Infrastructure IA : la facture qui va doubler ou tripler d’ici 2030

Le chiffre tombe sec dans l’analyse publiée fin avril 2026 ^[1] par McKinsey ^[2]: les dépenses d’infrastructure IT pourraient atteindre deux à trois fois leur niveau actuel d’ici 2030 ^[3]. Une fourchette large, qui recouvre deux mondes très différents - et dont l’arbitrage dépendra de variables que les directions techniques doivent commencer à modéliser dès aujourd’hui. La quasi-totalité des entreprises affirme utiliser l’IA, mais seulement 1 % se disent vraiment à l’échelle ^[4][5], selon Michael Chui ^[6], senior fellow chez McKinsey.

LES ENJEUX

Une facture qui pourrait doubler ou tripler en cinq ans

McKinsey projette des dépenses d'infrastructure IT deux à trois fois supérieures à leur niveau actuel d'ici 2030. L'arbitrage x2/x3 dépendra du rythme de scaling, de la sous-estimation initiale et de l'efficience des modèles.

Le fossé pilote/déploiement

62 % des organisations pilotent des agents IA mais moins de 10 % les déploient à l'échelle. Le frein n'est pas technique mais organisationnel: silos finance/IT/métiers et environnements hybrides.

FinOps devient stratégique

98 % des pratiques FinOps gèrent désormais les dépenses IA en 2026. Sans alignement finance/ingénierie, l'IA risque de devenir un passif financier selon IDC.

Le ROI sous pression

Microsoft a perdu 400 milliards de capitalisation après l'annonce de capex records. Le marché distingue désormais demande infrastructure (solide) et ROI applicatif (sous tension).

Souveraineté: NIS2, DORA, AI Act

Les trois réglementations européennes imposent des obligations cumulées sur la localisation, la supervision et la gouvernance des données IA - avec des sanctions pouvant atteindre 7 % du CA mondial. Aucune alternative européenne crédible aux hyperscalers n'apparaît dans les sources consultées.

Le paradoxe structure tout le débat. 62 % des organisations expérimentent ou pilotent des agents IA ^[8], mais moins de 10 % les déploient à l’échelle dans chaque fonction métier ^[9]. Autrement dit: la vague de coûts la plus violente est encore devant. McKinsey le formule sans ambiguïté: « L’IA agentique est simultanément le problème et la solution » ^[10].

Une mécanique de coûts qui s’auto-entretient

La logique technique est implacable. Quand la taille d’un modèle double, sa consommation de calcul est multipliée par dix ^[11], rappelle IDC. Les charges d’inférence, elles, tournent en continu, consommant des cycles GPU bien après la fin de l’entraînement ^[12]. Résultat: le coût moyen du calcul a bondi de 89 % entre 2023 et 2025 ^[7] selon l’Institute for Business Value d’IBM ^[13], et 70 % des cadres interrogés citent l’IA générative comme moteur critique de cette flambée ^[14].

Les chiffres macro confirment l’emballement. Gartner ^[15] anticipe des dépenses IT mondiales supérieures à 6 150 milliards de dollars en 2026 ^[16], en hausse de 10,8 % ^[17]. Surtout, les dépenses liées aux datacenters bondissent de 31,7 % pour atteindre 650 milliards ^[18], et celles liées aux serveurs explosent de 36,9 %, hausse presque entièrement due au matériel optimisé pour l’IA ^[19][20].

x2 ou x3: le scénario qui fait basculer la facture

La projection McKinsey ^[3] couvre un spectre allant du doublement au triplement, et l’écart n’est pas anodin. Trois variables font basculer le curseur. La première est le rythme de passage à l’échelle des agents: si la trajectoire Deloitte se confirme - 70 % des leaders prévoient de scaler leurs déploiements d’ici 2028 ^[21] et la part des organisations avec un nombre élevé de cas d’usage IA en production passerait de 44 % à 67 % ^[22][23] -, le scénario haut devient mécanique. La deuxième variable est la sous-estimation initiale: IDC chiffre à 30 % les coûts d’infrastructure IA déjà sous-évalués chez les G1000 d’ici 2027 ^[24], avant même la généralisation. La troisième est l’efficience des modèles: un petit modèle entraîné sur des données de qualité peut suffire pour de nombreuses tâches ^[25], et un codage optimisé peut réduire la consommation jusqu’à 50 % ^[26][27].

