Terres rares, semi-conducteurs, lithographie, mémoire HBM, GPU, data centers, électricité et cloud : derrière quelques secondes de conversation avec une intelligence artificielle se cache l’une des chaînes industrielles les plus complexes jamais construites.
Quand nous parlons d’intelligence artificielle, nous parlons presque toujours de modèles.
GPT, Claude, Gemini, Llama, Mistral.
Nous comparons leurs performances, leur nombre de paramètres, leurs capacités de raisonnement ou le prix du million de tokens.
Cette vision donne pourtant une impression trompeuse de l’IA : celle d’une industrie essentiellement logicielle.
Car avant le modèle, il faut du calcul.
Avant le calcul, il faut des GPU et des accélérateurs.
Avant les GPU, il faut des semi-conducteurs.
Avant les semi-conducteurs, il faut des machines de lithographie, des wafers, des gaz et des matériaux d’une pureté extraordinaire.
Avant ces matériaux, il faut des raffineries.
Et avant les raffineries, il faut des mines.
À l’autre extrémité de la chaîne, il faut encore assembler des serveurs, construire des data centers, fabriquer des transformateurs, tirer des lignes électriques, produire de l’énergie et connecter tout cela à des réseaux mondiaux.
L’intelligence artificielle que nous percevons comme instantanée est donc l’aboutissement d’une gigantesque supply chain minière, chimique, électronique, industrielle, énergétique et numérique.
Pour comprendre l’économie de l’IA, il faut remonter cette chaîne.
L’IA commence-t-elle réellement dans une mine ?
En partie, oui.
Mais il faut immédiatement corriger une expression devenue courante : les « terres rares de l’IA ».
Les terres rares existent bien et certaines sont stratégiques pour l’industrie électronique. Mais l’infrastructure nécessaire à l’intelligence artificielle dépend d’un ensemble beaucoup plus vaste de minerais et matériaux critiques.
Cuivre.
Silicium.
Gallium.
Germanium.
Cobalt.
Nickel.
Graphite.
Terres rares.
Et de nombreux produits chimiques et matériaux extrêmement spécialisés utilisés dans la fabrication des semi-conducteurs.
Le cuivre est par exemple essentiel pour les infrastructures électriques et les data centers. Le gallium et le germanium possèdent des applications importantes dans l’industrie des semi-conducteurs et des télécommunications. Certaines terres rares interviennent dans des aimants permanents présents dans de nombreux équipements industriels et énergétiques.
La première leçon est donc importante :
l’IA ne dépend pas d’un minerai miracle. Elle dépend d’un portefeuille de ressources stratégiques.
Et ces ressources ne sont pas réparties uniformément sur la planète.
Étape 1 — L’extraction : la géologie devient géopolitique
La première couche de la supply chain se trouve sous nos pieds.
Selon les ressources considérées, différentes régions deviennent stratégiques : Chine, Australie, Chili, République démocratique du Congo, Indonésie, États-Unis, Canada, Afrique australe et plusieurs autres pays.
À ce stade, l’industrie de l’IA entre directement en concurrence avec d’autres transformations industrielles.
Le cuivre nécessaire à l’expansion des infrastructures numériques est également indispensable aux réseaux électriques et à l’électrification.
Le cobalt et le nickel sont utilisés dans différentes technologies de batteries.
Les terres rares sont utilisées dans des moteurs, des équipements industriels, l'électronique, la défense et les énergies renouvelables.
Autrement dit, l’explosion de l’IA ne crée pas une supply chain indépendante.
Elle vient ajouter une nouvelle demande à des chaînes de matières premières déjà stratégiques.
Mais posséder la mine ne signifie pas nécessairement contrôler la chaîne.
Car la deuxième étape est probablement encore plus importante.
Étape 2 — Le raffinage : là où commence véritablement la dépendance
Une roche extraite du sol n’est pas un matériau électronique.
Entre les deux se trouve une industrie beaucoup moins visible : séparation, purification, raffinage et transformation.
Et c’est ici que la concentration géographique devient spectaculaire.
