Évolution de l'industrie de l'IA et chaîne de valeur pour le Canada

Constat clé : Moins de 2 % des grappes de GPU de qualité IA mondiales sont situées au Canada. Malgré un marché des centres de données en croissance rapide, les mégawatts bruts sont une métrique trompeuse — la capacité équipée de GPU est ce qui détermine la véritable compétitivité d'une nation en matière d'IA.

Le paysage de l'IA avant 2022

L'intelligence artificielle a connu plusieurs vagues de progrès, mais la période allant jusqu'à 2022 peut être considérée comme une époque fondatrice qui a préparé le terrain pour les avancées rapides d'aujourd'hui. Les premières percées en apprentissage automatique (par exemple, les réseaux neuronaux profonds, les réseaux convolutifs) vers les années 2010 ont démontré le potentiel de l'IA dans les laboratoires et les applications de niche. De manière critique, cette ère a vu les GPU (unités de traitement graphique) émerger comme le moteur du calcul d'IA, permettant l'entraînement de modèles complexes que les CPU ne pouvaient pas gérer efficacement. À la fin des années 2010, les grandes entreprises technologiques et les institutions de recherche exploitaient les GPU pour obtenir des résultats marquants en reconnaissance d'images, reconnaissance vocale et modélisation linguistique.

L'avènement de modèles d'apprentissage profond à grande échelle comme les transformers (l'architecture derrière les modèles linguistiques modernes) laissait entrevoir le bond de productivité que l'IA pourrait offrir. Cependant, avant 2022, ces efforts, bien qu'impressionnants, étaient limités en déploiement à l'échelle industrielle. La plupart des implémentations d'IA étaient à petite échelle ou expérimentales, et l'infrastructure supportant l'IA — des centres de données aux algorithmes — était encore en développement.

Il est important de noter que la chaîne de valeur de l'IA n'était pas encore pleinement reconnue comme un écosystème intégré. De nombreuses organisations considéraient l'IA comme une innovation logicielle ou une entreprise de recherche plutôt qu'un secteur nécessitant une infrastructure de bout en bout. Les centres de données restaient largement optimisés pour l'informatique d'entreprise et le nuage traditionnels (CPU-driven), avec seulement quelques poches de grappes GPU-centric pour des tâches spécialisées d'IA et de calcul haute performance. L'entraînement de modèles d'IA était généralement limité aux laboratoires de recherche ou aux géants de la technologie, et l'inférence en monde réel (l'utilisation pratique de modèles d'IA) était modeste — pensez aux assistants vocaux ou aux moteurs de recommandation — impactante, mais pas encore transformatrice à l'échelle économique nationale.

Ce fut l'époque des applications d'IA étroites et de la recherche fondamentale. Elle s'est terminée vers 2022 avec la convergence de plusieurs facteurs : la maturation des algorithmes d'IA, la disponibilité de vastes ensembles de données et, surtout, l'intensification imminente de la puissance de calcul utilisant des GPU et des puces avancées. Ces éléments se combineraient pour propulser l'IA dans une nouvelle phase, qui façonnerait l'industrie.

En résumé, en 2022, l'IA avait prouvé ses promesses grâce à des percées de recherche et des applications pilotes, mais elle n'avait pas encore redéfini les industries ou la productivité nationale à grande échelle. Le terrain était préparé — les GPU fournissant la puissance brute — pour une explosion des capacités et du déploiement de l'IA dans les années qui ont suivi. Ce contexte est important pour comprendre l'évolution de l'industrie de l'IA à partir de 2022, et pourquoi la prochaine ère exigerait de considérer l'IA selon deux axes critiques : (1) les types de charges de travail d'IA (entraînement vs inférence, IA conversationnelle générative vs IA analytique, etc.), et (2) la pile complète de ressources habilitantes (de l'énergie et du matériel jusqu'aux modèles et applications).

L'industrie de l'IA (2022–2030) : Types d'IA et la pile complète

De 2022 à 2030, l'industrie de l'IA connaît une accélération sans précédent. Cette section examine son évolution selon deux dimensions : les types d'activités d'IA (de l'entraînement de modèles à l'inférence et aux applications spécialisées comme l'IA conversationnelle), et la pile de la chaîne de valeur de l'IA (englobant l'approvisionnement en énergie, l'infrastructure des centres de données, le matériel spécialisé comme les GPU, les algorithmes/modèles et les applications pour utilisateurs finaux). Comprendre ces éléments éclairera la manière dont la valeur est créée et capturée dans l'IA moderne — et ce qui est requis pour la compétitivité nationale.

