Arvind Krishna, CEO d’IBM, met en lumière les défis financiers liés à l’intelligence artificielle générale. Selon lui, les coûts de l’infrastructure nécessaire dépassent les bénéfices anticipés, rendant le retour sur investissement impossible avec les technologies actuelles. Sa perspective soulève des questions cruciales sur l’avenir de cette ambition technologique.
Arvind Krishna met en garde : le coût des centres de données pour l’AGI rend le retour sur investissement impossible avec la technologie actuelle
Alors qu’une partie de la Silicon Valley jure que l’Intelligence Artificielle Générale (AGI) est proche, Arvind Krishna a sorti sa calculatrice. Le PDG d’IBM ne souscrit pas à l’enthousiasme ambiant et indique que les finances nécessaires pour financer cette prétendue révolution ne tiennent pas la route. Il ne s’agit pas de pessimisme, mais de mathématiques simples appliquées à une infrastructure trop coûteuse pour le retour réel qu’elle propose aujourd’hui.
Dans une interview relayée par Business Insider, Krishna est clair : il y a « pratiquement aucune possibilité » de récupérer l’investissement requis avec les coûts actuels. Pour donner un aperçu, établir un centre de données d’un gigawatt coûte environ 80 milliards de dollars. Si l’on extrapole cela à ce que l’industrie nécessite pour atteindre l’AGI, nous entrons dans le domaine de la science-fiction financière.
Les calculs sur le coin de la serviette
L’estimation pour atteindre cette « superintelligence » se situe autour de 100 gigawatts de puissance, ce qui ferait grimper la facture à un investissement de 8 trillions de dollars. Pour que cela soit minimement viable, les entreprises technologiques devraient générer 800 milliards de dollars de bénéfices annuels juste pour couvrir les intérêts de la dette. Cela explique pourquoi des acteurs comme OpenAI ont déjà évoqué la nécessité d’un support étatique, reconnaissant implicitement que le marché privé ne peut pas supporter un tel volume de dépenses sans aide publique.
Le problème ne réside pas seulement dans la construction, mais aussi dans l’entretien. Le matériel d’IA se déprécie à une vitesse fulgurante : les GPU ont une durée de vie de cinq ans avant de devenir obsolètes et inutilisables. Cela oblige à un cycle de réinvestissement constant difficile à amortir, de plus, ces infrastructures consomment plus d’énergie que des pays entiers. Krishna souligne que le fait de devoir remplacer continuellement des puces annihile tout potentiel de bénéfice réaliste à long terme.
Cette remise en question contraste avec les projets de Sam Altman, qui prône le déploiement de 100 gigawatts par an et cherche des alliances agressives pour dominer le marché via l’infrastructure. Cependant, le dirigeant d’IBM attribue une probabilité de succès à ce scénario entre 0 et 1 % avec la technologie actuelle. Il ne partage pas l’enthousiasme suscité par la croissance explosive de Nvidia, fondée sur l’idée que la demande de puissance de calcul sera infinie et toujours rentable.
Krishna n’est pas seul dans ce constat. De plus en plus de voix spécialisées soulignent que l’ère de l’escalade brute est révolue et qu’ajouter plus de processeurs ne va pas miraculeusement créer une intelligence artificielle. L’idée de construire des centres de données qui nécessitent l’énergie de plusieurs réacteurs nucléaires ressemble davantage à une fuite en avant qu’à une ingénierie efficace. Sans un changement radical dans le fonctionnement des modèles, la force brute possède des limites techniques et économiques très claires.
Il ne s’agit pas d’un rejet de la technologie ; au contraire, Krishna reconnaît la valeur de l’IA pour améliorer la productivité des entreprises. Mais son message est un éveil à la dure réalité financière : les promesses de l’AGI se heurtent à des coûts physiques insurmontables. Soit l’industrie découvre un moyen plus astucieux et économique d’avancer, soit cette bulle d’investissement risque d’éclater lorsque les investisseurs réaliseront que les chiffres ne s’additionnent pas.