IA et électricité : quand le capital productif dépasse le capital social

Les chiffres d'investissement énergétique mondial pour 2026, tels que cités début août par des analystes de Century Financial et Zentara Solutions sur la base de données de l'Agence internationale de l'énergie, dessinent un déséquilibre net. Sur 3 400 Md$ d'investissement total, 1 600 Md$ sont dirigés vers l'électricité — production et infrastructure confondues — mais les réseaux de transport et de distribution, c'est-à-dire les lignes à haute tension, les postes de transformation et les infrastructures de raccordement, n'en captent que 550 Md$. Cela représente environ 16% de l'investissement énergétique total et un tiers seulement de l'investissement électrique au sens large.

Ce chiffre prend tout son sens rapproché d'une seconde donnée : la consommation électrique mondiale des data centers, portée par l'entraînement et l'inférence des modèles d'IA, doit passer de 485 TWh en 2025 à 950 TWh en 2030 selon les mêmes sources — une progression de 96% en cinq ans. Le rythme de croissance de la demande électrique liée à l'IA excède largement celui de l'investissement dans l'infrastructure censée la livrer physiquement.

Cette configuration correspond presque terme à terme à la théorie de la croissance déséquilibrée formulée par l'économiste Albert Hirschman en 1958. Hirschman distinguait les activités directement productives (DPA — directly productive activities), génératrices de rendement immédiat et donc attractives pour le capital privé, du capital social indirect (SOC — social overhead capital), constitué des infrastructures de base — routes, ports, réseaux — qui rendent ces activités productives possibles mais dont le rendement est diffus, différé et souvent capté par d'autres acteurs que ceux qui investissent. Dans son modèle, les économies en développement progressent précisément parce que le capital se porte d'abord vers les DPA, créant des tensions et des goulets d'étranglement qui, à leur tour, justifient et déclenchent l'investissement en SOC.

Le parallèle avec l'IA est direct. Les centres de calcul et les capacités de production électrique dédiées (y compris les accords d'approvisionnement direct signés par les hyperscalers avec des producteurs) constituent les DPA du secteur : rendement rapide, retour sur investissement mesurable, appropriation privée du gain. Le réseau de transport et de distribution constitue le SOC : bien quasi public, rendement diffus sur l'ensemble des utilisateurs raccordés, financement largement porté par des opérateurs régulés ou publics dont les incitations et les cycles d'approbation sont plus lents que ceux d'un hyperscaler qui signe un accord d'achat d'électricité en quelques mois.

L'histoire de l'électrification et des télécommunications offre un précédent utile : dans les deux cas, la phase de sous-investissement relatif dans le réseau par rapport à la demande a généré des files d'attente de raccordement, des tarifications de congestion et, in fine, une correction par la hausse des prix ou par l'intervention réglementaire forçant l'investissement en réseau. Le décalage temporel entre la DPA et le SOC n'est pas anormal dans le modèle de Hirschman — c'est le mécanisme même de la croissance — mais il a un coût de transition que supportent les utilisateurs non prioritaires du réseau pendant la phase de rattrapage.

Pour les secteurs suivis par Cardan-AI, trois lectures opérationnelles se dégagent. D'abord, la disponibilité et le prix de l'électricité deviennent un facteur de localisation industrielle au moins aussi déterminant que l'accès aux puces ou au cloud, en particulier pour les sites énergétiques et industriels qui électrifient leurs propres process en parallèle de leurs charges IA. Ensuite, les acteurs qui peuvent sécuriser des capacités électriques dédiées ou des accords d'approvisionnement direct — à l'image des hyperscalers — bénéficient d'un avantage compétitif temporaire tant que le réseau général reste contraint. Enfin, l'investissement en capital social indirect (réseau) constitue, pour des acteurs patients, une option réelle sur la résorption du goulet d'étranglement à moyen terme, dans une logique proche de celle décrite par Dixit et Pindyck (1994) pour l'investissement séquencé sous incertitude.

Le risque, à l'inverse, est celui d'une planification qui suppose la disponibilité électrique comme acquise au même titre que la puissance de calcul. Les entreprises industrielles, aéronautiques et énergétiques qui intègrent l'IA dans leurs opérations gagneraient à traiter le raccordement électrique comme une contrainte de planning à part entière, et non comme une commodité disponible à la demande.