GitHub Copilot devient payant, révélant le « plus grand mensonge » de l'industrie de l'IA

Titre original : L’économie de l’IA n’a pas de sens

Auteur original : Ed Zitron, Where’s Your Ed At
Traduction originale : Deep潮 TechFlow

Introduction Deep潮 : Microsoft n’en peut plus, GitHub Copilot passe du paiement mensuel à la facturation par token. Ce n’est pas une mise à niveau du produit, mais la faillite collective de toute la filière de subvention de l’IA — OpenAI, Anthropic et autres dissimulent leurs coûts réels derrière un abonnement mensuel, laissant les utilisateurs brûler entre 8 et 13 dollars de puissance de calcul pour chaque dollar dépensé, entraînant une habitude d’utilisation qui ne peut tout simplement pas durer. Quand les prix reviendront à la réalité, vous réaliserez que ces « outils révolutionnaires » d’IA ne sont peut-être que des jouets coûteux.

Je viens d’écrire un article sur comment OpenAI a éliminé Oracle, aujourd’hui j’en utilise certains éléments.

C’est l’un des meilleurs articles que j’aie jamais écrits, dont je suis très fier.

L’abonnement payant est à la fois très rentable et me permet chaque semaine d’écrire ces articles de recherche approfondie et gratuits.

Hier matin, les utilisateurs de GitHub Copilot ont confirmé une information que j’avais rapportée il y a une semaine — tous les plans GitHub Copilot seront facturés à partir du 1er juin 2026 en fonction de l’utilisation.

Microsoft ne fournit plus un nombre fixe de « requêtes » aux utilisateurs, mais facture en fonction du coût réel du modèle utilisé. Microsoft affirme que c’est «… une étape importante vers une activité Copilot durable et fiable, et une meilleure expérience pour tous les utilisateurs. » La quantité que les utilisateurs peuvent utiliser dépend désormais de leur abonnement, par exemple, un plan à 19 dollars par mois permet d’utiliser des tokens pour cette somme.

Traduction : nous ne pouvons plus subventionner les utilisateurs de GitHub Copilot, sinon Amy Hood (directrice financière de Microsoft) commencerait à frapper avec une batte de baseball.

Cette annonce elle-même est une sorte de preview intéressante, montrant comment ces changements de prix seront présentés :

Copilot n’est plus le produit d’il y a un an. Il a évolué d’un assistant dans l’éditeur à une plateforme d’agents intelligents capables de mener des sessions de codage longues et multi-étapes, utilisant les modèles les plus récents, en itérant sur tout le code. L’utilisation d’agents devient la norme, ce qui entraîne une demande de calcul et de raisonnement nettement plus élevée.

Désormais, une question rapide en chat et une session de codage autonome de plusieurs heures peuvent coûter le même prix. GitHub a toujours absorbé ces coûts croissants de raisonnement, mais le mode avancé basé sur le nombre de requêtes n’est plus soutenable. La facturation à l’usage résout ce problème. Elle aligne mieux le prix sur la consommation réelle, aide à maintenir la fiabilité à long terme et réduit la nécessité de limiter les utilisateurs intensifs.

Vous voyez, ce n’est pas Microsoft qui subventionne la puissance de calcul de près de deux millions de personnes, mais l’IA qui devient si puissante et complexe qu’elle est devenue un produit fondamentalement différent !

Même si Copilot n’est plus « le produit d’il y a un an », la mauvaise répartition économique sous-jacente n’a guère changé : Microsoft a permis à ses utilisateurs de brûler chaque mois plus de tokens que leur abonnement ne leur permettait. Selon le Wall Street Journal d’octobre 2023 :

Les utilisateurs payent 10 dollars par mois pour cet assistant IA. Selon une source, au cours des derniers mois, la société a en moyenne perdu plus de 20 dollars par utilisateur chaque mois, certains dépensant jusqu’à 80 dollars par mois.

Naturellement, les utilisateurs de GitHub Copilot se sont rebellés, disant que le produit « est mort » ou « complètement ruiné ».

Il y a deux ans, dans « La crise de l’IA subprime », j’avais prévu ce jour-là :

Ce jour est enfin arrivé, car chaque service d’IA que vous utilisez subventionne la puissance de calcul, et chaque service perd de l’argent à cause de cela :

Quand vous payez pour les services d’une startup IA — y compris OpenAI et Anthropic — vous payez un abonnement mensuel, par exemple, Claude d’Anthropic à 20, 100 ou 200 dollars par mois, Perplexity à 20 ou 200 dollars, ou OpenAI à 8, 20 ou 200 dollars par mois.

