Les coûts des tokens IA sont visibles, la valeur de leur production ne l'est pas — Long sur l'outillage de gouvernance, short sur les hyperscalers

Le 4 mars 2026, une entreprise de taille moyenne a discrètement amendé son contrat d'approvisionnement en IA. L'amendement ajoutait une clause exigeant une attribution trimestrielle du ROI pour toutes les dépenses en tokens LLM. La clause obligera le fournisseur — un hyperscaler dont l'entreprise ne divulguera pas le nom — à instrumenter chaque prompt, tracer chaque réponse et lier la consommation de tokens à des résultats commerciaux mesurables. L'hyperscaler ne peut pas le faire. Sa plateforme facture les tokens traités, pas la valeur livrée. L'entreprise évalue maintenant des outils d'observabilité tiers pour faire le travail que l'hyperscaler ne fera pas. Ce n'est pas un cas isolé. C'est le front d'un changement structurel que le marché n'a pas encore pricé.

Les dépenses d'IA d'entreprise ont bondi de 11,5 milliards de dollars en 2024 à 37 milliards de dollars en 2025, une augmentation de 3,2x en une seule année. Les enquêtes montrent que 72 % des organisations s'attendent à ce que les dépenses LLM augmentent encore en 2025, certaines entreprises déclarant que l'IA consomme jusqu'à la moitié des budgets IT. Pourtant, 80 à 85 % des entreprises manquent leurs prévisions d'infrastructure IA de plus de 25 % en raison d'une gouvernance des coûts faible, et la plupart ne peuvent pas lier les dépenses à des résultats commerciaux spécifiques et mesurables. Le problème est structurel : les coûts de l'IA — tokens, calcul, watts — sont immédiatement visibles et auditables. La valeur économique de la production IA reste opaque. SemiAnalysis appelle cela « Dark Output » — le travail que l'IA fait que les comptes nationaux ne peuvent pas voir et que les entreprises ne peuvent pas mesurer. Le futur président de la Fed Kevin Warsh a reconnu en décembre 2025 que « si vous regardez les données, mon avis est que vous regardez en arrière. Vous serez en retard. Vous ne réaliserez pas que le pays est capable d'avoir une croissance non inflationniste plus rapide. »

Le marché price la croissance des revenus IA des hyperscalers comme durable et accréditrice de marge. Les services IA d'Azure ont contribué 12 à 16 points de pourcentage de croissance en FY25. Les revenus AWS ont augmenté de 19 % au T4 2024 avec les workloads IA entraînant une ré-accélération. Google Cloud a augmenté de 48 % au T4 2025 avec Gemini traitant 10 milliards de tokens par minute. L'écart : le consensus ne price pas le risque que les entreprises rationalisent les dépenses en tokens une fois qu'elles réalisent qu'elles ne peuvent pas mesurer la valeur de la production. Les enquêtes CFO montrent que l'optimisation des coûts figure parmi les principales priorités pour 2025-2026, et bien que les budgets IA soient actuellement protégés, cette protection devient irrationnelle au moment où les directeurs financiers réalisent qu'ils financent un centre de coûts sans attribution. Le playbook cloud FinOps de 2015-2020 fournit le modèle — les entreprises exigeront visibilité, gouvernance et contrôle des coûts, comprimant la marge des hyperscalers et accélérant l'adoption d'outils d'observabilité.

Le problème de mesure n'est pas nouveau — mais l'IA le rend structurel

La révolution informatique des années 1990 a créé un problème de mesure de la productivité qui a pris une décennie à résoudre. La boutade de Robert Solow — « On peut voir l'ère informatique partout, sauf dans les statistiques de productivité » — capturait l'écart entre l'adoption technologique visible et la production économique invisible. Une révision méthodologique de 2013 a ajouté la R&D et l'investissement en propriété intellectuelle à la comptabilité du PIB, augmentant rétroactivement la production des années 1990 d'environ 3,6 billions de dollars, près de 30 % du PIB de l'année complète 2000. La révision a été répartie uniformément sur les années, donc les taux de croissance ont à peine bougé dans les comptes officiels, mais l'ampleur de la correction a révélé à quel point les statistiques nationales étaient en retard sur la transformation économique réelle.

