Le trade de la décentralisation : pourquoi la demande de GPU et de mémoire pourrait décevoir

Le trade consensuel sur l'IA est simple depuis trois ans : une poignée d'entreprises vont dépenser ce qu'il faut pour construire les plus grands datacenters, entraîner les plus gros modèles, et louer l'accès à tout le monde. Chaque prévision de capex, chaque courbe de demande de mémoire et de GPU, chaque multiple de valorisation des hyperscalers repose sur cette hypothèse. Je pense que cette hypothèse est fausse, et que le marché n'a pas commencé à intégrer l'alternative dans les prix.

Les modèles étaient toujours destinés à devenir ouverts et peu coûteux à faire tourner

Les laboratoires d'IA de pointe ont passé des années à positionner leurs modèles propriétaires et fermés comme la seule option crédible pour les usages sérieux. Cet avantage s'érode plus vite que ne le suggèrent la plupart des prévisions. Les modèles à poids ouverts referment l'écart de capacité avec la frontière technologique sur un cycle de plus en plus court, et le coût de faire tourner un modèle suffisamment bon continue de baisser. Dès qu'une capacité devient reproductible en dehors de la poignée de laboratoires qui l'ont créée en premier, elle cesse de se comporter comme un actif rare et commence à se comporter comme un intrant banalisé. C'est la direction que prend cette dynamique, qu'elle soit achevée ou non à ce stade.

Un intrant banalisé ne reste pas loué indéfiniment auprès d'un petit nombre de gardiens. Il finit par être possédé.

Pourquoi les entreprises vont héberger leurs propres modèles

Le modèle mental dominant sur le marché reste : « les petites et moyennes entreprises vont appeler une API hébergée par un hyperscaler ». Je pense que cela sous-estime la vitesse à laquelle ce calcul s'inverse une fois que les modèles à poids ouverts deviennent suffisamment bons. Dès qu'une entreprise peut faire tourner un modèle qui répond à ses besoins sur une infrastructure qu'elle contrôle, envoyer des données propriétaires à un tiers cesse d'être une commodité pour devenir un risque : une exposition en matière de confidentialité, une exposition en matière de propriété intellectuelle, et une dépendance envers un fournisseur dont les incitations ne sont pas les mêmes que celles du client.

Cette tension entre les entreprises plateformes et les fournisseurs d'IA dont elles dépendent est déjà visible. La friction publique entre Apple et OpenAI autour des termes de leur accord n'est qu'un exemple parmi d'autres, pas toute la démonstration, mais elle illustre bien le propos : même les plus grandes entreprises les mieux capitalisées au monde sont mal à l'aise à l'idée d'une dépendance structurelle envers un fournisseur de modèle externe pour quelque chose d'aussi sensible que la manière dont leur plateforme et les données de leurs utilisateurs sont traitées. Les entreprises plus petites, qui ont une propriété intellectuelle réelle à protéger, arriveront à la même conclusion plus vite, car elles ont moins de levier pour négocier autour de ce risque.

La direction que pointe cette dynamique est une rotation lente, qui s'éloigne d'un modèle unique et géant centralisé servant tout le monde, vers un modèle où chaque entreprise fait tourner son propre modèle, sur sa propre infrastructure, dimensionnée pour sa propre charge de travail.

Cela signifie que la demande de GPU et de mémoire n'est pas ce que le marché intègre dans les prix

C'est la partie de la thèse qui bouge réellement les chiffres. Les prévisions actuelles de capex et de demande de mémoire reposent sur l'idée qu'un petit nombre d'acheteurs auront besoin d'une capacité de calcul et de mémoire pratiquement illimitée, qui s'étend vers l'infini à mesure que l'usage croît. La décentralisation brise cette hypothèse de deux façons.

D'abord, aucune entreprise individuelle qui héberge son propre modèle n'a besoin d'une capacité de calcul ou de mémoire infinie. Elle a besoin de juste assez de calcul et de mémoire pour servir sa propre charge de travail, ce qui est un chiffre borné et spécifique, pas un chiffre ouvert. Mille entreprises qui provisionnent chacune « juste assez » forment une courbe de demande très différente de celle d'une poignée d'hyperscalers qui provisionnent « autant que physiquement possible », même si la somme des parties reste importante.

