Le 17 août 2026, OpenAI a signé un bail de vingt ans sur le PORTS-Pike Technology Campus, dans le comté de Pike (Ohio), sur le site d'une ancienne usine d'enrichissement d'uranium. Le promoteur, SB Energy (groupe SoftBank), y prévoit 8 gigawatts de capacité de calcul pour l'IA, mise en service par phases à partir de 2028, et Nvidia garantit jusqu'à 105 milliards de dollars d'engagements de location. La presse l'a présenté comme le plus grand centre de données d'IA jamais annoncé. Il ne s'agit pas d'une inauguration : le site est en projet, et ses premières capacités sont attendues en 2028.
Les commentaires se concentrent sur la démesure du projet : les gigawatts mobilisés, les milliards engagés, la course géopolitique sous-jacente. C'est légitime. Mais ce cadrage fait manquer l'essentiel aux décideurs de PME et d'ETI. Ce type d'infrastructure modifie durablement la structure de coût d'accès à l'intelligence artificielle, avec des effets concrets sur l'équation économique de l'automatisation pour les entreprises de taille intermédiaire.
Pourquoi la taille d'un data center est un signal économique, pas seulement technique
Une infrastructure de calcul à cette échelle ne se justifie que par une logique de volume. Plus la capacité de traitement est massive, plus le coût unitaire d'inférence, c'est-à-dire le coût réel pour faire tourner un modèle sur une requête, baisse. Un tel investissement anticipe une demande qui n'existe pas encore : celle des entreprises qui n'ont pas encore automatisé à grande échelle.
Cette logique d'anticipation a un effet sur le marché : la concurrence entre les grands fournisseurs de modèles et de cloud pour remplir ces capacités pousse les prix vers le bas. Le mouvement est déjà documenté. Selon une analyse d'Andreessen Horowitz publiée fin 2024, à performance égale, le coût d'inférence des modèles de langage a été divisé environ par dix chaque année depuis 2021. Rien ne garantit que ce rythme se maintienne, mais la tendance est nette.
Pour une PME qui évalue aujourd'hui la faisabilité économique d'un projet d'automatisation, ce contexte change le calcul de manière substantielle.
Ce que la baisse structurelle des coûts d'inférence modifie concrètement dans un projet d'automatisation
Il existe une idée reçue tenace dans les comités de direction français : l'IA générative coûte cher à opérer. Cette perception était en partie vraie en 2023. Elle l'est beaucoup moins aujourd'hui.
Concrètement, pour beaucoup de cas d'usage de PME, le coût des appels aux modèles pèse désormais moins que le coût d'intégration et d'accompagnement au changement. Automatiser le traitement des demandes entrantes, la qualification des leads, la génération de comptes rendus ou la veille contractuelle ne nécessite plus de négocier un contrat enterprise avec un éditeur : une API facturée à l'usage suffit pour démarrer.
Dans une PME, le frein principal tient rarement au coût d'accès aux modèles. Il tient à la complexité perçue et au manque de preuve de retour sur investissement dans son secteur. La baisse des prix d'inférence affaiblit le premier argument. Le second se construit projet par projet, avec un calcul de retour sur investissement posé avant de démarrer.
La fracture qui se creuse entre les organisations qui agissent et celles qui attendent
La baisse des coûts d'accès aux modèles a une conséquence que peu de décideurs anticipent : elle retire l'une des dernières raisons économiques d'attendre. Tant que l'argument du coût tenait, l'attentisme était défendable. Il l'est de moins en moins.
Un écart se creuse entre les organisations qui ont commencé à automatiser des processus concrets, même imparfaitement, et celles qui attendent une maturité du marché. Les premières accumulent trois actifs que les secondes ne peuvent pas racheter : de la donnée d'usage réelle, des équipes formées à travailler avec ces outils, et une compréhension concrète de ce qui fonctionne dans leur secteur. Ces actifs restent utiles quelle que soit l'évolution du coût d'inférence.
Les secondes risquent de déployer dans un ou deux ans des solutions que leurs concurrents ont déjà rodées, sans l'apprentissage accumulé, et dans un contexte où les profils capables d'accompagner ces déploiements risquent d'être plus demandés.
