L’intelligence artificielle est en train de transformer l’architecture du financement mondial. Derrière les investissements spectaculaires des géants technologiques se développe un système de dette longue, de véhicules financiers spécialisés, de garanties croisées et d’engagements contractuels dont les risques dépassent progressivement le secteur numérique. Une étude publiée le 27 octobre 2026 par la Banque des règlements internationaux révèle l’ampleur de cette transformation. La question n’est plus seulement de savoir si l’IA produira les gains économiques annoncés, mais qui supportera les pertes si ces gains ne suffisent pas à rémunérer les capitaux engagés.

Une révolution technologique entre dans son cycle de crédit

Les grandes révolutions industrielles ont rarement été financées uniquement par les entreprises qui les ont initiées.

Les chemins de fer, l’électricité, les télécommunications et les infrastructures numériques ont mobilisé des capitaux considérables avant que leurs modèles économiques ne soient pleinement stabilisés.

L’intelligence artificielle emprunte désormais une trajectoire comparable.

Pendant les premières années de son développement, une partie importante des investissements nécessaires à l’IA pouvait être financée par les flux de trésorerie exceptionnels des grandes entreprises technologiques américaines.

Leurs activités historiques — publicité numérique, logiciels, commerce électronique, services cloud et abonnements — produisaient des revenus suffisamment importants pour financer des investissements croissants dans les centres de données, les processeurs spécialisés et les infrastructures de calcul.

Ce modèle évolue.

L’accélération des dépenses dépasse progressivement les capacités ou les préférences d’autofinancement de certains acteurs. Le recours aux marchés obligataires, au crédit privé et aux structures financières spécialisées devient une composante croissante de l’expansion industrielle.

Dans une étude intitulée Building AI on Credit: Structures and Spillovers, publiée le 27 octobre 2026, les économistes Mathias Drehmann et Egemen Eren, de la Banque des règlements internationaux, décrivent cette transformation.

Leur constat central est que l’essor de l’intelligence artificielle s’accompagne de la constitution d’un système de crédit dont les engagements sont de plus en plus complexes et interdépendants.

Ce phénomène ne signifie pas nécessairement qu’une crise se prépare.

Il révèle néanmoins un changement fondamental : les risques associés au développement de l’IA ne sont plus exclusivement supportés par les entreprises technologiques et leurs actionnaires.

Ils commencent à circuler dans une partie beaucoup plus large du système financier.

800 milliards de dollars : le changement d’échelle

L’ampleur des investissements constitue le premier élément de cette transformation.

Selon les données et projections rassemblées par les auteurs, les dépenses d’investissement d’Alphabet, Amazon, Meta, Microsoft et Oracle devraient dépasser 800 milliards de dollars en 2026.

Ce montant représente approximativement 2,5 % du produit intérieur brut américain.

Il convient de préciser que ces dépenses ne concernent pas exclusivement l’intelligence artificielle. Elles comprennent également d’autres investissements technologiques et industriels des entreprises étudiées.

La proportion illustre néanmoins la mobilisation exceptionnelle de ressources autour des infrastructures numériques.

Construire un centre de données destiné aux applications avancées d’intelligence artificielle ne consiste pas simplement à acheter des processeurs.

Il faut acquérir ou aménager des terrains, construire des bâtiments, installer des systèmes électriques, développer des capacités de refroidissement, sécuriser l'approvisionnement énergétique et déployer des équipements informatiques dont la valeur peut atteindre plusieurs milliards de dollars.

À ces coûts initiaux s’ajoutent les dépenses d’exploitation, la maintenance, les réseaux de communication et le renouvellement des équipements.

L’ensemble forme une industrie particulièrement intensive en capital.

Cette caractéristique distingue progressivement l’économie de l’intelligence artificielle de celle des logiciels traditionnels.

Un logiciel peut être reproduit et distribué à grande échelle pour un coût marginal relativement faible.

