Article · Technologie
Le boom de l'IA en chiffres
Depuis 2010, la puissance de calcul utilisée pour entraîner les modèles d'IA notables double tous les 5,7 mois — ×4,3 par an, selon une tendance ajustée sur 481 modèles des données d'Epoch AI. Microsoft, Alphabet, Amazon, Meta et Oracle ont dépensé $691 Md en immobilisations et équipements au cours des quatre trimestres jusqu'à septembre 2026, en hausse d'un facteur 4,5 par rapport aux quatre trimestres précédant la sortie de ChatGPT. Le chiffre d'affaires de NVIDIA a atteint $216 Md pour l'exercice 2026, en hausse d'un facteur 8,01 par rapport à l'exercice 2023.
×4,3 par an depuis 2010, tendance ajustée sur 481 modèles notables ; avant 2010 : tous les 20,5 mois
GPT-6 Astra, OpenAI, sept. 2026
1 en 2019 ; 326 au total avec une estimation
Microsoft, Alphabet, Amazon, Meta et Oracle ; $154 Md au cours des quatre trimestres jusqu'à septembre 2022
exercice 2023 : $27 Md ; résultat net $120 Md, soit 56% du chiffre d'affaires
La puissance de calcul d'entraînement double tous les 5,7 mois
Chaque point est l'un des 543 modèles d'IA notables pour lesquels Epoch AI dispose d'une estimation de la puissance de calcul d'entraînement : le nombre d'opérations en virgule flottante (FLOP) — additions et multiplications — nécessaires pour l'entraîner. Ils vont de Theseus, la souris mécanique de Claude Shannon capable de résoudre un labyrinthe, de 1950, entraîné avec 40 FLOP, jusqu'au plus grand à ce jour, GPT-6 Astra de OpenAI (sept. 2026), avec 9,4×10²⁶ FLOP.
L'échelle est logarithmique : une droite signifie donc une croissance exponentielle régulière. Une droite des moindres carrés passant par les 481 modèles publiés depuis 2010 progresse de ×4,3 par an : la puissance de calcul d'entraînement a doublé tous les 5,7 mois, et dix ans le long de la droite la font croître d'un facteur 2,15 M. Pour les 62 modèles d'avant 2010, elle progressait de ×1,5 par an, soit un doublement tous les 20,5 mois. Les modèles de pointe — les cinq plus gros en puissance de calcul au moment de leur sortie — ont doublé tous les 5,4 mois depuis 2010 (72 modèles).
Ces chiffres sont des estimations. Epoch juge 59% d'entre elles fiables (justes à un facteur 3 près, dans les deux sens), 28% probables (à un facteur 10 près) et 12% spéculatives (à un facteur d'environ 31 près) ; les spéculatives sont des points creux. Sans elles, la tendance depuis 2010 est un doublement tous les 5,6 mois.
Les tendances sous forme de tableau
| Modèles | Nombre | Temps de doublement | Croissance par an | R² |
|---|---|---|---|---|
| Modèles notables avant 2010 | 62 | 20,5 mois | ×1,5 | 0,69 |
| Modèles notables depuis 2010 | 481 | 5,7 mois | ×4,3 | 0,66 |
| Modèles de pointe depuis 2010 | 72 | 5,4 mois | ×4,6 | 0,97 |
| Modèles de langage depuis 2010 | 302 | 4,9 mois | ×5,5 | 0,68 |
| Depuis 2010, hors estimations spéculatives | 422 | 5,6 mois | ×4,4 | 0,67 |
Moindres carrés du log₂ de la puissance de calcul d'entraînement sur la date de publication en années ; temps de doublement = 12 ÷ pente, en mois ; croissance par an = 2^pente. Le R² est la part de la dispersion du log de la puissance de calcul qu'explique la droite.
Le plus gros modèle de chaque année
Un nouveau record de puissance de calcul a été battu 24 fois depuis 2010. Le plus gros modèle de 2010, RNN LM, a été entraîné avec 5,4×10¹⁶ FLOP ; GPT-6 Astra en a utilisé davantage, soit une hausse d'un facteur 17,4 Md.