L’Agence internationale de l’énergie souligne qu’en 2025, pour 19 des 20 minerais stratégiques qu’elle suit, la Chine était le premier pays de raffinage, avec une part moyenne d’environ 70 %.
Ce chiffre permet de comprendre une distinction fondamentale en économie industrielle :
posséder une ressource et posséder la capacité de la transformer sont deux formes de puissance différentes.
Un pays peut disposer de gisements importants et rester dépendant d’un autre pays pour produire le matériau suffisamment pur nécessaire à une industrie avancée.
Cette concentration n’est plus simplement théorique.
En avril 2025, la Chine a introduit des contrôles à l’exportation concernant sept terres rares lourdes ainsi que certains matériaux et produits associés.
L’épisode a provoqué des difficultés d’approvisionnement dans plusieurs industries.
Les contrôles ont ensuite été élargis en octobre 2025 avant que certaines mesures supplémentaires ne soient suspendues pour un an.
Le message industriel reste cependant parfaitement clair :
une quantité relativement faible de matière située très en amont peut conditionner des milliers de milliards de dollars de production en aval.
C’est exactement le type de vulnérabilité qu’étudient les spécialistes de la supply chain.
Et nous ne sommes toujours pas arrivés au GPU.
Étape 3 — Du matériau au wafer
Pour fabriquer un processeur avancé, il faut notamment produire des wafers de silicium d’une pureté exceptionnelle.
Un wafer est une fine tranche circulaire de matériau semi-conducteur sur laquelle seront fabriqués simultanément de nombreux circuits intégrés.
À partir de là commence l’une des prouesses industrielles les plus impressionnantes de notre époque.
Il faut déposer différentes couches de matériaux.
Graver.
Doper certaines zones.
Mesurer.
Nettoyer.
Recommencer.
Encore et encore.
Un processeur moderne peut nécessiter des centaines voire plus d’étapes de fabrication et plusieurs mois avant de sortir d’une usine.
La production de semi-conducteurs avancés n’est donc pas simplement une activité industrielle.
C’est une accumulation de décennies de recherche en physique, chimie, optique, mécanique de précision et science des matériaux.
Et au milieu de cette chaîne apparaît une entreprise particulièrement singulière.
Étape 4 — ASML : avant NVIDIA, il y a la lithographie
ASML est une entreprise néerlandaise dont le grand public connaissait relativement peu le nom avant que les semi-conducteurs ne deviennent un sujet géopolitique.
Pourtant, son rôle est fondamental.
ASML fabrique notamment les systèmes de lithographie EUV — Extreme Ultraviolet nécessaires à la fabrication des générations les plus avancées de semi-conducteurs.
Le principe général de la lithographie consiste à transférer des motifs extrêmement fins sur le wafer afin de construire progressivement les circuits.
Plus les transistors deviennent petits, plus l’opération devient difficile.
L’EUV travaille avec une lumière d’une longueur d’onde extrêmement courte et nécessite une machine d’une complexité phénoménale.
Il devient alors possible de comprendre un premier paradoxe de la supply chain de l’IA :
l’une des entreprises les plus stratégiques de l’intelligence artificielle ne développe aucun grand modèle d’IA.
Elle fabrique les machines permettant de fabriquer les machines qui exécuteront ces modèles.
C’est la première illustration parfaite de la notion de chokepoint, ou goulot d’étranglement stratégique.
Si une technologie critique possède très peu d’alternatives crédibles, celui qui maîtrise cette technologie possède un pouvoir disproportionné sur toute la chaîne située en aval.
Étape 5 — TSMC : l’usine de l’ère numérique
Une fois les équipements disponibles, encore faut-il fabriquer les puces.
C’est ici qu’apparaît Taiwan Semiconductor Manufacturing Company : TSMC.
Son modèle économique est celui de la foundry.
Des entreprises comme NVIDIA ou AMD conçoivent leurs processeurs et accélérateurs, tandis que TSMC possède les usines capables de fabriquer ces designs à très grande échelle sur des procédés extrêmement avancés.
Cette séparation entre design et fabrication constitue une caractéristique essentielle de l’industrie moderne des semi-conducteurs.