Types de charges de travail d'IA : Entraînement, inférence et au-delà

Six catégories distinctes de charges de travail définissent désormais le paysage du calcul d'IA, chacune avec des exigences d'infrastructure, des structures de coûts et des dynamiques de mise à l'échelle différentes :

• Entraînement de modèles d'IA (de pointe et affinage). Parallélisme extrême sur des grappes de GPU ; les leviers de coût incluent la performance de l'accélérateur, le prix de l'énergie et l'efficacité algorithmique.
• Inférence (service à l'échelle). Service continu et sensible à la latence à l'échelle ; les leviers de coût incluent la quantification, le regroupement par lots, la distillation et la mise en cache.
• IA conversationnelle et générative. Interactions LLM en temps réel ; accent sur la génération augmentée par récupération (RAG), les garde-fous et les petits modèles spécialisés pour le contrôle des coûts.
• IA agentique et autonome. Planification multi-étapes et utilisation d'outils ; la fiabilité et le contrôle de sécurité sont essentiels pour le fonctionnement autonome.
• Perception et analyse. Vision, parole, plongements et recommandations ; souvent à moyenne échelle avec des opportunités de compression et d'élagage.
• IA en périphérie et sur appareil. Avantages en matière de confidentialité et de latence ; modèles compacts sur NPU/GPU avec des noyaux compilés et une mise en cache sur appareil.

Entraînement de modèles d'IA à l'échelle

L'entraînement fait référence au processus de calcul intensif consistant à enseigner des modèles d'IA à partir de données. Depuis 2022, l'échelle de l'entraînement d'IA a connu une croissance exponentielle. Les entreprises entraînent désormais couramment des modèles fondamentaux — tels que les grands modèles linguistiques (LLM) ou les modèles de génération d'images — qui se composent de centaines de milliards, voire de milliers de milliards de paramètres. L'entraînement de ces modèles exige de vastes ressources informatiques : il nécessite souvent des milliers de puces GPU fonctionnant en parallèle pendant des semaines ou des mois.

L'entraînement se situe désormais à l'intersection de l'innovation logicielle et de la capacité industrielle lourde. Il ne nécessite pas seulement des algorithmes astucieux, mais aussi d'énormes quantités d'électricité et des installations hautement spécialisées. Un entraînement de premier ordre pourrait consommer des millions de wattheures d'énergie et utiliser des puces effectuant collectivement de l'ordre d'exaFLOPs (10¹⁸ opérations par seconde) pendant la période d'entraînement.¹ ²

De manière critique, les charges de travail d'entraînement repoussent les limites de l'architecture matérielle. Elles exigent une bande passante mémoire élevée, des interconnexions rapides entre les GPU et un refroidissement efficace pour des racks consommant des dizaines de kilowatts chacun. Le marché a répondu avec du matériel spécialisé : les accélérateurs GPU haut de gamme NVIDIA A100 et H100 (et leurs successeurs) sont devenus la norme de facto pour l'entraînement de grands modèles à cette époque, tandis que des alternatives comme le TPU de Google et diverses puces d'IA de startups (Graphcore, Cerebras, etc.) ont également émergé.

En 2025, l'entraînement d'un modèle de pointe n'est pas seulement une entreprise d'informatique, mais un exercice de logistique et d'ingénierie, nécessitant la planification de l'approvisionnement en énergie et du refroidissement dans les centres de données, l'acquisition de matériel d'accélération rare et souvent des budgets de plusieurs millions de dollars. L'ère 2022-2030 marque l'entraînement comme une activité semi-industrielle — une activité qu'historiquement seules quelques grandes entreprises (et nations) pouvaient exécuter, bien que des tendances comme les modèles open source et les efforts de consortium tentent de la démocratiser.

Inférence et déploiement de l'IA

Si l'entraînement s'apparente à la construction d'un moteur puissant, l'inférence consiste à utiliser ce moteur pour effectuer des tâches en temps réel. L'inférence implique le déploiement de modèles d'IA entraînés pour générer des prédictions, des réponses ou d'autres résultats pour les utilisateurs. Cet aspect de l'IA a explosé depuis 2022, en particulier avec l'essor des services d'IA générative. Contrairement à l'entraînement — qui est une tâche de fond, occasionnelle — l'inférence se produit en continu à mesure que les utilisateurs finaux interagissent avec les modèles d'IA.

Constat clé : Une seule requête d'IA générative peut consommer 10 à 100 fois plus d'électricité qu'une recherche web typique. À mesure que les applications d'IA se sont développées, la demande d'inférence a commencé à entraîner une expansion significative de la capacité des centres de données.

L'industrie a rapidement réalisé que le traitement de millions de requêtes ou de demandes génératives à un modèle d'IA peut égaler, voire dépasser, le coût de son entraînement initial. Chaque requête d'utilisateur à un grand modèle linguistique (comme poser une question à ChatGPT) peut activer des milliards de calculs sur plusieurs GPU.³

À partir de 2023 environ, les principaux fournisseurs d'IA ont réorienté leurs efforts pour optimiser l'inférence — la rendant plus rapide et moins chère — car le volume d'utilisation montait en flèche. Les initiatives récentes d'OpenAI soulignent la centralité de l'inférence : OpenAI a annoncé des plans pour une capacité de centre de données à grande échelle consacrée en grande partie aux charges de travail d'inférence. Un exemple frappant est l'expansion du projet « Stargate » d'OpenAI vers un centre de données massif aux Émirats arabes unis, où OpenAI s'est engagé à utiliser environ 1 gigawatt de capacité — avec 200 mégawatts initialement dédiés à des grappes des derniers GPU de NVIDIA pour un service d'inférence à grand volume et à faible coût.⁴

Pour mettre cela en perspective, 200 MW d'infrastructure GPU de pointe représentent de l'ordre de 100 000 GPU de premier ordre déployés en un seul endroit.⁵ Cela reflète la façon dont l'inférence est devenue une opération à grande échelle et énergivore à part entière.