Epoch AI estime aussi le coût de la puissance de calcul d'entraînement pour 178 des modèles, en dollars de 2023. L'estimation la plus élevée est de $388 M, pour Grok 4 (xAI, 2025) ; au-delà de $100 M : 3 modèles. La puissance électrique la plus élevée des données, environ 233 mégawatts, a été absorbée par les 100 000 puces qui ont entraîné GPT-6 Astra, selon l'estimation d'Epoch.
| Année | Modèle et développeur | Puissance de calcul d'entraînement, en FLOP | × l'année précédente | Coût du calcul, $ de 2023 |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · États-Unis | 5,4×1016spéculative | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · Suisse | 5,2×1016probable | ×0,96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · États-Unis | 6,0×1017probable | ×11,5 | $16 |
| 2013 | DistBelief NNLMGoogle · États-Unis | 2,6×1018probable | ×4,35 | $3,26 k |
| 2014 | SNM-skipGoogle · États-Unis | 3,0×1020spéculative | ×114 | — |
| 2015 | AlphaGo FanDeepMind · Royaume-Uni | 3,8×1020probable | ×1,28 | $4,83 k |
| 2016 | GNMTGoogle · États-Unis | 6,6×1021probable | ×17,4 | $201 k |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · États-Unis | 8,4×1020fiable | ×0,13 | $17,9 k |
| 2018 | ResNeXt-101 32x48dFacebook · États-Unis | 8,7×1021fiable | ×10,4 | $134 k |
| 2019 | AlphaStarDeepMind · Royaume-Uni | 1,1×1023fiable | ×12,3 | $131 k |
| 2020 | GPT-3 175B (davinci)OpenAI · États-Unis | 3,1×1023fiable | ×2,91 | $2,12 M |
| 2021 | FLAN 137BGoogle Research · États-Unis | 2,0×1024fiable | ×6,52 | — |
| 2022 | Minerva (540B)Google · États-Unis | 2,7×1024fiable | ×1,34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · États-Unis | 5,0×1025spéculative | ×18,2 | $30,7 M |
| 2024 | Llama 3.1-405BMeta AI · États-Unis | 3,8×1025fiable | ×0,76 | $52,9 M |
| 2025 | Grok 4xAI · États-Unis | 5,0×1026spéculative | ×13,2 | $388 M |
| 2026à ce jour | GPT-6 AstraOpenAI · États-Unis | 9,4×1026probable | ×1,88 | — |
Le modèle notable ayant la plus grande puissance de calcul d'entraînement publié chaque année ; × l'année précédente le compare au plus gros modèle de l'année d'avant. Sous la puissance de calcul : le degré de confiance d'Epoch AI dans l'estimation. Coût : estimation d'Epoch AI, lorsqu'il y en a une.
Le club des 10²³ FLOP
Epoch AI tient une liste des modèles à grande échelle : ceux entraînés avec plus de 10²³ FLOP, un seuil fixe qu'utilisent certaines réglementations de l'IA. Elle dispose d'une estimation de la puissance de calcul pour 326 d'entre eux. Le premier était AlphaStar en 2019 ; en 2025, la barre a été franchie par 104 modèles, contre 101 en 2024.
Les premiers modèles au-dessus des seuils plus élevés étaient Wu Dao 2.0 au-delà de 10²⁴ (2021), GPT-4 au-delà de 10²⁵ (2023) et Grok 3 au-delà de 10²⁶ (2025). Modèles au-delà de 10²⁵ FLOP publiés en 2025 : 9. Sur les 104 modèles du club cette année-là, 90 ont été publiés avec des poids ouverts — chacun peut les télécharger et les exécuter — et 10 uniquement via une API ou un service hébergé ; 4 n'ont pas été publiés.
2026 n'est pas terminée : jusqu'à 10 novembre 2026, la liste compte 27 modèles avec une estimation. Epoch ajoute les nouveaux modèles en quelques semaines et les estimations de puissance de calcul plus tard, si bien que les mois récents se complètent avec le temps. Elle recense aussi 208 modèles à grande échelle sans estimation de la puissance de calcul ; ils ne sont pas comptés ici.
Les carrés sous forme de tableau
| Année | Plus de 10²³ | Plus de 10²⁴ | Plus de 10²⁵ | Plus de 10²⁶ | Sans estimation |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026à ce jour | 27 | 25 | 7 | 1 | 10 |
Modèles avec une estimation de la puissance de calcul, par année de publication ; un modèle au-delà de 10²⁵ FLOP compte aussi au-delà de 10²⁴ et de 10²³. Sans estimation : figure sur la liste des modèles à grande échelle d'Epoch sans chiffre de puissance de calcul.
