Quand le matériel devient une infrastructure : la réévaluation des prix du calcul, de l’énergie et de la confiance en 2026

Quand le matériel devient une infrastructure : la nouvelle tarification de la puissance de calcul, de l’énergie et de la confiance en 2026

> Résumé : L’IA n’est plus seulement une histoire du secteur logiciel. Elle est en train de transformer le matériel d’une activité cyclique en une activité d’infrastructure — et la logique de tarification des infrastructures n’a jamais été la même que celle de l’électronique grand public.

Un ancien consensus révisé

Depuis plus de dix ans, « le logiciel dévore le monde » est le cadre narratif le plus largement accepté du secteur technologique : le matériel a été banalisé, les marges ont migré vers le logiciel et les services, les appareils ont dégénéré en simples coques hébergeant des applications, et les entreprises de matériel sont restées enfermées dans un jeu à somme nulle entre volumes d’expédition et marge brute.

Le paysage industriel de 2026 corrige ce consensus. Dans son rapport « Perspectives 2026 pour le secteur mondial du matériel et des technologies grand public », Deloitte livre un jugement assez direct : l’IA ravive la croissance du matériel, redéfinit les centres de données et remodèle les architectures de calcul hybride ; du côté des consommateurs, la confiance devient un moteur clé des dépenses.

Il faut noter la tension interne de ces perspectives. Elles ne tracent pas une courbe ascendante à sens unique, mais exposent en même temps deux forces opposées : les revenus du matériel d’entreprise augmentent sous l’effet de la demande d’IA, tandis que les ventes de PC pourraient s’affaiblir à cause de la hausse des prix de la mémoire. Cette structure — « une même année, un même secteur, deux directions » — est en elle-même la clé pour comprendre 2026 : le matériel ne forme plus un tout, il se scinde en deux activités radicalement différentes.

I. La bifurcation des courbes de revenus : du cycle de renouvellement au cycle des dépenses d’investissement

Commençons par le total. Selon Deloitte, les dépenses mondiales en informatique devraient atteindre 5 500 milliards de dollars en 2025, en hausse d’environ 10 % par rapport à 2024, et dépasser pour la première fois 6 000 milliards de dollars en 2026 ; les systèmes de centres de données, portés par la demande d’infrastructures d’IA, en sont le segment à la croissance la plus rapide.

Ce qui illustre encore mieux le changement structurel, c’est la pente des dépenses en matériel d’IA. Les données citées par Deloitte montrent qu’au deuxième trimestre 2025, les dépenses en matériel de calcul et de stockage destiné au déploiement de l’IA ont augmenté de 166 % sur un an, pour atteindre 82 milliards de dollars ; le marché mondial des infrastructures d’IA devrait, lui, atteindre 758 milliards de dollars en 2029.

La signification de ces chiffres ne réside pas dans le taux de croissance lui-même, mais dans le remplacement du mécanisme moteur. Le cycle traditionnel des PC et des terminaux est porté par la demande de remplacement — les anciens appareils ralentissent, les systèmes ne sont plus pris en charge, les baux des entreprises arrivent à échéance — et il a donc naturellement un plafond. En revanche, l’infrastructure d’IA est portée par la demande de capacité : tant que la taille des modèles, le volume d’appels d’inférence et les exigences de latence continuent d’évoluer, l’investissement en puissance de calcul prend la nature d’une quasi-dépense d’investissement, et ses limites ne sont pas déterminées par la volonté des utilisateurs de renouveler leurs appareils, mais par l’électricité, le foncier, la capacité de refroidissement et le coût du capital.

Cela explique un phénomène contre-intuitif : pourquoi, lors d’années où la demande de terminaux n’est pas vigoureuse, le chiffre d’affaires total du secteur du matériel peut malgré tout croître rapidement. Le matériel d’entreprise et le matériel grand public sont désormais régis par deux logiques économiques totalement différentes.## II. Les centres de données ne sont plus des salles de serveurs, mais une industrie lourde

Les objectifs d’optimisation des centres de données traditionnels étaient relativement clairs : équilibre entre densité des baies, bande passante réseau, redondance de l’alimentation et efficacité du refroidissement. L’entraînement et l’inférence d’IA ont modifié ces contraintes — Deloitte souligne que les centres de données se reconçoivent autour de puissances plus élevées, du refroidissement liquide et de réseaux optiques ultra-rapides.

Ces trois éléments réunis indiquent une migration de nature industrielle : les centres de données passent de « l’immobilier informatique » à une industrie lourde, à mi-chemin entre l’ingénierie énergétique et la fabrication de précision.

Ses conséquences se situent au moins à deux niveaux.

La première est l’évolution de la logique d’implantation. Lorsque la densité de puissance par baie augmente fortement, le poids de la disponibilité de l’électricité, des délais de raccordement à une sous-station et des ressources en eau de refroidissement augmente, tandis que, pour certaines charges de travail d’entraînement, la priorité relative de la latence réseau diminue. Les clusters de calcul commencent à se regrouper dans des régions à excédent électrique, à coûts fonciers maîtrisés et aux politiques favorables.

