Une GPU Nvidia peut continuer à fonctionner pendant des années tout en devenant économiquement obsolète bien plus rapidement.
Cette distinction est importante car Microsoft, Alphabet, Amazon et Meta investissent d'énormes montants de capital dans l'infrastructure de l'IA. Les investisseurs se concentrent généralement sur le coût affiché des puces et des centres de données, mais l'amortissement détermine quelle partie de cet investissement devient finalement une dépense sur le compte de résultat.
L'amortissement répartit le coût des équipements sur leur durée de vie utile prévue. Une entreprise qui dépense 1 milliard de dollars dans des serveurs ne note généralement pas l'intégralité du montant comme une dépense immédiatement. Au lieu de cela, le coût est reconnu sur plusieurs années.
Le problème avec le matériel d'IA est que la durée de vie physique et la durée de vie économique peuvent être très différentes.
Pourquoi les GPU IA peuvent perdre rapidement de la valeur
Un GPU n'a pas besoin de cesser de fonctionner pour perdre de la valeur.
Les nouvelles générations peuvent former des modèles plus rapidement, consommer moins d'électricité et offrir plus de puissance de calcul par dollar. Cela signifie qu'un accélérateur plus ancien peut rester techniquement utilisable tout en devenant de plus en plus coûteux à exploiter par rapport aux nouveaux matériels.
Le cycle de production rapide de Nvidia rend cela particulièrement important. L'entreprise est passée de Hopper à Blackwell tout en continuant à développer de nouvelles architectures, augmentant le risque que le matériel coûteux de centre de données devienne économiquement obsolète plus rapidement que les serveurs traditionnels.
Nvidia présente sa stratégie produit et technologique actuelle à travers ses documents relatifs aux relations avec les investisseurs.
Le problème est également directement lié à la question de savoir si les dépenses sans précédent des entreprises en IA produisent effectivement des rendements attractifs. Notre guide sur AI investment returns explique comment les investisseurs peuvent utiliser le cash-flow libre, les marges et le retour sur capital investi pour évaluer si ces dépenses portent leurs fruits.
Pourquoi l'amortissement peut modifier les résultats des grandes entreprises technologiques
Imaginez qu'une entreprise dépense 6 milliards de dollars dans des serveurs d'IA et s'attend à ce qu'ils restent utiles pendant six ans.
Très simplement, cela pourrait signifier environ 1 milliard de dollars de dépréciation annuelle avant de prendre en compte la chronologie et d'autres détails comptables.
Si la direction conclut au contraire que l'équipement restera économiquement utile pendant seulement quatre ans, les dépenses annuelles pourraient augmenter considérablement.
Le point important est que modifier l'hypothèse de durée d'utilisation peut affecter les bénéfices déclarés sans modifier la trésorerie initialement dépensée.
Les grandes entreprises du cloud divulguent ces hypothèses dans leurs états financiers. Les investisseurs peuvent consulter les politiques d'amortissement de Microsoft via ses documents relatifs aux relations avec les investisseurs, les divulgations d'Alphabet via Alphabet Investor Relations et les documents d'Amazon via Amazon Investor Relations.
Cela ne signifie pas que les anciennes GPU deviennent soudainement inutiles. Les entreprises peuvent les déplacer des charges de travail exigeantes d'entraînement de modèles vers l'inférence, des applications internes ou des tâches moins exigeantes en calcul.
Cette deuxième vie peut prolonger leur utilité économique.
Le nombre que les investisseurs devraient vraiment surveiller
La question la plus importante n'est donc pas simplement de savoir combien les grandes entreprises technologiques dépensent pour des GPU.
Il s'agit de savoir si les revenus et les flux de trésorerie générés par ces GPU augmentent suffisamment vite pour compenser l'amortissement, les coûts d'électricité et le remplacement technologique rapide.
Cela devient plus important à mesure que les revenus des puces AI de Nvidia augmentent. La récente couverture des résultats de Nvidia par Coinpaper montre l'ampleur exceptionnelle de la demande actuelle en accélérateurs.
Le coût du matériel n’est qu’une partie de l’équation. Les centres de données IA modernes consomment d’énormes quantités d’électricité, ce qui fait de la disponibilité énergétique une autre contrainte de plus en plus importante. L’explication de Coinpaper sur AI power markets examine pourquoi l’économie de l’électricité pourrait devenir aussi importante que les GPU eux-mêmes.