Quand l’IA et l’informatique quantique coexisteront enfin : quelles conséquences ?

L’intelligence artificielle réclame toujours plus de puissance de calcul, tandis que les ordinateurs quantiques se rapprochent, pas à pas, de machines réellement exploitables.

La vraie question, c’est ce qui se passe lorsqu’ils se rencontrent – un récit qui va de la correction d’erreurs jusqu’au chiffrement qui protège votre Bitcoin (BTC).

En résumé

L’IA conçoit déjà de meilleurs ordinateurs quantiques, du décodeur d’erreurs AlphaQubit de Google aux liaisons GPU–qubit de Nvidia, alors que les bénéfices du quantique pour l’IA restent étroits et pour l’essentiel non démontrés.

Le choc le plus aigu à court terme est cryptographique : un chercheur de Google a ramené le coût estimé de rupture de RSA‑2048 à moins d’un million de qubits bruités, pendant que le NIST intime à tout le monde de migrer avant 2030.

Les feuilles de route d’experts divergent fortement, de l’objectif de tolérance aux pannes d’IBM pour 2029 aux « 20 ans » évoqués par Jensen Huang ; toute date ferme doit être regardée avec méfiance.

Le matériel commence enfin à tenir ses promesses

Pendant trois décennies, plus un ordinateur quantique grossissait, plus il se dégradait. Ajouter des qubits, c’était surtout ajouter du bruit, et ce bruit ruinait les calculs.

En décembre 2024, Google a annoncé dans Nature un renversement de tendance. Sa puce Willow à 105 qubits a franchi le seuil dit « below threshold » : au‑delà de ce point, ajouter des qubits réduit le taux d’erreurs logiques au lieu de l’augmenter.

Les chiffres sont précis. En faisant passer la distance du code de 3 à 5 puis à 7, le taux d’erreurs logiques est à chaque fois à peu près divisé par deux, et la mémoire de distance 7 atteint 0,143 % d’erreur par cycle.

Cette mémoire vit aussi plus longtemps que le meilleur qubit physique isolé, par un facteur de 2,4. Les ingénieurs appellent cela « beyond breakeven », et c’est ce qui s’apparente le plus à un « pistolet fumant » pour le secteur.

John Preskill (Caltech), qui a forgé le terme décrivant l’ère actuelle, estime que montrer qu’un code correcteur d’erreurs prolonge la durée de stockage de l’information dans un qubit « est une étape importante ». Il ajoute toutefois que l’impact concret de l’informatique quantique sur le quotidien « pourrait se faire attendre pendant des décennies ».

Dix mois plus tard, Google a accéléré.

Le groupe a publié un second article dans Nature, en octobre 2025, sur un algorithme baptisé Quantum Echoes, dont il affirme qu’il tourne 13 000 fois plus vite que la meilleure méthode classique sur l’un des supercalculateurs les plus rapides du monde.

Mais la lettre fine mérite d’être lue. La rédaction scientifique de Nature rapporte le scepticisme d’une partie de la communauté sur la portée réelle du résultat, et Google admet lui‑même qu’une machine utile en cryptographie nécessitera encore des gains d’échelle de plusieurs ordres de grandeur.

La valeur de cette expérience est ciblée. Elle mesure la façon dont les systèmes quantiques « mélangent » l’information, ce qui pourrait aider à comprendre la structure de molécules ou d’aimants – pas à faire tourner votre tableur.

Pendant ce temps, les autres acteurs déroulent des feuilles de route publiques.

IBM prévoit de livrer Starling, une machine tolérante aux pannes dotée de 200 qubits logiques capables d’exécuter 100 millions de portes, d’ici 2029, après des puces intermédiaires baptisées Nighthawk et Loon.
Quantinuum promet un système universel pleinement tolérant aux pannes, Apollo, pour 2029, avec d’abord le lancement de sa machine Helios et d’un processeur nommé Sol attendu pour 2027.
Les laboratoires sur atomes neutres montent vite en puissance, utilisant des faisceaux laser pour piéger des atomes individuels jouant le rôle de qubits.

Deux résultats sur atomes neutres retiennent particulièrement l’attention.

Le laboratoire Endres de Caltech a maintenu 6 100 qubits de césium répartis sur quelque 12 000 sites de pinces optiques, publication à l’appui dans Nature le 24 septembre 2025, avec un temps de cohérence de 13 secondes et une fidélité de commande monobit de 99,98 %. « Nous vivons un moment enthousiasmant pour l’informatique quantique sur atomes neutres », résume le chercheur principal Manuel Endres.

Une équipe de Harvard pilotée par Mikhail Lukin, en collaboration avec le MIT et QuEra, a pris une autre voie. Elle a fait tourner un système de 3 000 qubits en continu pendant plus de deux heures, en recyclant plus de 50 millions d’atomes et en rechargeant jusqu’à 300 000 atomes par seconde pour remplacer ceux qui s’échappent.

