Taille et part du marché de l'orchestration des charges de travail IA en cloud hybride - Tendances de croissance et prévisions (2026 - 2031)

Tendances et perspectives du marché mondial de l'orchestration des charges de travail IA en cloud hybride

Accélération du déploiement de l'entraînement et de l'inférence des grands modèles de langage

L'entraînement et l'inférence des grands modèles de langage modifient les exigences opérationnelles de l'infrastructure IA hybride, car les systèmes de production ne se limitent plus à un seul modèle fonctionnant sur un ensemble fixe de serveurs, mais constituent une séquence coordonnée de tâches de calcul, de stockage et de mise en réseau. Les systèmes de production doivent gérer les nœuds de préremplissage, les nœuds de décodage et les niveaux de cache KV entre environnements privés et publics, souvent avec des conditions de capacité, des exigences de performance et des contrôles de données différents. Les configurations Kubernetes statiques ne peuvent pas gérer ces étapes efficacement sans une couche d'orchestration dédiée qui prend des décisions en temps réel sur les ressources et reflète l'état réel de l'infrastructure sous-jacente. AWS a introduit des capacités d'inférence désagrégée pour Amazon SageMaker HyperPod qui exploitent NVIDIA Dynamo, vLLM et le déplacement de cache KV à haute bande passante sur des clusters multi-nœuds.^{[1]Amazon Web Services, "Présentation de l'inférence désagrégée sur AWS propulsée par llm-d," Amazon Web Services, aws.amazon.com} Google Cloud a indiqué que Managed Lustre avec GKE a réduit les besoins en heures GPU pour l'inférence Llama-3.3-70B de près de 60 % lorsque les caches KV ont été déplacés vers un système de fichiers parallèle haute performance. Ces architectures multi-étapes élargissent le rôle du marché de l'orchestration des charges de travail IA en cloud hybride, passant de la planification conventionnelle des tâches au routage dynamique des composants de charges de travail à forte intensité de ressources.

Impératif d'optimisation de l'utilisation des GPU et des coûts de calcul

L'utilisation des GPU est devenue une préoccupation financière centrale pour les organisations exploitant une infrastructure IA à grande échelle, car la capacité d'accélérateur inutilisée contraint les nouvelles charges de travail tout en générant des coûts fixes élevés, que le matériel soit détenu localement ou consommé via un engagement cloud. Les organisations disposant d'une capacité inutilisée font face à des coûts d'infrastructure plus élevés, un accès plus lent aux ressources de calcul, moins de flexibilité pour répondre aux exigences changeantes des modèles, et des discussions internes plus difficiles sur l'allocation de la capacité GPU rare. Fujitsu a indiqué que plus de 75 % des organisations avaient une utilisation des GPU inférieure à 70 % en charge maximale en 2024. Red Hat a décrit un déploiement de cluster IBM Vela dans lequel Kueue a contribué à améliorer l'utilisation des GPU d'une base inférieure à 30 % à près de 90 % en charge active. Microsoft a déclaré que NVIDIA Run:ai prend en charge le fractionnement dynamique des GPU et le partage de quotas pour les déploiements Azure Kubernetes Service. Le marché de l'orchestration des charges de travail IA en cloud hybride en bénéficie car les plateformes de planification sont évaluées comme des outils permettant de récupérer de la capacité, de contrôler les dépenses et de créer un accès plus équitable aux ressources de calcul rares entre les équipes internes et les locataires.

Résidence hybride des données et exigences d'IA souveraine

Les règles de résidence des données rendent les architectures hybrides nécessaires pour les gouvernements et les entreprises réglementées qui ne peuvent pas traiter l'emplacement de traitement comme un choix d'infrastructure secondaire, surtout lorsque les contrôles s'appliquent à la fois aux informations et aux enregistrements opérationnels. Ces organisations ont besoin d'une visibilité claire sur l'endroit où les données d'entraînement, les pipelines d'inférence, les artefacts de modèles et les enregistrements d'audit sont traités, stockés et consultés, ainsi que de la capacité à démontrer que ces contrôles ont été appliqués. La loi européenne sur l'IA est devenue pleinement applicable aux systèmes d'IA à haut risque le 2 août 2026, avec des responsabilités en matière de documentation, de surveillance et de conformité qui affectent les pratiques de déploiement de l'IA. IBM a introduit Sovereign Core en 2026 pour soutenir l'indépendance opérationnelle régionale, la gouvernance et les contrôles de résidence des données pour les déploiements réglementés. La proposition de loi sur le développement du cloud et de l'IA a créé un cadre pour évaluer les services cloud selon des critères de souveraineté, de résidence et d'auditabilité. Ces conditions soutiennent le marché de l'orchestration des charges de travail IA en cloud hybride car les plateformes peuvent appliquer des politiques spécifiques à chaque emplacement tout en utilisant des ressources cloud pour les exigences de calcul sensibles au temps ou de pointe.

