La mauvaise valorisation du crédit derrière le boom de la puissance de calcul IA : comment les modèles de financement des infrastructures entrent en collision avec des actifs dépréciants

Les gros titres technologiques dressent un tableau optimiste pour début 2026 : les investissements dans l’infrastructure IA continuent de s’accélérer, la construction de centres de données en Amérique du Nord explose, et les mineurs de crypto célèbrent leur pivot réussi vers des services stables de puissance de calcul IA. Mais dans l’ombre, les analystes de crédit des grandes institutions financières ressentent une toute autre ambiance. Dans les salles de conférence de Wall Street, l’attention ne porte pas sur la performance des modèles ou les spécifications GPU — elle se concentre sur des feuilles de calcul montrant un cauchemar structurel : le marché finance des actifs avec une durée de vie de 18 mois en utilisant des modèles de prêt hypothécaire sur 10 ans. Ce décalage n’est pas théorique. Des rapports récents de Reuters et Bloomberg dévoilent ce qui se passe réellement : l’infrastructure IA est devenue un secteur à forte intensité d’endettement, et l’architecture financière bâtie sous le boom IA contient en germe une crise de crédit majeure.

Le problème central n’est pas une défaillance technologique — c’est un décalage profond entre des actifs de puissance de calcul en dépréciation rapide, des garanties surendettées, et une dette d’infrastructure inflexible. Lorsque ces trois forces convergent, une chaîne cachée de transmission de défauts s’active, et l’illusion de sécurité se brise.

Le Piège Déflationniste : Quand la Loi de Moore Rencontre la Dette Fixe

Au cœur de chaque obligation ou investissement en dette repose une hypothèse fondamentale : le ratio de couverture du service de la dette (DSCR). Depuis 18 mois, les acteurs du marché parient que les revenus locatifs de la puissance de calcul IA se comporteraient comme l’immobilier commercial — stables, prévisibles, peut-être même résistants à l’inflation. Pourtant, les données racontent une tout autre histoire.

Selon le suivi par SemiAnalysis et Epoch AI publié au Q4 2025, le coût d’exploitation des charges de travail d’inférence IA a chuté de 20-40% d’une année sur l’autre. Ce n’est pas une correction modérée ; c’est la marche inexorable de la Loi de Moore rencontrant l’adoption accélérée de techniques de quantification, de distillation de modèles, et de circuits intégrés spécifiques à l’application (ASIC). Chaque avancée en efficacité rend la déploiement GPU coûteux d’hier systématiquement moins rentable pour générer des revenus locatifs.

Cela crée le premier décalage critique de durée : les investisseurs ont acheté des GPU à des valorisations de pointe en 2024, verrouillant leurs coûts CapEx tout en verrouillant une courbe de rendement locatif destinée à décliner en 2025 et au-delà. La mathématique est simple : si vous avez une dette sur du matériel acheté à 10 000 $ par GPU, mais que la puissance de calcul générée par ces GPU diminue de 30% en valeur locative annuelle, l’écart entre revenus et obligations s’évapore. Du point de vue d’un investisseur en actions, c’est « le progrès technologique ». Du point de vue d’un créancier, c’est « la dévaluation de la garantie » — la racine du risque de défaut.

Le paradoxe s’approfondit quand on considère le modèle économique de la puissance de calcul lui-même : contrairement à l’immobilier qui peut s’apprécier ou rester stable, l’actif fondamental — la capacité de puissance de calcul — est intrinsèquement déflationniste par conception. Chaque nouvelle génération de GPU réalise plus de calculs par dollar, réduisant le revenu locatif par unité d’infrastructure déployée. Cela signifie que la dette émise aujourd’hui contre les revenus de puissance de calcul est remboursée à partir d’une classe d’actifs dont les flux de trésorerie diminuent structurellement.

La Reversalisation du Financement : Le Risque du Capital-Risque Masqué en Sécurité d’Infrastructure

Face à la baisse des rendements côté actif, les acteurs rationnels du marché devraient resserrer leurs standards de prêt et exiger des primes de risque plus élevées. Au lieu de cela, l’inverse s’est produit. Le financement total de la dette pour les centres de données IA et l’infrastructure de puissance de calcul associée devrait augmenter de 112% pour atteindre environ 25 milliards de dollars en 2025 seulement, selon The Economic Times et Reuters.

