Rapport / L’infrastructure de l’IA est-elle le nouveau pétrole ?

L’infrastructure de l’IA est-elle le nouveau pétrole ?

Rapport d’intelligence stratégique — par Patrice Giardino (2025)

Que se passe-t-il quand les entreprises, les États et les organisations ne contrôlent plus les conditions matérielles de traitement de leur propre intelligence ?

Dans ce rapport, je décrypte une mutation silencieuse mais décisive :
l’infrastructure de l’IA — GPU, datacenters, normes réseau, souveraineté du compute —
est en train de devenir la vraie matrice du pouvoir numérique.

Ce n’est plus la donnée qui crée l’avantage.
C’est l’architecture invisible qui permet de la traiter, de l’auditer, de la gouverner.

Vous découvrirez :

• Pourquoi les modèles ne suffisent plus et où se cache désormais le vrai levier stratégique.
  
  

• Comment l’infrastructure IA reconfigure la géopolitique, les investissements et la gouvernance.
  
  

• Ce que doivent décider les dirigeants aujourd’hui pour ne pas devenir captifs demain.
  
  

Rapport conçu pour les dirigeants, stratèges, DSI, décideurs publics, en quête d’une grille de lecture nouvelle et lucide.




——————————————————————————————————————————————

L’infrastructure de l’IA est-elle le nouveau pétrole ?

Rapport d’intelligence stratégique — 2025

 
par Patrice Giardino
Consultant en stratégie, Revenue Operations & Transformation IA

Patrice Giardino – Tous droits réservés
Rapport original rédigé en 2025.
Toute reproduction, utilisation ou diffusion sans autorisation écrite préalable est strictement interdite

——————————————————————————————————————————————

Table des matières

Introduction
— L’infrastructure IA comme matrice du pouvoir contemporain
— Changement de paradigme : de la donnée au traitement
— Public visé et posture stratégique du rapport
— Méthodologie et grille de lecture

1. Décrypter l’infrastructure de l’intelligence artificielle
1.1 – Qu’appelle-t-on “infrastructure IA” ?
1.2 – De la donnée au compute : bascule dans l’économie numérique

2. Une guerre géopolitique technologique
2.1 – Concentration, asymétries et dépendances stratégiques
2.2 – Les États comme architectes d’un nouvel ordre computationnel
2.3 – L’infrastructure comme instrument de pouvoir silencieux

Intermède stratégique
— De la rivalité des puissances à la stratégie des organisations

3. Prospective et enjeux économiques
3.1 – Le compute : nouvelle unité de valeur stratégique
3.2 – Infrastructure et arbitrage énergétique
3.3 – Une nouvelle cartographie de l’investissement technologique
3.4 – Trois scénarios économiques à horizon 2030
— Synthèse du chapitre

4. Voies stratégiques d’action
4.1 – Pour les entreprises : bâtir une infrastructure alignée sur la stratégie
4.2 – Pour les institutions publiques : piloter l’accès comme un bien stratégique
4.3 – Pour les États : orchestrer l’autonomie computationnelle
4.4 – Penser une nouvelle gouvernance de l’infrastructure
— Encart stratégique : Infrastructure IA — 7 questions puissantes pour décider
— Synthèse du chapitre

Conclusion
— Gouverner l’infrastructure : une décision de civilisation
— Intelligence stratégique, reliance et souveraineté
— Vers une architecture du réel pilotable

Bibliographie commentée
— Ouvrages & articles structurants
— Rapports & études de référence
— Vidéos & conférences recommandées

Annexe lexicale

——————————————————————————————————————————————

Introduction

L’infrastructure de l’IA est-elle le nouveau pétrole ?

Enquête stratégique sur le soubassement invisible du pouvoir numérique

« Dans toute révolution, le visible attire les regards. Le décisif, lui, se cache dans l’infrastructure. »

Depuis plus d’une décennie, le débat sur les données s’est structuré autour d’une analogie devenue aussi répandue que contestée : celle de la donnée comme nouveau pétrole. Ce raccourci métaphorique, qui a imprégné autant les discours politiques que les plans stratégiques d’entreprise, a permis de prendre conscience de la valeur économique des données, mais il en a aussi figé les représentations.

En 2024, ce cadre est devenu obsolète. La question n’est plus seulement de savoir qui possède les données. Elle est de comprendre qui contrôle les infrastructures qui permettent à l’intelligence artificielle de les mobiliser, de les transformer, et surtout… de les gouverner.

Nous entrons dans une nouvelle ère.
Une ère où la donnée n’est plus le centre de gravité, mais un intrant parmi d’autres dans un système technique plus vaste dont la véritable puissance réside dans l’agencement invisible de couches computationnelles, logicielles, énergétiques, réglementaires et géopolitiques.

L’infrastructure IA : une nouvelle couche de souveraineté

Dans ce nouveau paradigme, les acteurs dominants ne sont pas ceux qui disposent des meilleurs modèles d’IA. Ce sont ceux qui maîtrisent la chaîne d’approvisionnement stratégique :

• Des puces (Nvidia, AMD) aux interconnexions réseau (InfiniBand, Ethernet modifié)
  
  

• Des data centers hyperspécialisés aux clouds souverains ou hybrides
  
  

• Des normes de traitement à la gouvernance algorithmique
  
  

Ce sont les États qui investissent massivement dans la « couche dure » de l’IA comme l’Arabie Saoudite, qui prévoit de contrôler 7 % du marché mondial de l’entraînement et de l’inférence en IA d’ici 2034.
Ce sont aussi les entreprises comme Salesforce, qui recentrent leur stratégie autour de la gouvernance des données opérationnelles, ou Nvidia, qui verrouille l’intégralité de la pile technologique, du silicium aux protocoles de connectivité.