L'IA crée le même problème de mesure, mais plus rapidement et avec une différence critique. L'écart de productivité des années 1990 était invisible pour tout le monde — entreprises, gouvernements, statisticiens. L'écart de l'IA est asymétrique. Les coûts sont visibles en temps réel. Les hyperscalers facturent les tokens traités et les heures GPU consommées. Ce sont des postes propres et auditables qui apparaissent immédiatement dans les bilans. Ce que les entreprises obtiennent en retour — la production de ces tokens — n'a pas d'unité de mesure standard. Mille tokens peuvent rédiger un email, générer un extrait de code, résumer un contrat ou halluciner des absurdités. Le coût est le même. La valeur est inconnaissable sans contexte, évaluation et intégration de workflow.

Cette asymétrie n'est pas une bizarrerie comptable. C'est une caractéristique structurelle de la façon dont les workloads IA sont pricés et consommés. Les hyperscalers n'ont aucune incitation à rendre la valeur de la production visible — le faire exposerait le fait que la plupart des dépenses en tokens produisent une valeur commerciale incrémentale marginale ou nulle. The New Stack a rapporté début 2026 que GPT-5.4, Claude et Gemini ne peuvent pas s'accorder sur des faits de base du monde réel. Si les modèles frontières ne sont pas d'accord sur la vérité de base, comment une entreprise mesure-t-elle le ROI d'un travail de résumé de contrat d'un million de tokens ? La réponse : elle ne peut pas, à moins d'instrumenter le workflow, d'évaluer la production et de lier la consommation de tokens à un résultat commercial mesurable. Les hyperscalers ne fournissent pas cette instrumentation. Les outils d'observabilité tiers le font.

Le playbook cloud FinOps se répète — comprimé

Le playbook d'optimisation des coûts cloud de 2015-2020 offre un modèle. Les premiers adoptants du cloud comme Adobe et Intuit ont construit des pratiques internes pour apporter une responsabilité financière aux dépenses cloud au début des années 2010, principalement comme des efforts personnalisés plutôt qu'une discipline nommée. Au milieu des années 2010, les entreprises mondiales rencontraient le même problème central : gérer les coûts cloud à grande échelle alors que les workloads passaient des pilotes à la production. La FinOps Foundation a été créée en 2019 pour fournir une communauté, un vocabulaire partagé et un cadre de meilleures pratiques. En 2020, la Foundation n'avait que 12 membres corporatifs et une communauté de quelques milliers de praticiens, indiquant que FinOps était encore au stade des premiers adoptants. Après 2020, l'adoption s'est accélérée de façon spectaculaire — croissance de 12 membres corporatifs en 2020 à plus de 175 en 2024.

La période 2015-2020 était la phase formative à fort apprentissage. La gouvernance des coûts IA entre maintenant dans cette même phase, mais comprimée. La différence : les coûts cloud étaient au moins liés à une infrastructure visible — serveurs, stockage, bande passante. Les entreprises pouvaient voir ce qu'elles payaient, même si elles ne pouvaient pas le contrôler. Les coûts IA sont liés à une production invisible. The New Stack a rapporté que l'observabilité des coûts IA est devenue une catégorie de surveillance, avec les modèles de pricing et de consommation basés sur les tokens devenant l'une des lignes de dépenses à la croissance la plus rapide dans les budgets technologiques des entreprises. Des recherches récentes sur la gouvernance rapportent qu'environ 80 à 85 % des entreprises manquent leurs prévisions d'infrastructure IA de plus de 25 %, en grande partie à cause d'une gouvernance des coûts faible et d'une sous-estimation de la croissance de l'utilisation. Le « Shadow AI » — des équipes qui mettent en note de frais des outils IA en dehors de l'IT/finance central — accélère à la fois les dépenses et le risque, créant des outils en double, des failles de sécurité et des primes IA non planifiées sur le SaaS existant.

Le catalyseur est visible. Les enquêtes CFO montrent l'optimisation des coûts comme une priorité absolue pour 2025-2026, avec plus de la moitié mettant « l'optimisation des coûts à l'échelle de l'entreprise » dans leurs principaux domaines de focus. Malgré cela, l'analyse indique que bien qu'environ deux tiers des CFO réduisaient les coûts à la mi-2025, ils protégeaient généralement les budgets IA et automatisation, certains décrivant l'IA comme « la dernière chose » à couper. Cette protection est rationnelle — si l'IA est stratégique. Elle devient irrationnelle au moment où les CFO réalisent qu'ils financent un centre de coûts sans attribution de ROI. Le playbook FinOps montre ce qui se passe ensuite : les entreprises exigent visibilité, gouvernance et contrôle des coûts. Les dépenses cloud n'ont pas cessé de croître après l'émergence de FinOps, mais elles ont cessé de croître de manière incontrôlée. Les instances réservées, les plans d'épargne, le rightsizing et la refacturation sont devenus standard. La croissance des revenus des hyperscalers s'est modérée. Les marges se sont comprimées. La même dynamique se met maintenant en place pour l'IA.

