FAQ

La France a pris du retard, mais elle possède encore les conditions nécessaires pour le rattraper : une économie assez grande pour financer l'effort ; une base scientifique et technique de premier plan ; la capacité d'attirer des talents internationaux ; une véritable autonomie stratégique vis-à-vis des États-Unis ; et une électricité abondante et largement décarbonée. Elle dispose notamment d'un acteur comme Mistral et d'un vivier exceptionnel de chercheurs et d'ingénieurs, dont beaucoup travaillent aujourd'hui dans les laboratoires américains. Elle ne part donc pas de zéro.

L'écart actuel repose largement sur des moyens qui peuvent être réunis : puissance de calcul, talents, capital, énergie et capacité d'exécuter rapidement. Mais l'ampleur des investissements augmente vite. L'objectif de Prométhée est précisément de concentrer ces moyens assez vite pour atteindre environ 12 GW de calcul en 2029.

L'autre risque, c'est que l'avance des premiers laboratoires devienne cumulative. L'accès aux meilleurs modèles permet déjà d'écrire du code, d'automatiser la recherche, de concevoir de nouvelles expériences et d'améliorer les modèles suivants. C'est le début d'une forme d'amélioration récursive : l'IA contribue à produire une meilleure IA. Si nous laissons passer trois ans sans rien faire, il deviendra économiquement et technologiquement impossible de rattraper la frontière pour un pays comme la France.

Il ne s'agit pas d'une dépense courante supplémentaire, mais d'un investissement exceptionnel, limité à une période de rattrapage de trois ans. L'ordre de grandeur annuel, en pourcentage du PIB, est similaire à celui fourni pour le déploiement du nucléaire en France (et ici sur une période beaucoup plus courte), et c'est pourquoi nous l'avons retenu : l'État a déjà soutenu un effort de ce type. Il représente moins d'un tiers du déficit public annuel actuel. Il augmenterait le ratio de dette publique de moins de 4 %. En cas de succès, Prométhée pourrait ensuite financer son fonctionnement par la vente de modèles, de services et de puissance de calcul, et produirait à moyen terme des retours financiers considérables à l'État via ses parts (25 %) dans le laboratoire.

Dans le scénario retenu, la contribution de l'État atteindrait environ 50 milliards d'euros par an pendant trois ans. Cette somme constitue toutefois un plafond plutôt qu'un besoin incompressible de financement budgétaire direct. L'intervention publique peut prendre plusieurs formes afin de maximiser l'effet de levier sur les capitaux privés.

L'État pourrait d'abord se porter garant, afin de réduire le risque supporté par certains investisseurs, notamment nationaux. Il pourrait également améliorer fortement l'économie des projets en sécurisant, pour les centres de données, des contrats d'approvisionnement électrique de long terme. Dans un contexte mondial marqué par la rareté des capacités électriques rapidement disponibles, l'accès à une énergie abondante, décarbonée et prévisible constitue en lui-même un actif susceptible d'attirer des développeurs et des opérateurs internationaux.

Enfin, la contribution publique ne serait pas seulement financière. Une loi d'exception, inspirée de celle adoptée pour la reconstruction de Notre-Dame, pourrait raccourcir radicalement les délais d'autorisation, de raccordement et de construction des centres de données. En réduisant le risque réglementaire et le délai de mise en service, l'État augmenterait la valeur économique du programme tout en diminuant le montant de capital public nécessaire.

Il faut en outre distinguer la part du capital financée par l'État de la part du pouvoir qu'il conserve dans la gouvernance. Une structure à plusieurs catégories d'actions pourrait, par exemple, attribuer à l'État des actions de classe A assorties de prérogatives strictement circonscrites à la protection des intérêts stratégiques, tandis que les investisseurs privés détiendraient des actions de classe B offrant des droits économiques attractifs. Sous réserve de préserver un équilibre acceptable pour ces investisseurs, l'État pourrait conserver un droit de veto sur un nombre limité de décisions essentielles : changement de contrôle, cession d'actifs stratégiques, transfert de technologies, localisation des infrastructures ou accès aux capacités de calcul. Ces droits n'auraient pas vocation à s'étendre aux choix scientifiques, technologiques, opérationnels ou commerciaux du laboratoire, qui demeureraient de la responsabilité de ses dirigeants.

Rappelons que l'alternative n'est pas gratuite. Ne pas investir signifie acheter pendant des décennies les services américains dont dépendront nos entreprises, nos administrations et nos infrastructures.