Cette explosion de la dette n’est pas alimentée par des prêteurs en infrastructure conservateurs. Elle est dominée par des vendeurs Neo-Cloud comme CoreWeave et Crusoe Energy, ainsi que par des mineurs de crypto en pleine « transformation », utilisant des structures de prêt adossé à des actifs (ABL) et de financement de projets — des modèles conçus pour des actifs stables et à faible risque comme les péages ou les centrales hydroélectriques.

Il s’agit d’une erreur fondamentale de catégorisation du risque :

L’ancien modèle (avant 2024) : La IA était un jeu de capital-risque. Vous investissiez dans une entreprise, développiez la technologie, espériez réussir. L’échec signifiait une perte en actions ; les créanciers n’étaient pas impliqués.

Le nouveau modèle (2025-présent) : La IA est devenue un jeu d’infrastructure. La dette finance désormais le déploiement de puissance de calcul. L’échec signifie défaut sur des obligations et des engagements structurés. Le risque de perte s’étend aux créanciers et aux investisseurs en revenu fixe.

Pourtant, le marché valorise cela comme si rien de fondamental n’avait changé. Les prêteurs appliquent des modèles de risque de grade infrastructure (levier de type utilité, spreads plus faibles, maturités plus longues) à des actifs de grade capital-risque (haute dépréciation, obsolescence technologique, profils de succès/échec binaires). C’est une mauvaise tarification systématique du crédit avec des conséquences importantes.

L’Illusion de Désendettement des Mineurs : Jouer avec le Double-Leverage

La position la plus précaire est occupée par les mineurs de crypto qui ont pivoté vers la puissance de calcul IA. Les narratifs médiatiques célèbrent cette transition comme une « mitigation du risque » — les mineurs échappant enfin à la volatilité du minage crypto pour fournir des services d’infrastructure stables. Mais l’analyse des bilans réels raconte une histoire plus sombre.

Les données de VanEck et TheMinerMag révèlent que les ratios de dette nette des principaux mineurs cotés en 2025 restent largement inchangés par rapport au pic de 2021. Certains acteurs agressifs ont même augmenté leur dette de jusqu’à 500%. Comment ces mineurs ont-ils réussi cet apparent désendettement sans réellement réduire leur levier ?

Le mécanisme est trompeusement simple :

• Côté actif (gauche du bilan) : Les mineurs continuent de détenir des positions volatiles en crypto (BTC/ETH) ou de comptabiliser des revenus futurs de location de puissance de calcul comme collatéral implicite.

• Côté passif (droite du bilan) : Ils émettent des notes convertibles, des obligations à haut rendement, et autres instruments libellés en dollars US pour financer l’achat de GPU H100/H200 et l’infrastructure associée.

Ce n’est pas un désendettement — c’est un risque de rollover combiné à une concentration de corrélation. Les mineurs jouent essentiellement à un jeu de « double-leverage » : ils utilisent la volatilité des actifs crypto comme garantie pour parier sur les flux de trésorerie de location GPU. En environnement de marché bénin, cela amplifie les rendements. Mais dès que la politique monétaire se resserre, les deux composantes échouent simultanément. Les prix crypto chutent tandis que les taux de location GPU diminuent (moins de projets finançant la recherche IA, baisse de la vélocité globale des investissements). En modélisation de crédit, ce scénario s’appelle une convergence de corrélations — un cauchemar pour les produits structurés et une catastrophe pour les créanciers non garantis.

L’hypothèse que les revenus de puissance de calcul serviraient de force stabilisatrice pour les bilans des mineurs ne s’est pas matérialisée. Au contraire, ils ont superposé des dettes supplémentaires à une volatilité existante, créant une structure qui amplifie le risque de baisse tout en offrant peu de coussin en cas de hausse.

La Liquidity Disparue : Quand la Garantie Devient Théorique

Ce qui empêche les gestionnaires de crédit de dormir, ce n’est pas la défaillance elle-même, mais ce qui se passe après. Lors de la crise des subprimes de 2008, les créanciers pouvaient vendre aux enchères les propriétés saisies pour récupérer leur capital. Mais si un opérateur majeur de puissance de calcul fait défaut et que les créanciers saisissent 10 000 cartes graphiques H100, que se passe-t-il ensuite ? Qui les achète, et à quel prix ?

