Sur scène, une démonstration suffit : un assistant répond, traduit, programme. Derrière, il faut des puces, des serveurs, des câbles et une alimentation électrique qui ne faiblit jamais. La concurrence en intelligence artificielle se joue aussi dans cette arrière-boutique industrielle. Les conférences spécialisées comme RAISE Summit offrent un prisme pour comprendre ce déplacement du pouvoir : inventer un meilleur modèle ne suffit pas ; encore faut-il pouvoir l’entraîner, le distribuer et financer chaque utilisation.
À l’horizon de septembre 2026, cette lecture éclaire les choix des entreprises comme ceux des États. L’analyse qui suit s’appuie sur des tendances et événements publics établis avant cette échéance ; ses prolongements sont prospectifs. Elle ne constitue pas un compte rendu des annonces ou des interventions d’une édition 2026 du sommet.
Les puces, premier péage de l’intelligence artificielle
Dans un centre de données consacré à l’IA, le processeur graphique, ou GPU, est devenu une ressource stratégique. Conçu à l’origine pour traiter des images, il exécute en parallèle les opérations mathématiques nécessaires aux réseaux de neurones. Pour entraîner un grand modèle, des milliers d’accélérateurs doivent fonctionner ensemble. Leur nombre compte, mais leur mémoire, leur interconnexion et la fiabilité de l’ensemble comptent tout autant.
La position de Nvidia ne repose donc pas seulement sur ses composants. Elle tient aussi à CUDA, son environnement logiciel, aux bibliothèques optimisées et aux compétences accumulées par les développeurs. Changer de fournisseur peut imposer de réécrire, tester et optimiser une partie des logiciels. Une puce disponible et moins chère ne constitue pas automatiquement une alternative équivalente.
AMD, les accélérateurs spécialisés et les puces conçues par les grands fournisseurs de cloud élargissent les possibilités. Google utilise ses TPU depuis plusieurs générations ; Amazon développe notamment Trainium et Inferentia. Ces solutions peuvent améliorer l’économie de certaines tâches. Elles renforcent aussi un dilemme : réduire sa dépendance à un fabricant peut accroître sa dépendance à une plateforme.
Une chaîne mondiale, des décisions nationales
La production concentre plusieurs goulots d’étranglement : fabrication avancée, mémoire à large bande passante et assemblage sophistiqué. TSMC occupe une place centrale dans cet écosystème, tandis que quelques industriels dominent les mémoires nécessaires aux accélérateurs. Commander davantage ne permet pas de créer instantanément des capacités : agrandir une usine et qualifier ses procédés prennent des années.
Les restrictions américaines sur les exportations de puces avancées vers la Chine, engagées en 2022 puis renforcées, ont montré que cet accès dépend aussi de choix géopolitiques. Pour un laboratoire, une réglementation peut modifier les équipements accessibles et les partenariats possibles. La puissance de calcul est désormais une question de politique industrielle autant qu’une ligne du budget informatique.
L’électricité : le facteur que la démonstration oublie
Une fois les serveurs achetés, encore faut-il les alimenter et évacuer leur chaleur. Un bâtiment disponible ne garantit pas un raccordement électrique suffisant. Les gestionnaires de réseau doivent intégrer ces nouvelles charges, parfois face à d’autres besoins industriels. Le calendrier du transformateur ou de la ligne électrique peut alors devenir plus contraignant que celui du logiciel.
L’Agence internationale de l’énergie signalait déjà, dans son rapport Electricity 2024, une hausse rapide attendue des besoins des centres de données, de l’IA et des cryptomonnaies. Il faut toutefois distinguer ces catégories : toute consommation d’un centre de données n’est pas imputable à l’IA. Les comparaisons spectaculaires masquent souvent cette différence et les incertitudes sur les usages futurs.
Le refroidissement ajoute une contrainte locale. Selon les installations, il mobilise de l’eau, de l’électricité ou les deux. L’intérêt d’un site dépend donc du climat, du réseau, des ressources hydriques et de l’acceptabilité du projet. Une promesse d’électricité renouvelable achetée sur l’année ne signifie pas nécessairement que les machines sont alimentées sans carbone à chaque heure.
Pour la France, un mix électrique largement décarboné constitue un atout potentiel. Mais cet avantage ne remplace ni les raccordements, ni les investissements, ni les compétences d’exploitation. Dans une perspective 2026 et au-delà, la compétition pourrait favoriser les territoires capables de proposer une capacité réellement disponible, plutôt qu’une simple annonce de mégawatts futurs.
Le cloud vend du calcul, mais aussi une dépendance
Pour une jeune entreprise, louer des GPU permet d’éviter un investissement initial considérable. Le cloud fournit aussi stockage, réseau, sécurité et outils de déploiement. Cette simplicité explique son rôle central. Elle donne cependant aux grands opérateurs un pouvoir sur les tarifs, les quotas, les régions disponibles et les conditions d’accès aux nouvelles machines.
Les rapprochements entre fournisseurs de cloud et laboratoires illustrent cette interdépendance : Microsoft avec OpenAI, Amazon et Google avec Anthropic. Sans préjuger de clauses contractuelles particulières, leur logique industrielle est claire. Les laboratoires obtiennent des ressources et des financements ; les plateformes attirent des modèles, des développeurs et des clients vers leurs infrastructures.
La concurrence se joue alors sur plusieurs étages à la fois. Une entreprise peut proposer un excellent modèle tout en dépendant d’un concurrent pour le faire fonctionner. Des crédits cloud facilitent son démarrage, mais ne garantissent pas une facture soutenable lorsque les usages augmentent. Migrer suppose de déplacer des données et de reconstruire des intégrations.
Le vrai test économique commence après l’entraînement
L’entraînement concentre l’attention parce qu’il exige des moyens spectaculaires. Pourtant, l’inférence — chaque réponse produite par un modèle — peut devenir le poste décisif à grande échelle. Un assistant peu utilisé coûte relativement peu à servir. Le même service intégré à des millions de parcours quotidiens change complètement l’équation, surtout si chaque demande déclenche plusieurs opérations.
C’est pourquoi les modèles plus petits, la quantification, la mise en cache et le choix du modèle selon la tâche prennent une importance stratégique. Un outil de classement documentaire n’a pas toujours besoin du système le plus puissant. L’avantage compétitif peut venir d’une architecture sobre, capable de respecter un niveau de qualité avec moins de calcul.
Les modèles à poids ouverts élargissent les possibilités d’hébergement et d’adaptation. Ils ne rendent pas l’infrastructure gratuite, et leurs licences diffèrent. Ils peuvent néanmoins réduire certaines dépendances. Pour un acheteur, comparer uniquement les performances affichées serait insuffisant : il faut examiner le coût d’exploitation, la latence, la confidentialité et la possibilité de changer de prestataire.
La souveraineté se mesure à la capacité de choisir
Dans les discussions autour de l’IA, posséder des centres de données nationaux devient facilement un symbole. La souveraineté opérationnelle est plus exigeante : qui contrôle les équipements, les logiciels, les accès et la maintenance ? Où résident les données ? Que se passe-t-il si un fournisseur modifie ses prix ou interrompt un service ?
Et maintenant ? La prochaine phase pourrait moins récompenser la seule taille des modèles que la maîtrise de leur coût complet. Pour les entreprises, cela implique de tester plusieurs fournisseurs et de mesurer chaque usage. Pour les pouvoirs publics, de coordonner énergie, industrie et concurrence. Derrière les scènes de conférences, la question décisive restera simple : qui dispose des moyens matériels de transformer une promesse d’IA en service durable ?