Planification distribuée de l'IA sur des accélérateurs hétérogènes

Les parcs d'IA d'entreprise comprennent de plus en plus des GPU NVIDIA, des GPU AMD Instinct, des AWS Trainium et Inferentia, des TPU Google et des accélérateurs Intel Gaudi, souvent acquis à différents moments pour différents types de charges de travail et priorités commerciales. Chaque famille de matériel utilise des interfaces spécialisées et des bibliothèques de communication qui favorisent les pools de dispositifs homogènes et peuvent compliquer les pratiques opérationnelles communes, la mise en commun des ressources et la formation du personnel. Cela crée des frictions techniques lorsque les organisations tentent de planifier une charge de travail distribuée sur plus d'une architecture d'accélérateur, même lorsque du matériel varié pourrait améliorer la résilience de l'approvisionnement et tirer parti des actifs installés. Nutanix a ajouté la prise en charge des serveurs de calcul accélérés par GPU AMD en 2026, étendant sa couverture aux GPU AMD Instinct et à l'accélération Intel AMX. Ce développement illustre pourquoi les entreprises recherchent des outils d'orchestration pour coordonner du matériel diversifié tout en préservant les performances des charges de travail, les contrôles de politique et la visibilité opérationnelle. Le marché de l'orchestration des charges de travail IA en cloud hybride est soutenu par des stratégies d'approvisionnement qui conservent l'infrastructure installée et réduisent la dépendance envers un seul fournisseur d'accélérateurs.

Lacunes d'interopérabilité entre matériels hétérogènes et API cloud

L'absence d'une couche API partagée entre les fournisseurs de GPU, les planificateurs cloud et les outils Kubernetes augmente le coût et la complexité du déploiement d'un environnement IA hybride. Les équipes IA multi-cloud peuvent avoir besoin d'intégrations distinctes pour AWS Elastic Fabric Adapter, les outils d'inférence Google Kubernetes Engine et Azure Kubernetes Service avec Run:ai, même lorsque l'objectif commercial est un modèle opérationnel unique et cohérent. Ces intégrations ne fournissent pas une abstraction commune des charges de travail qui évalue automatiquement la disponibilité, le coût, l'intensité carbone et les conditions de politique spécifiques de chaque environnement possible. Les bibliothèques de communication spécifiques aux fournisseurs compliquent davantage l'utilisation distribuée de différents types d'accélérateurs, car le déplacement de données ou la coordination de tâches entre familles de matériels peut nécessiter un travail d'implémentation personnalisé. Cette contrainte peut retarder l'adoption de pools GPU multi-fournisseurs, même lorsque ces pools sont attractifs pour la résilience de l'approvisionnement, la flexibilité d'achat et le contrôle des coûts. Le marché de l'orchestration des charges de travail IA en cloud hybride subit une pression supplémentaire car les fournisseurs plus petits peuvent manquer des ressources d'ingénierie nécessaires pour maintenir des intégrations entre les clouds, les distributions Kubernetes, les plateformes d'accélérateurs et les interfaces de fournisseurs en évolution.

