Pourquoi le gourou de la macro Geo Chen est passé du vert au rouge sur l'IA

1. La spéculation des particuliers coréens à effet de levier : l'effondrement du « capital de mauvaise qualité »

Chen identifie les investisseurs particuliers coréens comme le capital de mauvaise qualité typique de la phase de surachat de ce cycle. Ils se sont rués sur les ETF à effet de levier 2x et 3x sur SK Hynix, Samsung et le KOSPI avec ce qu'il décrit comme un « abandon téméraire », créant des centaines de milliards de dollars de pouvoir d'achat artificiel . Les mécanismes de couverture de ces produits ont forcé les teneurs de marché à accumuler une exposition gamma négative massive — achetant les jours de hausse et déchargeant les jours de baisse — ce qui a amplifié la volatilité et déclenché des appels de marge en cascade .

Citi estime que le débouclage de ces produits à effet de levier a effacé 38,7 milliards de dollars, avec environ 1,2 million de comptes liquidés — soit près d'un adulte coréen sur trente . Le KOSPI a depuis chuté de près de 30 % par rapport à son pic de juin, forçant l'opérateur de marché à suspendre les transactions à plusieurs reprises après des pertes dépassant les 10 % . Chen affirme que ce capital détérioré a peu de chances de revenir, et que les marchés haussiers paraboliques alimentés par ce type d'effet de levier se terminent presque toujours par des marchés baissiers prolongés .

2. La concurrence des modèles d'IA chinois : l'effondrement du fossé des modèles propriétaires

Les modèles open-source chinois sapent directement la logique économique des laboratoires d'IA de pointe, argue Chen. Le paysage concurrentiel a radicalement changé :

• Le Kimi K3 de Moonshot AI a obtenu un score de 1 679 au Code Arena, surpassant Claude Fable 5 (1 631) .
• Alibaba a publié Qwen 3.8, un modèle open-weight de 2 400 milliards de paramètres .
• Le GLM-5 de Zai et le système multi-agents Fugu de Sakana AI démontrent que des concurrents plus petits et plus agiles, utilisant des méthodes d'efficacité novatrices — telles que l'attention sparse DeepSeek et l'auto-amélioration récursive — comblent l'écart de qualité à une fraction du coût .

L'intuition centrale de Chen est frappante : si 80 à 90 % des tokens migrent vers des modèles moins chers ou open-source, le gisement de revenus au sommet du spectre de la qualité se réduit considérablement, brisant le cercle vertueux des dépenses d'investissement qui a soutenu les valorisations des infrastructures d'IA . Le modèle d'entreprise qui sous-tend tout le récit d'investissement dans l'IA — à savoir que les modèles de pointe justifieront des prix élevés et des dépenses d'infrastructure massives — est en train d'être disloqué par le bas.

3. Le trop-plein d'offre de puissance de calcul : du goulot d'étranglement à l'excédent

Peut-être le pilier le plus dommageable sur le plan structurel : Chen affirme que le récit d'une offre de puissance de calcul structurellement contrainte est en train de s'inverser. Il signale plusieurs évolutions convergentes :

• Meta construit une activité de cloud pour louer sa capacité de calcul, augmentant ainsi l'offre globale .
• Les laboratoires d'IA réduisent rapidement les coûts d'inférence, et les indices de dépenses en tokens de Silicon Data sont en baisse depuis leur pic de juin, indiquant que les améliorations de l'efficacité matérielle dépassent la croissance de la demande .
• OpenAI retarde son introduction en bourse (IPO) et peine à lever des fonds, une évolution qui se répercutera sur la chaîne d'approvisionnement des semi-conducteurs .
• Google a relevé ses prévisions de dépenses d'investissement en IA pour 2026 à 205 milliards de dollars, mais l'action a chuté de 7 % à l'annonce — le marché ne récompense plus l'expansion des dépenses d'investissement .
• Les spreads de crédit des data centers se creusent, signalant un risque de crédit croissant dans le secteur des infrastructures de calcul .

Chen fait une observation cruciale : le fait même d'investir pour résoudre les goulots d'étranglement détruit le récit de pénurie qui rendait ces actions attrayantes . Plus les hyperscalers construisent, moins la puissance de calcul devient rare et plus les rendements de ce capital sont faibles.

4. Le contexte de la politique monétaire de la Fed et la stagflation

Deux forces macroéconomiques aggravent les risques spécifiques à l'IA :

• La guerre en Iran a déjà coûté 37,5 milliards de dollars aux États-Unis après l'effondrement du cessez-le-feu en juillet 2026. Le brut Brent est passé de 70 à 85 dollars, et Chen met en garde contre un conflit prolongé « par intermittence » qui ferait périodiquement grimper les prix du pétrole . Combiné à quatre chocs inflationnistes, cela crée ce qu'il appelle « la pression stagflationniste la plus forte et la plus persistante » depuis des années .
• La crédibilité de la Fed s'érode. Le rendement de l'obligation d'État américaine à 30 ans a dépassé les 5,2 %, atteignant un plus haut de deux ans. L'accentuation baissière de la courbe des taux obligataires reflète l'opinion du marché selon laquelle la Fed, sous la direction de Christopher Waller, perd le contrôle de l'inflation. L'incapacité du FOMC à relever les taux a permis aux anticipations d'inflation de se détacher .

Une publication de l'indice PCE (dépenses de consommation personnelle) plus ferme pourrait placer la Fed, les rendements à court terme et le dollar directement dans la zone d'impact des paris les plus chargés sur l'IA, prévient Chen . Le pari sur l'IA, déjà vacillant en raison de ses propres excès, ferait face à un environnement macroéconomique qui pénalise ses composantes les plus spéculatives et à la plus longue durée.

La conclusion de Chen : liquidités, or et rotation

Chen compare explicitement le moment présent à mars 2000, mars 2008, janvier 2020 et décembre 2022 — tous des points d'inflexion précédant des turbulences de marché violentes . Il détient désormais des liquidités, accumule de l'or sur les faiblesses et voit les capitaux se détourner de l'IA vers les secteurs de la santé, de la finance, des logiciels et de la biotechnologie . Son scénario de base est un processus de sommet qui s'étale sur plusieurs mois, avec de nouvelles turbulences à venir à mesure que le débouclage des excès spéculatifs se poursuit.

La thèse n'est pas simplement baissière — c'est un argument structurel selon lequel les dynamiques mêmes qui ont poussé les valeurs de l'IA à des sommets paraboliques sont en train de s'inverser activement. Pour les investisseurs qui détiennent encore des actifs liés à l'IA, la publication de Chen fournit un cadre sobre, étayé par des sources, pour se demander si le marché haussier a encore de l'avenir ou s'il a déjà atteint son sommet.