Du CAPEX des hyperscalers aux GW réellement disponibles : pourquoi la prochaine phase du boom de l’intelligence artificielle pourrait dépendre autant des réseaux électriques, des transformateurs et des compétences humaines que des semi-conducteurs.
Lorsque l’on parle d’intelligence artificielle en Bourse, quelques noms reviennent presque automatiquement : Nvidia, Microsoft, Alphabet, Amazon ou Meta.
C’est logique. La première phase du cycle a principalement récompensé les entreprises capables de développer les modèles, de fournir la puissance de calcul ou de financer massivement leur déploiement.
Mais à mesure que les investissements augmentent, la question change.
L’intelligence artificielle n’est plus seulement une révolution logicielle. Elle devient l’un des plus grands cycles d’investissement de la décennie dans les infrastructures physiques : semi-conducteurs, mémoire, serveurs, data centers, refroidissement, équipements électriques, transformateurs, réseaux, production d’électricité et matières premières.
Et une deuxième réalité apparaît progressivement.
Disposer du capital — et même commander les équipements — ne suffit pas.
Il faut encore concevoir les installations, obtenir les autorisations, sécuriser l’électricité, approvisionner les équipements critiques, construire les infrastructures, les raccorder à un réseau suffisamment robuste, réaliser les essais puis les mettre en service.
Pour l’investisseur, la question n’est donc peut-être plus uniquement de savoir qui gagnera la course à l’intelligence artificielle.
Elle devient progressivement :
Quelles ressources seront indispensables à tous les concurrents, lesquelles seront les plus difficiles à augmenter et quels obstacles pourraient empêcher les centaines de milliards de dollars investis de devenir réellement des capacités opérationnelles ?
La thèse de cet article est la suivante :
À mesure que la puissance de calcul augmente, certains des principaux goulets d’étranglement pourraient progressivement se déplacer au-delà des semi-conducteurs, vers les infrastructures électriques, les réseaux et finalement la capacité humaine et industrielle à délivrer les projets.
Cette réflexion prolonge directement notre analyse du supercycle des matières premières : lorsqu’une demande peut croître beaucoup plus vite que l’offre physique, le maillon limitant peut devenir aussi important pour l’investisseur que le produit final lui-même.
Une précaution reste cependant essentielle :
identifier le goulet d’étranglement est la première étape. Déterminer ce qui est déjà intégré dans les cours est la seconde.
En résumé : le capital va plus vite que le monde physique
L’ampleur du cycle d’investissement devient exceptionnelle.
Les dépenses d’investissement combinées de Microsoft, Alphabet, Amazon, Meta et Oracle devraient approcher les trois quarts de trillion de dollars en 2026. Ces entreprises ne publient pas systématiquement la part de leur CAPEX spécifiquement attribuable à l’IA, mais une grande partie de l’accélération des investissements dans les data centers, les serveurs, les réseaux informatiques et les infrastructures cloud est portée par son développement.
Dans le même temps, les dernières projections 2026 de l’International Energy Agency estiment que la consommation électrique mondiale des data centers pourrait atteindre environ 950 TWh en 2030, contre 485 TWh en 2025, soit pratiquement un doublement en cinq ans et environ 3 % de la demande mondiale d’électricité.
Mais les calendriers ne sont pas les mêmes.
Le capital peut être mobilisé rapidement.
Les capacités industrielles ne le peuvent pas.
Certains câbles haute tension nécessitent désormais deux à trois ans d’approvisionnement. Les grands transformateurs de puissance peuvent demander jusqu’à quatre ans, tandis que certains composants spécialisés nécessitent encore davantage de temps.
La chaîne peut finalement être résumée ainsi :
CAPEX disponible → équipements disponibles → puissance électrique disponible → réseau adapté → compétences disponibles → projet livré → capacité réellement opérationnelle
La chaîne n’avance qu’à la vitesse de son maillon le plus lent.
Les grands investisseurs institutionnels commencent d’ailleurs à analyser l’IA sous cet angle. BlackRock identifie notamment l’électricité, la mémoire, les puces et les data centers parmi les ressources rares susceptibles de déterminer les opportunités d’investissement liées à l’IA, tout en soulignant également l’augmentation des besoins en réseaux électriques.
Du CAPEX annoncé à la capacité réellement opérationnelle
Les montants annoncés donnent une première idée de l’ampleur du phénomène.
Mais il faut être particulièrement prudent lorsque l’on additionne les annonces faites par les hyperscalers et les développeurs de data centers.
Un dollar annoncé n’est pas nécessairement un dollar dépensé.
