Blackwell fixe le tempo, mais la puce ne raconte pas toute l'histoire
L'architecture Blackwell de Nvidia est celle sur laquelle s'entraîne la majorité des grands modèles, qu'ils viennent d'OpenAI, d'Anthropic ou d'acteurs européens, selon le dossier consacré à ce sujet par Le Fil IA. Nvidia affirme, sur son propre site, alimenter plus de 400 des 500 supercalculateurs les plus rapides du monde, soit environ 81 % du classement TOP500. Cette position structurelle fait de l'entreprise un point de passage quasi obligé pour qui veut entraîner un modèle de taille significative.
La demande dépasse pourtant l'offre. Moonshot AI chercherait à obtenir davantage de puces Blackwell, et IREN aurait signé pour 2,8 milliards de contrats pluriannuels, la devise n'étant pas précisée par la source, selon Le Fil IA. En Europe, Mistral s'appuierait sur 13 800 GPU pour ses besoins d'entraînement, un chiffre qui donne une idée de l'ampleur des investissements matériels nécessaires pour rester dans la course, toujours selon ce dossier.
Cette tension ne se limite pas aux centres de données professionnels. Le marché des cartes graphiques grand public subit lui aussi la pression de la demande en IA : une pénurie mondiale de mémoire GDDR, provoquée par cette demande, a conduit AMD à annoncer des hausses de prix en janvier 2026 et Nvidia en février, selon Pause Hardware. La production de certains modèles RTX 50 aurait été réduite, et les prix pourraient continuer d'augmenter jusqu'en 2027-2028, avec des hausses pouvant atteindre 30 % sur certains segments d'après les mêmes projections. Pour une entreprise qui envisage de louer ou d'acheter de la puissance de calcul, ce climat de rareté pèse directement sur le budget, bien au-delà du seul segment gaming.
La donnée : le coût que la puce ne montre pas
Au-delà du silicium, l'entraînement d'un modèle repose sur des volumes massifs de données annotées, c'est-à-dire enrichies de métadonnées qui permettent à la machine d'interpréter une image, un texte ou un son, selon la définition retenue par Wikipédia. Longtemps, cette annotation a été une activité de masse, confiée à des travailleurs distants via des plateformes de microtâches.
Ce modèle change de nature. Le développement des grands modèles de langage a fait croître la demande de retours humains de qualité : classement de préférences, évaluation de la véracité des réponses, contrôle de sécurité, autant de tâches utilisées dans l'apprentissage par renforcement à partir de retours humains (RLHF). L'annotation s'est ainsi déplacée d'un travail de labellisation à grande échelle vers une évaluation experte, qui mobilise des professionnels qualifiés, mathématiciens, scientifiques, juristes ou médecins, employés souvent en complément de leur activité principale, selon Wikipédia.
Un marché du travail qui s'emballe
Cette bascule se lit dans les chiffres de l'emploi. Selon une analyse mondiale du marché du travail publiée par Randstad Digital en 2026 et citée par Wikipédia, les offres d'emploi mentionnant « formateur IA » ou « annotation de données » ont progressé de 281 % entre 2021 et 2026, ce qui en ferait le poste technologique isolé affichant la croissance la plus rapide. Cette progression traduit un déplacement des priorités des entreprises d'IA vers la supervision humaine, la sécurité des modèles et l'optimisation des systèmes plutôt que vers le seul étiquetage brut.
D'Amazon Mechanical Turk aux réseaux d'experts
L'histoire de l'annotation aide à comprendre pourquoi son coût grimpe. Le crowdsourcing a ouvert la voie : Amazon Mechanical Turk, lancé en 2005, a permis d'accéder à une main-d'oeuvre bon marché pour créer et valider des jeux de données. Appen, fondé en 1996, et CloudFactory, fondé en 2010 avec une main-d'oeuvre notamment au Népal et au Kenya, ont structuré ce marché de la labellisation à grande échelle, selon Wikipédia.
Deux familles d'acteurs se sont ensuite différenciées. D'un côté, des éditeurs de logiciels d'annotation comme Labelbox, SuperAnnotate ou Encord, qui fournissent des outils permettant aux entreprises de gérer elles-mêmes leurs flux de labellisation. De l'autre, des fournisseurs de données annotées gérées comme Scale AI et Surge AI, qui livrent des jeux de données prêts à l'emploi pour les véhicules autonomes, la défense ou l'entraînement de grands modèles de langage, avec une main-d'oeuvre de plus en plus qualifiée.
