Les coûts de calcul de l'IA pourraient-ils être multipliés par 10 ? Dwarkesh Patel analyse le scénario d'Anthropic
Pendant la majeure partie de l'ère informatique, la tendance semblait évidente : les performances des puces ne cessaient de s'améliorer, l'infrastructure cloud s'étendait continuellement, et le prix effectif du calcul ne cessait de baisser. Cependant, l'IA pourrait bien bouleverser cette tendance.
Le coût de la puissance de calcul IA pourrait-il être multiplié par 10 ? Décryptage de l'analyse de scénario d'Anthropic par Dwarkesh Patel
Introduction
Pendant la majeure partie de l'ère informatique, la trajectoire semblait évidente : les puces devenaient plus performantes, l'infrastructure cloud s'étendait continuellement, et le prix effectif du calcul ne cessait de baisser.
L'IA pourrait bien briser ce schéma.
Dans un article publié le 29 juillet 2026, l'intervieweur tech et écrivain Dwarkesh Patel a proposé un scénario délibérément provocateur : la capacité de l'IA de pointe à transformer le calcul en valeur économique augmente considérablement, tandis que l'expansion physique de l'offre en puissance de calcul avancée est beaucoup plus lente.
Dans ce scénario, le prix de marché de la puissance de calcul IA haut de gamme pourrait être multiplié par 10 ou plus, avant de finalement revenir sur une trajectoire de baisse des coûts à long terme.
L'argument s'ouvre sur un contraste provocateur.
Si un agent IA fonctionnant sur l'équivalent de la puissance de calcul d'une NVIDIA H100 pouvait accomplir le travail d'un ingénieur logiciel hautement rémunéré, pourquoi le prix de location de ce GPU resterait-il principalement déterminé par la dépréciation matérielle et la concurrence dans le cloud ?
Pourquoi son prix ne se rapprocherait-il pas davantage de la valeur économique du travail humain qu'il remplace ou augmente ?
L'article original étend cette expérience de pensée à des prévisions plus vastes concernant les laboratoires d'IA, les centres de données, la capacité de production de semi-conducteurs avancés et la possibilité que le monde entre dans une période de forte inflation de la puissance de calcul.
Dès le départ, plusieurs limites importantes doivent être précisées :
- Un ingénieur logiciel de niveau humain fonctionnant sur l'équivalent d'une H100 est une capacité future hypothétique, et non un résultat de référence actuel.
- Le chiffre d'affaires annualisé officiellement confirmé par Anthropic a dépassé 47 milliards de dollars en mai 2026, mais les chiffres avancés par Patel de 100 à 150 milliards de dollars d'ici fin 2026 et de 1 000 milliards de dollars l'année suivante relèvent d'hypothèses de scénario, et non d'objectifs de performance d'Anthropic.
- Une multiplication par 10 du prix de la puissance de calcul est un argument économique, et non une prévision de marché confirmée.
- Les prix des GPU cloud varient selon le modèle de puce, la durée du contrat, le taux d'utilisation, le réseau, la sécurité et le niveau de service ; il n'existe pas de prix H100 unique.
Ces prémisses étant posées, cette expérience de pensée a de la valeur car elle soulève une question que l'industrie évite souvent :
Que se passe-t-il lorsque la valeur économique créée par l'IA augmente plus rapidement que la capacité du monde à fabriquer l'infrastructure nécessaire pour la faire fonctionner ?
Main-d'œuvre silicium : quand une H100 commence à ressembler à un ingénieur à 250 000 dollars par an
L'argument commence par changer l'unité de comparaison.
Aujourd'hui, la puissance de calcul est généralement tarifée comme une infrastructure :
- Prix par heure de GPU
- Prix par token
- Prix par mois de serveur
- Prix par cluster réservé
- Prix par watt ou par mégawatt
La question que pose Patel est la suivante : que se passe-t-il lorsque le même matériel devient le réceptacle d'une main-d'œuvre autonome ?
Imaginez un ingénieur logiciel IA capable de :
- Lire de vastes bases de code
- Implémenter des fonctionnalités
- Déboguer des anomalies
- Exécuter des tests
- Examiner des demandes d'extraction (pull requests)
- Enquêter sur des incidents
- Travailler en continu
- Produire des résultats équivalents à ceux d'un ingénieur humain expérimenté
Si cet agent nécessite environ l'équivalent d'une H100 pour fonctionner, le GPU n'est plus simplement un composant de serveur. Il fait partie d'un système de production numérique.
L'expérience de pensée à 250 000 dollars
Patel prend comme référence un chiffre rond : la valeur de marché d'un ingénieur logiciel senior de la Silicon Valley, soit 250 000 dollars par an.
Il le compare ensuite à une estimation de location au comptant annualisée d'une H100, soit environ 16 000 dollars.
L'écart implicite est le suivant :
250 000 / 16 000 ≈ 15,6 fois
Dans cette expérience de pensée simplifiée, un GPU capable de supporter une main-d'œuvre numérique équivalente semble gravement sous-évalué par rapport à la valeur du travail qu'il peut générer.
Ce calcul n'est pas une prédiction directe selon laquelle chaque H100 serait louée 250 000 dollars.
Il ignore plusieurs facteurs importants :
- L'agent pourrait nécessiter plus de la puissance d'une seule H100.
- Un GPU ne peut pas maintenir un taux d'utilisation parfait toute l'année.
- L'infrastructure de service comprend le CPU, la mémoire, le réseau, le stockage, l'électricité, le refroidissement et les opérations.
- Un ingénieur humain ne fait pas que générer du code.
