RAMmageddon : quand l'IA cesse d'être un « logiciel » et devient un problème de mémoire, d'énergie et de temps

RAMmageddon : quand l'IA cesse d'être un « logiciel » et devient un problème de mémoire, d'énergie et de temps

Pendant des années, la conversation autour de l'Intelligence Artificielle s'est racontée comme un conte numérique : de meilleurs modèles, davantage de paramètres, des agents autonomes, une automatisation infinie. Francisco Santolo ancre le débat avec un avertissement inconfortable mais nécessaire : la courbe exponentielle de l'IA peut se heurter à une limite physique, et cette limite n'est pas abstraite. Elle s'appelle mémoire, elle se paye en Capex, elle est connectée à un réseau électrique bien réel et elle se construit en années, pas en sprints.

Ce phénomène a déjà reçu un nom sans détour : « RAMmageddon », une pénurie mondiale de puces mémoire qui, en 2026, est alimentée par la demande des centres de données dédiés à l'IA. Ce qui importe pour les entreprises, ce n'est pas le surnom, c'est la structure économique qu'il révèle : lorsque l'intrant critique devient rare, l'IA cesse d'être un avantage concurrentiel horizontal pour devenir un privilège d'accès.

Les faits bruts : le goulot d'étranglement n'est pas le prompt, c'est la HBM

Voici les données qui changent la donne et que, dans mon expérience, de nombreux comités exécutifs n'ont pas encore intégrées à leurs modèles financiers :

• Les centres de données pourraient consommer jusqu'à 70 % de la production mondiale de mémoire en 2026, drainant l'offre destinée aux PC, smartphones, secteur automobile et à l'électronique traditionnelle.
• Les fabricants réorientent leurs capacités vers la HBM (High Bandwidth Memory), la mémoire clé pour alimenter les accélérateurs d'IA. Le problème : une plaque de HBM peut consommer jusqu'à 3 fois la capacité de production d'une plaque DRAM traditionnelle.
• La capacité HBM se vend désormais avec des contrats pluriannuels et, selon des rapports sectoriels, une grande partie de 2026 serait déjà engagée.
• La croissance de l'offre de mémoire ne suit pas : on estime à +16 % en glissement annuel pour la DRAM et +17 % pour la NAND en 2026, bien en dessous de ce que le marché exige pour absorber la demande incrémentale de l'IA sans inflation des prix.
• Santolo ajoute la composante opérationnelle : la transition vers les agents autonomes change le rythme. On passe d'un trafic « humain » à un trafic machine-paced 24h/24, 7j/7, où l'inférence pourrait dominer le calcul total d'ici 2030.

Je traduis cela en langage de directeur financier : le coût unitaire de traitement d'une réponse augmente, la volatilité de l'Opex s'élargit, et le « coût variable par interaction » devient un risque stratégique, et non un simple détail technique.

Le piège du temps : on peut faire évoluer des agents en quelques secondes, mais pas des centres de données en quelques mois

Voici le point le plus sous-estimé : l'élasticité du logiciel ne s'applique plus lorsque le goulot d'étranglement se situe au niveau de l'infrastructure physique.

Santolo l'appelle le « piège du temps » et c'est exactement ce que c'est. On peut déployer mille agents en un clic, mais :

• Connecter un nouveau centre de données au réseau électrique sur les marchés principaux peut prendre plus de 4 ans.
• Les nouvelles densités de rack pour l'IA peuvent atteindre 150 kW, rendant le refroidissement liquide pratiquement incontournable.
• La prochaine génération de nœuds de fabrication (comme le 2 nm) requiert des années d'exécution industrielle.

Dans le même temps, les hyperscalers augmentent agressivement leur Capex. L'article mentionne un ordre de grandeur qui impressionne : près de 700 milliards de dollars de Capex en 2026 parmi les grands acteurs. Je ne l'interprète pas comme une « mise audacieuse ». Je le lis comme un signal de marché : on est en train d'acheter de la souveraineté de calcul.

Quel impact pour les entreprises : c'est la marge qui se réécrit, pas seulement la feuille de route

Si cette tendance se maintient, quatre impacts directs sont à prévoir pour l'économie réelle :

1) Inflation des coûts et dégradation du produit dans la consommation et le B2B traditionnel

La mémoire chère se répercute sur tout : PC, smartphones, mises à niveau d'entreprise. Si les fabricants ne parviennent pas à maintenir les caractéristiques (par exemple, des équipements avec 16 Go ou 32 Go nécessaires pour les charges « AI-ready »), deux scénarios se profilent : hausse des prix ou baisse des performances. Dans les deux cas, le résultat est identique : c'est le client qui règle la facture.