« Nous avons démontré un fonctionnement continu à 3 000 qubits », souligne Lukin. « Mais il est tout aussi clair que cette approche est extensible à des nombres bien plus élevés. »

Et puis il y a le contre‑exemple.

Microsoft a présenté sa puce Majorana 1 en février 2025, revendiquant les premiers qubits « topologiques », une architecture supposée résister intrinsèquement aux erreurs. Lors d’une conférence en mars, la majorité des physiciens sont restés circonspects, et le théoricien Henry Legg a ensuite publié dans Nature une critique formelle montrant que le test utilisé pouvait être trompé par des effets parfaitement ordinaires.

Sankar Das Sarma, pionnier des théories de qubits topologiques, a salué les progrès de Microsoft sur les matériaux tout en restant peu convaincu par la physique réellement démontrée.

Cet écart entre communiqué de presse et preuve scientifique solide est probablement la chose la plus utile à garder en tête sur ce secteur.

L’IA construit discrètement l’ordinateur quantique

Le point que beaucoup de commentaires ignorent, c’est que l’IA n’attend pas le quantique. Elle est déjà un outil au cœur du laboratoire quantique.

DeepMind (Google) a conçu un décodeur à réseau de neurones baptisé AlphaQubit, décrit dans Nature en novembre 2024. Entraîné sur des données du processeur Sycamore, il commet 6 % d’erreurs en moins que les méthodes à réseaux de tenseurs et 30 % de moins que le décodage par appariement corrélé.

Le décodage est précisément là où l’IA se rend indispensable. Une puce quantique produit des flux de signaux d’erreur, et il faut un système capable de lire ces motifs et de les corriger plus vite que de nouvelles erreurs ne s’accumulent.

Les qubits supraconducteurs opèrent à des échelles de quelques dizaines à quelques centaines de nanosecondes : le décodeur doit donc être précis, mais surtout d’une rapidité extrême. Manquer cette fenêtre, c’est laisser les erreurs se composer avant même que la correction n’arrive.

La même pression du machine learning se retrouve ailleurs dans la pile technologique.

Des réseaux neuronaux aident à calibrer les qubits et à régler les impulsions de commande qui les font basculer.
L’apprentissage par renforcement a permis de découvrir des algorithmes plus rapides, comme le montre le travail AlphaTensor de DeepMind sur la multiplication de matrices.
Les décodeurs pilotés par IA réduisent progressivement le nombre de qubits physiques nécessaires pour protéger un qubit logique.

Ce dernier point est plus crucial qu’il n’y paraît. Chaque baisse de surcoût rapproche une machine utile, sans qu’il soit besoin d’inventer un nouveau type de qubit.

Cette contrainte explique pourquoi les géants du matériel marient étroitement puces quantiques et accélérateurs classiques.

En octobre 2025, Nvidia a dévoilé NVQLink, un interconnect ouvert reliant processeurs quantiques et supercalculateurs GPU, soutenu par 17 constructeurs quantiques et neuf laboratoires nationaux américains. Quantinuum l’a utilisé pour faire tourner le premier décodeur temps réel « scalable » pour sa puce Helios, avec un temps de réaction de 67 microsecondes.

Le message de Jensen Huang est direct : un ordinateur quantique ne tournera pas seul. Il faudra lui adjoindre, à côté, un supercalculateur classique.

C’est le visage du futur proche : une architecture hybride dans laquelle des modèles d’IA règlent, calibrent et surveillent en continu des qubits extrêmement fragiles.

Ce que le quantique apporte vraiment à l’IA

Inversez maintenant la question : un ordinateur quantique peut‑il rendre l’IA plus intelligente ?

La réponse honnête est : beaucoup moins que ne le laisse entendre le marketing, du moins à ce stade.

Le rêve initial s’appelait « quantum machine learning », avec des algorithmes promettant des accélérations exponentielles sur les tâches de traitement de données. Puis une adolescente y a mis un sérieux coup d’arrêt.

En 2018, Ewin Tang a montré qu’un ordinateur classique pouvait égaler un fameux algorithme quantique de recommandation, avant de « déquantifier » plusieurs autres propositions. Son travail a révélé que les gains de vitesse se cachaient souvent dans des hypothèses irréalistes sur le chargement des données, plutôt que dans la magie du formalisme quantique.

Deux écueils majeurs continuent de freiner l’apprentissage automatique quantique.

Le goulet d’étranglement à l’entrée : convertir des données classiques en états quantiques peut annihiler tout gain de vitesse avant même que le calcul ne commence.
Les « barren plateaus » : à mesure que les circuits s’allongent, le paysage d’optimisation se transforme en plateau désert où les gradients disparaissent et l’apprentissage s’enlise.