- Si la main-d'œuvre numérique se développe rapidement, les salaires pourraient changer.
- Les fournisseurs de modèles pourraient capter l'essentiel de la valeur économique via la tarification des API plutôt que la location de GPU.
- La concurrence et les gains d'efficacité pourraient réduire la quantité de calcul nécessaire par tâche.
Le point de vue plus précis de Patel est que lorsque la puissance de calcul peut produire des résultats plus précieux, la disposition à payer pour elle pourrait augmenter fortement.
Pourquoi la valeur du travail ne s'effondre pas immédiatement
Une objection naturelle est que l'ajout de millions d'ingénieurs logiciels IA réduirait la valeur marchande du travail d'ingénierie logicielle.
Si les logiciels deviennent abondants, un ingénieur numérique pourrait ne plus valoir 250 000 dollars.
Patel reconnaît cette possibilité, mais il estime que cela ne se produit pas automatiquement.
Le raisonnement économique standard rejette généralement l'idée que « la quantité de travail utile est fixe ». Des travailleurs qualifiés supplémentaires peuvent créer de nouveaux produits, de nouvelles entreprises, de nouvelles spécialités et de nouvelles demandes.
Dans cette perspective, une augmentation massive de travailleurs compétents ne se contente pas de diviser le travail existant entre davantage de participants. Elle élargit le champ de ce qui est économiquement possible.
L'IA pourrait provoquer un choc d'offre de main-d'œuvre exceptionnellement rapide, de sorte que les comparaisons historiques pourraient ne pas s'appliquer. Même ainsi, Patel estime qu'il est raisonnable que la valeur marginale de la puissance de calcul IA reste élevée à mesure que de nouveaux logiciels et services deviennent viables.
L'argument est le plus convaincant pour le travail entièrement numérisé
Un contre-argument utile dans la discussion sous l'article de Patel est que la comparaison de la valeur du travail est la plus forte lorsque l'ensemble de la tâche peut être réalisé dans un environnement numérique.
L'ingénierie logicielle est proche de cet idéal :
- Les entrées sont numériques.
- Les sorties sont numériques.
- Les tests peuvent généralement être automatisés.
- La distribution est rapide.
- De nombreuses boucles de rétroaction fonctionnent à la vitesse des machines.
La comparaison devient plus faible lorsque des goulots d'étranglement physiques dominent.
Un système d'IA pourrait peut-être concevoir rapidement un médicament, mais les essais cliniques nécessitent toujours des patients, des réglementations, de la fabrication et du temps. Il pourrait optimiser une usine, mais la construction, les permis, la chaîne d'approvisionnement et les équipements restent soumis aux contraintes physiques.
Dans ces domaines, l'intelligence pourrait cesser d'être le goulot d'étranglement principal avant que la puissance de calcul ne puisse pleinement absorber toute la valeur du travail humain qu'elle remplace.
La croissance des revenus de l'IA pourrait dépasser celle de l'offre de puissance de calcul
La deuxième partie de l'argument passe d'un GPU individuel à la situation financière des laboratoires d'IA de pointe.
Anthropic est le principal exemple, car sa croissance récente des revenus est exceptionnellement rapide.
Les données officiellement rapportées par Anthropic sont les suivantes :
- Revenus annualisés (run rate) fin 2025 : environ 9 milliards de dollars
- Revenus annualisés (run rate) en avril 2026 : plus de 30 milliards de dollars
- Revenus annualisés (run rate) début mai 2026 : plus de 47 milliards de dollars
Ce sont des données de rythme annualisé (run rate), et non des revenus audités sur l'année complète.
Elles décrivent la vitesse de croissance implicite des revenus à un moment donné.
Le point de départ de Patel est une observation : les revenus d'Anthropic ont augmenté d'environ un ordre de grandeur en glissement annuel.
Il a ensuite construit un scénario de projection délibérément extrême :
- Anthropic atteint un chiffre d'affaires annualisé d'environ 100 à 150 milliards de dollars d'ici fin 2026.
- La même tendance générale se poursuit.
- D'ici la fin de l'année suivante, les revenus approchent 1 000 milliards de dollars.
Patel précise clairement que cette trajectoire n'est pas une continuation inévitable et qu'il n'y a aucune raison profonde à cela. Elle dépend des capacités futures de l'IA, de l'adoption des produits, de la tarification et de la concurrence.
L'objectif de ce scénario n'est pas d'affirmer qu'Anthropic prédit 1 000 milliards de dollars de revenus, mais de se demander : si une entreprise d'IA croît réellement à un tel rythme, quelles autres conditions doivent être réunies ?
La croissance des revenus ne correspond pas à celle de la puissance de calcul
Patel compare une croissance hypothétique des revenus multipliée par 10 avec une expansion estimée de la puissance de calcul de l'IA d'environ 3 fois par an.
Epoch AI estime qu'en 2025, le stock mondial de puissance de calcul IA, mesuré en équivalent H100, a augmenté d'environ deux fois (c'est-à-dire triplé), bien que l'organisation souligne également que les estimations au niveau des entreprises et concernant l'avenir restent incertaines.
L'écart qui en résulte est d'environ :
Croissance de la demande commerciale en IA : 10 fois
Croissance physique de la puissance de calcul : 3 fois
Écart : environ 3,3 fois
Si la croissance des revenus d'un laboratoire de pointe dépasse largement celle de la puissance de calcul disponible, alors une combinaison des trois éléments suivants doit nécessairement changer :
- Le laboratoire obtient des marges bénéficiaires plus élevées.
- Le prix du marché de la puissance de calcul augmente.
