Data centers IA et infrastructure GPU

L’IA a scindé le secteur des data centers en deux produits : l’espace hérité, conçu pour des baies de 5-15 kW, et la capacité de qualité IA, qui délivre 60 à 130+ kW par baie avec refroidissement liquide — et la seconde catégorie est absorbée aussi vite qu’elle est construite. Ce hub couvre l’économie de la densité et du refroidissement, l’arbitrage louer/colocaliser et la manière de trouver de la capacité GPU-ready, appuyé sur notre tracker de prix GPU en direct et notre catalogue de sites étiquetés aiReady.

Contexte de marché : l’IA dévore le pipeline de capacité

Les ordres de grandeur sont sans ambiguïté. McKinsey projette une demande mondiale de capacité data center d’environ 219 GW d’ici 2030, avec une capacité AI-ready devant croître d’environ 33 % par an et des charges IA représentant de la moitié à environ 70 % de la demande totale en fin de décennie. Cette demande atterrit sur un marché déjà d’une tension record : vacance proche de 0,5 % en Virginie du Nord, environ trois quarts de la capacité américaine en construction déjà pré-louée, et des tarifs wholesale nord-américains à un record de 196,25 $/kW/mois selon CBRE — les opérateurs de sites optimisés IA et refroidis au liquide captant des primes de loyer explicites face à l’espace conventionnel.

Côté matériel, le marché a mûri vite. Le prix de location du H100 s’est effondré de 8 $+/heure au pic de 2023 à environ 2-3 $/heure en spot et ~2,35 $/heure sur contrat engagé d’un an, à mesure que l’offre se normalisait et que les générations B200/GB200 arrivaient — une revalorisation qui a transformé le calcul construire/louer pour tous ceux en dessous de la taille hyperscale. Suivre cette courbe au quotidien est précisément la mission de notre tracker GPU ; notre guide des prix de location du H100 explique les structures contractuelles derrière les tarifs affichés.

La conséquence pour les acheteurs : une décision d’infrastructure IA est désormais une décision sur deux marchés. Vous chiffrez simultanément de la capacité physique (colocation, $/kW) et du compute (location GPU, $/GPU-heure), et la réponse optimale change avec le taux d’utilisation, la durée et la génération matérielle. La plupart des sources de conseil ne couvrent qu’un seul marché. Nous suivons les deux.

Densité et refroidissement : pourquoi les baies de 100 kW ont tout changé

Une baie moderne d’entraînement IA est un objet physique différent de ce pour quoi les data centers ont été construits. Un système NVIDIA GB200 NVL72 appelle environ 120-132 kW dans une seule baie — contre le standard entreprise de 5-15 kW —, et les architectures de cluster poussent vers 250 kW+ par baie sur les générations à venir. Trois conséquences d’ingénierie découlent de ce chiffre.

Le refroidissement passe au liquide. Au-delà de ~50 kW/baie, déplacer assez d’air est physiquement impraticable. Le secteur s’est standardisé autour de deux approches :

	Direct-to-chip (DTC)	Immersion
Principe	Plaques froides sur les GPU/CPU ; boucle de fluide via CDU	Serveurs immergés dans un fluide diélectrique
Densité de baie supportée	80-132+ kW (génération actuelle)	100-250+ kW
Chaleur captée dans le liquide	~70-80 % (l’air prend le reste)	~95-100 %
Charge de rénovation du site	Modérée — CDU, tuyauterie, boucle d’eau	Élevée — cuves, gestion du fluide, nouveau modèle d’exploitation
Compatibilité matérielle	Baies OEM standard (le NVL72 est livré prêt pour le DTC)	Nécessite du matériel adapté à l’immersion
Position sur le marché 2026	Choix dominant des nouvelles constructions IA	Niche : HPC, crypto, densité extrême

Le DTC l’emporte sur la plupart des déploiements parce qu’il préserve le modèle d’exploitation en baies et allées tout en encaissant les contraintes thermiques actuelles des GPU ; il ajoute typiquement 7-10 % au capex mécanique/électrique mais réduit assez l’énergie de refroidissement pour faire passer le PUE d’un ~1,5 hérité à 1,1-1,2 — une économie permanente de 20-25 % sur le coût total de l’électricité.

La distribution électrique change d’échelle. Des baies de 60-130 kW exigent des canalisations préfabriquées aériennes en 415 V et plus, des arrivées à fort ampérage et un plancher calculé pour 1 500-2 000 kg par baie. La marge de puissance réseau devient stratégique : un cluster de 1 024 GPU H100 appelle environ 1,5-2 MW tout compris ; une construction d’entraînement de 16 000 GPU approche les 25-30 MW — des tailles qui font instantanément de vous un locataire wholesale qui négocie de la puissance, et non un acheteur retail qui choisit des baies. Pour des besoins de cette ampleur, voyez notre hub hyperscale et notre hub énergie.

