I / La chaîne de valeur Six étages, des marges très inégales

Une chaîne de valeur décrit toutes les étapes qui transforment une ressource en produit final vendu à un client. Pour l'IA, six étages s'empilent : énergie, data centers, cloud, puces, modèles, applications. Chacun est indispensable. Mais chacun ne capte pas la même quantité de marge.

Le Stanford AI Index 2026 confirme que cette chaîne est devenue industrielle : les capacités ne plafonnent pas, l'adoption en entreprise atteint 88 %, et plus de 90 % des modèles frontier notables viennent désormais de l'industrie. L'IA n'est donc plus seulement une affaire de recherche ; c'est une compétition de capital, d'infrastructure, de distribution et de contrôle de marché.

Arthur Mensch résume l'enjeu en une formule : « L'intelligence artificielle, c'est un peu un travail d'électricien. Notre rôle, c'est de transformer des mégawatts en intelligence. » Encore faut-il que celui qui fournit les mégawatts soit aussi celui qui vend l'intelligence. Sinon, le travail d'électricien reste à un bout de la chaîne, et la marge part à l'autre.

L'énergie et les data centers sont des couches commodité, indispensables mais à marges fines. Les couches qui captent la rente sont ailleurs : les puces dominent largement (NVIDIA à 60,4 % de marge opérationnelle sur l'exercice fiscal 2026 (FY2026), SK Hynix jusqu'à 72 % au premier trimestre 2026 (Q1 2026) grâce à la mémoire à haute bande passante (HBM), le cloud encaisse solidement (AWS, Amazon Web Services, 37,7 % au Q1 2026, Microsoft Intelligent Cloud 39,7 % au troisième trimestre de l'exercice fiscal 2026, Google Cloud 33,0 % au Q1 2026), et les applications de logiciel en service (SaaS, software as a service) oscillent entre 20 % et 60 % selon le panier d'éditeurs et la métrique (normes comptables américaines GAAP vs non-GAAP). La couche des modèles reste la moins lisible financièrement : OpenAI et Anthropic ne publient pas de comptes audités complets. Les documents privés rapportés par la presse évoquent des pertes massives chez OpenAI et une trajectoire de rentabilité plus tardive chez Anthropic (objectif rentabilité 2028). Ces montants relèvent d'estimations de presse, distinctes de données financières publiées par les entreprises.

La leçon est forte : l'écart énergie–puces est, en marge opérationnelle, de l'ordre de 4× à 6× entre un acteur intégré de l'électricité comme EDF et les grands acteurs des puces IA. L'écart se resserre si l'on compare l' EBITDA d'EDF à la marge opérationnelle des semi-conducteurs, mais reste massif. Et au-dessus du cloud, les modèles ne sont pas encore une couche rentable, ce qui ne veut pas dire qu'ils ne le seront jamais, mais qu'en 2025, le vrai gagnant économique de l'IA s'appelle NVIDIA, TSMC et SK Hynix, pas OpenAI.

Cette carte change la question. Il ne suffit plus de demander qui innove, mais qui possède chaque étage critique. On commence par le plus favorable à la France : l'électricité.

II / Énergie Première condition de l'IA, et la seule couche où la France a un avantage rare

1 · Pourquoi l'énergie est centraleQuatre variables qui comptent simultanément

La compétition mondiale autour de l'intelligence artificielle ne se joue pas seulement dans les laboratoires de recherche, les modèles de langage ou les levées de fonds. Elle se joue aussi dans les réseaux électriques.

Un modèle d'IA avancé suppose des data centers. Ces data centers supposent des serveurs, des puces, des systèmes de refroidissement, des réseaux de fibre, des transformateurs, des raccordements électriques et surtout une alimentation continue, massive et compétitive. L'IA n'est pas seulement une industrie du logiciel. C'est aussi une industrie lourde, dépendante de l'énergie.

Arthur Mensch l'a résumé devant l'Assemblée nationale : « Tout le monde veut de l'électricité et il n'y en a pas assez. »

Quatre variables comptent simultanément pour les opérateurs d'IA : la quantité d'électricité disponible, sa pilotabilité (disponibilité 24/7), son intensité carbone et son prix. Aucun grand bloc économique ne maximise les quatre en même temps.

Quantité. Un data center d'IA de 1 gigawatt (GW) en continu consomme environ 8,76 térawattheures (TWh) par an, soit l'équivalent de la consommation annuelle d'une grande ville. À l'échelle d'un campus de plusieurs gigawatts, la demande devient comparable à celle d'un secteur industriel entier. La France a enregistré environ 14 GW de demandes ou réservations de raccordement liées à des data centers selon RTE (Réseau de transport d'électricité). Si ces puissances étaient appelées en continu toute l'année, elles représenteraient environ 122,6 TWh/an, soit environ 22 % de la production électrique française 2025.

Pilotabilité. Un data center d'IA ne fonctionne pas comme une usine que l'on peut arrêter. Les grappes de processeurs graphiques (GPU) doivent être alimentées en continu, refroidies en continu, surveillées en continu. L'entraînement de modèles peut parfois être déplacé dans le temps, mais l'inférence, les services cloud, les interfaces de programmation (API), les produits SaaS et les applications critiques exigent une disponibilité permanente. Le solaire et l'éolien sont indispensables à la transition électrique, mais ils ne suffisent pas seuls à garantir une alimentation constante. Le nucléaire et l'hydraulique apportent une profondeur que peu de mix possèdent.

Carbone. Les hyperscalers ne vendent plus seulement du calcul. Ils vendent du calcul compatible avec les engagements climatiques de leurs clients. Une banque, un industriel ou une administration qui utilise du cloud ou de l'IA doit suivre son empreinte carbone, et l'électricité consommée par les data centers entre dans ses indicateurs environnementaux. Les hyperscalers cherchent désormais une électricité bas-carbone heure par heure, et pas seulement une compensation annuelle de type RE100 (initiative d'engagement vers 100 % d'électricité renouvelable). McKinsey souligne que certains acteurs vont au-delà du RE100 et poussent vers des contrats d'électricité propre 24 heures sur 24, 7 jours sur 7.

Prix. L'électricité représente l'un des postes centraux de l'exploitation d'un data center, avec les GPU, le refroidissement, le foncier et la maintenance. Un site de 1 GW consommant en continu représente 8,76 TWh/an. À 50 euros par mégawattheure (€/MWh), le seul coût énergie atteint 438 millions d'euros par an ; à 61 €/MWh, environ 534 millions ; à 88 €/MWh, environ 771 millions ; à 136,53 $/MWh, niveau du coût total de gros observé dans PJM (marché électrique régional de l'est des États-Unis) au premier trimestre (T1) 2026, l'ordre de grandeur dépasse 1,19 milliard de dollars par an. Ces montants n'incluent pas les coûts de raccordement, de réseau, de capacité, de garanties d'origine, de redondance électrique, de stockage, de refroidissement ni de sécurisation contractuelle. Quelques dizaines d'euros par MWh suffisent à déplacer des centaines de millions d'euros sur la durée de vie d'un site, et à déterminer la compétitivité d'une filière industrielle entière.

Les États-Unis, la Chine et l'Europe incarnent trois compromis différents sur ces quatre variables. La France, à l'intérieur de l'Europe, incarne un quatrième cas, à part.

2 · FranceLe plus gros surplus d'électricité bas-carbone d'Europe

En 2025, la France a produit 547,5 TWh d'électricité, dont 521,1 TWh bas-carbone, soit 95,2 % de la production. L'intensité carbone moyenne s'est établie à 19,6 grammes de CO₂ équivalent par kilowattheure (gCO₂eq/kWh), très loin de la moyenne européenne d'environ 178 gCO₂eq/kWh selon RTE (Europe = Union européenne (UE) + Suisse + Norvège + Royaume-Uni, 2025).

Ce mix est essentiellement nucléaire et hydraulique : nucléaire 373 TWh, hydraulique 62,4 TWh, et fossile seulement 18,7 TWh, un plancher historique. Aucun autre grand pays européen ne combine cette échelle (>500 TWh), cette base pilotable (le nucléaire est disponible 24/7 toute l'année) et cette intensité carbone quasi-nulle.

La France est le premier exportateur net d'électricité d'Europe en volume, avec un solde exportateur record de 92,3 TWh en 2025, soit 17 % de la production nationale, pour une valorisation de 5,4 milliards d'euros (jusqu'à 9 milliards au prix moyen des pays voisins). Le pays est exportateur net 99 % du temps.

Côté prix, la France redevient compétitive. Le cadre post-accès régulé à l'électricité nucléaire historique (ARENH) ne fixe pas simplement toute l'électricité nucléaire à un prix unique pour tous les grands consommateurs. La bonne référence publique est le coût complet du nucléaire historique évalué par la Commission de régulation de l'énergie (CRE) à 60,3 €/MWh pour 2026–2028 et 63,4 €/MWh pour 2029–2031. Ce coût n'est pas un prix garanti universellement : le prix réellement payé dépend du contrat, du profil de consommation, du marché, du mécanisme de redistribution et des coûts réseau.

