Jusqu’ici, plus de calcul a généralement produit de meilleures IA

Le développement de l’IA moderne est étroitement lié à l’augmentation de la puissance de calcul disponible.

Selon Epoch AI, le calcul utilisé pour entraîner les modèles de langage situés à la frontière technologique a augmenté d’environ cinq fois par an depuis 2020. Sur la même période, leur coût d’entraînement aurait progressé d’environ 3,5 fois par an.

Cette stratégie fonctionne grâce aux « lois d’échelle » : lorsqu’on augmente les données, la taille des modèles et le calcul consacré à leur entraînement, leurs performances ont historiquement continué à progresser.

Mais ces lois impliquent également des rendements décroissants. Chaque amélioration supplémentaire peut exiger une augmentation beaucoup plus importante des ressources.

Doubler la puissance de calcul ne signifie donc pas doubler l’intelligence du système.

Le premier plafond pourrait être financier

Avant même de rencontrer une limite physique, l’IA pourrait rencontrer une limite économique.

Les modèles les plus avancés nécessitent désormais des infrastructures de plusieurs centaines de millions de dollars. Le Stanford AI Index estimait par exemple le coût d’entraînement de GPT-4 autour de 79 millions de dollars, celui de Llama 3.1 405B autour de 170 millions et celui de Gemini 1.0 Ultra autour de 192 millions.

Epoch AI estime que la tendance historique des coûts pourrait conduire les plus grands entraînements à dépasser le milliard de dollars.

À cela s’ajoutent les bâtiments, les processeurs, le refroidissement et les réseaux électriques. L’Agence internationale de l’énergie indique que les dépenses d’investissement de cinq grandes entreprises technologiques ont dépassé 400 milliards de dollars en 2025 et devraient encore fortement progresser en 2026.

La question devient donc autant économique que technologique : combien d’entreprises pourront encore financer la prochaine génération ?

Si multiplier les dépenses par dix n’apporte qu’une amélioration marginale, le marché pourrait décider du plafond avant la physique.

L’électricité devient une contrainte stratégique

Le deuxième obstacle est énergétique.

Selon l’AIE, les data centers ont consommé environ 485 TWh d’électricité en 2025. Cette consommation pourrait presque doubler pour atteindre environ 950 TWh en 2030, soit près de 3 % de la demande mondiale d’électricité. La consommation des centres spécifiquement dédiés à l’IA progresserait encore plus rapidement.

À l’échelle mondiale, cela ne signifie pas que l’électricité va manquer. Le problème est surtout local.

Un grand data center d’IA peut demander une puissance comparable à celle d’une installation industrielle. Il faut construire les lignes, les postes électriques et les moyens de production capables de lui fournir cette énergie en permanence.

L’AIE observe déjà des goulets d’étranglement dans les réseaux électriques, les équipements et certaines chaînes d’approvisionnement.

Le plafond de calcul pourrait donc prendre une forme très concrète : disposer de milliards de dollars et de milliers de GPU, mais attendre plusieurs années avant de pouvoir raccorder le data center qui doit les alimenter.

On ne peut pas ajouter des GPU indéfiniment

Les processeurs eux-mêmes imposent une autre contrainte.

Pendant des décennies, l’industrie informatique a bénéficié de la miniaturisation des transistors. Mais continuer à réduire leur taille devient de plus en plus complexe. Les progrès passent désormais aussi par de nouvelles architectures, des mémoires plus rapides, l’empilement de composants et des puces spécialement conçues pour l’IA.

Il existe surtout un problème de coordination.

Un modèle entraîné sur 100 000 processeurs ne bénéficie pas automatiquement de cent fois les performances d’un système utilisant 1 000 processeurs. Les machines doivent constamment échanger des informations. La bande passante, la mémoire, les interconnexions et la chaleur deviennent alors des facteurs limitants.

Epoch AI estime que la croissance historique du calcul à la frontière a principalement été obtenue en utilisant davantage de processeurs simultanément. Mais les durées d’entraînement, déjà mesurées en mois, ne peuvent probablement pas s’allonger au même rythme indéfiniment.