Qui les construit
Des organisations américaines ont travaillé sur 135 des 326 modèles au-delà de 10²³ FLOP et des organisations chinoises sur 139 ; viennent ensuite Corée du Sud (17), France (10) et Émirats arabes unis (8). Un modèle construit par plusieurs organisations compte une fois pour chacun de leurs pays.
Le plus grand nombre vient de Alibaba (36), Meta AI (24) et Nvidia (20). Les groupes sont nommés comme dans les données ; ceux de Google sont donc comptés à part : Google, Google DeepMind, Google Research, DeepMind et Google Brain.
Modèles avec une estimation de la puissance de calcul ; un modèle compte une fois pour chaque pays et chaque organisation qu'il cite. Organisations telles qu'Epoch AI les nomme.
Des entreprises, pas des universités
Sur les 109 modèles notables publiés en 2025, 92% venaient d'entreprises seules, 5% d'entreprises travaillant avec des universités et 2% d'universités seules. En 2010–2014, les entreprises seules en ont réalisé 19%.
L'argent : les investissements des géants de la tech
Entraîner et faire fonctionner des modèles d'IA exige des centres de données remplis de puces, et les entreprises qui construisent les plus grands déclarent la facture en investissements : de la trésorerie versée pour des immobilisations et des équipements. Microsoft, Alphabet, Amazon, Meta et Oracle ont dépensé ensemble $691 Md au cours des quatre trimestres jusqu'à septembre 2026, en hausse d'un facteur 4,5 par rapport aux $154 Md des quatre trimestres jusqu'à septembre 2022 — le dernier trimestre avant la sortie de ChatGPT, le 30 novembre 2022. Cela représente $1,89 Md par jour, soit $21 900 chaque seconde.
Rapportées à leur taille, ces dépenses ont absorbé 36% du chiffre d'affaires des cinq entreprises sur les quatre derniers trimestres, contre 13% auparavant, et 95% de la trésorerie générée par leur activité, contre 54%. Le plus gros dépensier était Amazon, avec $215 Md.
Les documents déposés ne précisent pas quelle part est allée à l'IA. Les investissements financent aussi des bureaux et d'autres bâtiments — chez Amazon, également des entrepôts et un réseau de livraison — et chaque entreprise les déclare selon ses propres définitions.
Variation par rapport aux quatre trimestres jusqu'à septembre 2022. Barres : investissements par trimestre depuis 2015, chaque entreprise à sa propre échelle. Plus de 100% du flux de trésorerie d'exploitation : les dépenses ont dépassé ce que l'activité a rapporté. Les cartes renvoient aux pages des entreprises.
Investissements par année civile
| Année | Microsoft | Alphabet | Amazon | Meta | Oracle | Total |
|---|---|---|---|---|---|---|
| 2015 | $6,55 Md | $9,93 Md | $4,59 Md | $2,52 Md | $1,61 Md | $25,2 Md |
| 2016 | $9,11 Md | $10,2 Md | $6,74 Md | $4,49 Md | $1,6 Md | $32,2 Md |
| 2017 | $8,7 Md | $13,2 Md | $12 Md | $6,73 Md | $2,04 Md | $42,6 Md |
| 2018 | $14,2 Md | $25,1 Md | $13,4 Md | $13,9 Md | $1,47 Md | $68,2 Md |
| 2019 | $13,5 Md | $23,5 Md | $16,9 Md | $15,1 Md | $1,59 Md | $70,6 Md |
| 2020 | $17,6 Md | $22,3 Md | $40,1 Md | $15,2 Md | $1,83 Md | $97 Md |
| 2021 | $23,2 Md | $24,6 Md | $61,1 Md | $18,7 Md | $3,12 Md | $131 Md |
| 2022 | $24,8 Md | $31,5 Md | $63,6 Md | $31,2 Md | $6,68 Md | $158 Md |
| 2023 | $35,2 Md | $32,3 Md | $52,7 Md | $27 Md | $6,93 Md | $154 Md |
| 2024 | $55,6 Md | $52,5 Md | $83 Md | $37,3 Md | $10,7 Md | $239 Md |
| 2025 | $83,1 Md | $91,4 Md | $132 Md | $69,7 Md | $35,5 Md | $412 Md |
| 20263 trimestres | $106 Md | $132 Md | $176 Md | $83,1 Md | $63,6 Md | $560 Md |
NVIDIA : vendre les pelles
Epoch AI enregistre le matériel d'entraînement de 278 modèles notables publiés depuis 2020 : 204 d'entre eux (73%) ont été entraînés sur des puces NVIDIA et 68 (24%) sur les TPU de Google.
