Territorial Control of Data and Compute in Generative AI: A New Paradigm of Competitive Advantage

Frédéric Marty and Thierry Warin

CIRANO Working Papers from CIRANO

Abstract: The rapid advancement of generative artificial intelligence (AI) is increasingly shaped by control over two critical inputs: high-quality data and the compute infrastructure required to train and update large-scale model weights. This paper argues that these inputs – rather than algorithmic talent or novel architectures alone – have become the decisive strategic assets in generative AI, creating steep structural barriers to entry. We examine who controls these resources and how this control is territorially distributed across countries. Building on literature in industrial organization, competition policy, and international political economy, we highlight a gap in existing research: insufficient attention to the territorial concentration of “model-weight-setting” capacity, i.e. the ability to train cutting-edge foundation models. We find that the capacity to set foundation model weights is overwhelmingly concentrated in a few firms and regions, reinforcing market concentration and limiting the AI development sovereignty of most countries. While innovations in model architectures and efficiency (illustrated by the DeepSeek case) can reduce compute requirements at the margin, they do not eliminate the scale advantages conferred by privileged access to massive proprietary datasets and nation-scale computing clusters. The paper concludes with implications for competition and regulation, arguing that the territorial control of data and compute resources is a fundamental structural challenge for both market competition and global equity in AI. Les progrès rapides de l’intelligence artificielle générative (IA) sont de plus en plus conditionnés par le contrôle de deux intrants essentiels : des données de haute qualité et l’infrastructure de calcul nécessaire pour entraîner et actualiser les poids de modèles à grande échelle. Cet article soutient que ces intrants – plutôt que le seul talent algorithmique ou la nouveauté des architectures – sont devenus les actifs stratégiques décisifs de l’IA générative, créant ainsi d’importantes barrières structurelles à l’entrée. Nous examinons qui contrôle ces ressources et comment ce contrôle se répartit territorialement entre les pays. En nous appuyant sur la littérature en organisation industrielle, en politique de concurrence et en économie politique internationale, nous mettons en évidence une lacune dans les recherches existantes : l’attention insuffisante portée à la concentration territoriale de la « capacité de réglage des poids des modèles », c’est-à-dire la faculté d’entraîner des modèles de fondation de pointe. Nos résultats montrent que cette capacité est largement concentrée dans quelques entreprises et régions, ce qui renforce la concentration des marchés et limite la souveraineté de la plupart des pays en matière de développement de l’IA. Bien que les innovations en matière d’architectures de modèles et d’efficacité (comme l’illustre le cas DeepSeek) puissent réduire les besoins en calcul à la marge, elles n’éliminent pas les avantages d’échelle conférés par l’accès privilégié à d’immenses ensembles de données propriétaires et à des grappes de calcul de dimension nationale. L’article conclut en soulignant les implications pour la concurrence et la régulation, en avançant que le contrôle territorial des données et des ressources de calcul constitue un défi structurel fondamental pour la concurrence sur les marchés et pour l’équité mondiale en matière d’IA.

Keywords: Generative Artificial Intelligence; Data Sovereignty; Compute Infrastructure; Competition Policy; Territorial Concentration; Intelligence artificielle générative; Souveraineté des données; Infrastructure de calcul; Politique de concurrence; Concentration territoriale (search for similar items in EconPapers)
Date: 2025-09-19
New Economics Papers: this item is included in nep-ain and nep-com
References: Add references at CitEc
Citations:

Downloads: (external link)
https://cirano.qc.ca/files/publications/2025s-27.pdf

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:cir:cirwor:2025s-27

Access Statistics for this paper

More papers in CIRANO Working Papers from CIRANO Contact information at EDIRC.
Bibliographic data for series maintained by Webmaster ().