Et elle explique pourquoi Taïwan possède aujourd’hui une importance géopolitique qui dépasse très largement la taille de son territoire.
TSMC investit simultanément dans les générations de procédés avancés et dans le packaging.
Son rapport annuel 2025 décrit notamment le développement de ses technologies 2 nm ainsi que ses différentes familles de packaging et d’empilement 3D : CoWoS, InFO et SoIC.
La demande liée à l’intelligence artificielle pousse également TSMC à développer ses capacités géographiquement, notamment aux États-Unis et au Japon, tout en poursuivant des investissements considérables à Taïwan.
La fabrication du GPU n’est cependant toujours pas terminée.
Car une puce de calcul extrêmement rapide ne sert pas à grand-chose si elle attend constamment ses données.
Il faut donc parler de mémoire.
Étape 6 — HBM : la mémoire devenue stratégique
L’entraînement et l’inférence des grands modèles nécessitent de déplacer continuellement d’immenses quantités de données.
C’est pourquoi la HBM — High Bandwidth Memory est devenue l’une des technologies les plus stratégiques de l’IA.
Contrairement à une mémoire classique installée relativement loin du processeur, la HBM repose sur l’empilement de plusieurs dies mémoire et sur des interconnexions permettant d’obtenir une bande passante extrêmement élevée.
Trois entreprises structurent principalement ce marché :
SK hynix.
Samsung Electronics.
Micron.
SK hynix s’est imposé comme le leader de la première phase du boom HBM.
Mais cette photographie n’est pas figée.
En 2026, la bataille autour de HBM4 s’intensifie. Samsung progresse dans les validations tandis que SK hynix conserve une position extrêmement forte en volume et que Micron poursuit ses investissements.
Ce point est important car il montre que la supply chain de l’IA reste dynamique.
Les positions dominantes peuvent sembler extrêmement solides, mais une nouvelle génération technologique peut redistribuer une partie des cartes.
HBM3E.
HBM4.
Puis les générations suivantes.
Chaque transition oblige les fabricants à investir, qualifier de nouveaux produits et augmenter leurs rendements industriels.
Et là encore apparaît un principe classique de supply chain :
la performance du produit final dépend du composant le plus difficile à obtenir au bon moment et dans les bons volumes.
Une pénurie de mémoire peut limiter la livraison d’un accélérateur même si le GPU lui-même est disponible.
Étape 7 — Le packaging avancé : le héros invisible
Pendant longtemps, le packaging était considéré comme la partie relativement banale de la fabrication d’un semi-conducteur.
La puce était fabriquée puis placée dans un boîtier.
Cette vision est devenue obsolète.
Avec l’intelligence artificielle, le packaging devient lui-même une technologie de pointe.
Il faut placer extrêmement près les uns des autres différents composants : GPU, mémoire HBM, interconnexions et parfois plusieurs dies spécialisés.
TSMC a notamment développé CoWoS — Chip-on-Wafer-on-Substrate.
Son rapport annuel explique explicitement que CoWoS permet d’intégrer des puces System-on-Chip et des piles HBM afin d’augmenter la puissance de calcul et la bande passante mémoire des produits HPC.
Nous touchons ici à une transformation profonde de l’industrie.
La progression des performances ne dépend plus uniquement de notre capacité à fabriquer des transistors toujours plus petits.
Elle dépend également de notre capacité à assembler intelligemment plusieurs composants dans un même système.
C’est l’ère des chiplets, de l’empilement 3D et du packaging avancé.
Étape 8 — NVIDIA : moins une usine qu’un chef d’orchestre
Nous arrivons enfin à NVIDIA.
La société est devenue le symbole économique de la révolution de l’intelligence artificielle.
Mais il faut comprendre précisément son rôle.
NVIDIA est essentiellement fabless.
Elle conçoit les GPU et accélérateurs, développe leurs architectures et construit autour d’eux un écosystème logiciel et réseau extrêmement important.
Elle ne possède cependant pas l’équivalent des gigantesques fabs de TSMC chargées de produire physiquement ses processeurs avancés.
Son pouvoir se situe ailleurs.
NVIDIA maîtrise une grande partie de la conception du système.
GPU.
Interconnexions.