Un GW annoncé n’est pas un GW opérationnel.
Pour suivre correctement le développement de l’IA, il faut distinguer plusieurs étapes.
| Stade | Ce que cela signifie réellement |
|---|---|
| Annoncé | Une intention existe, mais le projet peut encore évoluer |
| Planifié | Le développement technique et commercial a commencé |
| Autorisé | Les principales autorisations ont été obtenues |
| Financé / contracté | Les engagements économiques deviennent beaucoup plus solides |
| En construction | Les travaux physiques sont réellement engagés |
| Raccordé | Le réseau peut effectivement fournir la puissance nécessaire |
| Mis en service | Les systèmes ont été testés et acceptés |
| Opérationnel | La capacité peut produire du calcul et générer des revenus |
Entre 100 GW annoncés et 100 GW réellement opérationnels, il existe une chaîne de développement industrielle extrêmement complexe.
Pour l’investisseur, le taux de conversion du CAPEX annoncé en capacité opérationnelle pourrait donc devenir presque aussi important que le montant du CAPEX lui-même.
Cela rejoint une règle plus générale de marché :
Une excellente nouvelle économique ne produit pas nécessairement une bonne performance boursière si elle est déjà intégrée dans les anticipations.
C’est le mécanisme que nous avions détaillé dans Pourquoi une action baisse malgré de bons résultats ?
États-Unis : une vague massive de nouvelles capacités face à des contraintes locales
Les États-Unis sont aujourd’hui au cœur de cette transformation.
Mais la question essentielle n’est pas simplement de savoir combien de capacité de production électrique existe à l’échelle nationale.
Il faut savoir où elle se trouve, si le réseau peut la transporter et si les nouvelles charges peuvent effectivement s’y raccorder.
Les files d’attente de raccordement américaines donnent une idée de l’ampleur du défi.
Selon l’édition 2026 de Queued Up du Lawrence Berkeley National Laboratory, environ 8 200 projets cherchaient activement à se raccorder au réseau américain fin 2025, représentant environ 1 312 GW de production et 749 GW de stockage.
Attention : il ne s’agit pas de projets de data centers.
Ce sont des projets de production et de stockage cherchant à accéder au réseau.
Mais ces chiffres illustrent un point essentiel :
L’accès au réseau constitue déjà une ressource rare avant même de prendre pleinement en compte l’augmentation de la demande électrique liée à l’IA.
Et cette contrainte est fondamentalement locale.
Les États-Unis peuvent disposer de capacités de production importantes à l’échelle nationale alors qu’une région particulière de Virginie, du Texas, de l’Ohio ou de Pennsylvanie peine à raccorder un nouveau campus de data centers.
Le boom de l’IA devient donc progressivement un problème de localisation et de capacité réellement délivrable, et non simplement de production énergétique nationale.
Chine : même course à l’IA, contraintes différentes
La Chine mène parallèlement sa propre course aux infrastructures de calcul et d’énergie.
Mais comparer les États-Unis et la Chine uniquement à travers les montants de CAPEX ou les GW annoncés serait insuffisant.
Les deux pays disposent d’écosystèmes technologiques, industriels, réglementaires et électriques très différents.
La Chine possède une immense base industrielle et une expérience considérable dans le développement d’infrastructures électriques à grande échelle.
Les États-Unis disposent de leur côté de marchés de capitaux extrêmement profonds, d’un écosystème technologique exceptionnel et d’avantages importants dans certaines technologies de calcul avancées.
Les contraintes ne se situent donc pas nécessairement aux mêmes endroits.
Cela conduit à une observation plus générale :
Un même milliard de dollars de CAPEX — ou un même GW annoncé — ne possède pas nécessairement la même probabilité de devenir opérationnel dans le même délai selon l’environnement dans lequel le projet est développé.
La capacité d’exécution devient ainsi elle-même une variable de l’analyse.
Cinq capacités doivent être réunies pour construire l’IA
Une capacité informatique réellement opérationnelle dépend de cinq couches.
| Capacité | Ce qu’elle recouvre |
| Technologique | GPU, mémoire, réseaux informatiques |
| Industrielle | Data centers, refroidissement, équipements électriques, transformateurs, câbles |
| Énergétique | Production électrique, stockage et combustibles |
| Réseau | Transport, distribution, postes, raccordement, redondance et reconfiguration |
| Exécution | Ingénierie, approvisionnements, construction, essais, mise en service et management de projet |
Ces cinq capacités doivent être disponibles simultanément.
Posséder les meilleurs GPU ne sert à rien sans endroit où les installer.
