Jamie Dimon et l’IA : ce que JPMorgan déploie déjà, et les goulets d’étranglement à venir

Cette nuance est importante. Elle signifie que l’IA n’est pas traitée comme un gadget à tester, mais comme un sujet de direction générale. Lors des revues d’activité, les responsables sont interrogés sur ce qu’ils font en matière de technologie et d’IA, y compris dans la finance, les ressources humaines ou les opérations.

Les chiffres confirment cette priorité. Dans sa mise à jour d’entreprise 2026, JPMorgan indique que la technologie reste un moteur majeur de hausse des dépenses. La banque prévoit de consacrer environ 19,8 milliards de dollars à la technologie cette année, soit 10 % de plus sur un an, afin d’accompagner la croissance des activités et la demande de nouveaux produits et capacités.

Comment JPMorgan utilise déjà l’IA

Dimon insiste sur un point : ce chantier n’a pas commencé hier. Dans un entretien accordé à Bloomberg, il a indiqué que JPMorgan travaillait sur l’IA depuis 2012, avec environ 2 000 personnes mobilisées, près de 2 milliards de dollars dépensés par an, et des usages dans le risque, la fraude, le marketing, la génération d’idées et le service client.

Un autre extrait Bloomberg rapporte que Dimon estime que JPMorgan économise à peu près autant chaque année grâce à ces investissements, et que la banque compte déjà des centaines de cas d’usage.

Concrètement, cela renvoie à une palette très large : automatisation de tâches de back-office, détection de fraude, outils d’aide à la décision, amélioration du service client, assistance aux salariés, analyse de données et soutien aux équipes de conformité ou de risque. Il ne s’agit donc pas d’un seul produit d’IA, mais d’une transformation diffuse, fonction par fonction.

Les gains attendus : productivité, économies, décisions plus rapides

Le bénéfice le plus immédiat est la productivité. Dimon a déclaré que les dépenses annuelles de JPMorgan dans l’IA étaient déjà compensées par des économies d’un ordre comparable, tout en qualifiant le potentiel plus large d’économies de simple « partie émergée de l’iceberg ».

Des résumés récents de sa lettre aux actionnaires indiquent qu’il s’attend à ce que l’IA touche presque toutes les fonctions de la banque, améliore la productivité et supprime aussi certains emplois. Un autre compte rendu souligne que l’IA devrait influencer à la fois les services aux clients et les systèmes internes utilisés par les employés.

La position de Dimon est donc moins euphorique que pragmatique : l’IA peut rendre certaines tâches bancaires moins coûteuses, plus rapides et plus robustes, mais ces gains passent par des changements réels dans les processus, les équipes et les métiers.

Emploi : redéploiement, pas transition indolore

Dimon ne dit pas que l’IA aidera chaque salarié sans contrepartie. Selon un article publié en février 2026, JPMorgan a lancé de « vastes plans de redéploiement » pour les employés dont les postes sont affectés par l’automatisation, tout en maintenant ses effectifs globaux autour de 318 500 personnes et en réduisant les rôles opérationnels de 4 % ainsi que les fonctions de support de 2 %.

À Davos, il a aussi averti que l’IA pourrait aller trop vite pour la société et a appelé les pouvoirs publics et les entreprises à collaborer pour former à nouveau les travailleurs.

La conclusion prudente est donc claire : Dimon anticipe des suppressions de tâches, des transformations de postes et un besoin massif de reconversion. En revanche, les sources disponibles ne permettent pas d’établir un nombre précis d’emplois JPMorgan qui seraient supprimés spécifiquement à cause de l’IA.

Le grand frein au boom : l’infrastructure physique

L’autre versant du sujet est moins visible dans les démonstrations d’IA, mais tout aussi décisif : l’essor de l’IA dépend de machines, de bâtiments, de réseaux électriques et de systèmes de refroidissement. Goldman Sachs estime que les dépenses d’infrastructure liées à l’IA pourraient atteindre environ 765 milliards de dollars en 2026, puis 1 600 milliards de dollars en 2031, avec près de 7 600 milliards de dollars d’investissements cumulés entre 2026 et 2031 dans le calcul, les centres de données et l’énergie.

