Pour en savoir plus,  demandez un échantillon gratuit 

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

Le goulot d'étranglement du matériel informatique et de l'emballage

Les entreprises et les hyperscalers continuent d'adopter les accélérateurs d'IA au rythme de leur production. Si NVIDIA reste le leader incontesté grâce à son architecture Blackwell (notamment les plateformes B300 et Vera Rubin) désormais largement déployée, AMD s'est solidement implanté. Les géants de la tech ont investi massivement dans les séries MI350 et MI400 d'AMD pour diversifier leurs infrastructures matérielles, avec des capacités de plusieurs gigawatts.

Cependant, le principal goulot d'étranglement matériel en 2026 ne réside plus seulement dans la fabrication de la puce de silicium elle-même, mais aussi dans l' encapsulation avancée et la mémoire qui l'accompagnent.

• Volumes de production : NVIDIA devrait livrer plus de 7,4 millions de GPU pour centres de données d’ici fin 2026, ce qui exercera une pression extraordinaire sur la chaîne d’approvisionnement mondiale pour la mémoire à large bande passante (HBM) et l’encapsulation Chip-on-Wafer-on-Substrate (CoWoS).
• Hausse des coûts : En raison des fortes contraintes d’approvisionnement en HBM et de l’évolution vers des systèmes à l’échelle du rack très complexes, les prix des serveurs d’IA ont bondi de plus de 15 % début 2026. Les racks entièrement intégrés et refroidis par liquide (tels que les systèmes NVL72 GB200 et VR200) ​​génèrent désormais des devis avant expédition allant de 3 à 7 millions de dollars par unité.

Disponibilité de l'énergie : la contrainte ultime sur le marché des infrastructures d'IA d'entreprise

L'électricité est devenue la ressource essentielle des infrastructures d'IA. Les centres de données d'entreprise traditionnels ont été conçus pour gérer des charges de travail cycliques avec des pics prévisibles. Or, l'entraînement des IA et la distribution de jetons en temps réel exigent un fonctionnement continu à pleine capacité, ce qui met les réseaux électriques à rude épreuve.

Les réalités physiques des centres de données d'IA en 2026 sont saisissantes :

• Densité extrême des racks : Un rack de centre de données consomme entre 10 et 15 kilowatts (kW). Les racks d’IA modernes nécessitent couramment entre 50 et 150 kW, alimentés par des accélérateurs modernes qui consomment de 700 à 1 200 watts par puce.
• Demande à l'échelle du gigawatt : Un seul centre de données d'IA à grande échelle consomme aujourd'hui entre 100 mégawatts et 1 gigawatt (GW) d'électricité. Des mégacampus, actuellement en phase de planification, visent une capacité allant jusqu'à 5 GW, supérieure à celle de nombreuses centrales nucléaires.
• Décalage temporel : l’extension d’un centre de données d’IA prend environ 18 à 24 mois, tandis que la modernisation des sous-stations électriques et la construction de nouvelles lignes de transport d’électricité nécessitent entre 7 et 10 ans. Ce décalage structurel a contraint les entreprises à revoir en profondeur leurs stratégies d’implantation d’infrastructures, en privilégiant fortement les régions disposant d’un potentiel important en énergies renouvelables ou en s’implantant à proximité de centrales électriques décentralisées.

L'essor des réseaux IA d'Ethernet libère le potentiel de croissance des clusters GPU

Avec l'explosion du nombre de clusters d'IA, passés de dizaines de milliers à des centaines de milliers de GPU, la principale contrainte pesant sur leur efficacité est désormais la communication réseau, et non plus la puissance de calcul. Lors d'exécutions à grande échelle d'entraînement et d'inférence, la surcharge réseau peut représenter jusqu'à 60 % du temps d'une itération.

