Pendant des années, entraîner un grand modèle d'intelligence artificielle a voulu dire une seule chose : réserver des GPU Nvidia, parfois avec des mois d'attente. Cette situation évolue vite. En août 2026, trois plateformes concurrentes, celle de Nvidia elle-même, celle d'AMD et celle de Microsoft, se disputent la définition de ce que sera une puce de data center en 2027. Pour les directions informatiques françaises, cette bataille ne se résume pas à une querelle d'ingénieurs : elle touche directement le coût du token, les délais de livraison et la marge de négociation face aux fournisseurs de cloud.
Trois plateformes, un même objectif : desserrer l'étau Nvidia
Nvidia a confirmé sur son blog officiel que la plateforme Rubin, successeure de l'architecture Blackwell Ultra, est entrée en production complète sous forme d'un système à six puces. Son produit phare, le rack Vera Rubin NVL144, associe un nouveau processeur Arm à un GPU de nouvelle génération relié par l'interconnexion NVLink 6. Jensen Huang, son directeur général, a décrit cette plateforme lors du keynote GTC Taipei 2026 comme « bien plus qu'un GPU, un système de traitement d'agents distribué et désagrégé », précisant qu'elle vise à diviser par dix le coût de génération d'un token par rapport à la génération précédente. Selon des caractérisations précoces citées par des sources proches des essais, Rubin afficherait trois à quatre fois plus de FLOPs par puce que Blackwell Ultra. La disponibilité générale est annoncée pour le premier trimestre 2027, avec une montée en volume plus tard dans l'année.
AMD a dévoilé en août 2026 son système Helios, qui combine les processeurs EPYC 9006, les nouveaux GPU Instinct MI455X, le réseau Pensando et la pile logicielle ROCm. Contrairement à une simple puce, Helios se positionne comme une alternative complète au rack Nvidia NVL72, vendue directement aux fournisseurs de cloud. La série précédente, l'Instinct MI350, avait déjà atteint une livraison en volume significative auprès des fournisseurs cloud début août 2026.
Microsoft, de son côté, prépare le dévoilement de sa puce Maia 300 dès l'automne, potentiellement le mois suivant selon Reuters, qui cite les informations de The Information. Bloomberg a rapporté séparément que Microsoft prévoit d'augmenter fortement la production de ses puces IA conçues en interne l'année prochaine, avec un objectif explicite : convaincre de grands clients cloud, dont Anthropic, de faire tourner leurs charges de travail sur Maia plutôt que de louer exclusivement des GPU Nvidia.
| Plateforme | Fournisseur | Statut (août 2026) | Composants clés | Disponibilité visée |
|---|---|---|---|---|
| Vera Rubin NVL144 | Nvidia | Échantillons en laboratoire chez les hyperscalers, production complète du système à six puces annoncée | Nouveau CPU Arm, GPU Rubin, interconnexion NVLink 6 | Disponibilité générale au T1 2027 |
| Helios (Instinct MI455X) | AMD | Dévoilé en août 2026, série MI350 déjà en livraison volume | EPYC 9006, GPU MI455X, réseau Pensando, ROCm | Déploiement progressif fin 2026 vers 2027 |
| Maia 300 | Microsoft | Puce interne, dévoilement prévu à l'automne 2026 | Accélérateur Azure IA propriétaire | Montée en production visée pour 2027 |
| Blackwell Ultra | Nvidia | Pleinement déployé, cheval de bataille actuel | GPU de génération précédente | Livraison en cours, délais de quelques semaines |
Microsoft veut transformer sa puce maison en levier de négociation
Maia n'est pas un produit vendu sur le marché ouvert comme Rubin ou l'Instinct MI455X. C'est un levier interne que Microsoft utilise pour réduire sa propre dépendance à Nvidia au sein d'Azure. Si Microsoft parvient à faire migrer même une fraction de ses plus gros locataires vers Maia 300, le rapport de force change à l'échelle de tout le marché des hyperscalers, pas seulement pour la planification de capacité de Microsoft. Amazon avec Trainium et Google avec ses TPU pratiquent une stratégie similaire depuis des années, mais le mouvement de Microsoft est notable parce qu'il vise directement les clients les plus solidement acquis à Nvidia : les laboratoires d'IA de pointe qui ont besoin des plus grands clusters d'entraînement fiables disponibles.
