Course à l’IA : un centre de gravité en mutation

À quoi ressemble, à l’échelle macroéconomique, une « course à l’IA » quand elle cesse d’être une promesse et devient une facture d’électricité, un marché du travail et une bataille de capacité industrielle ?

Un signal faible revient partout : le centre de gravité se déplace. On parlait surtout de modèles. La trajectoire se joue désormais dans l’inférence, les agents, la mémoire, et l’endroit où l’on installe les data centers. Quand des assistants de code et des agents font exploser la part des requêtes liées à la programmation, passée de 11% à environ 50% en un an dans un état des lieux d’OpenRouter cité dans le contexte, la question cesse d’être « qui a le meilleur modèle » et devient « qui peut servir le plus vite, au plus bas coût, avec des contraintes acceptables ».

Le vecteur, c’est la convergence entre une demande logicielle qui s’automatise (agents, “vibe-coding”, assistants), une offre matérielle qui baisse brutalement le coût marginal par token, et une géopolitique de l’infrastructure où l’énergie et la souveraineté comptent autant que les algorithmes. Cette dynamique pousse à investir, à consolider, puis à normaliser l’IA comme une couche invisible de l’économie. Reste le point de bascule : la société acceptera-t-elle cette diffusion si elle se traduit par une concentration extrême des gains, des risques et des moyens de calcul ?

Le bruit des ventilateurs

Le volet distribution de la course à l’IA se lit dans les courbes de performance, parce qu’elles réduisent un risque très concret : celui de ne pas pouvoir servir des agents en temps réel faute de débit, donc de perdre des usages entiers à la concurrence.

NVIDIA décrit une adoption large de Blackwell chez des fournisseurs d’inférence, avec des baisses de coût par token pouvant aller jusqu’à 10x, puis un saut supplémentaire avec Blackwell Ultra pour les usages « agentiques ». Dans cette logique, les données Blackwell Ultra ne servent pas seulement à vendre une génération de GPU : elles racontent une économie qui devient viable dès que la latence et le coût par token passent sous certains seuils.

Le côté distribution se mesure aussi à la manière dont l’offre est “packagée” en systèmes. Le risque à réduire, ici, c’est l’écart entre une promesse de performance et une performance réellement reproductible à l’échelle d’un data center.

Le même contexte avance des gains spectaculaires sur des systèmes NVIDIA GB300 NVL72, jusqu’à 50x plus de débit par mégawatt et 35x de baisse de coût par token par rapport à Hopper, ce qui change la courbe d’investissement : pour une entreprise, « grandir » peut redevenir une question de CAPEX et d’accords d’énergie, pas seulement de talent ou de produit.

Le volet distribution se voit enfin dans les métriques de coût. La réduction du risque, c’est simple : éviter que l’IA agentique reste un luxe réservé à quelques gros clients.

Dans cette trajectoire, chaque baisse de coût élargit la base d’adoption, et donc renforce l’incitation à construire des produits “agents-first”. On peut y voir un mécanisme de verrouillage : plus l’économie du token s’améliore, plus les organisations internalisent des usages, plus elles deviennent dépendantes d’un accès fiable au calcul.

Le côté distribution s’étire aussi dans la longueur des contextes, ce qui réduit un risque d’usage très concret : un agent qui “oublie” trop vite devient imprévisible et inutilisable dans un workflow en plusieurs étapes.

Nvidia parle ici de scénarios long contexte (128 000 tokens d’entrée, 8 000 tokens de sortie) et d’un avantage coût du GB300 par rapport au GB200 dans ces cas-là. Pour une économie logicielle, cela suggère une diffusion d’outils capables de « lire » un codebase entier, un contrat, une base documentaire, et de tenir la continuité d’une tâche sur des minutes plutôt que sur des échanges fragmentés.

La bataille du “full-stack”

Une course à l’IA se gagne rarement sur une seule brique. Quand une entreprise commence à acheter de l’infrastructure applicative plutôt qu’à la sous-traiter, elle réduit un risque de dépendance : celui de devoir servir ses modèles dans des conditions imposées par d’autres.

