Les startups d'IA promettent des marges élevées. Mais un concept vieux de 160 ans connu sous le nom de paradoxe de Jevons pourrait les ramener sur terre.
Getty Images
Ces derniers mois, la Silicon Valley s'est entichée d'une théorie économique vieille de 160 ans de l'ère des chemins de fer et du charbon : le Paradoxe de Jevons.
À l'origine appliqué aux machines à vapeur et à la consommation d'énergie, le concept soutient que les gains d'efficacité ne réduisent pas l'utilisation des ressources. Au lieu de cela, ils l'augmentent en rendant cette ressource plus largement utilisable. La dynamique, à l'époque des chemins de fer, ressemblait à ceci : les moteurs deviennent plus économes en énergie, nécessitent moins de charbon, mais la demande de charbon explose. Pourquoi ? Parce que les gains d'efficacité ont entraîné une adoption plus large des moteurs économes en énergie.
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.
À notre époque, le Paradoxe de Jevons est appliqué à l'IA, qui, comme les chemins de fer et les machines à vapeur, nécessite d'énormes quantités d'énergie et dépend donc de l'approvisionnement en énergie. Les partisans comme le PDG de Microsoft $MSFT, Satya Nadella, ont cependant tendance à éluder l'aspect énergétique de l'équation, invoquant le Paradoxe de Jevons pour suggérer plus simplement que, à mesure que l'IA devient moins chère et plus efficace, la demande pour elle explosera, ne se contractera pas – faisant grimper les profits.
Mais un chercheur de l'industrie soutient que cette vision, bien que séduisante, est également trompeuse. Dans un article influent sur Substack, l'analyste indépendant Dave Friedman soutient que le paradoxe de Jevons n'est pas une note de bas de page dans l'économie de l'IA — c'est l'intrigue entière, et indique une contrainte sérieuse et croissante où la rentabilité des entreprises d'IA est concernée.Son argumentation ? Oui, l'IA devient progressivement plus efficace. Dans le même temps, la demande croissante dévore tous les gains d'efficacité. Et en l'absence d'une percée massive et révolutionnaire dans l'énergie et les capacités de calcul (ou les coûts opérationnels et matériels) nécessaires pour faire fonctionner l'IA, il est impossible que certaines entreprises d'IA s'avèrent aussi rentables que l'espèrent les capital-risque et les entreprises de Wall Street.
Le problème est le plus visible à l'extrémité inférieure du spectre de la capitalisation boursière, parmi les startups. Comme Friedman
le souligne , les startups d'IA sont se présentant eux-mêmes aux investisseurs en tant que services ressemblant à des logiciels, connus sous le nom de SaaS (software-as-a-service), une entreprise à marge élevée célèbre et une ruée vers l'or qui est un souvenir suffisamment récent pour faire battre le cœur des capital-risqueurs.
Avec le modèle économique SaaS, cela ne coûte pas beaucoup plus cher aux entreprises de servir des clients supplémentaires, donc les frais d'abonnement de chaque client supplémentaire se répercutent plus ou moins directement sur le résultat net. Les meilleures entreprises SaaS peuvent avoir des marges aussi élevées que 80 ou 90 %, ce qui les classe parmi les meilleures entreprises du monde à cet égard et attire le capital comme des mouches sur le miel.
Mais les startups d'IA ne ressemblent que superficiellement à des entreprises de logiciels, soutient Friedman, et c'est à cause du paradoxe de Jevons. Avec les entreprises d'IA - contrairement aux entreprises Saas - les coûts énergétiques et les coûts d'utilisation associés ne sont pas fixes. Ainsi, servir des clients supplémentaires et voir une adoption plus large ne rend pas l'IA moins chère. Les dépenses augmentent avec l'utilisation.
