Tesla fabrique ses propres puces : l'impact sur le prix de l'intelligence artificielle
Le 14 mars 2026, Elon Musk a publié six mots sur X : "Le projet Terafab sera lancé dans 7 jours." Six mots pour annoncer un investissement de 25 milliards de dollars, une usine conçue pour produire entre 100 et 200 milliards de puces personnalisées par an, et un pari qui, s'il est bien exécuté, pourrait transformer le coût de l'entraînement des modèles d'intelligence artificielle.
Ce n'est pas une hyperbole. C'est de l'arithmétique.
Pourquoi construire une usine de puces est une décision financière, pas technologique
L'industrie des semi-conducteurs fonctionne selon une logique que la plupart des dirigeants en dehors du secteur sous-estiment : le coût marginal de production d'une puce supplémentaire diminue considérablement à mesure que le volume augmente, mais le coût fixe d'entrée est si élevé qu'il a longtemps constitué une barrière infranchissable. TSMC a mis des décennies et investi des centaines de milliards de dollars pour atteindre sa position dominante. Samsung a investi à des échelles similaires. Aucune entreprise privée en dehors de ce duo n'a tenté de construire une capacité de fabrication équivalente.
Tesla cherche à produire, à partir d'un seul complexe, l'équivalent de 70% de la production totale actuelle de TSMC. L'objectif de départ est de 100 000 débuts de wafer par mois, avec une feuille de route vers un million par mois. La technologie de processus vise les 2 nanomètres, le nœud le plus avancé disponible commercialement aujourd'hui.
Ce n'est pas un projet de R&D. C'est une réorganisation structurelle de l'économie de coûts de Tesla et, par extension, du prix du calcul pour l'intelligence artificielle à l'échelle mondiale.
La logique derrière Terafab ne provient pas d'une ambition technologique abstraite. Elle découle d'un calcul concret : Tesla a réalisé que même dans le scénario le plus optimiste avec ses fournisseurs actuels, l'approvisionnement projeté ne suffirait pas à couvrir la demande générée par le programme Cybercab, la ligne de production du robot Optimus, le supercalculateur Dojo et l'infrastructure d'entraînement de Grok, le modèle de xAI. Musk l'a formulé avec une clarté inhabituelle lors de la réunion annuelle des actionnaires : "Même lorsque nous extrapolons le meilleur scénario pour la production de puces de nos fournisseurs, cela reste insuffisant." Lorsque le meilleur scénario possible avec vos fournisseurs reste insuffisant, la seule issue rationnelle est de devenir votre propre fournisseur.
Le moment où l'infrastructure cesse d'être un coût et devient un avantage
Il existe une différence structurelle entre une entreprise qui achète des puces et une entreprise qui les fabrique. Ce n'est pas seulement une question de coûts directs. C'est une architecture concurrentielle complète.
Lorsqu'elle acquiert des puces de TSMC ou Samsung, Tesla paie non seulement le coût de fabrication, mais aussi la marge de l'intermédiaire, les restrictions de capacité partagée avec d'autres clients de haut profil comme Apple, Nvidia ou Qualcomm, et les délais qui ne peuvent être totalement éliminés par aucun contrat. Chaque dollar de marge que TSMC capture sur Tesla est un dollar qui ne peut pas être investi pour réduire le prix du véhicule autonome ou du robot industriel.
Avec Terafab, cette marge disparaît du bilan. Mais ce qui apparaît en retour est plus intéressant : la capacité de concevoir la puce AI5, la cinquième génération du processeur d'intelligence artificielle de Tesla, avec des spécifications précisément alignées sur ses propres charges de travail. Pas des puces génériques optimisées pour le marché. Des puces dont l'architecture combine traitement logique, stockage en mémoire et emballage avancé dans une seule ligne de fabrication verticalement intégrée. La différence d'efficacité opérationnelle entre une puce conçue spécifiquement pour former des modèles de conduite autonome et une conçue pour le marché général peut se traduire par une économie de 20% à 40% d'énergie par cycle d'inférence, selon des critères standards de l'industrie pour les optimisations de nœuds dédiés.