- Une plus grande proportion de la puissance de calcul du laboratoire est utilisée pour
les services d'inférence générateurs de revenus, au détriment de la recherche et de l'entraînement.
Patel estime que ces trois éléments sont déjà en train d'évoluer, chacun à un certain degré.
Option 1 : Hausse des marges des laboratoires de pointe
Les fournisseurs de modèles investissent des coûts fixes élevés pour entraîner les modèles, puis vendent les capacités apprises à de nombreux clients.
Cela crée des économies d'échelle potentielles.
Les mêmes capacités déjà entraînées peuvent être vendues via :
- Abonnements grand public
- Licences d'entreprise
- API
- Produits de programmation
- Plateformes d'agents intelligents
- Partenariats cloud
Le coût marginal d'une requête supplémentaire unique peut être bien inférieur à la valeur créée par cette requête.
Patel souligne que les marges d'inférence des laboratoires de pointe se sont considérablement améliorées. Cependant, ses données spécifiques sur les marges du service d'inférence Fable d'Anthropic sont clairement présentées comme des estimations approximatives, et non comme des informations d'entreprise vérifiées.
Des marges élevées peuvent absorber une partie de l'écart entre la croissance des revenus et celle de la puissance de calcul.
La difficulté réside dans l'échelle.
Dans le scénario de 1 000 milliards de dollars de Patel, si les prix et la répartition de la puissance de calcul ne sont pas suffisamment ajustés, les marges devraient atteindre un niveau élevé d'environ 95 %. Il considère que ce niveau est anormalement élevé, même pour les grandes plateformes technologiques.
La marge précise requise dépend de nombreuses variables, mais le point central reste valable : les marges seules ne suffisent probablement pas à concilier une demande explosive avec une infrastructure limitée.
Option 2 : Davantage de puissance de calcul transférée de l'entraînement vers l'inférence
La deuxième option consiste à allouer une plus grande proportion de la puissance de calcul au service client.
Epoch AI estime qu'OpenAI a dépensé environ 1,8 milliard de dollars en puissance de calcul d'inférence en 2024, contre environ 5 milliards de dollars pour la recherche et le développement. Selon cette estimation, les dépenses d'inférence représentent environ un quart des dépenses totales déclarées en puissance de calcul.
À mesure que l'utilisation commerciale s'étend, la part de l'inférence peut encore augmenter.
Cela aide à soutenir les revenus, mais les laboratoires de pointe sont confrontés à un dilemme stratégique.
Les services d'inférence paient les factures actuelles.
L'entraînement et l'expérimentation produisent les modèles qui pourraient définir la prochaine génération de produits.
Un laboratoire qui consacre la majeure partie de sa puissance de calcul à servir les modèles actuels pourrait générer des revenus plus immédiats, mais disposerait de moins d'infrastructure pour :
- Entraîner des modèles plus grands
- Exécuter des expériences
- L'apprentissage par renforcement
- Les évaluations
- La génération de données
- La recherche architecturale
- Le développement de modèles à long terme
Patel décrit un effet de volant de la Silicon Valley : les revenus actuels de l'inférence aident à financer la levée de fonds, qui achète davantage de puissance de calcul, qui entraîne des modèles plus puissants, qui génèrent plus de revenus.
Ces laboratoires ne considèrent généralement pas les modèles d'aujourd'hui comme un point final. Ils s'attendent à ce que les systèmes de pointe actuels soient rapidement dépassés.
Cela les rend réticents à se transformer complètement en fournisseurs de services cloud à haute marge, au service d'une génération statique de modèles.
Option 3 : Le prix de la puissance de calcul de pointe
augmente
L'ajustement restant est le prix.
Si les laboratoires d'IA et leurs clients peuvent créer plus de valeur économique par unité de puissance de calcul, ils sont en mesure de faire des offres plus agressives pour sécuriser une infrastructure rare.
Cela ne signifie pas que le prix de chaque heure GPU augmente uniformément.
Les laboratoires de pointe ont besoin d'une catégorie spécialisée de puissance de calcul :
- Grands clusters continus
- Interconnexions à haute vitesse
- Disponibilité prévisible
- Sécurité renforcée
- Taux d'utilisation élevés
- Alimentation électrique stable
- Déploiement rapide
- Accès à long terme
- Protection des poids de modèles et des données clients
Les instances spot du marché ouvert ne remplacent pas entièrement un contrat d'infrastructure sécurisé, pluriannuel et multi-gigawatt.
La transaction de puissance de calcul entre Anthropic, Google et SpaceX
Les contrats récents illustrent la prime accordée à la capacité immédiate.
Anthropic a officiellement confirmé un accord avec SpaceXAI pour obtenir l'accès à Colossus 1, puis a indiqué avoir étendu sa capacité sur Colossus 1 et Colossus 2.
SpaceXAI décrit Colossus 1 comme comprenant plus de 220 000 GPU NVIDIA, incluant des systèmes H100, H200 et GB200.
Axios rapporte qu'Anthropic a accepté de payer environ 1,25 milliard de dollars par mois pour cet arrangement jusqu'en 2029.
Un document réglementaire rapporté par TechCrunch montre ensuite que Google paiera à SpaceX environ 920 millions de dollars par mois entre octobre 2026 et juin 2029 pour l'accès à environ 110 000 GPU et composants associés.
Ce ne sont pas des achats cloud à la demande ordinaires.
Ils reflètent la valeur d'un accès rapide à une infrastructure disponible à grande échelle, alors que la construction de nouveaux centres de données, les interconnexions électriques et les livraisons de puces peuvent prendre des années.
