Pendant la majeure partie de la dernière décennie, la question pour une entreprise adoptant un nouveau logiciel était de savoir quel outil acheter. Avec l'IA, la question a changé : où le calcul sera-t-il exécuté, et à quel prix ? Un modèle qui lit des contrats, une chaîne de traitement qui transforme des milliers de photographies en jumeau 3D, un agent qui traite un arriéré pendant la nuit : tous consomment du temps GPU, de la mémoire et de l'énergie, et cette consommation ne s'arrête pas après le projet pilote.
L'accès à une puissance de calcul à un coût soutenable devient une condition préalable à toute utilisation de l'IA. Les organisations qui en disposent peuvent expérimenter, itérer et mettre des workloads en production. Les autres restent bloquées au stade de la démonstration.
Ce que disent les chiffres en 2026
Le marché envoie des signaux contrastés, et les deux versants comptent.
- Les GPU plus anciens deviennent moins chers, les plus récents non. L'AIMultiple Cloud GPU Price Index, qui suit 75 fournisseurs, situe la médiane à la demande de septembre 2026 à 3,25 $ de l'heure pour un H100 et à 4,40 $ pour un H200, tandis qu'un B200 se situe à 6,52 $. La médiane pour la dernière génération de puces a plus que doublé depuis octobre 2024, passant de 2,12 $ à 4,72 $ de l'heure.
- La même puce peut coûter six fois plus cher selon le vendeur. Dans le même indice, une heure de H200 varie d'environ 2 $ à près de 14 $. L'endroit où l'on achète compte autant que ce que l'on achète.
- Les géants dépensent à une échelle que personne d'autre ne peut égaler. Selon les décomptes des analystes fondés sur les prévisions des entreprises, les dépenses d'investissement d'Amazon, Alphabet, Microsoft et Meta pour 2026 dépassent 700 milliards de dollars au total. L'essentiel de la capacité la plus récente leur est réservé, ainsi qu'à leurs plus grands clients.
- L'énergie est la prochaine contrainte. L'Agence internationale de l'énergie prévoit que la consommation d'électricité des centres de données fera plus que doubler d'ici 2030. Les nouvelles capacités attendent désormais des raccordements au réseau, et pas seulement des puces.
- Le prix du token continue de baisser, la facture non. Le Ramp AI Index indique que le prix moyen payé par les entreprises américaines par million de tokens a baissé de 41 % entre mars et septembre 2026. L'usage croît plus vite que les prix ne baissent, surtout lorsque des agents commencent à exécuter de manière autonome des tâches en plusieurs étapes.
L'effet se voit dans l'adoption. Selon Eurostat, 55 % des grandes entreprises de l'UE utilisaient l'IA en 2025, contre 17 % des petites. L'écart ne tient pas à l'intérêt. Il tient à la capacité de financer l'infrastructure, les personnes pour l'exploiter et le risque lié au déplacement des données.
Trois options, aucune réellement adaptée
Une organisation qui détient des jeux de données volumineux et précieux (numérisations, archives, plans, modèles, données de recherche) se trouve généralement face à trois choix.
- Louer auprès d'un hyperscaler. La capacité existe, mais la tarification est conçue pour les grands comptes, et les données doivent être transférées vers l'infrastructure d'un tiers avant que le moindre travail puisse commencer.
- Acheter le matériel. Les GPU restent inactifs la majeure partie du mois entre deux pics, et quelqu'un en interne doit les exploiter, les mettre à jour et les sécuriser.
- Confier les données à un prestataire de services. Le contrôle est perdu. Vous ne décidez plus où vont les fichiers, et vous payez à nouveau pour chaque tâche.
Les programmes publics aident à la marge. Les EuroHPC AI Factories proposent des modalités d'accès gratuites pour les PME et les startups, et l'appel pour les AI Gigafactories se clôt le 12 novembre 2026. Ils sont précieux pour la recherche et l'entraînement de modèles, mais ils sont attribués sur candidature et ne sont pas conçus pour exécuter les workloads de production quotidiens d'une entreprise.
DePIN : beaucoup de capacité, pas assez de confiance
Les réseaux d'infrastructures physiques décentralisées (DePIN) empruntent une autre voie. Ils agrègent les GPU inutilisés de centres de données, d'entreprises et de particuliers et les mettent en location, souvent bien en dessous des prix des hyperscalers. L'idée est fondée : une grande partie de la puissance de calcul mondiale reste inutilisée la majeure partie de la journée.
Les problèmes sont tout aussi concrets, et ils sont documentés par des recherches indépendantes :
- La capacité déclarée n'est pas la capacité réelle. Un nœud peut annoncer un GPU qu'il ne possède pas, ou un GPU partagé, bridé ou incompatible avec la tâche.
- La disponibilité varie. Les nœuds apparaissent et disparaissent. Une longue tâche de rendu ou d'entraînement a besoin de points de reprise et d'un endroit où continuer lorsqu'un nœud disparaît.
