Anthropic et OpenAI poursuivent des accords pour des centres de données d'IA plus petits, dans la gamme de 20 à 30 mégawatts, ce qui s'ajoute aux engagements multi-gigawatts qu'ils ont déjà pris, ont expliqué des sources à CNBC. Cette initiative intervient alors que la course pour sécuriser l'infrastructure de calcul pour les charges de travail d'IA s'intensifie.
Les deux entreprises ont signé d'énormes accords d'infrastructures au cours de l'année dernière : Anthropic a engagé environ 45 milliards de dollars dans un partenariat en cloud avec Nscale pour environ 460 MW en Virginie-Occidentale, tandis qu'OpenAI a dépassé son engagement initial de 10 GW pour le projet Stargate et a ajouté des cibles supplémentaires de 3 GW en Géorgie et 8 GW en Ohio.
Anthropic a exploré des accords à plus petite échelle au Royaume-Uni et dans les pays nordiques, et OpenAI a recherché des opportunités similaires dans les pays nordiques. Les discussions entre les deux entreprises ont également porté sur des déploiements potentiels aux États-Unis à cette échelle, ont déclaré des sources.
Les transactions plus petites offrent ce que Jabez Tan, responsable de la recherche chez Structure Research, appelle « la rapidité de mise en exploitation de la capacité disponible » : sécuriser quelques mégawatts dans un site alimenté existe peut être plus pratique que d'attendre la mise en œuvre d'un bloc beaucoup plus grand dans un seul endroit. Pour les charges de travail pouvant fonctionner sur des sites distincts, un ensemble de déploiements plus petits peut se cumuler pour atteindre une capacité importante.
Cette tendance reflète un déplacement général de la formation des modèles vers l'inférence, le processus de tous les jours consistant à fournir des modèles d'IA aux utilisateurs. La formation nécessite des clusters de puces massifs travaillant en étroite collaboration, alors que de nombreux workloads d'inférence peuvent traiter des demandes séparées dans différents ensembles de clusters plus petits, ouvrant ainsi davantage de possibilités en matière de localisation.
JLL attend que la proportion de la capacité totale des centres de données utilisée pour l'inférence dépasse celle utilisée pour l'entraînement d'ici 2027. L'inférence représentait 9 % du workload des centres de données mondiaux en 2025, contre 14 % pour l'entraînement. D'ici 2030, l'inférence devrait utiliser 37 % de cette capacité, contre 13 % pour l'entraînement.
Le changement est déjà en train de remodeler le secteur. Nvidia a annoncé en février une collaboration pour étudier des centres de données à plus petite échelle, conçus pour l'inférence distribuée. Crusoe, le néo-plateforme américain qui a construit un grand complexe de centres de données au Texas utilisé par OpenAI, investit dans des installations plus petites qui peuvent être déployées plus rapidement et à moindre coût que les constructions massives, rapporte le Wall Street Journal. Crusoe n'a pas souhaité répondre à la demande de commentaire.
Crusoe a également annoncé une rallongement de financement de 3,9 milliards de dollars jeudi à une valorisation de 30,9 milliards de dollars après prise en compte des fonds reçus, soulignant l'intérêt croissant pour le domaine du néocloud.
OpenAI a déclaré qu'il était en train de construire un portefeuille de capacités de calcul diversifié pour répondre à la demande mondiale en évolution. « Différentes charges de travail nécessitent une infrastructure différente, c'est pourquoi nous avons des conversations avec un large éventail de partenaires et évaluons les opportunités en fonction de nos exigences, de la performance, de la fiabilité, du timing et des coûts », a déclaré un porte-parole à CNBC. « Nous ne commentons pas sur des discussions commerciales spécifiques. » Anthropic s'est refusé à tout commentaire.
Les grands projets de centres de données aux États-Unis et en Europe font face à une résistance croissante de la part des communautés, alors que l'Europe est particulièrement confrontée à une disponibilité limitée en terres et en énergie. Ce secteur est sous pression dans de nombreuses parties du continent.