Dans cette logique, l’infrastructure devient l’architecture implicite du pouvoir numérique.
Et avec elle se joue une recomposition silencieuse des rapports de force, des dépendances et des opportunités.

Du techno-système à la géopolitique du compute

Ce rapport n’est pas un panorama technologique.

Il s’agit d’une enquête structurée à l’intention des décideurs publics ou privés pour éclairer ce qui se joue aujourd’hui sous la surface :

• Comment les couches profondes de l’IA reconfigurent les modèles économiques
  
  

• Pourquoi l’infrastructure devient un levier de souveraineté ou d’assujettissement
  
  

• Comment structurer une stratégie hybride, modulaire, maîtrisée dans ce nouvel environnement
  
  

Nous y croiserons les perspectives économiques (non-rivalité, effets d’échelle, rentabilité marginale décroissante), les métaphores politiques (de la ressource au bien commun), les risques géopolitiques (fragmentation du cloud, diplomatie du compute), et les perspectives prospectives (sobriété computationnelle, infrastructures durables, redéploiement territorial).

*** Une boussole pour les dirigeants

Ce document est conçu comme un outil de navigation stratégique, à destination de ceux qui :

• doivent décider aujourd’hui d’une trajectoire IA sans dépendre des effets de mode,
  
  

• doivent choisir une infrastructure technologique sans céder à l’opacité des fournisseurs,
  
  

• doivent garantir la résilience économique de leur organisation à horizon 5–10 ans.
  
  

Car à l’heure où les modèles changent, ce sont les fondations qui décident de la latitude réelle des choix futurs.
Et l’infrastructure, longtemps perçue comme un sujet technique, devient une affaire de gouvernance.

->  En posant la question « l’infrastructure est-elle le nouveau pétrole ? », ce rapport n’y répondra ni par l’affirmative, ni par la négative.
Il montrera que cette question est déjà dépassée, mais qu’elle révèle une bascule bien plus profonde:
Le pouvoir ne réside plus dans ce qui est visible, mais dans ce qui rend possible.
Et dans un monde piloté par l’IA, ce qui rend possible est infrastructurel.

1. Décrypter l’infrastructure de l’intelligence artificielle

Comprendre les couches techniques, économiques et politiques d’un nouveau pouvoir

1.1 – Qu’appelle-t-on “infrastructure de l’IA” ?

L’infrastructure de l’intelligence artificielle désigne l’ensemble des composantes physiques, logicielles, énergétiques et réglementaires qui permettent à l’IA de fonctionner à grande échelle. Si les modèles sont les organes visibles, l’infrastructure en constitue le squelette, le système nerveux et les canaux énergétiques.

Elle comprend notamment :

• Les unités de calcul spécialisées (GPU, TPU, DPU, IPU) qui permettent l’entraînement et l’inférence des modèles
  
  

• Les centres de données (data centers), segmentés entre edge computing, hyperscale, et clouds souverains
  
  

• Les architectures réseau (InfiniBand, Ethernet modifié, RoCE, RDMA), conçues pour réduire la latence et éviter les pertes de paquets
  
  

• Les normes et couches logicielles (SONiC, Kubernetes, AI-OS propriétaires)
  
  

• Les régulations, accords d’exportation, et règles de sécurité des flux de données
  
  

Cette infrastructure ne se résume donc pas à une question technique. Elle est l’architecture invisible du pouvoir numérique. Comme le rappelle James Bridle, auteur de New Dark Age, « la technologie n’est jamais neutre : elle est toujours une structure politique incarnée dans des circuits. »

L’explosion des besoins en IA a accéléré un changement de paradigme :

• Le compute devient une ressource rare et stratégique, mobilisée par des États comme l’Arabie Saoudite ou les États-Unis pour structurer des pôles souverains de traitement.
  
  

• Le stockage devient géopolitique, avec des tensions sur l’implantation des data centers (accès à l’énergie, eau, sécurité juridique).
  
  

• Le réseau devient un levier d’innovation différenciante, comme le montre Nvidia avec sa pile Spectrum-X qui combine calcul et transmission en faible latence.
  
  

La nouveauté n’est pas seulement quantitative. Elle est structurelle : le système économique numérique est en train de se reconfigurer autour de la rareté du traitement, et non plus seulement autour de l’abondance des données.

1.2 – De la donnée au compute : une bascule dans l’économie numérique 

Pendant des années, l’économie numérique s’est fondée sur la logique du stockage et de la captation : collecter des données, les structurer, puis les monétiser. Cette économie, que Shoshana Zuboff a qualifiée de « capitalisme de surveillance », reposait sur un paradigme simple : plus vous collectez, plus vous pouvez prédire et influencer.

Mais l’avènement des grands modèles de langage a changé la donne. Ce n’est plus la donnée brute qui crée la valeur, mais la capacité à la traiter en temps réel, à l’échelle, de manière contextuelle.

Comme l’écrit Ian Hogarth dans le State of AI Report (2023) :

« La puissance computationnelle devient le goulot d’étranglement principal. La stratégie IA devient une stratégie d’accès au compute. »

Cette bascule a plusieurs conséquences stratégiques :

• Le pouvoir économique se déplace vers ceux qui contrôlent les infrastructures, non ceux qui possèdent les données.
  
  

• Les externalités environnementales deviennent centrales : un seul modèle de type GPT-4 peut nécessiter des dizaines de GWh pour son entraînement. D’où les tensions sur l’eau, l’électricité, la régulation thermique des data centers.
  
  

• La dépendance géopolitique se renforce : les capacités d’entraînement des modèles les plus puissants sont concentrées dans moins de dix entreprises, sur trois zones géographiques (USA, Chine, Moyen-Orient).
  
