Pour en savoir plus,  demandez un échantillon gratuit 

 Quelles sont les principales dynamiques de marché qui façonnent le marché des infrastructures d'inférence IA ?

L’« ère de l’inférence » et l’économie de l’IA de production :
un catalyseur majeur de la demande en infrastructures d’inférence pour l’IA en 2026 est le virage décisif opéré par l’industrie, passant de des modèles à leur déploiement. Alors que 2024 et 2025 ont été marquées par des investissements massifs dans des clusters GPU centralisés pour entraîner des modèles de base de grande envergure, 2026 sera caractérisée par les coûts opérationnels continus liés à leur gestion.

D'après les données de Deloitte et des analystes du secteur pour 2026, les charges de travail d'inférence représentent désormais environ 66 % de la puissance de calcul mondiale dédiée à l'IA, contre seulement un tiers en 2023. Cette évolution révèle un important déficit économique pour les entreprises : l'inférence représente aujourd'hui 80 à 90 % du coût total de production d'un système d'IA. L'inférence nécessitant une puissance de calcul continue, 24 h/24 et 7 j/7 (contrairement à la nature ponctuelle et ponctuelle de l'entraînement), les organisations sont confrontées à des factures de cloud insoutenables. Cette situation a engendré une forte demande pour des infrastructures d'inférence hétérogènes et hautement spécialisées, notamment des puces (comme les TPU de Google, offrant un rapport prix/performances 4,7 fois supérieur pour l'inférence, ou des architectures spécialisées telles que les RDU de SambaNova) qui privilégient l'efficacité énergétique (en jetons par watt) à la puissance brute d'entraînement.

L'IA d'entreprise échappe au purgatoire des projets pilotes : la charge de travail des agents explose et la demande d'inférence s'accroît

L'adoption en production s'accélère

Le passage de l'IA d'entreprise des projets pilotes expérimentaux aux déploiements en production accélère l'utilisation des données d'inférence. Une enquête mondiale menée par Plug and Play en août 2026 indique que 74 % des plus grandes entreprises mondiales disposent désormais d'au moins une solution d'IA en production. Cela marque une étape décisive, faisant passer les entreprises de la phase de validation de concept à des implémentations d'IA à grande échelle ayant un impact significatif sur leurs revenus.

Évolution de la charge de travail : au-delà des invites ponctuelles

La demande n'est plus uniquement dictée par les tâches de génération de texte ponctuelles, comme le résumé d'un courriel. En effet, l'essor de l'IA agentique— des agents autonomes qui surveillent, raisonnent et exécutent en continu des tâches complexes en arrière-plan — a engendré une demande croissante de ressources de calcul. D'ici mi-2026, la génération de code et les tâches agentiques complexes auront dépassé la génération de texte basique pour devenir la principale charge de travail d'inférence.

Réponse des infrastructures : Centres de données métropolitains et périurbains

Comme les agents autonomes n'attendent pas d'instructions humaines pour démarrer leurs opérations, le volume d'appels API et la puissance de calcul d'inférence en backend ont explosé. Cette forte augmentation contraint les hyperscalers et les entreprises à séparer physiquement leurs centres de données. Par conséquent, selon un rapport d'Astute Analytica, on prévoit d'ici 2026 une forte augmentation du nombre de centres de données d'inférence « métropolitains et périurbains », situés au plus près des utilisateurs finaux afin de garantir la latence ultra-faible requise par les flux de travail des agents.

Les PC dotés d'IA inaugurent une ère de calcul sécurisé et à faible latence sur le marché des infrastructures d'inférence IA

La demande croissante des consommateurs et des entreprises en matière de confidentialité, de traitement sans latence et de réduction de la dépendance au cloud a fortement accéléré le déploiement de l'inférence en périphérie du réseau. L'événement matériel majeur de 2026 sera l'adoption massive du « PC IA », équipé d'unités de traitement neuronal (NPU) dédiées, capables d'effectuer des calculs d'inférence locaux complexes.

L'arrêt du support de Windows 10 en octobre 2025 a catalysé le cycle de renouvellement matériel de 2026, qui a vu les performances matérielles enfin répondre aux exigences logicielles (telles que Microsoft Copilot+ et Apple Intelligence). Les données d'Astute Analytica pour 2026 indiquent que les « PC dotés d'IA avancée » — c'est-à-dire des machines dont les NPU dépassent le seuil de 40 TOPS (téra-opérations par seconde) — devraient représenter environ 59 % des livraisons mondiales de PC cette année, soit une hausse considérable de 52 % par rapport à 2025.

