Il y a 40 ans, le 22 octobre 1978, Deng Xiaoping a visité le Japon pour la première fois. Du trajet de 370 km de Tokyo à Kyoto, il a pris le premier train à grande vitesse du monde, le Shinkansen « Hikari » japonais. Lorsqu'on lui a demandé ce qu'il en pensait, il a dit : « J'ai le sentiment que cela nous incite à courir, donc maintenant, nous devons prendre un tel train. »
L'IA nous incite également à courir.
Au cours des deux dernières années, NVIDIA est passé de 60 milliards de dollars de revenus à 216 milliards de dollars, et son cours a été multiplié par dix. La vague d'investissement autour de l'IA a balayé le monde — modules optiques, centres de données, refroidissement, robots, applications d'IA, vague après vague. Chaque jour, de nouvelles histoires de gains font surface, et chaque jour, des gens regrettent de ne pas avoir investi plus tôt.
Mais même si l'IA nous incite à courir, il faut d'abord voir clairement le chemin avant de se lancer.
L'IA est la plus longue piste que notre génération puisse rencontrer. Internet a mis dix ans de 1995 à l'introduction en bourse de Google, et encore huit ans jusqu'à celle de Facebook. En chemin, il y a eu l'éclatement de la bulle en 2000, le NASDAQ perdant 78%. L'IA suivra probablement un chemin similaire — nous sommes peut-être actuellement en 1998 ou 1999, et les plus grandes opportunités apparaîtront probablement après l'éclatement de la future bulle, ou se cacheront dans un coin que personne ne remarque aujourd'hui.
Actuellement, les capacités des modèles progressent à une vitesse fulgurante, les capitaux affluent frénétiquement, et les valorisations sont poussées à des hauteurs inquiétantes. Dans cet environnement, il y a deux types de personnes :
Les premiers se précipitent pour acheter maintenant — en pariant sur le bon timing. Ils pourraient gagner, mais il est plus probable qu'ils achètent à mi-pente et soient éjectés par un repli.
Les seconds attendent l'effondrement — mais le problème est : quand le crash arrivera vraiment, aurez-vous le courage d'acheter ? Saurez-vous quoi acheter ? Si vous ne connaissez rien à ce secteur, la panique ne fera qu'augmenter votre propre panique.
Je choisis une troisième voie : ne pas se précipiter pour acheter des actions maintenant, mais d'abord constituer un « stock » — un « stock de connaissances ».
Parce que, peu importe comment l'IA évolue, pour ne pas rater les vraies opportunités quand elles se présenteront, nous devons d'abord devenir des experts ayant une vision globale et claire de l'ensemble du secteur. La prétendue « intuition meurtrière » ne provient que d'une « compréhension profonde et structurée ».
À partir d'aujourd'hui, je vais commencer à faire quelque chose de lent et laborieux : étudier l'industrie de l'IA depuis une perspective globale, la comprendre morceau par morceau, clarifier la chaîne de valeur de l'IA de A à Z. Qui gagne de l'argent, d'où vient l'argent, où va-t-il, qui est irremplaçable, qui se contente des restes.
Ainsi, le jour où le marché nous offrira une opportunité — qu'il s'agisse d'un krach, d'un repli ou d'un coin négligé — je pourrai juger en quelques secondes : « Ce prix vaut-il la peine d'être saisi ? »
De plus, je ferai cela avec deux particularités :
Premièrement, j'ai de solides bases en investissement. J'ai une riche expérience et une vitesse d'évolution très rapide dans l'investissement. Mes fans de longue date connaissent très bien mon taux de rendement sur les trois dernières années, peu de gens atteignent mon niveau. Bien sûr, le plus crucial n'est pas le taux de rendement, qui peut comporter une part de chance, mais ce que la plupart reconnaîtront, c'est ma vitesse d'évolution — je pense qu'à l'ère de l'IA, ce n'est pas une question de qui est le plus fort, mais de qui évolue le plus vite.
Le passé, inutile de s'y attarder. L'avenir commence maintenant, « nous verrons bien ».
Deuxièmement, je me concentre sur une chose : comment cette chose génère-t-elle de l'argent ? Ma vitesse d'évolution élevée ces dernières années est principalement due à ma focalisation : je ne m'intéresse qu'aux opportunités de richesse derrière les phénomènes. La plupart des articles que l'on voit actuellement vous apprennent à utiliser de nouvelles compétences, de nouveaux outils GitHub, en poursuivant chaque jour les tendances et les nouveautés. Ces choses sont importantes, mais du point de vue d'un investisseur, je m'intéresse davantage aux opportunités de richesse sous-jacentes.