Cela a engendré une transition architecturale majeure en 2026. Alors qu'InfiniBand était la norme incontestée en matière de réseaux au début de l'essor de l'IA, Ethernet s'impose désormais rapidement comme l'architecture de montée en charge privilégiée. Grâce aux normes promues par l'Ultra Ethernet Consortium (UEC) et à des innovations telles que le Spectrum-X de NVIDIA, l'Ethernet 800G offre désormais les performances à faible latence et à congestion maîtrisée auparavant réservées à InfiniBand. Les entreprises privilégient Ethernet pour éviter la dépendance à un fournisseur unique, tirer parti des compétences d'ingénierie existantes et s'étendre facilement aux environnements de cloud hybride lors des pics de demande.

Le passage à l'inférence et à l'architecture souveraine sur le marché des infrastructures d'IA d'entreprise

La charge de travail liée à l'IA en entreprise a considérablement évolué, passant de la création de modèles de base à leur exécution. La génération de jetons, le traitement multimodal de ces jetons et l'automatisation des processus d'entreprise nécessitent une infrastructure entièrement différente, optimisée pour une faible latence et une forte concurrence.

Parallèlement, des réglementations strictes en matière de protection des données, des cadres de gouvernance de l'IA (comme la loi européenne sur l'IA) et la volonté de protéger les données confidentielles des entreprises ont accéléré la demande d'infrastructures d'IA souveraines et hybrides. Plutôt que de dépendre entièrement des hyperscalers mondiaux, les entreprises et les États investissent massivement dans des centres de données locaux, implantés sur leur territoire. Cette décentralisation engendre une demande considérable d'infrastructures en périphérie du réseau, rapprochant la puissance de calcul haute performance de l'utilisateur final afin de respecter les obligations légales en matière de résidence des données et de réduire les temps de réponse.

Infrastructure logicielle : maturité MLOps et RAGOps

En 2026, les défaillances de l'IA en entreprise sont rarement dues à une mauvaise pondération des modèles ; elles surviennent généralement au niveau du pipeline de données. De ce fait, la demande en infrastructures logicielles d'IA robustes est passée des outils d'expérimentation ad hoc à des plateformes de contrôle rigoureusement encadrées.

Les environnements logiciels d'entreprise modernes exigent désormais des solutions RAGOps (Retrieval-Augmented Generation Operations) matures pour gérer la chaîne d'approvisionnement du contexte. Les organisations investissent massivement dans des bases de données vectorielles évolutives (telles que Milvus, Qdrant et pgvector) et orchestrent leurs environnements d'IA avec Kubernetes (version 1.28 et ultérieures) afin de garantir des déploiements conteneurisés et immuables. Au lieu de considérer l'IA comme des expériences isolées, les entreprises exigent des plateformes MLOps de bout en bout qui surveillent en continu les indicateurs de récupération, le coût des jetons et la pertinence des réponses, en fonction de l'évolution constante des données métier sous-jacentes.

Où se cachent les gouffres financiers sur le marché des infrastructures d'IA d'entreprise ?

Le déploiement à grande échelle de systèmes intelligents s'avère être une entreprise financière périlleuse. L'année dernière, 40 % des organisations ont dû solliciter l'intervention de leur direction ou de leur conseil d'administration en raison de dépassements de coûts informatiques extrêmes et imprévus, inaugurant ainsi une ère de « factures d'IA exorbitantes » 

Il s'avère quasiment impossible pour la plupart des entreprises de prévoir avec précision les coûts d'infrastructure ; 89 % des entreprises se trompent de plus de 10 % dans leurs prévisions de coûts liés à l'IA, ce qui entraîne une érosion mesurable des marges brutes pour 84 % des organisations.

La discipline FinOps devient le moteur de rentabilité de l'IA d'entreprise face à l'explosion des coûts

Le marché des infrastructures d'IA d'entreprise est confronté à une grave crise financière. Des boucles de raisonnement non optimisées ont contraint 33 % des entreprises à geler leurs dépenses en urgence, et près de la moitié ont dû revoir le prix de leurs produits finaux pour absorber l'explosion des coûts de génération de jetons.

Aujourd'hui, seulement 15 % des équipes financières indiquent calculer le retour sur investissement de l'IA sans difficultés organisationnelles majeures. Les coûts cachés, tels que les dépassements de budget liés aux plateformes de données, l'accès au réseau et les transferts de données internes, dépassent souvent le prix de base des appels d'API LLM ou les tarifs horaires des GPU. 