Networking.
Bibliothèques.
CUDA.
Logiciels d’optimisation.
Systèmes complets.
La véritable force de NVIDIA est donc probablement moins le GPU isolé que le full stack construit autour de lui.
C’est également pourquoi concurrencer NVIDIA est beaucoup plus compliqué que simplement fabriquer une puce rapide.
AMD développe par exemple une offensive de plus en plus importante avec ses accélérateurs Instinct et son écosystème logiciel ROCm.
En 2025, AMD a accéléré sa stratégie Data Center autour de la série MI350 et a présenté Helios, une architecture rack-scale combinant CPU, GPU et networking.
La compétition se déplace donc progressivement du composant vers le système complet.
Étape 9 — Du GPU au rack
Une pile de GPU ne constitue pas encore un data center.
Les composants doivent être intégrés dans des serveurs.
Puis les serveurs dans des racks.
À ce niveau apparaissent des constructeurs comme Dell, HPE, Lenovo et Supermicro, mais également une immense industrie d’ODM asiatiques qui fabrique une partie des équipements destinés aux hyperscalers.
Et les contraintes deviennent très différentes.
Un rack IA moderne concentre une quantité considérable de puissance électrique.
Cette énergie finit presque intégralement sous forme de chaleur.
Il faut donc alimenter le rack.
Distribuer le courant.
Connecter les accélérateurs.
Évacuer la chaleur.
Surveiller les équipements.
Remplacer les composants défaillants.
L’infrastructure IA devient alors un problème d’ingénierie électrique et thermique autant qu’un problème informatique.
Étape 10 — Le réseau : faire travailler des milliers de GPU comme une machine
Un modèle massif n’est généralement pas entraîné sur un seul GPU.
Il peut nécessiter des centaines, des milliers ou davantage d’accélérateurs travaillant ensemble.
La qualité du réseau devient alors critique.
Si les GPU passent trop de temps à attendre les données produites par leurs voisins, une partie de la capacité de calcul achetée extrêmement cher reste inutilisée.
C’est pourquoi NVIDIA investit également dans les interconnexions et le networking.
AMD développe ses propres solutions réseau.
Broadcom joue également un rôle considérable dans l’infrastructure réseau et les ASIC.
À mesure que les clusters grossissent, l’architecture réseau devient une partie du problème de calcul.
Le Data Center IA commence alors à ressembler moins à un bâtiment contenant des ordinateurs qu’à un ordinateur géant occupant un bâtiment entier.
Étape 11 — L’électricité : le prochain semi-conducteur ?
C’est peut-être l’étape la plus intéressante de toute la chaîne.
Une fois les GPU disponibles, la mémoire installée, les racks assemblés et le bâtiment construit, il reste une question très simple :
où trouver l’électricité ?
L’Agence internationale de l’énergie estime désormais que la consommation électrique mondiale des data centers pourrait passer d’environ 485 TWh en 2025 à environ 950 TWh en 2030.
La consommation des data centers spécifiquement orientés IA progresserait encore plus rapidement et pourrait approximativement tripler sur cette période.
En 2025, la consommation électrique des data centers aurait déjà augmenté d’environ 17 %.
Cette croissance commence à rencontrer des contraintes physiques.
Connexions au réseau.
Transformateurs.
Turbines.
Équipements électriques.
Délais administratifs.
Production énergétique.
L’IEA estime qu’une partie significative des projets de data centers pourrait connaître des retards si les contraintes d’intégration au réseau ne sont pas résolues.
Nous arrivons alors à une conclusion presque ironique :
après avoir passé des décennies à virtualiser l’informatique, l’industrie découvre que le principal obstacle à son expansion pourrait être un transformateur électrique.
L’IA redécouvre la physique.
Étape 12 — Le refroidissement
L’électricité consommée par les processeurs produit de la chaleur.
Et plus la densité de calcul augmente, plus les méthodes traditionnelles de refroidissement par air atteignent leurs limites.
Le refroidissement liquide devient donc progressivement une composante structurelle des infrastructures IA à haute densité.
Des groupes industriels spécialisés dans l’électricité, l’énergie et le refroidissement prennent ainsi une importance croissante dans l’écosystème.