C'est une confusion sur la nature de la somme. Les quelque 600 milliards mobilisés par le projet ne sont pas une enveloppe budgétaire prélevée sur les dépenses publiques, qu'on pourrait réallouer à volonté vers les hôpitaux ou les écoles. Il s'agit très majoritairement de capital privé, en grande partie international, qui vient financer une infrastructure de calcul précisément parce qu'il y trouve une opportunité d'investissement rentable liée à l'IA. Ce capital ne se déplacerait pas vers d'autres priorités nationales : en l'absence de Prométhée, il n'irait pas financer nos hôpitaux, il irait financer des centres de données ailleurs, aux États-Unis notamment.

La contribution directe de l'État reste, elle, limitée (de l'ordre de 50 milliards d'euros par an sur trois ans, soit environ 1,5 % du PIB) et inclut notamment des garanties et un effet de levier destinés à attirer ce capital privé, plutôt que des dépenses sèches. Le véritable arbitrage n'est donc pas « 600 milliards pour l'IA ou 600 milliards pour l'hôpital », mais « faire venir en France un capital mondial qui, sinon, se déploiera de toute façon dans l'IA, mais au bénéfice d'autres pays ». En cas de succès, ce sont au contraire les revenus dégagés par le projet qui pourraient contribuer à financer les services publics et le modèle social.

Arthur Mensch l'avait estimé, devant l'Assemblée nationale, à 1 000 milliards de dollars par an à horizon 5 ans : « Si on importe la technologie non européenne, c'est mille milliards de déficit commercial à rajouter à notre déficit commercial existant sur les services numériques. Si le seul rôle de l'Europe, c'est d'être le fournisseur d'énergie, c'est-à-dire qu'il y a quatre-vingt-dix pour cent de la valeur qui sort de l'Europe et qui va être investie ailleurs. »

Pour s’en convaincre, il suffit d’observer qu’aux Etats-Unis, la part des services IA dans les coûts des entreprises, dépassant 500 dollars par employé pour les 10% des entreprises les plus avancées, rivalisent déjà avec la valeur des salaires (données fournies par Ramp).

La question peut aussi être formulée plus simplement : voulons-nous que l'automatisation inéluctable d'une part considérable du travail français profite, par vases communicants, à des sociétés américaines, ou qu'elle serve la prospérité de la France et la pérennité de son modèle social ? Une large fraction de la masse salariale aujourd'hui versée en France serait convertie en abonnements, appels d'API et achats de services étrangers.

Le projet n'est pas fait pour créer des emplois, et en créerait peu relativement à son coût. Les emplois directs peuvent être calculés : le laboratoire lui-même offrirait environ 2 000 emplois et l'exploitation des centres de données, si l'on retient le chiffre usuel de 300 à 500 personnes par gigawatt en régime permanent, environ 5 000 emplois. La construction des infrastructures impliquerait environ 3 000 à 5 000 ouvriers par GW pendant les travaux, soit, sur trois ans, environ 100 000 années-emploi cumulées. Pour les emplois indirects, avec des multiplicateurs standards pour la construction et les services techniques en France, on peut grossièrement doubler les chiffres ci-dessus. Cela donnerait des emplois permanents, directs, indirects et induits, de l'ordre de 20 000 à 40 000, en plus des emplois temporaires de chantier.

Mais le plus important n'est pas là ; c'est que nous courons le risque de voir des centaines de milliards de dollars de valeur ajoutée française et européenne partir aux États-Unis si nous restons dépendants de leurs modèles. Si Prométhée capte ne serait-ce que 10 % du flux, l'effet sur l'emploi transite par la dépense de ses revenus, avec potentiellement des centaines de milliers d'emplois indirects.

Les conséquences sociales de l'automatisation peuvent être comparables, mais posséder les modèles permettrait à la France de conserver une part des revenus, de fixer les conditions d'accès, de servir en priorité ses secteurs critiques et notamment ceux dont dépendent notre défense et notre sécurité nationale, d'adapter les systèmes à ses entreprises et à son droit, et de ne pas dépendre d'une autorisation étrangère pour faire fonctionner son économie. Par ailleurs, les Français bénéficieraient des retombées économiques en France et, s'ils participent à l'investissement, des retombées financières.