Construire le data center ne sert à rien sans électricité.
Produire suffisamment d’électricité ne suffit pas si le réseau ne peut pas l’acheminer jusqu’au site.
Et disposer de tous les équipements ne suffit pas si l’on ne peut pas les intégrer, les tester et les mettre en service.
La capacité réellement exploitable n’est donc pas déterminée par la somme des capacités disponibles, mais par le maillon critique le plus contraint du système.
Les trois chaînes physiques derrière l’infrastructure de l’IA
De la matière première au calcul, un data center IA se trouve au point de convergence de plusieurs systèmes physiques qui doivent finalement fonctionner comme un ensemble.
Mais disposer de ces ressources ne suffit pas.
Les semi-conducteurs, les équipements électriques et les capacités de production doivent encore être intégrés dans un système fonctionnel. Les équipements doivent être approvisionnés, les infrastructures construites, les raccordements réalisés, les interfaces gérées, les systèmes testés et l’installation finale mise en service.
Une quatrième contrainte traverse donc les trois chaînes :
la capacité d’exécution.
C’est pourquoi l’opportunité d’investissement liée à l’IA dépasse très largement les seules entreprises technologiques.
Comment identifier un véritable goulet d’étranglement ?
Plutôt que d’attribuer arbitrairement des étoiles, nous pouvons utiliser cinq questions.
| Critère | Question |
| Demande | Dans quelle mesure l’IA augmente-t-elle réellement la demande ? |
| Offre | À quelle vitesse l’industrie peut-elle augmenter ses capacités ? |
| Exécution | À quelle vitesse ces capacités peuvent-elles réellement être construites et mises en service ? |
| Maturité du thème | Le lien avec l’IA est-il déjà largement identifié par les investisseurs ? |
| Diversification | Existe-t-il d’autres moteurs de demande indépendants de l’IA ? |
Un élément est volontairement absent :
la valorisation.
Elle vient ensuite.
Une pénurie peut être parfaitement réelle et constituer malgré tout un mauvais investissement si le marché a déjà intégré plusieurs années de croissance exceptionnelle dans les cours.
1. GPU : le premier goulet d’étranglement a déjà été découvert
La première grande contrainte du cycle concernait la puissance de calcul.
Les accélérateurs restent indispensables au développement de l’IA.
Mais le marché le sait désormais parfaitement.
Cela ne signifie pas que les leaders du secteur ne peuvent plus progresser.
Cela signifie simplement que le caractère indispensable des GPU n’est plus une information cachée.
2. Mémoire : une contrainte réelle, désormais identifiée
Un accélérateur extrêmement puissant doit pouvoir recevoir suffisamment rapidement les données nécessaires à ses calculs.
La mémoire à très haut débit est donc devenue un élément essentiel des architectures IA.
Mais cette contrainte est elle aussi désormais largement identifiée.
BlackRock inclut explicitement la mémoire parmi les ressources rares susceptibles de déterminer les opportunités liées à l’IA.
3. Réseaux informatiques, fibre et connectique
Faire fonctionner quelques GPU est un problème.
Faire travailler efficacement ensemble plusieurs dizaines de milliers d’accélérateurs en est un autre.
Cela nécessite des réseaux extrêmement rapides, de la fibre, des systèmes optiques avancés, des câbles et de la connectique.
La croissance structurelle est considérable, mais cette partie de la chaîne est désormais bien connue des investisseurs spécialisés dans l’IA.
4. Data centers : construire le bâtiment ne suffit plus
Les nouveaux data centers deviennent de véritables usines à calcul, avec des campus pouvant nécessiter plusieurs centaines de MW et certains projets annoncés atteignant l’échelle du GW.
Mais construire le bâtiment n’est qu’une partie du problème.
Pour devenir opérationnel, un data center doit réunir simultanément plusieurs conditions :
terrain, autorisations, refroidissement, équipements électriques, ressources de construction, capacité réseau et raccordement.
Cette dimension devient également financière.
En août 2026, Reuters rapportait que les prêteurs américains accordaient une attention croissante aux risques liés aux autorisations et à l’opposition locale. Au seul premier trimestre 2026, au moins 75 projets américains de data centers représentant environ 130 milliards de dollars auraient rencontré une opposition organisée.
La valeur d’un site dépend donc de plus en plus de ce qui existe autour de lui, et pas uniquement du bâtiment.
5. Refroidissement : l’électricité finit en chaleur
Plus la puissance de calcul augmente, plus la densité énergétique des racks progresse.
L’immense majorité de l’électricité consommée par les équipements informatiques doit finalement être évacuée sous forme de chaleur.
