Morgan Stanley analyse : Pourquoi Amazon et Google restent-ils optimistes malgré la guerre des prix de l'IA ?

TL;DR · Morgan Stanley estime qu'avec 1GW de puissance de calcul GB300 utilisée pour des API de modèles, le ROIC au niveau des modèles est d'environ 20%-60%. · Si les GPU sont directement loués par des plateformes cloud, avec un taux d'utilisation de 75%, le ROIC IaaS est d'environ 23%-39%. · Le rapport reste optimiste sur Amazon et Google ; Meta reste un choix privilégié, mais ses retours sur l'IA proviennent davantage de la publicité, de ses propres applications et de l'écosystème de modèles ouverts.

L'équipe de Brian Nowak de Morgan Stanley a formulé un jugement contre-intuitif dans son dernier rapport : les modèles à poids ouverts font baisser le prix des tokens d'IA, mais les plateformes qui possèdent la puissance de calcul, la capacité de planification et l'accès aux entreprises pourraient encore obtenir des retours substantiels des dépenses en capital liées à l'IA.

Le rapport a calculé deux ensembles de chiffres.

Au niveau des API de modèles, Morgan Stanley prend comme base un centre de données de 1GW GB300, supposant que le prix par million de tokens est de 1 à 2,5 dollars, avec un débit par GPU de 2000 à 3500 tokens par seconde, et que 50% à 80% de la puissance de calcul est utilisée pour l'inférence. Dans différents scénarios, le ROIC au niveau des modèles est d'environ 20% à 60%.

Au niveau des plateformes cloud, le rapport suppose qu'un centre de données de 1GW est équipé d'environ 410 000 GPU GB300, avec un taux d'utilisation de 75% et un prix de location de 7 à 10 dollars de l'heure. Sur cette base, le ROIC IaaS pour la location de puissance de calcul GPU est d'environ 23% à 39%.

Ces deux ensembles de chiffres expliquent le jugement central de Morgan Stanley : la baisse des prix des modèles impacte d'abord l'économie unitaire des fournisseurs de modèles ; mais pour des plateformes comme Amazon et Google, les entreprises ayant recours à l'IA ont toujours besoin de GPU, de stockage, de bases de données, de sécurité et d'outils de déploiement de modèles. Les modèles peuvent devenir moins chers, mais l'infrastructure qui les supporte ne perdra pas de valeur.

La pression des poids ouverts fait baisser les prix et favorise l'adoption de plus de charges de travail d'IA

L'impact direct des modèles à poids ouverts est de réduire le seuil d'entrée pour les entreprises souhaitant utiliser et déployer l'IA.

Contrairement aux modèles fermés, les modèles à poids ouverts permettent aux utilisateurs de télécharger les poids du modèle, d'ajuster ou de réentraîner avec des données privées, et de choisir de déployer localement, dans le cloud ou via une API. Les entreprises ne doivent pas dépendre entièrement d'un seul fournisseur de modèles et peuvent contrôler plus facilement leurs données, coûts et méthodes de déploiement.

Différences entre les modèles à poids ouverts et fermés, y compris la possibilité de télécharger les poids, le support pour l'ajustement de données privées, et la possibilité de fonctionner sur du matériel propre.

Le coût est que les API de modèles deviennent de plus en plus difficiles à maintenir à un prix élevé. Avec l'augmentation des modèles à faible coût proches des capacités de pointe, les laboratoires de modèles doivent rivaliser pour les clients en offrant des prix plus bas, des réponses plus rapides et une chaîne d'outils plus complète. Le rapport mentionne que des modèles à bas prix comme le Muse Spark 1.2 de Meta aggravent encore la concurrence des prix au niveau des modèles.

C'est aussi la raison pour laquelle le marché s'inquiète des retours sur les dépenses en capital liées à l'IA. Les entreprises technologiques investissent des milliards de dollars dans l'achat de GPU, la construction de centres de données et la sécurisation de l'électricité. Si les prix d'inférence continuent de baisser, les retours dépendront de plus en plus de trois variables : l'utilisation des GPU, le débit par carte et la capacité des charges de travail d'IA à générer d'autres revenus de services cloud.

Morgan Stanley estime que la baisse des prix va comprimer les marges au niveau des modèles, mais cela ne signifie pas nécessairement que les retours de l'ensemble de l'infrastructure d'IA vont se détériorer en même temps. Des modèles moins chers et plus flexibles pourraient également inciter davantage d'entreprises à adopter l'IA, augmentant ainsi la demande pour la puissance de calcul sous-jacente et les services cloud.

20%-60% : Estimation des retours au niveau des API de modèles

Les estimations au niveau des API de modèles se concentrent sur trois variables clés : le prix des tokens, le débit des GPU et la proportion de puissance de calcul utilisée pour l'inférence.