"Cette dynamique explique pourquoi tant de startups d'IA semblent excellentes sur papier mais peuvent ne jamais atteindre des marges bénéficiaires saines", a déclaré Friedman, conseiller en startups et ancien analyste chez Citigroup $C et Bloomberg, à Quartz. "Si votre produit de base devient plus coûteux à livrer au fur et à mesure de son utilisation, c'est un problème structurel, pas un problème temporaire."
Selon Friedman, la Silicon Valley évalue mal la physique. Les gens prétendent que les coûts d'inférence sont des dépenses d'exploitation, a-t-il écrit dans son article, faisant référence à la manière dont certaines entreprises présentent les besoins informatiques continus de l'IA comme des dépenses fixes (ou du moins semi-fixes) selon la comptabilité GAAP. En réalité, dit-il, ces coûts augmentent avec l'utilisation, donc serait mieux compris comme le coût des marchandises vendues, ce qui reflète plus précisément les coûts par utilisation.
En fait, dans certaines autres industries gourmandes en énergie, la consommation d'énergie et les coûts informatiques sont comptés comme le coût des marchandises vendues. L'énergie utilisée pour fondre une tonne d'aluminium, par exemple, est directement attribuable à cette tonne et donc inclus dans le COGS. The same is true of some tech businesses. AWS includes l'électricité et le refroidissement des serveurs comme COGS lorsqu'ils sont liés à la livraison de charges de travail client.
Cela pourrait sembler être une subtile nuance comptable, mais en pratique, cela peut être la différence entre une image précise des économies d'une entreprise sous-jacente — et une image inexacte.
Pire encore, a déclaré Friedman, la idée fausse est répandue, en partie à cause d'un facteur de distorsion : les crédits de calcul. De nombreuses startups LLM fonctionnent sur une infrastructure gratuite ou fortement réduite par hyperscalers comme AWS, Google $GOOGL et Microsoft. Cela peut masquer combien cela coûte réellement de servir les clients et rend les comptes de profit et de perte artificiellement en bonne santé.
Historiquement, cela n'est pas nouveau — des télécoms au cloud en passant par l'énergie, les investisseurs ont constamment surestimé les premières marges dans les constructions intensives en infrastructure. Ce qui rend l'IA différente, selon Friedman, c'est la vélocité. « Un modèle de percée peut rendre obsolète l'ensemble de votre pile du jour au lendemain », a-t-il déclaré à Quartz. « Et la communauté open source produit ces percées plus rapidement que jamais. »
La dynamique est particulièrement punissante pour les startups. Des géants comme Google et Microsoft possèdent leurs centres de données, négocient l'électricité à des tarifs industriels et ont passé des décennies à construire l'infrastructure qui alimente l'IA. Les startups, en revanche, sont obligées de louer ces ressources, souvent auprès des mêmes entreprises qu'elles espèrent perturber. Cela les rend hypersensibles à la structure des coûts.
« Et en plus de cela, elles n'ont pas le coussin financier pour absorber les coups de marge comme les grandes entreprises technologiques peuvent le faire », a déclaré Friedman. « Donc, même si deux entreprises exécutent le même modèle, la startup paie beaucoup plus et le ressent plus vivement. »
Cela ne signifie pas que nous allons assister à un échec massif des startups d'IA et de LLM. Mais cela pourrait signifier une réinitialisation. Selon Friedman, de nombreuses startups d'IA seront contraintes de prendre des décisions inconfortables : réduire les fonctionnalités les plus gourmandes en calcul, augmenter les prix ou s'installer dans des opérations à faibles marges en permanence.
« Elles survivront », a déclaré Friedman, « mais elles ne ressembleront pas à des entreprises SaaS classiques avec des marges de 80-90 %. Elles ressembleront davantage à des entreprises d'infrastructure, où les bénéfices sont plus minces et la croissance prend plus de temps. »
En d'autres termes, le Paradoxe de Jevons à notre époque pourrait signifier plus d'efficacité et plus de demande – mais pour les startups, du moins, pas nécessairement plus d'argent.
