Résumé exécutif
L'infrastructure électrique mondiale est en train de devenir le principal goulot d'étranglement de la croissance de l'intelligence artificielle. Les délais de livraison des transformateurs électriques sont passés de 24-30 mois avant 2020 à jusqu'à 5 ans en 2026. Les États-Unis importent environ 80% de leurs transformateurs, et un déficit de 30% est projeté pour les transformateurs de distribution d'ici 2025. Conséquence directe : environ 140 projets de data centers américains prévus pour 2026, représentant environ 12 GW de capacité, sont menacés de retards significatifs.
Dans ce contexte de tension physique sur la chaîne d'approvisionnement, l'annonce du partenariat entre Nvidia et d-Matrix prend une dimension particulière. d-Matrix, fondée en 2019 et valorisée 2 milliards de dollars après une levée de 275 millions, développe l'accélérateur Corsair, un chip d'inférence qui utilise le calcul en mémoire (in-memory computing) et supprime la coûteuse mémoire HBM. Nvidia, leader incontesté du training avec ses GPU H100 et B200, aurait pu ignorer ou tenter d'écraser cette startup. Elle a choisi de s'allier. Ce « frenemy playbook » révèle une vérité que le marché commence seulement à intégrer : l'inférence, et non le training, est désormais le centre de gravité économique de l'IA.
La convergence de ces deux dynamiques, la contrainte physique des transformateurs électriques et le pivot stratégique de Nvidia vers l'inférence, dessine une nouvelle carte du pouvoir dans l'industrie de l'IA. Les gagnants ne seront pas nécessairement ceux qui entraînent les plus gros modèles, mais ceux qui maîtrisent à la fois l'accès à l'énergie et l'efficacité de l'inférence.
Les faits
- Les transformateurs électriques, inventés dans les années 1880, sont devenus le principal goulot d'étranglement pour l'infrastructure IA. Les délais de livraison sont passés de 24-30 mois (pré-2020) à jusqu'à 5 ans en 2026. (source : CryptoBriefing / Financial Times, juillet 2026)
- Les États-Unis importent environ 80% de leurs transformateurs électriques. Un déficit de 30% est projeté pour les transformateurs de distribution d'ici 2025. La demande a bondi de +119% depuis 2019. (source : CryptoBriefing / Financial Times)
- Environ 140 projets de data centers américains prévus pour 2026 (représentant ~12 GW de capacité) sont menacés de retards dus à la pénurie de transformateurs. La capacité mondiale des data centers est projetée à 220 GW d'ici 2030, soit 6 fois le niveau de 2020. (source : CryptoBriefing / Financial Times)
- Nvidia s'associe à d-Matrix pour un système d'inférence conjoint. L'accélérateur Corsair de d-Matrix utilise le calcul en mémoire (in-memory computing) et supprime la mémoire HBM, coûteuse et gourmande en énergie. d-Matrix a levé 275M$ pour une valorisation de 2 milliards de dollars. (source : The Next Web, juillet 2026)
- d-Matrix revendique une génération de tokens 10x plus rapide couplée à des GPU, pour un tiers du coût et jusqu'à 5x moins d'énergie. Premier client : Parasail (firme de cloud IA), système attendu en ligne fin 2026. (source : The Next Web)
- Yuji Sugimoto (Bain Capital, architecte du deal Kioxia) : « Dans les semi-conducteurs, si vous ne pouvez pas vous engager, vous prenez du retard et c'est game over. » L'action Kioxia a grimpé de 4000% depuis son introduction en bourse en décembre 2024. Bain a intégralement sorti sa participation. (source : Business Insider, juillet 2026)
- Les livraisons mondiales de PC ont chuté de 4,8% à 68,2 millions d'unités au T2 2026, première baisse en 2 ans après 9 trimestres consécutifs de croissance. Cause : la pénurie de mémoire liée à l'IA, attendue jusqu'en 2028. Seule Apple a augmenté ses livraisons (+800K unités) grâce au MacBook Neo. (source : Engadget, juillet 2026)
Analyse stratégique
1. Le goulot d'étranglement du transformateur : pourquoi les lead times explosent
Le transformateur électrique est un objet industriel d'une simplicité trompeuse : un noyau de fer laminé, des enroulements de cuivre, de l'huile isolante. Et pourtant, sa production est devenue l'un des segments les plus contraints de l'économie mondiale. Les raisons sont multiples et s'auto-alimentent. Premièrement, la fabrication d'un transformateur de puissance est un processus largement artisanal qui ne se prête pas à l'automatisation : chaque unité est construite sur commande par des techniciens hautement qualifiés, une main-d'œuvre en déclin démographique. Deuxièmement, les matières premières critiques, notamment l'acier électrique à grains orientés (GOES) et le cuivre, sont elles-mêmes en tension structurelle. Troisièmement, la demande a explosé simultanément sur trois fronts : les data centers IA, l'électrification des transports, et le minage de Bitcoin.
