Le grand retour des CPU : comprendre la renaissance spectaculaire des processeurs

Après des années à regarder les GPU rafler toute la lumière, les CPU reprennent une place centrale dans les infrastructures d’IA. Ce retour n’a rien de nostalgique : il répond à des besoins très concrets de calcul, d’orchestration et d’exécution que les cartes graphiques ne couvrent pas seules. ⚙️

Allergique aux pavés ? Voilà ce qu’il faut retenir.

Pourquoi la renaissance des CPU bouleverse le calcul IA

Le scénario était presque écrit d’avance : depuis la déferlante ChatGPT, le GPU semblait être l’unique pièce sérieuse du jeu. Les accélérateurs Nvidia ont porté l’entraînement des grands modèles de langage, avec une capacité à traiter énormément d’opérations semblables au même moment. Pour entraîner un réseau neuronal sur des volumes massifs, cette logique parallèle reste redoutablement efficace. C’est aussi ce qui a poussé les délais de livraison des H100 jusqu’à environ onze mois pendant la période de tension de 2023 et 2024.

Mais l’IA ne se limite plus à générer un paragraphe ou une image sur commande. Les entreprises déploient désormais des agents capables d’ouvrir une interface web, de chercher une information dans une base documentaire, d’écrire un script, de le tester, de relancer une étape et de transmettre un résultat à un humain. Cette mécanique est moins spectaculaire qu’une démonstration vidéo de robot conversationnel. Elle est pourtant bien plus proche du boulot réel.

Dans cette chaîne, le CPU retrouve son terrain de prédilection : gérer des tâches hétérogènes, des décisions conditionnelles, des accès mémoire, des services et des entrées-sorties. Un GPU adore répéter une opération mathématique sur des milliers de données. Un processeur généraliste sait basculer proprement entre un navigateur, un moteur de règles, une base SQL, une API métier et une machine virtuelle. Quand un agent doit faire cinq choses différentes dans le bon ordre, c’est cette souplesse qui compte.

Le cas fictif de la PME bordelaise Atelier Nord l’illustre bien. Son équipe avait misé sur une plate-forme IA très orientée GPU pour automatiser la qualification de demandes clients. Résultat : le modèle répondait vite, mais chaque action autour du modèle saturait l’infrastructure. Extraction des pièces jointes, vérification des coordonnées, interrogation du stock, génération du devis, journalisation des décisions : toutes ces briques demandaient surtout de la puissance processeur classique. Le problème n’était pas le modèle. Le problème, c’était l’architecture pensée comme une vitrine, pas comme une chaîne de production.

Une fois le ratio de machines revu, les GPU ont été réservés aux phases de génération et de classement lourd. Les CPU ont pris en charge la coordination, les conteneurs, les bases de données et l’exécution des outils. Les coûts ont cessé de dériver, les files d’attente ont diminué et les équipes ont enfin pu mesurer ce qui consommait réellement des ressources. Pas de magie : juste une répartition adaptée aux usages.

• 🧮 GPU : entraînement, inférence massive, calcul parallèle et traitements matriciels.
• 🔀 CPU : orchestration, routage, automatisation, API, navigation web et règles métier.
• 🧠 Mémoire : conservation des contextes, accès aux données et stabilité des charges.
• 📡 Réseau : circulation des résultats entre modèles, outils et environnements cloud.

Le retour des processeurs ne signifie donc pas que le GPU est devenu inutile. Penser ça serait aussi malin que de remplacer tous les tournevis d’un atelier par des marteaux. L’innovation vient du mélange : un accélérateur pour le calcul massif, un CPU pour décider quoi faire ensuite, de la mémoire pour garder le contexte et une couche logicielle pour ne pas transformer le tout en usine à bugs.

Le ratio CPU/GPU dans les serveurs accélérés est déjà passé d’environ un CPU pour quatre GPU à un pour deux. La tendance va vers l’équilibre dans de nombreux environnements agentiques. Derrière ce chiffre, il y a une vérité simple : plus une IA agit dans des systèmes réels, plus elle a besoin d’un chef d’orchestre solide. La renaissance des CPU commence précisément là où l’IA cesse d’être une démo pour devenir une opération métier.