Schneider Electric.
Vertiv.
Eaton.
ABB.
Siemens.
Ces entreprises ne développent pas de LLM.
Elles peuvent pourtant conditionner la vitesse à laquelle de nouvelles capacités IA sont mises en production.
Encore une fois, le centre de gravité économique de l’intelligence artificielle dépasse largement l’industrie logicielle.
Étape 13 — Le data center
Tous ces composants convergent finalement vers le data center.
Mais un data center IA ne se résume plus à un bâtiment rempli de serveurs.
Il faut :
du foncier,
une alimentation électrique massive,
des transformateurs,
des UPS,
des systèmes de refroidissement,
des générateurs ou autres mécanismes de secours,
des connexions réseau à très haute capacité,
une sécurité physique,
une équipe d’exploitation,
et souvent une proximité suffisante avec les infrastructures électriques capables de fournir plusieurs dizaines ou centaines de mégawatts.
La localisation devient donc une décision stratégique.
Un terrain peut être disponible.
Des GPU peuvent être commandés.
Le financement peut être sécurisé.
Mais si le réseau électrique local ne peut fournir la puissance demandée avant plusieurs années, le data center n’existe encore que sur PowerPoint.
Étape 14 — Les hyperscalers
Une fois cette gigantesque infrastructure construite, elle doit être transformée en capacité informatique utilisable.
C’est le rôle des hyperscalers.
Trois entreprises dominent aujourd’hui largement le marché mondial du cloud :
Amazon Web Services.
Microsoft Azure.
Google Cloud.
Selon Synergy Research Group, Amazon, Microsoft et Google représentaient ensemble environ 63 % des dépenses mondiales en services d’infrastructure cloud au troisième trimestre 2025.
AWS représentait environ 29 % du marché, Microsoft 20 % et Google 13 % selon cette estimation.
Mais ces groupes ne veulent plus être de simples acheteurs de GPU.
Ils remontent progressivement la chaîne.
Google développe depuis longtemps ses TPU.
Amazon développe Trainium et Inferentia.
Microsoft développe également ses propres accélérateurs.
Cette stratégie possède une logique économique évidente.
Lorsqu’une entreprise dépense des dizaines de milliards de dollars par an en infrastructure informatique, chaque dépendance à un fournisseur dominant devient une question stratégique.
Les hyperscalers cherchent donc à réduire leur dépendance tout en continuant à acheter massivement des accélérateurs NVIDIA.
Étape 15 — Puis arrivent enfin les modèles
Après la mine.
Après le raffinage.
Après les matériaux.
Après ASML.
Après TSMC.
Après la HBM.
Après le packaging.
Après NVIDIA et AMD.
Après les serveurs.
Après le réseau.
Après les transformateurs.
Après les systèmes de refroidissement.
Après les data centers.
Après les hyperscalers.
Nous arrivons enfin à la couche que l’utilisateur considère comme étant « l’intelligence artificielle ».
OpenAI.
Anthropic.
Google DeepMind.
Meta.
Mistral AI.
xAI.
Et des milliers d’autres acteurs.
Ces entreprises utilisent cette infrastructure pour entraîner puis exécuter leurs modèles.
Certaines possèdent leurs propres infrastructures.
D’autres utilisent massivement les hyperscalers.
D’autres encore combinent plusieurs fournisseurs.
Mais toutes dépendent, directement ou indirectement, de cette gigantesque chaîne située sous leurs modèles.
La chaîne complète
Si nous voulions la résumer brutalement, nous pourrions écrire :
Mines
↓
Raffinage et transformation
↓
Matériaux électroniques ultrapurs
↓
Wafers
↓
Équipements de fabrication — ASML et autres équipementiers
↓
Foundries — TSMC, Samsung, Intel
↓
Mémoire HBM — SK hynix, Samsung, Micron
↓
Packaging avancé — CoWoS et technologies équivalentes
↓
Accélérateurs — NVIDIA, AMD, TPU et ASIC spécialisés
↓
Networking
↓
Serveurs
↓
Racks
↓
Infrastructure électrique
↓
Refroidissement
↓
Data Centers
↓
Cloud — AWS, Azure, Google Cloud
↓
Modèles — OpenAI, Anthropic, Gemini, Llama, Mistral…
↓
Applications
↓
API
↓
Prompt
↓
Token
Et cette représentation reste encore une simplification.