Le chiffre le plus parlant est celui de la dépendance américaine : 80% des transformateurs sont importés, principalement d'Asie et d'Europe. Dans un monde où les chaînes d'approvisionnement sont devenues des armes géopolitiques, cette dépendance est une vulnérabilité stratégique majeure. Une usine de transformateurs met 3 à 5 ans à monter en cadence. Les capacités de production américaines sont structurellement insuffisantes face à une demande qui a bondi de 119% depuis 2019. Et contrairement aux puces électroniques, il n'existe pas de « loi de Moore » pour les transformateurs électriques : la physique de l'électromagnétisme n'a pas changé depuis Nikola Tesla.
2. Le « frenemy playbook » de Nvidia : pourquoi s'allier à un rival plutôt que l'écraser
Nvidia a bâti sa domination sur une stratégie d'intégration verticale implacable : GPU, interconnexion NVLink, logiciel CUDA, networking Spectrum. Tout ce qui touche au calcul accéléré passe par Nvidia, et les startups qui s'en approchent sont généralement écrasées ou acquises. L'alliance avec d-Matrix brise ce pattern pour une raison simple : l'inférence n'est pas le training.
Le training d'un grand modèle de langage est un événement ponctuel, un sprint massif en calcul parallèle où les GPU H100/B200 de Nvidia règnent sans partage. L'inférence, en revanche, est un marathon perpétuel : chaque requête ChatGPT, chaque prompt Midjourney, chaque token généré consomme du calcul en continu. Les data centers d'inférence tournent 24h/24, 7j/7, et leur facture énergétique explose. C'est là que l'architecture de d-Matrix entre en jeu : son Corsair place le calcul directement dans la mémoire, éliminant le goulet d'étranglement du transfert de données entre puce et mémoire HBM. Le résultat annoncé est radical : 10x plus de tokens par seconde, un tiers du coût, jusqu'à 5x moins d'énergie.
Pour Nvidia, le calcul est le suivant : si l'inférence devient le marché dominant, comme tous les indicateurs le suggèrent, une architecture spécialisée finira par émerger. Soit Nvidia la contrôle, via un partenariat stratégique avec d-Matrix, soit elle la subit, via un concurrent qui déploiera à grande échelle. Le « frenemy playbook » est une couverture de risque, un hedge stratégique contre l'hypothèse que les GPU généralistes ne sont pas la réponse optimale à l'inférence de masse. C'est aussi un signal que Nvidia reconnaît implicitement la thèse de ses propres challengers : le marché de l'IA est en train de basculer du training vers l'inférence.
3. L'effet domino de la chaîne mémoire : de Kioxia à votre MacBook
Dans les semi-conducteurs, la mémoire est le nerf de la guerre. La déclaration de Yuji Sugimoto, le dealmaker de Bain Capital qui a piloté l'introduction en bourse de Kioxia, est sans équivoque : « Dans les semi-conducteurs, si vous ne pouvez pas vous engager, vous prenez du retard et c'est game over. » Kioxia a vu son action grimper de 4000% depuis décembre 2024. Samsung et SK Hynix, les géants coréens de la mémoire, bénéficient d'un avantage de gouvernance sur leurs rivaux japonais : leur structure de décision leur permet d'engager des capitaux massifs sur des cycles longs sans être paralysés par le court-termisme des actionnaires.
La conséquence de cette course à la mémoire se fait sentir jusqu'au marché grand public. Les livraisons de PC ont chuté de 4,8% au deuxième trimestre 2026, première baisse en deux ans. La cause n'est pas un effondrement de la demande, mais une pénurie de mémoire directement liée à l'IA. Les fabricants de HBM (High Bandwidth Memory) ont alloué l'essentiel de leur capacité aux data centers, asséchant l'approvisionnement pour les PC. IDC prévoit que cette pénurie durera jusqu'en 2028. Apple est la seule entreprise à avoir augmenté ses livraisons (+800 000 unités), grâce au MacBook Neo, mais au prix d'une hausse de 100$ du prix d'entrée. Tim Cook l'a dit sans détour : « Nous avons absolument besoin que les prix et l'approvisionnement en mémoire reviennent à des niveaux raisonnables. »
4. L'inférence est le nouveau centre de gravité économique de l'IA
Pendant trois ans, l'industrie de l'IA a été obsédée par le training : qui entraîne le plus gros modèle, avec le plus de paramètres, sur le plus de GPU. Cette course a fait la fortune de Nvidia. Mais elle masquait une réalité économique fondamentale : le training est un coût fixe, l'inférence est un coût récurrent. Une fois un modèle entraîné, chaque utilisateur qui lui parle, chaque document qu'il résume, chaque image qu'il génère consomme de l'inférence. Et la facture s'accumule indéfiniment.