De plus, une lacune financière majeure persiste sur le marché : si 68 % des organisations exploitent des environnements hybrides, moins de 44 % intègrent leurs ressources sur site dans leurs rapports FinOps centralisés. Les organisations manquent cruellement de la visibilité granulaire nécessaire pour imputer les coûts de calcul à des agents autonomes spécifiques. 

En définitive, les entreprises qui monétisent activement les services d'IA font preuve d'une maturité deux fois supérieure en matière d'attribution des coûts, prouvant ainsi qu'une discipline FinOps rigoureuse permettra de distinguer les gagnants très rentables des perdants les plus endettés sur le marché des infrastructures d'IA d'entreprise.

Comment les angles morts en matière de sécurité définiront-ils la prochaine ère du marché des infrastructures d'IA d'entreprise ?

Le déploiement rapide des flux de travail autonomes a largement dépassé les cadres de gouvernance établis. Alors que 81 % des organisations déploient activement des agents d'IA, seules 14,4 % déclarent disposer d'une approbation et d'une supervision complètes en matière de sécurité pour ces systèmes de production. Ce déficit d'autorisation alarmant souligne un risque systémique majeur au sein du marché. 

La montée en puissance de « l'IA fantôme », avec 45 % des employés contournant régulièrement les canaux d'infrastructure d'entreprise autorisés, a fortement contribué au fait que 88 % des organisations soupçonnent ou confirment des incidents de sécurité liés à des agents au cours de l'année écoulée.

L'infrastructure d'IA souveraine et à confiance zéro stimule la croissance sur les marchés d'entreprises réglementés

Les responsables informatiques sont confrontés à des angles morts liés à l'automatisation : les systèmes d'IA modifient la configuration de l'infrastructure sans supervision humaine au moins une fois par mois. Le recours généralisé à des clés API partagées, au lieu de considérer les agents comme des entités indépendantes, crée un vaste champ d'action partagé, rendant les attaques par déplacement latéral hautement probables. 

Face à cette crise de confiance – où 69 % des organisations admettent leur incapacité à sécuriser les agents à grande échelle – 23 % des entreprises privilégient désormais la souveraineté des données et la conformité réglementaire à la simple performance de calcul. Afin de limiter les fuites de propriété intellectuelle, les architectures de sécurité évoluent vers des racines de confiance matérielles cryptographiques. 

En définitive, la prochaine phase de maturité du marché des infrastructures d'IA d'entreprise sera définie par des industries hautement réglementées s'appuyant fortement sur l'informatique de périphérie et les centres de données privés isolés pour garantir la conformité au principe de confiance zéro, en déplaçant activement l'intelligence directement dans des enclaves de données sécurisées et isolées.

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

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

1. NVIDIA: Le roi incontesté du matériel informatique. Ses GPU H100 et Blackwell, associés à l'écosystème logiciel CUDA omniprésent, alimentent la grande majorité des entraînements et inférences de modèles d'IA à l'échelle mondiale.
2. Microsoft: domine l'IA cloud d'entreprise. Grâce à son partenariat exclusif avec OpenAI, Azure AI intègre de manière transparente les modèles génératifs dans des écosystèmes d'entreprise répandus tels que Microsoft 365 Copilot.
3. Amazon Web Services (AWS) : Premier fournisseur de cloud, AWS offre une scalabilité inégalée. AWS propose des solutions d’IA personnalisées (Trainium/Inferentia) en complément d’Amazon Bedrock, offrant ainsi aux entreprises une infrastructure flexible et indépendante des modèles.
4. Google : Une solution complète et performante. Google combine ses unités de traitement tensoriel (TPU) propriétaires avec Vertex AI et ses modèles Gemini, offrant une infrastructure profondément intégrée et hautement optimisée pour les charges de travail massives.
5. AMD: Le principal concurrent matériel de NVIDIA. Ses accélérateurs d'IA de la série MI300 offrent aux entreprises des alternatives essentielles, économiques et à large bande passante mémoire, leur permettant de nouer des partenariats majeurs avec les infrastructures cloud.