Les véritables goulots d’étranglement de l’IA
Cette lecture permet de poser une question beaucoup plus intéressante que « quelle entreprise possède le meilleur modèle ? »
Quels sont les composants de cette chaîne qui sont les plus difficiles à remplacer ?
C’est là que se trouve une grande partie du pouvoir industriel.
Aujourd’hui, plusieurs chokepoints apparaissent.
La lithographie EUV.
Les capacités de fabrication sur les procédés les plus avancés.
Le packaging avancé.
La mémoire HBM.
Les accélérateurs IA.
Le networking à très haute performance.
Les transformateurs électriques.
La capacité disponible sur les réseaux électriques.
Les capacités de refroidissement.
Et parfois simplement le temps nécessaire pour construire un data center.
Un modèle peut être reproduit.
Un logiciel peut être réécrit.
Une API peut être remplacée.
Construire une nouvelle industrie de lithographie EUV, une foundry de pointe ou une chaîne complète de fabrication HBM est une autre affaire.
Il faut des années.
Parfois des décennies.
Des dizaines de milliards de dollars.
Des milliers d’ingénieurs.
Une chaîne de fournisseurs extrêmement spécialisés.
Du savoir-faire tacite.
Et des taux de rendement industriel que l’argent seul ne permet pas d’acheter instantanément.
C’est pourquoi l’analyse de l’IA uniquement par les modèles donne une vision incomplète de la compétition mondiale.
La géographie mondiale de l’IA
Cette supply chain dessine également une carte géopolitique fascinante.
La Chine occupe une position considérable dans le raffinage de nombreux minerais critiques et dans une partie importante de la production industrielle électronique.
Taïwan constitue un centre névralgique de la fabrication avancée de semi-conducteurs avec TSMC.
Les Pays-Bas possèdent avec ASML l’un des acteurs les plus stratégiques de la lithographie mondiale.
La Corée du Sud possède Samsung et SK hynix, deux géants de la mémoire.
Le Japon reste indispensable dans plusieurs matériaux, produits chimiques, wafers et équipements spécialisés nécessaires à l’industrie des semi-conducteurs.
Les États-Unis concentrent une grande partie du design des accélérateurs, des plateformes cloud et des entreprises développant les modèles d’IA les plus importants.
L’Europe conserve notamment des positions importantes dans les équipements industriels, l’énergie, la gestion électrique et certaines technologies essentielles de la chaîne des semi-conducteurs.
L’intelligence artificielle n’est donc pas une industrie américaine.
Son centre logiciel est aujourd’hui largement américain.
Sa supply chain est mondiale.
Une chaîne mondialisée mais paradoxalement très concentrée
C’est probablement le paradoxe le plus intéressant.
La supply chain de l’IA traverse la planète.
Mais à plusieurs endroits, elle passe par un nombre extrêmement limité d’entreprises.
ASML pour l’EUV.
TSMC pour une part considérable de la fabrication avancée.
SK hynix, Samsung et Micron pour la HBM.
NVIDIA et AMD pour les principaux accélérateurs généralistes, auxquels s’ajoutent les ASIC développés par les hyperscalers.
AWS, Microsoft et Google pour une grande partie du cloud mondial.
Cette structure ressemble donc moins à une autoroute qu’à une succession de ponts.
Et certains ponts sont très difficiles à contourner.
La logistique : le grand oublié
Il existe également une dimension dont nous parlons étonnamment peu : la logistique physique.
Les matériaux doivent être transportés vers les raffineries.
Les wafers et produits chimiques doivent arriver dans les fabs.
Les puces doivent rejoindre les installations de packaging et de test.
Les mémoires doivent rejoindre les assembleurs.
Les serveurs sont ensuite expédiés vers les data centers.
Les équipements électriques peuvent eux-mêmes nécessiter plusieurs mois de fabrication.