Les services d’intelligence artificielle avancée nécessitent, eux, des capacités physiques considérables, dont l’utilisation consomme de l’électricité, mobilise des équipements spécialisés et exige des investissements continus.

L’IA conserve les caractéristiques économiques d’une technologie numérique, mais son infrastructure productive présente de plus en plus celles d’une industrie lourde.

Cette évolution transforme ses besoins financiers.

Le financement de l’IA dépasse les bilans des géants technologiques

L’étude de la BRI identifie une accélération remarquable du recours à l’endettement.

Au 22 septembre 2026, les émissions obligataires brutes réalisées depuis le début de l’année par les cinq grands hyperscalers étudiés atteignaient environ 222 milliards de dollars.

Une part importante de ces émissions porte sur des maturités longues.

Parallèlement, les auteurs rapportent que, selon des estimations de marché, entre 75 et 100 milliards de dollars de titres obligataires et de produits adossés à des actifs avaient été placés en 2026 par l’intermédiaire de structures spécialisées situées hors des bilans consolidés de certaines entreprises technologiques.

Ces deux catégories de financement ne sont pas équivalentes.

La première correspond à des émissions de dette directement réalisées par les entreprises.

La seconde repose sur des montages dans lesquels une entité juridiquement distincte emprunte pour financer une infrastructure, puis reçoit des paiements contractuels liés à son utilisation.

Cette distinction est essentielle.

Elle permet de comprendre comment une entreprise peut contribuer à financer une infrastructure sans nécessairement enregistrer l’intégralité de l’endettement correspondant dans son propre bilan.

L’absence de consolidation comptable ne signifie cependant pas l’absence de risque économique.

Une entreprise peut conserver des obligations contractuelles, des garanties ou une exposition indirecte à la valeur des actifs financés.

Autrement dit, le risque ne disparaît pas nécessairement lorsqu’il quitte le bilan d’une entreprise.

Il change de forme et de détenteur.

Les véhicules spécialisés : une nouvelle architecture financière

Au centre du dispositif décrit par la BRI figurent les véhicules à vocation spécifique, généralement désignés par l’expression anglaise Special Purpose Vehicles, ou SPV.

Le principe est relativement simple.

Un véhicule spécialisé est constitué pour posséder ou financer un centre de données.

Il mobilise des capitaux auprès d’investisseurs, contracte des emprunts et acquiert les infrastructures nécessaires.

Une entreprise technologique signe ensuite un contrat lui permettant d’utiliser tout ou partie des capacités du centre.

Les revenus contractuels servent à rémunérer les investisseurs et à rembourser les créanciers.

Ce modèle présente plusieurs avantages.

Pour les entreprises technologiques, il permet de mobiliser rapidement des capacités de calcul sans nécessairement financer directement la totalité des actifs.

Pour les investisseurs, il donne accès à des infrastructures physiques soutenues par des engagements contractuels d’entreprises disposant souvent d’une qualité de crédit élevée.

Pour les banques et les fonds spécialisés, il crée de nouvelles opportunités de financement.

Mais cette organisation introduit une difficulté : la solidité financière du véhicule dépend simultanément de la valeur des actifs, des revenus attendus et de la capacité des contreparties à respecter leurs engagements.

La présence d’un bâtiment, de processeurs et d’un contrat de location ne garantit pas que la dette pourra être remboursée dans toutes les circonstances.

Le risque réside précisément dans l’écart possible entre la durée des engagements financiers et la durée de vie économique des équipements.

Le paradoxe des infrastructures d’intelligence artificielle

Les centres de données sont des actifs industriels particuliers.

Leurs bâtiments, leurs raccordements électriques et leurs installations de refroidissement peuvent conserver une valeur économique pendant plusieurs décennies.

Les processeurs spécialisés qu’ils abritent suivent une dynamique différente.

Leur valeur dépend de performances technologiques susceptibles d’être rapidement dépassées par de nouvelles générations d’équipements.