Le refroidissement devient donc un élément essentiel des nouvelles architectures, notamment avec l’augmentation des densités de puissance et le développement du refroidissement liquide.
Mais cette histoire n’est plus ignorée du marché.
Le lancement par VanEck de son Data Center Supply Chain ETF (RACK) en juin 2026 est révélateur. Sa stratégie cible les entreprises fournissant les semi-conducteurs, l’énergie, les systèmes de refroidissement et les équipements de réseau nécessaires au développement de l’infrastructure des data centers.
Wall Street descend donc progressivement dans les couches physiques de la chaîne de valeur de l’IA.
6. Équipements électriques : entre le réseau et le serveur
Entre une ligne haute tension et un serveur se trouve une quantité considérable d’équipements :
transformateurs, appareillages, alimentations sans interruption, jeux de barres, disjoncteurs, tableaux électriques, convertisseurs, câbles et connecteurs.
Un data center IA est donc autant une installation électrique qu’une installation informatique.
Cette partie de la chaîne possède surtout une caractéristique intéressante pour l’investisseur :
sa demande ne dépend pas uniquement de l’IA.
Les mêmes équipements sont nécessaires à l’industrie, aux renouvelables, au stockage, à l’électrification et à la modernisation générale des réseaux.
7. Transformateurs et câbles : l’offre industrielle ne suit pas le rythme du CAPEX
Nous arrivons ici à l’un des maillons les plus intéressants.
Le problème n’est pas simplement que l’IA nécessite davantage de transformateurs, de câbles et d’équipements électriques.
C’est que la capacité industrielle ne peut pas augmenter à la même vitesse que les budgets des hyperscalers.
Selon l’IEA, les délais moyens d’approvisionnement des câbles et des grands transformateurs de puissance ont presque doublé depuis 2021.
Certains câbles nécessitent désormais deux à trois ans.
Les grands transformateurs peuvent demander jusqu’à quatre ans.
Certains composants haute tension spécialisés nécessitent encore davantage de temps.
Augmenter l’offre exige des usines, des machines spécialisées, du cuivre, des aciers électriques et une main-d’œuvre qualifiée.
L’argent peut accélérer une commande. Il ne peut pas créer instantanément de nouvelles capacités industrielles.
Cette réflexion rejoint directement notre analyse du cuivre comme matière première stratégique.
Produire suffisamment d’électricité ne suffit pas
C’est probablement l’une des distinctions les plus importantes de cet article.
Un pays peut disposer de suffisamment de production électrique à l’échelle nationale et pourtant être incapable de raccorder un nouveau data center là où celui-ci souhaite s’installer.
La capacité de production n’est pas la capacité de raccordement.
Entre la centrale électrique et le data center se trouvent le réseau de transport, les postes électriques, les transformateurs, la distribution et les systèmes de protection.
Chaque élément possède ses propres limites.
La question n’est donc pas simplement :
Combien de GW supplémentaires peuvent être produits ?
Mais :
Combien de MW ou de GW peuvent réellement être acheminés jusqu’à ce site, avec quel niveau de fiabilité et dans quel délai ?
Le réseau compte autant que la production
Un MW disponible quelque part dans un système électrique n’a pas nécessairement la même valeur qu’un autre MW.
Pour un data center, il faut pouvoir recevoir cette puissance au point de raccordement choisi, avec un niveau de résilience compatible avec une infrastructure numérique critique.
La topologie locale du réseau devient alors importante.
Il serait cependant incorrect de résumer cette question par :
« États-Unis = radial / Chine = anneau ».
Les architectures diffèrent selon le niveau de tension, la région, l’opérateur et le site.
La bonne question est beaucoup plus précise :
Quel niveau de redondance, de capacité de transit et de reconfiguration existe au point où le data center souhaite se raccorder ?
C’est cette infrastructure locale — et non la capacité nationale théorique — qui détermine en grande partie la qualité du raccordement.
Le regard de l’ingénieur : tous les MW ne se valent pas
Sur une architecture radiale, la perte d’un élément situé en amont peut affecter les charges situées en aval jusqu’à l’isolement du défaut ou la réalimentation par une autre source.
Avec des architectures offrant plusieurs chemins d’alimentation, une partie du réseau peut au contraire être reconfigurée après un défaut.
Pour un développeur de data centers, la question n’est donc pas simplement :
« Puis-je obtenir 500 MW ? »
Elle devient :
« Puis-je obtenir 500 MW avec le niveau de redondance, de capacité de transit et de reconfiguration nécessaire après la perte d’un élément critique du réseau ? »
Deux sites disposant théoriquement de 500 MW peuvent ainsi présenter des caractéristiques opérationnelles très différentes.