Patel estime que le prix implicite par heure GPU dans la transaction de Google est environ le double du prix spot actuel du matériel hybride pertinent.
Cette comparaison est approximative, car le contrat inclut plus que les GPU nus, et la combinaison matérielle couvre des accélérateurs de différentes générations.
Les GPU deviennent des usines, pas seulement des serveurs
L'article source utilise une analogie industrielle.
À l'ère d'Internet, les entreprises se disputaient :
- Trafic
- Canaux de distribution
- Classement dans les recherches
- Accès aux stores d'applications
La concurrence en IA de pointe ajoute une dimension plus physique :
- Électricité
- Puces avancées
- Mémoire
- Terrains pour centres de données
- Refroidissement
- Connexions au réseau électrique
- Réseaux
- Grands clusters synchrones
Les clusters de GPU de pointe se rapprochent davantage de chaînes de production industrielles que d'un ensemble de serveurs loués ordinaires.
Leur production n'est pas un produit physique, mais une intelligence à valeur économique :
- Code
- Recherche
- Support
- Conception
- Analyse
- Médias
- Décisions
- Actions d'agents
Les entreprises qui contrôlent les modèles les plus puissants et la puissance de calcul la plus fiable ont le potentiel de produire davantage de ce type de travail numérique.
Pourquoi les grands laboratoires ne peuvent pas se reposer uniquement sur le marché spot
La capacité spot présente plusieurs inconvénients pour les charges de travail de pointe :
- Les instances peuvent être interrompues.
- Le matériel peut être réparti sur différents sites.
- Les performances réseau peuvent être instables.
- La capacité peut disparaître en période de forte demande.
- Les exigences de sécurité et de traitement des données peuvent être difficiles à satisfaire.
- Les longues sessions d'entraînement nécessitent une infrastructure stable et coordonnée.
Les laboratoires qui entraînent ou exploitent des modèles
Les acheteurs de modèles de pointe accordent donc plus de valeur à une puissance de calcul garantie que les acheteurs exécutant des tâches de traitement par lots à court terme.
Cela aide à expliquer pourquoi la puissance de calcul contractuelle bénéficie d'une prime, même lorsque les offres de cloud public semblent moins chères.
L'offre est contrainte par des multiplicateurs physiques
L'analyse de Patel repose sur l'affirmation selon laquelle l'offre de puissance de calcul ne peut pas réagir assez rapidement aux chocs de demande majeurs.
Il résume la croissance annuelle de la puissance de calcul comme le produit de trois multiplicateurs généraux :
Croissance annuelle de la puissance de calcul IA ≈
1,4× Amélioration matérielle
× 1,2× Nouvelle capacité de production de plaquettes
× 1,8× Réaffectation des plaquettes de pointe à l'IA
≈ 3,0×
Ces chiffres sont des estimations, pas des constantes physiques immuables.
Ils visent à illustrer les sources de la croissance récente.
Multiplicateur un : de meilleures puces
Les améliorations de la technologie des semi-conducteurs augmentent le calcul effectif délivré par watt, par puce et par dollar investi.
Les gains potentiels proviennent de :
- Des nœuds de gravure plus petits
- De meilleures architectures
- Des calculs en précision réduite
- Une bande passante mémoire plus élevée
- Du packaging avancé
- Des interconnexions plus rapides
- De meilleurs logiciels et noyaux
La progression n'est pas sans limites.
Chaque nouvelle génération de nœud devient plus difficile et plus coûteuse. La densité de puissance, les fuites, le rendement, le déplacement mémoire et le packaging deviennent de plus en plus des facteurs déterminants de la performance réelle.
Les systèmes d'IA peuvent également améliorer leur efficacité grâce à des améliorations au niveau des modèles et des logiciels, ce qui peut, dans une certaine mesure, compenser la rareté du matériel. Par conséquent, toute prévision de prix de la puissance de calcul dépend de la vitesse des gains d'efficacité par rapport à la croissance de la demande.
Multiplicateur deux : davantage de fabriques et d'équipements
Une nouvelle capacité de production de semi-conducteurs nécessite plusieurs années pour la planification, le financement, la construction, l'installation des équipements, la validation et la montée en cadence.
La chaîne d'approvisionnement dépend fortement de systèmes spécialisés, notamment la lithographie par ultraviolet extrême.
Les fabriques avancées nécessitent également :
- Une main-d'œuvre qualifiée
- Des services publics fiables
- Un approvisionnement en produits chimiques
- Des ressources en eau
- Une capacité de packaging
- Une capacité de test
- Des équipements à longs délais de livraison
Patel estime que la disponibilité des équipements EUV contraindra l'expansion rapide de la capacité, au moins jusqu'à la fin de la décennie.
Des prix plus élevés peuvent stimuler l'investissement, mais ne peuvent pas produire instantanément une usine de pointe entièrement validée.
Multiplicateur trois : réaffecter la capacité avancée existante à l'IA
Une grande partie de la croissance récente des puces IA provient du transfert de la capacité de fabrication avancée depuis d'autres produits.
Les smartphones, PC, puces réseau et autres appareils entrent en concurrence pour les mêmes ressources de gravure et de packaging avancées.
Patel cite une estimation selon laquelle la part de l'IA dans la capacité N3 de TSMC pourrait passer d'environ 60 % à 86 % d'ici fin 2027.
Il s'agit d'une estimation du modèle d'offre, pas d'une indication publique de capacité de TSMC.
Son implication est simple : ce levier de réaffectation n'est efficace que si la demande non liée à l'IA occupe encore une capacité transférable.