Plus un cluster devient gigantesque, plus chaque extension devient difficile et coûteuse.

Les données peuvent également devenir un plafond

Une puissance de calcul gigantesque ne sert à rien sans informations pertinentes pour entraîner le modèle.

Les grands modèles ont déjà absorbé une part considérable des textes, images, vidéos et codes accessibles sur Internet. La quantité de données humaines de haute qualité n’est pas infinie.

Mais là encore, l’industrie cherche à déplacer la limite.

Les laboratoires utilisent davantage de données synthétiques produites par des IA, de simulations, de données spécialisées et de méthodes d’apprentissage post-entraînement. Le progrès ne repose donc plus exclusivement sur l’augmentation brute de la taille des jeux de données.

Lorsqu’une ressource devient rare, la recherche tente de rendre chaque unité de calcul plus utile.

L’efficacité peut repousser le mur

C’est l’une des raisons pour lesquelles parler d’un plafond fixe est trompeur.

Epoch AI estime que l’efficacité logicielle de la préformation progresse actuellement d’environ trois fois par an : une quantité identique de calcul peut donc produire, au fil des progrès algorithmiques, de meilleures performances.

Le même phénomène existe lors de l’utilisation des modèles.

Une étude publiée en 2026 dans la revue Joule estime qu’une requête standard sur une infrastructure optimisée de pointe consomme autour de 0,31 Wh en valeur médiane. Les requêtes longues impliquant davantage de raisonnement peuvent cependant consommer environ treize fois plus. Les chercheurs estiment parallèlement que les progrès des modèles, du matériel et des systèmes pourraient réduire de huit à vingt fois l’énergie nécessaire par requête.

Une IA peut donc devenir beaucoup plus efficace sans nécessiter proportionnellement davantage de ressources.

Mais cela crée un paradoxe : si une requête consomme dix fois moins d’énergie mais que le nombre de requêtes est multiplié par cent, la consommation totale continue d’augmenter.

L’efficacité repousse alors le plafond tout en encourageant davantage d’usage.

L’IA peut aussi utiliser davantage de calcul pour « réfléchir »

La prochaine étape ne consiste d’ailleurs plus seulement à entraîner des modèles toujours plus grands.

Les systèmes récents peuvent utiliser davantage de calcul au moment de répondre : générer plusieurs solutions, vérifier certaines étapes, utiliser des outils ou consacrer plus de temps aux problèmes complexes.

Cette approche, souvent appelée test-time compute, permet d’améliorer certaines performances sans augmenter nécessairement dans les mêmes proportions la taille du modèle.

Mais elle déplace une partie de la consommation de l’entraînement vers l’utilisation quotidienne.

Une IA utilisée occasionnellement comme chatbot n’a pas le même impact qu’un milliard d’agents travaillant continuellement, écrivant du code, analysant des données et exécutant des tâches pendant plusieurs heures.

Le plafond de demain pourrait donc concerner autant l’inférence que l’entraînement.

Existe-t-il malgré tout une limite absolue ?

Physiquement, oui.

Aucune machine ne peut disposer d’une quantité infinie d’énergie, de matière, de mémoire ou de processeurs. La miniaturisation des composants possède également des limites fondamentales.

Mais rien ne permet aujourd’hui d’affirmer que l’IA approche d’un mur physique définitif.

Les contraintes des prochaines années seront probablement beaucoup plus ordinaires : disponibilité de l’électricité, fabrication des processeurs, construction des data centers, coût du capital et rendement des investissements.

Le plafond le plus important pourrait même être économique : le moment où davantage de calcul coûtera plus cher que la valeur supplémentaire qu’il permettra de créer.

Et l’histoire de l’informatique montre que lorsqu’une voie atteint ses limites, l’industrie en cherche généralement une autre : nouveaux processeurs, meilleurs algorithmes, modèles spécialisés, données synthétiques ou architectures différentes.

L’IA rencontrera donc presque certainement des murs.

La véritable inconnue est de savoir si l’un d’eux arrêtera durablement sa progression ou s’il obligera simplement les chercheurs à cesser de construire des modèles toujours plus gros pour apprendre à construire des modèles plus efficaces.