Marché de l'apprentissage profond (2026 – 2035)

Économie des accélérateurs et substrat de calcul

Les améliorations de performance par watt déterminent si l'entraînement de pointe reste économiquement limité. L'architecture Blackwell de NVIDIA, introduite en mars 2024, visait une réduction matérielle de l'énergie par jeton pour l'inférence de grands modèles par rapport à sa génération précédente, et l'Instinct MI300X d'AMD a commencé les expéditions en volume en décembre 2023 en tant que seconde source crédible [2][19]. Cette pression concurrentielle est importante car l'Agence internationale de l'énergie a signalé la consommation d'électricité des centres de données comme une part croissante de la demande mondiale, avec les charges de travail en IA comme contributeur nommé [6]. Pour les acheteurs sur le marché de l'apprentissage profond, la conséquence pratique est que les calculs du coût total de possession dépendent désormais des contrats d'énergie et de la conception du refroidissement autant que du prix de liste des puces.

Dépenses en capital des hyperscalers comme plancher de demande

Trois entreprises fixent le rythme. Alphabet, Microsoft et Amazon ont collectivement orienté leurs niveaux de dépenses en capital dans leurs dépôts de 2024 et 2025, dominés par l'infrastructure IA, Microsoft attribuant explicitement une majorité de son augmentation à la capacité cloud et IA [8][9][10]. Ces dépenses créent un plancher de demande : même lorsque l'adoption par les entreprises stagne, le développement sous-jacent se poursuit sur des engagements pluriannuels.

Programmes d'IA souveraine

L'argent public est devenu un intrant structurel. Le Cabinet de l'Union indienne a approuvé la Mission IndiaAI en mars 2024 avec un budget d'environ ₹10,372 crore, finançant explicitement une installation de calcul GPU partagée [13]. La SDAIA d'Arabie Saoudite continue d'exécuter sa Stratégie nationale pour les données et l'IA, et la Stratégie nationale en IA 2031 des Émirats Arabes Unis fixe des ambitions comparables [16][17]. Le Plan d'action sur les opportunités en IA du Royaume-Uni, publié en janvier 2025, s'est engagé à élargir la capacité de calcul souveraine [14].

Réglementation comme facilitateur d'approvisionnement

Les cadres de conformité transforment l'expérimentation en programmes budgétisés. La loi sur l'IA de l'UE est entrée en vigueur en août 2024, avec des obligations pour les modèles d'IA à usage général s'appliquant à partir d'août 2025 [3]. Le Cadre de gestion des risques en IA du NIST, publié en janvier 2023, a donné aux entreprises américaines un vocabulaire de contrôle volontaire mais largement adopté [4]. Les équipes d'approvisionnement peuvent désormais rédiger des spécifications contre des normes nommées — une condition préalable à l'engagement des entreprises à grande échelle.

Les pondérations des contraintes reflètent le tirage estimé que chaque facteur exerce sur la croissance réalisée par rapport à un scénario sans contrainte. Comme pour les moteurs, il s'agit de jugements directionnels des analystes appliqués au marché de l'apprentissage profond, et non d'entrées soustractives au CAGR principal.

La disponibilité de l'énergie a remplacé l'approvisionnement en puces comme contrainte majeure

Les files d'attente d'interconnexion, et non les carnets de commandes, régulent désormais le déploiement dans plusieurs grands marchés. L'IEA a documenté une demande d'électricité pour les centres de données en forte hausse dans les économies avancées, avec des clusters dans des régions de réseau spécifiques créant une pression localisée [6]. Les opérateurs en Virginie du Nord, à Dublin et à Singapour ont tous rencontré des moratoires de connexion ou des conditions de capacité. L'effet est un allongement du délai entre l'engagement d'achat et la reconnaissance des revenus, ce qui comprime la croissance réalisée même lorsque la demande est intacte.

Concentration des talents

L'Index AI de Stanford a constamment documenté la concentration des capacités de recherche de pointe dans un petit nombre d'institutions et d'entreprises [1]. L'analyse de 2024 du FMI sur l'IA générative et les marchés du travail a noté la distribution inégale des compétences complémentaires à travers les économies [25]. Pour les acheteurs de taille intermédiaire, le résultat pratique est une dépendance aux services gérés — ce qui déplace les dépenses vers la couche de services mais limite la vitesse à laquelle la capacité interne se développe.

Goulots d'étranglement en mémoire et en packaging

La mémoire à large bande passante et la capacité de packaging avancé restent les points les plus étroits de la chaîne d'approvisionnement des accélérateurs. Les divulgations des fournisseurs jusqu'en 2024 et 2025 ont répété que l'approvisionnement était un facteur limitant sur les volumes d'expédition plutôt que la demande [2][18]. Comme les cycles de qualification pour une nouvelle capacité s'étendent sur plusieurs trimestres, le soulagement arrive avec un retard.