Le rachat de Koyeb par Mistral illustre cette logique : l’acquisition de Koyeb confirme une ambition cloud et une intégration plus verticale, avec l’idée d’optimiser l’usage GPU, de déployer chez le client (on-premises) et de sécuriser l’étape la plus coûteuse à long terme : l’inférence en production.

Le pivot vers l’inférence met en lumière une contrainte moins visible que les GPU, mais déterminante. Le volet distribution, ici, réduit un risque d’engorgement : même avec de bons modèles, on peut perdre la bataille si la mémoire devient le goulot d’étranglement.

Le glissement est net dans la bataille de la mémoire : la hausse du prix de la DRAM y est décrite comme explosive (environ 7x sur un an), et surtout, l’article insiste sur une discipline naissante : orchestrer la mémoire pour que la bonne donnée arrive au bon agent au bon moment. C’est un changement de nature : optimiser l’IA, ce n’est plus seulement réduire des paramètres, c’est piloter des caches, des fenêtres, des invalidations.

Le signe, c’est quand on va sur la page de tarification du cache de prompts d’Anthropic. Au départ, c’était une page très simple il y a six ou sept mois, surtout au moment du lancement de Claude Code – juste « utilisez le cache, c’est moins cher ». Maintenant, c’est une encyclopédie de conseils sur le nombre exact d’écritures de cache à préacheter. Il y a des paliers à 5 minutes, qui sont très courants dans l’industrie, ou à 1 heure – et rien au-dessus. C’est un signe très important. Et puis, bien sûr, il existe toutes sortes d’opportunités d’arbitrage sur le prix des lectures de cache en fonction du nombre d’écritures de cache que vous avez préachetées.

Cette micro-économie du cache a une conséquence macro : elle sélectionne les gagnants. Les acteurs capables de transformer cette complexité en simplicité d’usage et en prévisibilité budgétaire pourraient capter une part disproportionnée de la valeur, parce que les clients paient pour la continuité opérationnelle plus que pour le “génie” du modèle.

L’argent qui s’empile

Une course se nourrit de capital, mais aussi d’histoires que le capital accepte de croire. Le côté légitimité se joue là : réduire le risque perçu que l’IA soit un pari isolé, en la présentant comme une “nouvelle norme” d’investissement.

Dans les méga-levées américaines, TechCrunch recense déjà, début 2026, une série de tours à 100 M$ et plus. La liste est presque moins importante que l’effet d’entraînement : elle signale que la “prime IA” reste active, et que la compétition se finance comme une course à l’équipement.

Mais l’endroit où l’on investit devient aussi important que le montant. Le volet distribution réduit un risque de congestion géographique : si tout le calcul reste concentré, le coût de la latence, du droit, et même de la politique finit par s’inviter dans le produit.

Le plan indien de capter plus de 200 Md$ d’investissement en infrastructure IA d’ici 2028, tel qu’il est détaillé dans l’offensive indienne sur l’infrastructure, s’inscrit précisément dans cette lecture : la capacité de calcul devient un actif stratégique, avec des incitations fiscales, du capital public, et une volonté de faire venir des morceaux entiers de la chaîne de valeur.

Le côté distribution se heurte toutefois à la réalité physique. Réduire le risque, ici, signifie sécuriser l’énergie, l’eau, le foncier, et l’exécution  – autrement dit, le monde matériel.

Ce n’est pas une abstraction quand l’engagement d’Adani parle de 100 Md$ sur une décennie pour des data centers spécialisés IA, avec une ambition affichée de convergence entre énergie et calcul et une cible allant jusqu’à 5 gigawatts de capacité de data centers. Même si le calendrier exact d’exécution reste une inconnue, le signal est net : la course à l’IA devient une course aux campus industriels.

La trajectoire indienne est aussi racontée comme une coalition entre État, écosystème et fournisseurs de calcul. Le côté légitimité réduit un risque de dépendance externe : l’idée est de rendre l’accès au compute politiquement “décidable” sur place.

Cette volonté apparaît dans la IndiaAI Mission chez NVIDIA, avec l’accent mis sur la capacité partagée, des partenaires cloud locaux, des jeux de données et des modèles “souverains”. Le texte détaille aussi la complexité linguistique (22 langues constitutionnelles, plus de 1 500 recensées) qui transforme la souveraineté en problème d’ingénierie, pas seulement en slogan.