La croissance des revenus des hyperscalers est matérielle mais la marge est à risque

L'exposition des revenus IA des hyperscalers est déjà matérielle mais pas encore dominante. Les revenus AWS étaient de 28,8 milliards de dollars au T4 2024, en hausse de 19 % en glissement annuel, avec les workloads pilotés par l'IA représentant probablement un pourcentage élevé à un chiffre ou bas à deux chiffres des revenus mais une part beaucoup plus élevée de la croissance incrémentale. Si les services liés à l'IA ont contribué à environ la moitié de la croissance incrémentale des revenus, cela implique environ 2 à 4 milliards de dollars de revenus trimestriels liés à l'IA au sein d'AWS fin 2024. Les revenus Intelligent Cloud d'Azure étaient de 25,5 milliards de dollars au T4 2024, avec l'IA représentant déjà une très grande part de la croissance même si ce n'est pas encore la majorité des revenus absolus. Google Cloud était à 12 milliards de dollars au T4 2024, avec la part de l'IA plus petite qu'en 2025 mais déjà matérielle. Au T4 2025, Google Cloud croissait de 48 % avec un run-rate de 70+ milliards de dollars, et les revenus de produits gen-AI ont augmenté de près de 400 % en glissement annuel.

Le problème : les volumes de tokens explosent et les coûts unitaires s'effondrent. Google a révélé que les coûts unitaires de service pour Gemini ont chuté de 78 % sur 2025, impliquant environ 4,5x plus de tokens par heure GPU. Au T1 2026, Gemini traitait 16 milliards de tokens par minute. Cela met en place une course vers le bas dans les coûts d'inférence, avec une croissance des revenus alimentée par le volume fois un prix par token légèrement inférieur, pas des hausses de prix. Les marges dépendent des gains d'efficacité qui suivent le rythme des baisses de prix. Si les entreprises rationalisent les dépenses en tokens — en adoptant une capacité réservée, des outils de gouvernance ou une migration de workload vers des couches d'inférence moins chères — la croissance des revenus des hyperscalers fait face à un vent contraire structurel. Le marché price cette croissance comme durable. Elle ne l'est pas.

La raison structurelle pour laquelle le marché n'a pas pricé cela : les standards de mesure de la production IA n'existent pas encore. Les entreprises utilisent aujourd'hui une approche mixte — des cadres d'évaluation standardisés pour la qualité de la production IA (benchmarks, LLM-as-a-judge, évaluation humaine) et lient ces métriques au ROI commercial via des données d'observabilité, des baselines et des modèles financiers. Il n'y a toujours pas de standard mondial unique, mais 2024-2025 a vu de forts mouvements vers des patterns communs, des outils et des métriques de facto à travers l'évaluation LLM et l'observabilité MLOps. Les cadres modernes de qualité LLM décomposent la « qualité » en dimensions — exactitude/ancrage, pertinence, complétude, sécurité, style/UX, latence, robustesse — et les mappent à l'impact commercial. Le problème : ces cadres ne sont pas encore intégrés dans l'approvisionnement, la budgétisation ou le reporting financier. Tant qu'ils ne le sont pas, les CFO continueront de financer les dépenses en tokens sans attribution de ROI. Une fois qu'ils le seront, la croissance des revenus des hyperscalers fait face à un vent contraire structurel.

L'intégration de workflow se produit — la mesure du ROI ne se produit pas

L'intégration de workflow d'entreprise est réelle. The New Stack a rapporté que la nouvelle intégration Jira de Cursor est « 5 étoiles, aucune note », signalant l'adoption de workflow d'entreprise. Cursor concurrence directement GitHub Copilot, Tabnine, Windsurf, Amazon Q Developer et Replit pour le codage IA d'entreprise, avec un pricing dans à peu près la même bande mais différents compromis d'utilisation et de gouvernance. GitHub Copilot a atteint environ 20 millions d'utilisateurs cumulés et plus de 1,3 million d'abonnés payants à la mi-2025, avec un déploiement rapporté à environ 90 % des entreprises Fortune 100. Les analyses de parts de marché placent Copilot à environ 42 % du marché des outils de codage IA payants en 2025, avec Cursor émergeant comme le concurrent le plus proche à environ 18 % de part de marché et plus de 500 millions de dollars de revenus récurrents annualisés.