Les analystes prévoient qu'à mesure que les déploiements d'IA gourmands en énergie augmentent, la consommation mondiale d'électricité des centres de données pourrait approximativement doubler entre 2025 et 2030, en grande partie en raison des charges de travail d'IA.⁶ ⁷

Applications d'IA conversationnelle et générative

Le lancement de ChatGPT d'OpenAI fin 2022 a été un moment décisif — il a présenté un système d'IA conversant avec une fluidité quasi humaine sur une infinité de sujets. Cette percée a popularisé l'IA auprès de centaines de millions d'utilisateurs presque du jour au lendemain et a démontré le potentiel disruptif de l'IA générative. L'IA conversationnelle est essentiellement une charge de travail d'inférence (exécutant un LLM pour produire du dialogue), mais elle a déclenché des dynamiques industrielles uniques : elle a créé une demande massive des consommateurs pour les interactions avec l'IA, a forcé de nombreuses industries à repenser le service client et le travail du savoir, et a stimulé une course à l'armement parmi les laboratoires et entreprises d'IA pour construire des agents conversationnels toujours plus performants.

À partir de 2023, pratiquement toutes les grandes entreprises technologiques ont introduit ou intégré des systèmes conversationnels basés sur des LLM — des exemples incluent Bard de Google, l'intégration de GPT-4 par Microsoft dans Bing et Office, les divers assistants d'IA de Meta, et une myriade d'offres de startups. L'IA conversationnelle a mis en lumière les couches supérieures de la pile d'IA : les algorithmes et les applications. Il ne s'agit pas seulement de matériel brut ; il s'agit aussi de l'affinage des modèles, du contrôle des données (car ces modèles apprennent à partir de vastes ensembles de données, soulevant des questions de gouvernance des données et de confidentialité), et de la conception d'interfaces utilisateur pour intégrer l'IA dans les flux de travail.

Une analyse fréquemment citée par PwC a estimé que l'IA (y compris de telles améliorations de productivité) pourrait contribuer à hauteur d'environ 15,7 billions de dollars à l'économie mondiale d'ici 2030.⁸ Des secteurs comme le commerce de détail, la finance et les soins de santé sont prêts à réaliser d'importants gains à mesure que l'IA augmente le travail humain.⁹ ¹⁰

En résumé, le long de ce premier axe du « type d'IA », le paysage 2022-2030 est défini par l'entraînement qui repousse les limites de l'échelle de calcul (et devient un atout stratégique pour quiconque peut le faire), l'inférence qui devient une demande opérationnelle continue massive (nécessitant de nouvelles infrastructures dédiées aux services d'IA), et les applications conversationnelles/génératives qui intègrent l'IA dans l'usage quotidien (créant de nouveaux marchés et de nouvelles attentes).

La chaîne de valeur de l'IA : Énergie, infrastructure, GPU, modèles et applications

Le deuxième axe à considérer est la pile industrielle de l'IA — le spectre complet des composants nécessaires pour fournir des solutions d'IA, de l'énergie brute aux applications destinées aux utilisateurs. Une idée clé du paysage actuel est que l'IA n'est pas un simple outil logiciel ; c'est une chaîne de valeur entière. Une faiblesse ou une absence dans n'importe quelle couche de cette chaîne signifie qu'un pays ou une entreprise ne peut pas capter la pleine valeur économique — au lieu de cela, la valeur ira à celui qui fournit les pièces manquantes.

Approvisionnement énergétique. L'IA moderne, surtout à grande échelle, consomme d'énormes quantités d'électricité. L'énergie est l'intrant premier et le plus fondamental — sans une énergie suffisante et fiable, rien d'autre dans la pile d'IA ne peut fonctionner.

Les centres de données d'IA nécessitent de grandes quantités d'électricité pour alimenter le matériel haute performance tel que les GPU, et cette demande croît rapidement.¹¹ En moyenne, dans les centres de données conventionnels, l'équipement informatique représente environ 60 % de la consommation d'électricité,¹² mais dans les installations centrées sur l'IA, cette proportion peut être encore plus élevée en raison de la nature énergivore des GPU.

