La course au compute : décryptage du nouveau nerf de la guerre de l'IA

Posons d'emblée le décor, parce qu'il conditionne toute la lecture qui suit : quand on parle aujourd'hui d'intelligence artificielle de pointe, on ne parle plus seulement d'algorithmes astucieux ni de jeux de données bien choisis. On parle d'électricité, de silicium et de mètres carrés de centres de données. Les modèles les plus avancés se construisent désormais dans des installations dont la puissance appelée se mesure non plus en mégawatts, mais en gigawatts — l'ordre de grandeur d'une centrale électrique. Ce texte est une lecture de fond, pas un bulletin d'événement : il rassemble des faits datés et sourcés pour décrire une dynamique, celle qui fait de la puissance de calcul — le « compute », dans le jargon du secteur — un facteur devenu décisif dans la rivalité entre laboratoires et entre nations. Les chiffres mobilisés sont vérifiés et renvoyés en fin d'article ; l'interprétation qu'on en tire est signalée comme telle, à chaque fois.

La distinction entre le fait et sa lecture n'est pas une coquetterie. Le sujet du compute attire les formules spectaculaires, et il serait facile d'empiler des nombres impressionnants pour produire un effet. Notre parti est inverse : décrire une réalité industrielle mesurable, expliquer la logique qui la relie, et laisser au lecteur le soin d'en juger la portée. Chaque donnée citée renvoie à une source publique — Agence internationale de l'énergie, travaux du laboratoire de recherche Epoch AI, rapports financiers, presse spécialisée. Chaque phrase qui relève de l'analyse — « on peut lire », « cela suggère », « une interprétation possible » — est marquée comme une hypothèse, jamais comme une vérité établie.

Pourquoi ce sujet mérite-t-il un décryptage transversal, et pas seulement l'annonce d'un site géant de plus ? Parce que le compute est devenu le point où convergent trois contraintes autrefois traitées séparément : la disponibilité des puces spécialisées, l'accès à l'électricité, et le capital nécessaire pour financer les deux. Regarder ces trois fils ensemble, plutôt qu'un à la fois, fait apparaître une structure. C'est cette structure que nous voulons donner à voir.

Le constat : trois courbes qui montent ensemble

Commençons par le socle vérifiable, celui qui ne relève d'aucune interprétation. Trois grandeurs progressent en parallèle, et leur simultanéité est le fait central. La première est la quantité de calcul consommée pour entraîner les modèles. Selon les mesures du laboratoire de recherche Epoch AI, la puissance de calcul mobilisée pour entraîner les modèles de premier plan a augmenté d'environ 4 à 5 fois par an depuis 2010, une tendance qui s'est maintenue avec une remarquable régularité. Multiplier par quatre chaque année n'a rien d'anodin : cela signifie qu'en trois ans, un entraînement de pointe mobilise de l'ordre de soixante fois plus de calcul qu'auparavant. Cette progression est le moteur silencieux de tout le reste.

La deuxième grandeur est le coût. Toujours selon Epoch AI, le coût amorti du matériel et de l'énergie pour les modèles de pointe croît d'environ 2,4 fois par an depuis 2016. Les exemples chiffrés donnent la mesure du chemin parcouru : selon les estimations du Stanford AI Index, qui s'appuient sur les données de calcul d'Epoch AI, l'entraînement de Gemini Ultra chez Google a été estimé autour de 191 millions de dollars, celui de GPT-4 chez OpenAI autour de 78 millions de dollars pour la seule part de calcul. Epoch AI projette que, si la tendance se prolonge, les plus grands entraînements dépasseront le milliard de dollars pièce dès 2027, avec une conséquence directe : ce ticket d'entrée réserve les entraînements de tout premier rang aux organisations les mieux capitalisées. Retenons ce point, il structure une bonne part de la lecture à venir.