Une perturbation portuaire, un contrôle douanier, une restriction commerciale, un conflit géopolitique ou une catastrophe naturelle peut ainsi produire des effets en cascade.
L’industrie des semi-conducteurs l’a déjà expérimenté pendant la pandémie.
L’IA hérite de cette vulnérabilité.
Mais elle l’amplifie parce que la demande augmente extrêmement rapidement.
L’IA est aussi une industrie énergétique
Pendant longtemps, la croissance du logiciel était relativement décorrélée de la croissance de la consommation physique.
Un logiciel pouvait être copié presque gratuitement.
L’intelligence artificielle remet partiellement en cause cette intuition.
Chaque nouvelle capacité nécessite du calcul.
Le calcul nécessite des accélérateurs.
Les accélérateurs nécessitent des data centers.
Les data centers nécessitent de l’électricité.
L’IEA projette environ 950 TWh de consommation électrique mondiale des data centers en 2030, soit environ deux fois le niveau de 2025.
L’organisation souligne également que les infrastructures énergétiques deviennent elles-mêmes une contrainte : transformateurs, turbines, connexions au réseau et délais de construction peuvent ralentir certains projets.
La course à l’IA devient donc progressivement une course aux gigawatts autant qu’aux gigaflops.
Et cela pourrait constituer l’un des grands changements de la deuxième moitié des années 2020.
Du « fabless » au « model-less » ?
Il existe enfin un parallèle intéressant avec l’histoire des semi-conducteurs.
Dans les années 1980 et 1990, une entreprise de puces devait souvent concevoir et fabriquer elle-même ses composants.
Puis le modèle fabless + foundry s’est imposé.
NVIDIA conçoit.
TSMC fabrique.
Peut-être observons-nous aujourd’hui une transformation comparable dans l’IA.
Une entreprise n’a plus nécessairement besoin de construire un modèle fondamental.
Elle peut utiliser OpenAI, Anthropic, Gemini, Mistral ou un modèle open source.
Elle construit alors la donnée, l’orchestration, les agents, l’expérience utilisateur et le produit final.
Autrement dit, nous pourrions voir émerger une immense industrie d’entreprises model-less, exactement comme l’industrie des semi-conducteurs a vu émerger les entreprises fabless.
Le modèle devient alors une infrastructure.
Comme le cloud avant lui.
Où se trouve réellement la valeur ?
C’est probablement la question économique centrale.
Dans une supply chain, la valeur ne se trouve pas nécessairement au niveau du produit que voit le consommateur.
Elle peut se concentrer là où existe :
une propriété intellectuelle difficile à reproduire,
une capacité industrielle rare,
un effet réseau,
un standard,
un écosystème logiciel,
ou un goulot d’étranglement.
ASML possède une technologie extraordinairement difficile à reproduire.
TSMC possède un savoir-faire industriel et des capacités de production extrêmement difficiles à reproduire.
NVIDIA combine architecture matérielle et écosystème logiciel.
Les hyperscalers possèdent les infrastructures, les clients et des économies d’échelle considérables.
Les laboratoires d’IA possèdent les modèles, les talents, les données et les interfaces avec l’utilisateur.
Il n’existe donc pas une rente de l’IA.
Il existe plusieurs rentes réparties tout au long de la chaîne.
Et leur importance évoluera avec la technologie.
Le véritable risque : les dépendances croisées
Ce qui rend cette supply chain particulièrement intéressante est que personne ne contrôle réellement l’ensemble.
NVIDIA dépend de foundries.
Les foundries dépendent des équipementiers.
Les équipementiers dépendent de centaines de fournisseurs spécialisés.
Les fabricants de mémoire dépendent également de fabs et d’équipements extrêmement avancés.
Les hyperscalers dépendent des accélérateurs.
Les laboratoires d’IA dépendent des hyperscalers et de leurs capacités de calcul.
Les data centers dépendent des réseaux électriques.
Et les réseaux électriques dépendent eux-mêmes de transformateurs, turbines, câbles, cuivre et délais réglementaires.
Nous obtenons ainsi une immense architecture de dépendances croisées.