Une seule puce d'IA avancée aujourd'hui peut consommer 400 à 700 watts ou plus¹³ — plusieurs fois un CPU de serveur typique — et un rack de telles puces peut exiger 30 à 50 kW ou plus. Les puces de nouvelle génération de 2024 devraient approcher 1,2 kilowatt chacune.¹⁴ D'ici 2027, la puissance moyenne par rack dans les centres de données de pointe devrait dépasser 50 kW par rack (contre environ 36 kW en 2023).¹⁵

Les nations riches en énergie propre et abordable ont un avantage concurrentiel potentiel pour héberger l'infrastructure d'IA. L'abondance d'énergie hydroélectrique et le climat frais du Canada sont vantés comme des atouts pour les centres de calcul haute densité.¹⁶ D'un autre côté, les endroits dont les réseaux sont sous tension voient une opposition réglementaire aux nouveaux centres de données — l'Irlande et les Pays-Bas, par exemple, ont temporairement suspendu les constructions de centres de données pour évaluer les impacts sur l'approvisionnement en électricité.¹⁷ ¹⁸

Infrastructure des centres de données. À l'ère de l'IA, les centres de données évoluent en « usines d'IA » — plus proches des installations industrielles que des salles de serveurs traditionnelles. Les charges de travail d'IA haute performance produisent une chaleur concentrée et nécessitent un refroidissement avancé (par exemple, le refroidissement liquide pour les racks, ou même le refroidissement par immersion pour les puces les plus chaudes). Le réseautage au sein de ces centres de données est également spécialisé : les grappes d'entraînement d'IA nécessitent une bande passante ultra-élevée et une faible latence entre les GPU (utilisant souvent des tissus InfiniBand ou NVLink) pour fonctionner comme une seule machine géante.

Le futur campus d'IA de 5 gigawatts des Émirats arabes unis est un cas extrême, visant à héberger le matériel d'IA de plusieurs entreprises sur un seul site gigantesque.²⁰ ²¹

Pour le Canada, des rapports récents indiquent que le marché des centres de données est en pleine expansion, avec plus de 10 GW de capacité informatique totale, soit opérationnelle, soit en cours de développement.²² Les régions clés sont Toronto, Montréal et l'Alberta, qui représentent environ 93 % de cette capacité.²³ Des projets majeurs, tels que Wonder Valley en Alberta (charge informatique prévue de 5,6 GW),²⁴ illustrent les ambitions de créer des méga-sites prêts pour les GPU. Le gouvernement fédéral a également alloué des fonds — notamment un engagement de 240 millions de dollars canadiens pour soutenir Cohere dans le développement de centres de données d'IA, en particulier le projet « AI Fabric » de Bell, qui devrait ajouter 500 MW de capacité pour les charges de travail d'IA.²⁵

Constat clé : Une installation de 100 MW de CPU n'est pas comparable à une installation de 100 MW d'accélérateurs d'IA en termes de capacité d'IA. Le Canada doit mesurer sa capacité de centres de données en termes de « capacité d'IA » (emplacements GPU ou pétaflops disponibles) plutôt qu'en termes d'énergie ou de superficie seulement.

Matériel de calcul (GPU et accélérateurs). C'est le moteur central de la pile d'IA. Les progrès modernes de l'IA ont été étroitement liés aux avancées du matériel spécialisé — principalement les GPU — qui accélèrent les calculs d'algèbre linéaire au cœur de l'apprentissage automatique.

Les GPU sont effectivement devenus les « cerveaux » des centres de données d'IA, contribuant souvent à plus de 90 % de la puissance de calcul des serveurs qui en sont équipés.²⁶ La part de marché et les marges de NVIDIA sont si solides que ses GPU pour centres de données affichent des marges brutes d'environ 75 %, reflétant leur valeur stratégique.²⁷

NVIDIA a introduit une plateforme appelée QODA (Quantum Optimized Device Architecture) en 2022, essentiellement une extension de CUDA pour s'interfacer avec les processeurs quantiques,²⁸ ²⁹ permettant des algorithmes hybrides quantiques-classiques.³⁰ ³¹

Il a été dit à juste titre que « le calcul est le pétrole de l'IA moderne » — sans un accès souverain ou garanti à celui-ci, d'autres avantages (talent, idées de recherche) ne peuvent être pleinement réalisés.³² Moins de 2 % des grappes de GPU de qualité IA mondiales sont situées au Canada. Nos chercheurs et startups en IA de calibre mondial auront du mal à prendre de l'ampleur ou même à conserver leur propriété intellectuelle s'ils doivent « faire la queue ou surpayer à l'étranger » pour du temps de calcul.³³

Algorithmes et modèles d'IA. Cette couche est celle où réside une grande partie de la force historique du Canada : nous sommes un pays qui a surpassé son poids en matière de recherche fondamentale en IA. Les chercheurs canadiens ont été les pionniers de techniques comme la rétropropagation, ont contribué au développement de l'apprentissage profond et de l'apprentissage par renforcement, et plus récemment ont joué un rôle clé dans l'invention de l'architecture Transformer (la colonne vertébrale des LLM actuels).

Nous hébergeons des instituts d'IA de renommée mondiale (Vector Institute, Mila, AMII) et avons formé une fraction significative des talents mondiaux en IA.³⁴

Cependant, dans la phase industrielle à partir de 2022, les algorithmes ont subi une industrialisation. Ce qui a commencé comme des expériences universitaires sont maintenant des modèles commercialisés nécessitant une ingénierie continue. La frontière du développement de modèles implique désormais souvent des exécutions d'entraînement coûtant des dizaines de millions de dollars. Il y a eu un déplacement de l'épicentre du développement de modèles d'IA des universités vers des laboratoires industriels bien financés.