Cette différence crée une tension entre deux temporalités.

D’un côté, les investisseurs recherchent des financements de long terme, compatibles avec les caractéristiques immobilières et énergétiques des centres de données.

De l’autre, une partie déterminante de la capacité productive repose sur des équipements dont la compétitivité peut évoluer beaucoup plus rapidement.

Un centre de données peut donc rester physiquement opérationnel tout en devenant économiquement moins attractif.

Si de nouveaux processeurs offrent une capacité de calcul supérieure pour une consommation énergétique inférieure, les installations anciennes peuvent subir une dépréciation accélérée.

Cette situation est particulièrement importante lorsque les financements reposent sur la valeur des équipements informatiques eux-mêmes.

La BRI souligne que les processeurs constituent des garanties moins robustes que les bâtiments et leurs infrastructures associées.

Le risque devient plus important encore si plusieurs opérateurs cherchent simultanément à revendre des équipements similaires.

Dans cette hypothèse, la valeur de revente pourrait diminuer au moment précis où les créanciers auraient besoin de liquider leurs garanties.

La protection financière offerte par les actifs serait alors inférieure à celle initialement anticipée.

Meta et Hyperion : l’illustration d’un modèle émergent

L’étude présente notamment le financement du centre de données Hyperion, développé dans le cadre d’une coentreprise associant Meta à des fonds gérés par Blue Owl.

Cette opération illustre la sophistication croissante des montages utilisés pour financer les infrastructures d’intelligence artificielle.

Le projet a notamment bénéficié d’une émission privée d’obligations senior garanties de 27,3 milliards de dollars, notées A+.

La structure repose en partie sur les engagements locatifs de Meta.

Les contrats doivent commencer en 2029, avec une durée initiale de quatre ans et des possibilités de renouvellement permettant d’atteindre une durée totale de vingt ans.

Le dispositif comprend également certaines protections limitées concernant la valeur résiduelle des actifs.

La coentreprise n’est pas consolidée dans les comptes de Meta.

Cette architecture permet de séparer juridiquement la propriété de l’infrastructure de l’entreprise qui en utilisera les capacités.

Elle illustre également la manière dont la qualité de crédit d’un grand groupe technologique peut contribuer à rendre finançable un actif détenu par une entité distincte.

Pour les investisseurs, la présence d’un utilisateur disposant de ressources financières importantes améliore la visibilité des revenus futurs.

Mais elle crée simultanément une concentration du risque.

Si plusieurs véhicules reposent sur les engagements d’un même groupe, les investisseurs peuvent être exposés à cette entreprise par des canaux différents, sans que cette concentration soit immédiatement apparente à la lecture de son endettement obligataire.

L’enjeu ne concerne donc pas uniquement le montant de la dette.

Il concerne l’identification de celui qui en garantit, directement ou indirectement, la capacité de remboursement.

1 200 milliards de dollars d’engagements locatifs

La dimension des engagements contractuels constitue l’un des résultats les plus significatifs du bulletin.

Selon une estimation de Moody’s Ratings citée par les auteurs, les engagements de location de centres de données des principaux hyperscalers atteignaient environ 1 200 milliards de dollars à la mi-2026.

Sur ce total, approximativement 820 milliards de dollars correspondaient à des contrats dont l’exécution n’avait pas encore commencé.

Ces chiffres doivent être interprétés avec précision.

Ils ne représentent pas 1 200 milliards de dollars de dette financière immédiatement exigible.

Les engagements locatifs peuvent s’étendre sur de nombreuses années, dépendre de conditions contractuelles spécifiques et relever de traitements comptables distincts.

Certains contrats futurs ne sont pas encore reconnus comme des passifs financiers au bilan.

D’autres obligations peuvent être conditionnelles.

Il serait donc incorrect d’additionner mécaniquement les engagements locatifs, les émissions obligataires et les financements structurés pour produire un montant global de dette cachée.