Ce modèle d'infrastructure décentralisée est très attractif pour les responsables informatiques :

• En déplaçant l'inférence du cloud vers les périphériques, les entreprises réduisent considérablement leurs coûts variables liés aux API cloud.
• Les exigences en matière de souveraineté des données d'entreprise et les lois strictes de conformité européennes et mondiales incitent les entreprises à veiller à ce que leurs données propriétaires ne quittent jamais l'appareil local.
• Les travailleurs d'aujourd'hui exigent une réactivité en temps réel pour les tâches d'IA locales (comme le rendu vidéo, le codage prédictif et la traduction en direct) qui ne peuvent tout simplement pas tolérer un aller-retour vers un serveur cloud centralisé.

Comment les architectures de nouvelle génération redéfinissent-elles les frontières du calcul sur le marché des infrastructures d'inférence en IA ?

Les contraintes physiques du matériel informatique traditionnel ont engendré une évolution remarquable dans la conception des puces modernes. Pendant des années, le principal goulot d'étranglement était le redoutable « mur de la mémoire » : un état où des processeurs ultra-rapides restaient inactifs, en attente de transferts de données. 

Aujourd'hui, le marché résout ce problème grâce à des avancées architecturales majeures. Les accélérateurs de nouvelle génération, tels que le NVIDIA Blackwell B200, offrent des gains de performance impressionnants, atteignant jusqu'à 30 fois la puissance d'inférence des modèles précédents pour une consommation énergétique par jeton comparable. En poussant la bande passante mémoire à 8 To/s, ces systèmes modernes conservent plus de 50 % du débit maximal, même sous des charges importantes de 16 Ko avec contexte long, démontrant ainsi le retour sur investissement des mises à niveau de la mémoire.

Évolution profitable de l'infrastructure d'inférence IA : architectures spécialisées en silicium, FP4 et VRAM élevée

Une bifurcation majeure se dessine sur le marché des infrastructures d'inférence IA. On observe l'essor de puces hautement spécialisées, comme les unités de traitement du langage (LPU), qui atteignent une latence de moins de 100 ms pour l'obtention du premier jeton, surpassant largement les GPU généralistes pour les tâches de décodage pures. Avec la transition des modèles vers une précision FP4 native, le matériel moderne peut traiter des architectures beaucoup plus vastes sur un nombre réduit de puces, ouvrant la voie à une échelle sans précédent. Les responsables d'infrastructures doivent prendre conscience que le marché des infrastructures d'inférence IA évolue rapidement, passant de contraintes de préremplissage liées à la puissance de calcul à des environnements limités par la capacité. 

Cette évolution exige des architectures à haute capacité de mémoire vidéo (VRAM), comme les accélérateurs 288 Go d'AMD, qui éliminent totalement les communications entre puces. L'utilisation de technologies telles que le partitionnement GPU multi-instance (MIG) permet à une fraction de puce moderne de surpasser des serveurs traditionnels entiers, transformant ainsi l'allocation des investissements et facilitant le déploiement en entreprise.

Les responsables des infrastructures peuvent-ils concilier les besoins énergétiques à très grande échelle et des opérations durables ?

L'empreinte énergétique de l'IA ne cesse de croître et se mesure désormais en mégawatts. Le déploiement d'un cluster standard de 1 000 GPU garantit une demande en énergie continue supérieure à un mégawatt, engendrant des factures d'électricité mensuelles astronomiques. 

Cependant, une évolution très prometteuse en matière de développement durable se dessine. Grâce à une optimisation radicale, la consommation énergétique par requête a chuté de façon spectaculaire. Les modèles à grande échelle consomment désormais seulement 0,3 wattheure par requête, soit beaucoup moins et une efficacité bien supérieure aux premières estimations des médias (plus de 3 wattheures).

