Les néoclouds rebattent les cartes du calcul IA

Le chiffre d’affaires des neoclouds a dépassé 25 milliards de dollars en 2025, selon Synergy Research Group, et Gartner prévoit que les neoclouds pourraient capter 20 % du marché du cloud IA, estimé à 267 milliards de dollars, d’ici 2030. Cela confère aux neoclouds une importance économique réelle. Pour les dirigeants d’entreprise, la question distincte est de savoir quelle part de la relation cloud au sens large évoluera avec la capacité de calcul IA.

Pour les DSI et les CTO, cette distinction compte, car la capacité de calcul IA n’est qu’un élément de l’architecture cloud de l’entreprise. Les données, les applications, l’identité, la sécurité, la gouvernance, les achats, les services managés et les processus opérationnels peuvent rester chez un hyperscaler lorsque les charges de travail GPU s’exécutent ailleurs. Un neocloud peut remporter des contrats d’infrastructure IA tout en laissant à un hyperscaler d’autres volets de la relation avec l’entreprise.

La croissance des neoclouds reflète une demande spécialisée en IA

Plus de 100 neoclouds sont aujourd’hui en activité, bien que McKinsey & Company indique que seuls 10 à 15 d’entre eux opèrent à une « échelle significative » aux États-Unis. Parmi les fournisseurs figurent CoreWeave, Lambda, Nebius, RunPod et Vultr.

Nii Osae, PDG et fondateur de Mindbeam AI, une société de services IA ayant un intérêt commercial dans l’adoption d’infrastructures IA, décrit les neoclouds comme des « composants clés de l’écosystème d’infrastructure IA », fournissant des GPU intégrés verticalement aux côtés de solutions de stockage et de réseau à haute bande passante pour l’entraînement et l’inférence.

Kevin Cochrane, directeur marketing chez Vultr, soutient que les neoclouds peuvent étendre la capacité de calcul cloud-native avec une infrastructure spécialisée et des services IA pour des applications agentiques. Vultr est lui-même un fournisseur de neocloud et bénéficie commercialement de la demande pour ce modèle.

Ces affirmations définissent un périmètre concurrentiel plus étroit que celui de l’ensemble du compte cloud d’entreprise. Un fournisseur spécialisé peut fournir la capacité de calcul IA tandis que d’autres infrastructures et contrôles restent ailleurs.

Les neoclouds sont conçus pour des charges de travail IA denses

Rohan Gupta, vice-président du cloud, de la sécurité et du devops chez R Systems, une entreprise d’ingénierie de produits numériques et de services technologiques exposée commercialement aux projets cloud et d’infrastructure, décrit ainsi la différence architecturale : « Les hyperscalers ont été conçus pour l’internet de 2010 : des millions de petites machines virtuelles (VM) mutualisées sur un Ethernet sursouscrit. Les neoclouds ont été conçus pour une charge de travail qui n’existait pas à l’époque : un seul locataire, des milliers de GPU, tous en communication simultanée. »

Hardeep Singh, analyste principal senior chez Gartner, explique que les neoclouds combinent une infrastructure native NVIDIA avec un réseau InfiniBand, un accès bare metal, des contrats flexibles et des coûts plus faibles. Lauri Kien Kotcher, PDG et cofondateur de Different Day, une société de développement d’applications IA exposée commercialement aux choix d’infrastructure IA, affirme que les neoclouds peuvent fonctionner à environ un tiers du coût d’un hyperscaler pour une même capacité GPU et provisionner cette capacité en quelques jours plutôt qu’en plusieurs mois, comme peuvent l’annoncer les hyperscalers pour une infrastructure IA à haute densité. ComputerWeekly estime les économies potentielles sur les instances GPU de neocloud à 60 % à 70 % par rapport aux instances GPU traditionnelles des hyperscalers.