Scott Aaronson, figure de proue de la théorie de la complexité quantique, répète depuis des années qu’il faut lire ces promesses en très petits caractères.

Alors, à quoi le quantique sert‑il vraiment ?

Essentiellement à simuler d’autres systèmes quantiques. La chimie, les matériaux et certains problèmes d’optimisation sont dans ce « sweet spot », parce que la nature est elle‑même quantique et qu’une machine quantique parle sa langue.

C’est un créneau réel, et potentiellement très lucratif. On y trouve de meilleures batteries, de meilleurs catalyseurs et de nouvelles molécules candidates pour le médicament.

Ce n’est simplement pas l’histoire du « quantique qui turbo‑booste votre chatbot » qui fait grimper les cours de Bourse. Preskill lui‑même décrit la période actuelle comme une ère « NISQ » (Noisy Intermediate‑Scale Quantum), faite d’expériences utiles plutôt que de machines universelles.

La question énergétique qu’il ne faut pas survendre

L’appétit énergétique de l’IA devient un sujet d’infrastructure.

L’AIE prévoit que la consommation électrique des data centers atteindra environ 945 térawattheures d’ici 2030, plus du double des 415 TWh de 2024. Ce niveau pour 2030 se rapproche de la consommation annuelle totale du Japon.

Toujours selon l’AIE, la demande en électricité des centres de données optimisés pour l’IA est en passe de plus que quadrupler sur la même période.

D’où une tentation narrative : si les ordinateurs quantiques reposent sur une physique exotique, peut‑être permettront‑ils de diviser la facture énergétique.

Prudence. des problèmes de chimie très ciblés et d’optimisation, avec un nombre d’opérations bien inférieur à celui d’un supercalculateur classique, ce qui permettrait d’économiser de l’énergie sur ces cas d’usage ultra‑spécifiques.

En revanche, ces machines ne feront pas tourner votre modèle de langage, et les systèmes quantiques cryogéniques s’accompagnent eux‑mêmes de coûts de refroidissement vertigineux. La promesse crédible, c’est une efficacité ciblée sur des problèmes « quanto‑compatibles », pas un plan de sauvetage face à la facture énergétique de l’IA.

Quiconque promet le second vous vend du rêve.

Où Cela Touche Votre Portefeuille

Le point de friction le plus tangible entre IA, quantique et argent du quotidien, c’est la cryptographie.

Les schémas à clé publique comme RSA et la cryptographie sur courbes elliptiques reposent sur des problèmes mathématiques difficiles pour un ordinateur classique, mais faciles pour un ordinateur quantique suffisamment puissant, grâce à l’algorithme de Shor.

La menace a un nom qui devrait inquiéter quiconque détient des secrets à long terme : « collecter maintenant, déchiffrer plus tard ». Des acteurs malveillants peuvent aspirer aujourd’hui du trafic chiffré et le casser lorsque le matériel sera prêt.

Le NIST a finalisé sa riposte en août 2024. Il a publié trois standards post‑quantiques, ML‑KEM, ML‑DSA et SLH‑DSA, puis a retenu un algorithme de secours appelé HQC en mars 2025.

Le calendrier est explicite. Dans son projet de guide de transition, le NIST programme l’abandon progressif de RSA et des courbes elliptiques d’ici 2030 et leur interdiction totale à l’horizon 2035.

Les crypto‑actifs se retrouvent en plein dans la zone d’impact, car les blockchains reposent sur les mêmes signatures à base de courbes elliptiques.

L’exposition de Bitcoin est réelle, même si son ampleur fait débat. Une étude de Deloitte estime que plus de 4 millions de BTC, soit environ 25 % de tous les bitcoins, sont logés dans des sorties « pay‑to‑public‑key » et des adresses réutilisées où la clé publique est déjà exposée.

Les analyses plus récentes de la chaîne montent plus haut. Les travaux de Google Quantum AI (research) évoquent environ 6,5 à 6,9 millions de BTC, soit près d’un tiers de l’offre en circulation, si l’on inclut toutes les clés exposées ou réutilisées, dont un peu plus de 1,7 million dans les premiers scripts P2PK.

Les plans de défense s’esquissent, de façon très inégale.

Les développeurs Bitcoin débattent du BIP‑360, un type d’adresse résistant au quantique qui reste à l’état de brouillon, sans calendrier d’activation.
La Fondation Ethereum (ETH) a publié une feuille de route post‑quantique, et Vitalik Buterin a détaillé son plan pour migrer signatures, comptes et preuves vers des schémas sûrs face au quantique.
Solana (SOL) propose un « Winternitz Vault » optionnel, basé sur des signatures à usage unique fondées sur des fonctions de hachage, même si les comptes par défaut reposent toujours sur des courbes vulnérables.

