Bien comprendre l’IA : enjeux et perspectives à ne pas négliger

D’ici 2035, la demande en électricité des centres de données aux États-Unis devrait passer d’environ 35 gigawatts à 78 GW. Les plans d’investissement des hyperscalers pour 2026 dépassent désormais 518 milliards de dollars, un chiffre qui a augmenté de près des deux tiers au cours de la seule année dernière.

Au cours des deux dernières années, le débat sur l’IA a été marqué par l’idée d’un potentiel illimité. L’émergence de modèles toujours plus grands, de cycles d’entraînement de milliards de tokens et des investissements records ont alimenté ce sentiment d’accélération constante. Cependant, les évolutions technologiques ne sont jamais aussi simples, et cette période ne fait pas exception. Alors que l’IA évolue d’une phase expérimentale vers des applications concrètes, les contraintes du monde physique, des marchés financiers et des systèmes politiques prennent une importance croissante par rapport à son potentiel théorique.

La contrainte la plus immédiate concerne l’électricité. Cela est particulièrement visible aux États-Unis, où la demande électrique des centres de données devrait augmenter, passant d’environ 35 gigawatts à 78 GW d’ici 2035. La Virginie du Nord, qui abrite le plus grand cluster d’infrastructures cloud au monde, a déjà atteint ses limites en matière de capacité réseau. Les services publics en Arizona, en Géorgie et dans l’Ohio avertissent que la construction de nouvelles sous-stations pourrait prendre près d’une décennie. Un seul campus peut nécessiter entre 300 et 500 MW, suffisant pour alimenter une ville entière. Si la fabrication de silicium se fait rapidement, il n’en est pas de même pour les lignes à haute tension.

Les marchés réagissent avec agilité et ambition. Les hyperscalers, ces grandes entreprises technologiques développant des modèles d’IA avancés nécessitant une capacité de calcul accrue, sont devenus de gros acheteurs d’énergie renouvelable à long terme. Des parcs solaires et éoliens privés sont construits spécifiquement pour alimenter les installations cloud, et certaines entreprises envisagent d’utiliser des réacteurs modulaires de nouvelle génération afin d’éviter les infrastructures municipales plus lentes.

Ces efforts permettront d’élargir les possibilités, mais la contrainte demeure. Les nouvelles capacités en IA ne s’implanteront probablement pas en Virginie du Nord ou à Dublin, mais plutôt dans des régions où la terres, l’électricité et l’eau sont encore disponibles en abondance : le Midwest américain, la Scandinavie, certaines zones du Moyen-Orient et l’ouest de la Chine. Ainsi, la géographie de l’IA est dictée par des réalités physiques, pas par des préférences.

La prochaine contrainte concerne le silicium, et la situation se complique. Alors qu’Nvidia était précédemment considéré comme le composant universel sous-jacent au développement mondial de l’IA, cette période est en train de s’achever. Google a réalisé une avancée significative en entraînant son dernier modèle linguistique majeur, Gemini 3, intégralement sur ses unités de traitement Tensor. Les puces Trainium2 d’Amazon, Maia de Microsoft et MTIA de Meta sont toutes développées dans cette même optique. En Chine, la plateforme Ascend de Huawei est devenue la pierre angulaire des entraînements de modèles nationaux, en réponse aux restrictions américaines sur l’exportation.

Cette évolution souligne en partie la maturation technologique. À mesure que la charge de travail augmente, les accélérateurs spécialisés surpassent en efficacité les GPU à usage général initialement conçus pour l’IA. Cependant, la situation n’est pas due au hasard. Les pénuries, les tensions géopolitiques et les pressions sur les coûts ont poussé les hyperscalers à prendre un rôle qu’occupaient autrefois les entreprises de semi-conducteurs.

Le départ de l’écosystème CUDA de Nvidia entraîne d’énormes coûts organisationnels. Ainsi, la volonté croissante de supporter ces coûts témoigne de la sévérité des contraintes. Cela aboutira à un paysage matériel plus fragmenté et, par conséquent, à un écosystème IA également fragmenté. Une fois que les architectures du silicium divergent, elles convergent rarement de nouveau.