La consommation visée (environ 121 TWh par an en 2029, PUE inclus) serait alimentée par le parc électrique le plus décarboné des grandes économies : l'intensité carbone du réseau français s'établit autour de 20 à 40 gCO₂eq/kWh selon les années (données RTE), contre environ 350 à 400 pour les États-Unis, où se construit aujourd'hui l'essentiel du calcul mondial. Il faut cependant tenir compte du coût d'opportunité électrique : la note établit que la consommation serait couverte sans nouvelle capacité, par le relèvement du facteur de charge du parc existant (jusqu'à 100 TWh) et la marge des quelque 90 TWh aujourd'hui exportés. Ces exportations ne sont pas climatiquement neutres : l'électricité nucléaire française exportée se substitue, chez certains de nos voisins, à des moyens majoritairement fossiles. Réorienter une partie de ces flux vers Prométhée aurait donc un coût carbone indirect. Le refroidissement des centres de données peut être conçu en circuit fermé ou en refroidissement par air (dry cooling), au prix d'un surcoût énergétique (dépendant de la localisation et de la conception du site), ce qui ramène la consommation d'eau directe à des niveaux marginaux.

Prométhée serait en concurrence avec OpenAI, Anthropic, Google, Meta et xAI pour recruter quelques-uns des chercheurs et ingénieurs aux compétences les plus rares au monde. Beaucoup des talents qui travaillent dans ces laboratoires sont français ou européens, mais leurs compétences sont aujourd'hui rémunérées au prix du marché mondial. Des salaires en dizaines, voire en centaines de millions d'euros sont la norme pour ce type de postes dans les grands laboratoires, et s'aligner constitue une condition sine qua non de l'attractivité du laboratoire, et donc du succès du projet. Comme la masse salariale est de toute façon un coût quasiment négligeable par rapport à l'infrastructure à l'échelle du projet, il ne faut pas économiser sur ce plan.

Avec Prométhée, la France deviendrait en cas de succès la troisième puissance de l'intelligence artificielle et le fer de lance de l'autonomie stratégique européenne. Elle pourrait fournir aux citoyens, aux entreprises et aux administrations des agents IA avancés, exporter des services d'intelligence, développer la robotique et utiliser les gains de productivité pour financer son modèle social et préserver son niveau de vie.

Sans Prométhée, l'économie française utiliserait probablement autant d'intelligence artificielle, mais elle l'achèterait principalement aux États-Unis ou à la Chine. Les entreprises françaises verseraient une part croissante de leurs revenus à des fournisseurs étrangers, tandis que les secteurs les plus sensibles pourraient recevoir des modèles moins avancés ou soumis à des restrictions politiques, au risque d'un déclassement stratégique. Les puissances exportatrices pourraient nous faire du chantage sur n'importe quel sujet à partir de ce levier.

Ils pourraient en bénéficier de trois manières. D'abord comme utilisateurs : chaque citoyen pourrait accéder à des agents capables de l'aider dans son travail, ses démarches et sa vie quotidienne, à des services publics à l'efficacité fortement augmentée, puis à terme à des systèmes robotiques. Ensuite comme travailleurs et contribuables : les gains de productivité pourraient renforcer les salaires, les entreprises, les recettes publiques et permettre le financement des retraites et plus largement du modèle social. Enfin comme épargnants : une partie du projet pourrait être ouverte à l'épargne française, notamment à travers des véhicules compatibles avec les assurances-vie, le PEA ou le PER.

La partie n'est pas encore jouée : Meta vient de publier des modèles de très bon niveau (Muse Spark), de même que xAI, ce qui montre bien que la détention de beaucoup de puissance de calcul reste un déterminant essentiel de la réussite. Par ailleurs, nous prévoyons une organisation qui laisse toute sa liberté et son autonomie au laboratoire lui-même : l'implication de l'État consisterait à lancer l'initiative avant de se cantonner à la construction de l'infrastructure de calcul, sans ingérence dans le développement des modèles. Il y a des précédents : c'est l'État qui a intégralement créé la Compagnie française des pétroles (CFP) en 1924 sans pour autant en contrôler la gestion. Elle est depuis devenue la compagnie privée Total, avec le succès que l'on sait.

Le Minitel n'a pas échoué par défaut d'exécution, mais parce que la France avait parié sur le mauvais paradigme au moment où le reste du monde en choisissait un autre. Le plan Prométhée consiste au contraire à copier un paradigme déjà validé par le marché : les LLM et les lois d'échelle. Le parallèle est plutôt celui de la France de la fin des années 1960, qui avait renoncé à s’obstiner dans sa filière nationale graphite-gaz et adopté, sous licence avant de la franciser, la technologie américaine éprouvée des réacteurs à eau pressurisée ; le risque de se tromper de technologie est donc considérablement réduit.

Les motivations des deux projets sont similaires (une crainte pour la souveraineté technologique de la France), mais le plan Prométhée diverge radicalement du Plan Calcul dans sa conception et sa méthode, sur cinq points :

- L'échelle : le plan vise la parité de calcul avec les leaders (12 GW), là où le Plan Calcul finançait au dixième des moyens d'IBM. Prométhée est précisément construit contre cette erreur de sous-dimensionnement. À cet égard, ce sont plutôt les initiatives européennes actuelles, dispersées et sous-critiques, qui rejouent le Plan Calcul.

