Ile Maurice: Domination des pays à revenu élevé dans l'intelligence artificielle
Selon les données compilées par la Banque mondiale en décembre 2025, les économies à revenu élevé concentrent à elles seules 87 % des modèles d’intelligence artificielle (IA) notables développés à l’échelle internationale, 86 % des start-up spécialisées et 91 % des financements levés par ces jeunes entreprises. De plus, selon un rapport publié par le centre de recherche Epoch AI, la dynamique actuelle de montée en puissance de l’IA devrait se poursuivre jusqu’à la fin de la décennie, au prix d’investissements, d’infrastructures et de besoins énergétiques sans précédent.
L’innovation en IA à l’échelle mondiale reste aujourd’hui très largement concentrée dans les pays à revenu élevé. Selon les données compilées par la Banque mondiale en décembre 2025 – provenant de l’Organisation de coopération et de développement économiques, d’Epoch AI et de l’Organisation mondiale de la propriété intellectuelle – ces économies concentrent à elles seules 87 % des modèles d’IA notables développés à l’échelle internationale, 86 % des start-up spécialisées en IA et 91 % des financements levés par ces jeunes entreprises.
Ces chiffres traduisent une réalité structurelle : l’accès au capital, aux capacités de calcul, aux infrastructures de recherche et aux marchés technologiques demeure fortement inégal selon le niveau de développement économique.
La production scientifique en intelligence artificielle présente une répartition légèrement plus équilibrée, sans toutefois remettre en cause cette domination. Les pays à revenu élevé représentent 54 % des publications de recherche en IA, contre 33 % pour les pays à revenu intermédiaire supérieur et 14 % pour les pays à revenu intermédiaire inférieur. Cette contribution des économies émergentes souligne le rôle central des universités et des instituts publics de recherche, mais met également en évidence un déficit de valorisation économique et industrielle des travaux scientifiques produits hors des pays les plus riches.
Suivez-nous sur WhatsApp | LinkedIn pour les derniers titres
Le panorama des brevets en intelligence artificielle générative révèle cependant une dynamique différente. Les pays à revenu intermédiaire supérieur concentrent 66 % des brevets déposés dans ce domaine, tandis que les pays à revenu élevé en détiennent 32 %. Cette situation reflète l’émergence de stratégies industrielles offensives, souvent soutenues par des politiques publiques volontaristes, visant à capter rapidement les retombées économiques de l’IA appliquée et à sécuriser des positions technologiques sur des segments clés.
Le contraste devient encore plus saisissant lorsqu’il est mis en perspective avec les indicateurs macroéconomiques et démographiques. Les pays à revenu élevé ne représentent que 17 % de la population mondiale, mais concentrent 64 % du produit intérieur brut mondial et l’écrasante majorité de l’innovation en intelligence artificielle. À l’inverse, les pays à revenu faible et intermédiaire regroupent une large part de la population mondiale, tout en contribuant de manière marginale à la conception des technologies d’IA.
À quoi pourrait ressembler l’IA en 2030 ?
Selon un rapport prospectif intitulé AI in 2030 – Extrapolating current trends, publié en 2025 par le centre de recherche indépendant Epoch AI et commandité par Google DeepMind, la dynamique actuelle de montée en puissance de l’intelligence artificielle devrait se poursuivre jusqu’à la fin de la décennie, au prix d’investissements, d’infrastructures et de besoins énergétiques sans précédent.
D’après les projections, l’entraînement des modèles d’IA dits «de frontière» nécessitera, d’ici 2030, des investissements cumulés se chiffrant en centaines de milliards de dollars, ainsi que des capacités électriques de l’ordre du gigawatt. Les clusters de calcul envisagés pourraient supporter des entraînements atteignant 10^29 opérations flottantes, soit un volume de calcul qui aurait exigé plus de 3 000 années de fonctionnement continu des plus grands clusters d’IA disponibles en 2020. Les modèles entraînés à cette échelle utiliseraient des milliers de fois plus de puissance de calcul que les modèles de référence actuels, tels que GPT-4.
Malgré l’ampleur de ces exigences, le rapport estime qu’au- cun obstacle structurel immédiat ne semble susceptible d’in- terrompre cette trajectoire avant 2030. Les hypothèses d’un plafonnement rapide des performances, d’une pénurie de données d’entraînement, de contraintes énergétiques insurmontables ou d’un coût devenu prohibitif sont jugées, à ce stade, peu étayées.