Inférence IA à très grande échelle : efficacité énergétique, refroidissement liquide, leadership durable

L'échelle engendre intrinsèquement l'efficacité. Les environnements hyperscale du marché des infrastructures d'inférence IA affichent une efficacité énergétique 8 à 20 fois supérieure à celle des clusters d'entreprise plus petits et non optimisés. Ils atteignent des indices d'efficacité énergétique (PUE) proches de la perfection (1,09 à 1,17) et réduisent leur consommation d'eau à une fraction de millilitre par requête IA. Les opérations continues représentant plus de 80 % de l'empreinte énergétique totale de l'IA, l'indicateur « jetons par watt » est devenu la référence en matière de conception d'installations. 

Face à la montée en puissance des serveurs, dont la dissipation thermique dépasse largement les 100 kW, le marché des infrastructures d'inférence IA abandonne rapidement le refroidissement par air traditionnel au profit du refroidissement liquide Direct-to-Chip (DLC) afin d'éviter les surtensions catastrophiques. En adoptant des architectures hybrides (Mixture-of-Experts, MoE) intrinsèquement durables et en appliquant dynamiquement une limitation de la consommation des GPU lors des différentes phases de génération, les opérateurs modernes récupèrent une marge thermique considérable sans sacrifier la latence.

Pourquoi la décentralisation devient-elle essentielle pour la latence et la souveraineté des données sur le marché des infrastructures d'inférence IA ?

Si les infrastructures hyperscale dominent en termes de débit brut, le marché mondial se développe rapidement vers la périphérie du réseau. Pour les opérations critiques dans les secteurs de la santé, de la finance ou de la production industrielle, l'acheminement des données sensibles vers un cloud engendre une latence inacceptable et des risques de non-conformité. 

En déportant les calculs vers des appareils locaux équipés d'unités de traitement neuronal (NPU) intégrées ou d'architectures de mémoire unifiées, les entreprises parviennent à une réduction de la latence en temps réel pouvant atteindre 83 %, sans provoquer de décharge de la batterie ni de limitation thermique.

Inférence IA décentralisée : intelligence en périphérie, souveraineté des données, résilience, croissance rentable

Le segment décentralisé du marché des infrastructures d'inférence IA s'affranchit totalement des pics de latence du cloud, garantissant une expérience utilisateur instantanée et hautement prévisible. De plus, il élimine quasiment les coûts de transport des données vers le cloud en filtrant les données parasites et en inférant les données brutes directement à la source. Surtout, cette approche garantit une souveraineté des données sans latence, évitant ainsi les de cybersécurité liés à la transmission via des API externes. 

Les déploiements les plus sophistiqués du marché exploitent un routage intelligent hybride : les tâches simples sont instantanément traitées via des modèles de langage simples (SLM) intégrés (à condition que le périphérique dispose de 4 à 8 Go de RAM minimum), tandis que les calculs complexes sont automatiquement basculés vers les GPU du cloud. Cette stratégie à double architecture réduit les temps d’arrêt de 30 % lors des pannes réseau inévitables, garantissant ainsi une continuité d’activité optimale.

Marché des infrastructures d'inférence IA : contraintes et analyse d'impact (2026-2035)

Analyse concurrentielle : Les 5 principaux acteurs qui dominent le marché des infrastructures d’inférence IA

1. NVIDIA: leader incontesté. La société domine le marché du matériel avec ses GPU H100 et Blackwell, ainsi que ses logiciels CUDA et TensorRT. Ses microservices NIM en font la référence du secteur pour l'inférence IA optimisée à haut débit.
2. AWS (Amazon) : Pionnier des semi-conducteurs personnalisés, AWS propose des puces Inferentia offrant un coût par inférence extrêmement compétitif. Associées à Amazon Bedrock, elles permettent une intégration optimale du matériel au sein du plus vaste écosystème cloud au monde.
3. Google : Pionnier des TPU. Les unités de traitement tensoriel personnalisées et hautement performantes de Google (comme la TPU v5e) et sa plateforme d'IA Vertex sont conçues nativement pour les charges de travail d'IA d'entreprise évolutives et à faible latence.
4. Microsoft: le géant du cloud d'entreprise. En déployant des accélérateurs d'IA Azure Maia personnalisés et en tirant parti de son partenariat exclusif et approfondi avec OpenAI, Microsoft capte une demande massive et soutenue en matière d'inférence pour les entreprises sur son cloud Azure.
5. AMD: Le principal concurrent en matière de matériel informatique. Ses accélérateurs d'IA Instinct MI300X offrent une bande passante et une capacité mémoire massives. Cela fait d'AMD une alternative très rentable et évolutive à NVIDIA pour l'exécution de modèles de langage de grande taille (LLM).