- La profondeur de l'avance adverse : là où la CII affrontait vingt ans d'avance d'IBM, des architectures propriétaires et des clients verrouillés par leurs parcs installés, la frontière de l'IA n'a que quatre ans et ses recettes se diffusent (publications, poids ouverts). DeepSeek, Moonshot ou xAI ont montré qu'on peut l'approcher en 18 à 28 mois, ce qui était inconcevable face à IBM.

- La nature du produit : à l'époque du Plan Calcul, les ordinateurs se vendaient par réseaux commerciaux, ce qui permettait un verrouillage par la maintenance et le logiciel, là où le token se vend par API avec des coûts de bascule faibles, asymétrie nette favorable au challenger.

- La demande souveraine : à l'époque du Plan Calcul, l'administration achetait des Iris par contrainte. Aujourd'hui, la demande d'IA est déjà massive, y compris au sein de l'État pour des applications régaliennes intéressant la sécurité nationale. Le marché national de Prométhée a une tout autre ampleur que celui du Plan Calcul.

- Le montage proposé, enfin. L'échec du plan Calcul est d'avoir été poursuivi pendant des décennies sans arrêter les frais. Notre dispositif de jalons de sortie clairement établis en tire les leçons. Quant à l'unité de commandement essentielle au projet, qui en détermine le caractère d'abord national, elle évite l'erreur d'Unidata, le consortium multinational dérivé du Plan Calcul dans lequel trois industriels rivaux devaient concevoir ensemble.

Le rattrapage que nous visons, dans la fenêtre étroite qui se présente à la France pour rattraper la frontière, exige de la vitesse, donc une chaîne de décision claire avec une unité de commandement. Un programme multinational dépendant de l'accord permanent de nombreux États risquerait de consacrer plusieurs années à répartir les financements, les sites, les postes et les retombées industrielles, ce qui condamnerait irrémédiablement le projet. Pour autant, notre proposition associe des pays partenaires au projet en leur offrant de participer à son financement à une échelle bien plus limitée que la France, et d'obtenir en échange la garantie, pour leurs entreprises, d'accéder aux modèles produits dans les mêmes conditions que les entreprises françaises. Prométhée constituerait ainsi un acquis majeur de l'autonomie stratégique européenne, à l'avantage de tous les Européens.

Dans le scénario du statu quo, chaque token acheté à OpenAI ou Anthropic incorpore déjà le coût des GPU Nvidia, augmenté de la marge du laboratoire d'IA américain. La rente payée à un laboratoire américain est, elle, évitable à court terme. Un embargo sur les puces gèlerait à moyen terme notre croissance de capacité ; un embargo sur les modèles, comme l'a montré l'épisode Fable 5, couperait notre approvisionnement en intelligence instantanément et intégralement. Le coût GPU de Prométhée est un pic d'importation discret et un actif durable. Les données disponibles montrent d'ailleurs que les accélérateurs conservent de la valeur après la sortie de la génération suivante. Epoch AI observe que le prix du H100 est resté dans une fourchette basse à médiane de 20 000 dollars en 2024 et 2025, sans tendance baissière claire dans les prix publics. Au début de 2026, les indices de location des H100 ont même remonté sous l'effet de la demande, et le marché secondaire leur attribuait encore une valeur résiduelle élevée. À l'inverse, la consommation de modèles que l'on ne produit pas est une charge supplémentaire et continue sur la balance commerciale. Le choix réel n'est donc pas entre une France parfaitement autonome et une France dépendante de Nvidia (les États-Unis sont d'ailleurs eux-mêmes dépendants du taïwanais TSMC pour la production des puces). Il est, à court terme, entre deux configurations : dépendre de Nvidia ainsi que des laboratoires, de leurs modèles et de la juridiction américaine ; ou dépendre initialement de Nvidia pour les puces, tout en maîtrisant en France les infrastructures, les modèles, les compétences, les revenus et les décisions d'accès. On peut ajouter enfin que le monopole de Nvidia ne dispose pas d'une protection structurelle telle que le coût croissant du rattrapage de la frontière et la récursivité prochaine des modèles : l'émergence organique de concurrents non américains sur ce segment dans les années à venir est bien plus crédible que pour les modèles de frontière.

