Conséquences de l'IA générative pour l’investissement

Principales conclusions

ClearBridge Investments estime que la demande en IA créera des opportunités de croissance pour les sociétés de la chaîne de valeur des semi-conducteurs, permettant une plus grande puissance de calcul, ainsi que pour les fournisseurs de cloud hyperscale et les éditeurs de logiciels grâce à l'amélioration des services et au développement de nouveaux produits.

L'essor de l'utilisation de l'IA générative accélère la demande en unités de traitement graphique (GPU), qui sont les éléments constitutifs du traitement parallèle à haut volume, ainsi que celle des fabricants de puces pour les centres de données, des fonderies et des fabricants d'équipements avancés.

Les sociétés à grande capitalisation qui se sont taillé la part du lion dans la croissance du cloud public sont également bien positionnées dans l'IA générative, car elles possèdent à la fois les modèles de langage fondamentaux et la puissance de calcul brute nécessaire pour appliquer l'IA générative à grande échelle.

La capacité à intégrer l'IA dans un large éventail d'applications existantes et dans toutes les couches de la pile logicielle devrait permettre d'accroître le marché total potentiel du secteur, à mesure que les logiciels automatiseront un plus grand nombre de tâches manuelles.

Les grands modèles de langage révèlent un point d'inflexion dans le développement de l'IA

Le World Wide Web a été mis à la disposition du public quatre ans après sa création et plus de 20 ans après les premiers pas des communications en réseau. L'intelligence artificielle (IA) connaît un point d'inflexion similaire avec le déploiement de l'IA générative. L'IA est utilisée à des fins commerciales depuis plus d'une décennie, mais les progrès constants réalisés dans le domaine du traitement du langage naturel et de la puissance de calcul au cours des quatre ou cinq dernières années ont permis de développer des fonctionnalités de plus en plus complexes. Que ce soit dans le domaine des dispositifs de reconnaissance vocale tels que Siri et Alexa ou dans celui de la conduite autonome, l'IA a ouvert un nouveau cycle d'innovation rapide.

Au-delà de l'enthousiasme et des appels à la prudence qu'ont suscités ChatGPT et d'autres grands modèles de langage similaires, nous pensons que l'IA entre dans une période d'adoption et d'application à grande échelle qui améliorera l'efficacité des entreprises et élargira les marchés finaux existants. Comme pour toute innovation émergente, la balle du développement de l'IA est toujours en mouvement, laissant apparaître en permanence de nouvelles opportunités et des risques concurrentiels.

Du point de vue des investissements, nous estimons que la demande en IA créera des opportunités de croissance à court et moyen terme pour les sociétés de la chaîne de valeur des semi-conducteurs, permettant une plus grande puissance de calcul, ainsi que pour les fournisseurs de cloud hyperscale et les éditeurs de logiciels grâce à l'amélioration des services et au développement de nouveaux produits. L'IA générative pourrait créer de nouveaux risques concurrentiels dans certains domaines d'utilisation de l'internet et obliger les opérateurs historiques à accroître leurs investissements pour rattraper leurs pairs. L'avantage conféré aux pionniers pourrait faire la différence dans certains domaines, mais d'autres pourraient disparaître sous l'effet de la concurrence. La façon dont les LLM se développent, par exemple, et la potentielle menace que constitue l'open source pour la concurrence, pourraient avoir d'importantes implications commerciales à long terme pour les premiers hyperscalers à se lancer sur le marché.

L'IA générative génère une explosion de la demande de GPU

L'IA fait référence au développement de la puissance de calcul et des technologies connexes, telles que les robots, pour imiter et même dépasser les capacités humaines. Les ordinateurs acquièrent ces capacités en s'entraînant sur d'énormes quantités de données, ce qui suppose une puissance de traitement considérable. L'IA générative fait référence à la capacité des modèles de traitement du langage naturel à générer des réponses textuelles et graphiques à partir de requêtes.