La tendance d'intégration de workflow est réelle. La mesure du ROI ne l'est pas. The New Stack a rapporté que le piège de la plateforme DIY épuise les équipes d'ingénierie, avec une complexité d'automatisation croissante alors que les équipes construisent des workflows IA personnalisés au-dessus de Jira, Linear, GitHub et des outils internes. Ces workflows consomment des tokens à des taux imprévisibles, et la plupart des organisations manquent d'instrumentation pour lier les dépenses en tokens aux résultats de workflow. Les risques de propriété intellectuelle et de licence font également surface. The New Stack a rapporté que le développeur Gavriel Cohen a trouvé son propre code à l'intérieur d'OpenClaw et s'est retiré. Si la provenance des données d'entraînement est opaque et la propriété de la production est contestée, les entreprises font face à un risque juridique et de réputation en plus des dépenses incontrôlées.

L'écart structurel : les entreprises intègrent l'IA dans les workflows plus rapidement qu'elles n'instrumentent ces workflows pour la mesure des coûts et de la qualité. Cela crée une fenêtre où les dépenses en tokens croissent sans contrôle et la valeur de la production reste non mesurée. La fenêtre se ferme lorsque les CFO exigent une attribution. Les entreprises qui fournissent l'instrumentation — observabilité, gouvernance, identité et outils de sécurité — capturent le budget incrémental. Les entreprises qui fournissent les tokens — les hyperscalers — font face à une compression de marge.

Le portefeuille — long sur l'outillage de gouvernance, short sur les hyperscalers (par omission)

Ce portefeuille exprime la thèse à travers trois couches structurelles : (1) l'outillage d'observabilité IA et d'attribution des coûts qui rend les dépenses en tokens et la valeur de la production visibles (Datadog, Elastic) ; (2) les plateformes de gouvernance IA et d'intégration de workflow qui lient la consommation IA à des résultats commerciaux mesurables (Palantir, Snowflake) ; (3) l'infrastructure d'identité et de sécurité qui contrôle l'accès IA et applique la politique (Okta, Palo Alto Networks, CrowdStrike) ; et (4) les couches d'inférence et de données alternatives qui permettent aux entreprises de réduire la dépendance aux tokens des hyperscalers (Cloudflare, MongoDB). Le portefeuille est long-only par conception. La vue baissière sur les hyperscalers est exprimée en ne les possédant pas et en possédant la couche d'outillage qui capture la valeur lorsque les entreprises rationalisent les dépenses en tokens.

Datadog (DDOG) · 18% · cible $325 · 180 jours. Le produit LLM Observability de Datadog instrumente les prompts, trace l'utilisation des tokens, fait surface les métriques d'évaluation et lie les dépenses IA aux KPI commerciaux — exactement le workflow que la thèse prédit que les entreprises exigeront. La plateforme de l'entreprise surveille déjà l'infrastructure cloud, les applications et la sécurité ; l'observabilité LLM étend cela aux workloads IA. Datadog est l'expression publique la plus pure de la gouvernance des coûts IA, mais la valorisation ne laisse aucune place aux faux pas d'exécution. À 651x P/E et 22,17x P/B, l'action price une exécution sans faille et une adoption accélérée. Dimensionné à 18 % pour refléter une forte conviction tempérée par le risque de valorisation.

Palantir (PLTR) · 15% · cible $425 · 180 jours. L'AIP (Artificial Intelligence Platform) de Palantir est la thèse sous forme de ticker — il lie explicitement les dépenses en tokens IA aux KPI opérationnels et rend le Dark Output IA visible et mesurable. Toute l'accélération des revenus 2025 d'AIP (56 % en glissement annuel) est pilotée par des entreprises qui l'adoptent pour rationaliser les dépenses IA et prouver le ROI. La plateforme s'intègre aux workflows d'entreprise existants (ERP, CRM, supply chain) et fait surface des insights générés par l'IA liés à des résultats commerciaux spécifiques. La valorisation à 149x P/E et 40,29x P/B price une exécution sans faille, donc dimensionné à 15 % plutôt que 20 % pour limiter le risque single-name.

Cloudflare (NET) · 15% · cible $350 · 270 jours. Workers AI de Cloudflare est l'exposition structurelle la plus pure à la migration de workload d'inférence loin des hyperscalers. Exécuter l'inférence à la périphérie réduit simultanément la latence et les coûts de tokens, déplaçant le modèle de revenus de la facturation par token au calcul à tarif fixe. Si les entreprises rationalisent les dépenses en tokens en migrant les workloads vers des couches d'inférence moins chères, Cloudflare capture cette migration. La valorisation à 61,32x P/B est de type venture, pricing une adoption rapide et une expansion de marge. Dimensionné à 15 % pour refléter une sensibilité structurelle élevée tempérée par le risque d'exécution.