Traduit en langage budgétaire: si les entreprises passent à l’échelle massivement sans discipline FinOps ni rationalisation des modèles, c’est x3. Si l’optimisation logicielle suit le rythme du déploiement, c’est x2. Le « tripler » n’est pas une fatalité - c’est le scénario par défaut.

Pourquoi le fossé pilote/déploiement persiste

L’écart entre les 62 % d’entreprises qui pilotent ^[8] et les moins de 10 % qui industrialisent ^[9] ne tient ni au manque d’envie ni à la maturité technique: 97 % des répondants Deloitte se disent confiants dans leur capacité à monter en échelle ^[28], et 96 % qualifient leurs charges IA de complexité moyenne ou élevée ^[29]. Le frein est ailleurs.

IDC pointe une cause structurelle: « Les modèles traditionnels de gestion des coûts sont insuffisants pour un monde où les workloads s’auto-scalent et les budgets peuvent exploser du jour au lendemain » ^[30]. Sans alignement entre métiers, finance et plateforme, le cabinet prévient que les entreprises risquent de transformer l’IA d’un catalyseur d’innovation en passif financier ^[31]. Les workloads IA traversent infrastructure, développement applicatif, gouvernance des données et opérations métier ^[32] - chaque silo organisationnel devient un point de friction. À cela s’ajoute la dimension hybride: la plupart des charges IA tourneront simultanément en cloud, en SaaS et on-premises ^[33], multipliant les centres de coûts.

Adnan Masood ^[34], architecte en chef IA chez UST, résume l’arbitrage des dirigeants: « Nous entrons dans un tournant stratégique, où l’innovation - autrefois considérée comme une nécessité concurrentielle - comporte désormais un risque financier important » ^[35]. Chaque dirigeant interrogé par IBM a fait état de l’annulation ou du report d’au moins une initiative d’IA générative en raison de problèmes de coûts ^[36]. Le pilote n’est pas un tremplin automatique: c’est souvent une voie de garage.

Le mur du retour sur investissement

Face à ces capex vertigineux, l’addition commence à inquiéter les marchés. Microsoft ^[37] a perdu près de 400 milliards de dollars de capitalisation ^[38] après la publication de ses résultats, l’action chutant de plus de 6 % ^[39]. En cause: une augmentation de 66 % des dépenses d’investissement au dernier trimestre, à un niveau record de 37,5 milliards de dollars ^[40][41].

La contradiction est moins frontale qu’il n’y paraît: Lovelock ^[42] et Maley ^[43] ne parlent pas du même périmètre. Lovelock observe la demande infrastructure - les hyperscalers continuent de commander des serveurs optimisés pour les workloads IA ^[44], ce qui soutient mécaniquement les fournisseurs de GPU et de datacenters. Maley parle de la valorisation boursière de Microsoft: un acteur SaaS dont le cours dépend du ROI applicatif vendu aux entreprises clientes, et non du chiffre d’affaires des accélérateurs. Les deux peuvent avoir raison simultanément: l’infrastructure se vend, mais les marges des couches hautes se compriment. C’est précisément ce dédoublement que pointe Erik Gordon ^[45], professeur à la Ross School of Business de l’université du Michigan: « La bulle de l’IA est presque aussi grande que la planète Jupiter » ^[46]. « Lorsqu’elle éclatera, les débris seront partout » ^[47].