La meilleure façon pour les serveurs d'analyser les données est de disposer d'un nombre important de cœurs (ou unités de traitement) intégrés dans un GPU, une puce spéciale capable de réaliser efficacement et en parallèle un grand nombre de calculs de faible précision. Les gigantesques calculs parallèles nécessaires à la formation des LLM entraînent un transfert massif des processeurs sériels, également connus sous le nom d'unités centrales de traitement (CPU), vers les GPU (Illustration 1). Les GPU sont la clé de l'IA, et la montée en puissance de l'intérêt et de l'utilisation de l'IA générative entraîne une accélération de la demande pour ces blocs de construction. ChatGPT a provoqué un tournant dans l'adoption de l'IA, diverses industries exploitant les algorithmes d'IA et l'apprentissage automatique pour améliorer la productivité et la génération de revenus.

Au sein des centres de données, qui abritent plusieurs types de serveurs répondant à différents besoins informatiques, la pénétration croissante de l'IA engendre une accélération des livraisons de serveurs d'IA. L'adoption de l'IA dans les centres de données devrait augmenter considérablement, passant de moins de 10 % aujourd'hui à environ un tiers des serveurs de centres de données contenant des semi-conducteurs liés à l'IA à moyen terme.

Le fournisseur dominant de GPU, dont la part du marché des semi-conducteurs d'entraînement à l'IA est estimée entre 95 % et 100 %, devrait conserver son leadership sur le marché à mesure que la demande d'IA générative augmente grâce à sa plateforme informatique complète, aux performances élevées de ses GPU et à son avantage en termes de coût de calcul par rapport aux puces concurrentes, ainsi qu'à sa longueur d'avance en matière de logiciels, tels que les bibliothèques spécifiques à l'industrie et les modèles pré-entraînés destinés à faciliter l'adoption par les entreprises. Un autre concepteur de semi-conducteurs est loin derrière sur le marché des serveurs de centres de données, tandis que les fournisseurs de solutions cloud développent également des puces en interne. Plusieurs sociétés privées spécialisées dans les technologies informatiques améliorées pourraient également se disputer la clientèle des entreprises, mais elles ne disposent pas actuellement d'un écosystème complet indispensable au déploiement d'une infrastructure d'IA efficace et au développement de cas d'utilisation de niche.

Les tendances de la demande accrue profitent également aux fabricants de semi-conducteurs qui fournissent aux hyperscalers du cloud d'autres produits en lien avec le déploiement de l'infrastructure de l'IA. Il s'agit notamment de puces personnalisées et de solutions de mise en réseau, de fonderies de semi-conducteurs et de fabricants d'équipements de semi-conducteurs qui sont essentiels à la production des puces de pointe nécessaires à l'IA.

L'adoption du cloud va s'accélérer avec l'utilisation de l'IA

Bien avant le récent déploiement de ChatGPT et des LLM avancés, les charges de travail informatiques migraient rapidement vers le cloud, faisant des grands hyperscalers les principaux fournisseurs d'infrastructures technologiques complexes pour les entreprises. L'échelle est importante dans le cloud public, ce qui a conduit un petit groupe d'entreprises à s'accaparer la plus grosse part de la croissance dans ce domaine. Ces sociétés sont également parfaitement bien positionnées à l'ère de l'IA générative, car elles possèdent à la fois les modèles de langage fondamentaux et la puissance de calcul brute nécessaire pour appliquer l'IA générative à grande échelle. De ce fait, la couche d'infrastructure qui sous-tend le développement de l'IA générative devrait se transformer en oligopole au fil du temps.

Alors que le rythme d'adoption du cloud se normalise après l'explosion qui a suivi la pandémie, nous pensons que l'IA générative va déclencher la prochaine étape de sa croissance. Le cloud public offre à la fois la rapidité et la flexibilité nécessaires pour appliquer l'IA aux problématiques de l'entreprise. Les premiers utilisateurs peuvent créer des applications basées sur l'IA en quelques semaines en utilisant l'API et la couche d'infrastructure en tant que service (IaaS) des hyperscalers, contre plusieurs mois ou années s'ils partent de zéro en utilisant l'infrastructure sur site. La personnalisation des LLM nécessite de grandes quantités de données qui sont souvent hébergées dans le cloud, ce qui élargit le champ d'action des fournisseurs de cloud à grande échelle et de l'écosystème qui les sous-tend, y compris les startups et les sociétés de services.

