Des obligations adossées à des hypothèques immobilières aux obligations adossées à des GPU, Nvidia serait-elle en train d'imiter AIG ?

Nvidia envisage à nouveau de titriser ses actifs de centres de données, une opération qui pourrait faire entrer la frénésie autour de la puissance de calcul AI dans une nouvelle phase dangereuse.

Selon l'analyse du stratégiste macroéconomique de Bloomberg, Simon White, l’intention de Nvidia de transformer ses centres de données en actifs investissables pourrait entraîner une surcapacité significative dans le secteur de la puissance de calcul AI, notamment alors que le modèle de tarification basé sur les résultats devient progressivement la norme industrielle. La logique centrale de cette évaluation réside dans le fait que la financiarisation amplifie artificiellement les signaux de demande, masquant ainsi la réalité d’un marché déjà en surabondance — un phénomène rappelant l’exubérance immobilière précédant la crise financière de 2008.

White souligne que le cadre de coopération récemment conclu entre Nvidia et Apollo, Brookfield, KKR, Blackstone, BlackRock ainsi que Goldman Sachs vise à catalyser plus de 500 milliards de dollars de capitaux vers les soi-disant « usines AI ». Nvidia offrira une garantie de rachat pour jusqu’à 25 % de la valeur de ses GPU utilisés comme collatéral dans certaines transactions. La ressemblance avec la bulle immobilière de l’époque est frappante. AIG avait alors vendu des assurances sur les tranches supérieures des CDO, permettant aux banques de réduire leurs exigences de fonds propres et de distribuer davantage de dettes toxiques — jusqu’à ce que la montée soudaine des corrélations conduise à un sauvetage national.

Accélération de la financiarisation : le moment AIG du marché des obligations GPU

Simon White estime que cette ruée vers l’infrastructure AI dépasse, en termes d’ampleur, les cycles historiques d’expansion tels que la construction du réseau autoroutier américain (années 1960) ou le déploiement du haut débit (années 2000). Pour que cette fête continue, de multiples opérations de financement croisé et de soutien des fournisseurs ont déjà été conclues — rien que celles impliquant Nvidia représentent près de 750 milliards de dollars.

Jensen Huang, PDG de Nvidia, a clairement indiqué vouloir faire de la puissance de calcul des « usines AI » une nouvelle classe d’actifs investissables. Le marché des dettes adossées aux GPU a explosé cette année, et ce nouvel accord enfonce encore le clou — titrisation et distribution d’actifs. Les partenaires apporteront capitaux, expertise en infrastructures et favoriseront la titrisation et la distribution.

En rendant les transactions plus attractives, Nvidia permettra aux obligations prioritaires de ce montage d’obtenir de meilleures notations de crédit. Par ailleurs, la Securities and Exchange Commission (SEC) vient d’assouplir les règles sur la titrisation des obligations de centres de données. White compare cela au moment où, lors de la crise financière, les fonds de pension sont arrivés — généralement le point où le risque commence à se propager davantage sur le marché de la dette, et le début de la fin de crise.

En apparence, le risque de Nvidia pourrait sembler limité. Mais White rappelle que telle était aussi l’appréciation d’AIG à l’époque — et au fil du temps, AIG a accumulé de plus en plus d’obligations supposément sans risque et profitables, pour finalement découvrir que la corrélation de la pression de crédit des emprunteurs pouvait provoquer une catastrophe.

Signaux de surcapacité : un déséquilibre offre/demande masqué par l’alchimie financière

L’inquiétude principale de White est que la financiarisation occulte systématiquement les signaux d’excès de capacité sur le marché. Comme pour la crise immobilière, l’effervescence actuelle des investissements en capital pourrait attirer toujours plus de capitaux dans une ruée alimentée par l’alchimie financière, aboutissant à une surconstruction. Les indices d’une offre suffisante de puissance de calcul risquent de ne pas être pris en compte.

Côté demande, White note que les métriques de référence changent fondamentalement. La location de GPU s’évalue classiquement sur la base du coût horaire, et l’inférence sur le coût par token traité. Mais pour l’utilisateur final, ce qui compte vraiment, c’est le résultat : combien de valeur « intelligente » chaque euro dépensé rapporte-t-il, ou autrement dit, quel est le coût effectif de l’accomplissement d’une tâche ?

Le coût de l’intelligence baisse, mais cette évolution ne se reflète pas immédiatement sur les prix des GPU. Si un modèle parvient à accomplir la même tâche avec 10 fois moins de tokens et que le prix par token reste stable, alors chaque GPU est, en réalité, dix fois plus efficace.

Alors que la « maximisation des tokens » devient révolue, des preuves s’accumulent montrant que le nombre de tokens consommés pour une même tâche par un modèle peut fortement varier. De plus, les grands modèles de langage (LLM) peuvent facilement être ajustés pour consommer plus de tokens : la tarification basée sur le résultat gagne du terrain auprès des clients professionnels. Si cette tendance devient la norme, elle mettra les fournisseurs de modèles sous pression pour réduire leur consommation de tokens, ce qui baissera le prix de location des GPU.

Il est aussi crucial de relever que le taux d’utilisation réel des GPU serait très bas. Selon Cast AI, le taux d’utilisation moyen des GPU n’est que de 5 %; ClearML note que près de la moitié des entreprises gaspillent des « millions de dollars » en puces inactives.

Limites du paradoxe de Jevons : le vrai risque réside dans la dépendance au chemin

Face à ces arguments sur le gain d’efficacité, la réponse classique des partisans de la dépense AI est le paradoxe de Jevons : la baisse du coût de l’intelligence générée par la puissance de calcul entraînera, inéluctablement, une augmentation de la demande — la quantité compensera le prix.

Mais White reste sceptique. Selon lui, le paradoxe de Jevons ne peut s’appliquer en permanence. Sur le marché, tout est question de dépendance au chemin. Il estime qu’à l’ère des grands modèles de langage dominateurs, la croissance de la demande d’intelligence (et non de tokens) aux niveaux de prix actuels finira forcément par ralentir, induisant une baisse structurelle du coût de la puissance de calcul.

En tant que prêteur, lorsque la corrélation des collatéraux se détériore et qu’un risque crucial — la solidité financière des emprunteurs — se détériore également, l’accumulation des risques devient explosive. À ce moment, Nvidia devra activer ses garanties d’assurance, et parallèlement, d’autres de ses opérations pourraient rencontrer des difficultés, sans parler de la dépréciation potentielle de ses produits principaux. Des entreprises comme Google, qui soutiennent elles aussi la ruée vers les dépenses en capital grâce à leur propre bilan, font face aux mêmes risques.

Comme l’a illustré la crise immobilière, une fois que la corrélation s’enclenche, elle ne s’arrête pour attendre personne. White conclut que l’opération que propose Nvidia rapproche le marché d’un nouvel épisode de cette force naturelle de la finance.