Dans certains contextes d’entreprise, vous recevez des « quotas » pour certains travaux, comme Lovable qui offre 100 mois d’utilisation dans un abonnement à 25 dollars, plus 25 dollars pour l’hébergement cloud (jusqu’au premier trimestre 2026), avec possibilité de report d’un mois à l’autre.

Lorsque vous utilisez ces services, les sociétés doivent payer soit un tarif par million de tokens à l’atelier d’IA, soit (pour Anthropic et OpenAI) payer le coût de location de GPU auprès du fournisseur cloud. Un token correspond à peu près à 3/4 de mot.

En tant qu’utilisateur, vous ne voyez pas la consommation de tokens, seulement le processus d’entrée et de sortie. Les ateliers d’IA dissimulent leurs coûts via des « tokens », « messages » ou des limites de vitesse en pourcentage sur 5 heures, mais vous, utilisateur, ne savez pas vraiment combien cela coûte.

En backend, les startups d’IA brûlent de l’argent à tour de bras, jusqu’à récemment Anthropic permettant de brûler jusqu’à 8 dollars de puissance pour chaque dollar de souscription. OpenAI permet aussi cela, même si c’est difficile à mesurer précisément.

Les startups d’IA et les géants du cloud pensent pouvoir attirer suffisamment d’utilisateurs avec des subventions et des pertes, pour rendre leurs produits addictifs, même quand les entreprises augmentent leurs prix. Je pense qu’ils croyaient aussi que le coût par token diminuerait avec le temps, mais en réalité — même si certains modèles ont vu leur prix baisser —, les modèles « raisonneurs » plus récents brûlent plus de tokens, ce qui signifie que le coût de raisonnement ne cesse d’augmenter avec le temps.

Les deux hypothèses sont fausses, car le mode d’abonnement mensuel ne fonctionne pas pour tout service connecté à de grands modèles de langage.

Le modèle économique central de l’IA générative s’est effondré

Réfléchissez-y : quand Uber (non, ce n’est pas du tout Uber) augmente ses prix, la logique économique sous-jacente ne change pas, et ce qui est présenté aux passagers et aux conducteurs non plus — le passager paie pour un trajet, le conducteur facture pour un trajet.

Les conducteurs doivent toujours payer l’essence, l’assurance, les permis exigés par la municipalité, et éventuellement le financement de leur véhicule, ces coûts ne sont pas subventionnés par Uber. La perte colossale d’Uber vient de subventions, de dépenses marketing sans fin, et de recherches sur la voiture autonome vouée à l’échec.

Les abonnements IA générative sont totalement différents d’Uber

Pour illustrer l’ampleur du décalage de prix dans l’IA, imaginez une histoire parallèle où Uber aurait un modèle commercial très différent.

L’abonnement IA générative serait comme si Uber vous facturait 20 dollars par mois pour 100 courses de moins de 100 miles, avec de l’essence à 150 dollars le gallon, et Uber paierait l’essence, parce que certains pensent que le pétrole finira un jour par devenir si bon marché qu’il ne sera plus mesurable.

Uber finirait par décider de faire payer un abonnement mensuel pour avoir le droit de prendre des courses, puis facturerait en plus le carburant consommé. Soudain, ce qui coûtait 20 dollars par mois pour 100 courses, deviendrait 20 dollars pour l’abonnement plus 26 dollars pour 10 miles de trajet, en essence. Les utilisateurs seraient naturellement mécontents.

Même si cela paraît exagéré, c’est une métaphore assez précise de ce qui se passe dans l’industrie de l’IA générative, notamment avec GitHub Copilot.

L’ancien tarif de Copilot permettait 300 requêtes avancées par mois, ainsi qu’un « chat illimité » avec des modèles comme GPT-5 mini.

Chaque requête (selon Microsoft) est «… toute interaction où vous demandez à Copilot de faire quelque chose », et dans les systèmes basés sur les requêtes, des modèles plus coûteux occupent plus de requêtes, comme Claude Opus 4.6 qui consomme trois requêtes avancées. Quand vous avez épuisé vos requêtes avancées, Copilot vous laisse utiliser librement ces modèles moins chers pour le reste du mois.

