Pourquoi le manque de calcul freine les startups IA en Afrique

Un accès au calcul qui décide de ce qui peut être construit

Pour un fondateur africain qui développe une entreprise d'intelligence artificielle, la puissance de calcul n'est pas une question d'infrastructure abstraite. Elle détermine ce qui sera effectivement bâti. Une jeune pousse peut disposer des compétences d'ingénierie, de l'idée et des clients, et pourtant peiner à obtenir le matériel nécessaire pour entraîner ou faire tourner ses modèles à une échelle commercialement viable.

Oluwaseyi Ayodeji, auteur d'une tribune, rappelle selon TechCabal que Lelapa AI a décrit cette difficulté du point de vue d'une entreprise africaine d'IA : dépendance à des infrastructures situées à l'étranger, contraintes de connectivité et de fuseaux horaires, coûts d'infrastructure plus élevés, et développement produit bridé par la disponibilité des GPU.

Quand l'infrastructure dicte le problème à résoudre

Lorsque le calcul est abondant, un fondateur part du problème à résoudre et remonte vers l'infrastructure requise. Quand il est rare, c'est l'infrastructure qui façonne le problème lui-même. Le fondateur se demande alors quel modèle peut être entraîné dans son budget, quelles expériences abandonner, quel volume de fine-tuning reste envisageable et si le produit pourra dépasser ses premiers clients. Le résultat ne se limite pas à une base de coûts plus élevée : il peut produire un écosystème de startups plus conservateur.

Le GPU, un élément du capital de la startup

Le débat sur l'écosystème technologique africain porte souvent sur le capital-risque, les talents et l'accès au marché. Le calcul y a sa place. Pour une entreprise d'IA, les GPU font partie de la structure de capital.

La question n'est pas de savoir si un GPU existe quelque part sur le continent, mais s'il peut être mobilisé au moment voulu, à quel prix, si la capacité peut être réservée, si la connexion est fiable et si les données circulent facilement entre le stockage et l'environnement de calcul. Ces détails déterminent si une entreprise peut expérimenter rapidement ou passe son temps à gérer des contraintes matérielles.

C'est là que l'émergence d'acteurs comme Chassis et UduTech compte : ils travaillent à combler le déficit d'infrastructure locale de calcul et à rendre le calcul haute performance plus accessible aux développeurs africains. D'autres attaquent le problème par un autre bout, à l'image de Refiant AI, qui travaille sur l'efficacité computationnelle en réduisant la puissance nécessaire pour faire tourner des modèles sophistiqués.

L'infrastructure de calcul, un chantier aussi physique

Un site d'IA sérieux a besoin d'électricité, de refroidissement, de connectivité, d'ingénierie électrique et mécanique, de contrôles, de mise en service et de maintenance. Il faut des techniciens familiers des environnements critiques et des professionnels de la construction capables de les livrer. La main-d'œuvre de l'infrastructure d'IA est donc bien plus large que la seule communauté d'ingénieurs en apprentissage automatique.

L'Afrique dispose d'un vivier technique substantiel ; la difficulté est de l'organiser autour des infrastructures physiques et numériques nécessaires à la prochaine génération d'entreprises d'IA. La National Digital Cloud Policy du Nigeria est à cet égard significative : son ambition d'attirer l'investissement privé et de faire du pays un hub régional de services numériques va dans la bonne direction. Le véritable test reste l'expérience des développeurs. Si un fondateur nigérian peut accéder localement à un GPU haut de gamme, à un prix prévisible, avec une électricité et une connectivité fiables, et sans déplacer ses données à l'autre bout du monde, alors la politique d'infrastructure se traduit en avantage pour l'écosystème.

Mesurer ce que « disponible » veut dire

Le secteur gagnerait à être plus transparent. Dire que l'Afrique dispose d'une infrastructure d'IA ne suffit pas : il faut savoir quelle puissance de calcul est réellement accessible aux développeurs et aux chercheurs, quels types d'accélérateurs sont disponibles, où ils se trouvent et combien ils coûtent. Les indicateurs les plus utiles sont parfois très simples : combien de temps faut-il à un développeur pour obtenir un GPU ? Combien coûte une heure de H100 ? Combien coûte l'entraînement d'un modèle représentatif ? Quelle est la fiabilité du service ? Avec quelle facilité une startup passe-t-elle d'un GPU à cent ?

L'Afrique n'a pas besoin de reproduire la Silicon Valley ni de courir après chaque modèle de pointe. Mais ses fondateurs devraient disposer d'un accès suffisant au calcul pour décider de ce qu'ils veulent construire en fonction de l'opportunité, plutôt qu'en partant de leur budget d'infrastructure. La rareté du calcul ne limite pas seulement ce que les startups africaines peuvent s'offrir : elle limite ce qu'elles imaginent possible.