Il n’en reste pas moins que ces engagements représentent des obligations économiques potentielles considérables.

Ils peuvent limiter la flexibilité financière des entreprises concernées et créer des dépendances durables entre les utilisateurs de capacités informatiques, les propriétaires d’infrastructures et leurs créanciers.

La question devient particulièrement importante lorsque plusieurs engagements reposent sur les revenus futurs d’un nombre restreint d’entreprises.

Le système peut alors apparaître diversifié juridiquement tout en restant fortement concentré économiquement.

Le risque ne disparaît pas : il circule

L’un des apports majeurs de l’étude réside dans la cartographie des interdépendances financières.

Le financement de l’intelligence artificielle ne repose plus uniquement sur une relation entre une entreprise et ses créanciers.

Il implique un réseau d’acteurs dont les positions peuvent se renforcer mutuellement.

Les hyperscalers louent des capacités de calcul.

Les opérateurs spécialisés construisent ou exploitent les infrastructures.

Les fabricants de processeurs fournissent les équipements et peuvent soutenir financièrement certains de leurs clients.

Les banques accordent des prêts aux véhicules de financement.

Les fonds de crédit privé achètent leurs titres ou participent à leur financement.

Les compagnies d’assurance et d’autres investisseurs institutionnels détiennent des obligations de longue maturité.

Ces relations créent plusieurs canaux de transmission du risque.

Un fournisseur de processeurs peut simultanément vendre des équipements à un opérateur, détenir une participation dans son capital, acheter une partie de ses capacités et apporter certaines garanties financières.

Si cet opérateur rencontre des difficultés, le fournisseur peut être affecté à plusieurs niveaux.

De même, une banque peut financer directement la construction d’un centre de données tout en prêtant à un fonds qui détient la dette du véhicule propriétaire.

Une exposition qui paraît limitée lorsqu’elle est examinée isolément peut devenir beaucoup plus importante lorsque l’ensemble des relations est consolidé économiquement.

Le problème n’est donc pas seulement celui du volume de crédit.

Il est celui de la corrélation entre les risques.

Plusieurs actifs, contrats et instruments financiers peuvent dépendre, en dernière analyse, de la même demande de calcul informatique et de la solvabilité des mêmes entreprises.

Le rôle croissant du crédit privé

L’expansion de l’intelligence artificielle intervient dans un environnement financier où les acteurs non bancaires occupent une place croissante.

Les fonds de crédit privé, les gestionnaires d’actifs, les assureurs et les investisseurs institutionnels peuvent financer directement ou indirectement les infrastructures numériques.

Leur intervention présente des avantages.

Elle permet de mobiliser une épargne de long terme, de diversifier les sources de financement et de répartir les besoins d’investissement entre différentes catégories d’investisseurs.

Mais elle peut également rendre la surveillance des risques plus complexe.

Contrairement aux prêts bancaires traditionnels, certaines expositions privées sont moins facilement observables par les marchés.

Les informations relatives aux garanties, aux conditions de refinancement, aux concentrations de contreparties et aux mécanismes de protection peuvent être dispersées entre plusieurs entités.

Les autorités de supervision peuvent ainsi rencontrer des difficultés à reconstituer l’exposition économique totale à une entreprise ou à un ensemble d’infrastructures.

Il ne faut toutefois pas confondre cette complexité avec une absence générale de réglementation.

Les assureurs, les banques et de nombreux gestionnaires d’actifs sont soumis à des obligations prudentielles ou réglementaires.

La difficulté réside davantage dans la visibilité consolidée des engagements et dans l'interconnexion des différents segments du système financier.

La BRI souligne notamment qu’une compagnie d’assurance peut détenir à la fois les obligations d’un hyperscaler et celles de plusieurs véhicules dont les revenus dépendent de ce même hyperscaler.

Une telle situation peut produire une concentration économique supérieure à celle suggérée par la simple répartition des titres détenus.

