La vraie question n'est jamais « La demande en IA va-t-elle diminuer ? », mais « À quel niveau de la chaîne d'approvisionnement la valeur se stabilisera-t-elle finalement ? »

Auteur de l'article, source : 0x9999in1, ME News

Synthèse

• Morgan Stanley, dans le document « Modèles à poids ouverts et trois scénarios futurs », émet le jugement central suivant : l'émergence de modèles à poids ouverts tels que Kimi K3, Qwen et Llama constitue un catalyseur d'accélération de la diffusion de l'IA, et non une menace pour les leaders du secteur.
• L'argument est le paradoxe de Jevons — une fois que le traitement unique devient moins cher, les entreprises utilisent l'IA pour davantage de tâches, ce qui augmente la demande totale en tokens, en puissance de calcul, en électricité et en infrastructure.
• Morgan Stanley souligne clairement : l'accès ouvert ne signifie pas gratuit. Les coûts liés aux GPU, aux services cloud, à l'exploitation et à la sécurité persistent ; l'économie réelle dépend du scénario.
• L'étude du MIT citée montre qu'un passage de modèles propriétaires à des modèles ouverts peut réduire le prix moyen d'environ 70 %, ce qui correspond à des économies annuelles d'environ 25 milliards de dollars pour les entreprises ; toutefois, cette étude a été réalisée en décembre 2025 et ne prend pas pleinement en compte les coûts de déploiement.
• La recherche de Carnegie Mellon est plus prudente : le délai de retour sur investissement dépend fortement de l'échelle ; les déploiements de petite taille, inférieurs à 30 milliards de paramètres, peuvent retrouver leur coût rapidement, mais les différences deviennent considérables à mesure que l'échelle augmente.
• Trois scénarios finals : oligopole à code fermé, coexistence hybride, ouverture des poids victorieuse. Le point d'ancrage réel est que 63 % des entreprises utilisent déjà deux types de modèles.
• Les seuls bénéficiaires à long terme sont deux lignes : NVIDIA et la fourniture d'électricité sur place. La raison n'est pas une question de choix de camp, mais le fait que, que les capacités de calcul soient concentrées dans de grandes centres de données ou réparties en périphérie, la logique fondamentale des GPU et de l'électricité reste inchangée.
• La vraie question n'est jamais « La demande en IA va-t-elle diminuer ? », mais « À quel niveau de la chaîne d'approvisionnement la valeur se stabilisera-t-elle finalement ? »

I. Qu'est-ce que le marché a mal interprété

Mi-juillet 2026, Kimi K3 est lancé. L'indice des semi-conducteurs de Philadelphie chute en réponse, et NVIDIA, Micron, SK Hynix, ainsi que des entreprises d'EDA comme Cadence en subissent les conséquences.

Familiar ? Trop familiar.

Il y a plus d’un an, lors de la vague DeepSeek, la réaction du marché était la même : plus les modèles open-source sont puissants, moins la puissance de calcul vaut cher. Le raisonnement semble logique — si un modèle à poids ouverts peut rattraper les premiers de la classe, alors la prime des modèles fermés disparaît ; si l’efficacité augmente, alors la nécessité d’accumuler des cartes diminue. Résultat : vente de puces, de matériel et d’électricité — une chaîne entière coupée en cascade.

Dans ce rapport du 4 août, Morgan Stanley a qualifié directement ce réflexe de malentendu.

Où est l'erreur ? Elle réside dans le fait que le marché équivaut directement « la baisse du coût unitaire » à « la baisse des dépenses totales ».

Il y a une variable énorme entre les deux : la consommation.

Morgan Stanley cite le paradoxe de Jevons. Au XIXe siècle, l'économiste Jevons a observé un phénomène contre-intuitif : après que l'efficacité des machines à vapeur ait augmenté, permettant de faire plus de travail avec la même quantité de charbon, la consommation de charbon au Royaume-Uni n'a pas diminué, mais a explosé. Parce que le charbon était devenu moins cher, il devenait accessible ; et parce qu'il était accessible, il était utilisé partout.

Sur l’IA : le coût d’une seule inférence est passé de un centime à un dixième de dix centimes. Les entreprises n’emporteront pas l’argent économisé dans leurs poches. Elles intégreront l’IA dans les processus précédemment jugés « non rentables » : la révision complète des tickets client, l’analyse continue des dépôts de code, la comparaison point par point des contrats, la classification automatique de chaque e-mail. Ces tâches n’étaient pas réalisées auparavant, non pas parce qu’on ne le voulait pas, mais parce que c’était trop coûteux.

