Comment les GPU pourraient dévorer l’état SaaS
Les serveurs et les centres de données croissent plus rapidement que le logiciel : pourquoi les budgets IT se tournent vers les GPUs et quels leviers…
Les budgets serveurs et centres de données devraient croître de plus de 30 % d’ici 2026 selon les prévisions du secteur, tandis que les logiciels progresseront plus lentement. Dans un même budget informatique, cela signifie souvent : les heures GPU et les capacités de cluster augmentent, tandis que les postes SaaS et les licences sont réduits.
Les points clés en bref
- Deux vitesses dans le budget. L’infrastructure IA et les centres de données tirent la croissance, tandis que les logiciels continuent de progresser, mais nettement moins vite que la couche matérielle.
- Un rééquilibrage, pas une croissance globale pour tous. Ceux qui puisent dans le même budget ressentent le compromis : l’inférence et l’entraînement remplacent souvent les licences, les outils et les budgets de conseil.
- FinOps a besoin d’un troisième axe.Le tagging cloud classique ne suffit plus. Les équipes doivent gérer le placement des workloads, les règles Réservé vs.
Lié :Le chargement des modèles engloutit l’heure TPU coûteuse / Le cloud souverain échoue sur la connectivité, pas sur le code
Ce que les chiffres révèlent vraiment
Gartner anticipe pour 2026 une forte croissance des dépenses informatiques mondiales, portée avant tout par l’infrastructure IA et les systèmes de centres de données. Dans une récente prévision, les systèmes de data centers devraient croître de plus de 50 %, et les serveurs de plus de 30 %. Les logiciels progressent également, mais dans une fourchette basse à moyenne à deux chiffres, et certaines prévisions ont même été légèrement revues à la baisse. Le message n’est pas « les logiciels disparaissent ».l’euro supplémentaire du budget informatique se dirige d’abord vers la puissance de calcul.
Parallèlement, les dépenses pures en IA atteignent des niveaux qui dépassent les budgets logiciels traditionnels, avec une large part consacrée aux serveurs optimisés pour l’IA et à l’infrastructure. Ceux qui n’y voient qu’une histoire de hyperscalers passent à côté de l’effet PME : de nombreuses organisations en DACH n’augmentent pas leur budget informatique global au même rythme. Elles réallouent.
Sur X et dans la communication de marché, cela se résume en une loi sectorielle : un géant tech annonce un avertissement sur ses revenus, le marché en déduit un transfert des logiciels vers le matériel IA. Indépendamment des chiffres trimestriels, le mécanisme est tangible pour les praticiens.
Pourquoi les coûts des GPU défient la logique SaaS
Les FinOps cloud classiques sont optimisés pour des charges de travail élastiques et éphémères : des instances que l’on éteint, du stockage que l’on hiérarchise, des licences comptées par poste. Une charge GPU permanente brise ces hypothèses.
Trois différences structurelles :
- Granularité. Une licence SaaS est prévisible par mois. Une heure de GPU varie selon la file d’attente, le marché spot, la région et la taille du modèle.
- Pression CapEx. Qui sécurise sa capacité (Reserved, Committed Use, racks dédiés) engage son budget avant même d’en tirer profit. Qui reste flexible paie une prime et risque des écarts d’utilisation.
- Responsabilité. Le SaaS est souvent acheté par les métiers. La capacité GPU atterrit dans la plateforme, le Cloud Center of Excellence ou la Data Science – et frotte contre le budget logiciel classique de la DSI métiers.
C’est pourquoi ce rééquilibrage semble souvent injuste en entreprise : l’équipe IA scale, la business unit perd un outil. Les FinOps doivent rendre cette ligne de conflit visible, plutôt que de la masquer dans une ligne globale de facturation cloud.
Ce qui cède généralement dans le budget
Sans dramatiser, voici des schémas observés sur le terrain :
- Suites de productivité en double et postes inutilisés après des fusions-acquisitions ou une prolifération d’outils
- Outils d’observabilité et de développement avec des chevauchements (trois licences APM, deux systèmes CI)
- Conseil et implémentation au profit d’un « nous construisons en interne avec des agents »
- Modules de fonctionnalités dans les ERP/CRM jamais adoptés
- Cloud non-prod surprovisionné, qui se retrouve soudain en concurrence avec le pool GPU pour le même engagement hyperscaler
Il ne s’agit pas de recommander de sacrifier systématiquement les logiciels. C’est l’observation que les DAF et DSI ne dépensent le même euro qu’une seule fois.
- Des classes de workload claires (entraînement, inférence par lots, inférence en ligne, expérimentations)
- Des stratégies d’engagement par classe plutôt qu’un forfait GPU unique
- Un rightsizing des licences en parallèle de la planification des capacités
- GPU inactives sans propriétaire et sans arrêt automatique
- « Cloud first » pour les charges permanentes sans modèle de coût
- Réductions SaaS sans données d’utilisation (juste un pressentiment)
Checklist FinOps pour la phase de réallocation budgétaire
Approche pragmatique, réalisable lors d’une réunion de planification :
- Une monnaie commune. Traduire les heures-GPU, les tokens et les licences SaaS en euros par mois et par équipe. Sans unité commune, le débat reste politique.
