SemiAnalysis décortique la crise de la puissance de calcul : OpenAI et Anthropic s’approprient la nouvelle puissance informatique mondiale
Tapbit WireLe 3 novembre, Dylan Patel, fondateur et PDG du cabinet de recherche semi-conducteurs SemiAnalysis, a prononcé un discours à Runtime 2026, centré sur la puissance de calcul, les capitaux et les acteurs capables d’en livrer réellement.
Il a indiqué qu’OpenAI et Anthropic réservent une part importante de la puissance de calcul, représentant 25 à 40 % de la nouvelle puissance disponible en 2027. Sous la pression de la demande, le prix horaire des puces Nvidia H100 pour centres de données est passé de 1,70 $ en octobre dernier à environ 2,80 $. Pour d’autres entreprises, disposer des moyens financiers ne garantit pas l’accès effectif à cette puissance.
Le financement est aussi tendu : ces deux derniers mois, les rendements du Trésor américain ont fortement augmenté, le rendement à 10 ans dépassant 5 % début octobre, rendant de plus en plus difficile pour les nouveaux fournisseurs de services cloud, dépendants de l’emprunt pour construire leurs centres de données, d’obtenir des fonds.
Ce discours a eu lieu une semaine après qu’Anthropic a déposé publiquement son formulaire S-1, et le marché venait juste de découvrir les comptes de puissance de calcul derrière un laboratoire de pointe. Patel a mentionné que Nvidia soutient environ 6,5 gigawatts de puissance, mais cela ne représente qu’une petite fraction de la nouvelle puissance prévue avant 2030, qu’il qualifie de « goutte d’eau dans l’océan ».
01 Une grande partie de la nouvelle puissance est réservée par deux laboratoires
La pénurie de puissance de calcul provient de la concentration des acheteurs. La puissance mondiale totale augmente rapidement : environ 60 gigawatts fin 2024, plus de 100 gigawatts fin 2025, presque doublée en deux ans. Patel affirme :
« Fin 2024, il y aura 60 gigawatts de puissance mondiale, et fin 2025, ce sera plus de 100 gigawatts, presque doublé en deux ans. »
Les principaux acheteurs de cette puissance supplémentaire sont OpenAI et Anthropic. Leur puissance cumulée était d’environ 4 gigawatts fin 2023, environ 10 gigawatts cette année, et devrait dépasser 20 gigawatts l’an prochain. En détail, les deux sociétés devraient ajouter environ 12 gigawatts en 2027, tandis que l’augmentation mondiale totale cette année-là sera d’environ 40 gigawatts, soit environ 30 %. D’après Patel, les laboratoires IA devront ajouter environ 30 gigawatts en une seule année dès 2028.
Patel estime :
« Ils prennent 25 %, 30 % ou 40 % de la nouvelle puissance. »
« Fin 2023, les revenus d’OpenAI et d’Anthropic ont bondi avec le lancement de Claude Code, les poussant à acheter massivement de la puissance ; Meta a également commencé à acheter activement. »
« Pour beaucoup aujourd’hui, acheter de la puissance de calcul est déjà impossible. »
Un autre point à noter est que cette puissance est principalement utilisée pour l’entraînement, non pour servir les utilisateurs (inférence). Patel précise qu’Anthropic dispose actuellement de 4 gigawatts, dont seulement environ 1 gigawatt sert l’ensemble de Claude Code, la puissance consacrée à l’inférence étant « étonnamment faible » comparée à celle dédiée à l’entraînement. Cela signifie que même si la demande utilisateur se stabilise, les budgets alloués par les laboratoires à l’entraînement de nouveaux modèles continueront de consommer des puces.
02 La location d’inférence pour les modèles open source est très rentable, faisant monter les prix
Avec davantage d’acheteurs, les prix augmenteront. Patel estime qu’une autre raison de la hausse des loyers est la forte marge bénéficiaire du commerce des jetons (unité de mesure des sorties de modèles), ce qui signifie qu’il y a bien plus d’acteurs prêts à louer des GPU à des prix élevés que ces deux seuls laboratoires.