Pénurie de spécialistes en orchestration d'infrastructure IA

Les déploiements IA hybrides nécessitent une expertise en systèmes distribués, architecture GPU, mise en réseau cloud, MLOps basé sur Kubernetes, contrôles de sécurité et les processus opérationnels qui relient ces éléments. Cette combinaison reste difficile à recruter et à retenir pour les organisations, en particulier lorsque les équipes ont besoin d'une expérience pratique avec l'infrastructure de production plutôt que du seul développement IA général. L'enquête D4PME 2026 de l'OCDE a révélé que les contraintes de temps, les coûts de maintenance et les lacunes en compétences entravent la mise en œuvre de l'IA parmi les petites et moyennes entreprises.^{[2]OCDE, "Autonomiser les PME à l'ère de l'IA," OCDE, oecd.org} La pénurie est particulièrement pertinente pour le personnel capable de configurer le partitionnement des GPU, d'ajuster les paramètres de cache KV, de dépanner les tâches distribuées et d'appliquer des politiques sur des plans de contrôle hybrides. Les organisations peuvent connaître des périodes de déploiement plus longues, des coûts de conseil plus élevés et une préférence accrue pour les offres gérées lorsque ces capacités ne sont pas disponibles en interne. Ce manque de personnel soutient les services gérés mais peut ralentir l'adoption de solutions auto-hébergées sur le marché de l'orchestration des charges de travail IA en cloud hybride, en particulier dans les environnements où des configurations sécurisées et multi-environnements doivent être maintenues dans le temps.

*Nos prévisions considèrent les impacts des moteurs et des contraintes comme directionnels et non additifs. Les prévisions d'impact reflètent la croissance de référence, les effets de composition et les interactions entre variables.

Analyse des segments

Par composant : les logiciels occupent la position centrale en termes de revenus

Les logiciels représentaient 62,72 % des revenus en 2025, reflétant la valeur que les clients accordent aux couches de gouvernance, de planification et d'application des politiques au-dessus de l'environnement de calcul physique. Au sein du marché de l'orchestration des charges de travail IA en cloud hybride, ces couches regroupent des fonctions qui résideraient autrement dans des produits séparés, notamment l'admission des charges de travail, l'allocation des accélérateurs, les contrôles d'identité, les enregistrements d'audit et les règles régissant la façon dont les locataires utilisent l'infrastructure partagée entre les systèmes cloud et locaux. Cette intégration peut limiter les transferts entre outils et aider les administrateurs à appliquer des règles opérationnelles communes aux charges de travail qui seraient autrement gérées séparément. Leur modèle de licence récurrente et d'abonnement est moins directement lié aux cycles d'achat de matériel, ce qui soutient une base de revenus plus durable pour les fournisseurs de plateformes. Red Hat a lancé Red Hat AI Enterprise en février 2026 en tant que plateforme unifiée s'étendant de Linux et Kubernetes aux modèles IA gouvernés, aux agents et aux applications.^{[3]Red Hat, "Red Hat lance Red Hat AI Enterprise pour offrir une plateforme IA unifiée allant du métal aux agents," Red Hat, redhat.com} Cette publication montre comment les fournisseurs consolident des produits d'infrastructure autrefois séparés en accords plus larges, simplifiant les achats et augmentant les revenus logiciels par client.

Les services devraient se développer à un CAGR de 17,61 % entre 2026 et 2031, portés par des exigences de mise en œuvre et opérationnelles que de nombreuses équipes informatiques internes ne peuvent pas gérer initialement seules. Un déploiement peut nécessiter une évaluation des emplacements des données, des profils de charges de travail, des configurations de clusters, des contrats cloud, des règles d'accès, des contrôles de sécurité et des exigences de performance continues avant qu'un plan de contrôle unifié puisse être mis en production. Les services professionnels peuvent établir l'architecture et intégrer ces éléments opérationnels, tandis que les services gérés peuvent maintenir les performances, la visibilité des coûts et la discipline opérationnelle après le lancement. Les organisations commencent souvent par des projets à forte composante de services pendant qu'elles développent leurs connaissances internes, puis transfèrent une plus grande part des dépenses vers des licences logicielles et des abonnements à des plateformes à mesure que leurs équipes prennent en charge davantage de travail opérationnel. Le secteur de l'orchestration des charges de travail IA en cloud hybride combine donc le pouvoir de tarification des logiciels avec la demande continue d'expertise externe pour aider les clients à configurer, exploiter et améliorer leurs environnements.