Dès que le prix traverse cette ligne, la demande ne augmente pas linéairement, elle afflue de manière soudaine et massive.

Deuxièmement, que signifie exactement « poids ouvert » ?

Ici, il faut d'abord clarifier les concepts, car la confusion sur le marché provient en partie de la confusion terminologique.

Morgan Stanley fait dans son rapport une distinction pas nouvelle mais nécessaire : poids ouvert ≠ open source.

Modèles à poids ouverts strictement définis — Llama de Meta, Gemma de Google, ainsi que Qwen, DeepSeek et Kimi — publient les paramètres entraînés. Vous pouvez les télécharger, les affiner et les déployer vous-même. Toutefois, les données d'entraînement peuvent ne pas être publiques, et les accords de licence peuvent comporter des restrictions.

Le véritable open source, c’est toute la pile technologique étalée sur la table : le code, les méthodes d’entraînement, les détails des données. L’exemple cité dans le rapport est OLMo d’AI2. Ce cercle est bien plus petit qu’on ne le pense.

Donc, la distinction plus précise entre les modèles ouverts et les modèles propriétaires ne réside pas dans la taille des paramètres ni dans qui est classé plus haut sur une liste, mais dans la manière d'y accéder et dans le modèle de paiement.

Open weights: Typically free to obtain weights, support fine-tuning, and flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Propriétaire : licence + facturation basée sur des jetons, tous les utilisateurs reçoivent le même ensemble de poids, que vous ne pouvez ni modifier ni voir.

Morgan Stanley a également dit une chose très réaliste : les modèles les plus avancés et performants aujourd'hui sont encore essentiellement propriétaires. La raison est simple — le coût d'entraînement est tellement élevé que personne ne donnera gratuitement le modèle précédent avant l'arrivée du suivant.

Cette phrase mérite d'être relue plusieurs fois. Elle signifie que la convergence des poids ouverts est essentiellement une course avec un décalage temporel. L'écart se réduira, mais les différences structurelles dans le temps ne disparaissent pas facilement.

Troisième partie : Le gratuit le plus cher : les coûts non mentionnés sur les affiches de prix

La partie la plus précieuse du rapport est précisément celle qui tempère l'enthousiasme autour des poids ouverts.

Morgan Stanley cite une étude du MIT : passer d'un modèle fermé à un modèle ouvert permet de réduire le prix moyen d'environ 70 %, ce qui équivaut à des économies pour les entreprises d'environ 25 milliards de dollars par an.

Les chiffres sont impressionnants. Mais Morgan Stanley a ajouté une précision importante — cette étude a été réalisée en décembre 2025 et ne prend pas suffisamment en compte les coûts de déploiement.

Qu'est-ce que le coût de déploiement ? Vous devez acheter ou louer vous-même les GPU, faire entretenir le cluster par quelqu'un, ajuster le modèle par quelqu'un, et assurer la sécurité et la conformité par quelqu'un. Les poids ouverts vous fournissent les plans et les pièces d'une voiture, pas une voiture prête à être conduite.

L'étude de l'Université Carnegie Mellon a quantifié cela de manière encore plus frappante : le délai de retour sur investissement dépend fortement de l'échelle de déploiement. Pour les déploiements de moins de 30 milliards de paramètres, le retour sur investissement peut être rapide ; dès que l'échelle augmente, la situation devient complètement différente.

C'est une réalité peu discutée mais extrêmement cruciale : l'économie des poids ouverts n'est pas une courbe lisse, mais une fonction définie par morceaux.

Petits scénarios, fréquence élevée, tâches claires — les poids ouverts sont incroyablement attractifs.

Raisonnement complexe, agent à long terme, fiabilité extrême — l'argent dépensé dans les solutions propriétaires ne l'est pas en vain.

Poussons plus loin l'analyse des architectures MoE ultra-grosses comme Kimi K3. Même en n'activant qu'un petit nombre d'experts, les poids massifs doivent toujours être répartis sur un cluster doté de mémoire à haute capacité et d'interconnexions rapides. Ce qu'on appelle « ouvert », c'est la propriété des poids, pas une exemption des exigences matérielles.

En d'autres termes, les poids ouverts ont déplacé la demande en puissance de calcul des quelques laboratoires propriétaires vers les fournisseurs de services cloud, les clouds souverains et les centres de données internes des entreprises. Le volume total n'a pas diminué, il a simplement changé de propriétaire.

C'est la facture que le marché n'a pas encore réglée lors de son recul en juillet.