Ce n’a pas toujours été le cas. Jusqu’en mai 2025, Microsoft offrait un usage illimité des modèles, mais même ainsi, les utilisateurs étaient furieux face aux restrictions.

Microsoft — comme toutes les autres entreprises d’IA — a trompé ses clients en vendant un service insoutenable, car vendre des services LLM par abonnement mensuel ne marche tout simplement pas.

Si vous voulez une idée du coût d’un service basé sur les tokens, un utilisateur de la section de Copilot a découvert qu’une requête avancée coûtait environ 11 dollars en tokens, car une « requête » implique l’utilisation de 60 000 tokens dans la fenêtre de contexte, plusieurs outils, et une série de « tours » internes (ce que le modèle fait) pour produire une sortie.

Et la grande incertitude sur la fiabilité des grands modèles de langage, qui peuvent halluciner ou produire des résultats incohérents. Même si une requête avancée tourne en boucle et sort du code à moitié fini, c’est frustrant — mais si vous payez pour cela, la même panne est beaucoup plus difficile à tolérer.

Les utilisateurs ont été entraînés à utiliser ces produits d’une manière totalement différente d’un modèle basé sur les tokens. Beaucoup ne réalisent même pas combien de tokens ils brûlent, ou combien une tâche spécifique coûte, ce qui dépend du modèle utilisé.

C’est totalement différent d’Uber : toute personne qui vous dit le contraire essaie de justifier un comportement malhonnête. Uber a peut-être augmenté ses prix, mais cela ne change pas radicalement la logique économique sous-jacente — le client paie pour un trajet, le conducteur facture pour un trajet, point final.

Les abonnements mensuels IA sont une partie de la fraude de subvention de l’IA générative, une tentative délibérée de dissocier l’IA générative de ses coûts réels

Il n’y a jamais — et il n’y aura jamais — de modèle économique viable pour fournir un service alimenté par un LLM, sauf si on facture en fonction de la consommation réelle en tokens. Et dans cette fraude, ces entreprises créent des produits aux prétendus avantages illusoires et à la rentabilité douteuse.

Cela a toujours été évident.

D’un point de vue économique, un abonnement mensuel n’a de sens que si les coûts restent relativement stables. Par exemple, une salle de sport peut vendre des abonnements parce qu’elle connaît approximativement l’usure de ses équipements, ses coûts de cours, et la consommation d’électricité, d’électricité, de personnel et d’eau.

Les clients de Google Workspace — avant l’IA — payaient pour accéder ou stocker des documents, et pour la maintenance continue de Google Docs et autres services. Le coût du stockage numérique est relativement faible (et contrairement aux modèles de langage, Google Workspace ne demande pas beaucoup de calculs), ce qui signifie qu’un utilisateur intensif de Google Drive ne grève pas ses marges mensuelles.

Mais ces services dissimulent volontairement le nombre de tokens ou le coût précis d’une activité spécifique, ce qui empêche l’utilisateur de comprendre ce que signifient réellement les limites de vitesse, et chaque changement soudain de limite pousse le client à essayer de deviner combien il peut réellement faire avec le service.

C’est une pratique commerciale abusive, manipulatrice et trompeuse, dont le seul but est de permettre à Anthropic, OpenAI et autres entreprises d’IA d’élargir leur base d’utilisateurs, car la majorité des utilisateurs d’IA perçoivent ses bénéfices réels ou imaginés à travers le prisme d’un coût de 8 à 13,5 dollars brûlés pour chaque dollar d’abonnement.

Ce seul objectif de tromperie délibérée est de faire en sorte que la majorité des gens ne découvrent jamais le vrai coût de l’IA générative.

Quand le « Atlantic Monthly » a écrit un article passionné sur le « moment ChatGPT » d’Anthropic avec Claude Code, il s’est basé sur un abonnement à 20 dollars par mois, et non sur la consommation réelle en tokens, ce qui a permis à l’auteur de pardonner les « petites erreurs » du modèle ou ses blocages lors de tâches de programmation plus complexes.

Si l’auteur payait pour sa consommation réelle en tokens, et que chaque blocage lui coûtait 15 dollars en tokens, je ne pense pas qu’elle aurait autant pardonné ces défauts.

Mais tout cela fait partie de la fraude.