Michael Byrne, vice-président de l’architecture des solutions de centre de données chez Presidio, un fournisseur de services numériques et de solutions d’infrastructure exposé commercialement aux dépenses d’infrastructure, indique que de nombreux neoclouds ont développé de solides relations avec NVIDIA et bénéficient d’une économie favorable sur le coût brut par heure GPU.

L’architecture autour du GPU compte également. John Q. Martin, responsable des partenariats technologiques et des alliances chez Redgate Software, une entreprise de logiciels devops pour bases de données, explique que l’accès bare metal élimine la surcharge de l’hyperviseur, tandis que les interconnexions à haute bande passante fournissent la communication nécessaire à l’entraînement distribué.

Gupta indique que les neoclouds ont adopté très tôt les architectures de systèmes de fichiers parallèles de VAST, WEKA et DDN, car l’entraînement à grande échelle impose des exigences parallèles au stockage. L’utilisation des accélérateurs dépend donc en partie de la rapidité avec laquelle le stockage peut alimenter les GPU en données.

David Johnson, directeur du product marketing chez Backblaze, un fournisseur de stockage cloud qui vend des infrastructures utilisées avec des charges de travail IA, emploie le terme « goodput » pour désigner la part de la capacité d’infrastructure IA qui produit un entraînement ou une inférence utile après prise en compte des pannes, redémarrages et blocages d’E/S. Backblaze a récemment annoncé un contrat de 335 millions de dollars sur cinq ans avec CoreWeave, donnant à l’entreprise une relation commerciale directe avec un grand neocloud.

Haseeb Budhani, PDG et cofondateur de Rafay Systems, fournisseur d’une plateforme de gestion d’infrastructure cloud et IA pouvant bénéficier de la demande de gestion d’infrastructures IA, souligne des exigences qui vont au-delà des accélérateurs. Il explique que les entreprises ont aussi besoin d’un stockage haute vitesse, d’un réseau à faible latence, d’un accès sécurisé, de gouvernance et d’un suivi de l’usage entre équipes. Il s’attend à ce que ces exigences comptent particulièrement pour l’inférence, où, selon lui, se concentrera l’essentiel des dépenses IA des entreprises.

Le positionnement en entreprise dépend du système environnant

Redgate montre comment ces exigences plus larges peuvent modifier une décision de placement. « Nous avons choisi un hyperscaler pour notre back-end IA », explique Martin. Au stade actuel de Redgate, Martin indique que les services managés, les intégrations à l’écosystème et la montée en charge progressive ont davantage pesé qu’un engagement envers une infrastructure GPU dédiée.

L’étude 2026 State of the Database Landscape de Redgate a révélé que 43 % des répondants exploitent des environnements de bases de données hybrides. Martin identifie les coûts de sortie de données, une gestion fragmentée de la sécurité et de l’identité, ainsi qu’une surcharge opérationnelle répartie comme conséquences potentielles lorsque la capacité de calcul IA s’exécute sur un neocloud alors que les données restent ailleurs. Il ajoute aussi que l’accès bare metal aux GPU peut offrir moins de contrôles intégrés en matière d’autoscaling, d’observabilité et d’accords de niveau de service d’entreprise que ceux fournis par les hyperscalers.

Kotcher décrit une décision connexe chez Different Day. Il explique que rester avec un grand compte cloud permet de préserver les certifications de sécurité, les contrôles d’identité, les journaux d’audit et les contrats d’achat déjà associés à cet environnement. Different Day est donc resté chez les hyperscalers malgré l’évaluation de Kotcher selon laquelle l’économie des GPU de neocloud peut être nettement meilleure.

Budhani qualifie l’enjeu plus large de « maturité d’entreprise ». Il explique que les hyperscalers ont passé des années à construire des contrôles de gouvernance, de sécurité, d’identité, d’audit, de facturation et d’exploitation que les entreprises ont intégrés à leur architecture et à leurs processus.

Scott Sanders, vice-président corporate de l’ingénierie chez Sonar, une entreprise spécialisée dans la qualité et la sécurité du code, affirme que les hyperscalers conservent un avantage en matière d’étendue et d’intégration lorsque les charges de travail IA s’inscrivent dans un environnement d’entreprise plus vaste.