Le précédent de la bulle des télécoms du début des années 2000 - surinvestissements dans les infrastructures réseau en anticipation d’une demande qui a tardé à se matérialiser, suivis de destructions de valeur massives - est régulièrement convoqué dans le débat actuel, selon plusieurs sources. La configuration capex actuelle - investissements anticipés massifs, ROI applicatif retardé, valorisations tendues - présente des similitudes troublantes, sans que cela suffise à conclure à une bulle. Mais le précédent invite à distinguer la solidité de l’infrastructure (réelle, durable) de l’envolée des cours (volatile, sensible aux trimestres).

FinOps: la discipline qui devient

Face à cette imprévisibilité des coûts, une discipline monte en puissance. Le FinOps ^[48], contraction de finance et DevOps ^[49], vise à maximiser la valeur dans les environnements cloud hybrides. Le constat de départ est brutal: les dépenses cloud dépassent déjà le budget de 13 % en moyenne ^[50], et 32 % de ces dépenses sont auto-estimées comme gâchées ^[51] par les entreprises elles-mêmes, selon Flexera ^[52].

IDC ^[53] alerte: les organisations G1000 feront face à une hausse de 30 % de coûts d’infrastructure IA sous-estimés d’ici 2027 ^[24]. Et des milliers d’agents IA pourraient être déployés simultanément dans les entreprises G2000, exposant exponentiellement ce risque ^[54].

Andrew Feig ^[57], Managing Director FinOps Strategy chez JPMorgan Chase & Co. ^[58], résume l’inflexion: après des mois de discussions sur le « shift left » du FinOps, l’arrivée d’outils comme Claude Code ^[59] change la donne, en faisant de l’IA un compagnon de programmation pour la discipline elle-même ^[60].

L’angle mort européen: NIS2, DORA, AI Act

Ce que les sources mainstream disent peu: la dépendance aux acteurs américains. Microsoft ^[61] intègre les agents au cœur de Dynamics 365 et Microsoft 365 via Copilot Studio, tandis que Salesforce ^[62] élargit Agentforce en couche d’orchestration multiagent. Or ces deux entités sont soumises au Cloud Act ^[61][62], qui permet aux autorités américaines d’exiger l’accès aux données stockées par ces entreprises, où qu’elles se trouvent dans le monde.

La directive NIS2 ^[63], entrée en application en octobre 2024, impose aux entités essentielles et importantes des obligations renforcées de cybersécurité, de notification d’incidents et de gestion des risques liés à la chaîne d’approvisionnement numérique - y compris donc aux fournisseurs cloud d’agents IA. Les sanctions peuvent atteindre 10 millions d’euros ou 2 % du chiffre d’affaires mondial pour les entités essentielles. Le règlement DORA ^[64], applicable depuis janvier 2025 au secteur financier, va plus loin: il oblige banques et assureurs européens à cartographier leurs prestataires TIC critiques, à maintenir une supervision opérationnelle directe et à pouvoir migrer en cas de défaillance - un défi majeur pour qui repose sur Copilot Studio ou Agentforce. Quant à l’AI Act ^[65], dont les obligations sur les modèles à usage général s’appliquent depuis août 2025, il classe certains usages d’agents IA en « haut risque » avec exigences de gouvernance des données, de traçabilité et d’évaluation de conformité - assorties, pour ces catégories, d’amendes pouvant atteindre 15 millions d’euros ou 3 % du chiffre d’affaires mondial (le plafond de 35 millions d’euros ou 7 % étant réservé aux pratiques d’IA prohibées).