Très, très important : la majorité des médias qui écrivent sur l’IA ne comprennent pas réellement combien ces services coûtent, et la plupart des articles mainstream sur ChatGPT ou Claude Code sont écrits par des personnes qui ignorent presque tout des coûts réels par tâche.

Souvenez-vous : la plupart des services d’IA générative sont des produits expérimentaux, dont les fonctionnalités ne ressemblent en rien à celles des autres logiciels ou matériels modernes. On ne peut pas simplement aller devant ChatGPT ou Claude et leur demander de faire quelque chose.

Je veux dire, vous pouvez, mais si votre prompt est mal formulé, si vous ne comprenez pas comment ça fonctionne, si vous faites des erreurs dans ce que vous lui donnez, ou si ça se trompe, il vous sortira quelque chose que vous n’aimez pas, ce qui vous obligera à le re-prompt. Les LLM sont intrinsèquement imprévisibles.

Vous ne pouvez pas garantir qu’un LLM effectuera une action spécifique, ou qu’il vous donnera un résultat basé sur la réalité. Vous ne pouvez pas savoir combien coûtera une tâche particulière — même si vous l’avez déjà faite plusieurs fois —, ni quand le modèle pourrait devenir fou et supprimer quelque chose, ou simplement ne rien faire tout en prétendant qu’il l’a fait.

Si les utilisateurs devaient payer le vrai tarif, je pense que beaucoup abandonneraient immédiatement, car explorer ce que peut faire un LLM coûte facilement 5 dollars en tokens.

Note : en réalité, vous pouvez brûler beaucoup d’argent sans jamais obtenir le résultat voulu, parce que le LLM n’est pas une véritable intelligence artificielle ! Personne qui ne connaît pas ses limites peut facilement dépenser 30, 50 ou même 100 dollars en essayant de faire faire au LLM ce qu’il prétend pouvoir faire.

Il existe un terme pour cela : la flatterie. Les LLM sont souvent conçus pour flatter l’utilisateur, même s’il raconte des absurdités dangereuses, ce qui peut aller jusqu’à demander « veux-tu cette technologie ou cette idée économiquement ou techniquement impossible ? » Bien sûr que oui ! C’est pour ça que l’industrie cache si bien ces coûts — c’est carrément une arnaque !

Je pense que la majorité des abonnements IA vont inévitablement passer à la facturation par token, surtout maintenant qu’Anthropic et OpenAI le font déjà pour leurs clients entreprises.

Les entreprises ordinaires peuvent-elles supporter la facturation par token ? Anthropic estime que ses utilisateurs dépensent entre 13 et 30 dollars par jour sur Claude Code (plus de 7000 dollars par an), et les grandes organisations dépensent des centaines de milliers, voire des millions de dollars par an.

Comme je l’ai évoqué la semaine dernière, le CTO d’Uber a dit lors d’une réunion qu’il avait dépensé tout le budget IA 2026 en quelques mois, et Goldman Sachs recommande à certaines entreprises de consacrer jusqu’à 10 % des salaires de leurs employés à la dépense en tokens IA, avec une possibilité d’atteindre 100 % dans les prochains trimestres.

C’est le résultat direct de la tentative de faire utiliser ces services par le plus grand nombre possible, tout en dissimulant leur coût réel. Chaque grande entreprise qui demande à ses employés d’utiliser « autant d’IA que possible » le fait en ignorant ou en étant totalement déconnectée de leur consommation réelle en tokens, et à mesure que ces entreprises devront payer ces coûts, je ne vois pas comment elles pourraient justifier économiquement un tel investissement.

Bien sûr, vous direz que les ingénieurs « livrent plus vite » ou des choses comme ça, je comprends. Mais à quel point plus vite ? Combien cela vous a-t-il rapporté ou fait économiser ? Si vous dépensez 10 % de votre main-d’œuvre en tokens IA, cette dépense supplémentaire est-elle compensée ailleurs ?

Je ne pense pas. Je ne pense pas que des entreprises ayant investi massivement dans les tokens aient vu un retour sur investissement, et c’est pourquoi toutes les études sur le ROI de l’IA ne montrent pas grand-chose.

Dans la majorité des cas, ceux qui vantent toutes les possibilités de l’IA générative le font sans en supporter le coût réel.

