Observation intéressante sur le paradoxe de Jevons, qui se manifeste actuellement dans l’IA. Le prix des tokens baisse tandis que celui des GPU reste élevé — un cas classique où les gains d’efficacité ne font pas diminuer la demande, mais la font exploser.
Les coûts d’inférence chutent rapidement (modèles plus performants, concurrence, capacités à l’échelle de Blackwell). Cela ne réduit pas l’utilisation du calcul : cela libère une demande massive. Des tokens moins chers signifient davantage de flux de travail agentiques, plus d’automatisation du codage et plus d’utilisateurs qui lancent des outils d’IA. Le volume total de tokens augmente bien plus vite que les coûts unitaires ne baissent. Résultat : les ressources rares (GPU, HBM, énergie, centres de données) restent sous tension.
Ce que cela implique pour les infrastructures de l’IA :
$NVDA et les fabricants de GPU continuent d’en profiter. Un taux d’utilisation élevé et une pénurie persistante soutiennent les prix et les volumes.
La mémoire (HBM/GDDR), les réseaux et les infrastructures énergétiques bénéficient d’une demande durable à mesure que l’inférence se déploie.
Les hyperscalers et les néoclouds subissent une pression sur leurs marges si le prix des tokens baisse plus vite que les volumes n’augmentent — mais, jusqu’à présent, les contraintes de capacité et la hausse des dépenses en valeur absolue laissent penser que la demande l’emporte.
Le basculement vers des charges de travail davantage axées sur l’inférence favorise les puces spécialisées et les systèmes à haut débit plutôt que les seuls clusters d’entraînement.
En bref : l’IA se répand plus vite que les gains d’efficacité ne réduisent les besoins en matériel. Les prix unitaires s’effondrent, mais les dépenses totales et la demande d’infrastructures continuent de grimper. Une tendance favorable aux infrastructures matérielles, tant que la croissance des volumes reste le facteur dominant.
Les coûts d’inférence chutent rapidement (modèles plus performants, concurrence, capacités à l’échelle de Blackwell). Cela ne réduit pas l’utilisation du calcul : cela libère une demande massive. Des tokens moins chers signifient davantage de flux de travail agentiques, plus d’automatisation du codage et plus d’utilisateurs qui lancent des outils d’IA. Le volume total de tokens augmente bien plus vite que les coûts unitaires ne baissent. Résultat : les ressources rares (GPU, HBM, énergie, centres de données) restent sous tension.
Ce que cela implique pour les infrastructures de l’IA :
$NVDA et les fabricants de GPU continuent d’en profiter. Un taux d’utilisation élevé et une pénurie persistante soutiennent les prix et les volumes.
La mémoire (HBM/GDDR), les réseaux et les infrastructures énergétiques bénéficient d’une demande durable à mesure que l’inférence se déploie.
Les hyperscalers et les néoclouds subissent une pression sur leurs marges si le prix des tokens baisse plus vite que les volumes n’augmentent — mais, jusqu’à présent, les contraintes de capacité et la hausse des dépenses en valeur absolue laissent penser que la demande l’emporte.
Le basculement vers des charges de travail davantage axées sur l’inférence favorise les puces spécialisées et les systèmes à haut débit plutôt que les seuls clusters d’entraînement.
En bref : l’IA se répand plus vite que les gains d’efficacité ne réduisent les besoins en matériel. Les prix unitaires s’effondrent, mais les dépenses totales et la demande d’infrastructures continuent de grimper. Une tendance favorable aux infrastructures matérielles, tant que la croissance des volumes reste le facteur dominant.