CrowdStrike (CRWD) · 12% · cible $950 · 180 jours. La plateforme Falcon de CrowdStrike et l'investissement Vanta le positionnent à l'intersection de la sécurité IA, de la gouvernance et de la conformité. Alors que les workloads IA prolifèrent, les couches de sécurité et d'identité deviennent le point d'étranglement où les entreprises appliquent la politique et mesurent le risque. La stack d'observabilité, d'identité et de conformité de CrowdStrike soutient directement le passage de dépenses IA non plafonnées à des budgets IA gouvernés et pilotés par le ROI. La valorisation à 42,64x P/B suppose que la thèse se joue, donc dimensionné à 12 % pour refléter une exposition structurelle propre avec un upside limité si l'adoption répond simplement aux attentes.

Elastic (ESTC) · 10% · cible $85 · 270 jours. La stack d'observabilité d'Elastic devient le substrat pour l'attribution des coûts IA — les entreprises l'utilisent pour tracer les dépenses en tokens, les appels de modèle et la latence à travers les workloads LLM. Les capacités de recherche et d'analyse en temps réel de la plateforme en font la fondation pour les tableaux de bord AI FinOps. La valorisation à 18,17x P/E et 5,24x P/B est peu exigeante par rapport aux pairs, mais la pression concurrentielle de Datadog limite l'upside. Dimensionné à 10 % comme un value play sur l'observabilité IA avec un upside plafonné.

Snowflake (SNOW) · 10% · cible $310 · 360 jours. Cortex AI et la couche de gouvernance des données de Snowflake le positionnent comme infrastructure pour l'observabilité des coûts IA — le système d'enregistrement pour les dépenses en tokens et l'attribution du ROI. Si les coûts de tokens deviennent les nouveaux coûts de main-d'œuvre nécessitant un suivi granulaire, la plateforme de données de Snowflake devient une infrastructure obligatoire. La valorisation à 42,96x P/B signale un pricing premium et un risque d'empiètement des hyperscalers. Dimensionné à 10 % pour refléter l'alignement de la thèse avec le risque d'exécution et concurrentiel.

Okta (OKTA) · 8% · cible $155 · 360 jours. Okta est le proxy de marché public pour l'infrastructure de gouvernance IA — la gestion des identités et des accès (IAM) devient le plan de contrôle pour suivre quels utilisateurs, équipes et applications consomment quels modèles à quel coût par siège. Le cas d'usage de gouvernance IA reste implicite plutôt que prouvé dans les financiers, créant un upside asymétrique si la thèse se matérialise mais un downside si l'adoption traîne. Dimensionné à 8 % pour refléter l'adéquation structurelle avec l'incertitude de la feuille de route produit.

Palo Alto Networks (PANW) · 8% · cible $350 · 360 jours. Prisma Cloud et Cortex XSIAM de Palo Alto Networks adressent la gouvernance IA et l'outillage d'identité, positionnant l'entreprise comme la couche de gouvernance entre les entreprises et les services IA des hyperscalers. La valorisation à 242,56x P/E et 7,39x P/B price déjà ce résultat, faisant de cela du consensus plutôt que du contrarian. Dimensionné à 8 % comme un nom de qualité pricé pour la perfection.

MongoDB (MDB) · 4% · cible $450 · 360 jours. Atlas vector search et la base de données opérationnelle de MongoDB se situent à la couche où les entreprises consolident les données fragmentées pour réduire le bloat de prompt et le gaspillage de tokens. L'entreprise doit encore prouver que la recherche vectorielle entraîne une consommation Atlas incrémentale à grande échelle, et la valorisation à 10,08x P/B price déjà les vents favorables de l'IA. Dimensionné à 4 % comme une exposition marginale à la thèse de rationalisation de la couche de données.