Chaque fou qui écrit sur Twitter qu’il fait utiliser Claude Code à toute son équipe à 125 dollars par mois, ou chaque monstre qui prétend faire « en quelques minutes » ce qui prendrait des heures avec Perplexity à 200 dollars par mois, ne dépense en réalité que quelques centaines de dollars par mois.

En réalité, ce abonnement Teams à 1250 dollars par mois pour 10 personnes brûle probablement entre 5000 et 10 000 dollars par mois en appels API, voire plus.

Amol Avasare, responsable de la croissance chez Anthropic, a dit la semaine dernière que leur abonnement Max est conçu pour une utilisation intensive en chat, et non pour ce que font ceux qui utilisent Claude Code ou Cowork, et il a clairement indiqué qu’Anthropic envisageait « différentes options pour continuer à offrir une expérience de qualité », autrement dit, « nous ajusterons les prix à un moment donné ».

Je ne suis pas sûr que tout le monde réalise à quel point ces tokens sont chers, surtout pour des projets de programmation impliquant de gros codes et des appels fréquents à des outils de codage et d’infrastructure. Un utilisateur payant 200 dollars par mois peut-il supporter 350, 400 ou 500 dollars ? Peut-il supporter un mois où ses coûts dépassent ce montant ? Que faire si le budget est dépassé ? Ou si l’utilisateur ne peut tout simplement pas payer pour faire son travail ?

Pour donner un exemple plus concret, jusqu’à début avril, la documentation pour développeurs de Claude Code d’Anthropic (archivée) indiquait que « [les utilisateurs de Claude Code] ont en moyenne un coût de 6 dollars par jour par développeur, 90 % des utilisateurs restant en dessous de 12 dollars par jour. » Mais cette semaine, la documentation indique :

Claude Code facture en tokens API. Les prix des abonnements (Pro, Max, Team, Enterprise) sont disponibles sur claude.com/pricing. Le coût par développeur varie énormément selon le modèle choisi, la taille du code, et le mode d’utilisation (par exemple, plusieurs instances ou automatisation). En déploiement en entreprise, le coût moyen est d’environ 13 dollars par jour actif par développeur, soit 150 à 250 dollars par mois, 90 % des utilisateurs restant en dessous de 30 dollars par jour actif.

Pour estimer votre dépense, commencez par un petit pilote, utilisez l’outil de suivi ci-dessous pour établir une référence, puis étendez.

Supposons qu’un mois compte en moyenne 21 jours ouvrés, le coût moyen par utilisateur de Claude Code serait alors d’environ 273 dollars par mois, ou 3276 dollars par an. En comptant 30 dollars par jour, cela fait 630 dollars par mois, 7560 dollars par an.

Ces chiffres sont stupéfiants, et encore plus si vous utilisez n’importe lequel des modèles plus récents d’Anthropic : Claude Opus 4.7 coûte 5 dollars par million de tokens d’entrée, 25 dollars par million de tokens de sortie. Un million de tokens équivaut à environ 50 000 lignes de code, et si vous utilisez le modèle « le plus avancé » — ce qui est probable —, vous consommerez au moins un million de tokens par tâche, ce qui fait grimper rapidement la facture si vous ne savez pas quel modèle utiliser pour une tâche spécifique.

Reprenons ce chiffre de 30 dollars.

Pour une équipe de 10 développeurs, cela représenterait 75 600 dollars par an, et ce, uniquement pour les jours ouvrés.

Si vous augmentez à 50 dollars par jour pendant trois mois, cela monte à 88 200 dollars.

Si vous dépassez 100 dollars par jour pendant un mois, cela atteint 102 900 dollars par an.

Si vous dépensez 300 dollars par jour, pour 10 personnes, cela fait 756 000 dollars par an.

Même si cela peut être supportable pour une startup bien financée ou une entreprise comme Meta, toute entreprise soucieuse de ses coûts aurait du mal à justifier de dépenser cinq ou six chiffres pour un service censé « augmenter la productivité », surtout si cette augmentation est impossible à mesurer.

Aujourd’hui, je pense que la majorité des entreprises se répartissent en trois catégories :

Les grandes organisations comme Spotify ou Uber, avec des dirigeants obsédés par l’IA, qui autorisent des budgets incontrôlés. Je dirais aussi que les startups bien financées entrent dans cette catégorie.

Les petites startups utilisant des abonnements « Teams » subventionnés.

Les utilisateurs individuels payant un abonnement mensuel à Claude ou autres IA.