L’implication en matière de sélection : l’essentiel du parc de colocation installé dans le monde ne peut pas héberger de clusters IA modernes sans rénovation. Convertir de l’espace hérité refroidi à l’air vers de la densité en refroidissement liquide coûte 2-4 M$ par MW. C’est pourquoi le « GPU-ready » est aujourd’hui le filtre le plus important de la sélection d’un site — et pourquoi notre catalogue marque les installations d’une étiquette aiReady couvrant densité, prise en charge du refroidissement liquide et marge de puissance.

Colocaliser ou louer des GPU : le cadre de décision

La décision d’infrastructure IA la plus lourde en dessous de ~50 M$ d’échelle est celle-ci : posséder du matériel en colocation ou louer de la capacité GPU. La réponse honnête relève de l’arithmétique, pas de l’idéologie.

Louez quand : l’utilisation est incertaine ou irrégulière ; l’horizon du projet est inférieur à ~12-18 mois ; il vous faut du matériel de pointe immédiatement (louer du B200/GB200 bat un cycle d’achat de 6 mois) ; ou la bande passante de l’équipe pour l’exploitation d’infrastructure est nulle. À ~2,35 $/heure engagé, un H100 coûte environ 20 600 $ par GPU et par an, avec électricité, refroidissement, réseau et risque matériel entièrement à la charge du fournisseur.

Colocalisez quand : vous maintiendrez une utilisation élevée (60 % et plus) pendant 2 ans ou plus ; les données de la charge ont des contraintes de résidence ou de sécurité ; ou vous êtes assez gros pour que les marges de location dépassent vos coûts d’exploitation. Posséder un nœud H100 revient à environ 25-30 k$/GPU en capex plus 3-5 k$/GPU/an en électricité et espace de colocation (sur des marchés à ~0,08-0,12 $/kWh — une raison pour laquelle la colocation en Asie du Sud-Est est attractive pour les flottes d’inférence). Sur trois ans d’utilisation intensive, la propriété ressort typiquement 30-50 % sous la location — si l’utilisation tient.

Le point mort se situe autour de 12-18 mois d’usage soutenu. Deux facteurs le repoussent : le renouvellement générationnel des GPU (une flotte H100 en propre concurrence des locations de nouvelle génération dès la deuxième année) et la baisse des prix de location (le marché a reculé de ~60-70 % en deux ans). Un facteur le rapproche : la capacité de location de la toute dernière génération est rare et se paie cher au lancement, précisément quand la demande d’entraînement culmine.

Les équipes averties coupent de plus en plus la poire en deux : de la capacité en propre, colocalisée, dimensionnée sur la charge d’inférence de base ; de la capacité louée pour les pics d’entraînement et les expérimentations de nouvelles générations. Chiffrer les deux côtés de ce portefeuille exige des données en direct sur les deux marchés — c’est le cœur de ce que ce site publie sur /fr/index/ et /fr/gpu/.

Le marché GPU s’est stratifié — chiffrez la génération, pas « un GPU »

Le « prix des GPU », ce sont désormais quatre marchés distincts qui évoluent sur des courbes différentes, et les confondre est l’erreur d’analyse la plus courante — et la plus coûteuse — que nous voyons :

Segment	Matériel	Comportement de marché (2026)
Frontière	Classe GB200/B200	Rare, prime de prix, davantage alloué que vendu ; plusieurs fois le tarif H100
Cheval de bataille	H100/H200	Liquide, concurrentiel ; ~2-3 $/h en spot, ~2,35 $/h sur engagement d’un an
Valeur	A100 et antérieurs	Fortement décoté ; viable pour le fine-tuning, les modèles plus petits, l’inférence par lots
Optimisé inférence	L40S et composants spécialisés	Tarifé sur l’économie du token servi, pas sur les FLOPS d’entraînement

Trois dynamiques gouvernent ces courbes. La cascade générationnelle : chaque lancement de nouveau produit phare fait reculer la génération précédente de 30-50 % en un an environ — le schéma qui a fait passer le H100 de 8 $+/heure à 2,35 $ engagé. L’écart selon la durée de contrat : pour un matériel identique, les tarifs spot, mensuels et engagés sur 1-3 ans peuvent différer de plus de 40 %, si bien qu’aligner la durée du contrat sur la certitude de la charge vaut autant que le choix du fournisseur. La dispersion entre fournisseurs : les tarifs publics des hyperscalers pour un même GPU se situent 2 à 4 fois au-dessus des tarifs des clouds GPU spécialisés, l’écart étant le plus large sur le segment cheval de bataille. Notre tracker GPU tient à jour le tableau sur tous les segments ; traitez tout chiffre isolé — y compris le nôtre du trimestre dernier — comme l’instantané d’une courbe qui bouge vite.