  

À travers cette mutation, la métaphore du pétrole atteint ses limites. Contrairement au pétrole, le compute est :

• Non consommé mais mobilisé
  
  

• Non stocké mais orchestré
  
  

• Non fini mais évolutif
  
  

Il s’agit donc moins d’une extraction que d’un pilotage d’écosystèmes computationnels, dont la performance dépend de l’architecture globale.

C’est pourquoi plusieurs chercheurs, comme Vili Lehdonvirta à Oxford ou Kate Crawford (Atlas of AI), plaident pour une vision systémique de l’IA, qui réintègre l’infrastructure dans les chaînes de valeur et les arbitrages stratégiques; au même titre que la main-d’œuvre, la logistique, ou l’énergie.

En synthèse de ce chapitre

L’infrastructure IA n’est pas un support passif.
Elle est :

• Une ressource stratégique dans la course à l’autonomie technologique,
  
  

• Une grille de lecture du pouvoir économique dans l’économie numérique de 2030,
  
  

• Et une matrice de choix pour les dirigeants qui doivent décider de leurs architectures internes, de leurs alliances technologiques et de leurs souverainetés futures.
  
  

2. Une guerre géopolitique technologique

Quand l’infrastructure IA re-dessine les rapports de force mondiaux

2.1 – Concentration, asymétries et dépendances stratégiques

Dans les représentations classiques, le numérique est un espace fluide, sans frontières, régi par l’innovation. Pourtant, l’infrastructure IA; parce qu’elle dépend de ressources rares, de normes techniques, d’emplacements physiques et de conditions énergétiques;  introduit brutalement une logique géopolitique dure dans un monde supposément dématérialisé.

Aujourd’hui :

• 80 % des puces IA les plus avancées sont produites par TSMC à Taïwan.
  
  

• Moins de dix entreprises (Nvidia, AMD, Intel, Google, Microsoft, AWS…) maîtrisent les piles complètes nécessaires au déploiement à grande échelle.
  
  

• 70 % de la puissance de calcul mondiale est concentrée dans trois régions : côte Ouest des États-Unis, Chine continentale, Golfe Persique.
  
  

Ce n’est plus une innovation. C’est un oligopole d’infrastructure.

Et cet oligopole a des conséquences stratégiques :

• Les États européens, africains ou latino-américains sont clients de ces infrastructures, dépendants des conditions commerciales, des normes d’accès, voire des contraintes de régulation imposées à distance.
  
  

• Même les grandes entreprises non tech doivent négocier leur accès au compute, parfois à travers des partenariats asymétriques.
  
  

Dans ce contexte, la notion de souveraineté numérique ne suffit plus. Il faut parler de souveraineté computationnelle.

2.2 – Les États comme architectes d’un nouvel ordre technologique

Certains États ne s’y trompent pas. Ils ont compris que maîtriser les modèles sans contrôler l’infrastructure reviendrait à construire une fusée… sans rampe de lancement.

L’Arabie Saoudite, via le fonds souverain PIF, investit 10 milliards de dollars dans Humain, une structure dédiée à l’entraînement de modèles IA, avec un objectif clair : 6,6 gigawatts de puissance de calcul d’ici 2034, soit 7 % du compute mondialAI Investments Weekly :…. En échange de la technologie, elle offre aux entreprises partenaires (Nvidia, AMD, Qualcomm) :

• Accès énergétique préférentiel,
  
  

• Terrains subventionnés,
  
  

• Capacité de traitement locale.
  
  

Ce modèle de diplomatie du compute redéfinit les rapports Nord–Sud.

"L’infrastructure est le nouveau terrain du pouvoir — pas les armes, ni même les modèles." — Ian Bremmer, Eurasia Group.

Les États-Unis, quant à eux, ont accéléré via le CHIPS and Science Act, injectant 280 milliards de dollars pour rapatrier production et traitement. Ils contrôlent désormais strictement les exportations de GPU vers la Chine, rendant visibles des lignes de front technologiques inédites.

La Chine, de son côté, réplique par une politique massive de ré-internalisation des puces, l’accélération de ses LLM (Ernie, Zhipu, Moonshot) et le développement de data-centers autosuffisants sur le plan énergétique.

L’Europe, plus hésitante, commence à structurer ses efforts (Mistral, Gaïa-X, Scaleway, initiatives allemandes) mais reste en retard sur la capacité de traitement souveraine.

2.3 – L’infrastructure comme instrument de pouvoir silencieux

Derrière cette recomposition, un fait émerge : celui qui contrôle l’infrastructure contrôle la narration numérique du monde.

Prenons quelques exemples :

• Un fournisseur cloud peut imposer ses normes de compliance (GDPR, HIPAA, etc.) dans les workflows de ses clients.
  
  

• Une plateforme qui contrôle l’optimisation des modèles peut conditionner l’efficience énergétique ou financière des déploiements de ses partenaires.
  
  

• Un État qui héberge des centres d’inférence peut filtrer les usages acceptables, et en exclure d’autres sous prétexte de “sécurité”.
  
  

« L’infrastructure, disait Harold Innis, est le lieu où les empires se construisent sans que l’on s’en aperçoive. »

Aujourd’hui, cette phrase prend un relief nouveau.
Nous ne sommes plus dans une logique d’interconnexion, mais de territorialisation technique, où chaque câble sous-marin, chaque cluster de GPU, chaque standard de compression devient un vecteur d’influence ou de dépendance.

En synthèse de ce chapitre

L’infrastructure IA n’est pas neutre.
Elle est :

• Un levier de puissance publique,
  
  

• Un filigrane invisible des conditions d’accès au marché global,
  
  

• Et un outil stratégique pour ceux qui veulent passer de l’usage à la maîtrise.
  
  

Ceux qui ne maîtrisent pas leur compute sont stratégiquement vulnérables.
Et ceux qui en contrôlent l’infrastructure… ne vendent pas seulement de la technologie :
Ils distribuent les règles du jeu.