Une dépendance financière à la rentabilité future de l’IA

Au-delà des structures juridiques, une question domine l’ensemble du système.

Les infrastructures construites aujourd’hui généreront-elles des revenus suffisants pour couvrir leurs coûts ?

La réponse dépend de plusieurs variables.

La première est la demande future de services d’intelligence artificielle.

Les entreprises investissent massivement dans des capacités de calcul en anticipant une adoption croissante de l’IA par les ménages, les administrations et les organisations.

Cette adoption peut effectivement produire des gains de productivité importants.

Mais l’existence d’une demande technologique ne garantit pas automatiquement une rentabilité financière proportionnelle aux investissements.

La deuxième variable concerne les prix.

Si l’offre de capacités informatiques augmente plus rapidement que la demande solvable, les prix des services de calcul pourraient subir des pressions à la baisse.

Les utilisateurs bénéficieraient alors de coûts plus faibles, tandis que certains propriétaires d’infrastructures pourraient rencontrer des difficultés à atteindre leurs objectifs de rendement.

La troisième variable concerne l’intensité capitalistique.

Les performances technologiques progressent rapidement, mais cette évolution peut également imposer des cycles de renouvellement coûteux.

La quatrième variable concerne l’énergie.

Les infrastructures d’IA dépendent de l’accès à une électricité disponible, fiable et compétitive.

Les coûts de raccordement, les contraintes de réseau et les délais de construction peuvent influencer directement leur rentabilité.

Enfin, la cinquième variable concerne la répartition de la valeur économique.

L’intelligence artificielle pourrait générer des gains considérables pour l’ensemble de l’économie sans que ces gains soient nécessairement captés par les entreprises qui ont financé les infrastructures initiales.

C’est l’un des paradoxes les plus importants des grandes transformations technologiques.

Une innovation peut être extrêmement bénéfique pour la société tout en produisant des rendements insuffisants pour une partie de ses premiers investisseurs.

Le succès technologique ne garantit pas le succès financier de chaque investissement.

Les marchés obligataires commencent à ressentir les effets du cycle

L’étude de la BRI ne se limite pas aux risques propres aux centres de données.

Elle examine également les conséquences possibles de l’endettement de l’IA sur les marchés financiers dans leur ensemble.

Le mécanisme est relativement direct.

Les entreprises technologiques et les véhicules spécialisés émettent des volumes croissants de dette à longue maturité.

Ces titres sont achetés par des investisseurs institutionnels qui détiennent également des obligations souveraines et des obligations d’entreprises de haute qualité.

Lorsque l’offre de titres longs augmente, les investisseurs peuvent demander une rémunération supplémentaire pour absorber le risque de taux et immobiliser leurs capitaux.

Cette rémunération supplémentaire peut contribuer à relever les rendements obligataires.

Or les obligations du Trésor américain jouent un rôle central dans la formation des taux d’intérêt mondiaux.

Leurs rendements servent de référence à de nombreux financements, notamment les crédits immobiliers, les obligations d’entreprises et certains emprunts internationaux.

Une pression durable sur les taux longs pourrait donc affecter des secteurs sans relation directe avec l’intelligence artificielle.

Pour examiner ce mécanisme, les auteurs ont étudié les mouvements de la prime de terme des obligations américaines à dix ans lors de dix-huit séances marquées par des annonces liées au financement de l’IA, entre janvier et septembre 2026.

Ils observent une hausse supplémentaire estimée à environ 1,53 point de base lors de ces journées, après prise en compte de plusieurs variables financières.

Cet effet est statistiquement identifiable dans leur modèle principal.

Il demeure cependant modeste.

Les auteurs constatent également qu’il se résorbe généralement en deux séances de négociation.

Les écarts de rendement des obligations d’entreprises de catégorie investissement ne présentent pas, quant à eux, de réaction statistiquement significative.

Ces résultats ne démontrent donc pas que le financement de l’IA provoque actuellement une hausse durable des taux d’intérêt.