La France présente une combinaison rare : électricité bas-carbone abondante, base nucléaire pilotable, prix de gros redevenus compétitifs en Europe et capacité potentielle d'accueil de grands projets. Mais elle ne coche pas automatiquement toutes les cases opérationnelles : les délais de raccordement, la disponibilité locale du réseau, la puissance réellement livrable, le coût du foncier, l'acceptabilité politique et la capacité à capter la valeur en aval restent déterminants. Et il reste du surplus. Arthur Mensch le quantifie sans détour : « Il y a du surplus énergétique en France, à peu près 9 gigawatts en moyenne. »

3 · Comparaison France, Europe, Chine, États-UnisTrois mondes énergétiques, trois compromis carbone-prix

Les États-Unis disposent encore d'un avantage de prix de gros moyen par rapport à l'Europe, mais cet avantage devient localement beaucoup moins évident dans les hubs de data centers. Dans la zone Dominion de PJM, qui couvre la Virginie et la plus grande concentration mondiale de data centers, la croissance de la charge tire déjà les pics de demande, les prix de capacité et les coûts de gros vers le haut. En 2025, la production électrique américaine atteint environ 4 430 TWh selon l'EIA (U.S. Energy Information Administration). Le chiffre de 4 195–4 260 TWh correspond plutôt à des séries de consommation ou de demande électrique selon le périmètre, pas à la production nette totale. Le mix reste toutefois carboné : environ 40 % de gaz, 17 % de charbon, 17 % de nucléaire et 26 % de renouvelables, pour une intensité moyenne d'environ 384 gCO₂eq/kWh.

Mais ce chiffre ne décrit pas la stratégie des hyperscalers. Microsoft, Amazon, Google et Meta ne dépendent pas passivement du mix national. Ils organisent leur propre accès à l'énergie par des contrats privés de long terme, souvent adossés à du nucléaire ou à de nouveaux projets de production : Microsoft × Constellation sur 835 MW à Three Mile Island ; Meta × Constellation sur 1 121 MW à Clinton (Illinois) ; Amazon × Talen jusqu'à 1 920 MW à Susquehanna, avec un objectif de +5 GW de nouveau nucléaire aux États-Unis d'ici 2039 ; Google × Kairos Power sur 500 MW de petits réacteurs modulaires (SMR, small modular reactors). La logique américaine est claire : le réseau moyen n'est pas le plus décarboné, mais les grandes entreprises peuvent sécuriser rapidement de très grands volumes d'électricité. L'avantage américain n'est pas la pureté carbone moyenne, c'est la vitesse d'organisation d'une chaîne industrielle complète.

La Chine suit une autre logique : l'intégration industrielle. Sa production et sa consommation électriques dépassent désormais les 10 000 TWh annuels selon les périmètres statistiques, soit plus du double des États-Unis. Cette échelle change tout. La Chine produit les panneaux solaires, les batteries, une part croissante des puces, les équipements réseau, les serveurs, les composants électroniques et désormais ses propres modèles d'IA. Sa force ne vient pas seulement du coût de l'électricité. Elle vient de la capacité à intégrer toute la chaîne : énergie, industrie, infrastructure, matériel, cloud national et modèles.

Les prix industriels chinois restent inférieurs aux européens (l'IEA (Agence internationale de l'énergie) les évalue à environ deux tiers des prix européens pour les industries électro-intensives) mais pas systématiquement aux américains. L'avantage décisif chinois est la coordination : crédit orienté, foncier sécurisé, infrastructures électriques construites rapidement, priorités définies au niveau de l'État. La contrepartie est lourde : le charbon représente encore environ 54 % du mix électrique chinois en 2025, l'intensité moyenne atteint ~525 gCO₂eq/kWh, et l'IEA indique que l'électricité consommée par les data centers chinois reste dominée par le charbon à près de 70 %. La contrainte de responsabilité sociétale des entreprises (RSE) y est moins bloquante commercialement pour les opérateurs domestiques, elle n'est pas inexistante.

L'Europe est dans le compromis inverse : électricité la plus chère du trio (l'IEA indique environ deux fois les prix américains et plus de 50 % au-dessus des prix chinois pour les industries électro-intensives), mais mix plus propre, ~178 gCO₂eq/kWh en moyenne en 2025 selon RTE (UE + Suisse + Norvège + Royaume-Uni). Le solaire et l'éolien européens ont produit 841 TWh en 2025, soit 30,1 % de l'électricité de l'UE, devant les fossiles à 29,0 % (809 TWh) pour la première fois de l'histoire. Mais cette moyenne masque une fragmentation considérable : Allemagne ~300 gCO₂eq/kWh, Italie et Espagne 150–250, pays nordiques sous 50, France à 19,6. Il n'existe pas une électricité européenne unique, il existe plusieurs Europes électriques.

La France est très compétitive en Europe sur le marché de gros ; les États-Unis restent moins chers en moyenne nationale mais certains hubs de data centers, notamment PJM et la Virginie, deviennent très coûteux ; la Chine reste compétitive, mais ses prix ne sont pas directement comparables car ils dépendent fortement des provinces, des contrats directs, du niveau de tension et du verdissement de l'électricité. Mais la France n'a ni le cloud, ni les puces, ni les modèles à l'échelle pour transformer cette électricité en valeur captée. Les États-Unis en font du cloud, des modèles et de la capitalisation boursière ; la Chine, des équipements, des puces et des data centers. L'Europe risque de vendre la ressource la plus propre au prix d'une commodité, pendant que les autres vendent le produit final. C'est le sujet des étages suivants.

La France a donc une carte rare : une électricité bas-carbone, pilotable et encore disponible. Mais une carte n'est pas une victoire. Si ces électrons alimentent surtout les machines des autres, l'avantage français devient une matière première. L'étage suivant dira si cette énergie peut devenir du calcul contrôlé en Europe.

III / Data centers La bataille des gigawatts, ou comment l'électricité française devient une ressource mondiale

1 · Pourquoi les data centers sont centrauxLa couche physique entre l'électricité et l'intelligence

Un modèle d'intelligence artificielle ne fonctionne pas dans le vide. Il tourne dans des data centers. Un data center est une infrastructure industrielle qui regroupe des serveurs, des puces, du stockage, des équipements réseau, des transformateurs, des batteries, des groupes électrogènes, des systèmes de refroidissement, des logiciels de supervision et des dispositifs de sécurité.

Il faut distinguer plusieurs catégories. Le data center d'entreprise héberge les serveurs d'une organisation. Le data center de colocation est construit par un opérateur qui loue ensuite de l'espace, de la puissance et des services à plusieurs clients. Le data center cloud est opéré pour vendre de la puissance de calcul, du stockage et des services numériques. Enfin, les centres haute densité pour le calcul haute performance et l'IA servent à entraîner, ajuster ou faire tourner des modèles. Le guide de la Direction générale des entreprises (DGE) cite explicitement les centres d'entreprise, la colocation, le cloud, l'edge et les centres haute densité pour le calcul haute performance (HPC, high-performance computing) et l'entraînement de modèles d'IA.

C'est cette dernière catégorie qui change l'échelle. Un data center classique se pensait en mégawatts. Les nouveaux campus IA se pensent en centaines de mégawatts, parfois en gigawatts. RTE indique que les demandes de raccordement de certains projets atteignent désormais 100 à 200 MW, là où les centres historiques étaient souvent raccordés aux réseaux de distribution avec des puissances de quelques mégawatts.

2 · FranceUne fenêtre historique, mais déjà très convoitée

La France part d'un niveau réel encore limité. Le baromètre France Datacenter / EY 2025 indique 714 MW installés fin 2024. La trajectoire sectorielle vise 2,3 GW en 2030, puis environ 4,0 à 4,3 GW en 2035.

La consommation actuelle varie selon le périmètre retenu : le Service des données et études statistiques (SDES) estime 4 à 6 TWh en 2023 pour les gros centres, tandis que RTE et l'ADEME (Agence de la transition écologique) retiennent un ordre de grandeur plus large d'environ 10 TWh par an, soit autour de 2 % de la consommation électrique française.

Les scénarios futurs convergent sur une forte hausse, mais avec des hypothèses différentes : RTE projette environ 15 TWh en 2030 si 60 % des projets se concrétisent ; l'ADEME monte jusqu'à 37 TWh en 2035 pour les projets déjà engagés.

La vraie tension se lit dans les raccordements, pas dans les bâtiments déjà construits. Début septembre 2024, RTE recensait pour les data centers 4,5 GW d'offres de raccordement signées et environ autant en instruction. Fin 2025, la file totale des grands projets industriels dépassait 30 GW, dont environ 14 à 15 GW liés au numérique et aux data centers selon des sources sectorielles. Ces chiffres décrivent des demandes ou réservations de réseau, pas des capacités déjà construites.