La troisième grandeur, la plus concrète pour le grand public, est l'électricité. L'Agence internationale de l'énergie, dans son rapport spécial consacré à l'énergie et à l'IA, projette que la consommation électrique mondiale des centres de données plus que doublera pour atteindre de l'ordre de 945 térawattheures en 2030, soit un peu moins de 3 % de la consommation électrique mondiale à cet horizon. La croissance annoncée est d'environ 15 % par an entre 2024 et 2030 — plus de quatre fois plus rapide que la croissance de la demande d'électricité de tous les autres secteurs réunis. Et au sein de cette demande, la part liée aux serveurs dits « accélérés », ceux qui portent l'IA, progresserait d'environ 30 % par an. Ces nombres, l'Agence les entoure de prudence : les incertitudes s'élargissent après 2030, où son scénario de référence voit la consommation atteindre de l'ordre de 1 200 térawattheures en 2035.

Le calcul d'entraînement quadruple environ chaque année, le coût des plus grands entraînements croît d'environ 2,4 fois chaque année, et la demande électrique des centres de données plus que doublerait d'ici 2030. Trois courbes distinctes, une même direction : vers le haut, et vite.

Ce que « gigawatt » veut dire, concrètement

Le terme revient si souvent qu'il finit par perdre son sens. Fixons-le. Un gigawatt, c'est mille mégawatts, soit l'ordre de grandeur de la puissance d'un réacteur nucléaire ou d'une grande centrale. Longtemps, un centre de données de grande taille se dimensionnait en dizaines de mégawatts. Les installations dédiées à l'IA de pointe changent d'échelle. Le laboratoire Anthropic a estimé qu'entraîner un seul modèle de premier plan pourrait requérir de l'ordre de deux à cinq gigawatts de puissance à l'horizon 2027-2028. Epoch AI, de son côté, projette que les plus grands entraînements individuels de 2030 pourraient appeler entre 4 et 16 gigawatts. La puissance requise pour entraîner les plus gros modèles croît, selon ce même travail, de plus de deux fois par an.

Il faut manier ces projections avec la réserve qui s'impose : ce sont des projections, non des mesures, et elles reposent sur l'hypothèse que les tendances passées se prolongent. Mais même en les prenant au bas de leur fourchette, elles disent une chose difficile à contester : l'entraînement d'un modèle de tout premier rang cesse d'être un problème d'ingénierie logicielle pour devenir, aussi, un problème d'infrastructure énergétique. On ne branche pas cinq gigawatts sur une prise. Il faut un raccordement au réseau, des accords d'approvisionnement, parfois une production dédiée. La contrainte se déplace du code vers la prise de courant.

La chaîne d'approvisionnement du silicium

Entre l'électricité et le modèle, il y a la puce. Et là, le fait dominant est une concentration. Le fabricant Nvidia occupe une position de premier plan sur le marché des accélérateurs d'IA : les estimations sectorielles pour 2025 situent sa part autour de 80 à 90 %, en léger repli par rapport aux quelque 98 % de 2023, à mesure que des concurrents et des puces conçues en interne par les grands acteurs du cloud gagnent du terrain. Les chiffres financiers donnent l'échelle : au deuxième trimestre de son exercice fiscal 2026, l'entreprise a déclaré un chiffre d'affaires d'environ 46,7 milliards de dollars, dont 41,1 milliards pour son activité centres de données, en hausse de 56 % sur un an.

Mais le goulot d'étranglement le plus révélateur ne se situe pas au niveau de la puce logique elle-même. Selon les analyses d'Epoch AI et de plusieurs cabinets spécialisés, ce sont l'assemblage avancé et la mémoire à haute bande passante qui ont constitué la contrainte réelle sur la production en 2025. Le procédé d'assemblage de TSMC, le fondeur taïwanais qui grave l'essentiel de ces puces, était annoncé comme réservé jusqu'en 2026 par le dirigeant de l'entreprise. Les fabricants de mémoire à haute bande passante — SK Hynix, Micron, Samsung — ont indiqué que leur production était intégralement allouée jusqu'en 2026, avec des signes de tension jusqu'en 2027. La rareté ne porte donc pas sur le sable ni sur le silicium brut : elle porte sur les quelques étapes finales, très spécialisées, qui transforment une galette de silicium en accélérateur utilisable. Un maillon fin, mais critique.