Prométhée ne prétend pas dispenser la France d'une politique ambitieuse de diffusion, qui s'impose pour tirer de l'IA tout son potentiel en gains de productivité. Cependant, une politique de diffusion sans capacité de production propre consisterait largement à subventionner l'achat de services étrangers. Si l'on considère l'hypothèse d'une automatisation de 10 % de la masse salariale par des agents IA, la question revient à savoir si l'on remplace 10 % de la masse salariale européenne ou française par des agents IA américains, ou si l'on veut conserver cette valeur.

La frontière ne se découpe pas. Tous les chemins vers un modèle de niveau frontière en cyberdéfense ou en mathématiques démontrés à ce jour passent par un socle généraliste et disposent d'un pré-entraînement à l'état de l'art. Les capacités qui comptent pour la sécurité, par exemple le raisonnement long, les capacités agentiques sur des tâches de plusieurs heures ou la maîtrise du code, ne s'obtiennent pas en entraînant un petit modèle sur un corpus spécialisé : elles émergent de l'échelle, c'est-à-dire du pré-entraînement massif. Les modèles expérimentaux à l'origine de résultats nouveaux en mathématiques sont eux-mêmes issus des laboratoires à la frontière. Par exemple, le framework AlphaProof Nexus à l'origine de la résolution de problèmes d'Erdős repose sur des sous-agents fondés sur Gemini 3.1 Pro. La sécurité nationale exige donc un flux continu de capacités suivant la frontière.

Il est essentiel de distinguer le coût d'un niveau de capacité donné, qui s'effondre au cours du temps, et le coût de la frontière, qui explose. Les deux sont vrais simultanément, et c'est le second qui compte pour Prométhée. À capacité de modèle donnée, les gains d'efficacité algorithmique (architectures de modèles, méthodes d'optimisation et d'entraînement) et matérielle réduisent le coût d'entraînement du modèle ainsi que les coûts d'inférence (diminution d'un facteur 10 chaque année depuis trois ans). La performance par dollar s'améliore d'environ 30 à 40 % par an sur les accélérateurs sortis entre 2012 et 2025, soit un doublement tous les 2 à 2,5 ans environ. Certaines observations avancent qu'à performance donnée, le coût d'un modèle sera divisé par quatre chaque année grâce aux avancées technologiques : autrement dit, si entraîner un modèle coûte 100 millions de dollars aujourd'hui, ce coût tombera à 25 millions un an plus tard, puis à 6 millions deux ans après, etc. Cependant, à la frontière, les laboratoires réinvestissent ces gains d'efficacité, par exemple en ouvrant de nouveaux axes de passage à l'échelle comme le test-time scaling, qui améliore les résultats en dépensant davantage de calcul au moment de la résolution. Chaque baisse du coût par token ouvre des usages jusque-là non viables et contribue à faire exploser la demande totale.

À plusieurs reprises, les cofondateurs des laboratoires d'IA chinois ont désigné les capacités de calcul comme l'une des principales limites des laboratoires chinois par rapport aux américains :

- Tang Jie, cofondateur de Zhipu AI et ancien de Google DeepMind, a souligné que, malgré la publication par les laboratoires chinois de modèles open source performants, les États-Unis conserveraient une avance grâce à des modèles de frontière encore non publiés, soutenus par des capacités de calcul et des moyens financiers nettement supérieurs. Les gains d'efficacité imposés par la contrainte peuvent compenser partiellement ce désavantage, sans toutefois résorber l'écart.

- Yang Zhilin, fondateur de Moonshot AI (qui développe notamment les modèles Kimi), a présenté en 2025 le calcul comme un facteur de production central pour les projets « Moonshot », c'est-à-dire le passage à l'échelle des modèles de frontière.

- Lin Junyang, ancien responsable technique de l'équipe Qwen d'Alibaba, estime à moins de 20 %, une hypothèse qu'il juge déjà « très optimiste », la probabilité qu'une entreprise chinoise dépasse, dans les trois à cinq prochaines années, des acteurs comme OpenAI. Il attribue principalement cet écart à des ressources de calcul supérieures d'un à deux ordres de grandeur aux États-Unis.

En outre, les laboratoires chinois disposent de capacités de calcul plus limitées pour l'inférence, notamment pour les usages grand public et les déploiements B2C. Cette contrainte pèse sur la qualité globale de l'expérience utilisateur : certains modèles peuvent afficher d'excellentes performances sur certains benchmarks, par exemple de code, tout en restant moins aboutis pour d'autres usages. Ainsi, dans le blog de publication de Kimi K3, les développeurs notent que l'expérience utilisateur demeure sensiblement inférieure à celle de Claude Fable 5 et de GPT-5.6 Sol, malgré des scores agrégés proches sur Artificial Analysis.