Analyse segmentaire du marché des infrastructures d'IA d'entreprise

Par type de déploiement : les centres de données sur site dominent le marché

En 2026, les exigences strictes en matière de souveraineté des données et l'impératif de protéger les ensembles de données d'entraînement propriétaires ont fait des centres de données sur site les leaders incontestés. Les organisations rapatrient de plus en plus leurs charges de travail d'IA des clouds publics vers des environnements localisés afin de réduire la latence et de garantir la conformité aux cadres de protection des données internationaux.

Par conséquent, cette évolution architecturale optimise le coût total de possession pour les charges de travail d'inférence soutenues et à forte utilisation. De plus, le marché privilégie largement les solutions sur site pour prendre en charge des modèles fondamentaux personnalisés, protégés par des pare-feu d'entreprise.

• Dans 45 pays, les lois sur la localisation des données imposent un entraînement localisé et sécurisé des modèles d'IA sur site.
• Le rapatriement des charges de travail d'inférence continue permet une réduction de 30 % des dépenses à long terme liées au cloud.
• Des protocoles de sécurité matériels améliorés garantissent la conformité au principe de confiance zéro pour les ensembles de données d'entreprise hautement sensibles.
• Les exigences de latence inférieure à la milliseconde pour le traitement en périphérie en temps réel nécessitent une proximité de calcul localisée et sur site.

Par taille de cluster : les clusters de taille moyenne (16 à 256 accélérateurs) dominent le marché des infrastructures d’IA d’entreprise

Les clusters de taille moyenne, composés de 16 à 256 accélérateurs, ont acquis une position dominante sur le marché suite à leur adoption fulgurante en 2025. Cette configuration offre un équilibre optimal entre puissance de calcul et investissement, ce qui en fait le choix idéal pour l'optimisation des modèles open source. Plutôt que d'investir dans des méga-clusters massifs et sous-utilisés, les entreprises déploient ces unités de taille moyenne pour atteindre des objectifs d'IA ciblés et spécifiques à leur domaine. 

En définitive, ce dimensionnement stratégique accélère la mise sur le marché tout en évitant la diminution des rendements liée aux investissements à très grande échelle. Cette efficacité stimule systématiquement le marché.

• La gamme d'accélérateurs 16–256 offre le meilleur retour sur investissement pour la mise au point en entreprise.
• La consommation d'énergie reste dans des limites gérables, évitant ainsi le besoin de mises à niveau localisées du réseau.
• Les délais de déploiement rapide sont en moyenne de 12 semaines, contre 36 semaines pour les environnements hyperscale.
• Ces clusters prennent en charge de manière transparente les opérations à haut débit sans surdimensionner les ressources GPU coûteuses.

Par cas d'utilisation : les copilotes internes et la gestion des connaissances sont à la pointe du marché de l'infrastructure d'IA d'entreprise

Les solutions de gestion des connaissances et les outils de pilotage interne représentent actuellement la plus grande part des revenus de l'écosystème. La multiplication des frameworks de génération de données en 2026 a révolutionné la manière dont les employés interagissent avec les bases de données cloisonnées de l'entreprise. En vectorisant des décennies de données institutionnelles, ces systèmes d'IA avancés fournissent des informations déterministes et objectives, essentielles au bon fonctionnement quotidien de l'entreprise. 

Par conséquent, les indicateurs de productivité des effectifs ont fortement progressé, incitant les directeurs des systèmes d'information à prioriser les investissements dans les infrastructures essentielles de cette catégorie. Le développement de ces capacités internes demeure aujourd'hui le principal moteur de croissance du marché des infrastructures d'IA d'entreprise.

• Le déploiement de copilotes internes réduit de 40 % le temps moyen de recherche d'informations par les employés.
• L'intégration de la base de données Vector s'adapte parfaitement pour gérer plus de 100 millions de documents d'entreprise propriétaires.
• Le taux d'hallucinations chute en dessous de 2 % lorsqu'on utilise des infrastructures de graphes de connaissances fiables et gérées en interne.
• Le taux d'adoption interdépartemental atteint 85 % dans les 6 premiers mois suivant le déploiement en entreprise.