Pour mesurer l'ordre de grandeur : si 14 GW étaient utilisés en continu toute l'année, ils représenteraient 122,6 TWh, soit environ 27 % de la consommation électrique française de 2025. Ce n'est pas une prévision : les 14 GW correspondent à des réservations ou demandes, et tous les projets ne seront ni construits ni utilisés à pleine charge. Mais cela montre pourquoi la file d'attente devient un sujet stratégique.

À cette échelle, on ne parle plus d'un simple nouveau débouché industriel. 15 GW de data centers fonctionnant en continu représenteraient 131,4 TWh par an, soit environ 29 % de la consommation électrique française de 2025 et près de 35 % de la production nucléaire française de 2025. En ordre de grandeur, il faudrait 10 à 11 réacteurs EPR2 pour fournir durablement une telle puissance moyenne, en tenant compte des arrêts de maintenance. Même le programme annoncé de six EPR2 ne suffirait donc pas, à lui seul, à alimenter 15 GW de data centers tournant en permanence.

La France tente donc d'accélérer. Le gouvernement a publié un guide d'implantation des centres de données. Il indique que 63 sites favorables ont déjà été identifiés et annoncés lors de Choose France. Ce guide assume explicitement que les centres de données sont devenus des infrastructures stratégiques pour l'IA, le calcul haute performance et la souveraineté numérique.

Les annonces françaises ne prolongent pas simplement le marché existant : elles changent d'échelle. Jusqu'ici, le parc français se comptait surtout en sites de quelques dizaines de mégawatts. Les nouveaux projets se comptent désormais en centaines de mégawatts, voire en gigawatts. La question n'est donc plus seulement d'attirer des investissements, mais de savoir qui contrôlera cette nouvelle capacité.

Les projets les mieux documentés dessinent déjà le paysage : Digital Realty construit à Dugny un campus de 176 MW ; DATA4 annonce 250 MW supplémentaires à Nozay ; EDF et OpCore visent à Montereau un centre de données de plus de 400 MW ; et la coentreprise MGX / Bpifrance / Mistral AI / NVIDIA porte un campus IA de 1,4 GW. Les hyperscalers sont déjà présents : Microsoft opère en France depuis Paris et Marseille et a annoncé un nouveau site à Mulhouse ; AWS exploite sa région Paris et poursuit ses investissements cloud en France ; Google Cloud dispose d'une région française à Paris. Mais ces groupes publient rarement, pour la France, des capacités en mégawatts directement comparables aux grands projets ci-dessus.

Le risque est donc simple : transformer l'avantage électrique français en rente de colocation pour acteurs étrangers. Un data center situé en France peut être utile à la souveraineté si les données, les modèles, les services cloud, les logiciels, les contrats et les clients restent contrôlés en Europe. Mais un data center situé en France, opéré pour un cloud américain, avec des GPU américains, une plateforme américaine, des API américaines et des marges remontées aux États-Unis, ne transforme pas mécaniquement la France en puissance IA. Il transforme surtout la France en site d'accueil.

3 · Europe vs Chine vs États-UnisTrois modèles de puissance dans la course mondiale aux data centers

À l'échelle mondiale, les data centers ont consommé environ 415 TWh d'électricité en 2024, soit environ 1,5 % de la consommation électrique mondiale. L'IEA projette environ 945 TWh en 2030, soit un peu moins de 3 % de la consommation mondiale. La croissance annuelle attendue est d'environ 15 %, plus de quatre fois plus rapide que la croissance de la consommation électrique des autres secteurs.

La moyenne mondiale est trompeuse. Un data center ne consomme pas « dans le monde ». Il consomme sur un territoire précis, sur un poste électrique précis, dans une région précise. C'est pour cela qu'un secteur représentant moins de 3 % de l'électricité mondiale peut quand même saturer certains réseaux locaux. L'IEA indique qu'en 2024, les États-Unis représentaient 45 % de la consommation électrique mondiale des data centers, la Chine 25 % et l'Europe 15 %.

Les États-Unis dominent par la profondeur financière, la capacité d'achat, le cloud, les modèles, les clients entreprise et le capital-risque. L'EPRI (Electric Power Research Institute) estime que les data centers pourraient représenter 9 % à 17 % de l'électricité américaine en 2030, contre environ 4 % à 5 % aujourd'hui. Deloitte estime que la demande de puissance des data centers IA américains pourrait passer de 4 GW en 2024 à 123 GW en 2035, et que l'ensemble de la demande data centers pourrait atteindre 176 GW en 2035. Ces chiffres sont des scénarios, pas des certitudes, mais ils montrent l'ampleur du choc potentiel sur le réseau.

Cette avance se voit aussi dans l'infrastructure physique. Le rapport Stanford AI Index 2026 donne l'ordre de grandeur américain : les États-Unis hébergent 5 427 data centers, soit plus de dix fois le niveau de n'importe quel autre pays, et consomment plus d'énergie pour ces infrastructures que tout autre territoire. Le nombre exact de projets varie selon les bases, faute de registre fédéral unique ; mais, dans les seuls 15 États les plus dotés, le Pew Research Center recensait déjà 1 157 sites planifiés ou en construction début 2026. En puissance, l'EPRI estime que la capacité nominale informatique américaine pourrait passer d'environ 35 à 44 GW en 2024 à 56 à 132 GW en 2030.

La Chine joue une autre partie : la planification industrielle. Selon Rystad Energy, la Chine disposait de 32 GW de capacité installée de data centers fin 2025, pourrait atteindre 40 GW fin 2026 et dépasser 60 GW en 2030. La consommation électrique des data centers chinois pourrait atteindre 289 TWh en 2030. Il s'agit d'une projection de Rystad Energy, pas d'une statistique publique consolidée.

L'Europe est dans une position intermédiaire et inconfortable. McKinsey estime que la demande européenne de data centers pourrait passer d'environ 10 GW à 35 GW d'ici 2030. La consommation électrique associée passerait d'environ 62 TWh à plus de 150 TWh, soit environ 5 % de la consommation électrique européenne. L'investissement nécessaire serait de 250 à 300 Md$, hors capacité de production électrique.

Les marchés historiques européens, les FLAP-D, c'est-à-dire Francfort, Londres, Amsterdam, Paris et Dublin, concentrent encore une grande partie du parc : leur capacité active combinée est passée de 1,8 GW en 2019 à 3,6 GW en 2025. L'Europe accélère donc, mais elle accélère encore largement sur des infrastructures utilisées par les hyperscalers américains.

L'Union européenne tente de répondre avec InvestAI et les AI Gigafactories. L'initiative européenne vise à mobiliser 200 Md€ pour l'IA, dont 20 Md€ pour un fonds destiné aux gigafactories IA. La Commission européenne présente ces infrastructures comme un moyen de fournir du calcul avancé aux chercheurs, startups et industriels européens. Le niveau d'ambition est cohérent avec l'enjeu, mais il ne suffit pas. Il faut des machines, mais aussi des modèles, des clients, des plateformes, des ingénieurs, des contrats publics, des garanties de demande et des champions capables d'utiliser cette capacité.

Mais le nombre de data centers ou les mégawatts ne disent pas tout. Pour comparer la puissance de calcul réellement disponible, la mesure la plus utile est l'H100e : l'équivalent de performance d'un GPU NVIDIA H100. Selon Epoch AI, un H100e correspond à la puissance de calcul maximale d'un H100 ; les TPU de Google, les Trainium d'Amazon, les puces AMD, Huawei ou NVIDIA sont converties dans cette unité commune. C'est une approximation : elle compare la puissance théorique des puces, pas leur disponibilité réelle pour un client donné, ni leur localisation physique exacte.

Il faut aussi distinguer le propriétaire du compute et le concepteur des puces. NVIDIA ne possède pas l'essentiel des data centers : il vend surtout les GPU qui les équipent. Dans la même base Epoch AI, les puces NVIDIA représentent environ deux tiers de la capacité mondiale suivie en H100e, devant les TPU de Google, les puces AMD, Trainium d'Amazon et les puces Huawei. Le contrôle économique, lui, se trouve surtout chez les hyperscalers qui achètent, installent et louent ce compute.

La limite est importante pour le comparatif Europe / Chine / États-Unis. Le chiffre chinois doit être lu avec prudence : dans Epoch AI, la catégorie “Chine” regroupe les achats officiels de clients chinois, dont les puces Huawei Ascend, Cambricon et les puces NVIDIA ou AMD autorisées par les contrôles export. En ajoutant l'estimation médiane de puces arrivées hors circuit officiel, on obtient environ 1,8 million de H100e fin 2025, avec une incertitude élevée. Les données isolent donc un ordre de grandeur chinois, pas une capacité nationale exhaustive et certaine. Elles ne fournissent pas non plus de capacité européenne agrégée robuste. Les ordres de grandeur publics européens restent beaucoup plus bas : JUPITER compte environ 24 000 superpuces GH200, MareNostrum 5 4 480 H100, et Mistral AI annonce 13 800 puces NVIDIA pour son premier site français en 2026. On est dans les dizaines de milliers de puces identifiées, pas dans les millions de H100e contrôlés par les hyperscalers américains.