Délais, stocks et prix des processeurs : le marché CPU sous pression

Le réveil du marché ne se constate pas uniquement dans les présentations d’investisseurs. Il se voit dans les bons de commande. Les délais pour certains processeurs Intel et AMD, auparavant livrables en une ou deux semaines, s’étendent désormais fréquemment entre huit et douze semaines. Certaines références Intel peuvent exiger jusqu’à six mois. Les stocks de CPU serveur du groupe américain sont annoncés sous forte contrainte au moins jusqu’à la fin de l’année.

Ce décalage rappelle une règle que beaucoup de directions techniques oublient dès que les prix se calment : une usine de semi-conducteurs ne se redimensionne pas à la vitesse d’un tableur. Ajouter de la capacité implique des équipements lourds, des chaînes de qualification, des wafers, des tests, de l’assemblage et une logistique internationale. Pendant que l’industrie poussait ses moyens de production vers les accélérateurs IA, le marché des CPU semblait mature et relativement stable. Il n’avait pas prévu cette reprise aussi brutale.

AWS a lui-même demandé à ses ingénieurs de limiter l’usage des cycles CPU. Quand un géant du cloud, réputé pour son pouvoir d’achat et ses capacités d’optimisation, commence à chasser les cycles inutiles, le signal mérite d’être lu correctement. Il ne dit pas que le cloud manque de machines partout. Il dit que chaque cœur disponible a repris de la valeur sur les charges les plus demandées.

Les tarifs suivent forcément. Les hausses observées tournent souvent entre 10 et 15 % pour les offres serveur. Certains contrats destinés à des clients chinois ont enregistré des bonds dépassant 40 %. Une entreprise qui budgète son infrastructure IA avec les prix de l’an dernier risque donc une belle collision avec la réalité. Le piège classique consiste à ne compter que les GPU visibles sur la facture, alors que l’ensemble CPU, RAM, stockage, réseau et licences d’orchestration peut peser très lourd.

Comment éviter d’acheter de la puissance au mauvais moment

Pour un éditeur de logiciel ou un e-commerçant, la première action utile consiste à cartographier les charges. Pas besoin d’un audit de cinquante slides : il faut savoir quels services prennent du CPU, lesquels consomment du GPU et lesquels attendent surtout la base de données. Cette photographie évite de commander du matériel hors de prix pour corriger un problème de code, de cache ou de requêtes SQL mal fichues.

Atelier Nord, repris comme fil conducteur, avait commencé par demander davantage de serveurs parce que son assistant commercial ralentissait à certaines heures. L’analyse a révélé que 38 % du temps était gaspillé dans des appels redondants vers un service de recherche documentaire. En introduisant un cache et une file de tâches, la charge CPU a baissé sans nouveau matériel. Voilà ce qui marche : mesurer avant d’acheter. Tout le reste ressemble à un panier d’achat lancé sous stress.

1. 🔍 Relever l’utilisation des cœurs, la latence mémoire et les files d’attente sur une période représentative.
2. 📊 Séparer les calculs d’IA, les requêtes de données, les tâches web et les traitements batch.
3. 🧰 Optimiser les processus inutiles avant de négocier une nouvelle capacité cloud ou serveur.
4. 📅 Commander les composants critiques avec une marge de calendrier réaliste, pas la veille d’un lancement.
5. 🤝 Prévoir plusieurs fournisseurs lorsque l’activité dépend d’une référence de processeur précise.

Cette tension est aussi une bonne nouvelle pour les organisations disciplinées. Les équipes qui connaissent leur consommation peuvent négocier, déplacer certains traitements et réserver leur puissance aux processus qui créent du chiffre. Les autres paieront plus cher des serveurs gonflés à l’aveugle. Sur un marché tendu, l’observabilité n’est pas un gadget technique : c’est un levier de marge.

Intel, Nvidia et Arm : quels acteurs profitent du retour en force des processeurs

La remontée des CPU redistribue les cartes sans les mélanger au hasard. Intel, longtemps présenté comme un acteur à la traîne face à Nvidia sur l’IA, profite directement de la demande pour son métier historique. Au deuxième trimestre, le groupe a publié un chiffre d’affaires de 16,1 milliards de dollars, soit une progression annuelle de 25 %. Les analystes attendaient environ 14,4 milliards : l’écart a envoyé un message clair au marché.