Intermède stratégique

De la rivalité des puissances… à la stratégie des organisations

Ce que révèle l’analyse géopolitique de l’infrastructure IA, ce n’est pas uniquement une redistribution du pouvoir entre États. C’est une mutation plus profonde encore : l’apparition d’un facteur de vulnérabilité transversale, qui affecte désormais chaque organisation dotée d’un projet numérique, d’un plan de transformation, ou d’une stratégie d’investissement technologique.

Ce n’est plus un sujet réservé aux ministères, aux géants du cloud ou aux think tanks techno-politiques. C’est un enjeu immédiat pour :

• Une PME industrielle qui s’interroge sur l’intégration d’outils IA dans son CRM ou sa production,
  
  

• Un acteur de santé qui prévoit d’externaliser l’analyse de données sensibles,
  
  

• Une collectivité territoriale qui veut déployer des services publics augmentés via des IA,
  
  

• Une scale-up qui s’apprête à entraîner un modèle interne pour structurer son avantage concurrentiel.
  
  

Pourquoi ?

Parce que chaque arbitrage implique une dépendance infra-structurelle : cloud vs. edge, modèle ouvert vs API, intégration SaaS vs orchestration locale.

Et cette dépendance n’est plus neutre. Elle détermine :

• Le coût marginal d’accès à l’IA,
  
  

• La latence d’adaptation stratégique,
  
  

• Le niveau d’autonomie dans la prise de décision algorithmique,
  
  

• La soutenabilité environnementale ou territoriale de l’architecture numérique déployée.
  
  

Ce n’est donc plus un choix technique.
C’est une grille de décision stratégique.

Dans ce contexte, la compétence clé n’est plus la maîtrise de l’IA…
Mais la capacité à choisir et piloter l’infrastructure adaptée à ses ambitions, ses risques, et sa vision du temps long.

C’est ce que nous allons explorer maintenant :

• Comment les logiques économiques de l’infrastructure IA transforment la gouvernance d’entreprise.
  
  

• Quels arbitrages concrets se dessinent en matière d’investissement, d’énergie, de réseau, de sobriété.
  
  

• Et pourquoi la stratégie d’un acteur économique ne peut plus être conçue sans une intelligence de son architecture technique sous-jacente.
  
  

3. Prospective et enjeux économiques

De l’économie du stockage à l’économie de l’orchestration

3.1 – Le compute : nouvelle unité de valeur stratégique

Dans l’économie numérique classique, la valeur était générée par la captation : capter l’attention, capter les données, capter les flux. Mais dans l’économie de l’IA, c’est la capacité de traitement : le compute,  qui devient la véritable unité stratégique.

Chaque choix d’infrastructure devient ainsi un arbitrage entre :

• Accès vs. contrôle : vais-je maîtriser mon traitement ou le louer à coût variable ?
  
  

• Agilité vs. dépendance : suis-je libre d’ajuster ma charge, ou lié à une infrastructure opaque ?
  
  

• Effet d’échelle vs. résilience : est-ce que mon architecture peut croître sans fragiliser mes marges ou ma gouvernance ?
  
  

Cette transformation est comparable à celle que décrivait Fernand Braudel au sujet du capitalisme marchand : la structure logistique conditionne l’ordre économique.
Aujourd’hui, le compute devient la nouvelle frontière logistique de la stratégie numérique.

« Dans une économie gouvernée par des modèles, la vraie rareté, ce n’est plus la donnée. C’est le droit et la capacité de traiter. »
Benjamin Bratton, The Stack

3.2 – Infrastructure et arbitrage énergétique

Ce compute a un coût massif, souvent invisible pour les décideurs non techniques : le coût énergétique.

L’entraînement d’un modèle comme GPT-3 consomme entre 1 et 5 GWh. L’utilisation en production (inférence), dans les applications client, ajoute une charge exponentielle selon l’échelle. Chaque choix d’infrastructure IA devient donc aussi un choix énergétique, avec trois conséquences :

1. Rendement économique : une entreprise qui déploie l’IA sans arbitrage infrastructurel risque de faire exploser ses coûts d’exploitation.
   
   

2. Licéité territoriale : des collectivités locales ou des gouvernements interdisent ou restreignent les data centers non durables (cf. Pays-Bas, Irlande, Californie).
   
   

3. Régulation carbone : avec la montée des normes ESG, les émissions liées au compute (Scopes 2 et 3) deviennent des variables de notation financière.
   
   

La prospective ici ne concerne pas uniquement le climat. Elle touche le modèle d’affaires : peut-on construire une stratégie IA rentable sans penser l’efficience énergétique de son infrastructure ? La réponse est non.

3.3 – Une nouvelle cartographie de l’investissement technologique

Cette tension entre capacité de traitement, dépendance énergétique, et souveraineté algorithmique redéfinit la manière de penser l’investissement technologique.

Trois dynamiques émergent :

1. Capitalisme du compute

Des fonds d’investissement (comme BlackRock ou Mubadala) ne misent plus sur des applications, mais sur des plateformes de traitement souveraines : data centers, clouds spécialisés, infrastructures multi-tenant optimisées pour l’IA. Ce capitalisme du hard infra s’oppose à l’ancienne logique du « tout-software ».

2. Modèles hybrides public–privé

Des coalitions apparaissent pour mutualiser le coût du compute tout en préservant des logiques locales : Gaïa-X en Europe, compute partagé chez HuggingFace, clusters universitaires semi-publics aux États-Unis, partenariats Scaleway–instituts publics. Ce sont les prémices d’une économie coopérative de l’infrastructure.

