L’argent circule. Les fondations, non.

Selon Gartner, les dépenses mondiales en AI devraient atteindre 2,7 billions de dollars en 2026, soit une croissance de 49,5 % d’une année sur l’autre, l’infrastructure AI restant le plus grand poste de dépense. IDC rapporte que les dépenses pour l’infrastructure AI ont atteint 318 milliards de dollars pour l’ensemble de l’année 2025, soit plus du double des 153 milliards de 2024, et prévoit que le marché dépassera un billion de dollars d’ici 2029.

Ces chiffres pointent vers un changement structurel dans l’investissement technologique, la demande croissante pour l’AI mettant en lumière les contraintes de l’infrastructure physique requise pour la soutenir à grande échelle. McKinsey estime que répondre à la demande mondiale de calcul AI d’ici 2030 nécessitera à elle seule 5,2 billions de dollars d’investissement dans les centres de données.

Six forces qui amplifient la contrainte

Le défi va bien au-delà de la puissance de calcul. Faire évoluer efficacement, de manière durable et économique les centres de données AI nécessite de naviguer à travers six forces qui s’entrecroisent et se renforcent mutuellement.

• Énergie et densité énergétique

  L’AI augmente la demande énergétique dans tous les centres de données alors que l’informatique accélérée prend de l’ampleur. L’Agence internationale de l’énergie estime que la consommation mondiale d’électricité des centres de données a atteint environ 485 TWh en 2025 et prévoit qu’elle atteindra près de 950 TWh d’ici 2030.

• Refroidissement et gestion thermique

  La densité croissante des racks rend le refroidissement à air traditionnel plus difficile, ce qui accroît la demande de solutions de refroidissement par liquide. Le défi consiste à accélérer assez rapidement la construction et la modernisation pour soutenir l’infrastructure AI à haute densité.

• Pressions sur la chaîne d’approvisionnement

  L’emballage avancé et la mémoire à large bande passante demeurent des contraintes importantes de la chaîne d’approvisionnement pour les accélérateurs AI. Reuters a rapporté en juillet 2026 que les estimations consensuelles de dépenses d’investissement 2026 pour Microsoft, Alphabet, Amazon, Meta et Oracle étaient passées à près de 730 milliards de dollars, dont une grande partie allouée aux centres de données, serveurs, réseaux et autres infrastructures infonuagiques.

• Infrastructure réseau et optique

  Le déplacement des données entre les grappes d’entraînement et les points d’inférence devient lui-même un goulot d’étranglement. Chaque nouvelle génération de GPU impose de nouvelles exigences à la trame reliant calcul, stockage et périphérie. La capacité réseau devient de plus en plus importante à mesure que la puissance de calcul accélérée exige davantage du tissu interconnectant calcul, stockage et points d’inférence.

• Rentabilité à grande échelle

  Gartner indique que de nombreux investissements AI sont encore principalement pilotés par les fournisseurs technologiques et les hyperscalers, alors que l’investissement élargi des entreprises demeure en deçà de son plein potentiel.

• Talents

  Faire évoluer l’infrastructure AI nécessite aussi des spécialistes maîtrisant à la fois les charges de travail AI et l’ingénierie de centres de données, faisant de la disponibilité des compétences un enjeu clé de capacité.

Une contrainte énergétique limite les options de refroidissement. Une limitation du refroidissement plafonne la densité des racks. Une densité limitée augmente l’empreinte au sol. Une empreinte plus grande exige plus de capital, plus de terrain et des délais plus longs, alors qu’une chaîne d’approvisionnement intégrale ne peut livrer assez rapidement l’ensemble.

L’AI en entreprise sera hybride — et cela change la stratégie

Une tendance devient de plus en plus évidente : L’AI d’entreprise n’existera pas dans un seul environnement. Toutes les charges de travail ne migreront pas vers le nuage public. Tous les modèles ne fonctionneront pas à la périphérie. Les entreprises devront opérer sur des centres de données internes, en colocation, en périphérie, avec des fournisseurs néo-infonuagiques et en nuage public, le mix étant dicté par le coût, la latence, la conformité, la souveraineté et la performance.

Ce phénomène apparaît déjà dans les industries réglementées. Les exigences de résidence des données, les préoccupations concernant la propriété intellectuelle et la nécessité d’un contrôle au niveau de l’infrastructure soulèvent de sérieuses questions sur les modèles standards de nuage public pour les charges de travail AI sensibles.

Le rapport Deloitte 2026 State of AI in the Enterprise indique que 83 % des entreprises considèrent l’AI souveraine comme au moins modérément importante pour la planification stratégique ; la souveraineté façonne donc de plus en plus la stratégie AI des entreprises.

Il en découle que les organisations ont besoin d’un modèle opérationnel cohérent couvrant ces différents environnements, combinant une infrastructure adaptée à l’AI, des plateformes infonuagiques hybrides, des environnements accélérés par GPU, de l’automatisation intelligente et des architectures de données sécurisées dès le départ.

Le plaidoyer pour une approche industrielle

Ces contraintes s’additionnent, rendant les solutions isolées insuffisantes. Régler l’énergie uniquement n’aborde pas la question du refroidissement. Résoudre le refroidissement n’accélère pas les délais de la chaîne d’approvisionnement. Sécuriser le matériel ne garantit pas la discipline opérationnelle nécessaire pour exécuter l’AI de façon fiable et à grande échelle.

Les entreprises ont besoin d’un modèle opérationnel fondé sur l’ingénierie, qui applique la rigueur des opérations industrielles à l’AI : des processus standardisés, des architectures validées, une économie prévisible et une gouvernance intégrée tout au long du cycle de vie.

C’est ce modèle que nous avons intégré à HCLTech AI Factory : une solution de type « full stack » pilotée par l’ingénierie, fondée sur trois décennies d’expertise en infrastructures critiques. Elle couvre tout le cycle de vie AI, de la conception et la construction de centres de données jusqu’aux services d’infrastructure cognitive qui unifient nuage, données, plateformes et modèles AI, et ce, partout : privé, hybride, périphérie, néo ou souverain. Pensé pour être neutre envers les fournisseurs, ce modèle s’appuie sur de solides partenariats — hyperscalers, équipementiers technologiques, écosystèmes néo-infonuagiques et communautés de modèles AI —, offrant aux entreprises la flexibilité architecturale au fur et à mesure que leurs besoins évoluent.

Au fil des mandats HCLTech, les organisations adoptant ce modèle industriel constatent des résultats mesurables :

Ces résultats proviennent du traitement de l’infrastructure AI comme un problème d’ingénierie intégré, en appliquant la même rigueur qu’à une chaîne de production manufacturière ou un système financier critique.

Les décisions prises aujourd’hui définiront la prochaine décennie

Les exigences de souveraineté, les architectures hybrides, les contraintes énergétiques et les pressions sur la chaîne d’approvisionnement façonnent déjà les programmes AI.

La stratégie d’infrastructure devient une décision d’affaires de premier plan pour les organisations qui cherchent à obtenir une réelle valeur mesurable de leurs investissements AI. Les choix faits aujourd’hui détermineront jusqu’où et à quelle vitesse l’AI d’entreprise pourra évoluer.