Une fois que l'IA a consommé la majeure partie de la capacité des nœuds concernés, ce levier de croissance s'affaiblit considérablement.
D'autres goulots d'étranglement peuvent apparaître plus tôt
Même si l'offre de plaquettes s'élargit, l'ensemble du système peut encore être contraint par :
- La mémoire à large bande passante
- Le packaging avancé
- Les réseaux optiques
- Les transformateurs et équipements de réseau électrique
- La construction de centres de données
- La production d'électricité
- Le refroidissement
- Les autorisations et permis
- Le financement
L'offre de puissance de calcul reste
C'est donc une chaîne, et non la production d'une seule usine.
La capacité effective est limitée par le maillon critique le plus lent.
Pourquoi des coûts de calcul élevés peuvent favoriser les modèles les plus puissants
La source avance ensuite un argument contre-intuitif : si la puissance de calcul devient plus chère, les acheteurs ne se tourneront pas nécessairement vers des modèles plus faibles.
Ils pourraient même préférer davantage les modèles les plus puissants.
Patel relie cela à l'effet Alchian-Allen.
Lorsqu'un coût fixe est ajouté à des biens de qualité différente, la version haut de gamme peut devenir relativement plus attractive, car la prime de qualité représente une part plus faible du prix total.
Un exemple simplifié
Supposons que le coût de base de la puissance de calcul soit de 20 $ par heure.
Un modèle puissant termine une tâche en une heure, avec une prime de modèle de 5 $ :
Modèle puissant :
20 $ de calcul + 5 $ de prime = 25 $
Un modèle faible n'a pas de prime, mais, en raison des tentatives répétées et d'une inférence inefficace, il nécessite deux heures :
Modèle faible :
2 × 20 $ de calcul = 40 $
Un modèle apparemment gratuit, calculé par tâche terminée, est en réalité plus cher.
L'indicateur clé n'est pas le prix par token ni les frais de licence du modèle, mais le coût par résultat réussi.
L'efficacité devient un avantage de prix
Un modèle plus puissant peut réduire les coûts grâce à :
- Moins de tokens
- Moins de tentatives
- Moins d'appels d'outils
- Moins de corrections manuelles
- Une durée de tâche plus courte
- Une meilleure planification
- Une exécution plus fiable
Si la puissance de calcul est bon marché, le coût des tentatives inefficaces peut être supportable.
Si elle est chère, le gaspillage de calcul devient plus douloureux.
Le laboratoire qui parvient à extraire le maximum de production utile de chaque heure de GPU rare peut facturer une prime substantielle.
Cela ne signifie pas que les petits modèles disparaissent
La version la plus radicale de l'article-source affirme que les modèles médiocres pourraient n'avoir aucun avenir.
Cette conclusion est trop large.
Les modèles plus petits et spécialisés restent attractifs dans les cas suivants :
- Une latence plus faible
- Des besoins mémoire réduits
- Un déploiement sur appareil
- La confidentialité
- Des sorties structurées prévisibles
- Une qualité suffisante pour des tâches étroites
- Une consommation de calcul bien inférieure à la moyenne
- La personnalisation offerte par les poids ouverts
Un classifieur léger n'a pas besoin d'être un agent de programmation de pointe.
L'argument Alchian-Allen s'applique lorsque les deux modèles consomment une infrastructure coûteuse similaire et que le modèle plus faible nécessite beaucoup plus de travail pour atteindre le même résultat.
Lorsqu'un modèle plus petit est réellement plus efficace pour cette tâche, la force de l'argument diminue.
Certaines applications d'IA actuelles peuvent être exclues du marché en raison de prix trop élevés
Patel estime qu'une hausse des prix de la puissance de calcul peut déplacer la capacité des usages à faible valeur.
Si un GPU peut exécuter un agent qui produit des logiciels ou des résultats commerciaux de grande valeur, le coût d'opportunité d'utiliser le même matériel pour du contenu médiatique jetable devient bien plus élevé.
Cela peut affecter les applications suivantes :
- Contenu court à faible valeur
- Interactions factices en masse
- Génération répétitive d'images ou de vidéos
- Inférence grand public extrêmement bon marché
- Produits à faible disposition à payer
Le marché ne supprime pas nécessairement le contenu lui-même.
Il peut plutôt le pousser vers :
- Des modèles plus petits
- Du matériel plus ancien
- De l'inférence sur appareil
- Des sorties en cache
- Des architectures plus efficaces
- Une génération en résolution inférieure
- Une puissance de calcul en heures creuses
La clé réside dans l'allocation des ressources.
Rareté
Le calcul de pointe ira naturellement vers les charges de travail ayant la plus forte disposition à payer.
Pourquoi cette prédiction pourrait être fausse
L'article-source soulève également plusieurs objections.
Ces objections sont importantes, car les prédictions de rareté permanente des ressources se révèlent souvent erronées.
Objection un : le travail humain n'est pas le bon point de référence pour les prix
La comparaison avec l'ingénieur à 250 000 $ suppose que le GPU peut capter une valeur proche de la valeur économique actuelle d'un ingénieur.
Cette hypothèse peut échouer pour les raisons suivantes :
- Les salaires du génie logiciel peuvent baisser.
- L'IA peut créer une production abondante mais difficile à monétiser.
- La confiance, la responsabilité, les relations et le jugement humains peuvent encore avoir de la valeur.
- Les agents peuvent nécessiter une supervision humaine.
- Les goulots d'étranglement du monde physique peuvent dominer.
- La concurrence peut pousser les prix des modèles vers le coût de revient.