Nigel Gibbons, directeur et conseiller senior chez NCC Group, un cabinet de conseil en cybersécurité exposé commercialement aux travaux de sécurité et de résilience des entreprises, identifie la surcharge opérationnelle, la dépendance à des fournisseurs de niche et les difficultés de portabilité comme autres sujets de préoccupation. Pour les systèmes réglementés ou critiques, il estime que les acheteurs doivent prendre en compte la profondeur du support, la couverture de conformité, la résilience et la viabilité à long terme du fournisseur.

Le rapport The State of AI Infrastructure Report 2025 d’A10 a révélé que 35 % des répondants utilisent principalement une infrastructure de cloud public, tandis que 42 % adoptent une approche hybride équilibrée. Les configurations hybrides permettent aux organisations de placer différentes parties d’un système IA dans différents environnements lorsque leurs exigences techniques et opérationnelles diffèrent.

La demande en neocloud peut passer par les hyperscalers

La relation devient plus complexe lorsque les hyperscalers achètent de la capacité aux neoclouds. Gupta déclare : « Les plus grands clients des neoclouds à l’heure actuelle sont les hyperscalers eux-mêmes. »

CoreWeave fournit un exemple concret de concentration client. Dans son dépôt annuel 2025 auprès de la SEC, CoreWeave a indiqué : « We recognized an aggregate of approximately 77% of our revenue from our top two customers for the year ended December 31, 2024. »

Les revenus des neoclouds peuvent donc atteindre le marché par plus d’une voie. Gupta explique qu’une partie de la capacité va aux hyperscalers eux-mêmes plutôt qu’à des entreprises contractant directement avec le fournisseur spécialisé.

Le cabinet de conseil IT Futuriom décrit de tels accords dans AI, GPU Clouds, and Neoclouds in the Age of Inference comme une réponse aux dépendances impliquant NVIDIA, OpenAI et de grands fournisseurs tels que CoreWeave. Futuriom soutient que l’investissement dans l’infrastructure GPU et son externalisation peuvent réduire les risques pesant sur les bilans des hyperscalers.

La concentration client crée également un enjeu stratégique pour les fournisseurs. Martin explique que la construction d’une stack logicielle native IA exige d’importants capitaux, des talents d’ingénierie et du temps. Certains des plus gros clients, ajoute-t-il, peuvent être des hyperscalers développant des capacités concurrentes. La viabilité à long terme du fournisseur compte donc dans le placement des charges de travail d’entreprise.

La concurrence s’étend au-dessus de la couche GPU

Futuriom estime que les GPU peuvent être amortis en seulement quatre à cinq ans. Les fournisseurs qui possèdent de grandes flottes de GPU doivent donc arbitrer entre l’utilisation du matériel existant et l’investissement dans des générations plus récentes.

Dans Forbes, le fondateur et analyste en chef de Futuriom, Scott Raynovich, soutient que ces entreprises peuvent aller au-delà de la location de GPU pour se développer dans l’infrastructure mondiale, les services applicatifs, la confidentialité des données et la sécurité. Futuriom a un intérêt commercial dans l’analyse et le conseil autour des marchés de l’infrastructure ; il s’agit donc d’une thèse de marché plutôt que d’un résultat établi.

Les hyperscalers investissent eux aussi dans une infrastructure IA spécialisée. Gupta cite AWS Trainium, Google Ironwood et Microsoft Maia comme des technologies susceptibles de donner aux hyperscalers des avantages de coût et d’échelle, en particulier face à des fournisseurs fortement construits autour du matériel NVIDIA.

Le périmètre concurrentiel s’élargit. Raynovich affirme que les fournisseurs de neocloud ajoutent des services autour de la capacité de calcul spécialisée, tandis que Gupta indique que les hyperscalers développent leur propre silicium spécialisé. Les acheteurs en entreprise doivent comparer l’économie et les exigences opérationnelles de la charge de travail complète plutôt que les seuls tarifs de location de GPU.