Il a fourni des calculs fondés sur les mégawatts. Construire un cluster B300, en répartissant les coûts de construction et d’exploitation sur cinq ans, revient à environ 9 millions de dollars par an ; louer auprès de fournisseurs cloud, « si vous obtenez 14 millions de dollars par an, considérez-vous chanceux ». En revanche, utiliser ce mégawatt de puissance de calcul pour faire tourner le modèle open source DeepSeek V4.1 Flash, avec un taux d’utilisation de 60 %, génère un chiffre d’affaires annuel d’environ 70 millions de dollars. Cela signifie que, même si le prix de location est 50 % supérieur au coût de construction interne, les revenus issus de la vente d’inférences restent cinq fois supérieurs au coût de location. (Les 70 millions de dollars correspondent au chiffre d’affaires, hors coûts de main-d’œuvre et autres.) Il a déclaré :
« Même si le taux d’utilisation n’est que de 30 %, vous ferez toujours des bénéfices extravagants. »
« Je connais des dizaines de personnes dont l’activité consiste à louer des GPU puis à vendre des inférences, et elles ont largement profité. »
Ce calcul repose sur la référence InferenceX open-source de SemiAnalysis, utilisant des conteneurs téléchargeables par tous, et seulement deux logiciels open source d’inférence, vLLM et SGLang, avec une équipe de « seulement quatre ingénieurs », sans recourir au décodage spéculatif ni à d’autres optimisations.
Les données sur les prix confirment ce raisonnement. Patel indique qu’octobre dernier marquait le point bas, avec le H100 à environ 1,70 $, et le prix minimal observé à 1,45 $ ; actuellement, le prix transactionnel se situe entre 2,40 $ et 3,20 $, avec une médiane à 2,80 $ :
« Si vous aviez signé à ce prix il y a deux ans, on vous aurait jugé fou ; aujourd’hui, tout le monde se précipite pour signer dans cette fourchette. »
L’indice des contrats d’un an de SemiAnalysis atteignait déjà 2,35 $ en mars de cette année, et les prix affichés par des fournisseurs comme Nebius ont continué d’augmenter en octobre. Les lecteurs doivent noter que Patel a mentionné que SemiAnalysis pratique aussi le rapprochement de puissance de calcul, ce qui lui donne accès aux prix réels des transactions — ce qui constitue également un conflit d’intérêts.
Son pronostic pour les prochaines étapes est le suivant :
« Si le H100 dépasse 3 $ et le B300 dépasse 7 $, je ne serais pas surpris. »
Pour les acheteurs, son conseil est plus direct :
« Si vous trouvez un B300 à 6 $ l’heure, signez immédiatement et revendez des jetons. Ce prix est scandaleux, mais c’est la bonne décision. »
L’obstacle réside dans le fait que les fournisseurs cloud exigent un paiement anticipé, ce qui est encore plus difficile pour les startups : obtenir un contrat d’un an est ardu, et les startups ne peuvent souvent pas garantir leur pérennité dans un an. Concernant les modèles fermés, il a mentionné que les revenus d’Anthropic issus de la fourniture de Fable et Opus 5.5 « dépassaient 100 millions de dollars », selon des documents divulgués aux investisseurs lors de son introduction en bourse, bien que la transcription ne précise pas l’unité — qui devrait correspondre, selon le contexte, à un revenu annuel par mégawatt.
03 Même si vous pouvez payer, les fournisseurs cloud risquent de ne pas livrer
Louer de la puissance de calcul n’est que la première étape ; l’utilisabilité du cluster détermine finalement sa valeur réelle. SemiAnalysis a mené une évaluation baptisée ClusterMAX, suivant 323 fournisseurs cloud et évaluant 77 d’entre eux, attribuant des distinctions (reconnaissances) à 19.
Selon Patel, les meilleurs sont CoreWeave et Nebius, mais leur disponibilité est très médiocre :
« Ils ne vous vendront pas de puissance de calcul pour les six prochains mois ; ils sont en rupture de stock. Nebius exige un paiement anticipé d’un an ou de six mois, et les prix sont scandaleusement élevés, mais c’est la seule façon d’obtenir de la puissance de calcul chez eux. »
Oracle et Google ont également été fortement notés, Google passant d’une médaille de bronze lors de la première évaluation. Plusieurs fournisseurs ont été dégradés : à mesure que les critères d’évaluation se sont resserrés, Azure est passé à l’argent, Together et AWS à la bronze, et Crusoe a également été dégradé. Les problèmes d’AWS sont davantage liés à l’expérience utilisateur :
« Pour obtenir un cluster, il faut collaborer avec une dizaine de personnes, ce qui prend beaucoup de temps ; le réseau est également assez difficile à gérer. »
Le problème le plus criant mis en évidence par l’évaluation était la sécurité. SemiAnalysis a permis à des modèles d’IA d’attaquer ces nuages informatiques :
« Certaines vulnérabilités sont déjà publiques sur Internet, et les modèles peuvent les identifier et les exploiter directement pour accéder au stockage d’autres clients. »
Lors d’un test, ils ont utilisé un modèle open source « moins performant qu’OpenAI et Anthropic » pour obtenir les droits Slurm (système de planification courant pour clusters) de l’ensemble du cluster, découvrant ainsi des noms de tâches appartenant à des entreprises de défense nationale et à des agences de renseignement en sécurité nationale. Ils ont immédiatement interrompu les tests et publié un rapport intitulé « La plupart des néonuages sont médiocres en matière de sécurité. » Un autre test consistait à injecter des pannes dans les GPU (le code d’erreur Nvidia XID 719 mentionné) afin d’évaluer le délai de détection par les fournisseurs de services cloud. Le résultat était le suivant :
« De nombreux fournisseurs ne s’en rendent compte que lorsque vous les en informez, et certains mettent plusieurs jours à réagir même après cette alerte. »
Il qualifie ce test de « standard minimal » : les GPU rencontreront inévitablement des pannes, et les fournisseurs de services cloud doivent compter sur leurs propres systèmes de surveillance pour les détecter et les résoudre.