Le data center est donc indispensable, mais il n'est pas automatiquement la couche la plus rentable. Si la France attire des data centers étrangers grâce à son électricité bas-carbone, elle ne gagne pas mécaniquement la bataille de l'IA. Elle peut devenir un site d'accueil de qualité pour le cloud mondial, sans capter les marges les plus élevées. La vraie question n'est donc pas seulement : faut-il des data centers en France ? La vraie question est : qui les contrôle, pour quels usages, avec quelles contreparties industrielles, et quelle part de la valeur reste en Europe ?

ConclusionLe data center est nécessaire ; la captation de valeur reste à conquérir

Les data centers sont le passage obligé entre électrons et calcul. Sans eux, pas de souveraineté possible. Mais avec des bâtiments français contrôlés par des plateformes étrangères, la dépendance ne disparaît pas : elle change seulement d'adresse.

L'enjeu n'est donc pas d'empiler des mégawatts, mais de décider ce qu'ils servent : cloud européen, acteurs stratégiques, recherche, défense, santé, compétences locales. Le bâtiment compte ; la plateforme qui transforme ce bâtiment en service mondial compte davantage. C'est le rôle du cloud.

Le message est brutal : accueillir le calcul ne suffit pas à le monétiser. La marge apparaît quand ce calcul devient catalogue, API, contrat, données et relation client. Autrement dit, quand il devient cloud.

IV / Cloud La couche qui transforme l’infrastructure en dépendance

1 · Pourquoi le cloud est centralLa couche qui transforme le data center en produit mondial

Un data center fournit de la puissance physique. Le cloud transforme cette puissance en produits numériques vendables partout : calcul, stockage, bases de données, réseau, cybersécurité, outils développeurs et services d'IA.

La différence est décisive. Le data center vend de la capacité ; le cloud vend de l'usage. Le premier ressemble à une infrastructure industrielle. Le second est une plateforme commerciale qui agrège les services, facture à la demande, capte la relation client et devient progressivement difficile à remplacer. C'est pour cela que le cloud capte bien plus de valeur que la seule couche immobilière ou électrique.

Avec l'IA, cet avantage s'amplifie. Une entreprise ne loue pas seulement des GPU : elle assemble un environnement complet avec du calcul accéléré, du stockage, des bases vectorielles, des modèles managés, des droits d'accès, des pipelines de données, de l'observabilité et des outils de déploiement. Plus ces briques s'imbriquent dans les systèmes internes, plus il devient coûteux de partir.

Le cloud est donc une couche de verrouillage douce. On y entre pour accélérer. On y reste parce que les applications, les données, les permissions, les scripts, les modèles et les équipes finissent par s'organiser autour de lui. Cette inertie transforme la commodité initiale en pouvoir de marché durable pour les hyperscalers.

Le marché mondial confirme le changement d'échelle. Selon les données publiées en 2026, les dépenses mondiales d'infrastructure cloud ont atteint 129 milliards de dollars au premier trimestre 2026, en hausse de 35 % sur un an, soit un rythme annualisé supérieur à 500 milliards de dollars. Le cloud n'est plus un simple débouché du data center : c'est une industrie mondiale de très grande taille, tirée par l'IA générative et dominée par quelques acteurs américains.

2 · FranceDes acteurs souverains visibles, mais un rapport de force défavorable

La France dispose de vrais acteurs cloud, mais il faut distinguer deux familles : les clouds français qui exploitent leur propre socle technique : OVHcloud, Scaleway, 3DS Outscale ou Cloud Temple et les autres qui utilisent des technologies de cloud américaines et que nous ne citerons pas.

Le noyau souverain à technologie propre existe donc, mais il reste beaucoup plus petit que les plateformes américaines. En 2025, OVHcloud a réalisé 1,0846 Md€ de chiffre d'affaires, en croissance comparable de +9,3 %. 3DS Outscale, filiale de Dassault Systèmes, a atteint 110 M€ en 2024, soit +24,9 %. Cloud Temple a publié 52,1 M€ en 2024, en croissance de +13,6 %. Scaleway, filiale d'Iliad, ne publie plus de chiffre isolé récent ; son dernier chiffre autonome public disponible est 103 M€ en 2022, avec +9,7 % de croissance.

La comparaison d'échelle reste sévère. AWS a réalisé environ 129 Md$ de chiffre d'affaires en 2025 et Google Cloud 58,7 Md$. Microsoft ne publie pas le chiffre d'affaires d'Azure seul ; le proxy le plus proche est son segment Intelligent Cloud, à environ 106 Md$ sur l'exercice 2025, dont 98,4 Md$ pour Server products and cloud services, porté par Azure. La question européenne n'est donc pas l'absence d'acteurs, mais leur capacité à changer d'échelle assez vite.

Le paradoxe français est donc le suivant : la France a des acteurs, des certifications, des ingénieurs, de l'électricité, des data centers et une doctrine publique. Mais elle n'a pas encore un cloud souverain à l'échelle de son économie. Elle dispose d'îlots de souveraineté, pas d'un système dominant.

3 · Europe vs Chine vs États-UnisLes États-Unis dominent le cloud mondial, la Chine structure son marché intérieur, l'Europe reste dépendante

À l'échelle européenne, la dépendance est beaucoup mieux documentée qu'au niveau strictement français. Les estimations de marché convergent vers le même ordre de grandeur : Amazon, Microsoft et Google contrôlent environ 70 % du marché cloud européen, tandis que les fournisseurs européens pèsent environ 15 %. En incluant d'autres fournisseurs non européens, la part des acteurs non européens peut monter autour de 85 %. Ce n'est pas une statistique administrative européenne, mais une estimation de marché largement reprise par les sources sectorielles et économiques.

Les données historiques montrent que le problème s'aggrave avec la croissance du marché. Synergy Research Group indique que les fournisseurs européens sont passés de 29 % de part de marché en 2017 à environ 15 % depuis 2022, alors même que le marché européen du cloud a été multiplié par environ six et a atteint 61 milliards d'euros en 2024. Le marché grossit, mais les acteurs européens ne reprennent pas de terrain.

La faiblesse européenne est d'autant plus inquiétante que l'usage du cloud progresse rapidement. Eurostat indique que 52,7 % des entreprises de l'Union européenne utilisaient des services cloud payants en 2025, contre 17,8 % en 2014. La France reste sous la moyenne européenne, avec 40,4 % des entreprises utilisant des services cloud payants en 2025.

Au niveau mondial, la domination américaine est encore plus claire. Les dépenses mondiales d'infrastructure cloud ont atteint 129 milliards de dollars au premier trimestre 2026. Les trois grands américains restent les acteurs structurants du marché : AWS, Microsoft et Google Cloud concentrent l'essentiel de la croissance, en particulier sur les charges IA.

Les revenus des grands groupes confirment l'écart d'échelle. AWS a réalisé 128,7 milliards de dollars de chiffre d'affaires en 2025, en croissance de +20 %. Google Cloud a atteint 58,7 milliards de dollars, soit environ +36 %. Microsoft ne publie pas Azure seul : son segment Intelligent Cloud atteint environ 106 milliards de dollars, et les revenus Server products and cloud services, portés par Azure, progressent de +23 %. Face à cela, OVHcloud reste autour d'un peu plus d'un milliard d'euros de revenus annuels.

La Chine suit une logique différente. Elle n'a pas construit un cloud mondial équivalent à AWS ou Azure, mais son marché intérieur reste dominé par des fournisseurs chinois : Alibaba Cloud, Huawei Cloud, Tencent Cloud, Baidu AI Cloud, China Telecom, China Mobile et ByteDance Volcano Engine. Selon Omdia, le marché chinois de l'infrastructure cloud a atteint 13,4 milliards de dollars au troisième trimestre 2025, en croissance de 24 % sur un an.

Les parts chinoises varient selon les périmètres, mais l'ordre de grandeur est clair. Omdia donne pour le troisième trimestre 2025 environ 36 % pour Alibaba Cloud, 16 % pour Huawei Cloud et 9 % pour Tencent Cloud. Les trois premiers représentent donc environ 61 % du marché chinois de l'infrastructure cloud sur ce périmètre.

Conclusion Le cloud transforme la dépendance technique en dépendance commerciale

Le cloud est la couche où l'infrastructure devient dépendance commerciale. Les États-Unis exportent leurs plateformes. La Chine protège son marché intérieur. L'Europe, elle, achète massivement le cloud des autres.

Le cloud de confiance est utile, mais trop étroit pour changer le rapport de force. Il faut aussi une offre compétitive pour les usages ordinaires : développeurs, PME, startups, logiciels métiers, bases de données, cybersécurité, IA et agents. Sinon, l'Europe protégera quelques données sensibles tout en laissant son économie numérique tourner sur des plateformes étrangères.

