L’informatique quantique, le nouveau défi de l’IA
L’informatique quantique vise l’intelligence artificielle. Non pas pour remplacer à court terme les GPU qui alimentent les grands modèles, mais pour prendre en charge certains des traitements les plus coûteux et les plus spécialisés. Entreprises technologiques, groupes pharmaceutiques et laboratoires de recherche expérimentent des architectures hybrides dans lesquelles processeurs quantiques, CPU et GPU travaillent ensemble.
L’avantage économique possible est important. L’expansion de l’IA accroît la demande en capacité de calcul, en énergie et en centres de données. Si un processeur quantique pouvait réduire le temps nécessaire à certaines opérations d’optimisation, de simulation ou d’apprentissage automatique, il pourrait réduire au moins une partie des coûts associés à la formation et à l’exécution des modèles.
L’enjeu, en 2026, est de comprendre quelle part de cette perspective est déjà exploitable et quelle part reste encore confiée aux feuilles de route des constructeurs.
Qpu à côté du GPU et du CPU, pas à leur place
L’architecture qui se dessine n’inclut pas d’ordinateur quantique chargé d’exécuter seul un modèle d’IA. Le modèle le plus réaliste est le modèle hybride : CPU pour le traitement général, GPU pour le calcul parallèle et unité de traitement quantique, ou QPU, pour des sous-problèmes particuliers.
John Licata, responsable quantique d’entreprise chez ServiceNow, affirme que les processeurs et les GPU continueront à gérer la majorité des charges d’IA. Les QPU pourraient entrer en jeu là où l’informatique classique rencontre des contraintes de temps, d’échelle ou de complexité.
C’est la même approche adoptée par différents fabricants du secteur. En fait, les ordinateurs quantiques disponibles aujourd’hui n’ont pas la stabilité, le nombre de qubits logiques et les systèmes de correction d’erreurs nécessaires pour remplacer l’infrastructure classique.
Les GPU sont également extrêmement efficaces pour les opérations matricielles qui dominent la formation des réseaux de neurones. Un algorithme quantique doit en revanche faire face à d’autres coûts : transférer les données du domaine classique vers le domaine quantique, mesurer les résultats et corriger les erreurs.
Pour cette raison, la concurrence ne porte pas tant sur le remplacement des GPU que sur l’identification des opérations dans lesquelles un QPU peut produire un résultat meilleur ou plus rapide.
Silicon Quantum Computing vend déjà un accélérateur pour l’IA
L’une des entreprises qui tentent de transformer cette approche en un produit commercial est l’australienne Silicon Quantum Computing, née en 2017 de recherches développées à l’Université de Nouvelle-Galles du Sud.
Marchés CSQ Pastèqueun système défini par l’entreprise comme «générateur de caractéristiques quantiques » pour les applications d’apprentissage automatique. Le processeur quantique est inséré dans un flux de travail classique et utilisé pour extraire des fonctionnalités des données pour les transférer ensuite vers le modèle d’IA. La société indique parmi les applications la finance, les télécommunications, l’énergie, la défense, les transports et la pharmacie.
Le Fonds national de reconstruction australien a initialement investi 20 millions de dollars australiens dans SQC et a annoncé 40 millions de dollars supplémentaires le 11 juin 2026 pour accroître la capacité de fabrication de semi-conducteurs quantiques de l’entreprise. Selon l’organisme public, l’entreprise emploie plus d’une centaine de personnes et certains clients ont déjà utilisé la pastèque dans des applications commerciales.
Matthew Bradley, vice-président du développement d’entreprise chez SQC, affirme que la réduction des délais de traitement peut entraîner une diminution de la consommation de ressources. La relation entre accélération, économies d’énergie et coût global varie cependant en fonction du problème abordé et ne peut être généralisée à tous les modèles d’IA.
Le calendrier de l’entreprise prévoit également de distinguer les produits spécialisés dans la perspective d’un ordinateur quantique universel : SQC fixe 2033 comme objectif pour les systèmes tolérants aux pannes à l’échelle commerciale.
D-Wave et Shionogi apportent le quantique à la recherche pharmaceutique
La recherche de nouveaux médicaments est l’un des secteurs dans lesquels l’intégration de l’IA et de l’informatique quantique a produit des résultats mesurables.