Optimisation de l'inférence en tant que catégorie de produit distincte

La formation a attiré l'attention, l'inférence génère des revenus continus. À mesure que les modèles entrent en production, l'économie change vers le coût par requête servie. Les fournisseurs proposant de la quantification, de la distillation et de l'optimisation au niveau du compilateur répondent à un besoin sur le marché de l'apprentissage profond qui évolue avec l'utilisation, et non avec le nombre de modèles. Cet aspect de la performance a été rendu publiquement comparable grâce aux benchmarks d'inférence MLPerf de MLCommons [11].

Accès à l'informatique sur les marchés émergents

Aujourd'hui, l'Amérique latine, l'Asie du Sud-Est et l'Afrique représentent moins de 10 % des revenus mondiaux, mais disposent de grandes bases d'entreprises numériques natives. Les efforts législatifs sur la gouvernance de l'IA au Brésil et les programmes de développement numérique de la Banque mondiale [23][24] signalent une demande qui n'est pas actuellement satisfaite par l'infrastructure locale. La solution réside dans les zones cloud régionales et les installations informatiques nationales partagées.

Monétisation des données et modèle en tant que produit

Les organisations disposant de corpus propriétaires et spécifiques à un domaine (registres cliniques, télémétrie industrielle, historiques de transactions) pourraient licencier des modèles affinés plutôt que des données brutes, protégeant la confidentialité et capturant de la valeur. Ce modèle commercial est nouveau mais structurellement prometteur dans le marché de l'apprentissage profond car il transforme un actif statique en revenus de licence récurrents.

Écosystèmes de modèles à poids ouverts

L'introduction par Meta de Llama 3 en avril 2024 et de Llama 3.1 avec 405 milliards de paramètres en juillet 2024 a considérablement réduit le coût d'entrée pour les organisations hésitantes à dépendre d'un seul fournisseur propriétaire [21]. L'opportunité commerciale se trouve dans la couche environnante : hébergement, outils de sécurité, évaluation et contrats de support pour les organisations qui souhaitent garder le contrôle mais ne veulent pas construire elles-mêmes des modèles de base.

Services d'assurance pour les industries réglementées

La documentation des modèles, les tests de biais et la surveillance post-commercialisation sont désormais des obligations légales en Europe pour les applications à haut risque [3]. Les entreprises capables de fournir des paquets de preuves auditables — pas seulement des modèles fonctionnels — exigeront des prix premium dans les secteurs bancaire, de l'assurance et des dispositifs médicaux.

La distribution géographique sur le marché de l'apprentissage profond suit trois variables : accès aux accélérateurs, disponibilité de l'électricité et prévisibilité réglementaire. Les régions qui détiennent les trois attirent un déploiement disproportionné.

Amérique du Nord

La politique fédérale a changé de direction en janvier 2025, lorsque l'Ordre Exécutif 14179 a remplacé l'Ordre Exécutif 14110 de l'administration précédente, réorientant l'accent de la déclaration de sécurité vers l'accélération et la compétitivité [5]. Le capital, quant à lui, a évolué indépendamment de la politique : le projet d'infrastructure Stargate annoncé en janvier 2025 par OpenAI, Oracle et SoftBank a ciblé des investissements à une échelle précédemment réservée aux mégaprojets énergétiques [1]. L'avantage du Canada est plus prosaïque : le Québec et le Manitoba offrent une abondance d'énergie à faible émission de carbone à des prix stables, ce qui détermine de plus en plus les décisions d'implantation.

Europe

La caractéristique distinctive de l'Europe est que la conformité est arrivée avant l'échelle. Le cadre de risque par niveaux de la Loi sur l'IA oblige les fournisseurs de modèles à usage général à maintenir une documentation technique et des résumés de données d'entraînement, avec des pénalités structurées en pourcentage du chiffre d'affaires mondial [3]. Plutôt que de supprimer l'adoption, cela l'a canalisée : les groupes industriels allemands et français ont priorisé des applications à portée étroite et bien documentées dans l'inspection de la qualité et la maintenance prédictive, où les coûts de conformité sont maîtrisables et les retours mesurables. Le plan d'action du Royaume-Uni de janvier 2025 s'est engagé à augmenter par vingt fois la capacité de calcul public d'ici 2030 [14].

Asie-Pacifique

L'Asie-Pacifique est le moteur de croissance du marché de l'apprentissage profond moteur, et la raison en est la continuité des politiques plutôt qu'une seule percée. Le Plan de développement de l'IA de nouvelle génération de la Chine a fourni un cadre cible stable depuis 2017, avec une mise en œuvre provinciale fournissant terre, énergie et capital . La sortie de DeepSeek-R1 en janvier 2025 a démontré que des modèles de raisonnement compétitifs pouvaient être entraînés sous un accès limité aux accélérateurs, ce qui a modifié les hypothèses sur la relation entre l'intensité du capital et la capacité [1]. Le Japon a adopté une législation sur l'IA en 2025 mettant l'accent sur la promotion plutôt que sur l'interdiction, et la Loi de base sur l'IA de la Corée du Sud a pris une posture similaire [22]. L'installation de GPU partagée de l'Inde répond directement au problème d'accès pour les startups exclues des contrats hyperscale [13].