L'exercice fiscal de NVIDIA se termine fin janvier : l'exercice 2026 s'est achevé le 25 janvier 2026. Son chiffre d'affaires cette année-là a atteint $216 Md, en hausse d'un facteur 8,01 par rapport à l'exercice 2023 ($27 Md), clos 2 mois après la sortie de ChatGPT. Le résultat net est passé de $4,37 Md (16% du chiffre d'affaires) à $120 Md (56%).
Le dernier trimestre des documents déposés, T2 exerc. 2027 (jusqu'au 26 juillet 2026), a généré un chiffre d'affaires de $96,2 Md et un résultat net de $59,7 Md ; 75% du chiffre d'affaires restait après le coût des produits vendus (marge brute). Les quatre trimestres jusqu'à 26 juillet 2026 totalisent $303 Md de chiffre d'affaires et $193 Md de résultat net — à ce rythme, un résultat net égal à l'ensemble du chiffre d'affaires de NVIDIA de l'exercice 2016 ($5,01 Md) est atteint tous les 9,5 jours.
Les données de la SEC utilisées ici donnent le chiffre d'affaires total de NVIDIA, sans sa répartition par marché ; le graphique montre donc le total. La valeur de marché des actions NVIDIA détenues par le public — le flottant indiqué sur la couverture de son rapport annuel, et non la capitalisation boursière — était de $434 Md fin juillet 2022 et de $4,0 Bn fin juillet 2025.
| Exercice fiscal | Chiffre d'affaires | Variation | Marge brute | Résultat net | Marge nette |
|---|---|---|---|---|---|
| Exercice 2016clos le 31 janvier 2016 | $5,01 Md | +7% | 56,1% | $614 M | 12,3% |
| Exercice 2017clos le 29 janvier 2017 | $6,91 Md | +38% | 58,8% | $1,67 Md | 24,1% |
| Exercice 2018clos le 28 janvier 2018 | $9,71 Md | +41% | 59,9% | $3,05 Md | 31,4% |
| Exercice 2019clos le 27 janvier 2019 | $11,7 Md | +21% | 61,2% | $4,14 Md | 35,3% |
| Exercice 2020clos le 26 janvier 2020 | $10,9 Md | −7% | 62,0% | $2,8 Md | 25,6% |
| Exercice 2021clos le 31 janvier 2021 | $16,7 Md | +53% | 62,3% | $4,33 Md | 26,0% |
| Exercice 2022clos le 30 janvier 2022 | $26,9 Md | +61% | 64,9% | $9,75 Md | 36,2% |
| Exercice 2023clos le 29 janvier 2023 | $27 Md | +0% | 56,9% | $4,37 Md | 16,2% |
| Exercice 2024clos le 28 janvier 2024 | $60,9 Md | +126% | 72,7% | $29,8 Md | 48,8% |
| Exercice 2025clos le 26 janvier 2025 | $130 Md | +114% | 75,0% | $72,9 Md | 55,8% |
| Exercice 2026clos le 25 janvier 2026 | $216 Md | +65% | 71,1% | $120 Md | 55,6% |
| Quatre derniers trimestresjusqu'au 26 juillet 2026 | $303 Md | 74,7% | $193 Md | 63,7% |
Questions fréquentes
À quelle vitesse l'IA progresse-t-elle ?
Epoch AI suit pour chaque modèle notable une mesure : la puissance de calcul d'entraînement. Depuis 2010, elle double tous les 5,7 mois — ×4,3 par an, selon une tendance des moindres carrés sur 481 modèles. Avant 2010, elle doublait tous les 20,5 mois.
Qu'est-ce qu'un FLOP en IA ?
Une opération en virgule flottante : une addition ou une multiplication de nombres décimaux. La puissance de calcul d'entraînement est le total des opérations effectuées pour entraîner un modèle : GPT-6 Astra a demandé environ 9,4×10²⁶ FLOP selon l'estimation d'Epoch AI, Theseus de 1950 en a demandé 40.