AMD défie Nvidia sur le système complet, pas seulement sur la puce
Le véritable combat pour AMD se joue sur le logiciel, pas sur le silicium. L'écosystème CUDA de Nvidia dispose de plus d'une décennie d'avance, et l'approche ouverte de ROCm reste plus difficile à vendre à des acheteurs d'entreprise qui ont déjà construit leurs pipelines d'entraînement autour de CUDA. AMD a par ailleurs racheté Taalas, une start-up torontoise spécialisée dans le silicium d'inférence, signe qu'elle veut aussi couvrir ce segment et pas seulement les GPU d'entraînement. Le pari d'AMD est simple : les hyperscalers disposant d'assez de force d'ingénierie pour porter leurs charges de travail échangeront une part de maturité logicielle contre un coût par token plus faible et une diversification de leurs fournisseurs.
La mémoire, goulot d'étranglement que peu de professionnels surveillent
Les GPU font la une, mais la mémoire et le stockage qui les alimentent constituent une contrainte au moins aussi serrée. SanDisk et Kioxia ont dévoilé une mémoire flash 3D QLC de neuvième génération offrant des vitesses d'interface environ 33 % supérieures à la génération précédente, un gain qui compte directement pour le stockage des points de contrôle d'entraînement à grande échelle. Ce lancement s'accompagne d'un remaniement actionnarial où SK Hynix est devenu le principal actionnaire de Kioxia. Côté mémoire à large bande passante, Samsung et SK Hynix introduisent tous deux des changements architecturaux visant spécifiquement les goulots d'étranglement mémoire de l'IA. Ces évolutions comptent parce que Rubin, Helios et Maia 300 sont tous, à l'échelle où les hyperscalers les déploient, fondamentalement limités par la bande passante mémoire : un GPU plus rapide mais affamé de mémoire ne se traduit pas par des cycles d'entraînement réellement plus rapides.
Ce que cette bataille change pour les directions informatiques françaises
L'ampleur des financements donne la mesure de l'enjeu. Nvidia travaille à mobiliser plus de 500 milliards de dollars de capitaux tiers pour l'infrastructure de data centers IA, en s'associant à des institutions financières comme BlackRock et Goldman Sachs. L'entreprise serait également proche d'un accord portant sur environ 100 milliards de dollars de garanties de crédit liées au projet de data center de 10 gigawatts d'OpenAI dans l'Ohio. Cette échelle de financement traduit un besoin réel de capitaux externes pour tenir le rythme de la demande, mais elle place aussi Nvidia dans une position de financier autant que de fabricant de puces.
Cette course capitalistique a un effet direct sur les coûts. Des analyses financières britanniques évoquent un phénomène baptisé « chipflation », où la tension sur l'offre et la hausse des prix des semi-conducteurs d'IA commencent à se répercuter dans les structures de coûts d'entreprises bien au-delà de l'industrie des puces elle-même. Les analystes de Morgan Stanley ont par ailleurs averti que les contraintes d'approvisionnement en calcul restent un plafond sur la vitesse à laquelle l'adoption de l'IA en entreprise peut réellement progresser, quel que soit le montant des capitaux engagés. L'effet immédiat de trois plateformes crédibles qui se disputent les mêmes budgets d'hyperscalers, c'est une pression à la baisse sur le pouvoir de fixation des prix de Nvidia, même si les prix catalogue affichés ne bougent guère cette année. Les fournisseurs de cloud disposent désormais d'une vraie deuxième et troisième option pour leurs clusters d'entraînement, ce qui change le rapport de force au moment du renouvellement des contrats existants avec Nvidia.