Cette dépendance repose aussi sur une couche plus profonde et plus rentable : les puces. Car même un cloud européen reste fragile s'il dépend des GPU, des fonderies, de la mémoire et de l'écosystème logiciel des autres.

V / Puces La couche la plus rentable, et la plus inaccessible pour l'Europe

1 · Pourquoi les puces sont centralesLa couche où le calcul devient rare, cher et stratégique

L'intelligence artificielle ne repose pas seulement sur des modèles et des data centers. Elle repose d'abord sur des puces : GPU, accélérateurs spécialisés, mémoire à très haut débit (HBM), interconnexions, packaging avancé, logiciels bas niveau, compilateurs et chaînes de fabrication d'une complexité extrême.

C'est la couche la plus dure à reconstruire. Un data center peut se financer en quelques années. Un cloud peut s'assembler avec du capital, des ingénieurs et des clients. Une puce avancée exige une chaîne mondiale complète : conception, propriété intellectuelle, logiciels de design, fonderie, lithographie, chimie, wafers, gravure, métrologie, packaging, mémoire, test, rendement industriel et supply chain. Aucun pays européen ne maîtrise seul cette chaîne.

Le Stanford AI Index 2026 souligne aussi le point le plus fragile de cette chaîne : une seule entreprise, TSMC, fabrique presque toutes les puces IA de pointe. L'Europe possède ASML dans la lithographie, mais la fabrication effective des puces les plus avancées reste concentrée à Taïwan.

Il faut toutefois distinguer les semi-conducteurs ordinaires et les puces d'IA avancées. Une voiture, un smartphone, un objet connecté ou une machine industrielle utilisent beaucoup de puces : microcontrôleurs, capteurs, puces radio, mémoire, alimentation, processeurs applicatifs. Elles sont indispensables, mais souvent produites sur des nœuds moins avancés, avec des cycles longs, des marges plus faibles et des volumes très élevés. Les puces d'IA, elles, combinent calcul massif, mémoire HBM, interconnexions rapides, packaging avancé et logiciels spécialisés. Elles sont vendues beaucoup plus cher, en volumes plus limités, et concentrent une part disproportionnée de la croissance et des marges. Quand on parle de “marché des semi-conducteurs”, il ne faut donc pas confondre le marché large des puces du quotidien avec la petite catégorie stratégique qui permet d'entraîner et de servir les grands modèles d'IA.

La dynamique économique change d'échelle. Le marché mondial des semi-conducteurs était encore autour de 527 Md$ en 2023, puis il est monté à 630,5 Md$ en 2024 et à 791,7 Md$ en 2025. La projection SIA / WSTS le place autour de 1 000 Md$ en 2026. Certains scénarios, notamment Gartner, vont plus haut, au-delà de 1 300 Md$. Le chiffre exact varie selon les sources, mais la tendance est nette : l'IA transforme une reprise cyclique en changement d'échelle.

Le point central n'est pas seulement la taille du marché. C'est la concentration de la valeur. Deloitte estime que les puces liées à l'IA générative pourraient représenter environ la moitié des revenus semi-conducteurs en 2026, tout en pesant moins de 0,2 % des volumes unitaires. Ce n'est pas un consensus universel : c'est une estimation utile pour comprendre où se forme la rareté.

Cette concentration explique les marges exceptionnelles. Pour éviter de mélanger marge brute, marge opérationnelle et indicateurs non-GAAP, le graphique suivant utilise uniquement la marge opérationnelle publiée. Elle mesure ce qu'il reste après les coûts directs et les coûts d'exploitation : production, recherche, ventes, marketing et administration.

La hiérarchie devient plus lisible : SK hynix, porté par la mémoire HBM, atteint 72 % de marge opérationnelle au T1 2026 ; NVIDIA atteint 60,4 % sur son exercice fiscal 2026 ; TSMC affiche 58,1 % au T1 2026 ; ASML atteint 36,0 % au T1 2026 ; STMicroelectronics, beaucoup plus exposé aux marchés industriels, automobiles et embarqués, est à 2,3 % au T1 2026.

2 · FranceDes acteurs de niche, aucune fonderie IA à grande échelle

La France n'a pas de fabricant de puces IA à l'échelle de NVIDIA, AMD, TSMC, Samsung ou SK hynix. Elle dispose d'acteurs réels dans les semi-conducteurs, mais ils ne se situent pas au cœur de la chaîne GPU avancée.

STMicroelectronics, groupe franco-italien, reste le premier acteur européen de semi-conducteurs. Son cœur de marché est l'automobile, l'industriel, les microcontrôleurs, les capteurs et l'électronique embarquée. Au T1 2026, l'entreprise réalise 3,10 Md$ de chiffre d'affaires, avec 33,8 % de marge brute. C'est un acteur industriel majeur, mais pas un fabricant de GPU IA hyperscale.

SiPearl développe Rhea1, un processeur européen pour le calcul haute performance et l'IA, avec 80 cœurs Arm Neoverse V1, de la mémoire HBM et 104 lignes PCIe Gen5. Mais la puce est fabriquée par TSMC : la France développe une capacité de conception HPC, pas une capacité complète de fabrication souveraine.

Soitec occupe une position amont spécialisée dans les substrats avancés. Au T3 de son exercice 2026, l'entreprise réalise 160 M€ de chiffre d'affaires, dont 54 M€ dans le segment Edge & Cloud AI. Kalray conserve une activité d'accélérateurs spécialisés, mais à une échelle très éloignée des grands concepteurs mondiaux.

Le cas Mistral AI illustre cette dépendance. L'entreprise française remonte dans la chaîne en finançant sa propre capacité de calcul, mais elle ne fabrique pas ses puces. En 2026, Mistral AI a levé 830 M$ de dette pour acheter 13 800 puces NVIDIA destinées à un data center près de Paris, avec une mise en service prévue au deuxième trimestre 2026. C'est une stratégie de souveraineté d'usage, pas une souveraineté de fabrication.

3 · Europe vs Chine vs États-UnisASML est l'exception européenne : le reste de la chaîne est américain ou asiatique

L'Europe possède une pièce maîtresse : ASML. L'entreprise néerlandaise fabrique les machines de lithographie EUV (Extreme Ultraviolet). Ces machines ne sont pas des puces IA et ne calculent rien elles-mêmes : elles servent à graver, avec une précision extrême, les circuits des puces les plus avancées. Sans EUV, il devient très difficile de produire les GPU, CPU et accélérateurs utilisés dans l'IA de pointe.

C'est un atout européen exceptionnel, mais isolé. ASML vend une machine critique ; elle ne conçoit pas les GPU, ne fabrique pas les wafers à grande échelle, ne produit pas la mémoire HBM et ne contrôle pas l'écosystème logiciel. Au T1 2026, ASML affiche 8,8 Md€ de ventes nettes, 53 % de marge brute, 2,8 Md€ de résultat net et une guidance annuelle de 36 à 40 Md€ de ventes.

L'Europe renforce aussi sa recherche avancée. imec, en Belgique, a ouvert une ligne pilote NanoIC de 2,5 Md€ dans le cadre du Chips Act, avec 1,4 Md€ de financement public et 1,1 Md€ de financement privé. Une ligne pilote sert à tester et prototyper des technologies au-delà du 2 nm ; ce n'est pas une usine commerciale capable de produire à l'échelle de TSMC ou Samsung.

C'est ici que la notion d'équipements de fabrication est importante. Il ne s'agit pas de “machines IA”, mais des machines utilisées par les usines de semi-conducteurs : lithographie, gravure, dépôt de couches, nettoyage, métrologie, inspection, test et packaging. Acheter ces équipements signifie préparer de la capacité industrielle future. Selon SEMI, ces ventes atteignent 135,1 Md$ en 2025 dans le monde. La Chine représente 49,3 Md$, Taïwan 31,5 Md$, la Corée du Sud 25,8 Md$, l'Amérique du Nord 10,9 Md$, le Japon 9,5 Md$ et l'Europe seulement 2,9 Md$. Chine, Taïwan et Corée du Sud représentent ensemble 79 % du total.

La Chine investit donc pour réduire sa dépendance. Son troisième grand fonds public pour les semi-conducteurs, souvent appelé Big Fund III, atteint environ 47,5 Md$. L'objectif est de renforcer les équipements, les matériaux, les fonderies domestiques, le test et le packaging. Mais la Chine reste limitée sur les nœuds les plus avancés par les contrôles à l'exportation et par l'accès restreint aux machines EUV d'ASML.

Les États-Unis contrôlent surtout l'autre extrémité de la chaîne : la conception des puces et l'écosystème logiciel. NVIDIA domine les GPU IA et CUDA, AMD progresse avec ses accélérateurs Instinct, Intel conserve une base industrielle, et Apple, Qualcomm, Broadcom ou Marvell structurent d'autres segments critiques. AMD affiche par exemple 5,8 Md$ de chiffre d'affaires dans son segment data center au T1 2026, en hausse de 57 % sur un an.