Ils suggèrent plutôt l’existence d’un canal potentiel de transmission qui pourrait prendre davantage d’importance si les émissions continuaient à progresser.

Les auteurs soulignent d’ailleurs que les associations statistiques observées ne constituent pas une preuve de causalité.

Une nouvelle concurrence pour le capital mondial

La transformation devient particulièrement significative lorsqu’on examine la place occupée par les entreprises technologiques sur les marchés obligataires.

Selon la BRI, les émissions de dette d’une maturité d’au moins dix ans des cinq grands hyperscalers représentaient environ 24 % des émissions obligataires américaines d’entreprises de maturité comparable en 2026, contre approximativement 3 % en 2024.

Rapportées aux émissions brutes de titres du Trésor américain de maturité comparable, elles représentaient environ 13 %, contre 1,5 % deux ans auparavant.

Ces ratios portent sur les périodes de référence disponibles au moment de l’étude et non sur l’ensemble de l’année 2026 définitivement clôturée.

Ils illustrent néanmoins un changement d’échelle spectaculaire.

Un nombre limité d’entreprises technologiques devient un émetteur majeur de dette longue.

Cette évolution soulève une question qui dépasse le seul secteur numérique.

Si les investisseurs consacrent une part croissante de leurs portefeuilles aux infrastructures d’intelligence artificielle, quelles conséquences cela pourrait-il avoir sur le financement des autres activités économiques ?

Les infrastructures de transport, l’industrie manufacturière, les réseaux électriques, l’immobilier et les États eux-mêmes dépendent également de capitaux de long terme.

Il ne s’agit pas nécessairement d’un jeu à somme nulle.

L’expansion du crédit peut mobiliser de nouveaux investisseurs et accroître les capacités de financement disponibles.

Mais les ressources financières ne sont pas infiniment élastiques.

À certaines conditions, une demande exceptionnellement importante de capitaux peut modifier les primes de risque, les arbitrages de portefeuille et les conditions d’accès au financement.

L’intelligence artificielle pourrait ainsi influencer le coût du capital bien au-delà de son propre écosystème industriel.

Le risque d’une correction simultanée

La principale vulnérabilité ne réside pas nécessairement dans la défaillance isolée d’un centre de données.

Elle pourrait apparaître si plusieurs hypothèses économiques étaient simultanément remises en cause.

Imaginons une situation dans laquelle la croissance de la demande de calcul ralentirait, les prix des services d’IA diminueraient et les nouvelles générations de processeurs accéléreraient la dépréciation des équipements existants.

Certains opérateurs pourraient alors enregistrer une baisse de leurs revenus.

Les véhicules propriétaires des infrastructures pourraient rencontrer des difficultés à refinancer leur dette ou à trouver de nouveaux locataires aux conditions initialement prévues.

Les garanties sur les équipements perdraient une partie de leur valeur.

Les investisseurs exigeraient des rendements plus élevés.

Les fonds exposés à ces actifs pourraient subir des pertes de valorisation.

Les banques ayant financé directement ou indirectement les véhicules concernés pourraient être affectées.

Dans un tel scénario, les entreprises technologiques les plus solides conserveraient probablement des capacités d'absorption supérieures à celles des opérateurs spécialisés les plus endettés.

Mais la solidité individuelle de certains acteurs ne suffirait pas nécessairement à éliminer les effets de contagion.

La concentration des engagements et la similitude des modèles économiques pourraient amplifier une correction.

Il s’agit ici d’un scénario de risque, et non d’une prévision.

La BRI ne conclut pas à l’imminence d’une crise financière liée à l’intelligence artificielle.

Elle souligne même que la prédominance des financements de long terme réduit la probabilité d’une crise de liquidité comparable, dans ses mécanismes, aux paniques provoquées par une dépendance excessive au financement à court terme.