Lorsque l'iPhone 4 est sorti, étiez-vous comme les autres à vous émerveiller devant son design et ses performances, ou avez-vous étudié les opportunités d'investissement derrière ?
Cet article est le premier d'une série de recherches, et a pour objectif principal : éclairer la carte. Si comparer l'étude systématique de toute la chaîne de valeur de l'IA à jouer à un vaste jeu en monde ouvert — la première étape n'est pas de foncer combattre le boss, mais d'abord d'éclairer la carte : quelles sont les grandes zones, quels sont les nœuds clés, quelle est la mission principale, quelles sont les missions secondaires. Une fois la carte claire, quelle que soit la situation rencontrée par la suite, on pourra prendre une décision en quelques secondes.
Chapitre 1 : Pourquoi adopter une perspective globale sur l'IA ?
NVIDIA multiplié par dix en deux ans, c'est l'histoire la plus brillante de l'investissement en IA. Mais si vous ne voyez que NVIDIA, c'est comme ne voir qu'un seul arbre — vous manquez la structure de toute la forêt à ses pieds.
À chaque vague technologique majeure, l'argent se diffuse couche par couche le long de la chaîne de valeur. Cela s'est vérifié à plusieurs reprises dans l'histoire :
À l'ère d'Internet, la première vague d'argent a afflué vers Cisco (équipements réseau), la deuxième vers Google, Amazon (plateformes), la troisième vers Facebook, Netflix (applications). À l'ère du mobile, la première vague était pour Qualcomm (puces), la deuxième pour Apple (terminaux), la troisième pour WeChat, TikTok (super-applications).
L'IA ne fait pas exception. On peut voir une chaîne de diffusion approximative :
Premier cercle (2023-2024, déjà pleinement valorisé) : GPU — NVIDIA Deuxième cercle (2024-2025, en cours de valorisation) : interconnexion optique, alimentation — LITE a été multiplié par 16, Vertiv par 10 Troisième cercle (2025-2026, pas encore pleinement valorisé) : refroidissement, stockage, fonderie spécialisée Quatrième cercle (2026+, en attente de catalyseur) : applications d'IA, infrastructures énergétiques, robotique Pour l'investisseur, la clé est de comprendre : Plus on se trouve dans les infrastructures de base, moins il y a de joueurs, plus la substituabilité est faible, plus le pouvoir de fixation des prix est fort.
Les entreprises d'application IA de la 4ème couche peuvent être des milliers en concurrence. C'est pourquoi NVIDIA gagne 216 milliards de dollars par an, tandis que la plupart des entreprises d'application IA sont encore en perte.
Mais cela signifie aussi que dans les deuxième, troisième et même quatrième cercles des couches d'infrastructure — parmi les entreprises qui ne portent pas encore l'étiquette « concept IA » du marché — peuvent se cacher de nombreuses opportunités. Commençons par comprendre quels sont les acteurs, ce qu'ils font et combien ils valent.
Comprendre cela a du sens car : Lorsque le marché connaîtra à l'avenir des replis, de la panique ou de la divergence, nous saurons où regarder.
Les quatre cercles de diffusion décrits ci-dessus décrivent l'ordre de transmission des sentiments du marché et des capitaux — ce que l'argent poursuit d'abord, ensuite. Mais pour vraiment comprendre la logique commerciale de chaque maillon, il faut un autre schéma : la structure hiérarchique de la chaîne de valeur. Nous allons maintenant décomposer couche par couche, de la base vers le sommet.
Je divise l'ensemble de la chaîne de valeur de l'IA en 4 couches structurelles, 4 cartes de missions principales.
Chapitre 2 : Quatre couches structurelles, quatre cartes de missions principales
Les quatre cartes sont : Les infrastructures de calcul, la couche modèle, les intergiciels, la couche application, plus une contrainte ultime : L'énergie électrique.
Première couche : Les infrastructures de calcul — Le « moteur » de l'IA
Cette couche est la base physique de toute la chaîne de valeur. Tout l'argent — quelle que soit la couche d'où il provient — finira par s'y déposer.
(1) Conception des puces : Le seigneur de la guerre
NVIDIA est le maître incontesté. Exercice fiscal 2026 (clôturé en janvier 2026) : revenus totaux de 216 milliards de dollars, le datacenter contribuant pour 193,7 milliards — il y a à peine deux ans, c'était moins de 50 milliards. Une telle croissance est sans précédent dans l'histoire des semi-conducteurs.