La seconde est l’élargissement des contraintes de la chaîne d’approvisionnement. Lorsque le goulot d’étranglement s’étend des transistors aux transformateurs, aux circuits de refroidissement, à la fibre optique et à la capacité de production d’électricité, la concurrence dans l’industrie du matériel s’entremêle inévitablement aux infrastructures énergétiques, aux cycles de construction, voire à l’efficacité des autorisations des collectivités locales. Pour des entreprises technologiques habituées au rythme « conception — tape-out — production de masse », cela représente une exigence de compétences qui leur est étrangère.

III. L’essence du cloud hybride est la « stratification du calcul »

Une autre tendance observée par Deloitte : les entreprises adoptent des stratégies de cloud hybride plus délibérées (deliberate) afin de gérer les besoins des charges de travail d’IA sur trois dimensions : coût, latence et souveraineté.

Cette phrase mérite d’être décomposée. Elle ne décrit pas vraiment « l’utilisation de plusieurs clouds », mais une nouvelle pensée architecturale : le calcul stratifié selon les contraintes.

• Couche de coût : l’entraînement de modèles de pointe et le traitement par lots à grande échelle se concentrent vers les clusters hyperscale où le coût par unité de calcul est le plus faible ;
• Couche de latence : l’inférence et les capacités d’interaction en temps réel descendent vers les nœuds régionaux et l’edge, au plus près des utilisateurs et des sources de données ;
• Couche de souveraineté : les charges de travail liées à la résidence des données, à la conformité sectorielle et aux activités sensibles restent dans des installations détenues en propre ou des environnements hébergés localement.

Ces trois couches ne partagent pas le même ensemble de fonctions d’optimisation, et il est donc difficile de les porter de manière unifiée par une architecture cloud unique. Le cloud hybride est passé de « solution transitoire » à une forme d’architecture de long terme.

Le changement plus profond concerne la souveraineté. Auparavant, la souveraineté des données était principalement une question de conformité, traitée par les services juridiques ; à l’ère de l’IA, elle commence à devenir une question d’architecture — l’endroit où se trouvent les données détermine où les modèles sont entraînés, où l’inférence a lieu, et comment les chemins des puces et du réseau sont conçus. La « souveraineté » passe d’un poste de coût à une contrainte de conception, l’un des changements de mentalité les plus sous-estimés de 2026.

IV. L’économie en K et la prime à la confianceTournons le regard vers le consommateur : la description de Deloitte met en évidence deux forces parallèles : la demande continue de progresser, mais la réalité financière est très hétérogène ; en parallèle, l’exigence des consommateurs en matière de « responsabilité des données » devient une composante de la décision d’achat, et l’innovation digne de confiance bénéficie donc d’une prime.

Il s’agit en réalité de deux manifestations d’une même différenciation structurelle.

L’économie dite en K signifie que le pouvoir explicatif de la moyenne décline — une partie des consommateurs continue d’améliorer ses appareils et son expérience, tandis que l’autre allonge son cycle de renouvellement et se tourne vers le milieu ou le bas de gamme, voire le marché de l’occasion. Une stratégie produit positionnée sur une seule gamme de prix mécontentera simultanément les deux extrémités : les utilisateurs haut de gamme la trouveront insuffisante, et les utilisateurs sensibles au prix la trouveront trop chère. La stratégie réellement efficace consiste à choisir clairement sur quelle branche du K se situer.

Et si la « responsabilité des données » peut devenir une source de prime, cela est directement lié à l’évolution de la forme des terminaux. Lorsque les appareils commencent à collecter en continu des données environnementales, à exécuter des modèles en local et à agir à la place de l’utilisateur sous forme d’agents, la question qui préoccupe les consommateurs se déplace : il ne s’agit plus de « combien de points cette puce obtient-elle aux benchmarks », mais de « qui a fait quoi, quand, avec mes données, et puis-je retirer mon consentement ».

Les spécifications peuvent être comparées ; la confiance, non. Ainsi, dès que la confiance devient une variable de décision, la dimension concurrentielle se déplace de la fiche technique vers la transparence, l’auditabilité et la révocabilité — pour les fabricants longtemps dépendants du marketing des caractéristiques matérielles, c’est une refonte de compétences considérable.

V. La couche des goulots d’étranglement revalorisée

S’il existe un angle d’investissement primordial pour l’industrie du matériel en 2026, c’est celui-ci : la captation de valeur migre de la couche des appareils vers celle des goulots d’étranglement.

L’exemple le plus évident est la mémoire. Deloitte indique clairement que les ventes de PC pourraient s’affaiblir en raison de la hausse des prix de la mémoire — autrement dit, les fluctuations des prix en amont pèsent directement sur les expéditions de produits finis. Lorsque la structure des capacités en amont s’oriente vers les produits liés à l’IA, l’électronique grand public se dispute en réalité avec les centres de données les mêmes ressources de fabrication. C’est une chaîne de transmission typique où « l’infrastructure évince la consommation », et son orientation est difficilement réversible à court terme.