La troisième contrainte, le capital, agit de manière plus subtile. Les plans d’investissement des hyperscalers pour 2026 dépassent à présent 518 milliards de dollars, soit une augmentation de près de deux tiers en seulement un an. Nous observons déjà la plus grande construction d’infrastructures privées de l’histoire moderne. Meta, Microsoft et Google ajustent fréquemment leurs prévisions d’investissement, au point que les analystes peinent à suivre ces évolutions.

Pourtant, il est trop tôt pour évoquer un retour sur investissement. Baidu a récemment annoncé un chiffre d’affaires de 2,6 milliards de yuans (369 millions de dollars) grâce à l’IA, essentiellement via des contrats d’entreprise et des abonnements aux infrastructures. Tencent, de son côté, a déclaré avoir accru sa rentabilité par le biais de gains d’efficacité liés à l’IA au sein de ses activités matures. Aux États-Unis, la majorité des entreprises continuent néanmoins de regrouper leurs revenus liés à l’IA dans des catégories cloud plus larges.

L’écart entre l’adoption de l’IA et sa monétisation est significatif, mais est une situation familière. Lors de précédentes vagues technologiques, les investissements dans les infrastructures ont systématiquement devancé de plusieurs années les gains de productivité. Les contraintes ne découlent pas d’un faible sentiment des investisseurs, mais de la pression stratégique générée par l’enthousiasme : différentes entreprises visent différentes conceptions de la valeur en fonction de leurs modèles commerciaux et de leurs structures de coûts.

De nombreux secteurs peinent à adopter l’IA au rythme des nouveaux modèles qui émergent. Par exemple, les grandes banques sont soumises à des régulations de sécurité et de conformité qui exigent des déploiements de logiciels sur site, entièrement vérifiables et isolés des réseaux. Ces réglementations les excluent instantanément des modèles avancés, qui nécessitent une orchestration côté cloud et des itérations rapides sur de nouvelles versions. Les systèmes de santé rencontrent des limitations similaires, tout comme les gouvernements. La problématique ne relève pas des capacités théoriques de l’IA, mais de l’intégration de ces outils dans des systèmes anciens, conçus pour une époque différente.

Dans leur ensemble, ces forces illustrent la perspective d’un avenir très différent de celui évoqué par le discours médiatique classique. L’IA ne s’oriente pas vers une seule frontière universelle. Des architectures diverses au niveau régional et institutionnel se dessinent, chacune façonnée par des contraintes variées : pénurie d’énergie aux États-Unis, limitations foncières et de refroidissement à Singapour et au Japon, rareté géopolitique en Chine du fait des restrictions occidentales sur l’accès aux puces et au matériel avancé, ainsi que des frictions réglementaires en Europe et des rigidités organisationnelles dans le monde des affaires. Si la technologie est mondiale, sa mise en œuvre est intrinsèquement locale.

Heureusement, les contraintes réelles n’entravent pas le progrès. Souvent, elles constituent le cadre autour duquel de nouveaux systèmes émergent. La surabondance de la fibre optique à la fin des années 90, initialement considérée comme un excès, a ensuite soutenu l’émergence du streaming, des réseaux sociaux et du cloud computing.

Les contraintes actuelles joueront un rôle similaire. La pénurie d’énergie modifie déjà la géographie de l’IA. La fragmentation en matière de silicium crée de nouveaux écosystèmes tant nationaux qu’entreprises. Les asymétries liées au capital poussent les entreprises vers différents équilibres stratégiques, tandis que les limites institutionnelles façonnent les premiers cas d’utilisation concrets.

La prochaine décennie de l’IA ne sera pas dominée par ceux qui disposent des plus grandes capacités théoriques, mais par les écosystèmes les plus aptes à transformer les contraintes du monde réel en avantages conceptuels. Les opportunités définissent l’horizon, mais les contraintes détermineront la voie que suivra finalement le monde.

**Par Jeffrey Wu**
*Directeur chez MindWorks Capital*