Quatre : Trois scénarios finaux, vers où la valeur s'écoule

Morgan Stanley n'a pas misé sur une seule conclusion, mais a présenté trois scénarios. Cette approche en soi constitue un jugement : personne ne connaît l'issue finale, mais la structure des bénéfices de chaque issue possible peut être tracée à l'avance.

Supposons que les performances des modèles de pointe soient difficiles à reproduire. Les charges de travail maintiendront une forte densité de calcul et continueront de se concentrer sur les nuages à très grande échelle. Le prix des jetons continuera de baisser, mais plus lentement — car la structure oligopolistique maintient elle-même une discipline tarifaire.

Bénéficiaires : fournisseurs de cloud, logiciels de sécurité, réseaux optiques, semi-conducteurs, chaîne d'approvisionnement énergétique.

Le rapport souligne une variable spécifique : Google. Si Gemini 4 réussit à faire une percée et à retrouver la pointe de l'avant-garde, le retour sur investissement de Google pour ses API de modèles exécutées sur son infrastructure propre pourrait atteindre environ 45 %. S'il ne parvient pas à领跑 l'avant-garde, Google ressemblerait davantage à un fournisseur d'infrastructure, avec un ROI d'environ 30 %.

Un écart de quinze pour cent pèse sur un modèle de génération précédente. Telles sont les cotes de la course à la pointe.

Aucune architecture unique ne domine tout. Les modèles avancés à code fermé dominent les tâches de raisonnement complexe et les agents IA, tandis que les poids ouverts répondent aux besoins à haut volume, sensibles au coût et spécialisés verticalement.

La charge s'étend sur le cloud public, le cloud privé, l'on-premise et l'edge. Ainsi, les logiciels « intermédiaires » tels que l'orchestration, le routage, l'évaluation et la gouvernance des modèles deviennent essentiels pour la montée en valeur. La demande en logiciels de sécurité s'accroît avec la dispersion des charges.

Cette situation repose sur une réalité très concrète : actuellement, 63 % des entreprises utilisent à la fois des modèles à poids ouverts et des modèles propriétaires.

Ce chiffre est très révélateur. Le choix des entreprises n'est pas « croire en telle ou telle faction », mais « quelle tâche est moins chère et plus stable avec quelle solution ». Il s'agit d'un acte d'achat, pas d'une lutte idéologique.

Les performances des modèles ouverts convergent progressivement vers les niveaux de pointe, et l'intelligence des modèles de base devient largement accessible. Les prix des API des modèles ont fortement baissé, déclenchant une vague d'adoption par les entreprises.

L'infrastructure IA tend vers la décentralisation : la demande pour les centres de données privés, les nuages souverains, les déploiements locaux et les appareils périphériques augmente fortement. Le focus de l'innovation passe de l'entraînement préalable à l'ajustement fin, à l'optimisation de l'inférence, aux agents et à la mise en œuvre concrète d'applications.

Dans ce scénario, les logiciels de sécurité sont l’un des grands gagnants. C’est aussi très compréhensible — dans un monde où les poids peuvent circuler librement, la surface d’attaque augmente de manière géométrique.

La divergence au niveau des actions est intéressante : AVGO pourrait être le principal bénéficiaire dans un scénario fermé ; des fabricants d'infrastructures locales comme DELL et HPE, ainsi que des fabricants d'appareils périphériques comme Apple, pourraient libérer plus facilement de la valeur dans un scénario ouvert. Les fournisseurs de cloud dépendront de l'endroit où les charges de travail se dirigeront finalement — si le scénario ouvert se réalise, Microsoft bénéficie d'un avantage plus clair grâce à ses capacités en cloud hybride et en déploiement local, tandis que Amazon et Google sont rétrogradés au statut de « bénéficiaires secondaires » dans ce scénario.

Cinq : Bénéficiaires 24/7 : Pourquoi NVIDIA et l’électricité

Après avoir analysé les trois scénarios, Morgan Stanley a identifié deux lignes directrices communes à tous les scénarios.

The first one is NVIDIA.

La logique n'est pas compliquée, mais solide : que la puissance de calcul soit concentrée dans des centres de données ultra-scale ou répartie dans des salles serveurs d'entreprises et en périphérie, la logique sous-jacente de la demande de GPU reste inchangée.

Concentré, ce sont quelques acheteurs qui achètent de grandes quantités ; dispersé, ce sont des dizaines de milliers d'acheteurs qui achètent de petites quantités. Le volume total ne diminue pas, voire augmente en raison de l'élargissement de la base d'utilisateurs.

Il est à noter que Morgan Stanley a récemment augmenté son estimation des coûts des clusters AI — le prix du système NVIDIA Vera Rubin est désormais fixé à environ 49 milliards de dollars par gigawatt, soit environ 20 % de plus que les prévisions précédentes.