Combien coûte l'entraînement d'un modèle d'IA ?
Epoch AI estime le coût de la puissance de calcul d'entraînement pour 178 modèles notables, en dollars de 2023. Le plus élevé est de $388 M, pour Grok 4 (2025) ; la médiane des 7 estimations pour les modèles publiés en 2025 est de $44,6 M. Ces chiffres ne couvrent que le calcul.
Combien les entreprises technologiques dépensent-elles dans les centres de données d'IA ?
Les documents déposés indiquent les investissements dans leur ensemble, pas la part consacrée à l'IA. Microsoft, Alphabet, Amazon, Meta et Oracle ont dépensé $691 Md au cours des quatre trimestres jusqu'à septembre 2026, contre $154 Md au cours des quatre trimestres jusqu'à septembre 2022 ; le plus gros dépensier était Amazon ($215 Md).
Combien d'argent NVIDIA gagne-t-elle ?
Pour l'exercice 2026, jusqu'au 25 janvier 2026, le chiffre d'affaires a été de $216 Md et le résultat net de $120 Md. Sur les quatre trimestres jusqu'à 26 juillet 2026 : chiffre d'affaires $303 Md, résultat net $193 Md.
Pour aller plus loin
Comment les chiffres sont calculés
- Modèles d'IA : Epoch AI, ‘Data on AI models’. Publié en ligne sur epoch.ai. Récupéré sur https://epoch.ai/data/ai-models [ressource en ligne]. Consulté le 15 novembre 2026. Licence CC BY 4.0 : libre d'utilisation, de diffusion et de reproduction avec mention d'Epoch AI. Les graphiques, tendances et décomptes de cette page sont calculés par BigCapital.
- Puissance de calcul d'entraînement : opérations en virgule flottante utilisées pour entraîner un modèle, telles que le développeur les indique ou qu'Epoch AI les estime d'après le matériel et la durée d'entraînement, ou d'après la taille du modèle et ses données d'entraînement. Confiance, intervalles à 90% d'Epoch : fiable à un facteur 3 près, probable à un facteur 10, spéculative à un facteur d'environ 31.
- Tendances : moindres carrés ordinaires du log₂ (puissance de calcul d'entraînement) sur la date de publication en années, pour les modèles notables avec une estimation ; temps de doublement = 12 ÷ pente, en mois ; croissance par an = 2^pente. « Depuis 2010 » : publié à partir du 1er janvier 2010. Un record : plus de puissance de calcul que tous les modèles notables précédents.
- Modèles notables : liste d'Epoch des modèles qui ont fait progresser l'état de l'art, ont été très cités, ont une importance historique ou sont très utilisés ; les modèles de pointe figuraient parmi les 5 premiers en puissance de calcul d'entraînement à leur sortie. Modèles à grande échelle : liste d'Epoch des modèles au-delà de 10²³ FLOP, comptés par année de publication et une fois pour chaque pays et organisation cités.
- Chiffres des entreprises : SEC EDGAR, données XBRL (company facts) des documents 10-K et 10-Q (domaine public).
- Investissements : paiements pour acquérir des immobilisations et des équipements dans le tableau des flux de trésorerie, sous l'étiquette XBRL que chaque entreprise utilise ; un trimestre non déclaré séparément correspond au cumul depuis le début de l'exercice moins le cumul précédent. Chiffre d'affaires, résultat net, marge brute et flux de trésorerie d'exploitation tels que déposés. Amazon, T2 2017 : absent des données XBRL, il correspond donc à l'exercice fiscal moins ses trois autres trimestres.
- Exercices fiscaux selon la dénomination des entreprises : l'exercice 2026 de NVIDIA s'est achevé le 25 janvier 2026. Le graphique des investissements utilise des trimestres civils.
- Les chiffres passés relèvent de l'histoire, pas d'une prévision. Rien ici ne constitue un conseil en investissement.
Réutiliser cet article
Le texte et les graphiques peuvent être republiés, traduits et adaptés librement sous licence CC BY 4.0 : citez BigCapital.org avec un lien vers cette page. Les données d'autres fournisseurs gardent leur propre licence (voir les sources ci-dessous). Comment citer la source
Source : BigCapital.org — « Le boom de l'IA en chiffres », https://bigcapital.org/fr/articles/ai-boom/