ConclusionUn chokepoint ne fait pas une souveraineté complète

Les puces sont le cœur dur de la chaîne : là où les marges sont les plus hautes, les barrières les plus épaisses et les dépendances les plus géopolitiques.

La France et l'Europe ont des briques sérieuses, jusqu'à l'atout exceptionnel ASML. Mais elles ne contrôlent ni GPU IA avancé, ni fonderie de pointe, ni mémoire HBM, ni écosystème logiciel dominant. Un chokepoint ne suffit pas quand la rente se forme sur toute la chaîne.

Le paradoxe est donc sévère : l'Europe aide le monde à fabriquer les puces les plus critiques, puis rachète la puissance qu'elles produisent. L'étage suivant transforme cette puissance en intelligence commerciale : les modèles.

VI / Modèles L'Europe existe, mais presque en un seul exemplaire

1 · Pourquoi les modèles sont centrauxLa couche où le calcul devient intelligence commerciale

Les puces fournissent la puissance. Le cloud fournit l'accès. Les modèles transforment cette puissance en intelligence utilisable : langage, code, raisonnement, vision, agents, recherche, traduction, synthèse, automatisation, recommandation et interaction.

C'est la couche la plus visible pour les utilisateurs, mais elle dépend de toutes les couches précédentes. Un modèle compétitif exige du calcul, des GPU, des données, des chercheurs, des ingénieurs système, des pipelines d'entraînement, du cloud, des clients, du capital, de la distribution et des produits. Sans cette chaîne, même un bon modèle reste fragile.

La compétition mondiale ne porte donc pas seulement sur la qualité des modèles. Elle porte sur leur industrialisation. Un modèle doit être entraîné, servi, compressé, sécurisé, audité, intégré, facturé, déployé dans les entreprises, relié à des outils, adapté aux métiers et vendu à grande échelle.

C'est pour cela que les États-Unis dominent. Ils ne possèdent pas seulement des modèles. Ils possèdent aussi le cloud, les GPU, les clients, les logiciels, les canaux de distribution, les plateformes développeurs et le capital nécessaire pour transformer un bon modèle en produit mondial.

Selon le Stanford AI Index 2026, plus de 90 % des modèles d'IA notables de 2025 ont été produits par l'industrie, et non par la recherche académique ou publique. C'est un basculement structurel : les modèles les plus avancés sont désormais des produits industriels, financés par des entreprises capables de mobiliser des milliards de dollars de calcul, d'ingénierie et de distribution.

2 · FranceMistral AI, l'exception qui remonte la chaîne

La France a un acteur qui compte : Mistral AI. Son importance ne tient pas seulement à la qualité de ses modèles, mais à sa tentative de remonter la chaîne de valeur. L'entreprise part du modèle, puis ajoute progressivement les couches qui permettent d'en faire un produit industriel : API, assistant, agents, offres entreprises, partenariats, infrastructure applicative et capacité de calcul propre.

C'est un changement de nature. Un laboratoire de modèles dépend du cloud et des GPU des autres. Une plateforme d'IA cherche à contrôler au moins une partie de son calcul, de sa distribution et de sa relation client. Mistral AI n'est pas encore un hyperscaler, ni un fabricant de puces, mais l'entreprise comprend que le modèle seul ne suffit pas si l'infrastructure reste entièrement contrôlée par d'autres.

En mars 2026, Mistral AI a donc levé 830 millions de dollars de dette pour acheter 13 800 puces NVIDIA destinées à un data center à Bruyères-le-Châtel, près de Paris. Le site doit ouvrir au deuxième trimestre 2026. Plusieurs sources spécialisées parlent de puces NVIDIA GB300 et d'une puissance IT de 44 MW pour ce premier site.

L'objectif dépasse ce premier site. Mistral AI vise environ 200 MW de capacité de calcul en Europe d'ici fin 2027. Ce n'est pas une souveraineté matérielle complète : les puces restent américaines, la fonderie reste asiatique et la mémoire HBM reste majoritairement coréenne. Mais c'est une souveraineté d'usage plus forte : l'entreprise cherche à réduire sa dépendance au cloud externe et à sécuriser une partie de son propre calcul.

La trajectoire ne s'arrête pas à Bruyères-le-Châtel. En février 2026, Mistral AI a annoncé un investissement de 1,2 Md€ en Suède avec EcoDataCenter, sur le site de Borlänge, pour construire une infrastructure IA européenne opérationnelle à partir de 2027. En parallèle, MGX, Bpifrance, Mistral AI et NVIDIA ont annoncé un campus IA en région parisienne devant atteindre 1,4 GW à terme, avec une mise en service visée d'ici 2028.

Stargate sert ici de point de comparaison américain : c'est un programme global d'infrastructure IA porté autour d'OpenAI, Oracle et SoftBank, avec des engagements annoncés à l'échelle de centaines de milliards de dollars et environ 10 GW de capacité cible. Ce n'est pas un seul data center, mais une trajectoire d'infrastructure à l'échelle d'un écosystème.

Mistral AI a aussi accéléré commercialement. Son revenu annualisé serait passé d'un ordre de grandeur proche de 20 M$ à environ ou plus de 400 M$, avec un objectif proche de 1 Md$ ou 1 Md€ fin 2026. Ces montants décrivent un revenu annualisé, distinct d'un chiffre d'affaires audité. En septembre 2025, l'entreprise a annoncé une levée de 1,7 Md€ à une valorisation post-money de 11,7 Md€, menée par ASML, qui a investi 1,3 Md€ et pris environ 11 % du capital.

Mistral AI ne se contente pas d'entraîner des modèles. L'entreprise développe des assistants, des agents, des API, des modèles multimodaux, des options de déploiement du cloud à l'edge et des outils pour entreprises. En février 2026, elle a aussi annoncé l'acquisition de Koyeb, une startup française de cloud serverless, pour renforcer sa couche d'infrastructure applicative. Un acteur de modèles doit devenir une plateforme s'il veut capter la valeur, et pas seulement fournir une API.

Au-delà de Mistral AI, l'écosystème français existe mais reste beaucoup plus léger. LightOn développe des solutions d'IA générative pour entreprises. H Company se positionne sur les agents autonomes. Hugging Face, d'origine franco-américaine, est devenu l'une des plateformes centrales de l'IA open source mondiale. L'Inria, le CNRS, les grandes écoles et plusieurs laboratoires universitaires produisent une recherche de qualité. Mais à l'échelle des modèles internationalement reconnus, la France repose très largement sur Mistral AI.

Le risque est donc asymétrique. Si Mistral AI réussit, l'Europe dispose d'un point d'appui crédible dans les modèles. Si Mistral AI échoue, se fait absorber ou reste dépendant d'infrastructures non européennes, l'Europe perd son principal actif visible sur cette couche. C'est très différent des États-Unis, où plusieurs laboratoires se concurrencent, et de la Chine, où plusieurs champions nationaux progressent en parallèle.

3 · Europe vs Chine vs États-UnisLes États-Unis et la Chine dominent la production de modèles notables

En 2025, les États-Unis ont produit 59 modèles d'IA notables dans le périmètre Stanford AI Index / Epoch AI. La Chine en a produit 35. Attention : ce comptage ne mesure pas tous les LLM ni tous les modèles publiés. Il applique un seuil de “notabilité” : amélioration d'état de l'art, impact historique, citations, usage significatif ou coût élevé.

Dans ce périmètre strict, les entrées européennes 2025 que l'on retrouve sont Mistral OCR de Mistral AI en France, et Stable Point Aware 3D (SPAR3D) de Stability AI avec l'University of Illinois Urbana-Champaign, classé Royaume-Uni / États-Unis. Cela ne veut pas dire que l'Europe n'a publié que deux modèles : Mistral AI a aussi lancé ou documenté en 2025 Mistral Medium 3, Magistral, Voxtral, Codestral et la famille Mistral 3 ; Aleph Alpha poursuit PhariaAI et ses architectures T-Free. Le graphique ci-dessous mesure donc la production classée notable, pas l'activité totale des modèles européens.

Un classement donne une image concrète de l'écart. Sur Text Arena Overall au 14 mai 2026, benchmark public qui agrège des tâches ouvertes de texte, notamment mathématiques, code et écriture, le haut du classement reste américain : Claude Opus 4.7 thinking atteint 1500, Claude Opus 4.7 1492, GPT-5.5 high 1484 et GPT-5.5 1476. Les meilleurs modèles chinois sont proches, mais encore derrière : ERNIE 5.1 et GLM-5.1 sont à 1472, Qwen3.5 Max Preview à 1465, MiMo V2.5 Pro à 1463, Kimi K2.6 et DeepSeek V4 Pro Thinking à 1461.