04 Taux d’intérêt en hausse, nouveaux acteurs incapables d’emprunter, le soutien de Nvidia ne représente qu’une petite part
Accroître l’offre nécessite des capitaux, dont le coût augmente. Patel rappelle que, d’ici fin 2029, les dépenses mondiales en IA atteindront environ 11 000 milliards de dollars, dont quelque 7 000 milliards sous forme d’emprunts. La majeure partie sert à l’achat de puces, le reste aux centres de données, à l’énergie et aux centrales électriques locales destinées à accélérer la production.
Dans ce contexte de taux d’intérêt, les flux de prêts présentent un biais net. Le rendement des obligations du Trésor américain à 10 ans est passé de 3,96 % cette année à 5,31 % début octobre, et les émissions de dettes liées à l’IA se sont nettement refroidies en septembre. Patel décrit la situation d’un néonuage de 100 mégawatts souhaitant passer à 1 gigawatt :
« Qui leur prêterait de l’argent ? La seule solution consiste à vendre ce gigawatt à un fournisseur de services cloud hyperscale, qui financera ensuite via le marché de la dette ; vous obtenez le prêt, mais aucune de ces ressources de calcul ne sera disponible pour l’ensemble du secteur. »
Ainsi, parmi la puissance de calcul déjà réservée pour l’année prochaine, « environ 65 à 70 % » va aux fournisseurs de services cloud hyperscale et aux laboratoires d’IA. Pour les startups, la location de clusters exige un acompte de 50 %, avec des délais de livraison de trois à neuf mois :
« Interrogez n’importe quel nouveau laboratoire ayant récemment levé beaucoup de fonds : pour eux, obtenir de la puissance de calcul est un calvaire. »
L’approche de Nvidia consiste à offrir une garantie de sécurité pour les clusters, que Patel classe en trois catégories :
SoftBank Energy : garantit uniquement le terrain, l’alimentation électrique et les bâtiments. Il s’agit d’une installation de 9 gigawatts dans l’Ohio, prévue pour entrer en service vers 2030 et entièrement réservée à OpenAI.
Firmus : Nvidia s’engage à louer le cluster à un prix fixe, assurant ainsi à l’autre partie « ni profit ni perte », ce qui incite les prêteurs à accorder des crédits. Pour chaque dollar supplémentaire par heure au-delà de ce prix, Nvidia reçoit la moitié, ce que Patel qualifie de « très intelligent, j’apprécie beaucoup ».
Garantie de valeur résiduelle : il n’en a fait qu’une brève mention, sans précision.
En termes de capacité, NVIDIA a sécurisé environ 6,5 gigawatts, qui seront commercialisés sur le marché ouvert plutôt que réservés exclusivement aux laboratoires et grands fournisseurs de services cloud. Sa fourchette haute est de 45 gigawatts, « ce qui ne représente toutefois qu’une faible part de la nouvelle puissance de calcul ajoutée avant 2030. » Il estime que des sociétés comme Fireworks et Modal, spécialisées dans l’inférence, ainsi que de nombreux nouveaux laboratoires, construisent désormais leurs propres clusters, contractent des emprunts et recherchent le soutien de NVIDIA.
En conclusion de son intervention, il a évalué le volume de jetons traités : plusieurs fournisseurs ensemble traitent plus de 100 000 milliards de jetons par jour, tandis que les revenus annuels de chaque entreprise augmentent. Il a conclu par cette remarque :
« J’espère qu’ils parviendront à sécuriser de la puissance de calcul ; sinon, nous serons tous esclaves d’Anthropic et d’OpenAI. »
Cet article ne constitue pas un conseil en investissement personnel, ne reflète pas les opinions de la plateforme, les marchés comportent des risques et l’investissement exige prudence. Veuillez prendre vos décisions en toute indépendance.