Le réseau : le troisième pilier, découvert trop tard

Les clusters IA échouent plus souvent sur le réseau que sur l’électricité ou le refroidissement, car l’entraînement est une charge synchronisée : des milliers de GPU échangent des gradients à chaque étape, et le lien le plus lent cadence l’ensemble du cluster. Implications pratiques pour les acheteurs de capacité :

• L’est-ouest domine. Un cluster de 1 024 GPU exige une fabrique non bloquante à 400/800G (InfiniBand ou Ethernet RoCE) dont le coût — souvent 2 000-4 000 $ par GPU en commutation et optique — doit figurer dans votre modèle de capex au même titre que les accélérateurs eux-mêmes.
• La proximité physique n’est pas négociable pour l’entraînement. Les budgets de latence de la fabrique confinent les clusters d’entraînement à une salle ou à des salles adjacentes ; on ne coud pas un cluster d’entraînement entre deux bâtiments, encore moins entre deux sites. Cela restreint le choix des installations à celles disposant d’un grand espace GPU-ready contigu — une autre dimension traitée par le filtrage aiReady de notre catalogue.
• L’inférence se distribue, l’entraînement se concentre. Le trafic de service tolère une latence métropolitaine ordinaire, ce qui fait fonctionner les architectures en étoile — clusters lourds en espace wholesale, nœuds d’inférence plus près des utilisateurs (voir notre hub edge).

Quand vous comparez des offres de colocation pour des déploiements GPU, interrogez spécifiquement la prise en charge du câblage structuré pour des fabriques à très forte densité de fibres, le prix des cross-connects en volume (des dizaines de liens 400G changent le calcul — voir la section coûts cachés de notre hub colocation), et les rampes d’accès cloud si votre architecture est hybride.

Où placer la capacité IA : la géographie se déplace

Les charges IA tolèrent mieux la latence que les applications destinées aux utilisateurs — un job d’entraînement se moque de tourner à Ashburn ou à Johor. Cette tolérance, face à une vacance sous 1 % et à des prix de 215 $+/kW sur les marchés américains centraux, redirige la capacité IA vers des marchés riches en électricité et moins chers : métropoles secondaires américaines, pays nordiques, Moyen-Orient et surtout Asie du Sud-Est, où le BOI thaïlandais a approuvé ~746 milliards THB d’investissement en data centers en 2025, où le pipeline de Johor a atteint environ 4-5 GW, et où la Malaisie privilégie désormais explicitement les projets de qualité IA. Une électricité industrielle à 0,08-0,12 $/kWh et des coûts de construction 20-40 % sous les niveaux américains se traduisent directement par un $/GPU-heure plus bas pour quiconque exploite des flottes à grande échelle — le panorama régional complet est dans notre hub développement et notre analyse de la Thaïlande.

Comment Coloprice aide : le pont entre colocation et GPU

Toutes les autres ressources ne couvrent que la moitié de ce marché. Les annuaires de colocation ne suivent pas les prix GPU ; les places de marché GPU ne couvrent pas la capacité physique. Comme la vraie décision — louer du compute, déployer du matériel, ou quelque chose entre les deux — enjambe les deux, nous avons construit le pont :

• Des prix GPU en direct, gratuits. Le tracker GPU suit les tarifs de location par fournisseur et par génération — du H100 à partir de ~2,35 $/heure engagé jusqu’aux primes actuelles B200/GB200 — pour comparer n’importe quel devis fournisseur en quelques secondes. Le guide des prix H100 décode les structures contractuelles.
• Des sites GPU-ready, filtrables. Notre catalogue de 202 installations embarque un filtre aiReady couvrant la puissance haute densité et la prise en charge du refroidissement liquide — ce qui transforme « quelles installations dans le monde peuvent réellement héberger des baies de 100 kW ? » de semaines d’e-mails de RFI en une requête de deux minutes.
• Les deux marchés sur un même référentiel. Tarifs de colocation et tarifs GPU côte à côte, plus les données d’offre de marché sur stats — le jeu complet d’entrées du modèle louer/colocaliser ci-dessus.
• Des devis appariés sous un jour ouvré, gratuits. Décrivez votre besoin sur /fr/quote/ — un cluster de 20 baies refroidies au liquide, 2 MW d’espace GPU-ready en Asie du Sud-Est, ou un engagement de location GPU que vous voulez comparer — et nous renvoyons sous un jour ouvré des options appariées parmi des sites et fournisseurs que nous avons vérifiés. Aucun frais de référencement ne façonne la présélection, aucune boîte noire « demandez un devis ».
• Des approfondissements. Commencez par le guide des prix de la colocation pour le volet $/kW et par le guide d’investissement si vous financez de la capacité IA plutôt que vous n’en achetez.

L’infrastructure IA est le marché qui se revalorise le plus vite dans la tech — les tarifs GPU ont bougé de plus de 60 % en deux ans pendant que la colocation bougeait de 6-12 % dans l’autre sens. Les décisions prises sur des données périmées coûtent cher dans les deux directions : surpayer le compute d’un côté, immobiliser du capital dans le mauvais site de l’autre. Consultez /fr/gpu/, filtrez /fr/data-centers/, comparez avec /fr/index/, et laissez /fr/quote/ poser sur votre bureau des offres réelles et comparables sous un jour ouvré.