La superposition de ces trois textes transforme un choix d’architecture en sujet: la question de la localisation des données et de la supervision réglementaire doit être posée dès la conception, avant les audits de conformité ^[66]. Or - et c’est un constat qui mérite d’être posé - aucune des sources consultées pour cet article ne mentionne d’alternative européenne crédible aux hyperscalers américains pour les workloads IA agentiques à grande échelle. Ni OVHcloud, ni Scaleway, ni Deutsche Telekom, ni l’initiative GAIA-X n’apparaissent dans les analyses McKinsey, IDC, Gartner ou Deloitte mobilisées ici. Cette absence est en soi un signal: soit l’offre n’est pas jugée comparable par les analystes, soit elle reste hors radar des décideurs interrogés. Dans les deux cas, la dépendance décrite n’a pas, à ce jour, de contre-modèle visible. SAP ^[67], éditeur allemand qui réarchitecture sa plateforme pour intégrer des agents, fait figure d’exception côté logiciel - mais s’appuie elle-même sur les infrastructures des hyperscalers américains.

Le matériel: la course aux accélérateurs propriétaires

L’enjeu est aussi industriel. Les géants du cloud AWS, Microsoft Azure et Google Cloud ^[68] développent leurs propres accélérateurs: Inferentia et Trainium pour AWS ^[69], TPU v5 et Trillium pour Google ^[70], Maia-100 pour Microsoft ^[71]. Les investissements dans ces accélérateurs ont presque doublé entre 2023 et 2024 (+97 %) ^[72], tensions d’approvisionnement et d’obsolescence rapide. Ici aussi, l’écosystème européen est absent du peloton de tête.

Le timing: pourquoi maintenant?

L’alerte McKinsey tombe à un moment précis. Les offres d’emploi mentionnant l’« agentic AI » ont bondi de +985 % en un an ^[73]. L’IA générative est passée en phase de déploiement avec un score d’adoption de 4 sur 5, contre seulement 2 sur 5 pour l’IA agentique selon l’index McKinsey ^[74][75] - signe d’une transition encore balbutiante mais qui s’accélère brutalement.

Côté terrain, l’enquête de Deloitte menée auprès de 515 leaders américains en décembre 2025 ^[76][77], dans des entreprises générant plus de 500 millions de dollars de revenus annuels ^[78], confirme la trajectoire: plus de 70 % des répondants anticipent de scaler les déploiements « AI factory » et « AI at the edge » d’ici 2028 ^[21][79]. Plus d’un tiers des entreprises les plus performantes consacrent déjà plus de 20 % de leurs budgets numériques à l’IA ^[80]. L’IA a dépassé la cybersécurité et la modernisation de l’infrastructure comme priorité d’investissement pour la moitié des entreprises interrogées ^[81] dans le Global Tech Agenda 2026 mené auprès de plus de 600 dirigeants ^[82].

Notre lecture: la bombe à retardement

L’arithmétique est simple à reconstituer. 62 % des organisations pilotent des agents ^[8] mais moins de 10 % les déploient à l’échelle ^[9]. Si la facture actuelle représente déjà 30 % de coûts sous-estimés ^[24] avec ces taux de pénétration, le passage à l’échelle - explicitement prévu par 70 % des leaders ^[21] - multiplie mécaniquement l’écart.

Jacob Dencik ^[83], directeur de la recherche à l’IBV d’IBM, le formule sans détour: « En ce moment, de nombreuses entreprises font des expériences, donc ces coûts n’augmentent pas autant qu’ils le feront une fois qu’elles auront commencé à passer l’IA à l’échelle » ^[84]. Et d’ajouter: « Même si une action liée à l’IA est techniquement réalisable, si le modèle économique n’est pas viable en raison du coût de l’informatique [.] nous ne verrons pas l’impact de l’IA que beaucoup anticipent » ^[85].

La conclusion de McKinsey est nette: combler l’écart entre pilote et déploiement exige des décisions d’architecture que les directeurs techniques doivent prendre maintenant, avant que la pression des coûts et la concurrence ne réduisent leur marge de manœuvre ^[86]. Le virage agentique est la condition pour que l’IA générative tienne ses promesses de productivité à l’échelle ^[87]. Reste à savoir, pour les entreprises européennes, sur quelles infrastructures - et sous quelle juridiction - ce virage se prendra.