Les volumes de données textuelles publiques humaines seraient suffisants au moins jusqu’en 2027, tandis que le recours croissant aux données synthétiques et multi- modales pourrait prolonger la capacité d’entraînement audelà. Sur le plan énergétique, bien que les besoins deviennent considérables, des solutions techniques et organisationnelles existent, notamment par le déploiement accéléré des énergies renouvelables, le stockage par batteries ou la distribution géographique des centres de calcul.
Sur le plan économique, la poursuite de cette montée en échelle ne serait rationnelle que si l’IA génère des retombées proportionnelles. Or, selon les auteurs, si les revenus des laboratoires d’IA continuent de croître au rythme observé ces dernières années, ils pourraient suffire à justifier des investissements dépassant les 100 milliards de dollars par cycle d’entraînement. Une telle croissance reposerait sur la capacité de l’IA à améliorer significativement la productivité dans une large fraction des tâches professionnelles, représentant à terme une valeur économique potentiellement mesurée en milliers de milliards de dollars.
Le rapport met un accent particulier sur les effets attendus de l’IA dans la recherche scientifique et le développement. À l’horizon 2030, l’IA pourrait être capable d’implémenter des logiciels scientifiques complexes à partir de descriptions en langage naturel, d’assister les mathématiciens dans la formalisation de démonstrations ou encore de répondre à des questions ouvertes portant sur des protocoles biologiques.
Ces projections s’appuient sur l’extrapolation de performances observées dans des benchmarks existants, notamment en génie logiciel, en mathématiques, en biologie moléculaire et en prévision météorologique.∎ Répartition mondiale de l’innovation en intelligence artificielle selon le niveau de revenu des pays.
À plus long terme, les auteurs anticipent un décalage entre les capacités technologiques et leur déploiement effectif dans certains secteurs. Si l’IA pourrait transformer rapidement des domaines numériques comme le développement logiciel, ses effets dans des secteurs soumis à de fortes contraintes expérimentales ou réglementaires, tels que la recherche pharmaceutique, pourraient se manifester plus lentement.
Puissance des puces Nvidia
La croissance fulgurante de l’intelligence artificielle repose largement sur l’augmentation continue des capacités matérielles. Selon les données et analyses publiées par Epoch AI en 2025, le stock mondial de puissance de calcul fourni par les puces Nvidia destinées aux centres de données double environ tous les dix mois. Depuis 2019, la capacité totale installée de calcul issue des Graphics Processing Unit (GPU ou processeur graphique) Nvidia progresse à un rythme moyen estimé à 2,3 fois par an, une dynamique qui permet l’entraînement de modèles d’IA toujours plus vastes et plus complexes.
À l’échelle mondiale, Epoch AI estime qu’environ 4 x 10²¹ opérations flottantes par seconde de puissance de calcul sont aujourd’hui disponibles à partir des GPU Nvidia, soit l’équivalent d’environ quatre millions de puces H100. La génération Hopper, actuellement la plus avancée, concentre à elle seule 77 % de cette puissance cumulée, illustrant la rapidité avec laquelle les nouvelles générations de matériel supplantent les précédentes. À ce rythme de croissance, les générations plus anciennes tendent à représenter moins de la moitié de la puissance de calcul cumulée environ quatre ans après leur mise sur le marché.
Ces estimations reposent sur un travail de consolidation de données issues de plusieurs sources, notamment les bases de données d’Epoch AI sur le matériel d’apprentissage automatique et les clusters de calcul pour l’IA, ainsi que les rapports financiers de Nvidia. L’analyse tient compte de la dépréciation du matériel, de la durée de vie moyenne des GPU et du décalage temporel entre la vente des puces et leur mise en service effective dans les centres de données, afin de refléter au plus près la capacité réellement disponible à un instant donné.
L’étude précise toutefois que cette photographie du calcul mondial reste partielle. Elle n’intègre pas les Tensor Processing Unit (TPU, processeur spécialisé pour l’intelligence artificielle, développé par Google) ni d’autres accélérateurs spécialisés, pour lesquels les données publiques sont plus limitées. Or, ces technologies pourraient fournir une puissance de calcul totale comparable à celle des GPU Nvidia, suggérant que la capacité mondiale réellement mobilisée pour l’IA est probablement encore supérieure aux estimations présentées.