Les vulnérabilités pourraient davantage se manifester par des pertes de crédit, des dépréciations d’actifs et des ajustements prolongés des valorisations.

Pourquoi la comparaison avec les grandes bulles technologiques reste imparfaite

L’histoire économique offre plusieurs exemples de transformations industrielles accompagnées d’une expansion rapide du crédit.

Les chemins de fer ont bouleversé les économies nationales tout en provoquant des faillites et des crises financières.

Les télécommunications ont créé des infrastructures durables, mais certains investissements réalisés pendant leur phase d’expansion ont généré des rendements insuffisants.

L’éclatement de la bulle Internet n’a pas empêché la transformation numérique de l’économie mondiale.

Ces précédents illustrent une distinction fondamentale entre la valeur économique d’une technologie et la rentabilité des capitaux mobilisés pour la déployer.

Cependant, les analogies historiques doivent être utilisées avec prudence.

Les principaux hyperscalers actuels disposent d’activités diversifiées, de positions commerciales établies et de capacités importantes de génération de trésorerie.

Ils ne présentent pas nécessairement les mêmes caractéristiques financières que les entreprises spéculatives ayant dominé certains cycles technologiques antérieurs.

Par ailleurs, une partie des infrastructures construites aujourd’hui pourrait conserver une utilité économique importante même si les prévisions de rentabilité initiales étaient revues à la baisse.

Le risque n’est donc pas que l’intelligence artificielle soit dépourvue de valeur.

Il est que certains investissements aient été réalisés à des prix, avec des structures financières ou selon des hypothèses de revenus qui ne seraient pas entièrement soutenables.

Une technologie peut réussir alors que certains de ses investisseurs échouent.

Le véritable enjeu : la répartition des pertes

La question centrale posée par l’étude de la BRI est celle de l’allocation finale du risque.

Dans un financement traditionnel, le créancier identifie relativement clairement son débiteur.

Dans les structures complexes associées aux infrastructures d’IA, plusieurs entités peuvent intervenir entre l’investisseur final et l’activité économique sous-jacente.

Le véhicule détient les actifs.

L’opérateur exploite les capacités.

L’hyperscaler signe un contrat de location.

Le fournisseur de processeurs peut apporter un soutien financier.

Un fonds détient les titres de dette.

Une banque finance ce fonds.

Un assureur peut investir dans plusieurs niveaux de la structure.

La capacité du système à absorber les pertes dépend alors de la qualité des contrats, de la valeur des garanties et de la solidité financière des différentes contreparties.

Cette organisation peut répartir efficacement les risques lorsqu’ils sont correctement identifiés, valorisés et rémunérés.

Elle peut aussi les concentrer indirectement lorsque plusieurs instruments reposent sur les mêmes sources de revenus.

L’existence de garanties ne suffit pas à éliminer cette vulnérabilité.

Une garantie peut être plafonnée, conditionnelle ou dépendre de la capacité financière d’une contrepartie elle-même exposée au même cycle économique.

La multiplication des protections contractuelles ne crée donc pas nécessairement une diversification réelle.

Elle peut parfois masquer une concentration sous-jacente.

C’est précisément cette différence entre dispersion juridique et concentration économique qui mérite une attention particulière.

Vers une surveillance financière des infrastructures d’IA

Les conclusions de la BRI invitent à considérer les infrastructures d’intelligence artificielle comme un objet de surveillance macrofinancière.

Jusqu’à présent, le débat public s’est principalement concentré sur la puissance des modèles, la disponibilité des processeurs, la consommation énergétique, les capacités industrielles et les enjeux géopolitiques.

Ces dimensions restent essentielles.

Mais l’ampleur des financements mobilisés impose désormais d’examiner également la structure des engagements.

Une surveillance pertinente devrait notamment permettre de mieux identifier les expositions consolidées aux grands hyperscalers, les garanties accordées aux véhicules spécialisés, les concentrations détenues par les investisseurs institutionnels et les risques liés à la valeur résiduelle des équipements.