Les grandes organisations peuvent encore prétendre qu’elles dépensent des millions de dollars en tokens IA pour leurs ingénieurs, en arguant que « les meilleurs ingénieurs » ne codent pas du tout — une justification douteuse.

Une seule mauvaise conférence de résultats peut changer cette narration. À un moment donné, même les investisseurs — qui ont longtemps alimenté la bulle IA — commenceront à s’interroger sur l’augmentation constante des coûts de R&D (souvent dissimulés dans la consommation de tokens IA), surtout si les revenus ne suivent pas.

Cela pourrait entraîner plus de licenciements pour réduire les coûts, comme chez Meta, puis un recul quand on leur demandera « ces outils nous aident-ils vraiment à faire le travail plus vite et mieux ? »

Je pense aussi qu’en six mois, il sera difficile de convaincre les investisseurs que dépenser 10 % ou plus du coût en main-d’œuvre en tokens IA est justifié.

Une fois que tout le monde passera à la facturation par token, je ne suis pas sûr que l’on verra encore beaucoup de battage autour de l’IA générative.

L’économie des centres de données IA et de la puissance de calcul est insoutenable

La façon dont on parle des centres de données IA est totalement déconnectée de la réalité, je pense que personne ne réalise à quel point cette époque est devenue absurde.

Les coûts de construction et d’exploitation des centres de données IA sont exorbitants, alors que les revenus sont faibles

Selon TD Cowen, Jerome Darling indique que le coût principal IT (GPU et matériel associé) est d’environ 30 millions de dollars, avec un coût de 14 millions de dollars par mégawatt de capacité. La construction d’un centre de données semble prendre entre un et trois ans, en supposant qu’il y ait une alimentation électrique.

Pour le projet de 114 GW prévu d’ici fin 2028, seulement 15,2 GW seraient en construction, sous quelque forme que ce soit. Et « en construction » ne signifie pas que le centre sera opérationnel rapidement — cela peut simplement signifier qu’il y a un trou dans le sol. La capacité réelle disponible ne sera pas prête de sitôt.

Commençons simple : chaque fois que vous pensez « 100 MW », pensez « 4,4 milliards de dollars », dont une grande partie pour les GPU NVIDIA.

Ainsi, chaque centre de données IA initialement perdrait plusieurs millions de dollars, même avec une dépréciation sur six ans, et après le premier contrat client, ces GPU ne rapporteraient probablement pas autant.

On ne sait pas si la demande en puissance IA dépasse OpenAI et Anthropic, qui représentent 50 % de la demande de centres de données IA. Si l’un ou l’autre ne peut pas payer, cela crée une faiblesse systémique énorme.

De plus, on ignore quels tarifs de maintenance ces centres facturent en continu. Bien que le prix spot soit d’environ 4,50 dollars par heure par GPU B200, les contrats à long terme sont souvent bien moins chers. Un fondateur (selon The Information) indique payer environ 3,70 dollars par heure par GPU pour un engagement annuel.

Il faut distinguer le coût spot — le coût de lancer un GPU sur un serveur tiers — du coût de capacité contractuelle, qui représente la majorité des dépenses en capital. La plupart des centres construits visent un ou deux gros clients, qui peuvent négocier des tarifs plus avantageux.

Donc, beaucoup de centres facturent bien moins que 3,70 dollars par heure, en se basant sur un tarif par mégawatt ou kilowatt.

C’est là que l’économie commence à s’effondrer.

L’effondrement économique d’un centre de 100 MW — 2,55 dollars par heure, marge brute à 16 % à pleine capacité, non rentable à cause de la dette

Voici le coût de départ pour un centre de 100 MW. La capacité facturable réelle pourrait n’être que 85 MW, et selon des sources, chaque mégawatt rapporterait environ 12,5 millions de dollars par an, soit un revenu annuel d’environ 1,063 milliard de dollars.

Je dois préciser que la plupart des centres ne sont pas construits par eux-mêmes, mais par des partenaires comme Applied Digital, qui louent ces installations. Par exemple, CoreWeave paie Applied Digital pour utiliser ses centres au Dakota du Nord, et CoreWeave gère tout le matériel GPU.

Pour illustrer le décalage économique, prenons un exemple théorique : un centre loué à une société d’IA.

