Une démonstration impressionnante, puis une facture qui refroidit : pour beaucoup d’entreprises, l’IA se découvre aussi dans les lignes du budget cloud. Derrière les assistants documentaires et les outils de programmation, les accélérateurs Nvidia sont devenus une infrastructure de référence. Peut-on s’en affranchir ? En ce mois de septembre 2026, la question mérite mieux qu’un match de performances. L’enjeu n’est pas forcément de remplacer Nvidia, mais de retrouver du choix. Cette analyse distingue les évolutions déjà documentées avant cette échéance des perspectives, sans présumer des performances commerciales de produits futurs.
Une dépendance qui dépasse largement la puce
Nvidia ne vend pas seulement des processeurs graphiques. Son avantage repose sur un ensemble : accélérateurs, interconnexions, bibliothèques, outils de développement et systèmes complets. CUDA, son environnement de calcul parallèle, irrigue depuis des années la recherche et les applications industrielles. Les équipes savent s’en servir ; les logiciels sont souvent optimisés pour lui ; les prestataires le proposent largement.
Ce cercle vertueux devient, côté client, un coût de sortie. Une entreprise peut acheter un accélérateur concurrent sans retrouver immédiatement les performances attendues. Certaines opérations devront être adaptées, des bibliothèques remplacées, des configurations revues. Le modèle démarre, mais le débit déçoit ; il faut alors mobiliser des ingénieurs dont le temps dépasse parfois l’économie réalisée sur le matériel.
Il faut aussi distinguer les utilisateurs. Une banque qui consomme une API d’IA ne choisit généralement pas la puce sous-jacente. Un éditeur qui héberge ses modèles dispose de davantage de leviers. Quant aux grands laboratoires, ils négocient des infrastructures entières. La dépendance directe au matériel et la dépendance indirecte à un fournisseur de service ne se traitent pas de la même manière.
AMD : la concurrence la plus proche, pas un remplacement automatique
Avec sa famille Instinct, notamment les MI300X commercialisés à partir de fin 2023, AMD a installé une alternative crédible pour certains usages d’IA. Leur capacité mémoire constitue un argument pour héberger de grands modèles et limiter certains découpages entre accélérateurs. Mais aucune caractéristique isolée ne suffit : la mémoire disponible compte autant que sa bande passante, les communications et l’efficacité du logiciel.
La pièce décisive s’appelle ROCm, la pile logicielle d’AMD. Son intégration avec les principaux frameworks facilite les essais, sans garantir une migration indolore. Un modèle fondé sur des opérations courantes sera généralement plus facile à déplacer qu’une application enrichie de composants spécialement optimisés pour CUDA. La compatibilité annoncée doit donc être vérifiée sur les versions exactes utilisées en production.
Pour un acheteur, la bonne méthode consiste à comparer un service rendu : combien de requêtes utiles, avec quelle latence et quelle qualité, pour quel coût total ? Un tarif horaire inférieur peut perdre son intérêt si l’utilisation reste faible. Inversement, une alternative suffisamment performante peut améliorer le pouvoir de négociation, même sans remplacer tout le parc.
Les géants du cloud proposent leur propre sortie de secours
Google développe depuis longtemps ses TPU. Amazon Web Services propose Trainium pour l’entraînement et Inferentia pour l’inférence. Microsoft a présenté Maia en 2023. Ces initiatives répondent à une logique commune : mieux maîtriser les coûts et l’approvisionnement, tout en adaptant le silicium aux besoins internes. Elles montrent que l’hégémonie de Nvidia n’interdit pas la spécialisation.
Pour les entreprises clientes, ces puces peuvent offrir une autre voie, surtout lorsque les modèles et les outils s’accordent avec l’environnement du fournisseur. Mais leur accessibilité diffère : toutes les puces internes ne deviennent pas des ressources librement louables, et les configurations disponibles peuvent varier selon les régions. Une annonce de processeur ne vaut donc pas catalogue universel.
Le compromis est commercial autant que technique. Quitter CUDA pour un service étroitement lié à un cloud peut simplement déplacer la dépendance. Il faut examiner les outils de compilation, les formats, les engagements de consommation et le coût de déplacement des données. Une alternative matérielle n’est pas nécessairement une stratégie de réversibilité.
Les spécialistes trouvent leur place dans l’inférence
Des acteurs comme Cerebras et Groq ont choisi des architectures éloignées du GPU classique : très grande puce intégrée pour le premier, processeurs conçus autour d’une exécution fortement organisée pour le second. Leur promesse doit être évaluée tâche par tâche. Une excellente vitesse de génération sur un modèle donné ne démontre pas une supériorité générale.
C’est particulièrement vrai pour l’inférence, l’exécution quotidienne des modèles après leur entraînement. Un assistant vocal privilégie le temps de réponse ; un traitement nocturne de documents peut rechercher le débit. La longueur des requêtes, le nombre d’utilisateurs simultanés et la taille des réponses changent l’équation. Les accélérateurs spécialisés peuvent gagner sur un périmètre précis, sans couvrir tous les besoins.
Le fournisseur lui-même entre dans le calcul. Disponibilité du service, maintenance, couverture géographique, confidentialité et solidité financière comptent autant que la démonstration technique. Pour une application critique, conserver une solution de repli peut être rationnel, même si cela réduit l’économie affichée. La diversification doit diminuer le risque, pas seulement changer son adresse.
Le premier concurrent du GPU neuf est parfois le logiciel
Avant de changer de matériel, une entreprise peut réduire la quantité de calcul nécessaire. La quantification diminue la précision numérique et peut alléger les besoins en mémoire ; la distillation transmet certaines capacités à un modèle plus petit. Ces techniques exigent des tests : une économie devient contre-productive si elle dégrade les réponses sur les cas importants.
D’autres leviers sont moins spectaculaires : regrouper les requêtes, mieux gérer la mémoire, réutiliser des calculs ou orienter les demandes simples vers un modèle plus léger. Des moteurs comme vLLM ont contribué à rendre l’inférence plus efficace. Leur prise en charge des différents matériels doit néanmoins être vérifiée fonctionnalité par fonctionnalité, pas déduite d’un logo de compatibilité.
Le résultat peut être paradoxal : l’entreprise reste chez Nvidia, mais achète ou loue moins de capacité. Elle réduit alors sa dépendance économique sans migration immédiate. À terme, des applications moins gourmandes peuvent aussi fonctionner sur davantage de plateformes. L’optimisation est donc à la fois une économie immédiate et une préparation à la concurrence.
Comment décider sans transformer l’essai en chantier permanent
Le bon point de départ est un portefeuille de tâches, pas une préférence de marque. L’entraînement de grands modèles exige une cohérence d’infrastructure difficile à improviser. Une application d’inférence bien délimitée constitue souvent un meilleur terrain d’expérimentation. L’entreprise doit fixer ses critères avant les tests et intégrer le travail de migration dans le budget.
- Mesurer en conditions réelles : qualité, latence, débit et résistance aux pics.
- Calculer le coût complet : location, énergie, ingénierie, exploitation et indisponibilité.
- Préserver une sortie : documenter les dépendances et tester une configuration de repli.
Et maintenant ? La perspective la plus plausible est celle d’une diversification progressive plutôt que d’un remplacement général de Nvidia. Les concurrents peuvent gagner des charges bien ciblées, tandis que le logiciel réduit les ressources nécessaires. Pour les entreprises, la meilleure assurance consiste à pouvoir comparer et déplacer certains usages. La liberté se mesurera moins au nombre de fournisseurs référencés qu’à la possibilité réelle d’en changer.