C'est cette réalité qui explique le partenariat Nvidia-d-Matrix. d-Matrix revendique une efficacité d'inférence radicalement supérieure : 10x plus de tokens par seconde, 1/3 du coût, 5x moins d'énergie. Si ces chiffres se confirment à l'échelle, l'économie de l'inférence change de dimension. Un déploiement qui coûtait 100 millions de dollars par an en électricité et matériel tombe à 20 millions. La marge se déplace. Le premier client, Parasail, une firme de cloud IA, prévoit un déploiement opérationnel fin 2026. Si ce cas d'usage valide les promesses, le partenariat Nvidia-d-Matrix pourrait redéfinir la stack d'inférence pour la décennie à venir. Et la boucle se referme avec la question des transformateurs : chaque watt économisé à l'inférence est un watt qui n'a pas besoin de passer par un transformateur qui n'existe pas encore.
Impact business et sectoriel
Pour les opérateurs de data centers, la pénurie de transformateurs n'est pas une contrainte temporaire : c'est un risque stratégique existentiel. Un projet de 500 MW qui attend son transformateur pendant 4 ans est un projet qui brûle du capital sans générer de revenus. Les entreprises qui possèdent déjà des infrastructures électriques, y compris des transformateurs installés, détiennent un actif stratégique de plus en plus rare. Cette asymétrie pourrait accélérer la consolidation du marché des data centers autour des acteurs historiques disposant de droits de tirage électriques préexistants.
Pour les investisseurs en capital-risque et private equity, le partenariat Nvidia-d-Matrix valide la thèse de l'inférence comme segment d'investissement distinct du training. Les startups qui développent des architectures d'inférence spécialisées, en particulier celles qui réduisent la consommation énergétique, pourraient voir leurs valorisations réévaluées à la hausse. La pénurie de mémoire et la flambée de Kioxia (+4000%) signalent par ailleurs que les goulots d'étranglement de la chaîne d'approvisionnement semi-conducteurs sont eux-mêmes des opportunités d'investissement massives.
Pour les DSI et les entreprises utilisatrices d'IA, la convergence de ces tendances a une implication directe : le coût de l'inférence pourrait baisser significativement d'ici 2027-2028 si les architectures comme Corsair tiennent leurs promesses. Mais cette baisse est conditionnée à la résolution de la pénurie de transformateurs électriques. Si les data centers ne peuvent pas être construits assez vite, les gains d'efficacité des puces ne se traduiront pas en baisse de coûts pour les clients finaux. Le goulot d'étranglement n'est plus le silicium. Il est l'acier et le cuivre.
Ce qu'il faut retenir
Le transformateur électrique, une technologie de 1880, est devenu le goulot d'étranglement le plus sous-estimé de l'intelligence artificielle. Des délais de livraison qui explosent de 2 à 5 ans, 140 projets de data centers menacés, et une dépendance américaine à 80% des importations : l'infrastructure IA se heurte à une contrainte physique que ni la loi de Moore ni les levées de fonds ne peuvent résoudre. Pendant ce temps, Nvidia, le fournisseur d'armes de la révolution IA, change de stratégie. Son alliance avec d-Matrix n'est pas un partenariat technique anodin : c'est la reconnaissance que le centre de gravité du marché se déplace du training vers l'inférence, et que la domination des GPU généralistes n'est pas éternelle.
La troisième pièce du puzzle est la chaîne mémoire. De Kioxia (+4000% en bourse depuis décembre 2024) à la chute des livraisons de PC, en passant par l'avertissement de Tim Cook, le message est clair : la demande de mémoire pour l'IA assèche toutes les autres filières. Cette pénurie est attendue jusqu'en 2028. Elle crée des gagnants (Samsung, SK Hynix, Kioxia) et des perdants (les fabricants de PC, les consommateurs), mais surtout elle signale que la croissance de l'IA n'est pas illimitée : elle se heurte à des murs physiques, électriques et matériels bien réels.
La leçon stratégique de cette convergence est que la prochaine phase de la compétition IA ne se jouera pas sur les benchmarks de modèles, mais sur trois facteurs : l'accès à l'énergie électrique, l'efficacité de l'inférence, et la sécurisation de la chaîne d'approvisionnement en mémoire. Les acteurs qui maîtriseront ces trois leviers, et non ceux qui entraîneront le plus gros modèle, domineront la décennie. Le partenariat Nvidia-d-Matrix est le premier signal de cette nouvelle ère. Le transformateur électrique en est le rappel le plus ironique : la technologie la plus avancée du XXIe siècle dépend d'une invention du XIXe.