Ce chiffre est un peu délicat à placer ici. D’un côté, les modèles deviennent moins chers, de l’autre, les dépenses en capital par unité de puissance de calcul augmentent. Ces deux phénomènes ne sont pas contradictoires : le coût marginal du raisonnement diminue, tandis que les investissements fixes dans la formation et le déploiement augmentent. Le premier stimule l’expansion de la demande, le second détermine qui a le droit de participer à l’offre.

Le deuxième point est l'alimentation sur site (on-site power).

La raison est que la courbe de demande d'électricité couvre à la fois les configurations « centralisées » et « distribuées ». Quelle que soit la répartition de la charge, l'expansion de l'IA implique que la consommation d'énergie et la capacité d'approvisionnement doivent augmenter en parallèle.

L'électricité est la contrainte la plus impitoyable dans tout le récit de l'IA. Les modèles peuvent être open source, les poids peuvent être téléchargés, les puces peuvent être remplacées, mais l'électricité ne peut pas être open source. Un gigawatt, c'est un gigawatt, personne ne peut en créer davantage.

Cela pourrait être la ligne la plus certaine parmi les trois scénarios. Si certaine qu'elle en devient un peu ennuyeuse.

Six : La véritable valeur de ce rapport n'est pas la conclusion, mais le cadre.

Partagez votre propre avis.

Si l'on ne regarde que le titre de ce rapport de Morgan Stanley — « Les poids ouverts accélèrent la diffusion plutôt qu'affaiblissent les leaders » — il est facile de le considérer comme une simple déclaration apaisante pour le marché. Mais ce qui est vraiment significatif, c'est qu'il reformule la question.

Le problème initial du marché était : la demande en IA va-t-elle diminuer en raison d'une amélioration de l'efficacité ?

La question de Morgan Stanley est : la demande en IA ne diminuera certainement pas, mais la question est de savoir à quel niveau de la chaîne de valeur elle se matérialisera finalement — dans les ressources de calcul, le cloud, l'orchestration et la gouvernance logicielles, ou dans les infrastructures distribuées locales et en périphérie ?

La différence entre ces deux questions réside dans la mentalité de marché baissier et la pensée structurée.

Je pense que la direction de Morgan Stanley est correcte, mais deux points méritent d'être surveillés.

Premièrement, le paradoxe de Jevons ne s'applique pas automatiquement.

L'effet Jevons repose sur une condition : la demande doit présenter un espace suffisant d'élasticité. Le charbon a été utilisé de plus en plus malgré les économies réalisées, car au XIXe siècle, le Royaume-Uni comptait de nombreux secteurs encore non mécanisés. La situation avec l'IA est similaire, mais pas identique — les entreprises peuvent intégrer l'IA dans de nombreux scénarios, mais une fois intégrée, il est une autre question de savoir si elle génère un retour mesurable.

Si de nombreuses entreprises n'utilisent l'IA que pour des applications qui semblent actives mais dont les bénéfices sont difficiles à définir, la croissance de la demande aura un plafond qui apparaîtra soudainement à un certain trimestre. Le paradoxe de Jevons décrit l'efficacité de la conversion énergétique, mais ne garantit pas que la conversion produise de la valeur.

Deuxièmement, la conclusion selon laquelle « NVIDIA bénéficie en permanence » est trop confortablement exacte.

Il est difficile de trouver une faille logique — la demande en GPU ne change pas en fonction de la ligne architecturale. Mais entre un jugement correct et un bon jugement d'investissement, il y a le prix. Le marché a-t-il déjà pleinement intégré cette attente « 24/7 » ? Le rapport ne le répond pas, et il ne devrait pas le faire.

Un argument haussier logiquement inattaquable est souvent le terreau des transactions surpeuplées. Ce n’est pas une position contraire, mais un avertissement : la certitude d’une conclusion ne correspond pas nécessairement à l’attractivité des cotes.

Sept. Pour les entreprises, cette question est en réalité plus simple

En dehors du jeu d'évaluation sur le marché secondaire, du point de vue de l'achat d'entreprise, les enseignements de ce rapport sont en fait beaucoup plus simples.

63 % des entreprises les utilisent des deux côtés ; ce chiffre dit déjà tout : ne choisissez pas de côté, choisissez le scénario.

Les tâches à haut débit, prévisibles, sensibles aux données et aux limites bien définies — en les auto-hébergeant avec des modèles à poids ouverts, les économies réalisées sont de l'argent réel, surtout en dessous du niveau de 30 milliards de paramètres, où le délai de retour sur investissement est tellement court qu'il est séduisant.