Électricité et raccordement au réseau

Le premier goulet d’étranglement est l’énergie. Goldman Sachs estime qu’environ 47 GW de capacité de production électrique supplémentaire seraient nécessaires et souligne que les files d’attente pour raccorder de nouveaux projets au réseau restent un obstacle.

Deloitte estime de son côté que la demande électrique des centres de données d’IA aux États-Unis pourrait passer de 4 GW en 2024 à 123 GW en 2035. Dans une enquête menée auprès de dirigeants américains de l’électricité et des centres de données, la tension sur le réseau apparaît comme le principal défi de développement des infrastructures.

Centres de données : des systèmes industriels complets

Un centre de données d’IA n’est plus seulement une salle remplie de serveurs. Goldman Sachs le décrit comme un système électrique et thermique intégré, construit autour de serveurs extrêmement denses. McKinsey va dans le même sens : l’IA transforme les centres de données en systèmes étroitement intégrés d’alimentation et de gestion thermique pour des charges de travail à haute densité.

McKinsey identifie aussi une contrainte importante : la capacité des fournisseurs d’équipements industriels à produire les composants critiques à longs délais nécessaires à la chaîne de valeur des centres de données.

Refroidissement : évacuer la chaleur devient stratégique

Les puces d’IA, notamment les GPU et autres accélérateurs, dégagent énormément de chaleur lorsqu’elles fonctionnent à pleine charge. Le Forum économique mondial note que les grappes d’IA qui tournaient autrefois avec des centaines de GPU en demandent désormais des dizaines de milliers, et que les freins ne concernent plus seulement le silicium, mais aussi la chaleur, l’électricité, la connectivité et la mémoire.

Selon la même source, le refroidissement liquide, l’immersion et de nouvelles architectures thermiques ne sont plus expérimentaux : ils deviennent des prérequis, car le refroidissement par air atteint ses limites face à la densité thermique des GPU.

Fibre, réseaux et connectivité

Les grands clusters d’IA exigent des connexions rapides et fiables entre de nombreux accélérateurs et systèmes. Les sources disponibles pointent surtout une contrainte générale de connectivité : le Forum économique mondial cite la connectivité parmi les freins à la montée en puissance des clusters d’IA, tandis qu’un autre rapport décrit un déplacement des goulets d’étranglement du silicium vers la connectivité à haut débit et l’énergie brute.

En revanche, les éléments fournis ne chiffrent pas une pénurie spécifique de fibre optique. Le plus sûr est donc de dire que la fibre s’inscrit dans une contrainte plus large de réseaux et de connectivité, sans la présenter comme un blocage autonome démontré.

Matières premières, composants et chaînes d’approvisionnement

Les sources sont également plus solides sur les contraintes d’équipements et de composants que sur une pénurie chiffrée de matières premières. McKinsey met en avant les composants critiques à longs délais dans la chaîne des centres de données, tandis que le Forum économique mondial rappelle qu’une large part de l’investissement attendu concerne le refroidissement, la production d’électricité et les matériels adjacents.

Les matières premières peuvent donc compter via ces chaînes industrielles, mais les sources disponibles ne permettent pas de classer précisément les métaux ou matériaux les plus contraignants.

À retenir

Le message de Jamie Dimon est simple : l’IA n’attend pas une prochaine révolution pour transformer les grandes banques. Chez JPMorgan, elle est déjà intégrée à des fonctions centrales, soutenue par un budget technologique massif et accompagnée de plans de redéploiement lorsque l’automatisation modifie les rôles.

Mais la suite ne dépendra pas seulement de meilleurs modèles ou de nouvelles puces. Le rythme du boom de l’IA sera aussi fixé par des réalités très concrètes : électricité disponible, raccordements au réseau, centres de données à haute densité, refroidissement, connectivité et équipements industriels. Autrement dit, même si le logiciel progresse vite, l’infrastructure, elle, ne se construit pas d’un claquement de doigts.