Des agents partout, des emplois nulle part ?

Le signal faible le plus social, c’est la banalisation de la production logicielle par des non-développeurs. Le côté distribution réduit un risque d’exclusion : si des millions de personnes peuvent automatiser des tâches, l’IA cesse d’être un outil de spécialistes.

Le cas d’Emergent, présenté dans l’essor du “vibe-coding”, est parlant parce qu’il met des chiffres sur la traction : l’entreprise affirme un annual run-rate de plus de 100 M$, plus de 6 millions d’utilisateurs dans 190 pays, et une majorité de profils sans expérience préalable de code. Si ce type de plateforme se généralise, la productivité logicielle pourrait se diffuser dans des secteurs qui vivaient encore sur des feuilles de calcul et des chaînes d’e-mails.

L’effet sur l’emploi, lui, n’est pas un futur lointain. Il est déjà décrit comme un choc probable, y compris par des dirigeants du secteur créatif. Le côté légitimité réduit un risque de déni : reconnaître l’impact devient une condition pour le rendre socialement négociable.

Dans l’entretien avec Luma AI, Caroline Ingeborn dit explicitement que des technologies comme les leurs auront un énorme impact sur l’emploi, déjà visible sur le coding, tout en défendant l’idée d’une créativité “augmentée” plutôt que remplacée. La tension est là : plus l’IA devient un outil de production, plus elle menace des tâches routinières, mais plus elle devient aussi une prothèse d’expression pour ceux qui n’avaient pas les moyens techniques de produire.

À court ou moyen terme, une hypothèse plausible est l’émergence d’un marché du travail biface : d’un côté des métiers de supervision, d’intégration, de conformité, de sécurité et de “mise en production” de flottes d’agents ; de l’autre, une pression sur les fonctions intermédiaires qui exécutaient des tâches structurées. Rien n’est mécanique, mais la trajectoire actuelle pousse dans ce sens, parce que l’économie du token et la baisse de latence rendent l’automatisation “à la minute” rentable.

Les nouveaux empires de la proximité

Le volet distribution s’incarne dans un détail que les entreprises comprennent très vite : la latence n’est pas qu’une gêne, c’est une barrière commerciale. Réduire le risque, c’est rapprocher le calcul des utilisateurs, et cocher les cases de résidence des données.

Dans l’accord OpenAI – Tata, TechCrunch met en avant un premier lot de 100 MW de capacité de data center “AI-ready”, avec une ambition de montée vers 1 GW. Au-delà du symbole, l’enjeu est de pouvoir servir les modèles “dans le pays”, pour réduire la latence et répondre à des exigences de conformité, notamment pour des secteurs régulés.

Quand une IA s’insère dans des flux financiers, le point de bascule se déplace vers la sécurité et la responsabilité. Le côté sécurité réduit un risque de fraude et d’erreur à grande échelle : un agent qui “se trompe” ne se contente plus de mal répondre, il peut déclencher une action.

La trajectoire est esquissée dans le partenariat avec Pine Labs, qui vise des workflows d’automatisation (règlement, rapprochement, facturation) et souligne que l’adoption pourrait être plus rapide en B2B, là où les tâches répétitives sont cadrées par des règles. Cela ressemble à un futur proche où les agents deviennent d’abord des “employés invisibles” dans les back-offices, avant d’être des acteurs autonomes côté consommateur.

Une diffusion par les institutions a un effet plus lent, mais plus profond. Le côté légitimité réduit un risque de rejet culturel : quand l’IA devient un outil de formation et de recherche, elle s’installe dans la normalité.

Dans l’entrée d’OpenAI dans l’enseignement supérieur, l’objectif affiché est de toucher plus de 100 000 étudiants, enseignants et personnels sur un an via des partenariats avec des institutions. Si ce modèle se répète ailleurs, les futurs cadres apprendront à travailler “avec” des systèmes d’IA comme on apprend aujourd’hui à travailler avec des tableurs, ce qui accélère l’adoption et rend plus coûteux, politiquement, un retour en arrière.