La lecture : pourquoi le calcul devient un facteur décisif

Assemblons maintenant les pièces, et j'y insiste : ce qui suit est une grille de lecture, proposée comme telle, sans être présentée comme la vérité officielle du secteur. L'idée tient en une phrase. Tant que l'on pouvait progresser surtout par l'ingéniosité — une meilleure architecture, une astuce d'entraînement —, le calcul restait un moyen parmi d'autres. Dès lors que la performance des modèles de pointe suit d'aussi près la quantité de calcul investie, l'accès au calcul devient une condition d'entrée. Non pas la seule, mais une condition qu'on ne peut plus contourner par la seule intelligence des équipes.

Cette bascule a une origine documentée : la relation empirique, observée sur plusieurs années, entre la taille des modèles, le volume de données, la quantité de calcul et la performance obtenue. Sans entrer dans le détail technique, cette régularité a produit une conviction largement partagée dans le secteur : à méthode constante, ajouter du calcul améliore les résultats de façon prévisible. C'est un fait empirique, pas une loi de la nature — et plusieurs voix rappellent qu'il pourrait fléchir. Mais tant qu'il tient, il transforme la question stratégique. Elle n'est plus seulement « qui a les meilleures idées ? » mais aussi « qui peut réunir le calcul, l'énergie et le capital pour les mettre en œuvre à grande échelle ? ».

Le calcul comme barrière à l'entrée

Le premier ressort de cette lecture est économique. Si le ticket d'un entraînement de tout premier rang se compte en centaines de millions de dollars aujourd'hui, et se dirige vers le milliard, alors le nombre d'organisations capables de jouer à ce niveau se réduit mécaniquement. Ce n'est pas une opinion, c'est une arithmétique : peu d'acteurs disposent d'une telle capacité de financement, et encore moins peuvent la renouveler chaque année pour suivre la cadence. On peut lire cette dynamique comme la formation d'une barrière à l'entrée — non par brevet ou par secret, mais par le simple coût d'accès à l'échelle.

L'argument mérite d'être pris pour ce qu'il est : une tendance, assortie de contre-forces réelles. Car la même période voit des modèles plus petits, plus efficaces, rattraper une partie du terrain — grâce à de meilleures méthodes d'entraînement, à la distillation, à l'optimisation. Le coût pour atteindre un niveau de performance donné baisse avec le temps, même si le coût pour atteindre la frontière, lui, monte. Une interprétation possible, donc : le calcul érige une barrière à la frontière absolue, mais il n'empêche pas la diffusion, en aval, de capacités autrefois réservées aux plus gros. Les deux mouvements coexistent, et les confondre mène à des conclusions fausses.

• Capital. Le coût des plus grands entraînements, qui se dirige vers le milliard de dollars, réserve la frontière absolue aux acteurs les mieux financés.
• Puces. La rareté se concentre sur l'assemblage avancé et la mémoire à haute bande passante, quelques étapes critiques plus que sur le silicium brut.
• Énergie. Le raccordement électrique de sites en gigawatts devient un facteur de localisation et de calendrier, au même titre que la disponibilité des puces.
• Contre-force. L'efficacité progresse : atteindre un niveau donné coûte de moins en moins cher, même si atteindre la frontière coûte de plus en plus.

L'énergie, du détail technique au poste stratégique

Le deuxième ressort est physique, et il est peut-être le plus sous-estimé par ceux qui regardent l'IA depuis le seul angle logiciel. Un modèle ne s'entraîne pas dans le vide : il tourne sur des dizaines de milliers de puces, alimentées en continu pendant des semaines. À l'échelle du gigawatt, l'électricité cesse d'être une ligne de coût parmi d'autres pour devenir une contrainte de localisation. On n'installe pas un site de cette taille là où l'on veut : on l'installe là où le réseau peut le supporter, là où l'électricité est disponible et à un prix soutenable, là où les autorisations suivent. L'accès à l'énergie devient un critère de choix de site au même titre, autrefois, que l'accès à l'eau pour une usine.

On peut lire cette contrainte comme un rééquilibrage géographique silencieux. L'Agence internationale de l'énergie souligne que la Chine et les États-Unis concentreraient près de 80 % de la croissance mondiale de la consommation des centres de données d'ici 2030 — la consommation américaine augmentant d'environ 240 térawattheures, la chinoise d'environ 175. Une interprétation possible : là où le calcul devient un facteur de puissance, l'accès à une électricité abondante et pilotable devient un atout stratégique, et les territoires capables d'en fournir gagnent en importance relative. Ce n'est pas un jugement, c'est une hypothèse que les chiffres rendent plausible.

