Des H100 se loueraient aujourd’hui plus cher qu’à l’état neuf, renversant les règles habituelles d’amortissement du matériel informatique. L’amélioration des modèles d’IA prolongerait directement la rentabilité de puces pourtant dépassées par plusieurs générations.
Les GPU NVIDIA resteraient productifs huit ans ou plus
Lors du GTC Berlin, Jensen Huang a estimé que la durée d’exploitation d’un accélérateur atteignait désormais huit ans, voire davantage, contre quatre ans auparavant. Le dirigeant attribue cette longévité à l’adoption très large des systèmes NVIDIA, à leurs performances et, surtout, à leur architecture programmable.
Les améliorations logicielles déployées pendant toute la vie du matériel maintiennent sa productivité. Même lorsqu’un premier exploitant retire une machine, d’autres entreprises peuvent encore absorber cette capacité de calcul, ce qui rend ces actifs durables, interchangeables et faciles à réaffecter.
Elon Musk mise sur l’« intelligence utile par watt »
Elon Musk a défendu une logique similaire lors de la conférence sur les résultats du troisième trimestre 2026 de SpaceX. À mesure que les modèles et les logiciels progressent, une même quantité d’énergie permettrait de produire davantage d’« intelligence utile », augmentant ainsi la valeur du calcul fourni par du matériel ancien.
Cette évolution expliquerait pourquoi des H100 peuvent être loués plus cher qu’au moment de leur mise en service. La puce ne gagne évidemment pas en performances brutes, mais les modèles, moteurs d’inférence et optimisations logicielles en extraient un résultat économiquement plus intéressant.
Le prix d’une heure de calcul s’envole
Gavin Baker, investisseur spécialisé dans la chaîne d’approvisionnement des semi-conducteurs, observe de son côté une hausse verticale du coût de location horaire des GPU. Le prix des tokens diminue et leur composition évolue vers des unités moins coûteuses, mais chaque heure de calcul en génère davantage et avec une utilité supérieure.
L’économie de l’inférence entretient cette tension. Jensen Huang chiffre à 50 milliards de dollars, soit environ 46 milliards d’euros, l’investissement nécessaire pour 1 GW de calcul consacré à l’IA. Une telle capacité dégagerait près de 40 milliards de dollars de revenus annuels, environ 37 milliards d’euros, pour un retour sur investissement légèrement supérieur à un an.
SpaceX évalue pour sa part la capacité de calcul IA entre 30 et 50 milliards de dollars par GW, soit approximativement 28 à 46 milliards d’euros. Elon Musk évoque un amortissement inférieur à un an et des contrats courts renouvelés à des tarifs supérieurs par watt, raison pour laquelle l’entreprise privilégierait la location de courte durée.
Un marché secondaire qui échappe à l’amortissement classique
Les données de Silicon Data confortent cette lecture. Les anciens A100 et H100 conserveraient une valeur résiduelle très supérieure à celle suggérée par des plans d’amortissement linéaires sur trois ou cinq ans. Plus spectaculaire encore, un B200 atteindrait 158 % de son coût initial, soit une prime de 58 % par rapport à son prix de lancement.
Un accélérateur retiré d’un grand cluster ne devient donc pas immédiatement obsolète. Il descend vers des opérateurs moins exigeants ou disposant de budgets inférieurs, tout en continuant à produire de la valeur à chaque étape du marché secondaire.
Cette situation dépend toutefois d’une demande en calcul IA toujours supérieure à l’offre et d’un écosystème logiciel capable de maintenir les anciennes architectures. Si ces conditions persistent, les exploitants devront revoir leurs cycles comptables, tandis que le marché de l’occasion restera coûteux pour les acteurs cherchant une capacité d’inférence abordable.
Source : Wccftech