3. Architecture comme différenciateur concurrentiel

Une entreprise qui choisit une infrastructure IA sobre, réversible, et maîtrisée, peut :

• réduire de 30 à 50 % ses coûts d’exploitation à horizon 2–3 ans,
  
  

• mieux négocier ses contrats de service (grâce à des architectures non-propriétaires),
  
  

• s’adapter plus vite aux réglementations (ex. : inter-opérabilité, portabilité, audits IA).
  
  

L’infrastructure devient alors un levier de performance stratégique, et non un simple coût IT.

3.4 – Trois scénarios économiques à horizon 2030

Anticiper les trajectoires de l’infrastructure IA à l’échelle globale

Dans un contexte de montée en complexité, l’analyse prospective ne consiste pas à prédire, mais à cartographier les futurs possibles pour permettre des décisions mieux informées aujourd’hui. Nous proposons ici trois scénarios contrastés mais plausibles d’évolution de l’économie de l’IA à horizon 2030, centrés sur le rôle de l’infrastructure.

Scénario 1 — « Le retour des empires computationnels »

Concentration, captation, ultra-performance

Dans ce futur, les grandes plateformes technologiques (GAFAM, BATX, hyperscalers) renforcent leur pouvoir infrastructurel. L’accès au compute est tarifé, restreint ou conditionné à l’adoption de standards propriétaires. L’IA devient un service externalisé, opaque, rapide, mais centralisé.

• Le coût marginal du traitement augmente pour les petites structures.
  
  

• Les entreprises non alignées sur les standards dominants sont contraintes à des solutions de contournement coûteuses ou inefficaces.
  
  

• La dépendance énergétique est absorbée par les grandes puissances grâce à des partenariats géopolitiques asymétriques (cf. compute-for-gas ou data-for-land).
  
  

*** Conséquence stratégique : Le pouvoir économique repose sur la maîtrise logistique du traitement. L’innovation devient secondaire face à l’optimisation de l’accès.

Scénario 2 — « Le tournant des infrastructures décentralisées »

Modularité, sobriété, coopétition territoriale

Ici, la pression énergétique, les scandales liés aux biais des modèles fermés, et l’émergence d’alternatives open source conduisent à une nouvelle phase : celle des micro-architectures IA.

• Des datacenters à taille humaine apparaissent au niveau local (zones franches, réseaux coopératifs, low-cost edge computing).
  
  

• Des standards inter-opérables (soutenues par l’IEEE, l’OCDE, ou l’UE) favorisent la portabilité, la transparence, l’auditabilité des modèles.
  
  

• La sobriété computationnelle devient un critère d’attractivité pour les investisseurs (taxonomie verte du compute).
  
  

*** Conséquence stratégique : L’IA devient un infra-service; un bien semi-public, mutualisé ou gouverné localement. Les organisations gagnent en autonomie stratégique sans sacrifier la performance.

Scénario 3 — « L’effondrement partiel du système IA global »

Fragmentation, pénuries, bulles techniques

Dans ce scénario pessimiste mais techniquement plausible, la concentration excessive de la production de puces (TSMC, SK Hynix, Samsung) et l’inflation énergétique créent une série de chocs :

• Pénuries de GPU, surcoûts logistiques, interruptions de traitement.
  
  

• Des cyberattaques sur les infrastructures IA critiques révèlent leur fragilité systémique.
  
  

• Les investisseurs se replient sur des secteurs tangibles. Une bulle IA explose, similaire à la bulle Internet (2001) mais plus structurelle.
  
  

*** Conséquence stratégique : Les organisations ayant massivement externalisé leur infrastructure sans redondance ni gouvernance sont exposées à des risques majeurs. L’anticipation, la diversification, et la résilience deviennent les marqueurs d’une infrastructure robuste, au sens d’Olivier Hamant.

Conclusion de cette section

Ces trois scénarios ne sont pas exclusifs. Ils peuvent coexister, selon les zones géographiques, les filières, ou les niveaux de maturité technologique. Mais ils partagent un point commun : la centralité du choix d’infrastructure comme acte stratégique.

Dans chacun d’eux, ce choix détermine :

• La capacité à innover sans dépendance.
  
  

• Le coût réel du traitement dans le temps long.
  
  

• La soutenabilité du modèle technologique dans un monde contraint.
  
  

En synthèse de ce chapitre

L’économie de l’IA n’est pas une économie d’innovation.
C’est une économie d’orchestration.

Et cette orchestration repose sur :

• des ressources computationnelles rares,
  
  

• des interdépendances énergétiques,
  
  

• des architectures géopolitiques distribuées.
  
  

Ceux qui sauront cartographier, choisir et piloter leur infrastructure IA disposeront d’un avantage comparatif structurel, bien plus durable qu’un algorithme temporairement plus performant.

4. Voies stratégiques d’action

Choisir, construire et gouverner son infrastructure IA

4.1 – Pour les entreprises : bâtir une infrastructure alignée sur la stratégie

L’erreur fréquente des dirigeants est de confondre infrastructure et IT.
L’infrastructure IA n’est pas un socle technique à déléguer. C’est un vecteur de stratégie. Elle conditionne :

• La vitesse de déploiement,
  
  

• La réversibilité des décisions technologiques,
  
  

• La soutenabilité économique du modèle à long terme.
  
  

Une entreprise qui choisit un modèle "plug & play" sans questionner l’infrastructure sous-jacente devient captive des fournisseurs.
Une entreprise qui fait de l’architecture un levier de pilotage crée un différentiel concurrentiel silencieux mais profond.

Les leviers concrets à activer :

• Diagnostiquer la chaîne d’infrastructure (où sont traitées mes données ? sous quelles conditions ? à quel coût variable ?)
  