Il faut ici une précaution importante, à l'heure où la question climatique structure le débat public. Dire que l'IA consomme davantage d'électricité ne revient pas à dire qu'elle condamne les objectifs énergétiques : la même Agence rappelle que les centres de données, tout en pesant lourd localement, ne représenteraient qu'un peu moins de 3 % de la consommation mondiale en 2030, et que l'IA peut aussi contribuer à optimiser les réseaux et certains procédés industriels. La croissance de la demande est réelle et concentrée ; la ramener à une fatalité serait inexact. La nuance compte : le calcul pèse sur l'énergie, mais il s'inscrit dans un système où d'autres usages pèsent davantage encore, et où des gains d'efficacité restent possibles.

Tant que la performance suivait surtout l'ingéniosité, le calcul était un moyen. Dès qu'elle suit d'aussi près la quantité de calcul investie, le calcul devient une condition d'entrée — et avec lui l'énergie et le capital qui le rendent possible.

Du calcul d'entraînement au calcul de service

Un troisième ressort mérite d'être isolé, car il déplace le centre de gravité de toute la question. Pendant des années, la course s'est jouée sur l'entraînement : construire le plus gros modèle. Mais dès qu'un modèle est déployé auprès de millions ou de milliards d'utilisateurs, le coût dominant se déplace vers l'inférence — le travail, répété à chaque requête, de faire répondre le modèle. Cette charge-là est récurrente, directement proportionnelle à l'usage, et elle ne cesse jamais tant que le service tourne. Le calcul d'entraînement est un pic ; le calcul de service est un plateau permanent.

Ce déplacement a des conséquences qu'on commence seulement à mesurer. Un entraînement, aussi coûteux soit-il, se fait une fois. Le service, lui, se paie à chaque interaction, multiplié par le nombre d'utilisateurs. Quand un modèle est diffusé à l'échelle d'un moteur de recherche ou d'une messagerie, chaque fraction de centime économisée par requête se multiplie par des milliards. On peut lire, dans l'attention croissante portée à l'efficacité des puces d'inférence et à leur consommation, la reconnaissance de cette réalité : à grande échelle, ce n'est pas le prix de l'entraînement qui domine la facture, c'est le coût cumulé du service. Une interprétation possible : la rivalité sur le compute est en train de se dédoubler, entre une course à l'entraînement, spectaculaire mais ponctuelle, et une course à l'inférence, plus discrète mais permanente.

Ce dédoublement éclaire aussi une évolution récente des modèles eux-mêmes. Une partie des progrès observés ces derniers temps ne vient plus d'un entraînement plus lourd, mais d'un calcul supplémentaire consenti au moment de répondre — le modèle « réfléchit » davantage avant de produire sa réponse, décompose le problème, vérifie ses étapes. Cette approche améliore la qualité sur les tâches complexes, mais elle a un prix immédiat : chaque réponse mobilise plus de calcul qu'auparavant. Autrement dit, l'effort se déplace en partie de l'atelier vers le comptoir. On peut lire là une raison supplémentaire pour laquelle le calcul de service prend de l'importance : ce n'est plus seulement le nombre d'utilisateurs qui gonfle la facture, c'est aussi la quantité de calcul dépensée par requête. La contrainte, autrefois concentrée sur l'entraînement, se répartit désormais sur toute la durée de vie du modèle.

Cette bascule a des effets concrets sur la manière dont les acteurs dimensionnent leurs installations. Un site pensé pour l'entraînement privilégie la densité et l'interconnexion d'un très grand nombre de puces travaillant sur un même calcul ; un site pensé pour le service privilégie la disponibilité, la proximité des utilisateurs et le coût par requête. Les deux logiques ne se recouvrent pas parfaitement, et plusieurs acteurs commencent à spécialiser leurs infrastructures en conséquence. On peut lire dans cette spécialisation naissante un signe de maturité du secteur : après une phase où l'on empilait de la puissance sans trop distinguer les usages, vient un temps où chaque type de charge appelle sa propre réponse matérielle. Là encore, il s'agit d'une lecture ; la réalité opérationnelle des grands acteurs reste, pour l'essentiel, hors de notre regard.