La lecture est simple : la Chine n'est plus complétement laissée de côté, mais elle reste encore en retard sur les modèles frontières américains. Son avantage est la profondeur de son portefeuille : plusieurs équipes capables de produire des modèles presque au niveau du meilleur américain. L'Europe est plus loin. Elle dispose d'acteurs sérieux, surtout Mistral AI, mais elle ne place pas encore une grappe comparable de modèles au contact immédiat de la frontière. Le retard européen n'est donc pas seulement un retard de score ; il est aussi un retard de volume, de cadence et d'écosystème.

La notion de Pareto optimal permet de lire le classement comme un arbitrage qualité-prix. Un modèle appartient à cette frontière lorsqu'aucun autre modèle n'est à la fois meilleur en score et moins cher. Par exemple, claude-opus-4-6-thinking est le meilleur point en qualité pure, avec 1502, mais il coûte $20/M tokens. gemini-3.1-pro-preview perd 13 points, à 1489, mais tombe à $9.50/M. gemini-3-flash descend encore un peu, à 1473, mais coûte $2.38/M. Le choix rationnel dépend donc du besoin : un agent critique peut justifier le modèle le plus cher ; un usage massif de production peut préférer un modèle légèrement moins bon mais plusieurs fois moins coûteux.

C'est dans cette lecture que DeepSeek V4 Pro Thinking devient important. Avec 1461 points et $0.76/M tokens, il n'est pas le meilleur modèle du tableau, mais il reste proche du haut tout en étant environ 26 fois moins cher que claude-opus-4-6-thinking. Plus bas, le deepseek-v4-flash-thinking ajoute un deuxième point chinois à 1441 pour $0.20/M. Le message n'est donc pas que DeepSeek domine en qualité absolue ; le message est que la Chine entre sur la frontière économique, là où le compromis entre performance et coût devient décisif pour les usages à grande échelle.

Ces deux lectures racontent la même chose. Les États-Unis gardent le sommet de la qualité et la meilleure intégration commerciale. La Chine, elle, réduit l'écart par le nombre d'acteurs, la cadence de publication et des coûts agressifs. La frontière des modèles n'est donc plus un duel simple entre quelques laboratoires américains et un seul challenger chinois : c'est une domination américaine sous pression chinoise croissante.

ConclusionLa frontière des modèles reste américaine, mais la pression chinoise s'intensifie

La couche modèles reste dominée par les États-Unis. Les meilleurs scores publics, les plus grands laboratoires et les canaux de distribution sont encore très largement américains. OpenAI, Anthropic, Google DeepMind, Meta, xAI, Microsoft et Amazon ne produisent pas seulement des modèles : ils les branchent sur du cloud, des logiciels, des clients et des contrats mondiaux.

La nouveauté est ailleurs : la Chine n'est plus un poursuivant isolé. DeepSeek, Alibaba Qwen, ByteDance Doubao, Tencent Hunyuan, Baidu Ernie, Moonshot Kimi, MiniMax et Zhipu AI forment une grappe dense de concurrents. Ils ne dominent pas encore la frontière en qualité absolue, mais ils rendent la compétition plus rapide, plus profonde et beaucoup plus agressive en coût.

L'Europe est dans une position plus étroite. Mistral AI montre qu'un acteur européen peut exister au niveau mondial, mais il ne suffit pas à constituer une frontière complète. Le vrai enjeu n'est donc pas seulement d'entraîner de bons modèles : il faut les transformer en plateformes, les intégrer aux logiciels, gagner les clients, financer la montée en échelle et créer une demande publique assumée. C'est précisément ce que décide la couche applicative.

VII / CAPEX Le dénominateur commun de toute la chaîne IA

1 · Pourquoi le CAPEX est centralL'IA frontière est une course de bilans

Les six étages précédents ont un point commun : ils consomment du capital. Construire un data center coûte cher. Réserver de l'électricité coûte cher. Acheter des GPU coûte cher. Bâtir un cloud mondial coûte cher. Entraîner un modèle frontière coûte cher. Faire tourner ce modèle à grande échelle coûte encore plus cher, parce que l'inférence devient permanente.

L'IA ne ressemble donc pas seulement à une industrie logicielle. Elle ressemble de plus en plus à une industrie d'infrastructure. Le logiciel reste central, mais il repose sur des actifs physiques : terrains, lignes électriques, transformateurs, câbles, serveurs, GPU, mémoire HBM, équipements réseau, systèmes de refroidissement, bâtiments, sécurité, maintenance et énergie.

C'est là que l'écart Europe / États-Unis devient mécanique. Dans une industrie logicielle pure, une petite équipe peut parfois rattraper un grand groupe par la qualité du produit. Dans une industrie de CAPEX, celui qui peut investir 100, 200 ou 500 milliards de dollars par an construit une avance matérielle difficile à compenser.

L'IA frontière est donc une course de bilans. Les meilleurs modèles exigent plus de calcul. Plus de calcul exige plus de GPU. Plus de GPU exige plus de data centers. Plus de data centers exige plus d'électricité, de foncier, de réseaux, de refroidissement et de dette. Toute la chaîne devient capitalistique.

2 · États-UnisQuatre groupes financent une infrastructure continentale

Le saut d'échelle américain est massif. Les estimations récentes convergent vers un ordre de grandeur inédit : les grands groupes technologiques américains devraient investir entre environ 635 milliards et plus de 700 milliards de dollars dans l'infrastructure IA en 2026, selon les périmètres retenus. Reuters rapporte une estimation Bridgewater autour de 650 milliards de dollars pour 2026, contre environ 410 milliards en 2025. S&P Global estime de son côté que Microsoft, Amazon, Alphabet et Meta prévoyaient environ 635 milliards de dépenses 2026 en data centers, puces et infrastructure IA. Des estimations post-résultats T1 2026 montent au-delà de 700 milliards.

On obtient donc environ 635 à 700+ milliards de dollars de CAPEX IA / infrastructure en 2026 pour les grands groupes américains. Si l'on ajoute Oracle et certains périmètres plus larges, certaines estimations récentes montent autour de 755 milliards de dollars.

3 · EuropeUn plan stratégique, pas une capacité de bilan comparable

Face à ces montants, l'Europe a annoncé InvestAI : environ 200 milliards d'euros à mobiliser pour l'IA, dont 20 milliards d'euros pour des AI gigafactories. L'ambition est réelle, mais elle s'inscrit dans un calendrier pluriannuel jusqu'à 2030.

La différence n'est donc pas seulement le montant. En valeur nominale, InvestAI ressemble au CAPEX annuel d'Amazon. Mais Amazon engage ce capital depuis un bilan unique, pour une stratégie intégrée, sur un horizon court. L'Europe, elle, agrège des financements publics et privés, répartis entre plusieurs pays, institutions et projets. C'est moins une ligne de CAPEX qu'une coordination industrielle à construire.

Le contraste est encore plus fort si l'on compare InvestAI aux grands groupes américains. En prenant les milieux de fourchette 2026, Amazon, Microsoft, Alphabet et Meta se situent autour de 710 milliards de dollars de CAPEX. En ajoutant Oracle, l'ordre de grandeur monte autour de 760 milliards. Le plan européen de 200 milliards d'euros apparaît alors comme un effort important, mais très inférieur à la dépense annuelle privée américaine sur un périmètre comparable d'infrastructure IA.

4 · Investissement privéLe capital américain finance l'avance technologique

Le même écart apparaît dans l'investissement privé. Le Stanford AI Index 2026 indique que les États-Unis ont attiré 285,9 milliards de dollars d'investissement privé en IA en 2025, contre 12,4 milliards pour la Chine, soit plus de 23 fois plus. Le même rapport précise que cette comparaison sous-estime probablement l'effort chinois total, car les fonds publics et semi-publics jouent un rôle beaucoup plus important en Chine.

L'Europe reste très loin de cette échelle : une reprise du Stanford AI Index 2026 chiffre l'investissement privé IA européen à environ 20,9 milliards de dollars en 2025, contre 285,9 milliards pour les États-Unis.

Investissements publicsLa Chine finance aussi par l'État, les banques et les fonds de guidage

C'est ici que la comparaison avec la Chine doit être corrigée. Le chiffre privé chinois est faible face aux États-Unis, mais il ne capture pas la partie la plus caractéristique du modèle chinois : les fonds publics, les fonds de guidage, les banques d'État, les véhicules locaux et les fonds d'entreprises publiques. Sur les puces et l'IA, Pékin ne finance pas seulement des startups ; il finance une chaîne industrielle.

Ce graphique ne doit donc pas se lire comme une série annuelle classique. La barre 2023 rappelle l'effort public déjà accumulé dans le capital-risque IA chinois ; les barres 2024, 2025 et 2026 montrent surtout de nouvelles enveloppes ou objectifs de mobilisation. Autrement dit, il ne s'agit pas de dire que Pékin a “dépensé” mécaniquement ces montants chaque année, mais de montrer que l'État chinois ajoute régulièrement de nouveaux véhicules de financement autour des mêmes priorités : puces, calcul, modèles, robotique, hard tech et industries stratégiques.