Le défi du Canada est de s'assurer que notre solide pipeline de recherche se traduise par un développement de modèles appliqués à grande échelle qui se déroule sur le sol canadien ou sous contrôle canadien — sinon, nous risquons de rester un « exportateur intellectuel » tandis que d'autres récoltent les bénéfices commerciaux.³⁵ ³⁶

Un développement prometteur est Cohere, fondée par des anciens de Google Brain à Toronto, qui se concentre sur la création de grands modèles linguistiques pour les entreprises et les usages professionnels. Elle a levé plus de 1,27 milliard de dollars en financement de capital-risque (le plus important pour une startup canadienne d'IA),³⁷ se différenciant en se concentrant sur les entreprises avec des modèles personnalisables.³⁸ Cohere a des partenariats avec des fournisseurs de services infonuagiques et, selon les rapports, avec NVIDIA/CoreWeave pour un centre de données dédié.³⁹ ⁴⁰

Les politiques peuvent encourager cela en soutenant les ressources de calcul nationales et peut-être en finançant des modèles d'« IA souveraine » — des modèles linguistiques pré-entraînés canadiens qui comprennent notre contexte bilingue et nos valeurs.⁴¹ ⁴²

Applications et solutions industrielles. Au sommet de la pile se trouvent les applications — là où l'IA apporte une valeur tangible et des gains de productivité à l'économie. Cela inclut les applications grand public (agents conversationnels, assistants intelligents, systèmes de recommandation) et une opportunité encore plus grande dans les applications d'entreprise et gouvernementales (analyses basées sur l'IA, maintenance prédictive, découverte de médicaments améliorée par l'IA, etc.).

Des sondages indiquent qu'une majorité de petites et moyennes entreprises canadiennes citent le coût, l'expertise et l'incertitude comme des obstacles à l'adoption de l'IA.⁴³

Le Canada possède un écosystème croissant de startups d'IA appliquée qui s'attaquent à diverses industries — Coveo au Québec se concentrant sur l'IA dans la recherche d'entreprise, Waabi à Toronto développant l'IA pour le camionnage autonome, Ada à Toronto pour les agents conversationnels de service client basés sur l'IA, entre autres. Nourrir ces entreprises axées sur les solutions est aussi important que le côté des technologies de pointe, car elles apportent l'IA aux utilisateurs finaux.

Le gouvernement peut jouer un rôle catalyseur à ce niveau en étant un premier adoptant majeur. Le secteur public dispose de vastes services (de l'administration des soins de santé aux services frontaliers en passant par le traitement des impôts et des prestations) qui pourraient être améliorés grâce à l'IA, et les marchés publics ou les bacs à sable pour les solutions d'IA pourraient à la fois améliorer les services et offrir aux entreprises canadiennes d'IA des projets de référence pour prendre leur envol.

Le paysage mondial actuel (2022–2025)

À l'échelle mondiale, une course aux armements en IA est en cours à travers les composantes de la chaîne de valeur. Les États-Unis sont en tête dans de nombreux domaines — leurs grandes entreprises technologiques investissent massivement dans la formation de modèles d'IA toujours plus grands et la construction de nouveaux centres de données (les hyperscalers américains à eux seuls devraient dépenser de l'ordre de 1,6 à 1,7 billion de dollars en infrastructures entre 2025 et 2029).⁴⁵ Les États du Golfe investissent des pétrodollars pour devenir des pôles d'hébergement pour l'IA (comme en témoignent le campus de 5 GW des Émirats arabes unis et les plans saoudiens pour 500 MW de capacité d'IA).⁴⁶

Pour le Canada, qui est une économie de taille moyenne et étroitement allié aux États-Unis, ce contexte mondial signifie que nous avons des partenaires à exploiter, mais aussi une concurrence féroce pour rester pertinents. Nous ne dépenserons pas plus que les États-Unis ou la Chine — mais nous pouvons identifier des niches et des combinaisons stratégiques de nos forces (talent, énergie, environnement stable) pour surpasser notre poids.

L'idée fausse selon laquelle tout centre de données équivaut à une capacité d'IA doit être dissipée. Nos centres de données doivent héberger d'importantes grappes de GPU pour compter dans la course à l'IA. De même, la notion qu'avoir quelques startups ou laboratoires de recherche en IA signifie que nous sommes prêts est trompeuse, à moins que ces startups ne puissent prendre de l'ampleur au pays.

Les flux financiers suivront l'ensemble de la chaîne de valeur : si nous manquons de matériel GPU, nos chercheurs loueront du temps auprès de nuages américains (envoyant de l'argent à l'étranger). Si nous manquons de modèles nationaux, nos industries paieront des frais d'API à des entreprises d'IA étrangères. Si nous manquons d'entreprises d'applications, nos entreprises embaucheront des consultants étrangers ou achèteront des logiciels étrangers intégrant l'IA. Chaque lacune est un entonnoir de valeur économique quittant le Canada, ou un coût d'opportunité d'emplois non créés ici.