Production en petites séries en 2026. Volume en 2027. Si ces délais sont respectés, Tesla aura complété en moins de deux ans ce qui prend normalement une décennie à la plupart des acteurs du secteur.
Le 25% que le directeur financier n'avait pas encore budgétisé
C'est ici que l'analyse financière devient plus délicate. Le directeur financier de Tesla, Vaibhav Taneja, a reconnu lors de la présentation des résultats du 28 janvier 2026 que le coût total de Terafab, estimé à 25 milliards de dollars, n'est pas totalement intégré dans la déclaration de dépenses en capital pour 2026, qui dépasse déjà 20 milliards. Cela signifie que le plan d'investissement pour l'année était déjà ambitieux avant d'inclure le plus gros investissement en infrastructure que la société ait annoncé.
C'est le risque d'exécution le plus concret du projet. L'industrie des semi-conducteurs ne pardonne pas les erreurs de planification. Les cycles de construction d'une usine de fabrication avancée sont longs, le talent spécialisé est rare, et les courbes de rendement des nouveaux processus de fabrication sont imprévisibles. Tesla a commencé à recruter des concepteurs de puces d'intelligence artificielle en Corée du Sud en février 2026, cherchant des ingénieurs pour ce qu'elle a décrit comme les puces de plus grand volume du monde. Ce recrutement, des mois avant le lancement annoncé, suggère que l'organisation est encore en train de construire des capacités qui précéderaient normalement l'opération.
La question n'est pas de savoir si Terafab est une bonne idée. La question est de savoir si le rythme d'exécution peut soutenir les ambitions du calendrier. Et dans la fabrication de semi-conducteurs, la distance entre l'annonce et la production à grande échelle est rarement mesurée en mois.
Lorsque le coût de produire de l'intelligence artificielle s'approche de zéro pour ceux qui contrôlent le silicium
Il existe un schéma récurrent dans chaque industrie où la technologie mûrit : le coût marginal de production s'effondre pour les acteurs qui contrôlent la couche d'infrastructure, tandis que ceux qui dépendent d'intermédiaires restent piégés dans une structure de coûts qu'ils ne peuvent pas optimiser.
Apple l'a fait avec les puces M-series, mais seulement en conception, pas en fabrication. Google a construit ses TPU pour entraîner des modèles, mais dépend toujours de fonderies externes. Amazon a développé les puces Trainium et Graviton, avec la même dépendance. Tesla essaie de faire ce que aucun d'eux n'a accompli : contrôler à la fois la conception et la fabrication.
Si Terafab atteint son objectif d'un million de débuts de wafer par mois, Tesla produira plus de puces avancées que n'importe quelle entité privée en dehors de Taïwan et de Corée du Sud. Le coût marginal d'ajouter une capacité de calcul supplémentaire pour entraîner de nouvelles versions de FSD ou pour élever la production d'Optimus se rapprocherait progressivement du coût variable pur d'énergie et de matériaux, sans le coût supplémentaire des contrats avec des tiers.
Cela ne modifie pas seulement l'économie de Tesla. Cela change le prix de référence du calcul de l'intelligence artificielle pour toute l'industrie, car cela fixe un nouveau plancher de coûts atteignable pour ceux qui ont la taille et le capital nécessaires pour reproduire le modèle.
Les dirigeants qui continuent de calculer leur stratégie en intelligence artificielle en supposant que le coût du calcul est une variable exogène qu'ils ne contrôlent pas prennent des décisions sur une carte qui est déjà en train d'être redessinée. L'avantage concurrentiel au cours des dix prochaines années ne reviendra pas à ceux qui utilisent le mieux les puces disponibles sur le marché, mais à ceux qui auront construit l'infrastructure pour les produire à leur propre coût marginal.