Elle devrait aussi distinguer les engagements fermes des obligations conditionnelles, ainsi que les financements de long terme des besoins de refinancement plus immédiats.

L’objectif ne serait pas de freiner systématiquement les investissements dans une technologie potentiellement transformatrice.

Il serait de rendre leurs risques suffisamment transparents pour que les investisseurs puissent les évaluer et que les autorités puissent détecter les concentrations excessives.

La qualité de l’information financière devient ainsi une condition de la soutenabilité du développement industriel.

Une transformation qui dépasse l’industrie technologique

L’intelligence artificielle est souvent présentée comme une révolution de la productivité.

Elle pourrait effectivement modifier profondément l’organisation du travail, les processus industriels, la recherche scientifique et la création de valeur.

Mais sa construction mobilise aujourd’hui des infrastructures physiques et des engagements financiers dont l’ampleur transforme progressivement les marchés du capital.

Ce changement ouvre une nouvelle phase.

L’économie de l’IA ne dépend plus seulement des capacités de recherche des laboratoires ou de la puissance de calcul des entreprises technologiques.

Elle dépend également de la disponibilité du crédit, de la confiance des investisseurs, des conditions de refinancement et de la capacité des infrastructures à générer des revenus durables.

Cette interdépendance peut devenir un facteur d’accélération.

En mobilisant les marchés financiers, les entreprises peuvent développer des infrastructures beaucoup plus rapidement que si elles dépendaient exclusivement de leurs bénéfices.

Mais le même mécanisme peut amplifier les déséquilibres si les anticipations économiques sont excessivement optimistes.

L’enjeu dépasse alors la valorisation des entreprises technologiques.

Il concerne la manière dont une transformation industrielle majeure modifie la circulation du capital dans l’économie mondiale.

Les gains de productivité futurs pourraient être considérables.

Ils ne seront cependant ni nécessairement immédiats ni automatiquement distribués aux investisseurs qui financent aujourd’hui les capacités de calcul.

Cette incertitude constitue le véritable cœur du risque.

Conclusion — La révolution de l’IA aura aussi ses créanciers

L’étude publiée par la Banque des règlements internationaux ne démontre pas que l’intelligence artificielle est une bulle financière.

Elle ne prévoit pas davantage une crise imminente.

Elle met en évidence une transformation plus profonde : le développement de l’IA s’appuie désormais sur un réseau croissant de dettes, de garanties et d’engagements contractuels dont les conséquences potentielles s’étendent au-delà du secteur technologique.

Le financement des infrastructures de calcul devient progressivement une composante significative des marchés obligataires et du crédit institutionnel.

Cette évolution pose une question fondamentale.

Qui bénéficiera des gains économiques de l’intelligence artificielle, et qui supportera les pertes si les infrastructures construites pour les produire ne génèrent pas les revenus attendus ?

Les deux groupes ne seront pas nécessairement les mêmes.

Les utilisateurs pourraient bénéficier de services plus performants et moins coûteux.

Les entreprises pourraient réaliser des gains de productivité.

L’économie mondiale pourrait tirer parti d’une nouvelle génération d’infrastructures numériques.

Mais certains investisseurs pourraient simultanément subir des pertes si les revenus des centres de données ne permettaient pas de rémunérer les capitaux mobilisés.

C’est toute l’ambiguïté des grandes révolutions industrielles financées par le crédit.

Elles peuvent créer une richesse collective considérable tout en détruisant une partie du capital investi pendant leur phase d’expansion.

La question décisive n’est donc pas seulement de savoir si l’intelligence artificielle transformera l’économie mondiale. Elle est de déterminer si l’architecture financière construite pour accélérer cette transformation sera capable d’en absorber les déceptions éventuelles.

Car si les promesses technologiques de l’IA appartiennent encore largement à l’avenir, une partie de ses engagements financiers appartient déjà au présent.