- La localisation est inconnue. Pour de nombreux jeux de données, une exécution « quelque part sur le réseau » n'est tout simplement pas autorisée.
- Les résultats sont difficiles à vérifier. Prouver qu'un calcul a été correctement effectué sur une machine non fiable reste un problème de recherche ouvert.
Une capacité bon marché à laquelle on ne peut pas se fier n'est pas exploitable pour des données qui comptent. La question n'est pas de savoir si la capacité distribuée est moins chère. Elle est de savoir si elle peut être gouvernée.
Vous avez un workload lourd et nulle part où l'exécuter raisonnablement ? Parlez-nous des données et des contraintes. Contactez l'équipe TrustTwin OS.
Comment le Smart Compute Router et les nœuds DePIN s'articulent dans TrustTwin OS
TrustTwin OS traite le calcul comme un continuum d'exécution unique. Le travail peut s'exécuter sur nos propres nœuds gérés, sur des nœuds installés sur le matériel du client, ou sur la capacité inutilisée que les clients et partenaires mettent à disposition du réseau, y compris la capacité DePIN. Ce qui change n'est pas l'emplacement des GPU. C'est le fait que chaque tâche traverse la même gouvernance avant, pendant et après l'exécution.
Le Smart Compute Router fait passer chaque workload par six étapes :
- Classify. Le type de travail et le degré de sensibilité des données.
- Constrain. Les règles de résidence et de sécurité appliquées comme des limites strictes. Un profil limité à l'UE exclut entièrement les fournisseurs non européens. Si une règle de résidence ne peut pas être garantie, le workload ne s'exécute pas.
- Preflight. GPU, VRAM, CUDA, réseau et une exécution minimale vérifiés sur le nœud candidat avant l'engagement de la tâche. La capacité déclarée est contrôlée, et non tenue pour acquise.
- Route. Coût, délai et risque optimisés entre capacités locales, cloud, edge et distribuées, parmi les nœuds ayant franchi les trois premières étapes.
- Recover. Nouvelles tentatives, points de reprise et basculement vers un autre nœud en cas de défaillance d'un fournisseur.
- Validate. Exhaustivité et qualité du résultat contrôlées, avec un enregistrement de l'endroit où chaque étape s'est exécutée et des décisions prises.
C'est ce qui rend la capacité DePIN exploitable pour un travail sérieux. Preflight répond au problème de la capacité qui n'existe que sur le papier. Recover répond aux nœuds qui disparaissent. Constrain répond à la question de la localisation. Validate répond à la question de savoir si l'on peut se fier au résultat. Le routeur ne rend pas le calcul distribué fiable par hypothèse ; il ne l'utilise que là où les contrôles sont concluants.
Pourquoi cela réduit les coûts dans la durée
L'économie découle de l'architecture. Les traitements lourds s'exécutent sans supervision sur nos propres nœuds et sur ceux de nos partenaires, pour une fraction du coût des hyperscalers. Les clients peuvent mettre leur propre capacité de calcul à disposition du réseau lorsqu'ils n'en ont pas besoin : une station de travail qui resterait inactive la nuit fournit ainsi de la capacité au lieu de se déprécier. À mesure que de nouveaux nœuds rejoignent le réseau selon les mêmes règles, le coût unitaire baisse pour tous ses participants.
Nous l'avons testé là où les données sont les plus exigeantes. Dans AerariumChain, les numérisations d'objets irremplaçables sont traitées sur des nœuds privés et partenaires, selon des règles strictes quant aux endroits où les données peuvent aller. SweetHive apporte le même OS aux petites et moyennes entreprises, avec des nœuds locaux qui conservent fichiers et modèles sur les machines de l'entreprise.
Cinq questions à poser à tout fournisseur de calcul
- Pouvez-vous garantir l'endroit où mes données sont traitées, et que se passe-t-il si vous ne le pouvez pas ?
- Vérifiez-vous la capacité réelle d'une machine avant le démarrage de ma tâche ?
- Qu'advient-il d'une longue tâche lorsqu'un nœud tombe en panne à mi-parcours ?
- Comment contrôlez-vous que le résultat est complet et correct ?
- Puis-je voir, a posteriori, où chaque étape s'est exécutée ?
Si les réponses sont vagues, le prix bas n'est pas le prix complet.
Sources
- AIMultiple, Cloud GPU Price Index, données jusqu'à septembre 2026 : aimultiple.com/gpu-index
- Ramp, AI Index, 9 septembre 2026 : ramp.com/data/ai-index-sept-2026
- TMT Finance, analyse des dépenses d'investissement des hyperscalers en 2026 : tmtfinance.com
- Agence internationale de l'énergie, Energy and AI : iea.org/reports/energy-and-ai
- Eurostat, Digital economy and society statistics, enterprises : ec.europa.eu/eurostat
- EuroHPC JU, modalités d'accès aux AI Factories et appel pour les AI Gigafactories, 30 juillet 2026 : eurohpc-ju.europa.eu
- Recherche sur la vérification dans les réseaux GPU décentralisés : arXiv 2501.05374