Planifier le placement des charges de travail en fonction des coûts de séparation

Pour les DSI et les CTO, la frontière d’approvisionnement peut se situer à l’intérieur même d’une charge de travail. Les exécutions d’entraînement ou les services d’inférence à forte densité GPU, à trafic d’interconnexion élevé et avec des interfaces propres vers les systèmes d’entreprise correspondent aux caractéristiques techniques qu’Osae, Gupta, Singh, Martin et d’autres intervenants associent à l’infrastructure neocloud. Les charges de travail étroitement connectées aux bases de données existantes, à l’identité, à la gouvernance, à la conformité, aux services applicatifs et aux processus opérationnels entraînent des exigences d’intégration supplémentaires.

Kotcher décrit le résultat potentiel comme une « victoire délimitée », dans laquelle les neoclouds remportent un marché réel sans s’emparer du marché plus large. Johnson affirme de manière similaire que les principaux neoclouds construisent une couche complémentaire pour les charges de travail IA là où l’économie des hyperscalers devient peu attractive. La relation commerciale de Backblaze avec CoreWeave donne à Johnson un intérêt dans la croissance de ce modèle d’infrastructure.

Gupta s’attend à ce que la frontière se stabilise autour de l’entraînement de pointe et de l’inférence liée à NVIDIA pour les neoclouds, tandis que les hyperscalers conserveraient le plan de données, les charges de travail réglementées, l’inférence sur silicium personnalisé et la relation commerciale avec l’entreprise. Pour un acheteur en entreprise, la question pratique est de savoir quelle capacité de calcul IA peut être séparée assez proprement pour qu’une infrastructure spécialisée apporte un avantage après prise en compte du mouvement des données, de la sécurité, de la gouvernance, de la résilience et des opérations.

Points clés à retenir pour les dirigeants

• La demande spécialisée en IA stimule la croissance des neoclouds : Les neoclouds peuvent remporter la capacité de calcul IA sans évincer les hyperscalers de l’ensemble du parc cloud de l’entreprise. Les DSI devraient traiter la capacité de calcul spécialisée et la relation cloud plus large comme deux décisions d’approvisionnement distinctes.
• Une architecture centrée sur l’IA peut améliorer l’économie du calcul : Les GPU bare metal, les réseaux à haute bande passante et le stockage parallèle peuvent améliorer l’utilisation et réduire les coûts pour les charges de travail d’entraînement et d’inférence denses. Comparez l’économie totale de la charge de travail plutôt que le seul prix à l’heure GPU.
• L’intégration en entreprise peut l’emporter sur les économies liées aux GPU : Les exigences liées au mouvement des données, à l’identité, à la sécurité, à la gouvernance, à l’observabilité et aux achats peuvent faire des hyperscalers une meilleure option pour les charges de travail étroitement intégrées. Intégrez ces coûts de séparation dans les décisions de placement.
• Les hyperscalers peuvent bénéficier de la croissance des neoclouds : Les hyperscalers peuvent s’approvisionner en capacité auprès des neoclouds, ce qui fait des deux modèles à la fois des concurrents et des partenaires. Les entreprises devraient évaluer la concentration des fournisseurs et leur viabilité à long terme en plus des performances et du prix.
• La concurrence dépasse désormais la simple location de GPU : Les neoclouds se développent dans les services tandis que les hyperscalers investissent dans une infrastructure IA spécialisée et dans du silicium personnalisé. Les acheteurs devraient évaluer la plateforme plus large et la feuille de route de chaque fournisseur.
• Les frontières des charges de travail doivent guider le placement : Les neoclouds sont les plus performants lorsque les charges de travail intensives en GPU peuvent être séparées proprement des systèmes d’entreprise. Les DSI devraient mettre en balance les économies de calcul avec le mouvement des données, la sécurité, la gouvernance, la résilience et la complexité opérationnelle.