Une industrialisation qui déborde des écrans

La course à l’IA ne reste pas confinée au logiciel. Le volet distribution réduit un risque de décalage entre prototype et usine : si l’IA doit transformer la productivité, elle doit se brancher sur des chaînes industrielles réelles.

Le texte sur les agents d’entreprise en Inde décrit des usages de back-office et de support client, avec des contraintes fortes de latence, de conformité et de gouvernance. Même si l’on reste prudent sur la généralisation, l’idée d’agents “opérationnels” dans des organisations très processées est un signal faible qui pourrait devenir dominant, parce qu’il transforme des coûts fixes (des équipes) en coûts variables (du calcul).

Le côté distribution prend aussi une dimension industrielle quand il est question de jumeaux numériques, de simulation et de robotique. Le risque réduit est celui de la casse : tester en virtuel évite des erreurs coûteuses dans le monde physique.

L’approche décrite dans les partenariats industriels en Inde va dans ce sens : accélérer conception, simulation et opérations via des briques de calcul et de jumeaux numériques. Une hypothèse réaliste à quelques années est que l’IA devienne un standard des grands projets industriels, parce qu’elle économise des cycles de conception et rationalise la maintenance.Si la trajectoire s’accélère, la frontière entre “IA” et “informatique industrielle” pourrait s’effacer. On ne parlerait plus d’adopter une IA, mais de concevoir des processus où des agents lisent, planifient, vérifient, et où l’humain valide les exceptions.

Les périphéries, ou la géographie du retard

La course a une conséquence immédiate : elle concentre. Le côté légitimité réduit un risque de récit trompeur : prétendre que la diffusion est “naturelle” alors que l’accès au capital et au compute reste inégal.

Dans l’analyse sur le financement africain, la concentration est décrite sans détour : les investissements restent majoritairement captés par l’Afrique du Sud, l’Égypte, le Kenya et le Nigeria, tandis qu’un “squeeze” du capital depuis 2022 aurait accentué les écarts. Même si l’Afrique ne résume pas “les pays en développement”, le mécanisme est instructif : quand le capital se raréfie, il va vers les écosystèmes perçus comme les moins risqués, et les autres perdent du temps.

Le volet distribution se traduit alors par un choix politique. Réduire le risque, ce n’est pas seulement “financer des start-up” : c’est investir dans énergie, connectivité, capital humain et gouvernance, sinon l’IA reste importée, consommée, rarement produite.

À trois à cinq ans, deux trajectoires opposées restent plausibles : soit ces périphéries gagnent en attractivité parce que le coût du token baisse et que les clouds se “décollent” géographiquement ; soit la concentration s’aggrave parce que les meilleurs agents exigent des piles techniques et des régimes de données trop lourds pour des écosystèmes fragiles.

Le point de bascule, ici, pourrait être moins technologique que financier : l’apparition d’instruments de financement stables (fonds souverains, banques de développement, partenariats public-privé) et de règles claires sur les données. Sans ça, la course ressemble à un train qui ne s’arrête pas aux petites gares.

Cette lecture rejoint un fait plus global : quand le compute devient rare ou coûteux, il s’alloue comme une ressource stratégique, et les zones déjà dotées gagnent encore. Le signal faible, c’est que la “souveraineté” n’est plus un slogan européen ou asiatique : elle devient une ligne budgétaire partout où l’on veut éviter de dépendre d’une poignée de plateformes.

La publicité entre dans la pièce

Quand les coûts baissent et que les usages explosent, la monétisation devient la prochaine contrainte. Le côté légitimité réduit un risque de rupture de confiance : un assistant qui conseille ne doit pas se transformer en vendeur déguisé.

Le débat est posé dans l’arrivée des publicités dans l’IA, qui défend l’idée qu’une publicité clairement séparée et contrôlable pourrait financer l’accès et réduire la fracture numérique. Même si l’article insiste sur des garde-fous, il met le doigt sur une tension macro : à grande échelle, la gratuité se paie toujours, soit par l’abonnement, soit par la publicité, soit par la captation de données, soit par une subvention plus ou moins explicite.