- Placement des charges de travail. Quels éléments doivent tourner en on-demand dans le cloud public, quels éléments justifient des réservations/engagements, et quels éléments relèvent de la colocation ou de racks dédiés dès que l’utilisation est stable ?
- Interrupteur d’urgence pour les ressources inactives. Arrêter les instances de notebooks et les clusters expérimentaux inutilisés après X heures. C’est le levier le plus rapide avant toute résiliation de licence.
- Audit des licences avec données. Vérifier l’utilisation sur 90 jours avant résiliation. Sinon, vous économisez sur les licences pour les racheter plus cher au trimestre suivant.
- Séparer l’engagement du flexible. Sécuriser la charge de base, gérer les pics avec flexibilité. Un pool GPU 100 % on-demand relève rarement du FinOps, souvent de la commodité.
- Intégrer l’électricité et le site. Une capacité sans réseau ni autorisation est un budget mort – voir les risques liés aux projets de centres de données.
- Documenter la sortie. En cas de changement de modèle ou de réduction du cluster : quelles licences et engagements se poursuivent, et qui les paie ?
// Définition
Qu’est-ce que la réallocation budgétaire dans le contexte de l’IA ? Le déplacement des dépenses informatiques au sein d’un budget limité, passant des postes classiques de logiciels et services vers la puissance de calcul dédiée à l’entraînement et à l’inférence (GPU, serveurs IA, instances cloud spécialisées, colocation). Il s’agit d’un problème d’allocation, non d’une preuve que les logiciels deviennent obsolètes.
Ce que les équipes plateforme doivent changer dès maintenant
La réponse opérationnelle ne se résume pas à « plus de tableaux de bord ». Il s’agit d’une gouvernance qui a des dents :
Showback avant chargeback. D’abord la visibilité par équipe et par classe de charge de travail, puis la refacturation. Le chargeback sans showback ne génère que des comptes fantômes.
Des quotas plutôt que des espoirs. Chaque équipe expérimentale reçoit un contingent d’heures-GPU par sprint. Le dépassement nécessite une autorisation, pas un e-mail après coup à l’équipe FinOps.
Logiciels et calcul dans un même examen.Une réunion trimestrielle commune : responsables des licences et responsables des clusters. Qui ne révise que les SaaS ne voit que la moitié de la vérité.
Le marché peut continuer à parler de prévisions records à l’échelle mondiale. Dans la salle des machines, l’important est de planifier la réallocation ou de la subir.
Foire aux questions
Qu’est-ce que la réallocation budgétaire dans le contexte de l’IA ?
Le déplacement des ressources informatiques, passant des licences logicielles et des services classiques vers les infrastructures GPU et IA, au sein d’un budget identique ou en légère croissance. Cette tendance s’explique par la croissance plus forte du poste infrastructure par rapport à de nombreuses lignes logicielles.
Cela signifie-t-il que le SaaS devient obsolète ?
Non. Le SaaS continue de croître, mais souvent moins vite que le matériel dédié à l’IA et aux centres de données.
Pourquoi les tags FinOps classiques du cloud ne suffisent-ils pas ?
Parce que les workloads GPU présentent des profils de coûts différents : durées d’exécution longues, temps d’inactivité coûteux, engagements et décisions de placement. Les tags aident à l’affectation, mais ne remplacent pas les classes de workloads, les quotas et les kill switches.
Cloud, colocation ou GPU propriétaires – quelle est la solution la plus économique ?
Cela dépend du taux d’utilisation, de la durée et des capacités opérationnelles. Les expérimentations ponctuelles et les pics de charge sont souvent plus adaptés au cloud public.
Que doit contenir le prochain audit FinOps ?
Le nombre d’heures GPU et le taux d’inactivité par équipe, les licences SaaS avec une utilisation sur 90 jours, les engagements en cours, les décisions de placement par classe de workload, ainsi qu’une liste explicite des postes de licences devant céder la place à des capacités – avec responsable et date.
Suggestions de lecture de la rédaction
- Le chargement du modèle engloutit l’heure TPU coûteuse
- Le cloud souverain échoue sur la connectivité, pas sur le code
- Quand le centre de données respire au rythme du réseau électrique
Plus d’articles du réseau MBF Media
Plus du réseau MBF Media
MyBusinessFutureQuand un modèle d’IA allemand devient-il vraiment rentable ?Digital ChiefsL’addition après dix ans de solutions en silosSecurityTodayQu’est-ce que le KRITIS ? Opérateurs, obligations et seuilsSource de l’image : générée par IA (juillet 2026)
