L'IA d'entreprise, passant de « acheter plus de GPU » à « optimiser la configuration pour réduire les coûts d'inférence »… La solution d'AMD et Red Hat attire beaucoup d'attention

L’introduction de l’intelligence artificielle par les entreprises franchit un nouveau cap décisif. Aujourd’hui, l’attention du marché ne se limite plus à savoir s’il faut investir dans l’IA, mais se tourne vers la manière de déployer des semi-conducteurs et des infrastructures adaptés à différents métiers afin de maximiser le rapport coût-efficacité. En particulier, avec l’augmentation rapide des tâches « IA agent » et la montée des coûts de raisonnement, pour les grandes entreprises, la question centrale n’est plus de choisir aveuglément l’équipement à la performance maximale, mais de sélectionner les ressources de calcul appropriées en fonction des objectifs, c’est-à-dire faire des « choix ».

Dans ce contexte de changement, la collaboration entre AMD et Red Hat attire à nouveau l’attention. John Hampton, vice-président des ventes technologiques d’entreprise chez AMD, a indiqué lors du « Red Hat Summit 2026 » à Boston que les entreprises souhaitent obtenir une infrastructure IA plus flexible dans un environnement hybride global. Il a mentionné que de nombreux clients ont récemment construit à la hâte de vastes clusters GPU pour répondre à la demande en IA, mais qu’en phase opérationnelle, ils font face à des coûts bien supérieurs aux prévisions.

Les coûts de raisonnement en IA augmentent rapidement… les entreprises réévaluent leur stratégie basée sur un seul GPU massif

Selon Hampton, de nombreuses entreprises ont concentré leurs efforts sur l’achat massif de GPU haute performance pour ne pas prendre de retard dans la compétition initiale en IA. Le problème est qu’avec l’agrandissement de la taille des services, le coût de chaque requête IA s’accumule, augmentant rapidement la pression sur le budget. Ce phénomène est appelé « économie Token », signifiant qu’avec l’augmentation de l’utilisation de l’IA générative, le coût de traitement des jetons augmente également, impactant directement la rentabilité des entreprises.

Il a déclaré : « Les entreprises ont initialement massivement acheté des clusters GPU pour l’IA, mais elles rencontrent maintenant des réactions difficiles à supporter. Bien que l’utilisation de l’IA continue de croître, l’expansion rapide des coûts suscite de grandes inquiétudes. » Cela signifie en fin de compte que le cœur de la stratégie IA des entreprises évolue, passant de « garantir la performance maximale » à « déployer de manière optimisée selon la tâche ».

AMD et Red Hat : une solution « tout le spectre » allant du CPU au GPU

Pour faire face à cette tendance, AMD a lancé une gamme de produits « tout le spectre » comprenant des CPU, des GPU à bon rapport qualité-prix et des accélérateurs haute performance. La stratégie consiste à combiner ces matériels avec la pile logicielle open source de Red Hat, permettant aux entreprises de gérer leurs tâches IA de manière flexible dans un environnement cloud hybride sans dépendre d’un fournisseur unique.

Prenons l’exemple de l’AMD Instinct MI350P, présenté comme un GPU basé sur une interface PCIe, facilement intégrable dans des serveurs existants. Il se distingue par un refroidissement par air pour optimiser le rapport coût-efficacité. Red Hat AI sert de plateforme d’entreprise, supportant le déploiement et l’expansion d’agents IA sur ce type de matériel. De plus, en utilisant les CPU AMD EPYC et les outils de virtualisation de Red Hat, il est possible d’intégrer plusieurs serveurs, ce qui contribue à réduire l’espace et la consommation électrique des centres de données.

L’essentiel réside dans une « architecture ouverte »… tout en avançant dans la maîtrise du budget IA et la modernisation des infrastructures

L’information clé transmise ici est celle de « l’ouverture » et de « la sélection ». AMD et Red Hat insistent sur le fait qu’au lieu d’un écosystème fermé, les entreprises doivent adopter une architecture ouverte, leur permettant de choisir parmi CPU, GPU à faible consommation ou accélérateurs haute performance, en fonction des charges de travail IA. Toutes les tâches d’inférence ne nécessitent pas d’être déployées sur des équipements coûteux.

Cette approche présente plusieurs avantages, notamment la réduction des coûts. Pour les entreprises, cela permet de tirer parti de leur infrastructure existante sans ralentir l’adoption de l’IA, tout en réinvestissant dans de nouveaux projets IA avec les économies réalisées en budget et en énergie. Cela revêt une importance pratique majeure, permettant de moderniser l’infrastructure IA tout en maîtrisant le budget.

Hampton prévoit que, dans le futur, la norme d’évaluation du marché IA ne sera plus « ce que l’on a acheté », mais « comment on déploie ». Alors que la compétition en IA entre dans une phase opérationnelle, certains analystes estiment que la clé du succès ne résidera plus dans la performance brute, mais dans la capacité à équilibrer habilement le coût total de possession et l’efficacité réelle.