La mise en perspective : plusieurs manières de tenir la contrainte

Cette grille n'aurait pas grand sens sans point de comparaison. Le compte n'est pas une contrainte que tous les acteurs traitent de la même façon : chacun compose selon ses moyens et sa position. Regarder ces approches côte à côte aide à mesurer ce que le calcul impose — et la diversité des réponses possibles.

Construire son propre site

La réponse la plus visible consiste à bâtir des installations dédiées, à l'échelle du gigawatt. Plusieurs projets d'envergure ont été annoncés dans cette logique, avec des engagements de capitaux se comptant en dizaines, voire en centaines de milliards de dollars, et des campus conçus dès l'origine pour l'IA. La force de cette approche est le contrôle : maîtriser son infrastructure, c'est ne dépendre de personne pour la disponibilité et pouvoir dimensionner exactement pour ses besoins. Sa contrepartie est l'immobilisation : ces investissements engagent des sommes considérables sur des années, avant même que le retour ne se matérialise, et ils supposent un pari sur la poursuite de la croissance de la demande.

Concevoir ses propres puces

Une autre réponse, complémentaire, consiste à réduire sa dépendance au fournisseur dominant en concevant ses propres accélérateurs. Plusieurs grands acteurs du cloud ont emprunté cette voie, dessinant des puces taillées pour leurs propres charges de travail. La logique est double : agir sur les coûts en échappant à la marge d'un fournisseur tiers, et sécuriser l'approvisionnement en ne dépendant plus d'un marché tendu. La contrepartie est l'ampleur de l'effort d'ingénierie — concevoir une puce compétitive mobilise des années et des équipes rares — et le fait que même une puce « maison » dépend encore, en aval, des mêmes fondeurs et des mêmes capacités d'assemblage. La diversification déplace la dépendance ; elle ne l'efface pas.

Louer plutôt que posséder

À l'opposé de la possession, on trouve les acteurs qui préfèrent louer leur puissance de calcul, souvent à plusieurs fournisseurs à la fois. Un exemple récent l'illustre : le laboratoire Anthropic a annoncé un accord d'ampleur pour sécuriser une capacité de calcul se comptant en gigawatts, tout en revendiquant une stratégie multi-plateformes qui répartit ses charges sur plusieurs types d'accélérateurs. La vertu de cette approche est la souplesse : on ajuste sa capacité sans immobiliser le capital d'une construction, et l'on réduit son exposition à un fournisseur unique en jouant sur plusieurs. Sa limite est la dépendance résiduelle à la disponibilité du marché et aux prix qu'il pratique. C'est un arbitrage différent, pas nécessairement inférieur : tout dépend de ce que l'on cherche à optimiser, la maîtrise ou l'agilité.

La dimension géopolitique

Un dernier plan mérite d'être nommé, même s'il déborde le cadre strictement industriel. Puisque le calcul dépend de puces dont la fabrication est concentrée dans quelques usines, et d'une électricité que tous les territoires ne peuvent fournir en abondance, il devient un objet de politique publique. Le contrôle des exportations de puces avancées, les débats sur la localisation des sites, les tensions autour de la capacité de production des fondeurs : autant de signes que la course au calcul se joue aussi entre États, et pas seulement entre entreprises. On peut lire cette dimension comme le prolongement logique de la précédente : quand une ressource devient rare et déterminante, elle cesse d'être une simple affaire de marché. Nous formulons cela comme une observation, sans prétendre en dérouler toutes les implications, qui excèdent le cadre de cette analyse.

Ce que le calcul ne garantit pas

Pour rester honnête, il faut aussi nommer les limites de la grille. Accumuler du calcul n'assure pas de produire le meilleur modèle : l'histoire récente a montré que des équipes disposant de moins de ressources ont parfois obtenu des résultats remarquables par l'ingéniosité de leurs méthodes. La relation entre calcul et performance est régulière, mais elle n'est ni automatique ni éternelle, et plusieurs chercheurs s'interrogent sur son éventuel fléchissement. Enfin, une avance en calcul immobilise des capitaux immenses et expose à un risque : si la demande ralentissait, ou si une rupture méthodologique réduisait le besoin de calcul, ces investissements pèseraient lourd. La puissance de calcul est un facteur ; elle n'est pas une assurance de victoire.

