Louer des GPU ne se décide pas sur le prix horaire, qui est public et plutôt bas, mais sur une seule variable : le pourcentage du temps où la machine travaille réellement. En dessous d’un usage soutenu et prévisible, une instance dédiée revient plus cher qu’un appel facturé à l’usage, quelle que soit la qualité de l’offre.
Avec l’arrivée de capacités massives dans la région, cet arbitrage va se poser à des entreprises qui ne se le posaient pas. Voici le calcul, avec des prix publics.
Trois façons d’acheter du calcul, pas une
Il existe trois régimes, souvent confondus dans la même discussion.
L’appel facturé à l’usage. Vous payez par requête ou par volume traité, sans engagement ni machine à votre nom. Le coût suit exactement l’activité, y compris quand elle est nulle.
L’instance à l’heure. Vous réservez une machine équipée d’un ou plusieurs GPU, vous la payez tant qu’elle existe, qu’elle calcule ou non. Vous maîtrisez l’environnement, les modèles installés et les données qui y entrent.
La capacité réservée. Engagement pluriannuel sur de la puissance, avec un prix unitaire plus bas. C’est le régime des grands sites annoncés dans la région, dont l’unité de vente est le mégawatt et non la carte. Ce n’est pas un marché ouvert à une entreprise de 200 personnes, comme nous l’avons expliqué dans 45 milliards de data centers dans la région.
Le chiffre qui décide de tout, et que personne ne mesure
CAST AI a publié en 2026 la troisième édition de son rapport sur l’optimisation Kubernetes, à partir de mesures directes sur des dizaines de milliers de clusters de production hébergés chez les trois principaux fournisseurs cloud. Le résultat sur les GPU, mesuré sur 23 000 clusters, est brutal : 5 % d’utilisation moyenne. Le processeur classique n’est pas mieux loti, à 8 %, en baisse par rapport aux 10 % de l’édition précédente, et la mémoire tombe à 20 %.
Passons aux euros. Le tarif public d’OVHcloud affiché en septembre 2026 pour une instance équipée d’un GPU H100 de 80 Go est de 2,80 € hors taxes de l’heure. Une machine disponible en continu, c’est 730 heures par mois, soit environ 2 044 € hors taxes mensuels. À 5 % d’utilisation, l’heure réellement productive revient donc à 56 €. Le prix affiché était juste. Le prix payé ne l’est plus du tout.
Pourquoi un tel écart ? Trois causes reviennent systématiquement. La capacité est dimensionnée sur le pic imaginé, jamais sur la charge observée, parce que personne ne veut être celui qui a sous-dimensionné. Les environnements de développement et de démonstration restent allumés entre deux sessions, faute de mise en veille automatique. Et l’unité de réservation est trop grosse : on prend une machine entière pour un traitement qui occupe un quart de sa mémoire. Aucune de ces causes ne se corrige en changeant de fournisseur.
C’est la même mécanique que la dérive des factures cloud, que nous avons décrite dans reprendre la main sur sa facture cloud : personne n’a acheté trop cher, tout le monde a acheté trop tôt et trop large.
Quand louer des GPU se justifie vraiment
Quatre situations rendent l’instance dédiée pertinente, et elles se reconnaissent avant le premier euro dépensé.
- Des données qui ne doivent pas sortir. Certains traitements ne peuvent pas transiter par un service tiers, pour des raisons contractuelles ou réglementaires. C’est la raison la plus solide, et elle n’a rien à voir avec le prix.
- Une charge continue et prévisible. Un traitement par lots qui occupe la machine plusieurs heures par jour, tous les jours, inverse le calcul précédent. À 60 % d’utilisation, l’heure productive redescend sous 5 €.
- Un ajustement récurrent de modèle. Le réentraînement périodique sur vos propres données demande un environnement stable, pas un service générique.
- Une contrainte de latence stricte. Un besoin de réponse en dizaines de millisecondes justifie parfois d’héberger le modèle soi-même.
