Résumé des points clés
Récemment, l’IA n’est plus seulement un assistant capable de converser ; elle s’est évoluée en agents intelligents capables de travailler comme des “employés numériques”, ce qui a déclenché une vague d’investissements dans la construction d’infrastructures AI à l’échelle mondiale. Des fabricants de puces tels que TSMC affirment que la demande est largement supérieure aux capacités de production, et des entreprises vendant des serveurs complets, comme Dell et Lenovo, ont vu leurs commandes pour des solutions AI exploser. Cependant, pour que les agents AI deviennent réellement populaires dans tous les secteurs d’activité, il reste encore à surmonter plusieurs obstacles : les coûts élevés de calcul, la difficulté à mesurer la valeur commerciale et l’inadaptabilité aux spécificités de chaque industrie.
I. Les agents AI sont en vogue : les commandes pour des serveurs AI de Dell et Lenovo augmentent considérablement
L’augmentation de la demande d’agents AI a directement profité aux fabricants de serveurs complets :
- Dell : Les revenus liés aux serveurs AI ont bondi de 757 % au dernier trimestre (plus de sept fois), avec des commandes pour un montant de 24,4 milliards de dollars, et des commandes non livrées s’élevant à 51,3 milliards de dollars, ce qui a permis d’augmenter les prévisions de revenus annuels de 50 à 60 milliards de dollars.
- Lenovo : Les revenus liés à l’IA ont augmenté de 84 %, représentant près de 40 % du total des revenus, avec des commandes non livrées pour un montant de 21 milliards de dollars.
Pourquoi ces entreprises gagnent-elles autant ? Parce que l’IA nécessite non seulement d’apprendre (formation), mais aussi d’utiliser ces connaissances pour résoudre des problèmes concrets et de mettre en place des solutions personnalisées pour les entreprises. Les fabricants de serveurs peuvent intégrer des composants complexes tels que des puces haute performance, des systèmes de refroidissement par liquide et des alimentations électriques de haute tension, ce qui incite les clients à payer plus cher pour leurs solutions.
II. La demande évolue : l’infrastructure AI ne se limite plus au calcul de formation
Auparavant, l’attention était principalement concentrée sur la puissance de calcul nécessaire à la formation des modèles d’IA ; aujourd’hui, la demande s’étend à l’ensemble de la chaîne de valeur :
- Non seulement il faut former les modèles, mais aussi les utiliser pour résoudre des problèmes réels (inférence), ainsi que développer de nouveaux services cloud et mettre en place des data centers.
Selon les experts, le bénéfice lié à une seule puce est en baisse ; les armoires de serveurs sont devenues un nouveau “super-circuit intégré” : avec l’augmentation de la consommation d’énergie des serveurs, le refroidissement par ventilateur ne suffit plus ; il faut recourir à des technologies telles que le refroidissement par liquide et des alimentations électriques de haute tension pour optimiser l’ensemble de l’armoire, ce qui offre de plus grands profits aux entreprises capables d’intégrer ces éléments efficacement.
III. Quels secteurs peuvent bénéficier de l’ère des agents AI ?
Brian Krzanich (PDG d’NVIDIA) et Qualcomm ont tous deux déclaré que l’ère des agents AI était arrivée, ce qui a stimulé plusieurs domaines spécifiques :
1. Alimentations électriques : Les serveurs AI nécessitent des alimentations de haute puissance et fiables, en particulier des solutions pour les armoires entières fonctionnant avec du courant continu à haute tension ; ces entreprises en bénéficieront.
2. Refroidissement par liquide : Le refroidissement par ventilateur atteint ses limites ; le recours au liquide (comme l’eau) est devenu essentiel, offrant des opportunités aux entreprises spécialisées dans les plaques de refroidissement et les systèmes de refroidissement par immersion.
3 Connectivité rapide : Les données doivent être transférées rapidement entre les équipements des data centers ; les entreprises développant des solutions de connectivité à haute vitesse en tireront profit.
4 Sous-secteurs des puces : Outre les GPU, les entreprises fabriquant des puces d’inférence et des puces intégrant calcul et stockage pourront également trouver leur place dans ce nouvel écosystème matériel.
5 PCB de haute qualité : Les équipements AI nécessitent des cartes de circuit imprimé de plus haute qualité ; les fabricants et les fournisseurs de ces composants en bénéficieront.
IV. Les obstacles à surmonter pour la mise en œuvre des agents AI
Bien que tout le monde s’intéresse aux agents AI, leur adoption réelle rencontre de nombreux problèmes :
1. Coûts élevés de calcul : Les entreprises dépensent des millions par mois (par exemple, le PDG d’UCloud affirme dépenser plus de 600 000 dollars par semaine, soit près de 3 millions par mois), sans pour autant voir de résultats significatifs.
2 Difficulté à mesurer la valeur : Pour de nombreuses applications AI, il est difficile d’évaluer précisément leur valeur ; les clients hésitent donc à investir.
3 Fiabilité technique insuffisante : Des secteurs comme la santé exigent une précision de 100 % des solutions AI, mais les grands modèles actuels peuvent encore produire des erreurs, empêchant leur utilisation à grande échelle.
4 Pénurie de talents et de capacités organisationnelles : Les entreprises ont besoin de personnes compétentes en IA ainsi qu’en connaissances sectorielles, et doivent également modifier leurs processus commerciaux et gérer les données de manière efficace.
Selon IDC, la plupart des applications AI n’ont pas encore atteint une échelle significative ; Gartner est même plus pessimiste : d’ici 2027, 40 % des projets AI seront annulés en raison des coûts élevés et de l’incertitude quant à leur valeur. Ainsi, cette vague n’est pas une opportunité pour gagner rapidement de l’argent, mais plutôt un long parcours exigeant patience.
En somme, les agents AI représentent bien une tendance majeure, mais leur utilisation réelle dépend de la résolution de ces problèmes concrets : il faut réduire les coûts d’infrastructure, mettre en place des modèles économiques rentables et adapter les solutions aux besoins spécifiques des industries pour que les agents AI deviennent des outils pratiques et efficaces.