Certains commentateurs notent que la valeur initiale d'un travailleur numérique peut être élevée, mais qu'elle pourrait se stabiliser autour de 50 000 $ une fois que la main-d'œuvre IA devient abondante.
Dans ce scénario, la valeur du calcul peut encore augmenter, mais pas nécessairement d'un facteur 15.
Objection deux : les gains d'efficacité peuvent dépasser la croissance de la demande
Le prix par token ne correspond pas au prix du calcul.
Les modèles et systèmes de service s'améliorent en continu grâce à :
- La quantification
- La distillation
- La parcimonie
- De meilleurs noyaux
- Le décodage spéculatif
Cache
- Routage
- Architecture améliorée
- Meilleure utilisation du matériel
À l'avenir, les réponses vidéo ou de chat à faible valeur pourraient ne nécessiter qu'une fraction de la puissance de calcul actuelle.
Même si le calcul des agents de pointe devient coûteux, les services d'IA grand public pourraient continuer à baisser leurs prix, car ils migreront vers des modèles et du matériel plus efficaces.
Contre-argument 3 : Les modèles open source intensifient la concurrence
Les modèles à poids ouverts pourraient exercer une pression sur les prix des API de pointe.
Si plusieurs modèles offrent des capacités similaires, les utilisateurs peuvent basculer entre les options suivantes :
- API commerciales hébergées
- Déploiements cloud à poids ouverts
- Clusters privés
- Prestataires nationaux
- Modèles dédiés
Cela limite la capacité d'un laboratoire unique à réaliser des marges extrêmement élevées.
La rareté du calcul peut encore faire grimper les coûts d'infrastructure sous-jacents, mais la concurrence entre modèles détermine la valeur que les laboratoires peuvent conserver.
Contre-argument 4 : L'offre réagit aux prix élevés
La réponse classique à la rareté est l'investissement.
Des prix de calcul plus élevés encourageront :
- Davantage de fonderies
- Davantage de capacités d'assemblage
- Davantage de production de mémoire
- Davantage de capacités de production d'électricité
- Un meilleur refroidissement
- Des accélérateurs alternatifs
- De nouveaux fournisseurs de cloud
- Des logiciels plus efficaces
Patel reconnaît également que le calcul finira par redevenir bon marché.
Son argument porte sur la période de transition actuelle, où la croissance de la demande pourrait dépasser la vitesse de réponse des infrastructures physiques à long cycle.
Le pari Simon-Erlich
La source compare les prévisions de calcul au célèbre pari entre le biologiste Paul Ehrlich et l'économiste Julian Simon.
En 1980, Ehrlich a choisi un panier de cinq métaux, pariant que leurs prix réels augmenteraient au cours de la décennie suivante.
En 1990, le prix du panier, ajusté de l'inflation, avait baissé, et Ehrlich a payé le pari à Simon.
Ce pari est souvent utilisé pour montrer que les prévisions de rareté sous-estiment l'innovation, la substitution et la réponse de l'offre.
L'interprétation historique est
plus complexe. L'analyse indique qu'une autre décennie de départ pourrait produire des gagnants différents.
Patel reconnaît que son argument sur le calcul ressemble aux prévisions de rareté qui se sont souvent révélées fausses.
Il estime que le calcul pourrait différer de l'extraction des métaux, car son élasticité d'offre à court terme est plus faible :
- Il existe peu d'alternatives aux accélérateurs d'IA de pointe.
- Les fonderies avancées ne peuvent pas apparaître rapidement.
- Les équipements EUV sont produits par une chaîne d'approvisionnement hautement concentrée.
- L'alimentation électrique et la construction des réseaux des centres de données prennent du temps.
- Les laboratoires de pointe ont besoin de grands clusters coordonnés, et non de puces commercialisées arbitraires.
Par conséquent, le désaccord porte principalement sur la question du temps.
Les signaux de prix et l'innovation peuvent-ils élargir l'offre effective de calcul avant que la demande d'IA n'écrase les constructions actuelles ?
Un cadre plus équilibré pour les prix du calcul
Plutôt que de considérer le « 10 fois » comme une prévision fixe, il convient de traduire l'argument en un ensemble de variables mesurables.
Variables côté demande
- Croissance des capacités des modèles de pointe
- Revenu par heure GPU
- Taux d'adoption des agents
- Volonté de payer des entreprises
- Degré de substitution de la main-d'œuvre
- Création de nouvelles applications
- Part du calcul dédiée à l'inférence
- Marges des fournisseurs de modèles
Variables côté offre
- Expéditions d'accélérateurs
- Performance matérielle par watt
- Offre de plaquettes sur nœuds avancés
- Capacité d'assemblage
- Offre de mémoire à bande passante élevée
- Alimentation électrique des centres de données
- Vitesse de raccordement au réseau électrique
- Utilisation des clusters
- Efficacité des services
- Puces alternatives
Variables de structure du marché
- Nombre de modèles de pointe concurrents
- Qualité des modèles à poids ouverts
- Concentration des fournisseurs de cloud
- Contrats d'infrastructure à long terme
- Restrictions géographiques et réglementaires
- Disponibilité du capital
- Capacité à router les charges de travail vers des modèles moins chers
Une hausse des prix multipliée par 10 est plus probable dans les cas suivants :
- Les capacités et la monétisation progressent rapidement.
- Les laboratoires de pointe se disputent des clusters limités.
- L'offre ne s'étend qu'environ 3 fois par an.
- Les gains d'efficacité ne compensent pas la croissance de la demande.
