Barclays analyse le schéma des profits de l'IA : pour chaque 100 dollars de revenus des entreprises de modèles, 35 à 40 dollars vont aux fournisseurs de cloud, leur apportant un bénéfice d'exploitation de 10 à 20 dollars.

Auteur | Kozmon

      Édition | Dur IA

Pour chaque 100 dollars générés par une société de modèles d’IA, environ 35 à 40 dollars sont consacrés, sous forme de frais de calcul d’inférence, aux trois grandes plateformes cloud : AWS, Azure et GCP. De ce revenu, les fournisseurs de cloud dégagent 10 à 20 dollars de bénéfice d’exploitation, ce qui correspond à une marge d’exploitation de 35%-45% environ.

Il s’agit de la principale conclusion du rapport publié par Barclays le 28 août sur l’économie unitaire du secteur de l’IA.

Dans le même temps, la marge bénéficiaire sur l’inférence payante des laboratoires d’IA est passée de la dizaine de points en 2025 à plus de 50%-65% en 2026, soit une hausse annuelle de 30 à 50 points de la marge brute ajustée. Cette dynamique est stimulée par la prise en compte des clients professionnels et des workflows agentiques, devenus un « incontournable » sur le marché.

Ross Sandler, analyste chez Barclays, estime que les marges réelles sont sans doute supérieures aux estimations du rapport, mais qu’elles devraient progressivement diminuer à mesure que la concurrence s’intensifie et que l’offre de calcul s’accroît.

Un même secteur, deux visages financiers

Barclays a construit deux modèles hypothétiques de laboratoires d’avant-garde pour analyser les différences de rentabilité. « Laboratoire A » tire environ 70% de ses revenus de l’API et 30% des abonnements, « Laboratoire B » l’inverse : 80% des abonnements, 20% de l’API.

L’API génère intrinsèquement une marge bénéficiaire sur l’inférence plus élevée que l’abonnement. En ajoutant les différences de répartition des coûts de formation et de partage des revenus partenaires, la marge brute ajustée diffère de 17 points : A environ 55%, B 38%.

La méthode de reconnaissance du chiffre d’affaires accentue cette « distorsion ». Le laboratoire A comptabilise les revenus API indirects en brut, le laboratoire B en net, voire ne reconnaît pas du tout les revenus API gérés par des partenaires stratégiques. Barclays compare cela à UBER et LYFT : même cœur d’activité, mais reporting divergent de part la méthodologie comptable. Dès que les laboratoires IA publieront leurs états GAAP, les investisseurs devront isoler ces différences lors de comparaisons transversales.

Explosion de la marge sur inférence

Pour chaque ligne de produit :

La marge sur l’inférence pour les produits par abonnement (comme Claude Code, Codex) est estimée à environ 70%, la plus basse des trois lignes de produits. En cause, la volonté des laboratoires IA de subventionner le coût des tokens afin de fidéliser les clients. L’abonnement est généralement basé sur le mois et plafonne le volume d’utilisation ; la fréquence de remise à zéro du plafond augmente visiblement, probablement en lien avec la pression sur la rétention des clients et l’amélioration de l’efficacité des modèles.

L’API directe a été le premier modèle commercial des laboratoires d’IA, et reste le plus rentable. Les développeurs comme Cursor, Figma paient à la consommation de tokens. Barclays estime actuellement la marge bénéficiaire sur l’API à plus de 80%. L’amélioration de l’efficacité (moins de tokens requis pour une tâche), la hausse des prix nominaux, et l’optimisation du service (quantification, spéculateur, nouvelle génération de puissance de calcul) favorisent tous une augmentation des marges. Barclays précise que la marge sur API au T2 2026 est bien supérieure au niveau illustré dans le rapport, mais devrait revenir à la baisse ultérieurement.

Les API indirectes offrent une expérience identique aux API directes, mais la facturation s’établit entre l’utilisateur et le fournisseur cloud. Au fur et à mesure que la part des API indirectes augmente dans le chiffre d’affaires, les écarts de méthode de comptabilisation entre laboratoires rendront les rapports de plus en plus difficilement comparables.

Bénéfices des fournisseurs cloud

Pour chaque 100 dollars de revenu des laboratoires IA, le laboratoire A représente 35 dollars pour un fournisseur cloud, qui dégage 11,8 dollars de profit après frais d'infrastructure, soit une marge de 34%. Le laboratoire B, en raison d’un partage de revenus avec un partenaire stratégique (20% du revenu avec un plafond), donne au cloud 41 dollars de revenu et 19,1 dollars de profit, soit une marge de 47%.

Barclays précise que le partage augmente la marge apparente du cloud, mais sans partage, la marge nette par token est identique. Ce partage pourrait disparaître après 2028.

Les produits d’abonnement agentiques créent encore plus de valeur pour le cloud. Ces produits à runtime avec état nécessitent souvent l’utilisation de ressources logicielles supérieures comme les bases de données, offrant une valeur unitaire supérieure ; pour certains scénarios, il existe aussi un partage de revenus entre fournisseurs cloud et laboratoires IA.

D’un modèle axé sur la formation vers l’inférence

Barclays estime que les revenus globaux des laboratoires IA passeront de 7 milliards de dollars en 2024 à 137 milliards en 2026, puis à 690 milliards en 2028. À la fin de l’année (méthode ARR), on atteindrait environ 200 milliards fin 2026, et 782 milliards fin 2028.

Actuellement, les dépenses de formation représentent encore environ 48% des revenus des laboratoires IA, soit presque un dollar de dépenses cloud pour chaque dollar de revenu. Mais cette part chute rapidement : de 96% en 2024 à 35% en 2027, puis 30% en 2028. À mesure que les profits d’inférence dépassent les dépenses de formation, la profitabilité globale des laboratoires IA devrait continuer de s’améliorer.

La part des revenus des fournisseurs cloud issus de l’IA par rapport à ceux des laboratoires IA baisse aussi : de 153% en 2024 à 90% en 2026, puis 73% attendus en 2028. Barclays prévoit qu’AWS, Azure et GCP maintiendront leur part de dépenses de calcul IA sur deux ans, mais dès 2028, l’infrastructure IA sur-mesure entrera en service et sera priorisée par les laboratoires d’IA : les trois clouds majeurs pourraient alors perdre du terrain dans les domaines formation et inférence.