Pendant plusieurs décennies, les économies développées ont été portées par les «dividendes de la paix»: chaînes d’approvisionnement mondialisées, énergie abondante, libre-échange, réallocation des dépenses militaires vers l’éducation, la santé et la recherche.
Les entreprises privilégiaient l’efficience à la résilience, les ressources présentaient peu d’inquiétudes sur leur limite potentielle, tandis que la Silicon Valley annonçait un futur d’abondance porté par l’IA et les gains de productivité, une vision soutenue notamment dans les ouvrages du journaliste Ezra Klein, défendant l’idée qu’une nouvelle phase d’innovation pouvait lever les contraintes économiques traditionnelles.
Cette période touche progressivement à sa fin. Le monde découvre qu’il est structuré comme un archipel de dépendances. D’abord avec une bien plus grande dépendance relative au financement des ambitions liées à l’IA-IPO, marché de la dette, augmentation de capital. Puis les contraintes physiques s’imposent avec quelques détroits qui concentrent le commerce énergétique mondial et certaines mines qui contrôlent les métaux critiques nécessaires à la transition énergétique. Un noyau d’entreprises domine les semi-conducteurs avancés tandis qu’une poignée de centres de données concentre les capacités de calcul nécessaires à l’intelligence artificielle.
Un seul acteur, TSMC, produit aujourd’hui plus de 90% des puces les plus avancées de la planète. La Chine représente près de 70% de la production mondiale de terres rares et plus de 85% des capacités de raffinage. Dans les mémoires (HBM) indispensables aux modèles d’intelligence artificielle, trois acteurs seulement – SK Hynix, Samsung et Micron – concentrent l’essentiel de l’offre mondiale.
Mais les contraintes et dépendances ne se limitent plus aux semi-conducteurs eux-mêmes. Elles remontent désormais toute la chaîne de valeur. L’électricité devient ainsi le nouveau facteur rare. Dans plusieurs régions américaines, les centres de données figurent désormais parmi les principales sources de croissance de la demande énergétique. Or les infrastructures nécessaires pour répondre à cette demande - capacités de production, réseaux de transmission et transformateurs électriques - se développent beaucoup plus lentement que les besoins liés à l’IA.
Les délais de livraison des transformateurs électriques atteignent désormais 128 semaines en moyenne aux Etats-Unis, contre seulement 12 à 16 semaines avant la pandémie*. Pour certains transformateurs destinés aux centrales électriques, les délais dépassent même 144 semaines. Dans le même temps, les files d’attente pour raccorder de nouvelles capacités de production au réseau représentent désormais plus de deux fois la capacité électrique installée du pays.
Cette situation modifie profondément la géographie de l’investissement. Les développeurs de centres de données ne choisissent plus uniquement leurs implantations en fonction du foncier ou de la fiscalité mais d’abord en fonction de l’accès à l’électricité. Les besoins électriques associés progressent à un rythme rarement observé dans l’histoire industrielle récente. Cette rareté se manifeste également sur le marché du travail et des ressources naturelles. Les Etats-Unis pourraient manquer d’environ 300’000 électriciens au cours de la prochaine décennie alors même qu’une part importante de la main d’œuvre actuelle approche de la retraite. L’eau constitue également une contrainte croissante: environ 43% des centres de données mondiaux sont situés dans des zones exposées à un stress hydrique élevé.
La rareté devient ainsi multidimensionnelle. Elle concerne simultanément l’énergie, le réseau électrique, la main-d’œuvre qualifiée, l’eau, les semi-conducteurs, cette fameuse «chipflation» et les capacités de calcul.
Cette transformation pourrait questionner l’un des postulats centraux lié à l’intelligence artificielle générative: l’idée d’une puissance de calcul quasi illimitée. La première phase de cette révolution a été dominée par une logique où les entreprises cherchaient avant tout à maximiser la consommation de calcul: modèles toujours plus vastes, contextes plus longs, infrastructures toujours plus énergivores. Mais l’explosion de la demande en GPU, en mémoire avancée, en électricité, en réseaux et en centres de données fait apparaître une nouvelle contrainte: la découverte du coût marginal du calcul dans un contexte de coût du capital plus élevé. Car à la différence des années 2000 et 2010, où l’épargne mondiale dépassait largement la demande de capital, nous entrons dans un régime de compétition pour l’accès au financement avec les besoins d’émissions de dettes souveraines, de capex IA, et de crédit privé. L’absence d’erreur de politique monétaire sera ainsi essentielle.
* Source Morgan Stanley