En 1865, l’économiste britannique William Stanley Jevons publiait The Coal Question, un essai consacré à la dépendance du Royaume-Uni au charbon. Son constat, contre-intuitif, allait marquer durablement la pensée économique: les progrès de la machine à vapeur n’avaient pas réduit la consommation de charbon – ils l’avaient au contraire amplifiée. En rendant l’énergie plus efficace et moins coûteuse, ils en avaient multiplié les usages. Cette idée est restée dans l’histoire sous le nom de paradoxe de Jevons: lorsqu’une ressource devient plus efficace à utiliser, sa consommation totale peut paradoxalement… augmenter.
Une pression croissante sur les semi-conducteurs
Aujourd’hui, c’est l’intelligence artificielle qui semble illustrer ce phénomène. Son essor repose sur une infrastructure matérielle extrêmement gourmande en ressources. La montée en puissance de l’IA a provoqué une explosion de la demande en semi-conducteurs. Les puces les plus avancées affichent désormais des coûts en forte hausse – certaines générations récentes étant jusqu’à 50% plus chères que les précédentes. Cette tension se répercute sur des composants clés comme la mémoire DRAM, indispensable au fonctionnement des systèmes informatiques modernes. La DRAM détermine en effet le nombre de programmes exécutables simultanément, la rapidité des applications et la taille des bases de données exploitables.
En 2025, certains segments de ce marché ont connu une envolée spectaculaire, avec des hausses de prix atteignant 171%. Une dynamique alimentée par une demande que les grands acteurs du secteur – notamment Samsung Electronics, SK Hynix ou Micron Technology – peinent à suivre au même rythme.
En optimisant les modèles, ces techniques permettent de réduire les besoins en infrastructure, de diminuer les coûts énergétiques, et d’améliorer l’efficacité globale des systèmes.
TurboQuant, ou la promesse d’une IA plus frugale. C’est dans ce contexte qu’intervient l’annonce de TurboQuant, dévoilée le 24 mars par Google. L’un des défis majeurs de l’intelligence artificielle réside dans la manipulation de données massives, souvent représentées sous forme de vecteurs de haute dimension. Ces structures mathématiques, essentielles pour traiter des images ou comprendre le langage, sont particulièrement coûteuses en mémoire. TurboQuant propose une avancée significative: un algorithme capable de compresser ces vecteurs tout en conservant leur précision. Résultat: des modèles plus légers, nécessitant moins de mémoire et de puissance de calcul, sans compromis sur la performance.
La revanche des mathématiques
Cette innovation rappelle une réalité souvent sous-estimée: le progrès en intelligence artificielle ne repose pas uniquement sur le matériel, mais aussi – et peut-être surtout – sur les avancées mathématiques. En optimisant les modèles, ces techniques permettent de réduire les besoins en infrastructure, de diminuer les coûts énergétiques, et d’améliorer l’efficacité globale des systèmes.
Les marchés financiers n’ont d’ailleurs pas tardé à réagir. À la suite de l’annonce, certaines valeurs liées à la mémoire ont reculé: SanDisk a perdu 3,5% le 25 mars, tandis que SK Hynix cédait plus de 6% le lendemain. Des variations journalières à relativiser toutefois, dans un contexte où ces titres ont été multipliés par cinq en un an.
Vers un nouveau paradoxe de Jevons?
Faut-il y voir le début d’un retournement pour l’industrie des semi-conducteurs? Rien n’est moins sûr. Une correction pourrait davantage refléter l’ampleur du rallye récent que la menace réelle d’une baisse structurelle de la demande car l’histoire pourrait bien se répéter. En rendant l’intelligence artificielle plus efficace, des innovations comme TurboQuant pourraient en réduire le coût d’usage – et donc en accélérer encore l’adoption. Une dynamique qui conduirait, paradoxalement, à une augmentation globale de la demande en ressources. Autrement dit, l’IA pourrait bien être en train de vivre… son propre paradoxe de Jevons.