D-Wave et la société pharmaceutique japonaise Shionogi ont utilisé un ordinateur ad quantique recuit au sein d’un modèle génératif conçu pour identifier de nouvelles molécules. Dans la deuxième phase du projet, annoncée en 2026, D-Wave a signalé une multiplication par dix du nombre de molécules considérées comme souhaitables par rapport au modèle classique utilisé à titre de comparaison.
Une étude ultérieure évaluée par des pairs, publiée en 2026 dans Rapports scientifiques et illustré par D-Wave le 20 août, comparait un modèle génératif tout à fait classique avec une version dans laquelle l’échantillonnage était également confié à un recuit quantique. Les chercheurs ont obtenu des molécules présentant de meilleures caractéristiques de validité chimique et de compatibilité médicamenteuse dans le système à assistance quantique.
Cependant, il s’agit d’un problème spécifique et non de la démonstration que l’informatique quantique peut accélérer de manière générique l’intelligence artificielle.
La distinction est importante car le terme « IA quantique » englobe des techniques très différentes : des algorithmes fonctionnant réellement sur du matériel quantique, des systèmes hybrides et des algorithmes »d’inspiration quantique» qui exploitent les idées de la recherche quantique mais continuent de fonctionner sur du matériel traditionnel.
La recherche démontre des avantages théoriques, pas encore industriels
L’apprentissage automatique quantique fait désormais l’objet d’une littérature scientifique substantielle, mais la transition de l’avantage mathématique à la commodité industrielle reste ouverte.
Une étude de Hayata Yamasaki, Natsuto Isogai et Mio Murao, publiée le 28 juillet 2026 sur npj Informations quantiquesa construit une famille plus large de problèmes d’apprentissage supervisé sur lesquels un avantage quantique par rapport aux algorithmes classiques efficaces peut être théoriquement démontré.
Le résultat élargit les bases théoriques de l’apprentissage automatique quantique, mais n’équivaut pas à démontrer un avantage économique par rapport aux applications d’IA déjà utilisées par les entreprises.
Sur ce point, Gartner a adopté une position particulièrement prudente. Dans une prévision publiée le 4 août 2026, le cabinet d’analystes affirme qu’aucune charge d’IA d’entreprise à grande échelle ne fonctionnera sur du matériel quantique d’ici 2028. Gartner note également qu’il n’existe pas encore de résultat évalué par des pairs démontrant un « avantage quantique » sur une charge d’IA de production.
La différence entre des expériences prometteuses et une production industrielle reste donc grande.
QuEra vise 2028, IBM vise Starling en 2029
Les perspectives changeront si les fabricants parviennent à construire des ordinateurs tolérants aux pannes, c’est-à-dire capables de corriger les erreurs suffisamment longtemps pour exécuter des algorithmes complexes.
QuEra annoncé le 15 juin 2026 Balanceun système conçu avec plus de 256 qubits logiques corrects et un taux d’erreur logique attendu de 10^-6. L’entreprise prévoit de le rendre accessible via Amazon Braket en 2028. QuEra parle d’environ un million d’opérations logiques quantiques fiables, un seuil bien supérieur aux capacités des systèmes bruyants disponibles aujourd’hui.
IBM suit un calendrier légèrement plus long. Le groupe ambitionne de le rendre disponible en 2029 Étourneau quantiqueun ordinateur modulaire tolérant aux pannes avec 200 qubits et une capacité revendiquée à exécuter 100 millions de portes. En août 2026, IBM a annoncé avoir connecté et refroidi deux modules cryogéniques destinés à l’architecture qui supportera le système.
Starling devrait être construit dans le nouveau centre de données Quantum à Poughkeepsie, New York. Selon la feuille de route publiée par IBM, la prochaine étape serait Blue Jay, un système attendu au-delà de 2033 avec jusqu’à 2 000 qubits et un milliard de portes. Les dates restent des objectifs industriels déclarés par l’entreprise, et non des résultats acquis.