Des tâches complexes nécessitant un raisonnement avancé, des agents à long terme et une mise à jour continue des capacités前沿 — payer pour les API propriétaires en termes de fiabilité et de vitesse d'itération n'est pas honteux.

Ce qui nécessite réellement un investissement, c’est la couche intermédiaire : orchestration, routage, évaluation, gouvernance. Comment déterminez-vous quel chemin doit emprunter une requête ? Comment assurez-vous que la qualité des sorties ne s’effondre pas après un changement de modèle ? Comment gérez-vous les limites des données dans un monde où les poids peuvent être téléchargés librement ?

Morgan Stanley a classé ce niveau comme un bénéficiaire clé dans un scénario mixte ; je trouve ce jugement plus utile que toute recommandation d'actions individuelle, car ce niveau est une capacité que les entreprises doivent nécessairement construire elles-mêmes et qu'on ne peut pas acheter.

Par ailleurs, la sécurité. Les poids ouverts décentralisent le déploiement du modèle, mais aussi la surface d'attaque. Avant, il suffisait de gérer quelques clés API ; maintenant, vous devez gérer un ensemble de fichiers de poids exécutés localement, des données de fine-tuning et des points d'extrémité d'inférence. Le fait que les logiciels de sécurité soient mentionnés dans les trois scénarios n'est pas une coïncidence.

Huit. Conclusion

Le jour de la sortie de Kimi K3, les actions du secteur des semi-conducteurs ont plongé en bloc. Aujourd'hui, en regardant en arrière, cela ressemble davantage à un réflexe conditionné du marché qu'à une réflexion consciente.

Les poids ouverts ne renversent pas la table. Ils allongent la table.

Après avoir allongé la table, celui qui siégeait à la place d'honneur sera-t-il déplacé ? Peut-être, mais pas à cause du poids ouvert en soi, mais parce qu'il n'a pas su maintenir l'avant-garde. Ce sont deux choses différentes.

Le point le plus honnête de ce rapport de Morgan Stanley est qu'il ne vous dit pas quel est l'issue finale, il ne vous indique que, dans chaque issue possible, qui restera à sa place.

NVIDIA et électricité.

Le premier est un consensus, le second est physique.

Quant aux entreprises intermédiaires qui suivent les hausses et les baisses, changent de camp et réévaluent leur prix — leur destin dépend fortement du contexte. Cela peut sembler une évidence, mais dans un marché où tout le monde cherche des réponses certaines, admettre « cela dépend du contexte » est la forme la plus coûteuse d’honnêteté.

Les modèles deviendront de plus en plus abordables au fil des générations, c'est une tendance irréversible.

La puissance de calcul se répandra progressivement, c'est une tendance qu'on ne peut pas arrêter.

Mais le fait d'être bon marché et diversifié ne s'additionne jamais à une contraction.

Jevons avait compris cela en 1865. Cent soixante ans plus tard, l'humanité paie encore des frais pour la même erreur d'intuition.

C'est intéressant.

Source de la citation

1. Morgan Stanley, *Modèles à poids ouvert et trois scénarios futurs* (étude de recherche), août 2026
2. Gelonghui / Sina Finance : « Morgan Stanley : Les modèles à poids ouverts réduisent les coûts de l'IA — Le paradoxe de Jevons pourrait entraîner une croissance continue de la demande en puissance de calcul », 4 août 2026
3. BigGo Finance : *Modèles à poids ouvert pour accélérer l'adoption de l'IA : Morgan Stanley présente trois scénarios, désignant Nvidia et Power Chain comme bénéficiaires*, 4 août 2026
4. Huoxing Caijing : « Morgan Stanley : L'émergence des modèles AI à poids ouvert accélérera l'adoption de l'IA en réduisant les coûts », 4 août 2026
5. Blockspace Media : *Morgan Stanley affirme que les modèles d'IA à poids ouvert pourraient accroître la demande en calcul et en énergie*, août 2026
6. Étude du MIT sur la différence de prix entre les modèles ouverts et les modèles propriétaires (achevée en décembre 2025, citée dans un rapport de Morgan Stanley)
7. L'étude de l'Université Carnegie Mellon sur la relation entre le délai de rentabilisation du déploiement de modèles ouverts et leur échelle (citant le rapport de Morgan Stanley)
8. Perspectives de Morgan Stanley : *Opportunités dans l'infrastructure de l'IA* (incluant la révision à la hausse de l'estimation du coût par gigawatt du système Vera Rubin)