Amérique du Sud

Le cadre proposé pour l'IA du Brésil, avancé par le Sénat sous le PL 2338/2023, établirait le régime de gouvernance le plus complet de la région et a déjà influencé le langage d'approvisionnement des entreprises [23]. L'adoption se concentre dans les services financiers, où les volumes de paiements instantanés via le système Pix génèrent des données de transaction à une échelle qui justifie une infrastructure de modèle dédiée. Les applications agricoles — prévisions de rendement, détection de maladies à partir d'images — représentent le deuxième cluster, soutenu par des recherches financées par des coopératives.

Moyen-Orient & Afrique

Les États du Golfe convertissent leur avantage énergétique en avantage de calcul. La SDAIA d'Arabie Saoudite opère en tant qu'autorité centrale avec un budget et un mandat, tandis que les Émirats Arabes Unis ont poursuivi le développement de modèles souverains parallèlement à des investissements dans les infrastructures [16][17]. L'énergie à faible coût et les terres disponibles rendent la région structurellement attractive pour les clusters d'entraînement, bien que les considérations de contrôle des exportations façonnent quels accélérateurs peuvent être déployés et dans quelles conditions. L'adoption en Afrique subsaharienne reste concentrée dans les applications de télécommunications et d'inclusion financière.

Par offre

Le marché de l'apprentissage profond se divise en matériel, logiciel et services, avec un équilibre qui se déplace progressivement vers le logiciel à mesure que les modèles déployés se développent.

La domination du matériel reflète une phase de construction, pas une structure permanente. Chaque dollar de capacité d'accélérateur nécessite finalement un logiciel pour le programmer, le surveiller et l'optimiser, et ce ratio s'améliore pour le logiciel à mesure que les clusters vieillissent. La croissance des services est concentrée dans les industries réglementées, où les lacunes de capacité interne et les obligations de documentation combinent pour faire de la livraison externe la norme plutôt que l'exception.

Par application

Le mélange d'applications au sein du marché de l'apprentissage profond s'est considérablement élargi depuis l'inflexion des modèles linguistiques de 2023.

La reconnaissance d'images et de vidéos conserve la plus grande part car sa base de déploiement précède le cycle actuel — les lignes d'inspection de fabrication et les flux de travail en radiologie s'accumulent depuis la fin des années 2010. L'analyse de texte croît le plus rapidement, et la raison est architecturale : les modèles de transformateurs pour le traitement du langage naturel se généralisent à travers les types de documents avec un minimum d'ingénierie spécifique à la tâche, ce qui réduit le coût d'ajout de chaque nouveau cas d'utilisation.

Par secteur d'utilisateur final

L'adoption sectorielle sur le marché de l'apprentissage profond est étroitement corrélée à la maturité des données et à la tolérance réglementaire.

BFSI est en tête en termes de dépenses absolues car les banques avaient déjà des fonctions de gouvernance des risques modèles avant l'arrivée de l'apprentissage profond — l'échafaudage organisationnel existait. L'automobile croît le plus rapidement à partir d'une base plus petite alors que les systèmes de perception passent de l'assistance au conducteur vers des niveaux d'automatisation plus élevés, chaque programme de véhicule représentant une dépense engagée sur plusieurs années plutôt qu'un pilote discrétionnaire.

Par déploiement

Le cloud reste la norme pour le marché de l'apprentissage profond, en particulier pour les pics d'entraînement où posséder une capacité immobiliserait des capitaux. La croissance sur site est néanmoins plus rapide, entraînée par des organisations avec des volumes d'inférence constants qui rendent l'infrastructure possédée moins coûteuse à grande échelle, et par des entités réglementées qui ne peuvent pas exporter des données à travers les juridictions.

La concentration sur le marché de l'apprentissage profond est mieux caractérisée comme moyenne au niveau agrégé mais sévère au sein des couches. La couche d'accélérateurs approche un HHI estimé au-dessus de 5 000, tandis que les logiciels et services restent fragmentés avec des centaines de fournisseurs crédibles. Les cinq principaux participants représentent environ 52 à 58 % des revenus totaux, le reste étant réparti entre des développeurs de silicium spécialisés, des fournisseurs de plateformes et des intégrateurs de systèmes. L'intégration verticale est le comportement stratégique déterminant — les participants s'étendent vers le haut dans les logiciels et vers le bas dans les réseaux simultanément.