Que signifient ces chiffres ? Un exemple concret : entraîner un modèle de pointe coûte plusieurs centaines de millions de dollars rien qu'en GPU. Et l'entraînement n'est qu'une fois, une fois le modèle déployé, il doit traiter des centaines de millions de requêtes utilisateurs par jour, chacune consommant de la puissance de calcul — c'est le coût d'« inférence ». Le coût d'inférence sur la durée de vie d'un modèle peut être dix fois supérieur à son coût d'entraînement. Cela signifie que tant que l'IA est utilisée, NVIDIA continue de prélever un « impôt ».
L'avantage concurrentiel de NVIDIA n'est pas seulement matériel. Sa véritable barrière est CUDA — un écosystème logiciel de plus de 5 millions de développeurs. Comme iOS pour Apple, CUDA rend difficile le départ une fois qu'on y est entré. AMD (MI300X) et Intel (Gaudi) rattrapent, mais l'écart d'écosystème est d'au moins plusieurs années.
L'autre voie est celle des puces IA sur mesure. Broadcom fournit des conceptions sur mesure pour le TPU de Google, le Trainium d'Amazon, etc. La logique est simple : les géants technologiques ne veulent pas être éternellement « étranglés » par une seule entreprise. Mais pour l'instant au moins, les puces maison sont un complément, pas un substitut.
Question centrale : Combien de temps le monopole de NVIDIA durera-t-il ? Duan Yongping a dit qu'il ne comprenait pas non plus — « NVIDIA existera sûrement encore dans 10 ans, mais sera-t-il toujours leader du marché ? » C'est une question qui vaille plusieurs milliers de milliards de dollars. Et derrière cela, la fabrication de puces implique toute une chaîne de valeur, qui a déjà fait décoller beaucoup d'entreprises, je vais m'y intéresser de plus près.
(2) Fabrication, assemblage et stockage des puces : L'usine d'armement
Les puces conçues doivent être fabriquées. TSMC détient pratiquement le monopole de la fabrication des puces IA les plus avancées au monde. Les puces cœur de NVIDIA, AMD, Broadcom, Apple sont toutes fabriquées par TSMC. Dans la course au 3 nm, 2 nm, Samsung et le service de fonderie d'Intel sont loin derrière.
Un goulot d'étranglement plus critique est la mémoire à large bande passante (HBM). La puissance de calcul des puces IA est inutile si les données ne peuvent pas y être « nourries » assez vite. SK Hynix domine largement le domaine du HBM, le HBM3E étant presque le fournisseur exclusif de NVIDIA. Samsung et Micron rattrapent, mais l'écart de rendement est significatif.
L'assemblage avancé (CoWoS) est un autre point de goulot d'étranglement en capacité — la pénurie dure depuis plus d'un an.
Question centrale : La capacité de TSMC et SK Hynix, c'est le pouvoir. Qui contrôle la capacité, contrôle le rythme de la course aux armements de l'IA.
(3) Interconnexion optique et réseaux : Le système nerveux
Les clusters d'entraînement IA passent de milliers à des centaines de milliers de GPU. Comment communiquent-ils à haute vitesse entre eux ? Les câbles en cuivre traditionnels atteignent leurs limites physiques au-delà de 800 Gbps — atténuation du signal, consommation d'énergie explosive, dissipation thermique incontrôlable. L'interconnexion optique est la seule issue. Ce n'est pas un problème d'optimisation technique, c'est une contrainte physique dictée par les lois fondamentales de l'électromagnétisme.
Acteurs clés : Lumentum (LITE, leader des lasers InP, titre multiplié par 16), Coherent (COHR, intégration verticale optique), Tower Semiconductor (TSEM, fonderie en photonique sur silicium, j'ai déjà écrit un rapport approfondi), Arista Networks (ANET, commutateurs pour datacenters IA), Astera Labs (ALAB, puces de connexion).
Question centrale : L'interconnexion optique est une opportunité du deuxième cercle — le marché commence à la valoriser, mais peut-être pas encore complètement. La clé est de distinguer quelles entreprises ont encore de la marge, et lesquelles ont déjà intégré cette valorisation (price in), plusieurs de mes rapports récents y sont liés.