Disposer des capacités de calcul pour servir le plus grand nombre d'utilisateurs est également un moteur économique et technique essentiel de la frontière. Plus un laboratoire sert d'utilisateurs, plus il apprend à réduire son coût par token, à améliorer ses kernels, son routage, son batching ou le taux d'utilisation des accélérateurs ; plus son inférence devient efficace, plus il peut vendre d'intelligence, générer des revenus, capter des données et des signaux d'usage, et réinvestir dans le cycle suivant.

Un laboratoire de frontière peut investir de l'ordre de 0,5 à 1 milliard de dollars par an dans l'acquisition de données : licences de contenus externes, annotation humaine sur des tâches frontières, dont chaque exemple peut coûter plusieurs dizaines de milliers de dollars, ou encore infrastructures et environnements de RL. Mais au premier ordre, les capacités de calcul deviennent un proxy de plus en plus fiable de la qualité des données auxquelles un laboratoire a réellement accès. Plusieurs mécanismes y participent.

La génération synthétique de données est une première source. Avec de bons environnements et beaucoup de rollouts, un modèle peut générer, critiquer, filtrer et réécrire ses propres trajectoires d'entraînement. Plus d'étapes de simulation signifie des données plus riches, plus diverses et à plus fort signal ; le calcul alimente la génération procédurale de tâches, la correction d'erreurs et la montée en difficulté du curriculum. Un modèle puissant qui produit et raffine les exemples d'entraînement du modèle suivant remplace des armées d'annotateurs.

Pour un problème de mathématiques ou de programmation difficile, le laboratoire peut également générer cent réponses différentes, les soumettre à un vérificateur, test unitaire, compilateur, preuve formelle ou réponse de référence, puis ne conserver que les trajectoires correctes et les plus instructives. Plus le budget de calcul est important, plus il est possible d'échantillonner de solutions, d'explorer des raisonnements rares et de constituer un jeu de données propre sur des problèmes proches de la limite des capacités du modèle. DeepSeek-R1 a, par exemple, utilisé des sorties produites par son propre modèle et sélectionnées par rejection sampling pour créer de nouvelles données d'entraînement supervisé.

Les environnements simulés par modèle sont aussi un moyen de convertir directement du calcul en données. Plutôt que de construire un environnement exécutable à base d'outils et d'API, un second modèle simule l'environnement : l'agent émet un appel d'outil, et le modèle simulateur génère la réponse de l'outil, la transition d'état ou la réponse de l'utilisateur, à partir des seules définitions d'outils et de l'historique d'interaction. Des travaux comme Qwen-AgentWorld simulent une série d'environnements agentiques (MCP, recherche, terminal, SWE, web, OS, Android) au sein d'un seul modèle.

En plus de cela, la puissance de calcul peut permettre d’entraîner un modèle en se passant absolument de données, au moyen du Reinforcement Learning (RL). Alors que le SFT (Supervised Fine-Tuning), méthode classique d'entraînement, consiste à laisser le modèle proposer la complétion d’une phrase, mot par mot, et le récompenser s’il trouve la bonne complétion, le RL consiste au contraire à laisser le modèle expérimenter par lui-même. On donne au modèle des commandes dans un environnement virtuel, on le laisse “jouer” en vue d’atteindre un objectif, et l’environnement le récompense s’il y parvient. Par exemple, le jeu peut consister à générer un bloc de code pour résoudre un problème ; la récompense sera donnée si le problème est résolu. Ou en robotique, à contrôler les moteurs d’un robot humanoïde dans un environnement 3D, et la récompense sera le nombre de mètres parcourus avant de tomber. Ce signal de RL permet d’entraîner longuement le modèle sur un domaine ; on cherche ensuite à multiplier autant que possible les environnements de RL pour passer à l’échelle sur une multitude de domaines. Ce procédé du Reinforcement Learning, qui vient complémenter l’utilisation de données (le classique SFT) dans les procédures d’entraînement, a pris de plus en plus d’importance au fil du temps, jusqu’à mobiliser la majorité de la puissance de calcul des entraînements (voir par exemple les graphes publiés par xAI pour accompagner la publication de Grok 4); il peut même se substituer complètement à l’usage de données (voir DeepSeek Zero), bien que l’amorçage par SFT reste préférable.

On le voit, les conversions ou les substitutions ne manquent pas entre calcul et données ; ainsi, le manque de données peut être efficacement pallié par la puissance de calcul.