Et cette différence technique devient une différence financière.
Obtenir la résilience recherchée peut nécessiter des renforcements du réseau, plusieurs arrivées électriques, des postes supplémentaires, davantage de transformateurs, du stockage ou une production de secours.
Cela signifie davantage de CAPEX.
Mais également davantage de temps.
La qualité du MW compte autant que sa quantité.
MW, GW et TWh : ne pas confondre puissance et énergie
Les annonces concernant les data centers utilisent souvent simultanément plusieurs unités.
Les MW et GW mesurent une puissance : ce qu’une installation peut produire ou consommer à un instant donné.
Les TWh mesurent une quantité d’énergie consommée sur une période.
La distinction est fondamentale.
Les dernières projections 2026 de l’IEA estiment que la consommation électrique mondiale des data centers pourrait atteindre environ 950 TWh en 2030, contre environ 485 TWh en 2025.
Mais un data center ne demande pas simplement une quantité annuelle d’énergie.
Il exige que plusieurs centaines de MW soient disponibles au moment où ils sont nécessaires, dans la région où il est implanté et à travers un réseau capable de les acheminer.
Un pays peut donc disposer d’une production annuelle d’électricité suffisante et rester incapable d’accueillir une nouvelle charge de 500 MW à un endroit précis.
Le goulet d’étranglement invisible : les compétences
C’est probablement l’une des dimensions les moins visibles dans les analyses financières du boom de l’IA.
Acheter tous les composants nécessaires ne construit pas un projet.
Entre plusieurs milliards de CAPEX et un actif opérationnel se trouvent des ingénieurs, des techniciens, des équipes de construction, des spécialistes haute tension, des automaticiens, des spécialistes des essais et de la mise en service, des planificateurs, des responsables contrats et des managers capables de coordonner des milliers d’interfaces.
Cette ressource est elle aussi contrainte.
L’IEA a interrogé plus de 700 entreprises du secteur énergétique, syndicats et organismes de formation dans son enquête sur l’emploi énergétique.
Plus de la moitié ont signalé des difficultés critiques de recrutement, particulièrement dans les métiers techniques appliqués tels que les électriciens, tuyauteurs, monteurs de lignes électriques et ingénieurs.
Cette contrainte partage une caractéristique importante avec les transformateurs :
elle ne peut pas être résolue simplement en allouant davantage de capital.
Une entreprise peut augmenter les salaires pour attirer les professionnels existants.
Elle ne peut pas créer plusieurs milliers d’électriciens expérimentés, d’ingénieurs réseau ou de spécialistes de mise en service en six mois.
Et les personnes capables de piloter efficacement de grands projets industriels complexes demandent encore davantage de temps à former.
La capacité d’exécution : commander les équipements ne suffit pas
Cette dimension mérite d’être considérée comme une catégorie de risque à part entière.
Un projet de data center ou d’infrastructure énergétique n’est pas simplement une liste d’achats.
Entre la décision d’investissement et la mise en service existe une véritable chaîne de delivery :
Ingénierie → autorisations → contractualisation → approvisionnements → construction → gestion des interfaces → raccordement → essais → mise sous tension → mise en service
Chaque étape peut devenir le chemin critique.
Le transformateur peut être disponible alors que le poste électrique ne l’est pas.
Le bâtiment peut être terminé alors que le raccordement est retardé.
Le réseau peut être disponible alors que les ressources nécessaires aux essais et à la mise en service ne le sont pas.
Le projet devient finalement opérationnel lorsque son dernier goulet d’étranglement critique a été résolu.
Et la conséquence financière est directe :
Retard → CAPEX supplémentaire → coûts de financement supplémentaires → revenus retardés → rendement du capital réduit
Pour un investisseur en infrastructures, la capacité d’exécution devrait donc être considérée comme une variable économique, et non comme un simple détail opérationnel.
CAPEX annoncé → actif opérationnel n’est pas une simple conversion financière. C’est un processus industriel.
Électricité : la contrainte physique fondamentale
Au bout de la chaîne se trouve toujours la même ressource :
l’électricité.
Les dernières projections de l’IEA anticipent un quasi-doublement de la consommation électrique mondiale des data centers entre 2025 et 2030, pour atteindre environ 950 TWh.
L’IA est donc déjà devenue un sujet énergétique.
La question n’est plus de savoir si elle nécessitera beaucoup plus d’électricité.