Ce centre utiliserait probablement des GPU Blackwell de NVIDIA, ou plus probablement, un « pod » de 8 GPU B200, coûtant environ 45 000 dollars chacun, soit 56250 dollars par GPU. Avec une charge IT de 85 MW, le coût total en capital serait d’environ 36,78 millions de dollars par mégawatt, soit environ 3,126 milliards de dollars en tout, dont 2,67 milliards en GPU.

Supposons qu’il soit situé à Ellendale, dans le Dakota du Nord, où le prix de l’électricité est d’environ 6,31 cents par kWh, ce qui revient à environ 55,4 millions de dollars par an en électricité. Selon mes sources, les coûts de maintenance, personnel, remplacement électrique, etc., représentent environ 12 % des revenus, soit environ 128 millions de dollars par an, portant le total à 183,4 millions de dollars.

Attendez, désolé. Il faut aussi payer la location de capacité IT, qui selon Brightlio, coûte généralement entre 180 et 200 dollars par kilowatt par mois, selon la taille et la localisation, mais j’ai vu des chiffres aussi bas que 130 dollars. En utilisant 180 dollars, cela donne environ 133 millions de dollars par an, ce qui porte le total à 316 millions.

Bon, cela reste inférieur à 1,06 milliard, donc ça va, non ?

Faux ! Vous avez 3,126 milliards de dollars d’équipements IT à amortir, sur six ans cela revient à environ 521 millions par an. Cela donne un coût annuel d’environ 837 millions, laissant un bénéfice brut d’environ 168 millions, soit une marge brute d’environ 16,7 %…

…si vous maintenez un taux d’occupation de 100 % ! Vous voyez, il faut un ou deux mois pour installer ces GPU et faire entrer les clients, pendant ce temps, vos revenus sont nuls, mais vous continuez à payer la location, l’électricité et l’exploitation, avec des tarifs bien plus faibles (je modélise avec 10 % d’électricité et 15 % de coûts de gestion), ce qui vous coûte environ 3,27 millions de dollars par jour.

Pour cet exemple, supposons qu’il vous faut un mois supplémentaire pour faire fonctionner tout ça, ce qui vous coûte environ 102 millions de dollars, que vous ne récupérerez jamais, portant le coût annuel total (avec amortissement) à 939 millions, avec une marge brute d’environ 6,6 %.

Attendez, quoi ? Vous n’avez pas acheté ces GPU avec de la dette ? Vous en avez utilisé ? À quel point c’est mauvais ? Oh mon Dieu — vous avez obtenu un prêt à support d’actifs sur six ans, avec un ratio de prêt-valeur de 80 %, ce qui signifie que vous avez emprunté 2,8 milliards de dollars à 6 % d’intérêt.

Votre banque, par pure générosité éternelle, vous a fait une offre — un an de délai de grâce, vous ne payez que les intérêts… soit environ 168 millions de dollars, ce qui porte le coût total de la première année (hors un mois de retard) à environ 1,005 milliard de dollars… et un revenu de 1,06 milliard.

Ce qui donne une marge brute de 5,19 %, et vous n’avez même pas encore commencé à rembourser le principal. Quand cela arrivera, vous devrez rembourser 54,1 millions de dollars par mois, soit environ 649 millions par an, pour un total de 1,48 milliard, avec une marge brute d’environ -40 %.

Je dois préciser que tout cela suppose un taux d’occupation de 100 %, et que les locataires paient à temps.

Stargate Abilene est une catastrophe — 2,94 dollars par GPU par heure, revenu annuel de 10 milliards, en retard de plusieurs années, avec un seul locataire perdant des milliards par an

Parlons du projet qui aurait pu être le plus économiquement viable dans l’histoire des centres de données — un gigantesque parc construit par Oracle pour le plus grand IA du monde, une entreprise de plusieurs décennies, spécialisée dans la vente de bases de données coûteuses et de logiciels de gestion d’entreprise.

Haha, je rigole, c’est un cauchemar.

Stargate Abilene, un parc de huit bâtiments, 1,2 GW, avec environ 824 MW de capacité IT critique, annoncé en juillet 2024. Au 27 avril 2026, seules deux bâtiments sont en service et génèrent des revenus, le troisième n’a presque aucun équipement. J’estime le coût total de Stargate Abilene à environ 52,8 milliards de dollars.

Selon mes propres rapports, Oracle prévoit environ 10 milliards de dollars de revenus annuels pour Stargate Abilene, et je pense qu’il en tirerait environ 75 milliards