Par secteur d'utilisation finale : le secteur de la banque, de la finance et de l'assurance (BFSI) s'impose comme le moteur du marché

Le secteur bancaire, financier et des assurances (BFA) est un acteur incontournable, attirant des investissements sans précédent. Les institutions financières ont besoin de capacités de traitement parallèle massives pour exécuter des opérations de trading algorithmique en temps réel, réaliser des simulations de risques complexes et déployer des modèles de détection de la fraude. Compte tenu des sanctions sévères en cas de manquement à la réglementation, les banques internationales refusent catégoriquement tout compromis sur les performances de calcul ou la sécurité. 

Par conséquent, ils acquièrent massivement des serveurs d'IA de pointe et des infrastructures réseau à haut débit. Leur quête incessante d'une précision sans latence soutient fondamentalement l' écosystème du marché des infrastructures d'IA d'entreprise.

• Les algorithmes de détection de fraude en temps réel traitent plus de 10 000 transactions par seconde grâce à un matériel optimisé.
• Les environnements de trading haute fréquence exploitent des clusters d'IA dédiés pour atteindre des capacités d'analyse prédictive au niveau de la microseconde.
• L'adoption de l'IA générative pour la production automatisée de rapports de conformité réglementaire permet aux institutions d'économiser 50 millions de dollars par an.
• Les délais de traitement des modèles actuariels de risques sont passés de 72 heures à seulement 4 heures.

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

Analyse régionale du marché des infrastructures d'IA d'entreprise

L'Amérique du Nord domine le marché

En 2026, l'Amérique du Nord dominait incontestablement le marché, grâce à la concentration de concepteurs de semi-conducteurs de premier plan et à une intégration poussée de l'IA en entreprise. Les États-Unis constituent le principal moteur de cette domination, représentant plus de 75 % du chiffre d'affaires régional. Les grandes entreprises américaines sont passées de la phase expérimentale de l'IA à l'exploitation complète de charges de travail d'inférence à grande échelle, ce qui nécessite des acquisitions massives de matériel. 

De plus, la production locale de GPU et d'accélérateurs d'IA de pointe, stimulée par d'importantes subventions fédérales aux semi-conducteurs, sécurise la chaîne d'approvisionnement des entreprises nationales sur le marché des infrastructures d'IA. Cet avantage stratégique protège les acheteurs nord-américains des perturbations géopolitiques mondiales, garantissant ainsi la continuité du déploiement des infrastructures. Le Canada renforce également considérablement la position de la région, s'imposant comme un pôle essentiel pour la recherche en IA et l'expansion des centres de données à haute densité grâce à son abondante énergie hydroélectrique renouvelable. 

Par conséquent, les installations canadiennes offrent des structures de coûts très avantageuses pour les environnements d'entraînement de modèles fondamentaux à forte consommation énergétique. En maintenant un écosystème où la disponibilité de matériel de pointe rencontre des investissements de capitaux d'entreprise sans précédent, l'Amérique du Nord dicte systématiquement les normes de déploiement mondiales. En définitive, l'adoption précoce de technologies de refroidissement liquide avancées consolide la position de la région comme référence absolue sur le marché des infrastructures d'IA d'entreprise.

La région Asie-Pacifique est le pôle de croissance le plus rapide du marché

La région Asie-Pacifique représente le principal moteur de croissance du marché des infrastructures d'IA pour entreprises, avec une expansion sans précédent jusqu'en 2026. Cette accélération fulgurante est principalement alimentée par souveraines en matière d'IA et les investissements publics massifs visant l'autonomie technologique. La Chine poursuit le déploiement agressif d'accélérateurs nationaux spécialisés afin de contourner les restrictions commerciales internationales strictes, en construisant d'immenses centres de calcul soutenus par l'État. 

Parallèlement, l'Inde s'est imposée comme un épicentre de croissance fulgurante sur le marché des infrastructures d'IA d'entreprise, les principaux intégrateurs de systèmes y déployant des infrastructures locales pour entraîner des modèles spécifiques à un domaine sur des ensembles de données multilingues et très diversifiés. L'allocation stratégique par le gouvernement indien de plus de 1,2 milliard de dollars américains pour le calcul d'IA national incite fortement à l'expansion des centres de données locaux. 