  

• Documenter ses dépendances technologiques : GPU, cloud, API, pile logicielle propriétaire
  
  

• Intégrer des critères de gouvernance dans les appels d’offres IA (localisation, auditabilité, portabilité, sobriété énergétique)
  
  

• Former les équipes de direction à l’analyse infra-structurelle (pas pour les transformer en ingénieurs, mais en décideurs éclairés)
  
  

-> Une IA performante sans infrastructure stratégique, c’est comme un moteur de Formule 1 monté sur un châssis de location.

4.2 – Pour les institutions publiques : piloter l’accès comme un bien stratégique

Les collectivités, agences nationales, universités, hôpitaux, services publics ont un rôle central à jouer dans la démocratisation de l’accès au compute.

Trop souvent, les politiques publiques numériques se concentrent sur les usages ou l’équipement. Mais sans maîtrise de l’infrastructure, ces initiatives reposent sur des architectures opaques, inégales, peu souveraines.

L’enjeu est triple :

1. Garantir un accès équitable à la puissance de calcul, pour les acteurs de taille moyenne, les laboratoires, les entreprises locales.
   
   

2. Construire des zones de traitement souveraines, à l’échelle locale ou nationale, par mutualisation ou partenariat.
   
   

3. Encadrer l’externalisation IA avec des clauses structurelles : auditabilité, droit à l’explication, portabilité des modèles, effacement des traces.
   
   

Cela suppose d’adopter une logique similaire à celle du service public :

• Le compute devient une ressource d’intérêt général,
  
  

• Les modèles IA entraînés sur fonds publics deviennent des communs computationnels,
  
  

• L’infrastructure doit être pensée comme un actif stratégique à gouverner, pas seulement à financer.
  
  

4.3 – Pour les États : orchestrer l’autonomie computationnelle

La souveraineté numérique ne se décrète pas. Elle se bâtit couche par couche, comme une infrastructure vivante. Cela implique pour les États :

• De penser la stratégie IA non pas en termes de modèles, mais en termes de conditions matérielles d’apprentissage et d’inférence
  
  

• De financer des clouds souverains qui ne soient pas des copies à coût élevé des hyperscalers, mais des architectures réellement gouvernables
  
  

• De définir des taxonomies ESG du compute, pour encadrer les impacts environnementaux et redistribuer les incitations
  
  

Comme l’a formulé Bernard Stiegler,

« Il ne suffit pas de doter les citoyens d’outils ; il faut leur restituer la capacité d’en comprendre les effets, et de décider de leurs usages. »

Cela s’applique pleinement ici. La politique industrielle du XXIe siècle passe par la gouvernance de l’intelligence automatisée.
Et cette gouvernance n’est pas possible sans contrôle sur :

• La localisation des centres de traitement
  
  

• Le design des architectures
  
  

• Les conditions d’accès et de transparence des modèles utilisés
  
  

4.4 – Penser une nouvelle gouvernance de l’infrastructure

Au-delà des silos publics/privés, une nouvelle logique émerge : celle d’une gouvernance distribuée du traitement. Elle s’inspire à la fois :

• Des infrastructures partagées (chemins de fer, télécoms),
  
  

• Des communs numériques (open source, open compute),
  
  

• Des principes de pharmacologie technique proposés par Stiegler : l’usage détermine si la technique soigne… ou aliène.
  
  

Trois pistes d’action à développer :

1. Concevoir des “assemblées du compute”, à l’échelle locale, sectorielle ou territoriale, rassemblant entreprises, chercheurs, collectivités et citoyens pour définir les orientations stratégiques en matière d’IA.
   
   

2. Construire des indicateurs d’infrastructure intelligents : au lieu de mesurer la “maturité IA” par le nombre d’outils déployés, mesurer la résilience, la transparence et la soutenabilité des architectures utilisées.
   
   

3. Repolitiser le débat technologique : faire de la question de l’infrastructure un enjeu public, au même titre que l’énergie, l’eau ou la santé.
   
   

En synthèse de ce chapitre

Le choix d’infrastructure n’est plus un sujet d’ingénieurs.
C’est une décision stratégique, politique, économique et sociale.

À l’échelle de l’entreprise, il conditionne :

• Le coût réel de l’IA,

• La vitesse de déploiement,

• La dépendance ou l’autonomie.
  
  

À l’échelle publique, il détermine :

• L’accès équitable à la puissance numérique,

• La souveraineté des décisions automatisées,

• La capacité à piloter collectivement un futur algorithmisé.
  
  

Et à l’échelle géopolitique, il façonne :

• Les alliances industrielles durables,

• La légitimité technologique,

Et la place des nations dans l’économie computationnelle globale.

⌁ Encart stratégique — Infrastructure IA : 7 questions puissantes pour décider

« Une organisation ne devient pas souveraine par la possession, mais par la compréhension de ses interdépendances. »
Inspiré de Bernard Stiegler

La question de l’infrastructure IA peut sembler abstraite. Mais elle devient immédiatement stratégique quand on la traduit en décisions concrètes.

Voici 7 questions à poser dans toute organisation, publique ou privée, qui envisage de s’équiper, d’investir ou de déployer une IA.

1. Où sont physiquement traitées nos données sensibles ?

Et dans quelles juridictions ces traitements sont-ils régis ?

2. Qui contrôle les outils que nous utilisons pour entraîner ou intégrer des modèles ?

Open source, API fermée, solution propriétaire opaque ?

3. Quelle est notre marge de manœuvre si un fournisseur change ses conditions d’usage ?

Prix, gouvernance, portabilité des modèles, dépendance au service ?

4. Pouvons-nous auditer ce que “voit” et “décide” un modèle utilisé en interne ?

Si non, le risque réputationnel et légal est-il maîtrisable ?

5. Avons-nous chiffré le coût énergétique et opérationnel du traitement IA ?

En euros, en kilowatts, en bande passante et en implications ESG ?