(4) Refroidissement et alimentation électrique : Les égouts de la ville
La dernière armoire GB200 de NVIDIA consomme jusqu'à 120 kilowatts. Des dizaines de milliers de cartes ensemble génèrent une chaleur énorme. Le refroidissement liquide passe de « optionnel » à « obligatoire ». La technologie de refroidissement par immersion biphasique de Microsoft a déjà réduit la consommation énergétique de refroidissement des serveurs Azure de 95%. Vertiv (VRT) est le leader dans ce domaine, nVent (NVT), Modine (MOD) connaissent également une croissance rapide.
Question centrale : Pas sexy, mais indispensable. Typique du troisième cercle — la plupart des gens ne le voient pas, mais sans cela, les datacenters IA ne tournent pas. J'aurai bientôt des rapports sur ce sujet.
(5) Serveurs et centres de données
Dell, Supermicro intègrent les puces, la mémoire, le réseau, le refroidissement en serveurs IA. Equinix, Digital Realty fournissent les salles physiques. CoreWeave (introduction en bourse prévue en 2025) est le représentant du cloud purement GPU.
(6) Plateformes de cloud computing : Les grossistes en puissance de calcul
AWS, Azure, GCP sont les « grossistes » de la puissance de calcul — les trois clouds représentent environ 65% de part de marché mondiale. Oracle, avec la croissance de son cloud IA, est devenu un gagnant inattendu.
Deuxième couche : Les modèles et outils — Le « système d'exploitation » de l'IA
C'est la couche la plus suivie, à la croissance la plus stupéfiante, mais au paysage le plus incertain.
Cinq grands se disputent : OpenAI (GPT), Anthropic (Claude), Google (Gemini), Meta (Llama open source), xAI (Grok). La croissance des revenus de cette couche est renversante — le chiffre d'affaires annualisé (ARR) d'Anthropic est passé de 1 milliard de dollars fin 2024 à 9 milliards fin 2025, et a dépassé les 30 milliards en avril 2026.
Salesforce a mis 20 ans pour atteindre 30 milliards de revenus annuels, Anthropic a mis moins de 3 ans. OpenAI a actuellement un ARR d'environ 24 milliards de dollars, les deux combinés dépassent 50 milliards. Les entreprises de modèles ne sont plus une « histoire de dépenses », mais une affaire générant de l'argent réel.
Mais derrière cette explosion des revenus, un changement structurel en cours mérite d'être noté : Le centre de gravité de la puissance de calcul IA passe de l'« entraînement » à l'« inférence ».
Ces deux dernières années, la consommation principale de calcul IA était l'entraînement des grands modèles — ingurgiter des masses de données pour que le modèle apprenne à comprendre le monde. Mais une fois le modèle entraîné, la suite est l'« inférence » — c'est-à-dire faire répondre le modèle aux questions, exécuter des tâches.
Une étude de Deloitte montre que la consommation de calcul pour l'inférence a dépassé celle de l'entraînement fin 2025, représentant plus de 55% des dépenses en infrastructures cloud IA. Certains soulignent même que « 80% de la puissance de calcul était consacrée à l'entraînement, 20% à l'inférence ; à l'avenir, cette proportion s'inversera. »
Qu'est-ce que cela signifie ? Le marché de l'inférence pourrait être bien plus grand que celui de l'entraînement (estimé à 2550 milliards de dollars d'ici 2030), et les besoins en puces pour l'inférence diffèrent de ceux de l'entraînement — plus axés sur le rapport coût-efficacité et la faible latence que sur la puissance de calcul maximale absolue. Cela pourrait être une brèche pour contester le monopole de NVIDIA : AMD, Marvell (qui vient de recevoir 2 milliards d'investissement de NVIDIA), ainsi que les diverses puces maison visent toutes le marché de l'inférence.
La question la plus importante à se poser dans cette couche est : Les modèles d'IA formeront-ils un oligopole, ou seront-ils « commoditisés » ?
Le Llama de Meta est gratuit et open source, DeepSeek a créé un modèle compétitif à un coût extrêmement bas. Le forfait API de GLM-5 est actuellement en rupture de stock, l'open source abaisse le seuil d'entrée de la couche modèle. Mais la « commoditisation » n'est pas si simple non plus — les écarts de capacité entre les modèles se réduisent, mais ne disparaissent pas.
Surtout dans les scénarios d'utilisation profonde, les différences d'expérience entre modèles restent significatives, et l'intégration d'API par les entreprises, la personnalisation des flux de travail, l'accumulation de données créent des coûts de changement. Le paysage final pourrait n'être ni « le gagnant rafle tout », ni « totalement commoditisé », mais quelque chose entre les deux — quelques modèles occupant le marché principal, mais avec une concurrence différenciée entre eux.