Attendre un retour sur investissement garanti avant de commencer a aussi un coût : celui de l'apprentissage qui n'a pas été fait. Un premier projet limité et bien mesuré réduit ce risque sans engager un gros budget.
Ce que l'accélération des infrastructures change pour le choix des outils et des partenaires
L'explosion des capacités de calcul disponibles a une autre conséquence directe : elle accélère le rythme de dépréciation des modèles actuels. Un modèle de pointe aujourd'hui est en général dépassé en quelques mois. Cette vitesse a des implications pratiques pour toute PME qui s'engage dans un projet d'automatisation.
Quatre points de vigilance méritent d'être intégrés dès la phase de sélection :
- L'architecture du déploiement doit être découplée du modèle sous-jacent, pour permettre une migration sans refonte complète.
- Le prestataire doit être capable d'expliquer comment il assure la continuité de service lors des transitions de modèles.
- Le contrat doit préciser qui absorbe le coût d'une migration rendue nécessaire par l'obsolescence d'un modèle.
- Les cas d'usage retenus en priorité doivent être ceux où la valeur est liée au processus automatisé, pas aux capacités spécifiques d'un modèle.
Chez Lumivi, nous posons la question de l'architecture découplée avant de choisir un modèle. Une PME qui formule sa demande autour d'un modèle précis a en général besoin d'un processus qui fonctionne. Le modèle reste une variable d'exécution, qui changera plusieurs fois pendant la vie du projet.
Ce que l'argument géopolitique révèle de la trajectoire réelle du marché
La dimension politique de l'annonce mérite qu'on s'y arrête brièvement, pour ce qu'elle dit de la trajectoire du marché. Les grands acteurs américains concentrent sur leur territoire des capacités de calcul sans équivalent ailleurs. L'Europe tente une réponse : la Commission européenne a lancé en février 2025 l'initiative InvestAI, qui vise à mobiliser 200 milliards d'euros d'investissements dans l'IA, dont un fonds de 20 milliards pour des « gigafactories » d'IA.
Pour une PME française, cette géopolitique a une traduction concrète : le lieu de traitement des données et la juridiction du fournisseur pèsent de plus en plus dans les exigences des clients, des acheteurs publics et de la réglementation (RGPD, AI Act). Un projet d'automatisation qui ignore cette dimension risque de devoir être repensé en partie, et une correction coûte en général plus cher qu'une conception rigoureuse dès le départ.
C'est une contrainte, mais c'est aussi une opportunité pour les entreprises françaises qui intègrent ces exigences dès le départ : elles se positionnent favorablement dans les appels d'offres publics et auprès des clients pour qui la conformité RGPD et la souveraineté des données sont des critères de sélection.
Une infrastructure ne suffit pas à automatiser une PME
Il serait tentant de conclure que ce campus géant va mécaniquement résoudre les problèmes d'adoption de l'IA dans les PME françaises. Ce serait une erreur d'analyse. L'infrastructure crée les conditions économiques d'un déploiement massif. Elle ne crée pas les processus, les cas d'usage, les équipes formées ni la gouvernance des données qui rendent ce déploiement effectif.
Les résultats viennent des équipes qui acceptent de repenser leurs processus, et pas seulement d'y ajouter un outil. L'automatisation par l'IA est une décision métier avant d'être un projet informatique. Et comme les barrières économiques d'accès baissent, cette décision peut difficilement être reportée indéfiniment.
Par où commencer dans une PME
- Choisissez un processus répétitif et mesurable : traitement des demandes entrantes, comptes rendus, qualification des leads.
- Chiffrez son coût actuel et le gain attendu, en comptant l'intégration et l'accompagnement, pas seulement l'abonnement ou les appels d'API.
- Exigez une architecture qui permet de changer de modèle sans refonte.
Notre guide coût et ROI de l'IA en PME détaille la méthode de calcul, et la page coût de l'IA par mois donne les ordres de grandeur des abonnements et des usages. Pour savoir quel processus automatiser en premier chez vous, vous pouvez demander un diagnostic gratuit.
Article rédigé par Louis Noyaret, cofondateur de Lumivi.