Au-delà de 2030 : Perspectives pour la prochaine ère

Au-delà de 2030, nous prévoyons que l'industrie de l'IA poursuivra sa trajectoire en tant que technologie à usage général, de plus en plus intégrée dans toutes les facettes de l'économie et de la société. Au début des années 2030, l'IA pourrait devenir aussi omniprésente et tenue pour acquise dans les affaires que l'informatique ou l'électricité — une capacité de fond que toute organisation compétitive utilise.

Matériel et architectures. Les années 2030 apporteront probablement du matériel d'IA plus spécialisé. La domination actuelle des GPU pourrait être remise en question par de nouveaux paradigmes : des ASIC (circuits intégrés spécifiques à une application) améliorés et spécifiques à l'IA, exploitant éventuellement des architectures de puces 3D ou la photonique pour un transfert de données plus rapide, et, à terme, les premiers accélérateurs quantiques pour certaines tâches.

Les efforts de NVIDIA avec CUDA-QODA indiquent que l'industrie se prépare à des flux de travail informatiques hybrides quantiques-classiques pour l'IA.²⁸ ³¹

Pour le Canada, qui possède des atouts en recherche sur les semi-conducteurs et en photonique, cela pourrait être un domaine d'innovation — par exemple, exploiter la recherche canadienne en informatique photonique pour l'IA (des entreprises comme Xanadu, qui travaillent sur les ordinateurs quantiques photoniques, pourraient être alignées avec notre stratégie en matière d'IA).

Algorithmes et capacités. D'ici 2030 et au-delà, les grands modèles actuels pourraient évoluer vers quelque chose de plus proche de l'intelligence artificielle générale (IAG) sur certaines dimensions. Nous nous attendons à ce que les modèles continuent de s'agrandir jusqu'à un certain point, mais des efforts seront également déployés pour les rendre plus efficaces, interprétables et sécurisés. L'IA multimodale (systèmes qui intègrent de manière transparente la vision, le langage, le son, etc.) sera plus mature, permettant une compréhension du contexte plus proche de celle de l'être humain.

Écosystème mondial de l'IA. Sur le plan géopolitique, le fossé entre les « nantis » et les « démunis » de l'IA pourrait s'élargir. D'ici 2030, les grandes puissances de l'IA (États-Unis, Chine, et éventuellement une coalition au sein de l'UE ou d'autres) auront profondément intégré l'IA dans leurs économies et leur défense. Les pays de niveau intermédiaire auront besoin d'alliances ou de niches pour rester pertinents. La meilleure stratégie du Canada reste probablement de s'aligner avec des partenaires de confiance (États-Unis, Europe) pour des ressources partagées.

Il y a aussi le scénario positif où l'IA devient un service fortement commercialisé : les pays dotés d'une solide infrastructure d'IA pourraient exporter des services d'IA à l'échelle mondiale. Le Canada pourrait aspirer à être un tel fournisseur dans des niches comme les modèles bilingues, l'IA pour l'exploitation minière (en tirant parti de notre expertise dans l'industrie minière), ou l'IA pour la gestion des ressources et les technologies climatiques. Mais cela nécessitera un renforcement conscient des capacités dès maintenant.

Recommandations stratégiques pour le Canada

Pour que le Canada puisse surfer sur la vague actuelle de l'IA et s'assurer une position solide au cours de la prochaine décennie, une approche stratégique et coordonnée est nécessaire. Ci-dessous, cinq recommandations clés axées sur le renforcement de l'ensemble de la chaîne de valeur de l'IA au niveau national et l'élimination des goulots d'étranglement qui entravent actuellement les progrès.

1. Traiter l'infrastructure d'IA comme un actif national stratégique

Le Canada devrait reconnaître la capacité de calcul de l'IA (en particulier les grappes de GPU) comme une infrastructure critique, au même titre que nos ports, nos autoroutes et nos réseaux électriques.⁴⁷ L'engagement récent de 2 milliards de dollars envers une Stratégie souveraine de calcul de l'IA (annoncée fin 2024) est un bon début,⁴⁸ ³⁹ mais il devrait être considéré comme la Phase 1.

Envisager la création d'un nuage de calcul d'IA canadien accessible aux chercheurs, aux startups et à l'industrie avec des crédits subventionnés — similaire à un nuage de GPU fédéré visant 10 exaFLOPS d'ici 2027. Parallèlement, introduire des incitatifs comme un crédit d'impôt à l'investissement en calcul pour encourager les opérateurs de centres de données privés à développer des capacités axées sur l'IA.⁴⁹

L'objectif est d'augmenter considérablement la part du Canada dans le calcul mondial de l'IA, qui est actuellement inférieure à 2 %, pour atteindre un niveau proportionnel à notre taille économique (à titre de référence, le Canada représente environ 2 à 3 % du PIB mondial, donc un objectif pourrait être de 2 à 5 % de la capacité mondiale de calcul de l'IA à moyen terme).