Par environnement de déploiement : le cloud est en tête tandis que l'utilisation sur site s'accélère

Le cloud détenait 57,28 % des revenus en 2025, soutenu par la capacité GPU élastique, la large disponibilité régionale et les services d'infrastructure gérés qui réduisent le besoin pour les entreprises de posséder chaque partie de leur environnement IA. Le marché de l'orchestration des charges de travail IA en cloud hybride continue de s'appuyer sur les environnements cloud pour les charges de travail ne nécessitant pas de contraintes strictes de résidence des données, les besoins de capacité temporaires et l'accès à de grandes flottes GPU sans investissement matériel initial majeur. L'utilisation du cloud peut également réduire le temps nécessaire pour faire évoluer les ressources de calcul lorsqu'un projet passe d'un petit pilote à une charge de travail de production plus importante. Les hyperscalers fournissent également des services gérés qui peuvent réduire les exigences de gestion courante pour les clients manquant d'expertise interne approfondie en administration de clusters ou en infrastructure distribuée. Roche a déployé plus de 3 500 GPU NVIDIA Blackwell dans des environnements cloud hybrides et sur site aux États-Unis et en Europe. Ce déploiement illustre que les utilisateurs avancés ne choisissent pas nécessairement entre le cloud et l'infrastructure privée ; ils peuvent plutôt les combiner afin que les charges de travail puissent utiliser l'emplacement et le modèle de capacité qui correspond le mieux à leurs besoins en matière de données, de performance et de conformité.

Les déploiements sur site devraient se développer à un CAGR de 17,59 % de 2026 à 2031, les utilisateurs réglementés conservant un plus grand contrôle sur les charges de travail sensibles et restant soumis à des obligations juridictionnelles. Les données d'entraînement, les pipelines d'inférence et les enregistrements d'audit peuvent devoir rester dans un emplacement défini, même lorsque des ressources cloud sont disponibles dans la même région plus large. L'infrastructure locale dédiée peut également permettre aux acheteurs de diversifier leur approvisionnement entre le matériel NVIDIA, AMD et Intel tout en conservant le contrôle sur la préparation des données, l'affinage et les tâches d'inférence sensibles. HPE a ajouté la prise en charge du logiciel NVIDIA Mission Control, Run:ai et NVIDIA Dynamo dans son portefeuille AI Factory en 2026. Le marché de l'orchestration des charges de travail IA en cloud hybride est façonné par ce modèle couplé, où le contrôle privé soutient les besoins de résidence et de gouvernance tandis que l'élasticité du cloud répond aux exigences de calcul de pointe dans le même parc opérationnel.

Par application : la planification et l'allocation GPU dominent la demande actuelle

La planification et l'allocation GPU représentaient 33,18 % du marché de l'orchestration des charges de travail IA en cloud hybride en 2025, soulignant que la première décision dans une charge de travail IA est souvent le choix d'accès à des ressources de calcul rares. Sur le marché de l'orchestration des charges de travail IA en cloud hybride, le segment détermine quelle tâche reçoit des ressources d'accélérateur, quand une tâche peut commencer, quelle capacité elle reçoit et si cette capacité est disponible à l'emplacement où la charge de travail peut légalement et opérationnellement s'exécuter. Cela rend les règles d'allocation importantes tant pour les performances techniques que pour la disponibilité pratique des ressources de calcul pour les équipes métier. La décision affecte le contrôle des coûts des entreprises car les GPU inactifs ou mal alloués sont coûteux, et elle affecte les fournisseurs cloud car la capacité GPU est une ressource génératrice de revenus. Le placement et la migration des charges de travail déterminent où les applications s'exécutent dans les environnements, tandis que la gestion des clusters et la mise à l'échelle automatique modifient la capacité disponible à mesure que l'utilisation évolue. La surveillance, l'observabilité et l'optimisation des coûts fournissent le retour opérationnel nécessaire pour affiner les choix de planification au fil du temps et aider les administrateurs à comprendre comment les ressources sont consommées.

La gouvernance, la multilocation et l'application des politiques devraient croître à un CAGR de 18,16 % jusqu'en 2031, les mandats d'IA souveraine, les clusters multi-fournisseurs et les systèmes agentiques introduisant des limites d'exécution plus strictes. Les organisations ont de plus en plus besoin de définir quelles équipes, quels modèles, quelles charges de travail ou quels agents peuvent utiliser une ressource, à quelles données ils peuvent accéder et quelles preuves doivent être conservées pour un examen ultérieur. Ces contrôles sont particulièrement importants lorsqu'un environnement sert plusieurs unités commerciales, clients ou charges de travail réglementées sur une infrastructure partagée. ClearML a introduit son Centre de gestion de plateforme en 2026 pour donner aux administrateurs une visibilité des ressources par locataire, des informations sur les coûts et la gouvernance des charges de travail. IBM a présenté watsonx Orchestrate comme un plan de contrôle agentique qui applique l'application des politiques à différentes sources d'agents, montrant comment les fournisseurs intègrent la gouvernance directement dans l'orchestration opérationnelle.