Elle devient :
Où peut-on ajouter suffisamment de production, à quelle vitesse, et comment cette électricité pourra-t-elle être acheminée jusqu’aux data centers qui en ont besoin ?
Quelle énergie alimentera réellement l’IA ?
On associe parfois automatiquement le boom de l’IA au nucléaire.
Le raisonnement est compréhensible : les data centers ont besoin de grandes quantités d’électricité disponible de manière fiable.
Mais la réalité devrait être beaucoup plus diversifiée.
Selon les régions, l’économie des projets et les délais de développement, les renouvelables, le stockage, le gaz naturel, le nucléaire et le renforcement des réseaux peuvent tous jouer des rôles différents.
La demande électrique liée à l’IA ne constitue donc pas nécessairement un pari sur une technologie énergétique unique.
Elle peut être comprise plus largement comme :
une augmentation structurelle de la valeur d’une puissance électrique disponible, fiable et réellement acheminable.
Gaz naturel : un bénéficiaire moins évident
Le gaz possède un avantage important aux États-Unis :
une grande partie de l’infrastructure nécessaire existe déjà.
Production domestique, pipelines, stockage et technologies de production électrique peuvent permettre de fournir une puissance pilotable dans des délais difficiles à égaler pour certaines alternatives.
Mais il faut formuler correctement la thèse :
L’IA n’a pas besoin de gaz. Elle a besoin d’électricité fiable pouvant être déployée suffisamment rapidement.
Le gaz constitue simplement l’une des solutions susceptibles de répondre à cette contrainte dans certaines régions.
Nucléaire et uranium : excellente histoire, mais moins cachée
Le nucléaire répond bien à plusieurs besoins des grands data centers :
échelle, forte disponibilité, production ferme et faibles émissions opérationnelles de carbone.
Il paraît donc logique que le secteur technologique cherche à sécuriser davantage de production nucléaire.
Mais cette histoire est désormais largement identifiée par les investisseurs.
Le nucléaire peut rester un bénéficiaire structurel de l’augmentation de la demande électrique sans pour autant constituer une opportunité ignorée du marché.
Encore une fois :
Une excellente histoire économique et un excellent investissement au prix actuel ne sont pas nécessairement la même chose.
Cuivre : le dénominateur commun
Nous retrouvons finalement le point de départ de cette série consacrée au supercycle des matières premières.
Presque toutes les infrastructures étudiées utilisent du cuivre :
data centers, transformateurs, câbles, postes électriques, réseaux, centrales, moteurs, renouvelables et stockage.
L’IA n’est donc pas la raison unique de s’intéresser au cuivre.
Elle constitue une nouvelle source de demande venant s’ajouter à plusieurs transformations structurelles déjà engagées.
C’est ce qui rend cette exposition différente d’un pur pari IA.
Même si certaines prévisions sur l’intelligence artificielle se révèlent trop optimistes, les réseaux doivent être modernisés.
Même si certains data centers ne sont jamais construits, l’électrification se poursuit.
Et même si une entreprise technologique perd la course à l’IA, le cuivre déjà installé dans le réseau reste nécessaire.
Où se trouvent aujourd’hui les contraintes les plus intéressantes ?
Ce tableau n’a pas pour objectif de classer des investissements.
Il permet d’identifier les domaines dans lesquels une analyse plus approfondie peut être utile.
| Maillon | Demande IA | Offre rapidement extensible ? | Difficulté d’exécution | Autres moteurs | Maturité du thème |
| GPU | Très forte | Moyenne | Moyenne | Moyens | Très élevée |
| Mémoire | Très forte | Faible | Moyenne | Forts | Élevée |
| Réseaux informatiques | Forte | Moyenne | Moyenne | Forts | Élevée |
| Data centers | Très forte | Moyenne | Forte localement | Forts | Élevée |
| Refroidissement | Très forte | Moyenne | Moyenne | Forts | Élevée |
| Équipements électriques | Forte | Faible à moyenne | Moyenne | Très forts | Intermédiaire à élevée |
| Transformateurs | Forte | Faible | Forte | Très forts | Intermédiaire |
| Réseau électrique | Forte | Très faible | Très forte | Très forts | Intermédiaire |
| Production électrique | Très forte | Variable | Forte | Très forts | Variable |
| Gaz | Indirecte | Moyenne | Moyenne | Très forts | Faible comme thème IA |
| Nucléaire | Indirecte | Très faible | Très forte | Forts | Élevée |
| Cuivre | Indirecte | Très faible à court terme | Forte | Très forts | Intermédiaire |
| Compétences techniques | Transversale | Faible | Critique | Très forts | Faible comme thème IA |
| Management / delivery | Transversale | Faible | Critique | Très forts | Encore relativement peu présent dans le narratif IA |
Le point essentiel n’est pas que les dernières lignes constituent automatiquement de meilleurs investissements.