- Un ou deux laboratoires conservent un avantage qualitatif marqué.
Elle est moins probable dans les cas suivants :
- La croissance des capacités ralentit.
- La croissance des revenus se normalise.
- Les modèles ouverts deviennent des substituts proches.
- De petits modèles efficaces absorbent l'essentiel des charges de travail.
- Le nouveau matériel et l'électricité arrivent plus vite que prévu.
- Les logiciels réduisent considérablement le calcul nécessaire à chaque tâche.
Implications de ce scénario pour les entreprises d'IA
Même si les coûts de calcul n'augmentent pas de 10 fois, l'argument a encore une portée pratique.
Mesurer le coût par tâche accomplie
Suivre :
- Nombre total de jetons d'entrée et de sortie
- Nombre de jetons d'inférence
- Nombre d'appels d'outils
- Nombre de nouvelles tentatives
- Temps de correction humaine
- Latence de bout en bout
- Taux de réussite
- Coûts d'infrastructure
Si un modèle moins cher échoue à plusieurs reprises, il n'est en réalité pas bon marché.
Utiliser le routage des modèles
Réserver les modèles de pointe coûteux aux tâches qui en bénéficient réellement.
Utiliser des modèles plus petits pour :
- La classification
- L'extraction
- Le routage
- Le formatage
- Les opérations structurées répétitives
Ne faire remonter que les cas difficiles.
Concevoir pour la portabilité du calcul
Éviter de lier l'ensemble du produit à un seul modèle ou à un seul fournisseur de GPU.
Les abstractions utiles incluent :
- Passerelles de modèles
- Suites d'évaluation
- Invites portables
- Mémoire indépendante du fournisseur
- Plusieurs backends matériels
- Exécution par lots et asynchrone
Optimiser le contexte et l'utilisation des outils
Les boucles d'agents de longue durée peuvent gaspiller du calcul en raison de contextes répétitifs et de sorties d'outils trop volumineuses.
Pistes d'amélioration :
- Cache d'invites
- Récupération de contexte
- Filtrage des sorties d'outils
- Stratégies de nouvelle tentative
- Conditions d'arrêt
- Exécution parallèle
- Validation des résultats
Garantir la capacité avant d'en avoir besoin
Les entreprises dont la demande est prévisible peuvent bénéficier de :
- Instances réservées
- Contrats cloud pluriannuels
- Remises sur engagement d'utilisation
- Multiples partenaires d'infrastructure
- Capacité locale pour les charges de travail stables
La bonne stratégie dépend de l'utilisation. Le matériel réservé est coûteux lorsqu'il est inactif.
Implications de ce scénario pour les investisseurs et les décideurs politiques
L'argument déplace également l'attention des références de modèles vers l'infrastructure.
Les domaines importants incluent :
- Fabrication avancée de semi-conducteurs
- Lithographie
- Mémoire à bande passante élevée
- Assemblage
- Alimentation électrique des centres de données
- Transformateurs
- Réseaux optiques
- Refroidissement
- Infrastructure du réseau électrique
- Financement du cloud
Si l'intelligence devient un intrant économique majeur, le contrôle de ces niveaux deviendra stratégique.
Le résultat pourrait être une concentration.
Les laboratoires disposant des meilleurs modèles et des revenus les plus solides pourraient enchérir plus haut que les nouveaux entrants sur les ressources de calcul rares. Ces ressources les aident à améliorer leurs modèles, ce qui renforce leurs revenus, rendant la prochaine enchère encore plus facile.
C'est une boucle de renforcement :
Meilleurs modèles
↓
Produits plus précieux
↓
Plus de revenus
↓
Plus d'accès aux ressources de calcul
↓
Plus d'entraînement et d'inférence
↓
Meilleurs modèles
Le risque est que la production d'intelligence puisse se concentrer entre les mains de quelques entreprises capables de supporter d'énormes investissements d'infrastructure.
Questions fréquentes
Pourquoi Dwarakesh Patel pense-t-il que le coût du calcul de l'IA pourrait être multiplié par 10 ?
Patel estime que des modèles d'IA plus intelligents pourraient générer plus de revenus par unité de calcul, tandis que l'offre réelle de calcul avancé croît beaucoup plus lentement. Si la demande et la volonté de payer croissent plus vite que l'offre de puces, d'électricité et de centres de données, les prix du marché pourraient grimper fortement.
Anthropic prévoit-elle un revenu annuel de 1 000 milliards de dollars ?
Non. Anthropic a officiellement déclaré un revenu annualisé dépassant 47 milliards de dollars en mai 2026. Les chiffres de 100 à 150 milliards de dollars pour la fin de l'année et de 1 000 milliards de dollars pour l'année suivante sont des hypothèses de l'expérience de pensée de Patel, et non des prévisions de l'entreprise.
Pourquoi comparer le H100 à un ingénieur logiciel payé 250 000 dollars par an ?
Cette comparaison explore comment le calcul pourrait être tarifé si un système équivalent à un H100 pouvait héberger un agent d'IA accomplissant le travail d'un ingénieur bien rémunéré. Il s'agit d'une référence de valeur hypothétique, et non d'une preuve que chaque H100 peut actuellement remplacer un ingénieur.
À quelle vitesse croît le calcul mondial de l'IA ?
Epoch AI estime qu'en 2025, le calcul mondial total de l'IA, exprimé en équivalents H100, a environ triplé. La croissance future est incertaine, dépendant de la performance des puces, de la fabrication, de l'assemblage, de l'électricité, de la construction et des dépenses d'investissement.