Analyse segmentaire du marché des infrastructures d'inférence IA

Par déploiement : l’infrastructure cloud et hyperscale domine l’écosystème

En 2026, le cloud et l'hyperscale dictent incontestablement la trajectoire du marché. Cette domination s'explique par les investissements massifs nécessaires au déploiement d'accélérateurs de nouvelle génération comme NVIDIA Blackwell et de puces telles que Google TPU v6. Les architectures d'entreprise délaissent massivement les goulots d'étranglement des infrastructures sur site, privilégiant l'élasticité des hyperscalers pour gérer les charges de travail fluctuantes et gourmandes en ressources de calcul. 

Par conséquent, les environnements cloud captent la quasi-totalité des revenus du marché des infrastructures d'inférence IA, grâce aux modèles spécialisés d'inférence en tant que service (Infern-as-a-Service). Cette centralisation abaisse considérablement les barrières à l'entrée pour une intégration généralisée de l'IA en entreprise. Les facteurs suivants soulignent l'importance capitale de ce segment :

• Les géants du cloud contrôlent actuellement plus de 65 % du budget total mondial d'acquisition de matériel informatique.
• Les architectures de serveurs mutualisés réduisent le coût par inférence de 40 % par rapport aux déploiements localisés.
• Les principaux fournisseurs proposent une intégration API localisée de la périphérie au cloud, réduisant la latence à moins de 15 millisecondes.
• Les investissements souverains dans le cloud injectent 12 milliards de dollars dans le développement des infrastructures régionales.

Par type de modèle : les grands modèles de langage détiennent la plus grande part de marché

Les modèles de langage de grande taille (LLM) conservent leur position dominante, représentant la part la plus importante du marché des infrastructures d'inférence pour l'IA. Alors que leur adoption en entreprise passe des phases pilotes à une production à grande échelle en 2026, les exigences architecturales, avec des paramètres dépassant le billion, imposent des solutions matérielles robustes. Cette évolution contraint les organisations à investir massivement dans des architectures à forte intensité mémoire, notamment les configurations HBM3e, afin de limiter la latence de génération des jetons. 

Par conséquent, la commercialisation agressive des applications d'IA générative positionne les LLM comme le principal moteur de revenus de l'écosystème plus vaste du marché des infrastructures d'inférence d'IA. Le volume considérable de requêtes simultanées des utilisateurs exige une densité de calcul sans précédent. Cette importance est démontrée par des réalités clés :

• Les charges de travail basées sur LLM représentent 58 % de toutes les instances d'inférence d'entreprise à l'échelle mondiale.
• Le matériel optimisé pour les architectures de transformateurs offre un retour sur investissement 3,5 fois supérieur.
• Les déploiements de génération augmentée par récupération (RAG) consomment 8 milliards de dollars en infrastructure de serveurs dédiés.
• Les coûts moyens de traitement des jetons ont chuté de 60 %, stimulant une croissance exponentielle du volume des requêtes.

Par modèle de service : le traitement en temps réel et interactif domine le segment

S’appuyant sur les bases posées en 2025, le modèle de service interactif en temps réel conserve sa position de leader sur le marché en 2026. Les attentes des consommateurs et des entreprises en matière de réponses IA sans latence ont profondément remodelé la topologie du marché des infrastructures d’inférence IA. Le traitement par lots est de plus en plus relégué à l’analyse en arrière-plan, tandis que les chatbots de service client en direct, les algorithmes financiers dynamiques et la navigation autonome exigent une exécution instantanée. 

Le respect de ces accords de niveau de service stricts exige des architectures de microservices à haut débit et faible latence. Par conséquent, les acteurs du marché des infrastructures d'inférence pour l'IA privilégient fortement la mise en cache en périphérie et les déploiements de nœuds décentralisés aux hubs centralisés. La prédominance du service en temps réel est manifeste à travers des indicateurs clés :

• Les besoins en inférence en temps réel représentent 70 % des ventes de nouveaux équipements de réseau spécialisés.
• Les exigences en matière de latence ultra-faible accélèrent les investissements mondiaux dans les centres de données périphériques de 15 milliards de dollars.
• La consommation des API de streaming dépasse l'utilisation des points de terminaison par lots traditionnels dans un rapport de 4 à 1.
• Les agents d'IA interactifs représentent 45 % des cycles de calcul quotidiens des entreprises à l'échelle mondiale.