Morgan Stanley prend comme prix de référence 1,75 dollar par million de tokens et effectue une analyse de scénarios dans une fourchette de 1 à 2,5 dollars. Le rapport se réfère aux benchmarks d'inférence publics des modèles à poids ouverts comme le DeepSeek-V4-Pro 1.6T sur le matériel GB300, en supposant un débit par GPU de 2000 à 3500 tokens par seconde.

Dans le scénario de référence, le rapport suppose que 65% de la puissance de calcul est utilisée pour l'inférence, que chaque GPU traite 2750 tokens par seconde, et que le prix par million de tokens est de 1,75 dollar, correspondant à environ 40 milliards de dollars de revenus/GW. La fourchette de revenus pour l'ensemble des scénarios est d'environ 23 à 52 milliards de dollars/GW.

Sur cette base, le rapport estime que le ROIC au niveau des modèles pour 1GW de puissance de calcul GB300 est d'environ 20% à 60%.

Cadre des revenus et des coûts des API de modèles. Différents prix de tokens, débits et proportions de puissance de calcul pour l'inférence correspondent à des revenus d'environ 23 à 52 milliards de dollars par GW.

Il est important de noter que 20% à 60% n'est pas un retour automatiquement obtenu à un prix fixe de 1,75 dollar, mais plutôt une fourchette de scénarios formée par différentes combinaisons de prix, de débits et de répartitions de puissance de calcul.

La réalisation de ces chiffres dépend de la capacité à améliorer l'efficacité plus rapidement que la baisse des prix. Si le prix des tokens continue de baisser rapidement et que l'utilisation des GPU et les débits n'augmentent pas en parallèle, le retour au niveau des modèles se réduira considérablement.

23%-39% : Une autre estimation pour la location de GPU par les plateformes cloud

Pour des plateformes cloud comme Amazon et Google, la source de revenus la plus directe est la location de puissance de calcul, plutôt que de supporter elles-mêmes le risque de prix des API de modèles.

Morgan Stanley suppose qu'un centre de données de 1GW GB300 peut être équipé d'environ 410 000 GPU GB300. À un taux d'utilisation de 75%, si le prix de location par GPU est de 7 à 10 dollars de l'heure, cela correspond à un revenu annuel d'environ 18,9 à 27 milliards de dollars/GW.

Après déduction des coûts tels que l'amortissement des équipements informatiques, l'amortissement des actifs non informatiques, l'électricité, la main-d'œuvre et la maintenance, le rapport estime que le bénéfice d'exploitation après impôts par GW pour les plateformes cloud est d'environ 8,9 à 15,3 milliards de dollars, correspondant à un ROIC d'environ 23% à 39%.

Modèle de location de GPU GB300 pour les plateformes cloud. Un prix de location de 7 à 10 dollars de l'heure correspond à un ROIC d'environ 23% à 39%.

Cet ensemble d'estimations soutient directement l'optimisme de Morgan Stanley concernant les dépenses en capital liées à l'IA pour les plateformes cloud.

Même si les prix des API de modèles baissent, les entreprises auront toujours besoin de louer des GPU pour faire fonctionner des modèles à poids ouverts. Pour les plateformes cloud, la clé n'est pas de savoir combien un token peut se vendre cher, mais si la puissance de calcul rare peut maintenir un taux d'utilisation et un prix de location élevés.

Morgan Stanley souligne également que des modèles à bas prix pourraient entraîner une augmentation de l'utilisation. Même si le prix unitaire et la marge bénéficiaire diminuent, tant que l'échelle globale des charges de travail d'IA s'élargit, le bénéfice d'exploitation absolu des plateformes cloud pourrait encore croître.

Les plateformes cloud ne vendent pas seulement des GPU et des tokens

Morgan Stanley estime que les plateformes cloud peuvent absorber la guerre des prix pour quatre raisons principales.

Premièrement, la puissance de calcul reste rare. Même si les entreprises choisissent des modèles à poids ouverts, elles ont besoin de GPU, de clusters d'inférence, de stockage, de réseaux et d'environnements sécurisés. Les grandes entreprises peuvent construire leur propre infrastructure, mais de nombreux clients continueront à louer de la puissance de calcul et à héberger des modèles via AWS, Google Cloud ou Azure.

Deuxièmement, les plateformes cloud peuvent améliorer l'efficacité des systèmes grâce à l'échelle. Une plus grande capacité de mémoire, des interconnexions plus rapides, une architecture MoE et le traitement par lots des requêtes peuvent tous améliorer le débit de tokens par GPU. Les grandes plateformes cloud ont un plus grand flux de clients d'entreprise, ce qui facilite la fusion et la planification des requêtes, augmentant ainsi le taux d'utilisation des GPU.