D’abord, ce paradigme Transformers a sans doute de beaux jours devant lui. Depuis la publication de ChatGPT, les meilleurs modèles du monde sur des évaluations générales comme Artificial Analysis sont des Transformers. Tous les labos de pointe misent la quasi-totalité de leurs ressources sur les Transformers : OpenAI, Anthropic, xAI, Google, Alibaba, DeepSeek, Zhipu, Mistral. Même Meta, pourtant longtemps dirigée par Yann Le Cun qui promeut depuis plusieurs années une architecture alternative (JEPA), a décidé de se recentrer sur les LLM avec sa récente réorganisation consécutive au départ de Le Cun. Que les Transformers puissent devenir obsolètes, en effet, rien n’est impossible ; mais la charge de la preuve reste à l’attaque, et les arguments existants n’ont pour l’instant convaincu aucun des laboratoires de pointe.

Mais même si c’était le cas, posséder du compute resterait toujours aussi nécessaire. En effet, quand on considère les alternatives à Transformers qui existent déjà (citons, en plus de JEPA, les RNN ou Mamba), ces architectures sont toujours soumises à des lois d’échelle (voir par exemple les lois présentées dans Mamba: Linear-Time Sequence Modeling with Selective State Spaces): ce qui change, c’est la position de la courbe, mais pas sa forme. Ainsi, pour obtenir la meilleure performance, il faudra toujours mobiliser le maximum de compute. Gagner même un facteur 10 d’efficacité nous ferait simplement sauter plus loin sur la courbe. Et les GPU que nous achèterons pour l’entraînement, probablement des GB200 de NVIDIA ou assimilé (AMD propose aussi de bons modèles), ne sont pas tant optimisés spécifiquement pour Transformers que pour les grands modèles de langage en général (leur grand effort est la colocalisation des coeurs logiques et de la mémoire sur les puces, qui est simplement une caractéristique nécessaire de tout modèle d’IA à partir d’un certain nombre de paramètres où la bande passante mémoire-calcul devient critique), ainsi ils se prêteraient presque aussi bien à une architecture alternative.

Le raccordement d'un grand centre de données se joue souvent sur quatre à cinq ans, parfois davantage, alors que l'engagement ferme d'un client final (un laboratoire d'IA, par exemple) ne peut intervenir qu'à un stade beaucoup plus avancé du projet, souvent dans les 12 à 18 mois précédant la première mise sous tension. Le développeur de site porte donc le risque sur une longue durée : il doit consentir des avances de trésorerie à RTE pour accélérer les commandes. Pendant trois à quatre ans, il doit ainsi justifier un terrain sur lequel il ne se passe pas grand-chose et décaisser une trentaine de millions d'euros pour être en mesure de le raccorder.

Deux facteurs conditionnent le raccordement : la disponibilité des capacités et la teneur des travaux d'investissement.

- La disponibilité : on peut physiquement flécher un excédent de production vers une zone. Aujourd'hui, certaines régions (comme Auvergne-Rhône-Alpes ou l'Île-de-France) sont en tension.

- La capacité du réseau à supporter l'énergie qui sera tirée sans mettre en péril le reste du réseau, d'où, souvent, des besoins de travaux d'investissement.

Comment accélérer sur ces deux fronts ?

- Sur la disponibilité : le problème vient des files d'attente de PTF encombrées. Une PTF (Proposition technique et financière) est l'engagement de raccordement conclu avec le gestionnaire de réseau de transport, RTE en France. Concrètement, un développeur foncier demande à RTE un raccordement pour une puissance donnée (X MW) et paie pour entrer dans la file d'attente. Ces files sont encombrées : par exemple, des projets hydrogène conçus il y a trois ou quatre ans autour d'une puissance de 100 MW bloquent le raccordement là où la capacité existe. Tant qu'un tel projet n'est pas sorti de la pile, il ralentit le raccordement là où il y a de la capacité.

- Sur la vitesse des travaux de raccordement : elle dépend d'abord des enjeux environnementaux, dont les procédures très longues peuvent prendre plus d'un an, puis de la commande de matériel (transformateurs et câbles notamment), qui pose des enjeux d'avance de trésorerie et d'optimisation de la chaîne d'approvisionnement. RTE lui-même, en tant qu'acheteur, doit optimiser sa chaîne d'approvisionnement en transformateurs et en câbles.

La demande d'inférence, qui croît plus vite que l'offre de calcul, maintient à ce jour la valeur des équipements à des niveaux atypiques pour du matériel informatique. Trois indicateurs convergent.