Par secteur d'utilisation finale : la technologie et Internet constituent le moteur principal

Le secteur des technologies et d'Internet demeure le principal moteur de croissance, véritable pilier du marché des infrastructures d'inférence pour l'IA. Son agilité intrinsèque permet une assimilation rapide des puces de pointe, des circuits intégrés spécifiques (ASIC) aux architectures réseau avancées. Les géants d'Internet et les fournisseurs de logiciels en tant que service (SaaS) intègrent nativement l'IA à leurs architectures, générant une demande massive et continue de capacités d'inférence évolutives. 

Cette intégration poussée signifie que le secteur technologique dicte la feuille de route architecturale de l'ensemble de la chaîne d'approvisionnement du marché des infrastructures d'inférence IA. Sa recherche constante d'efficacité opérationnelle contraint les fournisseurs à innover rapidement. Cette domination absolue du secteur se caractérise par les indicateurs suivants :

• Plus de 55 % de tous les semi-conducteurs optimisés pour l'inférence sont achetés directement par des conglomérats technologiques de premier plan.
• L'intégration d'applications génère un flux de revenus récurrents liés à l'inférence, dépassant 25 milliards de dollars par an.
• Les plateformes internet grand public traitent plus de 100 milliards de requêtes d'inférence uniques toutes les 24 heures.
• Les dépenses de R&D des entreprises internet consacrées aux algorithmes d'inférence sur mesure ont atteint 18 milliards de dollars à l'échelle mondiale.

 Pour en savoir plus sur cette recherche :  demandez un échantillon gratuit 

Analyse régionale du marché des infrastructures d'inférence IA

Amérique du Nord : conquérir la plus grande part de marché mondiale

L'Amérique du Nord domine le marché mondial des infrastructures d'inférence pour l'IA, grâce notamment à une concentration sans précédent de géants du cloud et d'architectes de semi-conducteurs de pointe. Sa suprématie est consolidée par des investissements massifs dans la modernisation des centres de données et le déploiement de clusters de calcul haute densité. Les États-Unis sont le principal moteur de cette domination, contribuant à plus de 85 % du chiffre d'affaires régional, qui devrait dépasser 25 milliards de dollars en 2026. L'écosystème de la Silicon Valley favorise la commercialisation rapide de l'IA en entreprise, tandis que les principaux fournisseurs de services cloud investissent continuellement des milliards dans des accélérateurs d'IA personnalisés. 

Par conséquent, les entreprises américaines bénéficient d'un avantage certain en tant que pionnières dans le déploiement à grande échelle de charges de travail d'inférence complexes. Le Canada renforce encore sa position régionale grâce à ses pôles de recherche en IA de renommée mondiale à Toronto et Montréal, qui attirent d'importants investissements directs étrangers pour des infrastructures d'hébergement spécialisées. 

Cet environnement synergique garantit que la région demeure un pôle d'excellence pour les déploiements de pointe. En privilégiant des chaînes d'approvisionnement robustes et une capacité de calcul souveraine, l'Amérique du Nord définit de facto les normes architecturales du marché mondial des infrastructures d'inférence pour l'IA, conservant ainsi son leadership commercial incontesté.

Asie-Pacifique : la puissance régionale à la croissance la plus rapide

La région Asie-Pacifique affiche le taux de croissance annuel composé le plus élevé du marché des infrastructures d'inférence pour l'IA, avec une expansion annuelle soutenue de 32 %. Cette croissance rapide est alimentée par des politiques gouvernementales ambitieuses de numérisation et par une population massivement connectée à Internet qui exige des applications à latence nulle. 

La Chine est à la pointe de cette croissance régionale accélérée, portée par ses géants technologiques nationaux qui développent activement leurs écosystèmes cloud propriétaires et investissent massivement dans des alternatives locales au silicium afin de contourner les restrictions à l'importation. Taïwan soutient intrinsèquement cet écosystème régional et mondial grâce à sa position dominante dans la fabrication de semi-conducteurs de pointe, garantissant un approvisionnement constant en puces logiques hautes performances. 

Parallèlement, la Corée du Sud joue un rôle indispensable en tant que principal fournisseur de modules de mémoire avancés, un composant essentiel pour les serveurs d'inférence à grande échelle. 