Ce qu'on peut en retenir

Résumons sans surenchère. Le fait établi est une convergence : le calcul d'entraînement quadruple environ chaque année, son coût grimpe d'environ 2,4 fois chaque année, et la demande électrique qu'il entraîne plus que doublerait d'ici 2030. Ces trois courbes, mesurées par des sources indépendantes, montent ensemble. C'est cette simultanéité, plus que n'importe quel nombre isolé, qui fait du calcul un facteur devenu central dans la rivalité entre laboratoires et entre nations.

La lecture que l'on peut en tirer — et ce n'est qu'une lecture — est que l'accès au calcul est passé du statut de moyen à celui de condition. Non pas la seule condition : l'ingéniosité, la qualité des données, le talent des équipes comptent toujours, et l'efficacité croissante rend accessible en aval ce qui était hier réservé à la frontière. Mais pour jouer au tout premier rang, il faut désormais réunir trois ingrédients rares en même temps — les puces, l'énergie, le capital — et savoir les faire tenir ensemble. C'est cette combinaison, plus que la possession de l'un ou l'autre, qui dessine la carte des acteurs capables de rester à la pointe.

Faut-il en conclure que tout est joué au profit des plus gros ? Ce serait trahir la nuance qui a guidé ce texte. Les contre-forces sont réelles : l'efficacité progresse, des modèles plus légers rattrapent une part du terrain, et une rupture méthodologique reste toujours possible. La concentration à la frontière coexiste avec une diffusion en aval, et les deux mouvements sont vrais à la fois. Par ailleurs, aucune des stratégies observées — construire, concevoir ses puces, louer — n'est intrinsèquement supérieure : chacune est un arbitrage entre maîtrise, coût et souplesse.

Une dernière fois, pour lever toute ambiguïté : rien de ce qui précède ne constitue un pronostic sur le vainqueur de cette course, ni un conseil d'investissement d'aucune sorte. Notre ambition était plus modeste, et nous l'espérons plus utile : montrer pourquoi le calcul, longtemps traité comme un simple intrant technique, s'est hissé au rang de facteur déterminant, et pourquoi comprendre l'IA de pointe suppose désormais de regarder, ensemble, le silicium, l'électricité et l'argent qui la rendent possible. La formule qui fait du calcul « le nerf de la guerre » a le mérite de la clarté ; la réalité qu'elle recouvre mérite, elle, d'être regardée dans le détail — c'est ce que nous avons tenté de faire.

Sources

• Agence internationale de l'énergie — « Energy and AI », résumé exécutif (≈ 945 TWh en 2030, +15 %/an, ≈ 1 200 TWh en 2035, part < 3 %)
• Agence internationale de l'énergie — « Energy demand from AI » (serveurs accélérés +30 %/an, Chine et États-Unis ≈ 80 % de la croissance)
• Epoch AI — « Training compute of frontier AI models grows by 4-5x per year »
• Epoch AI — « How much does it cost to train frontier AI models? » (coût × 2,4/an depuis 2016, cap du milliard de dollars dès 2027)
• Stanford HAI — AI Index Report 2025 (estimations de coût Gemini Ultra ≈ 191 M$ et GPT-4 ≈ 78 M$, à partir des données de calcul d'Epoch AI)
• Epoch AI — « How much power will frontier AI training demand in 2030? » (4-16 GW, puissance × > 2/an)
• Epoch AI — « Advanced packaging and HBM were the bottlenecks on AI chip production in 2025 »
• Nvidia — communiqué financier T2 FY2026 (chiffre d'affaires ≈ 46,7 Md$, centres de données ≈ 41,1 Md$, +56 % sur un an)
• Anthropic — « Build AI in America » (un entraînement de pointe requerrait de l'ordre de 2 à 5 GW à l'horizon 2027-2028)
• Data Center Frontier — « The Gigawatt Bottleneck » (contraintes de puissance des centres de données IA)