6. L’infrastructure sur laquelle repose notre IA est-elle alignée avec notre vision de la donnée ?

La considérons-nous comme un actif propriétaire ? Un commun ? Une trace à protéger ?

7. Nos équipes dirigeantes sont-elles capables de penser l’architecture comme un choix stratégique ?

Pas en termes techniques mais en termes d’arbitrage, d’alignement, de résilience.

Ces questions ne visent pas à freiner l’innovation.
Elles visent à la rendre lucide, gouvernable et durable.

Car l’enjeu n’est pas de déployer l’IA.
L’enjeu est de pouvoir la piloter, en conscience, dans un monde où l’infrastructure est devenue la forme contemporaine du pouvoir.

Conclusion

Repenser l’infrastructure : le nouveau terrain de l’intelligence stratégique

L’économie numérique de l’intelligence artificielle n’est plus une affaire d’innovation visible.
Elle est devenue une affaire d’orchestration invisible.

Le pouvoir ne réside plus dans la possession des données, ni même dans les algorithmes.
Il réside dans la maîtrise des conditions de traitement, dans l’architecture matérielle et logicielle qui rend possible ou non, l’intelligence numérique.

Et cette maîtrise se joue sur un terrain longtemps négligé : l’infrastructure.

Trois constats pour décider autrement

1. Le compute est la nouvelle unité stratégique.
Ressource rare, capitalistique, énergivore, il conditionne l’accès aux modèles, la compétitivité des usages, et la souveraineté technologique.

2. L’infrastructure encode des choix implicites.
Chaque API utilisée, chaque modèle adopté, chaque réseau connecté est porteur de dépendances, de normes, de silences. L’architecture n’est jamais neutre.

3. Le choix technologique est un acte politique.
Ce que l’on délègue, ce que l’on externalise, ce que l’on ne comprend plus devient source d’aliénation. Gouverner l’infrastructure, c’est gouverner le réel.

L’intelligence comme capacité de « reliance »

Repenser l’infrastructure, ce n’est pas simplement améliorer la performance.
C’est relier :

• les couches techniques aux enjeux économiques,

• les décisions locales aux dynamiques globales,

• les choix d’outils à une vision du temps long.

C’est incarner le sens premier du mot intelligence, inter-ligere : l’art de discerner en reliant.

Et cela impose une posture.
Pas celle du technicien. Pas celle du suiveur.
Mais celle du stratège lucide, qui voit dans les choix d’architecture une forme contemporaine de souveraineté.

Pour une gouvernance éclairée de l’intelligence computationnelle

Ce rapport plaide pour une prise de conscience structurelle :

• Les entreprises doivent internaliser l’infrastructure comme levier de différenciation, de coût et de souveraineté.
  
  

• Les institutions doivent structurer l’accès équitable et maîtrisé à la puissance de traitement, comme elles l’ont fait pour l’eau, l’électricité ou la santé.
  
  

• Les États doivent orchestrer des stratégies de long terme, en bâtissant les fondations d’une autonomie computationnelle durable.
  
  

Mais cette gouvernance ne sera pas purement technocratique.
Elle doit, comme le soutenait Bernard Stiegler, réconcilier la technique et l’intelligence collective.
Elle doit viser une pharmacologie de l’infrastructure : ni rejet aveugle, ni adoption mimétique, mais une politique de discernement, de transparence, de choix.

Une carte pour ceux qui veulent choisir

Ce rapport n’est ni un avertissement, ni une spéculation.
C’est une carte stratégique, construite pour celles et ceux qui veulent :

• comprendre les tensions invisibles qui structurent l’économie de l’IA,
  
  

• poser des décisions fondées, cohérentes, robustes,
  
  

• bâtir des organisations capables de naviguer dans l’incertitude avec autonomie.
  
  

Les entreprises qui sauront cartographier, choisir et piloter leur infrastructure IA disposeront d’un avantage comparatif structurel, bien plus durable qu’un algorithme temporairement plus performant.

Les institutions qui structureront une gouvernance du traitement participeront à restaurer une forme d’autonomie cognitive, décisionnelle et stratégique.

Les États qui penseront le compute comme une politique industrielle, et non comme une externalité technique, traceront un autre horizon pour leurs économies, leurs alliances, et leur capacité à peser dans un monde fragmenté.

Ce n’est donc pas un débat sur la technologie.
C’est une décision civilisationnelle.

📚 Bibliographie commentée – Liens directs

1. Ouvrages & articles structurants

• **Bernard Stiegler – Technics and Time, 1: The Fault of Epimetheus** (1998)
  Philosophie de la technique comme condition de l’existence humaine. Fondamental pour comprendre l’infrastructure IA comme choix civilisationnel.
  📎 PDF : Technics and Time, 1 (Archive)
  https://archive.org/stream/BernardSieglerTechnicsAndTime1TheFaultOfEpimetheus/Bernard+Siegler+-+Technics+and+Time+1+The+fault+of+Epimetheus_djvu.txt
  
  

• **Felix Heidenreich & Florian Weber‑Stein – Bernard Stiegler: Elements of Pharmacology** (2022)
  Excellente introduction à la pharmacologie technique (artefact entre soin et poison) — centrale pour le passage sur la gouvernance de l’infrastructure.
  📎 Lien : résumé et discussions
  https://www.researchgate.net/publication/363704172_The_Politics_of_Digital_Pharmacology_Exploring_the_Craft_of_Collective_Care
  
  

• **Girish Sastry et al. – Computing Power and the Governance of Artificial Intelligence** (février 2024)
  Relayé sur arXiv, cet article académique soutient la notion de compute comme ressource régulée, cruciale pour le Chapitre 3.
  📎https://www.shaharavin.com/publication/computing-power-and-the-governance-of-artificial-intelligence/
  