Par ailleurs, l'Inde contribue de manière significative à la dynamique régionale grâce à une adoption exponentielle du cloud et à une production massive de données consommateurs, nécessitant d'importants investissements dans des centres de données périphériques localisés. En intégrant harmonieusement de fabrication de semi-conducteurs à la croissance rapide du déploiement d'applications grand public, la région Asie-Pacifique constitue un moteur extrêmement dynamique et autonome, moteur de l'avenir du marché des infrastructures d'inférence pour l'IA.

Les 5 principaux développements récents du marché des infrastructures d'inférence IA

1. AMD a conclu un accord pour acquérir Taalas le 6 août 2026. Cette transaction vise à renforcer la position d'AMD dans le domaine des puces spécialisées pour l'inférence IA et à élargir son portefeuille pour des charges de travail d'inférence efficaces et à haut débit.
2. Samsung a dévoilé ses technologies de mémoire IA de nouvelle génération lors du salon FMS 2026 le 5 août, notamment des prototypes pour les technologies zHBM, zNAND-O, V10 BV-NAND (comprenant plus de 400 couches), HBM4E, HBM5 et LPDDR5X-PIM, toutes intégrées verticalement. Ces solutions visent à optimiser la bande passante et l'efficacité de la mémoire, tout en réduisant les transferts de données au sein des infrastructures d'IA.
3. Marvell a enrichi son offre de mémoire et de stockage pour l'IA le 4 août, en présentant les innovations Bravera et Photonic Fabric pour le stockage PCIe 6.0, l'extension de mémoire CXL et la mémoire partagée optique. Son architecture est conçue pour prendre en charge jusqu'à 32 To de déchargement du cache KV à chaud pour l'inférence d'IA agentielle.
4. AMD et Cerebras ont annoncé le 23 juillet un partenariat d'inférence désagrégée , combinant les systèmes AMD Helios à l'échelle du rack avec la technologie Wafer-Scale Engine de Cerebras. Les entreprises prévoient une augmentation du nombre de jetons par seconde et par watt jusqu'à cinq fois supérieure.
5. Microsoft et AMD ont étendu leur partenariat Azure le 20 juillet, Microsoft déployant l'infrastructure AMD Helios pour l'inférence de modèles de pointe, les services d'IA Azure et les applications clients.

Principales entreprises du marché des infrastructures d'inférence IA

• NVIDIA
• AMD
• Broadcom
• Google
• Amazon Web Services
• Microsoft
• Groq
• Systèmes Cerebras
• Systèmes SambaNova
• Matrice d
• Qualcomm
• Intel
• L'IA de l'ensemble
• IA des feux d'artifice
• Baseten
• Autres joueurs importants

Aperçu de la segmentation du marché

Par composant

• Puces d'inférence (GPU, ASIC/NPU d'inférence, CPU)
• Mémoire et cache (HBM, niveaux de cache DRAM/KV, cache flash)
• Serveur de logiciels et d'environnements d'exécution
• Réseautage

Par déploiement

• Cloud/Hyperscale
• Néocloud
• Entreprise sur site
• Edge et sur l'appareil

Par type de modèle

• Modèles de langage de grande taille
• Multimodal et vision
• Recommandation
• Agentif/Contexte long

Par modèle de service

• Temps réel/Interactif
• Lot
• Streaming

Par secteur d'utilisation finale

• Technologie et Internet
• BFSI
• Soins de santé
• Commerce de détail et commerce électronique
• Télécom
• Secteur public

Par région

• Amérique du Nord
  • Les États-Unis.
  • Canada
  • Mexique
• Europe
  • Europe occidentale
    • Le Royaume-Uni
    • Allemagne
    • France
    • Italie
    • Espagne
    • Le reste de l'Europe occidentale
  • Europe de l'Est
    • Pologne
    • Russie
    • Le reste de l'Europe de l'Est
• Asie-Pacifique
  • Chine
  • Inde
  • Japon
  • Australie et Nouvelle-Zélande
  • Corée du Sud
  • ASEAN
  • Reste de l'Asie-Pacifique
• Moyen-Orient et Afrique (MEA)
  • Arabie Saoudite
  • Afrique du Sud
  • Émirats arabes unis
  • Reste du Moyen-Orient
• Amérique du Sud
  • Argentine
  • Brésil
  • Le reste de l'Amérique du Sud