2. Aligner l'expansion des centres de données avec les besoins de l'IA

Le gouvernement et l'industrie devraient collaborer pour s'assurer que la croissance des centres de données est orientée vers l'IA. Les actions concrètes comprennent : le catalogage de la préparation des centres de données existants et futurs en matière de GPU/IA ; le ciblage d'incitatifs ou de soutien financier pour les constructions spécifiques à l'IA ; et la collaboration avec les services publics et les régulateurs pour garantir l'alimentation électrique des projets d'IA.

De manière cruciale, réorienter nos métriques nationales : commencer à rapporter la « capacité de calcul de l'IA » du Canada dans les documents de stratégie technologique gouvernementale (par exemple, le nombre de pétaflops ou le nombre de GPU disponibles au niveau national) comme un indicateur de succès, plutôt que seulement le nombre de centres de données ou la charge informatique en mégawatts. Le principe sous-jacent est le suivant : ce n'est pas un centre de données s'il ne fait pas d'IA significative. Toutes les nouvelles installations majeures devraient être « conçues pour l'IA ».

3. Sécuriser la chaîne d'approvisionnement en semi-conducteurs

Le matériel est un goulot d'étranglement. Le gouvernement fédéral devrait faire de la sécurisation d'un approvisionnement stable en puces d'IA de pointe pour l'industrie et la recherche canadiennes une priorité. Cela pourrait impliquer des accords d'achat en gros ou des partenariats avec des fabricants, et le soutien d'entreprises locales comme Tenstorrent (basée à Toronto, concevant des puces d'IA) ou des entreprises de photonique (par exemple, Xanadu) par le biais de subventions ou d'engagements d'approvisionnement gouvernementaux.

Le Canada pourrait établir un programme ou un centre dédié à la recherche sur les accélérateurs d'IA dans l'un de nos laboratoires nationaux ou universités, en veillant à développer une expertise dans la prochaine génération de calcul (quantique, neuromorphique, etc.). Si l'informatique quantique est susceptible de croiser l'IA, aligner notre Stratégie quantique avec notre Stratégie en matière d'IA.

4. Redoubler d'efforts dans le développement de l'IA appliquée

Financer une collaboration entre les instituts d'IA (Mila, Vector, AMII) et l'industrie pour former des modèles d'IA souverains qui comprennent les langues officielles et les valeurs canadiennes. Rendre ces modèles open source afin que les entreprises et les gouvernements canadiens puissent les utiliser sans dépendre d'API étrangères.⁴¹ ⁴²

Les récentes annonces de financement du gouvernement (comme les 240 millions de dollars pour le centre de données de Cohere, ou les 2,4 milliards de dollars dans le budget 2024 pour la recherche en calcul et en sécurité de l'IA) sont positives, mais elles devraient être liées à des résultats : quels PI ou plateformes de propriété canadienne en découleront?⁵⁰

Du côté des solutions industrielles, stimuler l'adoption et l'« attraction du marché » par le biais de programmes de défis : identifier les secteurs clés (mines, agriculture, soins de santé, prestation de services publics) et lancer de grands défis ou des financements pilotes pour l'intégration de solutions d'IA. Mettre en œuvre un crédit d'impôt pour l'adoption de l'IA pour les entreprises qui investissent dans les technologies d'IA. Élargir des programmes comme le Programme d'aide à la recherche industrielle (PARI) pour cibler spécifiquement l'intégration de solutions d'IA pour les entreprises traditionnelles.

Moderniser les processus d'approvisionnement et les réglementations afin de ne pas entraver le déploiement de l'IA. Le gouvernement fédéral devrait revoir les règles d'approvisionnement qui favorisent actuellement les grands fournisseurs établis et rendent difficile pour les PME innovantes en IA de remporter des contrats. Réserver une partie des approvisionnements informatiques du gouvernement spécifiquement aux solutions d'IA émergentes.

5. Tirer parti des atouts du Canada pour attirer les investissements mondiaux en IA

Le Canada devrait se positionner comme une destination de choix pour les projets d'IA, compte tenu de nos avantages uniques : une abondance d'énergie propre, une démocratie stable avec la primauté du droit, et une réputation en matière d'IA fiable et de diversité. Cibler et attirer spécifiquement les investissements liés à l'IA : encourager les hyperscalers étrangers à construire leur prochaine région de cloud IA au Canada et négocier des conditions telles qu'une partie de cette capacité soit disponible pour les chercheurs ou les entreprises canadiennes à des conditions favorables.

Deux garanties sont essentielles : premièrement, s'assurer que les clauses de propriété et de propriété intellectuelle garantissent que la propriété intellectuelle résultante ou une part significative des bénéfices restent au Canada. Deuxièmement, prévenir les scénarios purement extractifs — si un grand fournisseur de cloud s'installe ici, peut-être 10 à 20 % de cette capacité de calcul devrait être réservée aux startups canadiennes ou à l'usage gouvernemental à des conditions préférentielles.⁵¹

Le Canada devrait également continuer à défendre les efforts multilatéraux en matière de gouvernance et de normes de l'IA. En étant un leader d'opinion en matière d'IA responsable, nous pouvons peser plus lourd que notre taille diplomatiquement et nous assurer que les règles internationales ne désavantagent pas injustement les plus petits acteurs.

