OpenAI a publié le 25 août les premiers résultats de son accélérateur d'inférence développé en interne, qu'elle présente comme performant en vitesse et en efficacité énergétique. Le premier client mondial de Nvidia fabrique désormais son propre silicium. Ce n'est pas un détail technique : c'est un mouvement stratégique dont nous voyons les prémices depuis des mois.
Nous avons couvert hier l'entrée en production de l'accélérateur d'inférence de Nvidia. Voici le même mouvement, vu depuis le client plutôt que le fournisseur.
Pourquoi un laboratoire fabrique ses propres puces
La motivation n'est pas principalement la performance. Trois raisons plus solides.
La marge. Nvidia réalise des marges considérables sur ses accélérateurs. Un acteur qui achète pour des dizaines de milliards de dollars finit par calculer ce que lui coûterait de fabriquer, même mal, plutôt que d'acheter cher.
L'optimisation ciblée. Une puce généraliste doit convenir à tout le monde. Une puce conçue pour vos modèles et votre logiciel peut abandonner des fonctions inutiles et concentrer les ressources là où elles comptent. C'est exactement la logique que nous décrivions à propos de l'écart entre architectures : la spécialisation paie quand le cas d'usage est stable.
L'indépendance. C'est probablement la raison décisive. Dépendre d'un fournisseur unique pour la ressource la plus critique de son activité est une position inconfortable, surtout quand ce fournisseur alimente aussi tous vos concurrents et qu'il arbitre les livraisons.
Deux contraintes que nous avons documentées expliquent le calendrier. D'abord la pénurie de composants mémoire, qui met tout le monde en concurrence pour une production limitée. Ensuite le fait que l'inférence est devenue le poste dominant : quand on sert des centaines de millions d'utilisateurs quotidiens, chaque point d'efficacité par token se traduit directement en millions d'euros. Une puce maison n'a pas besoin d'être meilleure que celle de Nvidia pour être rentable. Elle a besoin d'être suffisante et de coûter moins cher.
Ce que ça change dans les rapports de force
Nvidia se retrouve dans une position singulière : ses plus gros clients deviennent ses concurrents. Google a ses propres accélérateurs depuis des années, Amazon aussi, et OpenAI rejoint le mouvement.
Cela n'affaiblit pas Nvidia à court terme, la demande dépassant largement l'offre. Mais cela change la trajectoire : un fournisseur dont les principaux clients développent des alternatives voit son pouvoir de fixation des prix s'éroder progressivement.
Il faut aussi noter la cohérence avec ce que nous écrivions à propos de GLM-5.3-Flash tournant sur des puces chinoises. De part et d'autre du Pacifique, le même mouvement : réduire la dépendance à un fournisseur unique de silicium. Les motivations diffèrent, géopolitiques d'un côté, économiques de l'autre, et la direction est identique.
Les réserves
Les résultats sont déclarés. Aucune mesure indépendante n'est disponible, et une entreprise qui publie les premiers chiffres de son propre matériel choisit les comparaisons qui l'avantagent.
Concevoir n'est pas produire. Une puce performante en laboratoire doit ensuite être fabriquée en volume, dans des fonderies dont la capacité est déjà réservée des années à l'avance. Le goulot d'étranglement n'est pas la conception.
Le logiciel compte autant. Une grande partie de la force de Nvidia tient à son écosystème logiciel, construit sur près de vingt ans. Une puce alternative n'est utile que si la chaîne d'outils suit.
Ce qu'il faut retenir
Cette annonce s'ajoute à une liste qui commence à dessiner une image cohérente : des baux d'électricité sur vingt ans, des projets de calcul orbital, des bâtiments protégés, et maintenant du silicium maison.
Ce que tout cela raconte, c'est que la compétition en IA s'est déplacée vers l'infrastructure. Les modèles convergent, les prix baissent, et ce qui différencie durablement un acteur, c'est sa capacité à produire du calcul moins cher que les autres.
C'est une compétition d'industrie lourde, avec des barrières à l'entrée qui se referment. Elle laisse peu de place à de nouveaux entrants, et beaucoup de place à ceux qui construisent sur ce que les autres ont bâti.