Plus récemment, des réseaux d'experts se sont imposés pour répondre à la demande de jugement professionnel. Turing, fondé en 2018 comme plateforme de talents en ingénierie logicielle, s'est étendu à la fourniture de contributeurs experts pour l'entraînement et l'évaluation de l'IA. Mercor, fondé en 2023, met en relation des spécialistes, ingénieurs, médecins, juristes, avec des entreprises d'IA en quête de données d'évaluation de haute qualité. Deccan cible des experts techniques en Inde, tandis que Poindexter Labs propose des services d'évaluation et d'annotation menés par des experts pour des contextes d'entreprise et de recherche, selon Wikipédia.
| Acteur | Fondation | Approche | Domaine |
|---|---|---|---|
| Amazon Mechanical Turk | 2005 | Crowdsourcing de microtâches | Labellisation généraliste |
| Appen | 1996 | Jeux de données annotés à grande échelle | Reconnaissance vocale, vision par ordinateur |
| CloudFactory | 2010 | Main-d'oeuvre dédiée (Népal, Kenya) | Labellisation à grande échelle |
| Labelbox / SuperAnnotate / Encord | Non précisé par la source | Logiciels d'annotation en gestion interne | Gestion de flux de labellisation |
| Scale AI / Surge AI | Non précisé par la source | Jeux de données annotées gérées | Véhicules autonomes, défense, grands modèles de langage |
| Turing | 2018 | Réseau de contributeurs experts | Entraînement et évaluation de l'IA |
| Mercor | 2023 | Mise en relation d'experts métier | Évaluation à haute exigence |
| Deccan / Poindexter Labs | Non précisé par la source | Évaluation experte spécialisée | Recherche et contextes d'entreprise |
Ce que cette double pression change pour les entreprises françaises
Pour une entreprise française qui veut entraîner ou affiner un modèle, la facture ne se limite plus au prix de l'accès au calcul. Elle intègre désormais le coût, croissant, de constituer des données d'entraînement et d'évaluation de qualité, potentiellement avec des experts métier facturés à un tarif professionnel plutôt qu'à celui d'une microtâche. Cette contrainte pèse d'autant plus dans un contexte où les gigafactories GPU européennes tentent de répondre à la demande locale, avec par exemple les 13 800 GPU mobilisés par Mistral, sans disposer du même accès privilégié aux capacités de production que les géants américains ou chinois, selon Le Fil IA.
Pour les entreprises qui n'entraînent pas leurs propres modèles fondation mais utilisent des modèles existants au quotidien, l'enjeu se déplace. Elles n'ont pas à financer l'annotation d'un modèle, mais elles doivent composer avec le coût d'accès à plusieurs modèles et avec la question du traitement des données envoyées à des fournisseurs tiers. Des plateformes françaises comme Moon AI, qui regroupe plus de 70 modèles, dont GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen et son modèle maison Moon 6, dans un abonnement unique dont les tarifs publics vont de 9,90 à 249,90 euros TTC par siège et par mois selon la formule, illustrent une réponse à la question du coût d'accès : mutualiser un abonnement plutôt que financer une infrastructure d'entraînement propre. Sur le volet des données envoyées aux modèles tiers, l'éditeur applique un mécanisme nommé Moon Blur, qui remplace les données personnelles par des jetons avant l'envoi puis les rétablit au retour. Ce procédé étant réversible, il s'agit d'une pseudonymisation au sens du RGPD, et non d'une anonymisation. Les requêtes adressées aux modèles tiers partent bien chez leurs fournisseurs après cette étape, même si l'application et le stockage sont hébergés chez OVHcloud, à Strasbourg et à Roubaix.
Questions fréquentes
Pourquoi la qualité des données coûte-t-elle de plus en plus cher ?
Parce que les besoins ont changé de nature. L'annotation de masse, historiquement bon marché, cède du terrain face à l'évaluation experte, nécessaire pour le classement de préférences, le contrôle de la véracité et la sécurité des réponses dans le cadre du RLHF. Cette évaluation mobilise des professionnels qualifiés, ce qui augmente le coût par tâche, selon Wikipédia.
Les puces Nvidia restent-elles le principal poste de dépense de l'IA ?
Les sources disponibles ne fournissent pas de répartition chiffrée entre le coût du calcul et celui de la donnée. Ce qu'elles montrent, c'est que la rareté des puces Blackwell pousse les prix du calcul vers le haut, tandis que la bascule vers l'évaluation experte pousse le coût de la donnée dans le même sens. Les deux postes progressent, sans qu'un chiffrage comparatif ait été communiqué.
La pénurie de mémoire GDDR touche-t-elle aussi les entreprises qui n'achètent pas de cartes graphiques grand public ?
Pause Hardware documente cette pénurie sur le marché des cartes graphiques destinées au gaming et à la création, avec des hausses de prix annoncées par AMD et Nvidia en 2026. La source ne détaille pas d'effet direct sur les infrastructures de centres de données professionnels, mais elle illustre une même dynamique de rareté des composants liée à la demande en IA.
Comment une entreprise française peut-elle limiter son exposition à ces deux goulots d'étranglement ?
Les entreprises qui n'ont pas besoin d'entraîner leurs propres modèles peuvent s'appuyer sur des offres d'accès mutualisé à plusieurs modèles plutôt que sur une infrastructure de calcul propre, ce qui déplace le risque de rareté matérielle vers le fournisseur de la plateforme. Cela ne résout pas la question de la qualité des données utilisées pour entraîner les modèles sous-jacents, qui reste du ressort des éditeurs de ces modèles.