La logique chinoise est différente du modèle américain. Aux États-Unis, l'essentiel de l'infrastructure IA est financé par les bilans privés des hyperscalers et par les marchés financiers. En Chine, le capital public joue un rôle d'orientation : il réduit le risque pour les investisseurs locaux, attire les banques d'État, mobilise les provinces et force la coordination entre semi-conducteurs, cloud national, applications industrielles et laboratoires de modèles. Cette architecture est moins lisible dans les classements de venture capital privé, mais elle pèse lourd dans la capacité du pays à soutenir une chaîne IA complète.

Le bon comparatif n'est donc pas “capital privé américain contre capital privé chinois”. Les États-Unis s'appuient surtout sur les bilans privés des hyperscalers, avec le CHIPS Act en soutien public ciblé. L'Europe annonce une mobilisation public-privé, notamment via InvestAI. La Chine, elle, combine fonds publics, objectifs de mobilisation, banques d'État et véhicules locaux. Les montants se ressemblent parfois, mais leur mode d'exécution n'a rien à voir.

Cette profondeur financière permet aux États-Unis de financer plusieurs paris en parallèle. Ils peuvent soutenir OpenAI, Anthropic, xAI, Google DeepMind, Meta AI, Amazon, Microsoft, Oracle, les fabricants de puces, les fournisseurs de data centers, les producteurs d'énergie, les foncières, les constructeurs de réseaux et les startups applicatives.

La différence n'est donc pas seulement quantitative. Elle est systémique. Aux États-Unis, le CAPEX d'IA irrigue toute la chaîne : semi-conducteurs, cloud, data centers, énergie, modèles, logiciels, agents et distribution. En Europe, l'investissement reste plus fragmenté, plus public, plus lent et moins intégré.

5 · Barrière à l'entréeLe CAPEX protège les leaders, mais augmente le risque financier

La montée du CAPEX change la règle du jeu. Quand l'IA était surtout présentée comme une course de modèles, l'avantage semblait venir d'abord des chercheurs, des données, des architectures et de la qualité du produit. Ces éléments restent décisifs, mais ils ne suffisent plus. À grande échelle, la contrainte se déplace vers le bilan : il faut acheter les GPU, réserver l'énergie, signer les terrains, construire les data centers, financer les réseaux et immobiliser le capital avant de savoir exactement quels revenus d'IA arriveront en face.

C'est d'abord une barrière à l'entrée. Un nouvel acteur peut lever de l'argent pour entraîner un modèle, mais il ne peut pas facilement sécuriser en quelques mois des centaines de milliers de GPU, des contrats électriques pluriannuels, des transformateurs, des fibres, des sites, des équipes d'exploitation et des clients cloud capables de remplir ces capacités. Les hyperscalers achètent donc plus que du matériel : ils achètent du temps, de la priorité dans la supply chain et une avance physique difficile à rattraper.

Mais cette barrière protège et expose en même temps. Les dépenses sont engagées longtemps avant les revenus. Les bâtiments s'amortissent sur plusieurs années, mais les GPU se démodent vite, les prix des composants peuvent changer, les besoins énergétiques peuvent augmenter et les clients peuvent négocier les prix à la baisse. Si l'usage de l'IA progresse moins vite que prévu, ou si les gains de productivité ne se transforment pas assez vite en revenus, les amortissements, la dette et les coûts d'exploitation deviennent un poids direct sur les marges.

C'est pourquoi le sujet apparaît désormais dans les marchés de dette. En mai 2026, Reuters rapporte qu'Alphabet a vendu 576,5 milliards de yens, soit environ 3,6 milliards de dollars, lors de sa première émission obligataire en yen, après avoir déjà levé près de 17 milliards de dollars via des émissions en euros et en dollars canadiens. Le même mouvement touche Amazon, qui préparait une émission en francs suisses. Le signal est important : même les groupes les plus rentables du monde diversifient leurs sources de financement pour suivre le rythme de l'infrastructure IA.

L'enjeu dépasse donc Alphabet et Amazon. Reuters indique que les dépenses d'infrastructure IA des grands groupes pourraient dépasser 700 milliards de dollars en 2026, contre environ 410 milliards en 2025. Barron's, citant un rapport J.P. Morgan de mai 2026, évoque 455 milliards de dollars de dette liée à l'IA chez 27 émetteurs, dont 357 milliards pour Amazon, Microsoft, Alphabet, Meta et Oracle. Goldman Sachs observe de son côté que la hausse du CAPEX réduit mécaniquement l'espace disponible pour les rachats d'actions et les dividendes. Ce n'est pas un signal de faiblesse immédiate ; c'est un changement d'allocation du capital.

La comparaison avec le cloud classique montre bien la rupture. Un data center cloud servait des usages diversifiés et relativement prévisibles : stockage, bases de données, calcul général, logiciels d'entreprise, sauvegarde, cybersécurité. L'IA générative ajoute une demande très forte, mais moins stabilisée. Les coûts d'inférence, la durée de vie économique des GPU, le prix de l'électricité, la disponibilité de la mémoire HBM et la monétisation des agents restent difficiles à anticiper. Le risque n'est donc pas seulement de construire trop peu. Il est aussi de construire très vite, très cher, et de devoir attendre plus longtemps que prévu pour transformer cette capacité en profits.

ConclusionLe CAPEX comme condition matérielle de la puissance IA

Cette partie change la lecture de toute la chaîne IA. L'énergie, les data centers, les puces, le cloud, les modèles et les applications ne sont pas six sujets séparés : ce sont six manières de convertir du capital en capacité de calcul, puis en pouvoir de marché.

Les États-Unis dominent parce que le capital privé y est concentré dans des plateformes déjà mondiales. Amazon, Microsoft, Alphabet, Meta et Oracle ne financent pas seulement des data centers : ils financent une position intégrée, de l'électricité au client final. Quand un acteur peut engager en une année ce qu'un continent mobilise sur plusieurs années, l'écart n'est plus seulement technologique. Il devient industriel.

La Chine suit une autre logique. Son investissement privé paraît faible dans les classements internationaux, mais cette lecture rate une grande partie du système : fonds publics, banques d'État, fonds de guidage, véhicules locaux et plans semi-conducteurs. Pékin ne remplace pas les hyperscalers américains par un seul champion privé ; il construit une capacité industrielle par couches, avec de l'argent public et semi-public.

L'Europe, elle, a des actifs réels : électricité bas-carbone, ASML, Mistral AI, chercheurs, industriels, clouds souverains et projets de data centers. Mais elle reste entre deux modèles : trop fragmentée pour rivaliser avec les bilans américains, pas assez dirigée pour reproduire la mobilisation chinoise. La question n'est donc plus seulement de savoir si l'Europe sait inventer. Elle est de savoir si elle peut financer, coordonner et contrôler assez d'infrastructure pour garder une part significative de la valeur.

VIII / Conclusion Ne pas devenir la centrale électrique de l'IA des autres

La conclusion de cette chaîne est simple : l'Europe ne manque pas d'atouts, mais elle risque de les laisser à l'état de ressources. La France a une électricité bas-carbone rare. L'Europe a un marché, des chercheurs, des ingénieurs, des industriels, ASML, Mistral AI et une demande politique de souveraineté. Mais l'IA ne rémunère pas les atouts isolés. Elle rémunère les positions contrôlées dans une chaîne complète.

Arthur Mensch a résumé l'équation : « Il faut que les électrons soient convertis en tokens. » Il faut même aller plus loin : les tokens doivent devenir des produits, les produits des clients, et les clients des revenus récurrents. Produire l'électricité est donc nécessaire, mais insuffisant. La valeur se crée quand cette électricité devient calcul, quand le calcul devient cloud, quand le cloud porte des modèles, et quand ces modèles sont distribués dans des logiciels utilisés chaque jour.

Les États-Unis ont aujourd'hui l'architecture la plus puissante : capital privé, hyperscalers, puces, cloud, modèles, distribution et clients entreprise. La Chine construit une autre architecture : énergie, industrie, fabricants locaux, modèles compétitifs et capital public guidé. L'Europe est plus fragile parce qu'elle possède des morceaux forts, mais pas encore l'intégration qui transforme ces morceaux en pouvoir de marché.

La souveraineté IA ne signifie pas tout fabriquer seul. Elle signifie contrôler assez de points critiques pour ne pas subir les choix des autres : contrats d'énergie, localisation et gouvernance des data centers, accès au calcul, cloud réversible, modèles européens, commande publique, applications métier et capital de passage à l'échelle. Sans cette continuité, l'Europe peut héberger l'infrastructure mondiale sans capter la marge mondiale.

Le risque français est donc clair : vendre les MWh, accueillir les machines, payer les abonnements, puis racheter sous forme de tokens et de logiciels la valeur produite avec ses propres électrons. Ce serait une dépendance moderne, propre et bien présentée, mais une dépendance quand même. La bonne stratégie consiste à transformer l'avantage énergétique en avantage industriel : des électrons vers le calcul, du calcul vers les produits, et des produits vers des revenus qui restent en Europe.