Eric Schmidt : la course à l’IA pourrait se jouer sur des milliers de milliards de dollars

Pour donner un ordre de grandeur, une telle capacité correspondrait à la construction de dizaines de centrales nucléaires ou d’infrastructures énergétiques majeures dédiées en grande partie aux centres de données.

Mais plus récemment, Schmidt a reformulé son diagnostic. Selon lui, le véritable frein pourrait être le capital nécessaire pour financer cette transformation industrielle. Comme il l’a résumé : la limite réelle de l’IA « n’est pas l’énergie… c’est l’argent ».

Autrement dit, même si l’on sait produire l’électricité requise, encore faut‑il financer l’ensemble de l’écosystème qui permettra de l’utiliser pour entraîner et faire fonctionner les modèles d’IA.

Combien coûte l’infrastructure de l’IA ?

Les estimations avancées par Schmidt donnent une idée de l’ampleur du défi.

Il évoque souvent un ordre de grandeur d’environ 50 milliards de dollars pour chaque gigawatt de capacité de centres de données dédiés à l’IA.

À ce rythme :

• 10 gigawatts d’infrastructure pourraient coûter environ 500 milliards de dollars.
• 100 gigawatts pourraient atteindre près de 5 000 milliards de dollars d’investissement.

Ces montants ne concernent pas seulement la production d’électricité. Ils couvrent toute la chaîne industrielle nécessaire aux systèmes d’IA de pointe :

• centres de données hyperscale
• puces et réseaux spécialisés pour l’IA
• systèmes de refroidissement
• centrales électriques et raccordement au réseau
• terrains, construction et logistique

Dans cette perspective, développer l’IA ressemble de plus en plus à construire une infrastructure nationale, comparable aux réseaux ferroviaires, aux télécommunications ou aux programmes spatiaux, plutôt qu’à lancer un simple projet logiciel.

Pourquoi les États‑Unis et la Chine ont une longueur d’avance

Si les besoins d’investissement se chiffrent en milliers de milliards, très peu d’acteurs peuvent réellement suivre.

Dans l’analyse de Schmidt, deux pôles dominent : les États‑Unis et la Chine.

Les États‑Unis disposent d’un écosystème particulièrement favorable :

• de grands fournisseurs de cloud et de centres de données
• des laboratoires d’IA de pointe
• des marchés financiers profonds capables de lever d’énormes capitaux
• des investisseurs privés et publics prêts à soutenir des projets massifs

La Chine, de son côté, fonctionne différemment mais possède un autre avantage majeur : la capacité de mobiliser rapidement l’État, les banques et l’industrie pour financer et construire des infrastructures à grande échelle dans le cadre de politiques industrielles nationales.

Deux modèles différents — l’un largement porté par le marché, l’autre plus dirigé par l’État — mais tous deux capables de mobiliser des ressources colossales.

Pourquoi l’Europe pourrait décrocher

Eric Schmidt a également mis en garde contre le risque de décrochage de l’Europe dans cette course.

Selon lui, le continent ne dispose pas encore d’une stratégie claire et suffisamment ambitieuse pour l’IA. Sans investissements massifs dans ses propres modèles et infrastructures de calcul, l’Europe pourrait se retrouver dépendante de technologies étrangères.

Il a même averti que, sans un effort financier majeur, certains pays européens pourraient finir par utiliser des modèles d’IA chinois plutôt que de développer leurs propres systèmes.

Dans son analyse, plusieurs facteurs structurels compliquent la situation européenne :

• des marchés de capitaux fragmentés
• moins d’acteurs géants du cloud
• des coûts énergétiques élevés dans certaines régions
• des délais plus longs pour les grands projets d’infrastructure

Énergie et capital : deux contraintes liées

La nouvelle thèse de Schmidt ne remplace pas son avertissement initial sur l’électricité — elle l’explique.

L’énergie reste une contrainte physique majeure : les systèmes d’IA consomment des quantités gigantesques d’électricité à mesure qu’ils deviennent plus puissants.

Mais résoudre ce problème implique de construire de nouvelles centrales, d’étendre les réseaux électriques et d’ériger d’immenses campus de centres de données. Et ces projets nécessitent des investissements colossaux.

Ainsi, la course à l’IA pourrait finalement être décidée non seulement par les algorithmes ou les semi‑conducteurs, mais par une question beaucoup plus industrielle : qui peut financer et construire le plus vite cette infrastructure mondiale de l’intelligence artificielle.

Dans cette vision, la compétition pour l’IA ressemble de moins en moins à une simple bataille technologique — et de plus en plus à une gigantesque course d’investissement à l’échelle planétaire.