Par utilisateur final : les fournisseurs cloud sont en tête, tandis que la santé et les sciences de la vie progressent le plus rapidement

Les fournisseurs de services cloud et les fournisseurs de GPU en tant que service représentaient 31,61 % des revenus en 2025, car ils doivent gérer leurs propres flottes d'accélérateurs tout en offrant un accès de calcul géré à leurs clients. Au sein du marché de l'orchestration des charges de travail IA en cloud hybride, leur position combine 2 rôles, car ils sont à la fois des utilisateurs majeurs d'infrastructure et un canal de distribution important par lequel les équipes d'entreprise obtiennent de la capacité GPU sans posséder tout le matériel. Leurs modèles opérationnels doivent équilibrer les besoins des équipes d'infrastructure internes avec les attentes de service des clients qui consomment de la capacité à la demande. Leurs plateformes doivent gérer l'allocation des ressources, la séparation des locataires, la visibilité des prix, les contrôles d'accès et les performances des charges de travail pour un ensemble croissant de clients et de cas d'utilisation. Les entreprises informatiques et technologiques, les services bancaires, financiers et d'assurance, la fabrication et l'automobile, le gouvernement, la défense et la recherche, ainsi que le commerce de détail, les consommateurs et les médias constituent la base de demande restante. Chaque groupe a un mélange différent de sensibilité des données, de modèles de charges de travail, d'obligations de conformité et de modèles opérationnels internes, ce qui façonne ses exigences en matière de planification, de gouvernance, de migration et de fonctions de visibilité.

La santé et les sciences de la vie devraient se développer à un CAGR de 18,57 % de 2026 à 2031, car les données des patients doivent souvent rester dans les réseaux hospitaliers ou de recherche, tandis que les travaux à forte intensité de calcul peuvent nécessiter l'accès à des ressources partagées plus importantes. Les structures d'apprentissage fédéré peuvent préserver ces limites de données tout en coordonnant l'activité d'entraînement ou d'inférence distribuée entre l'infrastructure privée et la capacité cloud. Le modèle diffère d'un déploiement d'entreprise général car la politique doit être appliquée au niveau de la charge de travail, et pas seulement au niveau du stockage ou de l'application. Roche a utilisé une infrastructure IA hybride pour la conception moléculaire, les jumeaux numériques de fabrication et les charges de travail de diagnostic. L'entreprise a signalé l'utilisation de l'IA dans près de 90 % des programmes éligibles de médicaments à petites molécules chez Genentech et une conception 25 % plus rapide pour une molécule en oncologie, tandis que les utilisateurs gouvernementaux et de défense favorisent également les options à isolation physique et les journaux d'audit immuables pour les charges de travail soumises à des exigences de contrôle strictes.

Par taille d'organisation : les grandes entreprises sont en tête, tandis que les PME gagnent en accès

Les grandes entreprises représentaient 64,37 % des revenus en 2025, reflétant leur capacité financière à adopter des plateformes d'entreprise et l'ampleur des problèmes opérationnels qu'elles doivent résoudre. Sur le marché de l'orchestration des charges de travail IA en cloud hybride, les environnements peuvent inclure plusieurs centres de données, des engagements cloud, des unités commerciales, des équipes de sécurité, des exigences régionales et des fournisseurs d'accélérateurs, rendant les ressources de calcul IA non gérées coûteuses et difficiles à gouverner. La charge opérationnelle résultante peut augmenter lorsque différentes équipes utilisent des outils, des politiques et des pratiques de visibilité séparés pour des ressources qui doivent néanmoins fonctionner ensemble. La coordination de ces ressources nécessite des politiques partagées, des règles d'allocation des ressources, une visibilité de l'utilisation et des capacités d'audit qui fonctionnent entre des équipes opérationnelles variées plutôt qu'au sein d'un seul cluster. Les grandes organisations font également face à des coûts plus élevés liés aux ressources GPU sous-utilisées, aux contrôles incohérents et aux enregistrements de conformité incomplets à mesure que leurs programmes IA passent des pilotes à la production. Leur position de leader reflète ce besoin immédiat de coordination, plutôt qu'une simple préférence pour un modèle de déploiement particulier.