Elles indiquent simplement que les couches physiques et la capacité d’exécution pourraient mériter davantage d’attention qu’elles n’en reçoivent actuellement dans le narratif dominant autour de l’IA.
BlackRock et VanEck : le capital commence déjà à suivre les contraintes
C’est probablement l’un des éléments les plus intéressants de cette recherche.
BlackRock identifie l’électricité, la mémoire, les puces et les data centers parmi les ressources rares susceptibles de déterminer les opportunités d’investissement liées à l’IA, tout en soulignant également l’augmentation de la demande pour les réseaux électriques.
Le changement de perspective est important.
La question passe progressivement de :
Qui développera le meilleur modèle ?
à :
Quelles ressources rares seront nécessaires à tous les modèles ?
La stratégie de VanEck RACK suit une logique complémentaire en Bourse : elle cible les entreprises fournissant les semi-conducteurs, l’énergie, le refroidissement et les équipements de réseau nécessaires au développement des data centers.
Cela ne signifie évidemment pas que BlackRock ou VanEck ont nécessairement raison.
Mais cela montre quelque chose d’important :
Le centre de gravité du thème IA commence à se déplacer de ceux qui dépensent le CAPEX vers les entreprises et les actifs nécessaires pour le déployer physiquement.
Une dimension reste toutefois beaucoup moins facile à capturer dans un simple portefeuille d’actions :
la capacité d’exécution elle-même.
L’IA devient aussi une histoire de financement d’infrastructures
L’évolution dépasse désormais les marchés actions.
En août 2026, Nvidia a annoncé des partenariats avec Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR afin de créer des plateformes de financement destinées à mobiliser plus de 500 milliards de dollars de capitaux tiers pour les infrastructures de calcul liées à l’IA.
C’est une évolution remarquable.
Le boom de l’IA commence à ressembler de plus en plus au financement de grands actifs d’infrastructure :
data centers, équipements physiques, engagements d’utilisation à long terme, dette, financement adossé aux actifs et infrastructures générant des flux de trésorerie sur de longues périodes.
La question d’investissement évolue donc à nouveau.
Elle n’est plus simplement :
Quelle action faut-il acheter ?
Elle devient également :
Qui finance l’infrastructure ? Qui possède l’actif ? Qui porte le risque d’exécution ? Et qui capte finalement les flux de trésorerie ?
Pour les investisseurs en infrastructures et en marchés privés, cette évolution pourrait constituer l’un des développements les plus importants de la prochaine phase du cycle IA.
Les indicateurs que je surveillerais désormais
Si cette thèse est correcte, il faudra progressivement consacrer moins de temps à compter les nouveaux modèles d’IA et davantage à observer comment le capital se transforme réellement en infrastructures opérationnelles.
Je surveillerais particulièrement sept indicateurs :
- Les CAPEX des hyperscalers — non seulement leur montant, mais leur rythme de croissance et les rendements qu’ils produisent.
- Les GW ayant réellement progressé — annoncés, autorisés, financés, en construction, raccordés, mis en service et opérationnels.
- Les MW et GW disponibles localement — pas la capacité nationale, mais celle réellement disponible au point de raccordement.
- La qualité de ces MW — redondance, résilience, capacité de reconfiguration et renforcements nécessaires.
- Les délais des équipements critiques — transformateurs, câbles, appareillages, turbines et autres équipements essentiels.
- Les files d’attente de raccordement — en distinguant soigneusement les projets de production, de stockage et les nouvelles charges.
- Les compétences et la capacité d’exécution — recrutements spécialisés, inflation salariale, disponibilité des entreprises, ressources de mise en service et glissements de planning.
On peut finalement résumer la thèse par une chaîne :
CAPEX → GW annoncés → GW financés → GW construits → GW raccordés → GW fiables → GW mis en service → revenus → rendement du capital
À chaque transition existe un risque de retard, de coût supplémentaire ou d’abandon.
Qu’est-ce qui pourrait invalider cette thèse ?
Une bonne thèse d’investissement doit également préciser ce qui pourrait la rendre fausse.
Une baisse durable des CAPEX des hyperscalers constituerait probablement le premier signal d’alerte, notamment si les revenus générés par l’IA ne justifiaient plus les niveaux d’investissement actuels.
Une amélioration beaucoup plus rapide que prévu de l’efficacité énergétique des modèles et des équipements pourrait également réduire les besoins électriques anticipés.