Ensuite, les utilisateurs individuels vont dans la même direction. Les modèles locaux s'améliorent rapidement, et la plupart des usages individuels sont étroits : quelques tâches répétées, pas un raisonnement ouvert à travers tous les domaines à la fois. À un moment donné, faire tourner un modèle plus petit localement, ajusté à ce que la personne fait réellement, commence à surpasser le fait d'acheminer chaque requête vers un modèle de pointe hébergé. C'est une autre part de la demande qui n'apparaîtra jamais comme des heures de GPU achetées auprès d'un fournisseur centralisé.

Rien de tout cela ne signifie que la demande de GPU et de mémoire tombera à zéro. Cela signifie que la forme de la courbe est différente de ce qui est actuellement intégré dans les prix, et « différent de ce qui est intégré dans les prix » est précisément là où les trades se construisent.

Où se trouvait vraiment l'opportunité depuis le début

Si le calcul se décentralise, la prime de monopole actuellement intégrée dans la couche d'hébergement, celle des entreprises qui supposaient qu'elles posséderaient le goulot d'étranglement entre chaque entreprise et sa capacité en IA, risque d'être erronée. Cette prime repose sur l'idée que l'accès au calcul de pointe est la ressource rare. Dès que les entreprises peuvent provisionner le leur, la rareté se déplace ailleurs.

Elle se déplace vers les entreprises qui possèdent réellement les clients : les entreprises de logiciels avec une vraie distribution, de vrais flux de travail et de vraies relations clients, celles qui peuvent désormais faire tourner leur propre modèle derrière leur propre produit au lieu de payer un péage à la couche d'hébergement pour ce privilège. La valeur n'a jamais vraiment résidé dans la possession du plus grand datacenter. Elle résidait dans la possession de la demande, du client, et du cas d'usage que le datacenter était loué pour servir. La décentralisation ne supprime pas cette valeur, elle la ramène simplement là où elle devait toujours finir.

Ce qui changerait mon avis

1. L'écart de capacité reste large. Si les modèles propriétaires de pointe continuent de prendre une avance significative sur les alternatives à poids ouverts au lieu que l'écart se referme, l'incitation à s'auto-héberger s'affaiblit et le modèle de location centralisé tient plus longtemps que ne le suppose cette thèse.
2. La réglementation favorise de grands fournisseurs certifiés. Si les régimes de conformité finissent par exiger que les charges de travail d'IA passent par un petit nombre de fournisseurs d'hébergement accrédités plutôt que de permettre aux entreprises de s'auto-héberger, cela inverserait entièrement la direction de cet argument.
3. L'auto-hébergement coûte plus qu'il ne fait économiser. Si le coût total pour faire tourner, sécuriser et maintenir une infrastructure de modèle privée reste plus élevé qu'une facture d'API pour la plupart des entreprises, le calcul ne s'inverse jamais et l'hébergement centralisé reste le choix par défaut.

En l'absence de ces éléments, la direction générale favorise la fragmentation plutôt que la concentration.

En résumé

L'observation évidente, que l'inférence a besoin de plus de calcul à mesure que l'usage de l'IA croît, n'est pas la partie intéressante de cette histoire. La partie intéressante, c'est de savoir qui finit par posséder ce calcul et qui capture la valeur qui se trouve au-dessus. Je pense que la réponse est davantage d'entreprises, faisant tourner des infrastructures de modèles plus petites, privées et conçues sur mesure, plutôt qu'une poignée d'hyperscalers louant une forteresse de GPU en expansion perpétuelle. C'est un risque réel pour la courbe de demande actuellement intégrée dans les prix des GPU et de la mémoire, et une raison de regarder au-delà de la couche d'hébergement, vers les entreprises de logiciels qui possèdent réellement le client.

Nous suivons ce type de setups sur les unités de temps supérieures à travers le marché. Si vous voulez voir comment cette thèse évolue en positions réelles, suivez le Midas Index.

Cet article est fourni à titre éducatif uniquement et ne constitue pas un conseil financier.