Si les profits de la couche modèle sont comprimés par l'open source, la vraie valeur se déplacera vers les couches supérieures et inférieures. Vers la couche supérieure (infrastructure), car tout le monde doit exécuter des modèles, la demande de puissance de calcul ne diminue pas, elle augmente. Vers la couche inférieure (application), car le coût d'appel diminue, les applications IA deviennent plus rentables. Ce processus de redistribution des profits pourrait être l'une des variables les plus importantes de la chaîne de valeur de l'IA au cours des prochaines années.
Troisième couche : Les intergiciels et plateformes — La couche colle
La couche intermédiaire reliant les modèles et les applications. Entreprises représentatives : Scale AI (annotation de données et évaluation IA, valorisation 13,8 milliards de dollars), LangChain (framework de développement d'applications LLM), Hugging Face (plateforme de partage de modèles, le GitHub de l'IA).
La plupart des entreprises de cette couche ne sont pas encore cotées en bourse, et sont de petite taille. Mais si la couche application de l'IA explose, ces entreprises « colle » pourraient connaître une croissance explosive — comme Shopify et Stripe lors de l'essor du e-commerce. À suivre de près.
Quatrième couche : Les applications verticales — L'entrée d'argent
C'est là que l'IA crée de la valeur directement pour l'utilisateur final. Plusieurs directions :
Plateformes IA d'entreprise : Palantir vend un système d'exploitation IA aux gouvernements et entreprises. ServiceNow, Salesforce greffent de l'IA sur leur SaaS traditionnel.
Outils de code : GitHub Copilot est le standard de fait, Cursor le défie. La logique est claire — si l'IA peut doubler la productivité des programmeurs, chaque entreprise paiera.
IA médicale : Isomorphic Labs (filiale d'Alphabet, héritage d'AlphaFold) est peut-être le titre le plus intéressant à long terme, pourrait entrer en bourse en 2027.
Robotique et intelligence incarnée : La direction au potentiel de marché total (TAM) le plus grand à long terme. Tesla Optimus, Figure AI, Unitree. Mais très précoce actuellement.
Conduite autonome : Waymo est le plus avancé commercialement, Tesla FSD rattrape avec son approche visuelle.
La couche application est celle où fleurissent mille possibilités, et où il est le plus difficile de choisir les gagnants. Mais une tendance notable : d'ici 2026, la taille du marché mondial des applications IA devrait pour la première fois dépasser celle du marché des infrastructures en amont — l'argent passe de « construire la ville » à « ouvrir des commerces ». Parallèlement, les Agents IA (agents autonomes) deviennent la nouvelle forme d'application d'entreprise. On estime que d'ici fin 2026, plus de 40% des applications d'entreprise intégreront des fonctions d'Agent IA, contre moins de 5% en 2025.
Dimension transversale : L'énergie — La contrainte ultime de l'IA
Toutes les couches se heurtent à une question : D'où vient l'électricité ?
La consommation électrique des datacenters IA croît de façon exponentielle. Microsoft a des commandes Azure de 80 milliards de dollars qu'il ne peut honorer par manque d'électricité. Cela suscite une vague d'investissements dans l'énergie : Constellation Energy (nucléaire), NuScale et Oklo (petits réacteurs modulaires), GE Vernova (turbines à gaz).
L'IA continuera de s'étendre, les infrastructures énergétiques sont un segment dérivé à très haute certitude.
Chapitre 4 : Quatre questions au-delà du consensus
Après avoir dessiné la carte, la valeur ne réside pas dans la confirmation du consensus, mais dans l'identification de ce que le marché pourrait négliger. Actuellement, je me concentre sur 4 questions, mes recherches futures commenceront davantage par ces angles.
Question 1 : La transition de l'entraînement à l'inférence changera-t-elle le destin de qui ?
Ces deux dernières années, la demande principale en calcul IA était l'entraînement. Mais maintenant l'inférence (faire travailler le modèle) a dépassé l'entraînement comme marché plus important. L'inférence a des exigences en puces différentes de l'entraînement — plus axées sur le rapport qualité-prix que sur la puissance extrême.
Cela pourrait ouvrir une fenêtre : le monopole de NVIDIA sur le marché de l'entraînement est quasi inébranlable, mais le marché de l'inférence est plus fragmenté, AMD, Marvell, Broadcom et les diverses puces maison ont toutes leur chance. Parallèlement, la nature de « consommation continue » de l'inférence signifie que la demande de calcul n'est pas ponctuelle, mais croît avec la diffusion des applications IA — une bonne nouvelle pour toute la chaîne d'approvisionnement.
