Pendant près de soixante ans, la loi de Moore a agi comme une boussole pour l’industrie technologique mondiale. Formulée en 1965 par Gordon Moore, cofondateur d’Intel, elle annonçait un doublement du nombre de transistors sur une puce tous les deux ans — une promesse tenue avec une régularité presque magique. Mais aujourd’hui, cette ère est bel et bien révolue. Et si sa mort sonne la fin d’un cycle, elle ouvre simultanément la porte à une révolution économique d’une ampleur inédite : celle de l’intelligence artificielle, estimée capable de générer une économie mondiale de 100 000 milliards d’euros.
La loi de Moore est morte : que s’est-il vraiment passé ?
La miniaturisation des transistors a atteint ses limites physiques fondamentales. Graver des transistors à 2 nm ou 1 nm, c’est opérer à l’échelle de quelques atomes. À cette échelle, les effets quantiques provoquent des fuites de courant ingérables, la chaleur dissipée explose, et les coûts de fabrication deviennent astronomiques. TSMC, Samsung et Intel investissent désormais des dizaines de milliards de dollars par usine, sans garantie de rentabilité rapide.
En 2022, Jensen Huang, PDG de Nvidia, a déclaré publiquement que « la loi de Moore est morte ». Pat Gelsinger, PDG d’Intel, a nuancé, mais admet que le rythme de doublement s’est considérablement ralenti. Les chiffres parlent d’eux-mêmes : entre 1970 et 2000, les performances des puces doublaient tous les 18 mois. Aujourd’hui, ce cycle dépasse les 4 à 5 ans.
- Les puces à 2 nm coûtent plus de 20 000 € l’unité en phase de prototypage.
- Les rendements de production chutent à mesure que la gravure se raffine.
- La dissipation thermique impose des contraintes physiques insurmontables à l’échelle nanométrique.
Pourquoi l’IA prend le relais là où Moore s’arrête
L’intelligence artificielle ne dépend pas uniquement de la finesse de gravure d’un transistor. Elle repose sur trois piliers distincts : la quantité de données, la puissance de calcul distribuée et la sophistication des algorithmes. Or, ces trois leviers progressent de manière quasi indépendante des contraintes physiques des semi-conducteurs.
Depuis 2012, les performances des modèles d’IA ont doublé tous les… 3,4 mois, selon une étude d’OpenAI. C’est 40 fois plus rapide que le rythme de la loi de Moore à son apogée. Cette accélération fulgurante s’explique par :
- L’explosion du volume de données disponibles (textes, images, vidéos, données industrielles).
- Le développement d’architectures spécialisées — GPU, TPU, NPU — optimisées pour le calcul parallèle massif.
- Des techniques algorithmiques révolutionnaires : transformers, diffusion models, reinforcement learning.
- L’accès démocratisé au cloud computing, qui supprime la barrière du matériel physique.
Le cercle vertueux de l’IA : comment Jensen Huang l’explique
Lors d’une intervention remarquée en Corée du Sud en 2024, Jensen Huang a décrit avec précision la mécanique qui propulse l’IA vers une croissance auto-entretenue. Il ne s’agit plus d’une amélioration linéaire, mais d’un cercle vertueux où chaque étape finance et amplifie la suivante :
- Des modèles plus puissants génèrent de la valeur économique réelle (productivité, automatisation, nouveaux services).
- Cette valeur attire des investissements massifs dans les data centers : Microsoft, Google et Amazon ont annoncé plus de 300 milliards de dollars d’investissements combinés pour 2024-2026.
- Ces infrastructures financent la R&D en matériel (puces Nvidia H100, B200, Grace Blackwell) et en logiciel.
- De nouvelles applications émergent, créant de nouveaux marchés et attirant de nouveaux utilisateurs.
- La boucle recommence, avec des modèles encore plus performants.
Ce mécanisme est fondamentalement différent de la loi de Moore : il n’est pas limité par la physique des matériaux, mais stimulé par l’économie de marché et l’innovation logicielle.
Les nouvelles architectures matérielles qui remplacent Moore
Face à l’essoufflement de la miniaturisation traditionnelle, l’industrie a opéré une transformation radicale de son approche du calcul haute performance. Les ingénieurs ne cherchent plus à entasser davantage de transistors, mais à spécialiser, distribuer et interconnecter.
Les puces spécialisées pour l’IA
- GPU (Nvidia H100, B200) : devenus le standard de l’entraînement des grands modèles de langage.
- TPU (Google) : conçus spécifiquement pour TensorFlow et les réseaux neuronaux profonds.
- NPU embarqués dans les smartphones (Apple Neural Engine, Qualcomm Hexagon) pour l’inférence locale.
L’intégration hétérogène et les chiplets
L’approche chiplets permet d’assembler sur un même boîtier des cœurs de calcul, de mémoire et d’I/O fabriqués par des fonderies différentes. AMD, Intel et TSMC misent massivement sur cette technologie pour contourner les limites de gravure monolithique. Résultat : des puces aux performances record sans avoir besoin de repousser la finesse de gravure.
L’économie à 100 000 milliards € : les secteurs qui vont tout transformer
Le cabinet McKinsey estime que l’IA générative pourrait ajouter entre 2 600 et 4 400 milliards de dollars de valeur annuelle à l’économie mondiale. En intégrant l’ensemble des effets de l’IA sur l’automatisation, la productivité et la création de nouveaux marchés sur 10 à 15 ans, les projections les plus audacieuses — partagées par des économistes du MIT et de Goldman Sachs — évoquent une transformation totale de l’économie mondiale pouvant dépasser les 100 000 milliards d’euros de valeur cumulée.
Les secteurs les plus impactés :
- Santé : diagnostic par imagerie, découverte de médicaments (DeepMind AlphaFold), médecine personnalisée.
- Industrie manufacturière : robots cognitifs, maintenance prédictive, contrôle qualité automatisé.
- Finance : détection de fraudes en temps réel, conseil financier automatisé, trading algorithmique.
- Énergie : optimisation des réseaux électriques, prévision de la demande, gestion des énergies renouvelables.
- Éducation : tuteurs personnalisés, adaptation des contenus pédagogiques en temps réel.
- Création et médias : génération de contenu texte, image, son et vidéo à grande échelle.
Enjeux sociaux et défis à relever pour cette nouvelle ère
Cette révolution n’est pas sans tensions. Si l’IA promet une prospérité inédite, elle soulève des questions fondamentales auxquelles entreprises, gouvernements et citoyens doivent répondre dès maintenant :
- L’emploi : le World Economic Forum estime que 85 millions de postes seront transformés d’ici 2025, mais que 97 millions de nouveaux rôles émergeront (data engineers, éthiciens IA, prompt engineers…).
- La régulation : l’Union européenne a adopté l’AI Act en 2024, premier cadre légal mondial encadrant les usages à risque de l’IA.
- L’énergie : les data centers consomment déjà 1 à 2 % de l’électricité mondiale ; ce chiffre pourrait tripler d’ici 2030.
- L’éthique et les biais : garantir l’équité des algorithmes et la transparence des décisions automatisées reste un chantier immense.
- La souveraineté technologique : la dépendance aux puces taïwanaises et aux clouds américains pose des enjeux géopolitiques majeurs pour l’Europe.
La véritable question n’est pas de savoir si l’IA va transformer l’économie mondiale — c’est déjà en cours. Il s’agit de décider qui en fixera les règles, et comment les bénéfices seront distribués à l’échelle de la société. La mort de la loi de Moore n’est pas une fin : c’est le signal de départ d’une course économique et technologique dont nous n’avons encore vu que les premières secondes.