La thèse serait aussi fragilisée par une expansion suffisamment rapide des capacités industrielles de production de transformateurs, de câbles et d’équipements électriques pour faire disparaître les contraintes actuelles.
Une accélération significative des raccordements et du développement des réseaux constituerait un autre signal.
Enfin, il faudrait surveiller une augmentation durable des annulations de projets ou l’apparition de capacités de data centers structurellement sous-utilisées.
La thèse ne suppose donc pas que les goulets d’étranglement seront permanents. Elle suppose qu’ils dureront suffisamment longtemps pour provoquer plusieurs années d’investissements supplémentaires et transférer une partie de la valeur vers ceux capables de les résoudre.
Goulet d’étranglement ne veut pas dire action bon marché
C’est probablement la distinction la plus importante de cet article.
Une pénurie de transformateurs ne signifie pas automatiquement que leurs fabricants sont sous-évalués.
Des centaines de milliards de dollars d’investissements nécessaires dans les réseaux ne rendent pas automatiquement toutes les entreprises d’équipements électriques attractives.
Et une demande structurelle de cuivre ne signifie pas que toutes les sociétés minières constituent de bons investissements.
Cette analyse indique où chercher.
Il faut ensuite déterminer :
quelle est l’exposition réelle de l’entreprise à la contrainte ;
quelle capacité supplémentaire elle peut développer ;
quelles marges elle peut réaliser ;
si ces marges sont durables ;
quelle concurrence peut apparaître ;
combien de capital est nécessaire pour augmenter la production ;
et quelle croissance est déjà intégrée dans le cours.
Finalement :
Quel prix l’investisseur doit-il payer aujourd’hui pour cette croissance future ?
C’est seulement à cette étape qu’un thème structurel peut devenir une véritable thèse d’investissement.
Conclusion : la prochaine course pourrait être celle de la capacité d’exécution
La première phase du boom de l’intelligence artificielle a été dominée par les modèles et les semi-conducteurs.
La suivante pourrait être beaucoup plus physique.
Les centaines de milliards de dollars de CAPEX doivent devenir des data centers.
Ces data centers deviennent des centaines de MW, puis des GW de nouvelle demande électrique.
Cette puissance doit être produite et acheminée.
Le réseau doit disposer de suffisamment de capacité et de résilience.
Les transformateurs, les câbles et les équipements électriques doivent être disponibles.
Les matières premières doivent être produites.
Et l’ensemble doit être conçu, approvisionné, construit, intégré, testé et mis en service par des personnes possédant les compétences nécessaires.
Il existe alors une asymétrie fondamentale.
Le capital peut être mobilisé en quelques mois.
Certaines capacités industrielles demandent plusieurs années.
Les infrastructures de réseau peuvent demander encore davantage de temps.
Et l’expérience nécessaire pour délivrer simultanément des centaines de projets complexes ne peut pas être créée instantanément.
C’est cette asymétrie qui constitue le cœur de la thèse :
Le capital peut être mobilisé rapidement. Les équipements, les réseaux et les compétences nécessaires pour le transformer en capacité opérationnelle beaucoup moins.
Pour l’investisseur, la question n’est donc probablement plus seulement de savoir qui gagnera la course à l’intelligence artificielle.
Elle devient :
Où les centaines de milliards de dollars de CAPEX vont-ils réellement être dépensés ? Quels goulets d’étranglement empêcheront ce capital de devenir des actifs opérationnels ? Et quelles entreprises disposent des capacités industrielles, techniques et humaines permettant de résoudre ces contraintes ?
L’intelligence artificielle est une révolution informatique.
Mais pour transformer réellement l’économie, elle doit d’abord être construite, alimentée, raccordée et délivrée dans le monde physique.
La prochaine phase du boom de l’IA pourrait donc être moins une course au capital qu’une course à la capacité d’exécution.
Sources principales
- International Energy Agency — Key Questions on Energy and AI, 2026
- International Energy Agency — Building the Future Transmission Grid
- International Energy Agency — World Energy Employment 2025
- Lawrence Berkeley National Laboratory — Queued Up: 2026 Edition
- BlackRock Investment Institute — 2026 Midyear Global Investment Outlook
- VanEck — Data Center Supply Chain ETF (RACK)
- Reuters — dépenses d’investissement des hyperscalers, financement des infrastructures IA et développement des data centers américains
Données et sources vérifiées au 17 août 2026. Cet article présente une analyse économique et financière générale et ne constitue pas un conseil personnalisé en investissement.
Laisser un commentaire