Question 2 : Où est le retour sur les 600 milliards de dollars d'investissements ?
En 2026, les dépenses d'investissement (capex) des cinq géants technologiques dépasseront 600 milliards de dollars, mais les revenus générés par les applications IA ne représentent qu'une fraction de ce chiffre. Historiquement, un tel écart entre investissements et rendements ne s'est produit qu'une fois — les infrastructures télécoms à la fin des années 1990. L'issue fut la faillite de nombreuses sociétés de fibre optique.
Bien sûr, la différence clé est : à l'époque, les télécoms s'endettaient, aujourd'hui les géants tech utilisent leurs propres bénéfices, avec des ratios d'endettement historiquement bas. Mais si la monétisation des applications IA ne suit pas la cadence, la croissance des dépenses d'investissement ralentira inévitablement — et cela se répercutera sur toute la chaîne d'approvisionnement. Quelles entreprises cela risque-t-il ?
Question 3 : À quoi ressemble la carte des deuxième et troisième cercles ?
NVIDIA est le premier cercle, déjà pleinement étudié et valorisé. L'interconnexion optique et l'alimentation sont le deuxième cercle, en cours de revalorisation par le marché. Et le troisième cercle alors ? Le refroidissement, la fonderie spécialisée, la sécurité IA, les puces d'inférence en périphérie — quelles entreprises dans ces maillons ? Quel est leur modèle économique ? Quelle est la concurrence ? Ne pas clarifier ces questions maintenant, c'est être pris de court quand l'opportunité se présentera. C'est précisément l'objet des recherches couche par couche à venir.
Question 4 : Comment la géopolitique affecte-t-elle la chaîne de valeur ?
Les contrôles à l'exportation américains sur les puces IA vers la Chine divisent la chaîne de valeur mondiale de l'IA en deux. Le H20 de NVIDIA est interdit, la Chine construit une infrastructure IA indépendante. Cela signifie que deux chaînes de valeur parallèles investissent, le total pourrait être plus grand que prévu. Mais cela signifie aussi que certains fournisseurs font face au risque de « choisir son camp ».
Chapitre 5 : La suite du chemin
La carte est dessinée, place maintenant aux missions principales.
Je vais commencer par la première couche, approfondir maillon par maillon. Comme nettoyer les zones dans un jeu — d'abord la mission principale (les entreprises et logiques les plus centrales de chaque couche), puis les missions secondaires (les coins périphériques mais potentiellement surprenants).
À chaque étape, comprendre trois choses : Quel est le modèle économique de ce maillon ? Quelle est la structure concurrentielle ? À quel niveau se situe la valorisation ? Une fois ces trois choses comprises, quelles que soient les évolutions futures du marché, nous aurons une base de jugement.
Quelques mots en aparté
En écrivant cette vue d'ensemble de la chaîne de valeur, je repensais à l'histoire de LITE.
J'avais précédemment fait une analyse approfondie sur mon blog de Lumentum (LITE) — Comment d'autres ont-ils saisi cette multiplication par 20 en un an ? C'est un cas d'école : mi-2024, le marché le considérait encore comme une « action cyclique des télécoms », à 50$ l'action, personne n'en voulait. Mais son essence était le « système nerveux » des datacenters IA, 50-60% de part de marché mondiale des lasers InP, les limites physiques du cuivre, la direction qui a augmenté les capacités en période de pertes, la valeur comptable des actifs supérieure à la capitalisation boursière.
Toutes les informations étaient publiques, mais je n'avais pas de carte de la chaîne de valeur dans mon esprit pour les relier.
Tous les rendez-vous manqués, au final, ne sont pas dus à une « réaction trop lente », mais à des « recherches trop peu approfondies ».
C'est pourquoi je veux constituer un « stock de connaissances ». L'IA est une piste suffisamment longue — assez longue pour ne pas s'inquiéter de ne pas être monté à bord maintenant, mais aussi trop longue pour attendre sans rien faire. Comprendre chaque couche, chaque maillon de la chaîne de valeur, c'est en soi la meilleure préparation. Le jour où le marché nous offrira une opportunité — qu'il s'agisse des ruines après l'éclatement d'une bulle, ou d'un point d'inflexion soudain — avoir la carte en main permettra de juger en quelques secondes.
« L'intuition meurtrière n'est pas innée, elle s'acquiert par des milliers d'heures de recherche. »