Hors de ces cas, la question n’est pas tranchée par la technique mais par le confort. Avoir sa machine rassure. C’est un sentiment, pas un argument financier.
Ce que la proximité géographique ne change pas
Un data center à une heure de route ne modifie ni le prix horaire d’un GPU, ni votre taux d’utilisation, ni la qualité de vos données. Il améliore la latence réseau pour des charges hébergées localement et il rend un discours de proximité crédible. Cela s’arrête là.
La proximité ne règle pas davantage la question juridique. Un bâtiment situé dans le Nord peut appartenir à un opérateur soumis à un droit extraterritorial, ce qui ne change rien à la protection réelle de vos données : nous l’avons détaillé dans héberger en Hauts-de-France ne rend pas vos données souveraines. Si vous louez des GPU pour garder la main sur vos données, vérifiez d’abord qui détient les clés, pas la distance qui vous sépare des machines.
Il y a d’ailleurs un piège de calendrier. Les modèles évoluent plus vite que les amortissements : s’engager sur trois ans de capacité pour une génération de matériel donnée, c’est parier que le rapport performance sur prix ne bougera pas. Sur les quatre dernières années, ce pari aurait été perdu à chaque fois.
Notre position
Nous ne revendons pas de capacité de calcul, donc nous n’avons rien à gagner à vous en faire réserver. Ce que nous voyons sur nos projets, c’est que le poste de coût dominant d’un système d’IA n’est presque jamais le GPU : c’est la préparation des données, la construction d’un jeu d’évaluation, et le travail de mise en production. Nous l’avons détaillé dans mettre un LLM en production.
Une limite à cette analyse, que nous assumons : les prix du calcul bougent vite, à la baisse le plus souvent. Le calcul ci-dessus est valable en septembre 2026 avec un tarif public précis. Refaites-le avec vos propres chiffres avant de décider, et surtout mesurez votre taux d’utilisation réel avant de réserver quoi que ce soit. Si vous ne savez pas le mesurer, c’est déjà la réponse.
Notre pôle data et IA fait ce chiffrage en amont des projets, et nous pouvons en discuter sans que cela débouche sur une prestation.
Questions fréquentes
Vaut-il mieux louer des GPU ou utiliser une API d’IA ?
Cela dépend d’une seule variable : le taux d’utilisation réel de la machine. Une instance à GPU se paie tant qu’elle existe, qu’elle calcule ou non. Au tarif public d’OVHcloud de septembre 2026, soit 2,80 € hors taxes de l’heure pour un H100 de 80 Go, une machine disponible en continu coûte environ 2 044 € hors taxes par mois. Avec un taux d’utilisation de 5 %, moyenne mesurée par CAST AI en 2026 sur 23 000 clusters de production, l’heure productive revient à 56 €. En dessous d’une charge continue et prévisible, la facturation à l’usage est plus économique.
Combien coûte une instance GPU H100 par mois ?
Environ 2 044 € hors taxes pour une instance à un GPU H100 de 80 Go laissée disponible en permanence, sur la base du tarif public d’OVHcloud de 2,80 € de l’heure affiché en septembre 2026 et de 730 heures par mois. Les configurations à deux ou quatre GPU sont proportionnelles. Ce montant est un coût de mise à disposition, indépendant du travail effectivement réalisé par la machine.
Pourquoi les GPU sont-ils si peu utilisés en entreprise ?
Parce que la capacité est dimensionnée sur le pic imaginé et non sur la charge observée, et parce que rien n’oblige à mesurer ensuite. Le rapport CAST AI 2026 relève 5 % d’utilisation moyenne des GPU, 8 % pour les processeurs et 20 % pour la mémoire, sur des mesures prises avant toute optimisation. La correction ne passe pas par un changement de fournisseur mais par la mesure, le redimensionnement et la mise en veille des ressources inactives.
