Microsoft a les accélérateurs. Il lui manque encore les data centers pour les faire tourner

Copilot est particulièrement exposé à cet arbitrage. Son modèle économique repose sur le traitement d’un très grand nombre de requêtes d’inférence à un coût prévisible. Un accélérateur plus efficace peut améliorer cette équation, mais seulement une fois connecté à un cluster fonctionnel.

Maia 200 réduit potentiellement les coûts, pas la facture d’électricité

Le Maia 200 de Microsoft a été conçu principalement pour l’inférence, c’est-à-dire la phase durant laquelle un modèle entraîné produit des réponses. Microsoft affirme que cette puce offre de meilleures performances en FP4 et en FP8 que des accélérateurs comparables d’AWS et de Google. Il s’agit toutefois de comparaisons communiquées par le fabricant, et non de benchmarks indépendants réalisés de bout en bout.

D’autres articles estiment que son coût d’exploitation serait inférieur de 30 à 40 % à celui des puces Nvidia haut de gamme pour certains workloads de Microsoft et d’OpenAI. Cette estimation reste une indication rapportée, et non une garantie valable pour tous les modèles, logiciels ou niveaux d’utilisation.

La logique stratégique est néanmoins limpide : si Maia tient ses promesses à l’échelle de la production, Microsoft pourrait réduire sa dépendance à Nvidia pour certaines tâches d’inférence et améliorer la structure de coûts de services comme Copilot et Azure OpenAI.

Mais une puce conçue en interne ne supprime pas les contraintes physiques qui l’entourent. Maia a toujours besoin de mémoire à haute bande passante, de packaging avancé, de réseau, de racks, de refroidissement et de mégawatts disponibles.

En clair, Maia peut améliorer l’économie d’un data center en fonctionnement. Elle ne peut pas faire fonctionner un site inachevé ou privé d’électricité.

Maia 300 : un pari de volume, pas encore de la capacité installée

Reuters a rapporté que Microsoft pourrait dévoiler Maia 300 dès cet automne et discuterait avec TSMC de capacités de production pour plus de 300 000 puces, avec des livraisons ciblées en 2027. Le groupe viserait à plus long terme une capacité supérieure à un million d’unités.

Ces volumes doivent être considérés comme des objectifs en discussion, et non comme des livraisons confirmées. Microsoft conteste les chiffres rapportés. Même si des capacités de fabrication étaient réservées, il faudrait encore obtenir la mémoire et les autres composants, intégrer les systèmes et installer les puces dans des infrastructures effectivement alimentées.

Si cette montée en puissance se concrétise, Maia 300 pourrait faire passer le programme de silicium maison de Microsoft d’un projet interne relativement limité à une véritable source alternative de capacité d’inférence. Sa réussite dépendra donc de la synchronisation entre trois étapes : la fabrication, l’intégration des systèmes et la disponibilité des data centers.

AWS et Google bénéficient d’une longueur d’avance opérationnelle

AWS dispose d’un portefeuille d’accélérateurs maison plus mature. Amazon affirme que 1,4 million de puces Trainium, toutes générations confondues, sont déployées. Selon TechCrunch, plus d’un million de Trainium2 seraient utilisés par Anthropic pour faire fonctionner Claude. AWS exploite également Inferentia, une gamme distincte dédiée à l’inférence, ce qui lui donne une expérience sur les charges d’entraînement comme de mise à disposition des modèles.

Le programme TPU de Google possède une histoire industrielle encore plus longue. Son architecture Ironwood est décrite comme capable de s’étendre à des pods de 9 216 puces. D’autres articles évoquent un accès d’Anthropic pouvant atteindre un million de TPU Google, mais il s’agit d’un engagement de capacité et non d’une comparaison définitive avec un parc effectivement installé.

Il n’existe pas de classement public parfaitement comparable du nombre total de puces IA de Microsoft, d’AWS et de Google. Les entreprises ne comptabilisent pas les mêmes générations, les mêmes workloads, les mêmes modèles de propriété ni les mêmes notions de capacité « installée », « déployée » ou « engagée ».

La conclusion la plus prudente est donc la suivante : AWS et Google semblent en avance dans le déploiement opérationnel de leurs puces maison et dans l’expérience à grande échelle, tandis que Microsoft tente de réduire l’écart avec Maia.

Une pénurie qui dépasse largement Microsoft

Microsoft n’est pas le seul acteur confronté à ces limites. Une étude relayée par Ars Technica a indiqué qu’environ 40 % des projets de data centers américains prévus pour 2026 risquaient d’être retardés, en raison de pénuries de main-d’œuvre, d’électricité et de matériaux, ainsi que de difficultés d’obtention des permis.

La mémoire constitue une autre contrainte. Des prévisions du secteur estiment que les data centers pourraient absorber plus de 70 % de la production mondiale de mémoire haut de gamme en 2026. De son côté, le dirigeant de Synopsys Sassine Ghazi a déclaré que la tension sur les semi-conducteurs pourrait se prolonger en 2027.

Cette situation peut renchérir les coûts et allonger les délais pour d’autres secteurs, même que l’impact varie selon le type de mémoire, le fournisseur et les conditions contractuelles. Les entreprises qui disposent déjà de sites alimentés, de réservations anticipées auprès des opérateurs électriques, de chaînes d’approvisionnement matures et de grands clusters opérationnels peuvent continuer à ajouter des workloads pendant que les nouveaux projets attendent des transformateurs, des systèmes de refroidissement, des techniciens qualifiés ou leur raccordement au réseau.

Le verdict stratégique

Les retards de construction ne remettent pas en cause, à eux seuls, la stratégie IA de Microsoft. Ils la rendent en revanche extrêmement dépendante de l’ordre d’exécution. L’entreprise peut acheter des accélérateurs, concevoir les puces Maia et négocier des contrats de fabrication ; aucune de ces étapes ne crée automatiquement une puissance de calcul accessible aux clients.

À court terme, le risque est celui d’une croissance plus lente de la capacité Azure et de coûts d’inférence marginaux plus élevés pour des produits comme Copilot et Azure OpenAI. Sur le plan concurrentiel, AWS et Google pourraient profiter de leurs déploiements de silicium maison déjà plus mûrs pour proposer plus vite de la capacité, améliorer leurs prix et renforcer la familiarité des développeurs avec leurs écosystèmes.

Maia 200 pourrait réduire les coûts une fois déployé à grande échelle. Maia 300 pourrait diversifier l’approvisionnement de Microsoft en 2027 si le plan de production rapporté se concrétise. D’ici là, le défi central de Microsoft est aussi simple à formuler que difficile à résoudre : transformer des puces achetées et des plans ambitieux en capacité informatique alimentée et prête pour la production.