Pour un DSI français, cette diversification se traduit d'abord par un choix élargi de fournisseurs de cloud GPU, au-delà de Nvidia seul : des acteurs spécialisés proposent des GPU Nvidia à des conditions de facturation différentes, avec une tarification à la seconde et sans frais de sortie de données selon certaines offres, tandis que d'autres, comme Cerebras avec son accélérateur CS-4, misent sur des architectures alternatives présentées comme parmi les plus rapides du secteur pour l'inférence. Il faut toutefois rester prudent sur un point : cette bataille se joue presque exclusivement entre entreprises américaines. Nvidia, AMD, Microsoft, Amazon et Google restent tous soumis au droit et aux intérêts stratégiques des États-Unis. Diversifier ses fournisseurs de puces ne constitue donc pas, en soi, une infrastructure souveraine pour une entreprise française. La vraie question pour un DSI est celle de la localisation du traitement et du stockage des données, et du niveau de dépendance à un seul modèle ou un seul fournisseur logiciel. C'est à ce niveau que des plateformes qui agrègent plusieurs modèles d'IA sous un même abonnement, à l'image de Moon AI qui propose plus de 70 modèles incluant GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok et Qwen aux côtés de son modèle maison Moon 6, avec une application et un stockage hébergés chez OVHcloud à Strasbourg et Roubaix, permettent de limiter la dépendance à un unique fournisseur de puces ou de modèle sans attendre que le marché matériel se stabilise.
Le facteur chinois complique encore l'équation mondiale
La pression sur Nvidia ne vient pas seulement de ses concurrents américains. Depuis fin décembre 2025, Washington autorise la vente de puces H200 à des acheteurs chinois approuvés, mais Pékin a longtemps freiné les livraisons. En août 2026, ByteDance et Tencent ont reçu chacun environ 10 000 unités, à peine 13 % du plafond légal de 75 000 unités par acheteur, la Commission nationale du développement et de la réforme chinoise contrôlant désormais l'essentiel de la vanne. Selon un rapport de The Information relayé par BigGo Finance, Nvidia préparerait aussi une puce d'inférence spécifique au marché chinois construite avec une technologie sous licence de Groq, information que Nvidia a publiquement qualifiée d'inexacte en affirmant n'avoir « aucun produit LPU spécifique à la Chine » dans sa feuille de route. Cette contestation illustre à quel point la position de Nvidia est scrutée et disputée simultanément sur plusieurs fronts, commercial aux États-Unis et géopolitique en Chine, où Huawei et son accélérateur Ascend gagnent du terrain.
Questions fréquentes
Ces nouvelles puces vont-elles rendre Nvidia obsolète à court terme ?
Non. Blackwell Ultra reste le cheval de bataille actuel de Nvidia et la disponibilité générale de Rubin n'est pas attendue avant le premier trimestre 2027. AMD et Microsoft doivent en outre encore convaincre les équipes d'ingénierie de porter leurs charges de travail hors de l'écosystème CUDA, ce qui prend du temps et représente un coût d'ingénierie réel.
Une entreprise française peut-elle acheter directement une puce Maia 300 ou un système Helios ?
Pas dans les mêmes conditions. Maia 300 est un levier interne de Microsoft, pas un produit vendu au détail : l'accès passe par Azure. Helios, en revanche, est vendu par AMD directement aux fournisseurs de cloud sous forme de système en rack complet, ce qui signifie qu'une entreprise française y accédera via un fournisseur cloud plutôt qu'en achat direct.
Cette diversification réduit-elle la dépendance des entreprises françaises envers les fournisseurs américains ?
Pas au sens de la souveraineté. Nvidia, AMD, Microsoft, Amazon et Google restent tous des entreprises américaines. La diversification se joue entre fournisseurs américains, pas vers des alternatives européennes. Pour une réelle indépendance, un DSI français doit regarder où ses données sont hébergées et traitées, et éviter de dépendre d'un seul modèle ou d'un seul fournisseur logiciel, au-delà du seul choix de la puce.
Que peut faire concrètement un DSI français face à cette bataille de puces ?
Suivre l'évolution des prix liée à la « chipflation » pour anticiper les hausses de coûts d'infrastructure, comparer les offres cloud GPU au moment du renouvellement de contrat en profitant de la pression concurrentielle sur les prix Nvidia, et, au niveau logiciel, envisager des solutions qui ne lient pas l'organisation à un unique modèle ou fournisseur d'IA.