2) Concentration du pouvoir de l'IA chez ceux qui contrôlent l'offre et l'énergie

Lorsque la HBM et la capacité des centres de données se négocient à long terme, une économie d'accès se crée. La conséquence sociale et concurrentielle est délicate : la productivité amplifiée par l'IA se concentre, et les PME se retrouvent exposées aux prix spot, aux limitations d'usage, aux latences et aux pannes.

Ce n'est pas un jugement moral : c'est un diagnostic de chaîne de valeur. Celui qui contrôle l'intrant contrôle le marché.

3) Volatilité opérationnelle : davantage de pannes, davantage de dépendance, davantage de risque réputationnel

Si l'écosystème pousse les limites de l'infrastructure, les scénarios de pannes partielles, de dégradation de service et de priorisation des charges « premium » se multiplient. Les entreprises qui « externalisent leur cerveau » sans plan de continuité se retrouvent vulnérables.

4) La gratuité de l'IA devient économiquement insoutenable

Santolo pointe un symptôme concret : des outils qui augmentent leurs prix de façon abrupte. Ce n'est pas un caprice. C'est l'élasticité de la demande face à un intrant rare. Si le coût de l'inférence augmente, le modèle de monétisation se durcit : davantage de paywalls, davantage de limitations, davantage de publicité, davantage de forfaits entreprise.

La transition vers l'IA : oui, il faut bouger, mais avec une architecture financière

Ne pas adopter l'IA est aussi une décision à très haut risque. Je le constate chaque jour : des organisations qui perdent en efficacité, en vitesse commerciale, en capacité analytique, et qui finissent par subventionner avec des heures humaines ce que le marché a déjà automatisé.

Mais il existe une manière intelligente de traverser ce goulot d'étranglement sans tomber dans une dépendance toxique.

Voici des décisions stratégiques et de modèle opérationnel qui, prises aujourd'hui, peuvent préserver les marges de demain :

• Concevoir une IA « frugale » par défaut : chaque token a un coût. Chaque appel à un modèle est une ligne de coût variable. Optimiser les prompts, le caching, un RAG bien implémenté et des politiques de « non-IA quand elle n'apporte pas de valeur » relève de la discipline financière, pas de l'austérité technologique.
• Prioriser les cas d'usage avec un ROI vérifiable et une capture de valeur associée : si le projet n'a pas de mécanisme clair de capture de valeur, c'est de l'assistanat corporatif version IA. L'automatisation doit être financée par le client qui en bénéficie, même sous forme de micro-prix internes par département ou unité commerciale.
• Éviter le piège de l'« agent sprawl » : les agents autonomes sans contrôle génèrent une consommation 24h/24, 7j/7. C'est un Opex débridé. La gouvernance, les limites, les budgets par processus et l'observabilité font partie du modèle, ce ne sont pas des options agréables à avoir.
• Diversifier la dépendance technologique : multi-modèle, plans de contingence et architecture permettant une dégradation élégante. En période de pénurie, la résilience vaut autant que la précision.
• Négocier la capacité comme on négocie l'énergie ou la logistique : contrats, prévisibilité, montée en charge par paliers. L'IA n'est plus un plugin ; c'est un intrant stratégique.

Gagnants et perdants : un audit d'équité du nouveau stack

Ce moment va enrichir ceux qui sont intégrés verticalement dans l'infrastructure et ceux qui ont la marge nécessaire pour des contrats à long terme. Et il va appauvrir — par les coûts ou par le retard — des secteurs entiers qui concurrencent avec des budgets serrés et des cycles d'achat plus lents.

La question éthique n'est pas de savoir si l'IA « devrait » être accessible. La question pragmatique est de savoir qui construit des modèles dans lesquels l'efficacité générée par l'IA est partagée avec les travailleurs, les fournisseurs et les clients, et qui l'utilise pour extraire de la valeur à travers des prix dynamiques, la dépendance et le lock-in.

Chez Sustainabl, je défends les entreprises sociales parce que je comprends quelque chose d'essentiel : lorsqu'une ressource devient rare, le marché devient brutal. C'est pourquoi l'impact réel ne se soutient pas avec des discours, il se soutient avec des architectures qui résistent aux crises.

Conclusion : l'IA se gagne dans le tableur Excel et dans la salle des machines

RAMmageddon n'est pas un titre pour les technologues ; c'est un signal pour les conseils d'administration. L'IA va continuer à progresser, mais l'accès au calcul, à la mémoire et à l'énergie va redéfinir les coûts, les prix, la continuité opérationnelle et le pouvoir concurrentiel. Le mandat pour le C-Level est innégociable : construire dès aujourd'hui un modèle d'entreprise qui utilise la discipline des coûts et des marges pour générer une valeur réelle, en décidant avec clarté si son entreprise se sert des personnes et de l'environnement simplement pour générer de l'argent, ou si elle a l'audace stratégique d'utiliser l'argent comme carburant pour élever les personnes.