Les petites et moyennes entreprises devraient se développer à un CAGR de 17,54 % jusqu'en 2031, les offres de GPU en tant que service rendant les ressources d'accélérateur gérées disponibles sans possession d'infrastructure dédiée. Ce modèle peut réduire les exigences en capital pour les équipes plus petites, tandis que les plateformes gérées peuvent réduire le besoin d'assembler chaque élément d'une pile d'infrastructure IA complexe en interne. L'OCDE a enregistré une croissance continue de l'utilisation de l'IA par les PME dans 12 pays, les entreprises passant des outils prêts à l'emploi vers des applications IA agentiques ciblées. À mesure que ces utilisations deviennent plus opérationnelles, les organisations plus petites ont également besoin de contrôles reproductibles pour l'accès aux ressources, le placement des charges de travail et la gouvernance, même lorsque la majeure partie de leurs ressources de calcul est consommée en tant que service. Le secteur de l'orchestration des charges de travail IA en cloud hybride peut atteindre une base d'acheteurs plus large à mesure que les plateformes gérées réduisent les barrières en capital et en compétences sans supprimer le besoin de gestion des politiques, des coûts et des performances.

Analyse géographique

L'Amérique du Nord détenait 38,92 % des revenus en 2025, donnant à la région la position de leader sur le marché de l'orchestration des charges de travail IA en cloud hybride. La région combine des hyperscalers, des fournisseurs de cloud GPU dédiés, des capacités de recherche et des programmes IA d'entreprise qui dépassent déjà les projets pilotes pour entrer en production active. Les États-Unis génèrent la majeure partie de la demande grâce aux grandes flottes GPU gérées exploitées par AWS, Microsoft Azure et Google Cloud, ainsi qu'aux fournisseurs d'infrastructure spécialisés desservant des charges de travail IA intensives. NVIDIA a investi 2 milliards USD dans CoreWeave en janvier 2026, et les entreprises prévoyaient une capacité d'usine IA dépassant 5 gigawatts d'ici 2030. Le Canada et le Mexique ajoutent de la demande provenant des utilisateurs des services financiers et de la fabrication qui peuvent utiliser des architectures hybrides transfrontalières ancrées dans l'infrastructure hyperscaler des États-Unis.

L'Asie-Pacifique devrait se développer à un CAGR de 18,23 % de 2026 à 2031, ce qui en fait la partie régionale à la croissance la plus rapide du marché de l'orchestration des charges de travail IA en cloud hybride. Les programmes d'IA souveraine soutenus par les gouvernements, l'adoption croissante par les entreprises et les investissements nationaux dans le supercalcul stimulent la demande en Chine, au Japon, en Inde et en Corée du Sud. Les politiques nationales de résidence des données rendent les couches de contrôle hybrides pertinentes, car la capacité cloud publique peut devoir fonctionner aux côtés d'une infrastructure nationale qui conserve les charges de travail sensibles. La stratégie IA du Japon et la Mission IndiaAI orientent les financements publics vers l'infrastructure IA nationale opérant dans le cadre de politiques nationales de résidence des données. L'Asie du Sud-Est et l'Australie ajoutent de la demande provenant des organisations de services financiers, de santé et gouvernementales qui gèrent des exigences locales en matière de données et recherchent de la capacité pour des charges de travail commerciales et de recherche.

L'Europe représente une part significative du marché de l'orchestration des charges de travail IA en cloud hybride, portée par l'Allemagne, la France et le Royaume-Uni. Les organisations pharmaceutiques, automobiles et de services financiers dans ces pays nécessitent des environnements IA contrôlés qui respectent à la fois les règles de données à l'échelle de l'UE et les règles nationales. La loi européenne sur l'IA, le Règlement général sur la protection des données, la loi européenne sur les données et la loi sur la résilience opérationnelle numérique orientent les achats vers des systèmes dotés de fonctionnalités de gouvernance, d'auditabilité et de résidence des données. Le Moyen-Orient prend de l'élan grâce aux programmes d'IA souveraine en Arabie saoudite et aux Émirats arabes unis, tandis que l'Amérique du Sud et l'Afrique restent des régions en phase précoce avec une demande centrée sur le Brésil, la Colombie, l'Afrique du Sud et le Nigéria.