Plus de 15 % dans de nombreux cas

L'information n'est pas encore une annonce tarifaire officielle de Nvidia. Bloomberg rapporte toutefois que certains des plus importants clients du constructeur ont été informés d'augmentations dépassant 15 % dans de nombreux cas sur les serveurs intégrant ses puces dédiées à l'intelligence artificielle.

Reuters, qui relaie l'information, précise que les nouveaux prix devraient concerner des systèmes expédiés à partir du début de l'année 2027. Leur ampleur varierait selon la génération de puces utilisée et surtout selon la configuration mémoire.

Les plateformes Grace Blackwell actuellement commercialisées seraient concernées, tout comme la nouvelle génération Vera Rubin. Les fabricants de serveurs travaillant avec de grands opérateurs de centres de données comme Microsoft, Google ou Oracle auraient déjà commencé à transmettre ces nouvelles indications tarifaires à leurs propres clients.

Nvidia n'avait toutefois pas commenté publiquement ces hausses au moment où l'information a été publiée. Le chiffre de 15 % doit donc être traité comme une information rapportée par Bloomberg et non comme un nouveau tarif officiel annoncé par le constructeur.

Un rack IA contient désormais des téraoctets de mémoire

Pour comprendre comment la mémoire peut provoquer une telle différence de prix, il suffit de regarder l'échelle prise par les systèmes Nvidia. Un GB200 NVL72 associe 72 GPU Blackwell et 36 processeurs Grace dans un même rack refroidi par liquide.

Nvidia annonce pour cette configuration 13,4 To de mémoire HBM3E côté GPU. Les processeurs Grace ajoutent à leur tour environ 17 To de LPDDR5X. Un seul rack concentre donc des quantités de mémoire sans commune mesure avec celles d'un serveur conventionnel.

La HBM est particulièrement stratégique. Sa très grande bande passante permet d'alimenter suffisamment rapidement les GPU qui entraînent ou exécutent de grands modèles. Elle est aussi complexe à fabriquer, utilise des empilements de puces avancés et mobilise une capacité de production qui ne peut pas être augmentée instantanément.

Vera Rubin ne va pas alléger le problème

La prochaine architecture Rubin pousse encore cette logique. Nvidia annonce 288 Go de HBM4 et jusqu'à 22 To/s de bande passante pour un seul GPU Rubin. À l'échelle d'un rack Vera Rubin NVL72, ces choix techniques transforment encore davantage la mémoire en composant central du système plutôt qu'en simple périphérique du GPU.

C'est précisément ce qui rend une hausse du prix des puces mémoire particulièrement douloureuse. Nvidia peut améliorer les performances de calcul ou l'efficacité de ses accélérateurs, mais il reste impossible de retirer arbitrairement la mémoire sans réduire la capacité des machines à exécuter les modèles auxquels elles sont destinées.

La configuration devient donc une variable tarifaire majeure. Deux serveurs équipés d'une même génération d'accélérateurs peuvent voir leur coût évoluer différemment selon la quantité et le type de mémoire qu'ils embarquent.

L'IA commence à subir sa propre demande

Le phénomène a quelque chose de circulaire. L'explosion des investissements dans l'IA a créé une demande gigantesque pour les accélérateurs, mais également pour la HBM, la DRAM, les équipements réseau, le stockage et les systèmes d'alimentation nécessaires à leur fonctionnement.

Cette demande contribue à tendre les capacités de production. Samsung a par exemple relevé jusqu'à 15 % le prix de certains de ses services de fabrication avancée de semi-conducteurs face à une demande particulièrement élevée, notamment liée aux puces IA.

Le prix d'un serveur IA ne dépend donc plus seulement du GPU placé au centre du système. Mémoire, packaging avancé, réseau, refroidissement et alimentation prennent une part croissante dans une machine conçue désormais à l'échelle du rack.

15 % sur un rack n'a rien d'une petite correction

Sur un produit grand public, une augmentation de 15 % est immédiatement visible. Dans un centre de données, son effet peut être encore plus important parce qu'un projet ne commande pas une seule machine.

Les hyperscalers et fournisseurs de cloud déploient des infrastructures composées de dizaines, de centaines ou de milliers de systèmes. Une hausse à deux chiffres appliquée à cette échelle peut ajouter des sommes considérables au budget d'une nouvelle capacité de calcul.

C'est probablement le signal le plus intéressant derrière cette information. Pendant plusieurs années, la course à l'IA a surtout consisté à obtenir suffisamment de GPU. La prochaine contrainte pourrait être différente : les GPU existent, mais tout ce qu'il faut placer autour d'eux devient progressivement assez coûteux pour changer l'économie entière d'un centre de données.