C’est probablement l’une des raisons pour lesquelles les États considèrent désormais les semi-conducteurs, les minerais critiques, l’énergie et l’intelligence artificielle comme des sujets de souveraineté nationale.
Du minerai au token
Et nous pouvons maintenant revenir à notre point de départ.
J’ouvre mon navigateur.
Je tape :
« Résume-moi ce document. »
Quelques secondes plus tard, une réponse apparaît.
L’expérience donne l’impression que presque rien ne s’est passé.
En réalité, derrière cette phrase se trouve potentiellement une chaîne industrielle qui traverse plusieurs continents.
Un minerai a été extrait.
Un matériau a été raffiné.
Un wafer a été produit.
Une machine de lithographie a participé à la fabrication d’un processeur.
Une foundry a gravé la puce.
Une autre chaîne industrielle a fabriqué sa mémoire.
Les composants ont été assemblés grâce à du packaging avancé.
Des serveurs ont été construits.
Des racks ont été installés.
Un réseau à très haute vitesse les relie.
Un transformateur alimente le bâtiment.
Un système de refroidissement évacue la chaleur.
Un hyperscaler orchestre l’infrastructure.
Un modèle utilise finalement cette puissance pour calculer une distribution de probabilités.
Et un token apparaît sur mon écran.
Puis un deuxième.
Puis un troisième.
La magie disparaît lorsque l’on regarde la supply chain.
Mais quelque chose de beaucoup plus intéressant apparaît à sa place :
une immense machine industrielle mondiale.
L’intelligence artificielle est peut-être le logiciel le plus spectaculaire de notre époque.
Mais derrière ce logiciel se trouvent des mines, des usines, des machines de lithographie, des cargos, des mémoires empilées, des kilomètres de fibre, des transformateurs et des centrales électriques.
Comprendre l’IA en 2026 exige donc de regarder au-delà des modèles.
Il faut regarder ce qui permet aux modèles d’exister.
Et c’est peut-être là, bien plus que dans le prochain benchmark entre deux LLM, que se joue une partie essentielle de la compétition technologique mondiale.
SOURCES — La supply chain de l’IA
International Energy Agency (IEA) — Global Critical Minerals Outlook 2026
https://www.iea.org/reports/global-critical-minerals-outlook-2026
International Energy Agency (IEA) — Global Critical Minerals Outlook 2025
https://www.iea.org/reports/global-critical-minerals-outlook-2025
International Energy Agency (IEA) — Energy and AI
https://www.iea.org/reports/energy-and-ai
International Energy Agency (IEA) — Key Questions on Energy and AI
https://www.iea.org/reports/key-questions-on-energy-and-ai
US Geological Survey (USGS) — Mineral Commodity Summaries 2025: Rare Earths
https://pubs.usgs.gov/periodicals/mcs2025/mcs2025-rare-earths.pdf
ASML — Annual Report 2025
https://www.asml.com/investors/annual-report/2025
TSMC — Annual Report 2025
https://investor.tsmc.com/static/annualReports/2025/english/index.html
TSMC — Expansion of advanced semiconductor manufacturing in the United States
https://pr.tsmc.com/english/news/3210
TSMC — Q2 2025 Earnings Conference Transcript
https://investor.tsmc.com/chinese/encrypt/files/encrypt_file/reports/2025-07/1f4f86c935f1de837672a6973154e64b26bdae57/TSMC 2Q25 Transcript.pdf
TrendForce — Foundry market / TSMC market share, Q4 2025
https://www.trendforce.com/presscenter/news/20260312-12965.html
TrendForce — HBM Market Analysis / SK hynix, Samsung, Micron
https://www.trendforce.com/research/download/RP260429DH3
SK hynix — FY2025 Financial Results
https://news.skhynix.com/en/sk-hynix-announces-fy25-financial-results/
Micron — Annual Report / Investor Relations
https://investors.micron.com/
NVIDIA — Data Center Platform
https://www.nvidia.com/en-us/data-center/
Synergy Research Group — Cloud Market Share
https://www.srgresearch.com/articles/cloud-market-share-trends-big-three-together-hold-63-while-oracle-and-the-neoclouds-inch-higher