  

• **Gropp, Banerjee & Foster – Infrastructure for AI, Quantum and HPC** (déc. 2020)
  Une exploration technique de la convergence IA/HPC/quantique — utile pour cartographier les couches de l’infrastructure.
  📎 https://www.researchgate.net/publication/347441875_Infrastructure_for_Artificial_Intelligence_Quantum_and_High_Performance_Computing
  
  

2. Rapports & études de référence

• **Stanford HAI – AI Index 2025**
  Rapport annuel de référence sur l’IA — riche en données sur hardware, adoption, gouvernance.
  📎 PDF intégral : AI Index Report 2025 https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf
  📎 Policy Highlights (résumé haut niveau) https://hai-production.s3.amazonaws.com/files/hai-ai-index-2025-policy-highlights.pdf
  
  

• **Google Cloud – State of AI Infrastructure Report 2025** (N. Mehta)
  Etude ciblée sur l’infrastructure IA (sécurité, coûts, scalabilité, edge) — ancre les réflexions des chapitres 3 et 4.
  📎 PDF : via Google Cloud https://cloud.google.com/resources/content/state-of-ai-infrastructure
  
  

3. Vidéos & conférences 

• **“The Pharmacology of Artificial Intelligence”** – UC Berkeley, 2022
  Conférence directement inspirée de Stiegler, examinant les technologies comme remèdes ou poisons — essentielle pour la gouvernance éclairée.
  📎 Page événement UC Berkeley https://events.berkeley.edu/rhetoric/event/284221-pharmacology-of-artificial-intelligence-thinking
  
  

• La société automatique, par Bernard Stiegler
  Discussion approfondie sur l’automatisation et la maturité du numérique, utile pour nourrir les recommandations du Chapitre 4.
  📎 https://www.youtube.com/watch?v=Z9dM-FWd6hg
  
  

• “Artificial Intelligence as a Transformational Technology” – Berkeley Lab (YouTube, juin 2025)
  Exposé sur l’intégration IA et automatisation avancée dans la recherche — utile pour enrichir la dimension technique & prospective.
  📎 https://www.asminternational.org/video/accelerating-discovery-with-ai-and-automation-at-berkeley-lab/
  
  

Annexe lexicale – Termes stratégiques liés à l’infrastructure IA

Architecture logicielle

Définition : Organisation structurée des composants logiciels (bases de données, modèles, API, systèmes de gestion).
Pourquoi c’est clé : Elle conditionne la scalabilité, l’interopérabilité et la sécurité des systèmes IA.

API (Application Programming Interface)

Définition : Interface qui permet à deux systèmes logiciels de communiquer automatiquement.
Exemple : Utiliser l’API de ChatGPT pour intégrer des fonctions IA dans une application métier.

Compute (ou puissance de calcul)

Définition : Capacité d’un système à exécuter des opérations complexes en un temps donné.
Pourquoi c’est clé : L’accès au compute conditionne les performances et la rapidité de l’IA.

Cloud souverain

Définition : Infrastructure cloud hébergée localement, soumise à la réglementation du pays hôte.
Pourquoi c’est clé : Il garantit une maîtrise juridique, énergétique et politique des données et traitements.

Data center

Définition : Infrastructure physique où sont stockées et traitées les données numériques.
Types : Hyperscale (grande capacité), Edge (proche du terrain), Modular (flexible, déployable).

DPU / GPU / TPU

DPU : Data Processing Unit – spécialisée dans la gestion des flux réseau et stockage.
GPU : Graphics Processing Unit – spécialisée dans les calculs massivement parallèles (notamment IA).
TPU : Tensor Processing Unit – développée par Google, optimisée pour le deep learning.

Entraînement / inférence

Entraînement : Phase où un modèle IA apprend à partir de jeux de données.
Inférence : Phase où il est utilisé pour produire des résultats ou prédictions.
Pourquoi c’est clé : Ces deux phases ont des besoins techniques et énergétiques très différents.

Gouvernance algorithmique

Définition : Ensemble de règles, processus et audits visant à encadrer l’usage des algorithmes dans les organisations.
Exemple : RGPD, audit de biais, droit à l’explication.

Infrastructure as Code (IaC)

Définition : Méthode qui permet de déployer automatiquement une infrastructure informatique via des scripts.
Pourquoi c’est clé : Réduit la dépendance aux équipes techniques et facilite la scalabilité.

InfiniBand / Ethernet modifié

Définition : Protocoles de communication très rapides entre serveurs au sein d’un data center.
Pourquoi c’est clé : Optimisent la latence et la bande passante des traitements IA distribués.

Latence

Définition : Temps entre la demande d’une information et sa réception.
Pourquoi c’est clé : Une faible latence est essentielle pour les applications IA en temps réel (santé, finance, logistique).

Modèle de langage (LLM)

Définition : Modèle IA entraîné pour générer ou comprendre du langage (texte, parole).
Exemples : GPT-4, Claude, Mistral 7B, LLaMA.

Portabilité

Définition : Capacité à transférer un système, une donnée ou un modèle d’un environnement à un autre.
Pourquoi c’est clé : Limite les effets de verrouillage technologique.

Résilience infrastructurelle

Définition : Capacité d’un système à maintenir ses fonctions en cas de perturbation (panne, attaque, surcharge).
Pourquoi c’est clé : Préserve la continuité d’activité et la confiance stratégique.

Scalabilité

Définition : Capacité d’une infrastructure à croître sans perte de performance.
Types : Scalabilité verticale (plus puissant), horizontale (plus de serveurs).

Stack (pile technologique)

Définition : Ensemble des couches logicielles et matérielles qui composent un système numérique.
Pourquoi c’est clé : Maîtriser la stack = maîtriser le chemin complet de la donnée.