Le coût de l’IA stimule la recherche de nouveaux accélérateurs
L’intérêt économique naît également de l’augmentation de la capacité de calcul requise par l’IA générative. La formation et l’inférence des plus gros modèles nécessitent des GPU, de l’énergie, des réseaux à haut débit et des systèmes de refroidissement.
L’informatique quantique pourrait donc s’inscrire dans la même logique qui a transformé le marché des semi-conducteurs ces dernières années : confier certaines opérations à des puces spécialisées.
Les QPU ne doivent pas nécessairement battre un GPU à chaque tâche. Pour avoir une valeur industrielle, il suffirait qu’ils offrent un avantage vérifiable dans une partie coûteuse d’un processus plus vaste : optimisation, échantillonnage, simulation moléculaire ou recherche dans de très grands espaces combinatoires.
Toutefois, la commodité devra être mesurée dans l’ensemble du système. Un algorithme quantique plus rapide perd une partie de son avantage s’il nécessite des procédures onéreuses pour préparer les données, corriger les erreurs ou transférer continuellement des informations entre les processeurs classiques et quantiques.
Pour les responsables informatiques, le paramètre économique pertinent sera donc le coût global de la charge de travail, et non le seul temps d’exécution du QPU.
Pour les entreprises, le problème immédiat est la sécurité
En attendant, il existe un secteur dans lequel les entreprises ne peuvent pas attendre que l’informatique quantique arrive à maturité : la cryptographie.
Un ordinateur quantique suffisamment puissant pourrait compromettre les systèmes à clés publiques largement utilisés aujourd’hui. Le risque ne dépend pas seulement de l’existence actuelle d’une machine capable de le faire. Un attaquant peut aujourd’hui collecter des informations chiffrées et les stocker jusqu’à ce que la possibilité de les déchiffrer soit disponible : le modèle d’attaque connu sous le nom de «récoltez maintenant, décryptez plus tard ».
Le NIST américain a finalisé les trois premières normes de chiffrement post-quantique le 13 août 2024 :
- Fips 203, basé sur ML-KEM pour l’échange de clés,
- Fips 204 et 205 pour les signatures numériques.
L’institut recommande aux organisations de commencer la migration dès maintenant, car le remplacement des algorithmes cryptographiques sur des systèmes complexes peut prendre plusieurs années. (NIST)
En 2025, le Nist a également sélectionné HQC comme algorithme supplémentaire de normalisation. En juillet 2026, une vulnérabilité identifiée grâce à l’IA a conduit au retrait de HAWK, candidat aux signatures numériques ; selon le Nist, le problème n’affecte pas les normes ML-KEM et ML-DSA déjà approuvées. (
Pour les banques, les assurances, la santé, les administrations publiques et les entreprises qui conservent une propriété intellectuelle durable, la migration cryptographique a donc une échéance économique plus concrète que les applications de l’IA quantique.
La stratégie des DSI : expérimenter sans anticiper le marché
La perspective la plus plausible pour les années à venir n’est pas le remplacement des centres de données IA par des ordinateurs quantiques. Il s’agit de la construction d’infrastructures hétérogènes dans lesquelles différents accélérateurs sont affectés aux problèmes pour lesquels ils sont les plus efficaces.
Les entreprises peuvent déjà expérimenter des systèmes d’apprentissage automatique quantique et des services cloud, mais les performances revendiquées nécessitent des références comparables aux meilleures alternatives classiques. Il faut distinguer le matériel quantique, les simulateurs et les algorithmes d’inspiration quantique et vérifier quelle partie du flux est réellement exécutée sur le qpu.
L’étape décisive viendra lorsque les résultats obtenus en laboratoire seront reproductibles sur des données industrielles, avec des avantages mesurables sur le coût, le temps, la précision ou la consommation d’énergie.
D’ici là, le GPU et le CPU resteront les moteurs de l’intelligence artificielle. Les qpu cherchent leur place à côté d’eux. Certaines expériences montrent que cet espace existe, notamment en matière d’optimisation et de découverte de molécules. La taille économique de ce marché dépendra de la capacité des fabricants à transformer ces cas spécifiques en avantages reproductibles, vérifiables et suffisamment importants pour compenser la complexité de l’infrastructure quantique.