Troisièmement, les puces développées en interne peuvent réduire les coûts de service. Amazon possède Trainium, Google possède TPU. Les puces et les optimisations logicielles développées en interne permettent aux plateformes cloud d'avoir plus de flexibilité dans la concurrence des prix et réduisent leur dépendance à un seul fournisseur de GPU.

Quatrièmement, les charges de travail d'IA peuvent également générer d'autres revenus de services cloud. Lorsque les entreprises déploient l'IA, elles ont généralement besoin d'acheter du stockage d'objets, des bases de données, des services de recherche vectorielle, RAG, de gouvernance de la sécurité, d'authentification et de surveillance. Ces services supplémentaires peuvent élargir les revenus cloud générés par chaque charge de travail d'IA et améliorer la contribution globale à la rentabilité.

Ainsi, bien que les modèles à poids ouverts puissent transformer les revenus des tokens API en « produits d'attraction », ils pourraient également entraîner une demande accrue pour la location de GPU, le stockage de données et les bases de données.

Les logiques de retour d'Amazon, Google et Meta sont différentes

Sur la base de ces jugements, Morgan Stanley maintient une note « surpondérer » pour Amazon et Alphabet, avec des objectifs de prix respectifs de 335 dollars et 400 dollars.

L'avantage d'Amazon réside dans sa base de clients d'entreprise AWS, ses puces développées en interne Trainium et son écosystème de services cloud complet. Google possède également TPU, des modèles Gemini, des applications de recherche et YouTube, ainsi que la capacité de distribution d'entreprise de Google Cloud. Pour ces deux entreprises, les retours sur les dépenses en capital liées à l'IA proviennent principalement de la location de puissance de calcul, de l'hébergement de modèles et de l'intégration de services cloud.

La logique de Meta est différente.

Morgan Stanley continue de classer Meta comme un choix privilégié, lui attribuant une note « surpondérer » et un objectif de prix de 775 dollars, mais Meta n'est pas une plateforme cloud d'entreprise au sens d'AWS ou Google Cloud. Ses investissements en IA se concrétisent principalement par l'écosystème de modèles ouverts, l'efficacité de la publicité, ses propres applications et la capacité des centres de données.

Objectif de prix de Meta et hypothèses de risque/rendement.

Le rapport estime que les investissements de Meta en IA pourraient améliorer l'engagement des utilisateurs, la monétisation des Reels et la capacité de mesure des publicités, tout en offrant des opportunités de croissance pour de nouveaux produits. Cependant, si la construction des centres de données est mal exécutée, si l'intensité du capital continue d'augmenter et si la nouvelle puissance de calcul ne génère pas de retours suffisants, cela pourrait également peser sur les flux de trésorerie disponibles et l'évaluation.

Le plus grand risque est que les prix chutent plus rapidement que l'amélioration de l'efficacité

Ce rapport ne nie pas la guerre des prix de l'IA.

Avec l'augmentation des modèles à poids ouverts à faible coût proches des capacités de pointe, les entreprises se concentreront davantage sur les coûts, la latence, la flexibilité de déploiement et le contrôle des données. Il deviendra de plus en plus difficile pour les laboratoires de modèles d'obtenir des bénéfices élevés uniquement grâce à des API à prix élevé, et l'importance des chaînes d'outils, de la distribution d'entreprise, des cas d'utilisation et des écosystèmes continuera d'augmenter.

Les plateformes cloud font également face à des pressions sur les actifs lourds. Un centre de données de 1GW GB300 implique des coûts liés aux puces, aux salles de serveurs, à l'électricité, aux réseaux et à l'amortissement ; toute augmentation des coûts dans n'importe quel domaine affectera le retour final. Si l'adoption de l'IA par les entreprises se prolonge plus longtemps que prévu, avec une utilisation insuffisante des GPU, il sera encore plus difficile de convertir les dépenses en capital en bénéfices.

L'augmentation du débit ne se traduira pas automatiquement par des bénéfices. Les mises à niveau matérielles, l'architecture MoE et le traitement par lots des requêtes peuvent améliorer l'efficacité, mais nécessitent la coopération des modèles, des puces, des réseaux, des piles logicielles et des demandes réelles des clients.

Ainsi, la conclusion de Morgan Stanley n'est pas que « la guerre des prix de l'IA n'a pas d'impact », mais plutôt que : lorsque le prix des tokens baisse, le niveau des modèles est le premier à être sous pression ; les plateformes qui maîtrisent la puissance de calcul rare, l'optimisation des systèmes et l'accès aux entreprises cloud ont plus de chances d'absorber la concurrence des prix grâce à la location de GPU, aux effets d'échelle et aux services cloud supplémentaires.

Ce qu'il faut vraiment observer à l'avenir, c'est si l'augmentation du débit et de l'utilisation des plateformes cloud peut continuer à surpasser la vitesse de baisse des prix de l'IA.