Les hyperscalers pourraient toutefois être confrontés à la concurrence croissante des LLM open-source. Certains acteurs du secteur du cloud computing estiment que l'open source pourrait finalement faire des LLM un produit de base, de nombreuses entreprises étant en mesure de fournir des LLM relativement indifférenciés à un faible coût. Mais les utilisateurs de modèles open-source doivent réfléchir à la question de savoir « à qui appartiennent les données » qui alimentent les modèles. Bien que le développement des LLM n'en soit qu'à ses débuts, il nous semble que les questions de sécurité et d'utilisation de données propriétaires représentent un risque important pour les fournisseurs/technologies open-source, qui devraient privilégier les clouds publics disposant déjà de protections adéquates. Alors que certains clients expérimenteront probablement les LLM open-source, il est peu probable que beaucoup de grandes entreprises soient disposées à encourir les risques associés à ce modèle.

Au-delà des services de cloud computing, l'IA est susceptible de remodeler des secteurs d'activité représentant des millions de milliards de dollars, tels que la publicité en ligne. En ce qui concerne la recherche sur le web, les chatbots comme ChatGPT peuvent réduire considérablement le temps nécessaire pour répondre à des questions complexes par rapport à un moteur de recherche traditionnel (par exemple : « Quel est le meilleur canyon du Colorado pour faire de la randonnée avec un chien ? »). Cela pourrait avoir un impact négatif sur la monétisation des recherches pour les opérateurs historiques, tout au moins à court terme, comme ce fut le cas lors du passage de l'ordinateur de bureau à l'ordinateur portable au début des années 2010. L'investissement supplémentaire nécessaire pour mettre en œuvre l'IA générative à grande échelle pourrait également entraîner une augmentation des dépenses d'investissement pour les principales plateformes de publicité en ligne, ce qui pèserait sur les flux de trésorerie en raison de la pression exercée sur les marges.

Une fois les difficultés de croissance surmontées, les outils d'IA devraient être profitables à la fois aux plateformes et aux annonceurs en permettant un meilleur ciblage des publicités. L'IA générative peut être utilisée pour générer automatiquement des contenus publicitaires adaptés aux différents utilisateurs des moteurs de recherche et de YouTube. Les plateformes publicitaires en ligne qui ont dû repenser la personnalisation en raison des réglementations relatives à l'identifiant publicitaire (IDFA) devraient retrouver certaines de ces capacités de ciblage grâce aux fonctionnalités de l'IA générative. Par exemple, Instagram pourrait utiliser ces outils pour générer des publicités vidéo à partir des images statiques d'une marque, ce qui permettrait d'augmenter les taux de conversion. Les chatbots intégrés à WhatsApp peuvent aider les petites entreprises à communiquer avec un plus grand nombre de leurs clients en temps réel. Nous suivons de près l'évolution de l'utilisation de l'internet par les consommateurs afin de comprendre les effets de ces facteurs positifs et négatifs sur les entreprises de l'internet de toutes tailles à mesure qu'elles intègrent l'IA générative.

Un autre élément clé à surveiller en ce qui concerne les LLM est la couche applicative, qui impliquera le développement de logiciels verticaux spécifiques à l'entreprise. Si les plus grands modèles sont capables de fournir des connaissances généralisées tirées de vastes ensembles de données, les modèles entraînés sur des données spécifiques à un domaine auront un avantage sur les modèles plus grands et moins ciblés dans la plupart des applications d'entreprise. Cela nécessitera de pouvoir accéder à des données propriétaires de première partie ainsi qu'à l'utilisation réelle par des millions d'utilisateurs finaux afin d'affiner la qualité d'un LLM grâce à un retour d'information humain. Un bon exemple est celui d'un moteur de recherche conversationnel alimenté par une IA générative dont les utilisateurs contribuent implicitement à améliorer le modèle au fil du temps par leurs clics, leurs niveaux d'engagement et leurs questions ultérieures. Comme les LLM vont eux-mêmes devenir des produits de base au fil du temps, nous pensons que les entreprises qui devanceront leurs pairs en tirant parti de l'IA générative bénéficieront également de compétences supérieures en matière de conception et d'expérience utilisateur. C'est là un des aspects clés à prendre en compte lors de l'évaluation de l'impact de l'IA sur les fournisseurs de logiciels et de services.