Pourquoi le calcul des laboratoires de pointe pourrait-il coûter plus cher que les prix publics des GPU au comptant ?
Les laboratoires de pointe ont besoin de clusters sûrs, fiables, à grande échelle, avec un réseau à haute vitesse et des performances prévisibles et une disponibilité à long terme. Les instances publiques ponctuelles ne sont pas équivalentes à des déploiements dédiés pluriannuels comprenant des centaines de milliers d'accélérateurs coordonnés.
Le calcul coûteux favorise-t-il toujours le modèle le plus fort ?
Non. Lorsque le modèle le plus fort atteint le même résultat avec moins de jetons, moins de nouvelles tentatives ou moins de temps, le calcul coûteux le favorise effectivement. Mais pour des charges de travail de niche, à faible latence, privées ou en périphérie, des modèles spécialisés plus petits peuvent toujours être plus économiques.
Le calcul de l'IA restera-t-il cher pour toujours ?
Patel ne soutient pas que le calcul restera cher en permanence.
Son argument porte sur une période de transition — durant laquelle la demande en IA pourrait dépasser la capacité d'expansion des chaînes d'approvisionnement en semi-conducteurs et en centres de données ; à plus long terme, le matériel et l'automatisation pourraient à nouveau rendre la puissance de calcul moins chère.
Quelles preuves pourraient infirmer l'hypothèse d'un « prix du calcul × 10 » ?
Si la croissance des revenus de l'IA ralentit, si les capacités des modèles atteignent un plafond, si les modèles open source deviennent des substituts très proches, si l'efficacité des services s'améliore plus vite que la croissance de la demande, ou si l'expansion de l'offre en semi-conducteurs et en électricité dépasse les prévisions, alors cet argument serait affaibli.
Outils associés
- Epoch AI : Recherches et données sur la puissance de calcul en IA, l'expansion des modèles, les infrastructures et l'économie des laboratoires de pointe.
- NVIDIA H100 Tensor Core GPU : Spécifications officielles de l'accélérateur publiées par NVIDIA, l'unité de calcul centrale de l'expérience de pensée de Patel.
- Instances AWS EC2 P5 : Instances cloud officielles d'Amazon basées sur les GPU NVIDIA H100, conçues pour les charges de travail d'IA à grande échelle.
- VM Google Cloud A3 : Documentation de Google Cloud sur la puissance de calcul GPU, y compris la disponibilité et la configuration des accélérateurs.
- CoreWeave Cloud GPU : Plateforme cloud spécialisée offrant une infrastructure GPU à grande échelle pour les charges de travail d'IA.
- Serveur d'inférence NVIDIA Triton : Système de service d'inférence conçu pour améliorer l'utilisation, le traitement par lots et l'efficacité de déploiement sur les modèles d'IA.
Liens connexes
- Dwarkesh Patel : Pourquoi la puissance de calcul pourrait coûter 10 fois plus cher : Article original présentant le scénario de la valeur travail du H100 et l'argument de la rareté du calcul.
- Annonce Anthropic Série H : Annonce officielle d'Anthropic de mai 2026, confirmant un chiffre d'affaires annualisé de plus de 47 milliards de dollars et des partenariats majeurs en matière de calcul.
- Partenariat de calcul Anthropic–Google–Broadcom : Description officielle par Anthropic de son expansion TPU multi-gigawatts et de son jalon de 30 milliards de dollars de revenus annualisés.
- Partenariat de calcul SpaceXAI et Anthropic : Annonce officielle accordant à Anthropic l'accès au cluster GPU Colossus 1.
- Epoch AI : Les laboratoires de pointe n'utilisent pas la majeure partie de la puissance de calcul IA : Estimations sur la puissance de calcul IA mondiale, la part des laboratoires de pointe, les taux de croissance et les contraintes d'infrastructure.
- [Epoch
AI : Dépenses de calcul d'OpenAI en 2024](https://epoch.ai/data-insights/openai-compute-spend) : Estimations de la répartition du calcul d'OpenAI en 2024 entre recherche, formation et inférence.
- Tendances des supercalculateurs IA : Recherche sur la croissance des performances des supercalculateurs IA, les coûts matériels, le nombre de puces et les besoins en électricité.
Résumé
L'argument de Dwarkesh Patel sur un prix du calcul 10 fois plus élevé part d'une idée simple : si un GPU peut héberger un agent d'IA exécutant un travail de connaissance à forte valeur, la volonté de payer pour ce GPU pourrait s'orienter vers la valeur de ce travail, plutôt que vers le coût historique du serveur.
Combiné à la croissance rapide des revenus d'Anthropic et aux estimations selon lesquelles la puissance de calcul IA mondiale double environ 3 fois par an, cet argument devient plus solide. Si la demande commerciale en IA croît plus vite, l'ajustement se fera nécessairement par les marges, l'allocation du calcul, la hausse des prix des infrastructures, ou une combinaison de ces trois éléments.
Cette prédiction est loin d'être certaine. Les gains d'efficacité énergétique, les modèles open source, les systèmes spécialisés plus petits, de nouvelles usines de fabrication, de nouveaux accélérateurs et un ralentissement de la croissance des capacités pourraient tous empêcher une multiplication par 10. Historiquement, les prévisions de rareté des ressources ont souvent sous-estimé la capacité d'adaptation.
L'idée véritablement durable ne réside pas dans le fait que la puissance de calcul doive augmenter exactement d'un facteur 10, mais dans le fait qu'une IA plus intelligente peut accroître la valeur économique de chaque GPU plus rapidement que le monde physique ne peut fabriquer et alimenter de nouveaux GPU.