Instruments

Ticker	Poids	Cible	Horizon
DDOG	18%	$325	180j
PLTR	15%	$425	180j
NET	15%	$350	270j
CRWD	12%	$950	180j
ESTC	10%	$85	270j
SNOW	10%	$310	360j
OKTA	8%	$155	360j
PANW	8%	$350	360j
MDB	4%	$450	360j

Hypothèses et falsification

1. Les entreprises exigeront un ROI mesurable pour les dépenses IA dans les 12 à 18 mois alors que les CFO réalisent que les coûts de tokens augmentent plus rapidement que les résultats commerciaux attribuables. Falsifié si : les budgets IA d'entreprise continuent de croître sans plafond jusqu'en 2027 sans adoption d'outils de gouvernance des coûts, ou si les enquêtes CFO montrent que l'IA reste « la dernière chose à couper » indépendamment de la visibilité du ROI.

2. Les standards de mesure de la production IA émergeront et seront intégrés dans l'approvisionnement d'entreprise et le reporting financier d'ici 2027-2028, suivant la courbe d'adoption cloud FinOps de 2015-2020. Falsifié si : aucun cadre d'évaluation consensuel ou standard d'observabilité ne gagne de traction d'ici fin 2026, ou si les entreprises continuent d'approvisionner des services IA sans clauses d'attribution de ROI dans les contrats.

3. La croissance des revenus IA des hyperscalers fera face à une compression de marge alors que les entreprises rationalisent les dépenses en tokens via une capacité réservée, des outils de gouvernance et une migration de workload vers des couches d'inférence moins chères. Falsifié si : AWS, Azure et Google Cloud maintiennent ou élargissent les marges de service IA jusqu'en 2026-2027, ou si le pricing des tokens reste inélastique aux efforts de contrôle des coûts des entreprises.

4. Les fournisseurs d'outils d'observabilité, de gouvernance et d'identité captureront le budget d'entreprise incrémental alors que la rationalisation des coûts IA devient un mandat au niveau du conseil. Falsifié si : les hyperscalers bundlent avec succès l'observabilité et la gouvernance dans leurs plateformes IA à coût marginal, empêchant les fournisseurs d'outils tiers de gagner un pouvoir de pricing.

5. La migration de workload vers l'inférence edge (Cloudflare Workers AI) et les alternatives on-prem s'accélérera alors que les entreprises cherchent à échapper au pricing par token des hyperscalers. Falsifié si : la gravité des données et les coûts d'intégration maintiennent les workloads IA centralisés sur l'infrastructure des hyperscalers, ou si les hyperscalers coupent les prix des tokens plus rapidement que les alternatives edge/on-prem ne peuvent concurrencer.

Risques

Risque de valorisation. Datadog, Palantir, Cloudflare, CrowdStrike, Palo Alto Networks et Snowflake se négocient tous à des multiples premium (40x+ P/S ou 100x+ P/E) qui pricent une exécution sans faille. Tout manque de bénéfices, retard de produit ou pression concurrentielle déclenche une compression de multiple violente. Le portefeuille est concentré dans des noms où la thèse est déjà partiellement pricée.

Bundling des hyperscalers. AWS, Azure et Google Cloud pourraient bundler l'observabilité, la gouvernance et les outils d'identité dans leurs plateformes IA à coût marginal, empêchant les fournisseurs tiers de capturer le budget incrémental. L'intégration par Microsoft d'Azure Monitor et Sentinel dans les services Azure AI est le modèle. Si le bundling s'accélère, la thèse échoue.

Timeline d'adoption. Si la rationalisation des coûts IA prend plus de temps que l'analogie FinOps 2015-2020 ne le suggère (par exemple, 5 à 7 ans au lieu de 3 à 5 ans), le portefeuille détient des noms à multiples premium pendant une période prolongée d'incertitude, risquant un de-rating avant que la thèse ne se matérialise.

Chocs réglementaires et de conformité. Si la provenance de la production IA et les risques IP/licence (la dynamique Gavriel Cohen / OpenClaw) s'intensifient en mandats réglementaires ou en litiges de class action, les entreprises peuvent mettre en pause l'adoption de l'IA entièrement plutôt que d'accélérer l'adoption d'outils de gouvernance, créant un choc de demande.

Risque de trade surpeuplé. La gouvernance IA et l'observabilité sont des thèmes consensuels à la mi-2026. Si le positionnement institutionnel est déjà lourd dans Datadog, Palantir, CrowdStrike et Cloudflare, tout choc macro ou rotation sectorielle déclenche une vente forcée qui submerge le support fondamental.

Liquidité et emprunt. Elastic et MongoDB ont des volumes moyens inférieurs aux pairs mega-cap, créant un risque de slippage à l'entrée/sortie. Aucune des positions n'est difficile à emprunter, mais Palantir et Cloudflare ont un intérêt short élevé, ce qui pourrait amplifier la volatilité.