Par ailleurs, le Japon accélère ses acquisitions de matériel informatique performant afin d'intégrer l'IA générative à la robotique, cherchant activement à pallier sa grave pénurie de main-d'œuvre. Singapour, véritable porte d'entrée stratégique pour l'Asie du Sud-Est, attire d'importants investissements directs étrangers pour la construction de centres de données durables et ultramodernes. En misant sur des coûts opérationnels compétitifs et en privilégiant la conformité des données souveraines, ces pays stimulent collectivement une demande régionale sans précédent. 

Par conséquent, la région Asie-Pacifique comble rapidement l'écart de parité en matière de puissance de calcul, remodelant fondamentalement l'avenir du marché des infrastructures d'IA d'entreprise.

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

1. NVIDIA–Cloverleaf (21 août) : NVIDIA a réalisé un investissement minoritaire dans Cloverleaf Infrastructure et a formé un partenariat stratégique pour accélérer le développement de l’infrastructure numérique américaine, renforçant ainsi le pipeline foncier, énergétique et de développement de sites à l’origine des centres de données d’IA.
2. NVIDIA–SB Energy–OpenAI (17 août) : NVIDIA a sécurisé le terrain, l’alimentation électrique et la capacité de production sur le campus PORTS-Pike dans l’Ohio. OpenAI est le client ; le déploiement initial de l’usine d’IA NVIDIA DSX vise une capacité de 4,25 gigawatts (IT-GW), au sein d’un campus prévu pour atteindre 8 IT-GW. NVIDIA investira 1,5 milliard de dollars, avec un déploiement progressif de la capacité prévu à partir de 2028.
3. Anthropic–Macquarie–GIC (10 août) : Les partenaires ont lancé Theseus Infrastructure afin de développer, d’exploiter et de louer des centres de données américains spécialement conçus à cet effet, Anthropic étant le locataire principal dans le cadre d’accords à long terme. Ce projet introduit un modèle de propriété d’infrastructure adapté aux besoins des laboratoires d’IA.
4. AMD–Core Scientific (28 juillet) : AMD a obtenu plus de 500 MW de capacité américaine à partir de 2027, extensible à 2,5 GW, pour les déploiements clients utilisant des GPU Instinct, des CPU EPYC et le logiciel ROCm.
5. HPE–Vultr–NVIDIA (17 juin) : Vultr a sélectionné HPE NVIDIA GB300 NVL72 , le réseau Spectrum-X, le refroidissement liquide et la connectivité 400/800GbE pour la formation d'entreprise mondiale, l'inférence et les déploiements de cloud privé à l'échelle mondiale.

Principales entreprises du marché des infrastructures d'IA d'entreprise

• Technologies Dell
• Hewlett Packard Enterprise
• Lenovo
• NVIDIA
• Supermicro
• IBM
• Cisco
• Pure Storage
• NetApp
• VAST Data
• DDN
• Nutanix
• Red Hat (IBM)
• VMware (Broadcom)
• Fujitsu
• Autres joueurs importants

Aperçu de la segmentation du marché

En offrant

• Serveurs et systèmes d'IA
• Stockage
• Réseautage
• Logiciels de gestion et de virtualisation
• Services de déploiement et d'assistance

Par déploiement

• Centre de données sur site
• Cloud privé/Hébergé, Colocation
• Hybride

Par échelle de cluster

• Départemental (<16 accélérateurs)
• Accélérateurs de taille moyenne (16–256)
• Grande entreprise (>256 accélérateurs)

Par cas d'utilisation

• Copilotes internes et connaissances
• Traitement des documents et des données
• Vision par ordinateur et qualité
• Charges de travail réglementées/confidentielles
• Recherche et développement et simulation

Par secteur d'utilisation finale

• BFSI
• Santé et sciences de la vie
• Fabrication
• Gouvernement et défense
• Télécom
• Énergie

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