Conclusion

Dans les années à venir, l'IA sera un facteur déterminant de la prospérité économique et de l'autonomie stratégique. Le Canada se trouve à la croisée des chemins — nous possédons des atouts enviables dans ce nouveau paysage, mais nous faisons également face à des lacunes importantes. L'évolution de l'industrie de l'IA le long des deux axes décrits (la variété des activités d'IA et la pile de ressources habilitantes) nous enseigne que des mesures partielles ne suffiront pas.

Construire quelques centres de données, ou financer quelques startups, ou publier un document stratégique — aucune de ces actions seule ne positionnera le Canada pour saisir l'opportunité de l'IA. Ce qu'il faut, c'est une action orchestrée sur tous les fronts : des électrons aux algorithmes en passant par l'adoption. Le gouvernement fédéral a un pouvoir de rassemblement unique pour aligner les politiques en matière d'énergie, d'innovation, de compétences et de développement industriel afin de concrétiser cela.

La vision du Canada devrait être de cultiver un écosystème d'IA complet (full-stack) au pays : un écosystème où une percée découverte dans un laboratoire canadien peut être développée sur des ressources de calcul canadiennes, mise à l'échelle par une entreprise canadienne dans un centre de données canadien, et puis appliquée au bénéfice des industries et des citoyens canadiens — tout en exportant des solutions à l'étranger pour générer des revenus. Atteindre cet objectif stimulera notre productivité et augmentera notre résilience économique et notre souveraineté dans un monde axé sur la technologie.

La recommandation est claire : le Canada doit s'assurer que tous les composants clés de la chaîne de valeur de l'IA sont présents et robustes à l'intérieur de nos frontières. Ce n'est qu'alors que nous pourrons véritablement dire que nous avons « couvert » l'industrie de l'IA. Autrement, l'argent, les talents et les données seront détournés vers les juridictions qui l'ont fait, et le Canada manquera le coche du plus grand moteur de productivité de notre époque. Nous avons une chance éphémère de prendre cette vague ; avec une orientation stratégique et des actions audacieuses, nous le pouvons — et ce faisant, assurer la prospérité et la souveraineté technologique aux Canadiens pour les décennies à venir.

Notes

1. Deloitte, "Technology, Media and Telecom Predictions — Gen AI's Impact on Power Consumption," Deloitte Insights, 2024.
2. Ibid.
3. Ibid. (Deloitte analysis showing generative AI prompts consume 10–100× more electricity than a typical web search.)
4. The Next Platform, "OpenAI Datacenters Follow The Money To Abu Dhabi," May 2025.
5. Ibid.
6. Deloitte, op. cit.
7. Ibid.
8. World Economic Forum / PwC, "Sizing the Prize: What's the Real Value of AI for Your Business and How Can You Capitalise?" 2017.
9. Ibid.
10. Ibid.
11. RCR Wireless, "Five Reasons AI Data Centers Require Massive Amounts of Power," March 2025.
12. International Energy Agency (IEA), "Energy Demand from AI," 2024.
13. Deloitte, op. cit.
14. Ibid.
15. Ibid.
16. Data Center Knowledge, "Canada Emerges as Global Data Center Powerhouse," 2025.
17. Deloitte, op. cit.
18. Ibid.
19. The Next Platform, op. cit. (UAE 5 GW AI campus.)
20. Ibid.
21. Data Center Knowledge, op. cit.
22. Ibid.
23. Ibid.
24. Ibid. (C$240M to Cohere / Bell AI Fabric.)
25. The Next Platform, "As CUDA Is To GPU, QODA Is To Quantum Compute," July 2022.
26. Kearney, "Breaking the GPU Stronghold: Emerging Competition in AI Infrastructure," 2024.
27. Fierce Electronics, "Nvidia Continues Quantum Moves with New QODA Framework," 2022.
28. Ibid.
29. Ibid.
30. The Next Platform, op. cit. (CUDA-QODA hybrid quantum-GPU computing.)
31. F. Nayebi, "Catalyzing Canada's AI Advantage: Five Actions to Win the Global AI Race," TheFutureEconomy.ca, 2025.
32. Ibid.
33. CVCA Central, "Mapping the Growth of AI in Canada Through Investment," 2024.
34. Nayebi, op. cit.
35. Ibid.
36. CVCA Central, op. cit. (Cohere $1.27B funding.)
37. Coursera, "Cohere vs. OpenAI: What's the Difference?"
38. G. Klockwood, "Canadian Sovereign AI."
39. Ibid.
40. Nayebi, op. cit.
41. Ibid.
42. Ibid.
43. The Next Platform, op. cit. (U.S. hyperscaler spend $1.6–$1.7T projected 2025–2029.)
44. Ibid.
45. Nayebi, op. cit.
46. Klockwood, op. cit.
47. Nayebi, op. cit.
48. Data Center Knowledge, op. cit.
49. Nayebi, op. cit.