Les couches de goulots d’étranglement qu’il convient de surveiller en continu comprennent au moins : la mémoire et le stockage à haut débit, les interconnexions optiques et les liaisons à haut débit, l’alimentation électrique et les systèmes de refroidissement, l’encapsulation avancée et les capacités effectives. Ces segments ont en commun : des barrières techniques élevées, des cycles d’extension de capacité longs et un fort pouvoir de négociation. Dans un cycle d’infrastructure, ceux qui occupent ces positions détiennent un pouvoir de fixation des prix structurel, au lieu de subir passivement les fluctuations des prix.

VI. L’évolution de la liste des compétences : géants, entrepreneurs et régulateurs

Pour les géants de la tech, la base de la concurrence s’étend désormais de l’écosystème logiciel à trois nouvelles catégories de capacités : la capacité à soutenir durablement les dépenses d’investissement, la capacité d’accès aux ressources énergétiques et foncières, et la capacité à verrouiller la chaîne d’approvisionnement. Cela explique aussi pourquoi, depuis deux ans, les mouvements stratégiques des géants de la tech ressemblent de plus en plus à ceux d’opérateurs d’infrastructures — contrats d’achat d’électricité à long terme, planification de campus à très grande échelle et verrouillage anticipé des capacités en amont sont autant de compétences que les entreprises logicielles n’avaient pas besoin de maîtriser par le passé.Pour l’écosystème entrepreneurial, la fenêtre d’opportunité se déplace elle aussi. Dans des maillons intensifs en capital comme les puces d’accélération à usage général, la place des start-up est d’emblée limitée ; mais dans les spécialisations de la couche des goulots d’étranglement — gestion thermique, modules optiques, logiciels d’ordonnancement de l’efficacité énergétique, couche d’orchestration et d’ordonnancement des capacités de calcul, intergiciels de cloud souverain, et outils d’ingénierie de la responsabilité des données — il existe des interstices structurels que les géants ont du mal à couvrir rapidement. En même temps, le cycle des infrastructures modifie lui aussi la logique de financement : les investisseurs privilégient la visibilité des commandes, la faisabilité de l’expansion des capacités et le rythme des flux de trésorerie, plutôt que les seuls paramètres de performance.

Pour les régulateurs, l’expansion des infrastructures d’IA place simultanément trois catégories d’enjeux au premier plan : la consommation énergétique et les émissions de carbone des centres de données, les flux transfrontaliers de données et les exigences de souveraineté, ainsi que les limites de la responsabilité en matière de données des consommateurs. Ces enjeux ont pour caractéristique commune de traverser les frontières sectorielles : ils relèvent à la fois de la conformité, de la politique de la concurrence et même de la politique énergétique. Par conséquent, la régulation technologique de 2026 ne sera probablement plus dominée par une seule autorité de régulation du numérique.

VII. Trois incertitudes à surveiller

Toute prévision de tendance doit signaler son point de fragilité.

Premièrement, le cycle de retour sur les dépenses d’investissement n’a pas encore été validé. L’investissement dans les infrastructures vient en premier, la concrétisation des revenus ensuite ; l’écart temporel entre les deux est comblé par la patience des marchés de capitaux. Si la commercialisation de l’IA se concrétise plus lentement que prévu, la pression d’amortissement des actifs de calcul deviendra rapidement visible.

Deuxièmement, la possibilité d’une anticipation de la demande. Lorsque les entreprises achètent à l’avance des capacités de calcul pour être « prêtes pour l’IA », une partie de la demande peut être empruntée au futur pour être ramenée au présent, ce qui amplifie les fluctuations du cycle suivant.

Troisièmement, le plafond d’efficacité énergétique. La vitesse d’amélioration de la densité de puissance et des capacités de refroidissement peut-elle suivre celle de la croissance des besoins en modèles et en inférence ? Cela reste une question ouverte. L’électricité ne suit pas la loi de Moore comme le font les puces.

Conclusion : le point de bascule de 2026 ne réside pas dans une puce particulière

En rassemblant les indices ci-dessus, 2026 n’est pas une année que l’on peut résumer par « une grande année du matériel d’IA ». Elle ressemble davantage à l’année où l’industrie du matériel est redéfinie comme une industrie d’infrastructure : les courbes de revenus bifurquent, les centres de données achèvent leur virage industriel, le calcul se stratifie selon le coût, la latence et la souveraineté, et les décisions des consommateurs passent de la comparaison des spécifications à l’évaluation de la confiance.

Le véritable point de bascule n’est ni le lancement d’une puce particulière, ni le chiffre des dépenses d’investissement d’une entreprise donnée. C’est la réévaluation simultanée de trois éléments : la puissance de calcul, l’énergie et la confiance.

Pour les acteurs de l’industrie, cela implique un nouveau critère d’évaluation — non pas « produisez-vous du matériel ? », mais « à quelle couche du cycle des infrastructures vous situez-vous, et pouvez-vous supporter l’échelle de temps qu’il exige ? ».