À moyen terme, une hypothèse plausible est un marché à plusieurs vitesses : une IA “premium” sans publicité et avec garanties, une IA “grand public” partiellement financée par des formats commerciaux, et des IA “intégrées” dans des services (banque, éducation, commerce) où le coût est absorbé ailleurs. L’issue dépendra d’un point de bascule juridique et technique : la capacité à prouver que la recommandation et la publicité ne se contaminent pas.

Le contre-mouvement

Plus la course s’intensifie, plus la contestation change de forme. Le côté légitimité réduit un risque de fuite en avant : si les acteurs ne peuvent pas s’arrêter seuls, la pression vient de l’opinion, des salariés, des régulateurs.

La séquence racontée dans la grève de la faim face à DeepMind est intéressante comme signal faible, même si elle se place sur le terrain de la sécurité de l’IA et du risque existentiel. Elle montre qu’une stratégie d’activisme ciblé peut infléchir le discours public d’un géant, via l’enjeu d’une “pause conditionnelle” et la mise en lumière d’une course où personne ne veut être celui qui ralentit.

À trois à cinq ans, un backlash pourrait venir d’un incident “banal” plutôt que d’un scénario extrême : une faille majeure via un agent, une vague de fraudes automatisées, une crise de confiance liée à une recommandation sponsorisée mal encadrée, ou une panique politique autour de l’emploi. La trajectoire dépendra d’un point de bascule très concret : des standards vérifiables de sécurité et de responsabilité, capables de s’imposer sans étouffer la diffusion.

Il est tentant d’imaginer que la régulation arrive “après”. Mais la course actuelle ressemble moins à une innovation isolée qu’à une industrialisation, et une industrialisation finit presque toujours par fabriquer ses normes. Les lois peuvent échouer une première fois, puis revenir sous d’autres formes, surtout si la réputation devient un coût économique.

Les signaux d’alerte précoces

Les indicateurs disponibles aujourd’hui qui aident à deviner quelle trajectoire l’emporte ne manquent pas : la multiplication de tours de financement géants et de valorisations “hors norme”, la course aux campus de data centers et aux mégawatts, l’intégration verticale (comme Mistral avec Koyeb), la complexification visible des pages de tarification et d’optimisation mémoire, les partenariats institutionnels (éducation, fintech, entreprises), l’arrivée de modèles économiques grand public comme la publicité, et, en miroir, la montée d’une contestation structurée sur la sécurité et le contrôle.

Si rien ne change, l’économie de l’IA pourrait ressembler à celle du cloud : quelques fournisseurs d’infrastructure, une couche de services d’inférence “commoditisés”, et au-dessus une multitude d’applications, dont une partie s’appuie sur des agents capables de travailler en arrière-plan. Dans cette trajectoire inertielle, le gagnant n’est pas forcément celui qui invente le meilleur modèle, mais celui qui rend la puissance disponible, stable et budgétairement prévisible.

Si l’accélération continue, la course pourrait déplacer le centre de gravité hors des bastions habituels, avec des pays qui se positionnent comme hubs d’infrastructure en jouant sur énergie, foncier, incitations et formation. L’Inde apparaît ici comme un laboratoire à ciel ouvert, où l’infrastructure, les partenariats et la diffusion dans les organisations avancent de concert.

Si le rejet s’installe, il ne prendra probablement pas la forme d’un arrêt total, mais d’un ralentissement sélectif : obligations de tests, contraintes de déploiement, restrictions sur certains usages agents, et une exigence plus forte de séparation entre conseil et incitation commerciale. Une part de l’innovation se déplacerait alors vers la “conformité programmable” : prouver, logs à l’appui, qu’un agent respecte une règle.

À ce stade, l’issue la plus probable semble être un monde hybride : une adoption large portée par la baisse des coûts et la pression concurrentielle, combinée à une normalisation progressive par des règles, des scandales, et des ajustements de modèle économique. Autrement dit, la course ne s’arrête pas, mais elle apprend à courir en public.

La question ouverte, c’est celle des signaux faibles que chacun voit dans son propre secteur : dans la santé, l’industrie, l’éducation, la finance, ou la création, quel est l’indice le plus concret qui montre que la trajectoire est en train de basculer ?