- En premier lieu, les prix du matériel neuf ne connaissent pas d'érosion. Le prix de vente du H100 s'est maintenu dans une fourchette de 25 000 à 40 000 dollars l'unité de mi-2024 à début 2026, soit sur l'essentiel de son cycle de vie commercial, malgré la mise sur le marché de la génération suivante (Blackwell), elle-même commercialisée à un prix unitaire supérieur, tant la demande ne cesse d'augmenter. Cette persistance de la valeur d'un H100, qui devrait pourtant se déprécier au profit de la génération suivante bien plus puissante, s'explique par les gains algorithmiques mentionnés plus haut : un seul H100 permet d'accomplir de plus en plus de tâches.

- En deuxième lieu, le marché secondaire présente une décote anormalement faible au regard des standards du matériel d'entreprise. CoreWeave, premier loueur spécialisé de capacités de calcul, indique que ses A100 acquis en 2020 demeurent intégralement réservés, et qu'un lot de H100 de 2022 arrivé à échéance contractuelle a été immédiatement reloué à 95 % de son tarif d'origine. Les GPU plus anciens peuvent conserver une valeur économique dans le temps grâce à la spécialisation des usages : les puces les plus récentes sont par exemple réservées au prefill et au pré-entraînement à la frontière, tandis que les générations précédentes restent adaptées à la phase de décodage, aux évaluations et à l'inférence de modèles plus petits.

- En troisième lieu, les taux d'utilisation des générations anciennes restent maximaux. Nvidia a confirmé en novembre 2025 que les A100, livrés à compter de 2020, fonctionnent toujours à pleine utilisation six ans après leur mise en service ; Google fait état d'une utilisation à 100 % de ses TPU de septième et huitième années. Dès lors, même en cas d'échec du laboratoire à atteindre la frontière, les investissements du projet Prométhée ne seraient pas brûlés en pure perte mais donneraient à la France des actifs durablement très précieux, sur le plan économique comme stratégique.

Retenons comme critère de compétitivité le fait que notre modèle ait plusieurs mois d'avance sur la meilleure frontière open source du moment. Deux cas de figure se présentent.

- Si notre laboratoire parvient à sortir régulièrement des modèles clairement meilleurs que le meilleur open source du moment, alors l'objectif de la mission est au moins partiellement rempli, il trouvera sa demande, dotant la France d'une puissance de pointe.

- Dans le cas contraire, peu probable, où les modèles du laboratoire ne parviendraient pas à dépasser clairement le meilleur open source du moment, il resterait la possibilité d'un pivot vers la mise à disposition de la puissance de calcul acquise, et très recherchée, pour d'autres usages : soit louer cette puissance disponible à prix d'or (environ 50 milliards de dollars par an et par GW, soit des centaines de milliards par an pour l'ensemble) à un ou plusieurs autres laboratoires (les limites de puissance électrique disponible aux États-Unis nous garantissent que plusieurs laboratoires américains seront contraints en calcul, donc preneurs d'une location), soit l'utiliser à notre guise pour nos propres besoins d'inférence avec le modèle open source en question.

100 %, comme le montre l'exemple de Colossus 1 loué à Anthropic.

Même si le laboratoire échouait et que Prométhée se repliait sur une activité de location de puissance de calcul, l'investissement public initial pourrait rester exceptionnel, sous deux hypothèses : que les prix ne tombent pas durablement sous environ 35 à 40 % du tarif observé sur Colossus, et qu'au moins 70 % du parc soit loué en moyenne.

Le contrat Colossus fournit une borne haute : Anthropic doit verser 1,25 milliard de dollars par mois pour environ 325 000 GPU répartis entre Colossus I et II, soit 15 milliards de dollars par an et environ 5 à 7 dollars par GPU-heure. Le contrat est toutefois résiliable avec un préavis de 90 jours et ne doit donc pas être assimilé à un prix de marché garanti jusqu'en 2029.

En reprenant, à titre d'hypothèse, la densité de Colossus I, environ 220 000 GPU pour un peu plus de 300 MW, un parc de 12 GW loué à 70 % et facturé à seulement la moitié du tarif Colossus générerait environ 140 milliards de dollars de revenus annuels. Son coût complet annualisé serait de l'ordre de 102 milliards de dollars, sur la base des 8,5 milliards par GW et par an estimés par Epoch AI. Le parc dégagerait donc encore près de 40 milliards de dollars par an après prise en compte de l'exploitation, de l'amortissement et du renouvellement des équipements.

Le seuil d'équilibre se situerait autour de 1,9 dollar par GPU-heure avec 70 % d'occupation, soit environ 36 % du tarif Colossus. Les prix pourraient ainsi diminuer de près des deux tiers avant que l'activité de bailleur cesse de couvrir son coût complet.