L'IA générative, moteur de la prochaine vague d'innovation logicielle

Quelques grands éditeurs de logiciels commercialisent déjà des versions de leurs logiciels améliorées par l'IA, ce qui donne un aperçu des conditions requises pour une intégration réussie de l'IA dans les logiciels : disposer de données de qualité, d'une expertise dans le domaine et de la capacité d'appliquer les LLM pour répondre aux besoins spécifiques des clients. La capacité à intégrer l'IA dans un large éventail d'applications existantes et dans toutes les couches de la pile logicielle devrait permettre d'accroître le marché total potentiel du secteur, à mesure que les logiciels automatiseront un plus grand nombre de tâches manuelles. Le développement de code ainsi que la gestion des données et l'analyse en particulier semblent bien placés pour bénéficier d'améliorations significatives grâce à l'intégration de l'IA. Les éditeurs de logiciels qui interviennent dans des domaines où les barrières à l'entrée sont élevées devraient également être en mesure d'imposer leurs prix pour permettre à leurs clients d'accroître leur productivité. 

Les éditeurs de logiciels en tant que service (SaaS) ont rapidement adopté l'IA pour tirer parti des opportunités afin de demeurer compétitifs, ce qui a déclenché un cycle d'innovation rapide dans les applications d'IA générative. Si une diminution du nombre d'utilisateurs (ou de « sièges ») par entreprise cliente demeure un risque dans certains cas, nous considérons que ce risque est largement compensé par la hausse progressive des prix des offres basées sur l'IA. En outre, les sociétés SaaS disposant de grandes quantités de données clients et confrontées à d'importantes barrières réglementaires à l'entrée, telles que les applications de ressources humaines et financières, sont les mieux placées pour conserver leur avantage concurrentiel lorsque l'IA automatisera un plus grand nombre de fonctions. Nous sommes convaincus que le risque de désintermédiation logicielle sera, en revanche, le plus important dans les sociétés qui reposent sur des processus manuels, centrées sur les consommateurs et le contenu, et caractérisées par de faibles barrières à l'entrée et de faibles taux de fidélisation de la clientèle.

Les sociétés de services joueront un rôle important en guidant les clients lors de l'intégration initiale de l'IA, un exercice qui pourrait prendre de trois à cinq ans. Ce que l'on ne sait pas encore, c'est dans quelle mesure l'automatisation de l'IA prendra le relais à l'avenir, ce qui pourrait réduire le besoin de services réguliers et de conseils en informatique. 

Quelle sera la prochaine étape ?

Compte tenu de l'adoption précoce de l'IA générative par les entreprises informatiques et les marchés grand public, son intégration dans l'économie mondiale n'en est encore qu'à ses balbutiements. En termes de modèle d'entreprise et d'investissement, nous pensons que certains points clés sont à surveiller au fur et à mesure que l'IA générative se généralise : la courbe des coûts de mise en œuvre, le comportement des consommateurs sur Internet avec la recherche basée sur l'IA, et les mesures prises par les autorités de réglementation et les éditeurs pour contrôler et vraisemblablement limiter les données propriétaires disponibles pour entraîner les LLM. Outre les impacts verticaux propres aux entreprises et aux industries, l'IA générative aura des impacts plus larges à mesure que les cas d'utilisation s'étendront à d'autres pans de l'économie. Dans un prochain rapport, nous examinerons de plus près les impacts macroéconomiques de l'IA générative et la manière dont elle pourrait affecter la productivité à long terme et l'évolution de l'inflation.