'exubérance des investisseurs » crée des niveaux dangereux de concentration et de volatilité au sein du secteur de l'IA.

Concentration extrême et parallèle avec la bulle Internet

L'inquiétude la plus frappante soulevée par J.P. Morgan est l'extrême concentration de la richesse et de la croissance au sein du S&P 500. Depuis le lancement de ChatGPT en 2022, seulement 42 entreprises liées à l'IA ont été responsables de l'essentiel des bénéfices, des revenus et des investissements de l'indice, soit environ 65 % à 80 %. Cette concentration est particulièrement visible dans la capitalisation boursière, où les dix plus grandes actions américaines représentent désormais environ 40 % du S&P 500 — un bond massif par rapport aux 17 % de 2015.

De plus, les schémas techniques dans le secteur des semi-conducteurs reflètent l'infâme bulle Internet. J.P. Morgan identifie quatre signaux d'alerte spécifiques :

• Les actions de semi-conducteurs s'écartent de leur moyenne mobile sur 200 jours aussi brusquement qu'à la fin des années 1990.
• Les hedge funds sont plus massivement investis dans les actions de puces électroniques qu'à n'importe quel moment précédent.
• Les prêts sur marge à la bourse coréenne ont triplé depuis 2020.
• Le trading d'options sur les actions de semi-conducteurs a bondi pour atteindre cinq fois les niveaux de 2020.

L'évolution du paysage du matériel informatique pour l'IA

Bien que Nvidia demeure le titan du marché des accélérateurs d'IA, sa domination fait face à une érosion stratégique. J.P. Morgan estime que la part de marché de Nvidia passera probablement de 85 % en 2023 à environ 75 % d'ici 2026. Ce changement est porté par les grands fournisseurs de cloud qui développent leurs propres puces (silicium propriétaire) pour optimiser les coûts.

Par exemple, les TPUs de Google et les puces Trainium d'Amazon deviennent des alternatives critiques. L'utilisation de silicium personnalisé peut réduire les coûts d'exploitation de 30 % à 40 % par rapport aux GPU traditionnels de Nvidia. Un changement notable dans l'industrie est déjà en cours : Anthropic s'est engagé à faire fonctionner ses modèles Claude sur l'infrastructure Trainium d'Amazon pour la prochaine décennie, signalant un éloignement de la dépendance totale aux GPU.

Pressions sur les marges et montée de l'open source

La viabilité économique des principaux laboratoires d'IA comme OpenAI et Anthropic reste une grande inconnue. Malgré une croissance rapide des revenus, les coûts astronomiques de calcul (compute) compriment les marges. Cela crée une vulnérabilité que les concurrents sont prêts à exploiter.

À mesure que les prix des tokens fluctuent, les entreprises cherchent de plus en plus à optimiser leurs dépenses en transférant des tâches vers des modèles open source moins chers et performants. Le paysage est encore complexifié par les modèles open source chinois, qui approchent rapidement des performances de premier plan pour une fraction du coût des modèles propriétaires occidentaux. Cette pression à la baisse sur le prix des tokens, combinée à la réduction des marges de flux de trésorerie disponible (free cash flow) chez les grands fournisseurs de cloud, suggère que la « ruée vers l'or de l'IA » pourrait bientôt être confrontée à une dure réalité concernant la rentabilité.

Points clés à retenir

• Volatilité du marché : Les schémas boursiers des semi-conducteurs et l'augmentation du trading d'options présentent des similitudes techniques avec la bulle Internet.
• Diversification du matériel : La part de marché de Nvidia devrait diminuer à mesure que les fournisseurs de cloud comme Amazon et Google déploient des puces personnalisées pour réduire les coûts jusqu'à 40 %.
• Risques de rentabilité : Les coûts de calcul élevés et l'efficacité croissante des modèles open source à bas coût (y compris chinois) menacent les marges des principaux laboratoires d'IA.