Ce marché secondaire n’existe pas à une échelle significative — un fait dissimulé sous la façade des évaluations de collatéral publiées. L’illusion de sécurité repose sur trois faiblesses critiques :

Dépendance à l’infrastructure physique : Les GPU haute performance ne sont pas des appareils plug-and-play. Ils nécessitent des racks de refroidissement liquide conçus sur mesure, une infrastructure électrique spécifique (30-50 kW par rack), et des configurations réseau spécialisées. Un GPU saisi hors de son centre de données d’origine rencontre une friction importante pour trouver un autre déploiement.

Dépréciation non linéaire liée à l’obsolescence technologique : Avec NVIDIA lançant l’architecture Blackwell fin 2024 et prévoyant Rubin dans les années suivantes, les générations plus anciennes de GPU ne se déprécient pas de façon linéaire. Elles subissent une dépréciation brutale à l’arrivée de puces plus efficaces. Un H100 qui valait 40 000 $ il y a quelques mois peut se vendre à 8 000-12 000 $ en vente à perte, soit une décote de 70-80%.

Absence de fournisseur de liquidité : Plus critique encore, il n’existe pas de « prêteur de dernier ressort » dans le marché des GPU d’occasion, prêt à absorber des milliards de pression vendeuse. Contrairement aux marchés actions ou aux obligations d’État où les banques centrales et les intermédiaires stabilisent les prix en période de stress, les marchés secondaires spécialisés en GPU n’ont pas de tels stabilisateurs. Lorsqu’une vente de panique commence, la découverte des prix devient catastrophique.

Cela constitue ce qu’on pourrait appeler une « illusion de collatéral » — les ratios LTV (loan-to-value) sur le papier semblent prudents, souvent 50-70% selon les évaluations hardware publiées. Mais ces ratios supposent une liquidation ordonnée sur des marchés secondaires fonctionnels. En réalité, le marché des GPU d’occasion, face au risque d’obsolescence, est beaucoup plus mince et chaotique, rendant les valeurs de collatéral théoriques largement fictives en cas de crise.

Les Cycles de Crédit qui précèdent les Cycles Technologiques : La Vraie Chronologie du Risque

Pour être clair, cette analyse ne nie pas le potentiel technologique de l’IA ni l’importance fondamentale de la puissance de calcul pour l’avenir de l’infrastructure. La technologie continuera d’évoluer, et la demande en capacité IA restera robuste. Ce qui est mis en question, c’est l’architecture financière qui soutient cette industrie — notamment, la mauvaise tarification du financement de la puissance de calcul.

Les actifs déflationnistes, propulsés par la Loi de Moore, sont évalués comme des infrastructures de couverture contre l’inflation. Les mineurs qui n’ont pas significativement désendetté sont financés comme s’ils étaient des services publics avec des bilans stables. La puissance de calcul, avec une pertinence technologique de 18-24 mois, est financée par des structures de dette sur 10 ans. Ce ne sont pas des risques marginaux ; ce sont des erreurs fondamentales de tarification intégrées dans des milliards de dollars de dettes en circulation.

L’analyse historique montre un schéma constant : les cycles de crédit culminent et s’effondrent avant que les cycles technologiques ne mûrissent. Le grand boom des chemins de fer des années 1880 a connu des excès de crédit massifs qui ont culminé avant que le réseau ferré ne devienne pleinement utile. L’ère Internet a vu un financement excessif de la tech en 1999-2000, des années avant que l’adoption ne sature. La crise subprime a culminé en 2007-2008, avant que les prix de l’immobilier ne se stabilisent.

Pour les stratégistes macro et les traders de crédit, la tâche principale avant mi-2026 n’est pas de prédire quel modèle IA atteindra une capacité de rupture — c’est de réexaminer les vrais spreads de crédit et probabilités de défaut intégrés dans ces combinaisons « IA Infrastructure + Mineur Crypto ». Le marché a peut-être sous-estimé le risque financier de façon substantielle. Et lorsque cette réévaluation se produira, elle impactera non seulement les investisseurs en actions, mais aussi les marchés de revenu fixe qui portent désormais la majorité de cet effet de levier.

Le boom de la puissance de calcul est réel. Ce qui est discutable, c’est si les marchés de crédit qui le soutiennent ont correctement évalué le risque de cette réalité.