Aucune de ces chaînes n’est aujourd’hui quantique‑sûre au niveau du protocole. Toutes en sont encore à concevoir le canot de sauvetage.

Quand Les Deux Technologies Se Nourrissent Mutuellement

Les scénarios les plus anxiogènes viennent de la convergence, lorsque les progrès de l’un des domaines accélèrent ceux de l’autre.

Chez Google, Craig Gidney a rebattu les cartes mathématiques en mai 2025. Il estime désormais que du RSA‑2048 pourrait être factorisé en moins d’une semaine avec moins d’un million de qubits bruités, soit une division par 20 par rapport aux 20 millions de qubits qu’il projetait avec un co‑auteur en 2019.

En six ans, sur le papier, le nombre de qubits nécessaires pour casser votre chiffrement a été divisé par vingt.

Rien de tout cela ne suppose que la machine existe déjà. Il s’agit de progrès algorithmiques et en codes correcteurs d’erreurs, un type d’optimisation que l’IA repère de plus en plus efficacement.

La réduction obtenue par Gidney vient d’une arithmétique plus maligne et de schémas de correction d’erreurs plus denses, pas d’un saut matériel. Appliquez la même pression d’optimisation à la cryptanalyse, et les exigences en ressources continuent de baisser.

Les experts en sécurité décrivent cette menace comme une cible mouvante, pas comme un « jour J » fixé à l’avance. La lecture prudente, c’est que l’IA abaisse discrètement le niveau de performance que le matériel quantique doit atteindre.

C’est pour cela que « nous avons encore des années » décrit un horizon matériel, pas un horizon mathématique.

L’Argent, Et Le Désaccord

Les investisseurs ont bien repéré tout cela.

McKinsey a rapporté que les entreprises du quantique avaient dépassé 1 milliard de dollars de chiffre d’affaires en 2025, que les levées de fonds des start‑ups avaient atteint 12,6 milliards, soit une multiplication par 6,3 sur un an, et que la technologie pourrait créer entre 1 300 et 2 700 milliards de dollars de valeur d’ici 2035.

Les États aussi passent à la caisse, avec des niveaux de confiance très variables.

Le National Quantum Initiative Act américain a autorisé environ 1,2 milliard de dollars au moment de sa signature en 2018.
Le programme « Quantum Flagship » de l’UE a engagé au moins 1 milliard d’euros sur dix ans à compter de 2018.
L’investissement chinois est souvent cité autour de 15 milliards de dollars, une estimation McKinsey non vérifiée, contestée et à manier avec une réelle prudence.

C’est sur les délais que les divergences entre experts deviennent frontales.

IBM et Quantinuum visent tous deux 2029 pour atteindre la « tolérance aux fautes ». Google exprime sa propre trajectoire en années, pas en décennies.

Et puis il y a Jensen Huang. Il a fait vaciller les valeurs quantiques en bourse en janvier 2025 en suggérant que les machines utiles étaient à 20 ans, avant de rétropédaler lors du « Quantum Day » de Nvidia en mars 2025, en plaisantant sur le fait qu’il avait invité des intervenants pour expliquer pourquoi il se trompait.

Le monde de la cybersécurité raisonne, lui, en probabilités. Le Global Risk Institute a interrogé 26 experts, qui jugent « assez possible » (28 % à 49 %) l’apparition d’un ordinateur quantique pertinent pour casser la cryptographie dans les dix ans, et « probable » (51 % à 70 %) dans les quinze ans, les chiffres les plus élevés depuis le lancement de ce rapport.

Les sceptiques comme Das Sarma considèrent toujours que des machines pratiques, avec correction d’erreurs à grande échelle, sont plus lointaines que ne le suggèrent les roadmaps industrielles.

Les deux visions peuvent coexister. La menace peut être à dix ans et justifier malgré tout des actions immédiates, car la migration prend des années et les données collectées n’expirent pas.

Le Tableau Réaliste

Une fois le battage marketing retiré, la silhouette est nette.

L’IA est le partenaire le plus mûr, et elle améliore déjà les ordinateurs quantiques via le décodage d’erreurs, le calibrage et le contrôle. Les apports du quantique à l’IA sont plus étroits : décisifs pour la chimie et certaines simulations, largement survendus pour à peu près tout le reste.

La convergence réellement urgente n’a rien d’un super‑cerveau. C’est l’érosion progressive du chiffrement qui sous‑tend l’ensemble d’Internet, accélérée par des algorithmes toujours plus astucieux.

Il n’est pas nécessaire de deviner l’année exacte. Il faut partir du principe que la migration devrait déjà avoir commencé.

Les machines sont encore en construction, tout comme leurs défenses. La bonne stratégie consiste à suivre les deux courses en parallèle.