Le segment Data Center and AI d’Intel a atteint 6,3 milliards de dollars, avec une hausse de 59 % sur un an. Ce chiffre ne transforme pas instantanément l’entreprise en champion incontestable de l’intelligence artificielle. Il montre plutôt que les clients ne construisent plus leurs infrastructures autour d’une seule famille de puces. Le CPU a repris du poids dans les cahiers des charges, et Intel possède encore une expertise industrielle, logicielle et commerciale massive sur ce terrain.

Le discours de Lip-Bu Tan, dirigeant d’Intel, va dans ce sens : le CPU serait redevenu une fondation de l’ère IA. Ce n’est pas juste une formule destinée à rassurer les marchés. Les clients veulent des systèmes capables de gérer des agents, des bases, des systèmes de sécurité, des services internes et des applications héritées. La performance d’un datacenter ne se résume jamais au benchmark le plus flatteur sur une slide.

Nvidia reste évidemment dans la partie. Le fabricant n’a pas bâti sa domination en dormant au volant. Avec Vera, son CPU basé sur l’architecture Arm et intégré à la plate-forme Vera Rubin, l’entreprise prépare des systèmes où accélérateurs et processeurs travaillent ensemble dès la conception. C’est une réponse logique au virage agentique : vendre des GPU seuls ne suffit plus lorsque les clients demandent une plate-forme complète, capable d’exécuter puis de piloter l’action.

Arm avance aussi ses pions. L’architecture britannique, détenue par SoftBank, sert de base aux CPU de Nvidia et à de nombreux projets de serveurs. Au premier trimestre, les serveurs Arm ont représenté plus de 45 % du chiffre d’affaires du marché des CPU de datacenter. Attention à bien comprendre la nuance : il ne s’agit pas seulement d’une bataille de marques. Arm commercialise une architecture, c’est-à-dire un socle sur lequel d’autres entreprises peuvent concevoir leurs propres puces. Cette approche attire les acteurs qui veulent optimiser la consommation énergétique ou maîtriser plus finement leur matériel.

Meta compte parmi les premiers clients du processeur serveur propre à Arm, arrivé sur le marché au printemps. Cette adoption est stratégique : les très grands opérateurs ne cherchent plus uniquement la puce la plus rapide. Ils cherchent le meilleur rapport entre puissance, coût énergétique, disponibilité logicielle et capacité à déployer à grande échelle. Le processeur gagnant est celui qui tient dans l’ensemble du système, pas celui qui gagne une course isolée.

Pour les responsables techniques, la leçon est nette. Acheter une marque par réflexe n’a plus de sens. Il faut évaluer la compatibilité des applications, les outils de compilation, les bibliothèques IA, la capacité mémoire, le coût d’exploitation et la feuille de route du fournisseur. Un CPU très dense en cœurs peut être excellent pour des conteneurs ; il sera moins pertinent pour une application ancienne verrouillée sur une pile logicielle précise.

Ceux qui veulent observer les frontières mouvantes entre logiciel, vivant et automatisation peuvent aussi lire cette analyse sur les xenobots et leurs usages hybrides. Le parallèle est utile : dans les technologies émergentes, l’objet le plus impressionnant n’est pas toujours celui qui crée la valeur. C’est souvent l’écosystème capable de l’exploiter proprement.

Le grand retour des CPU ne couronne pas un vainqueur unique : il oblige Intel, Nvidia, Arm et AMD à vendre des architectures complètes plutôt que des promesses en silicium.

IA agentique et performance : bâtir une architecture CPU-GPU qui tient la route

L’IA agentique n’est pas un simple chatbot avec une cravate. Un agent reçoit un objectif, découpe le travail, choisit des outils, exécute des actions et contrôle le résultat. Pour réserver une intervention technique, par exemple, il peut lire un e-mail, identifier un équipement, vérifier un contrat, consulter un planning, préparer une proposition et enregistrer l’opération dans un CRM. À chaque étape, il doit communiquer avec un système différent.

C’est exactement là que la distinction entre CPU et GPU devient opérationnelle. La génération de texte ou l’analyse d’images peut s’appuyer sur un GPU. Mais l’ouverture d’un navigateur, l’exécution d’un script, la vérification d’un droit d’accès, la création d’un document PDF et la reprise après erreur mobilisent surtout les processeurs généralistes. Ce sont des tâches irrégulières, souvent dépendantes d’événements externes et de la mémoire disponible.

Le bon réflexe consiste à dessiner le flux complet avant de choisir une machine. Une entreprise qui veut automatiser son support ne doit pas se demander « combien de GPU faut-il ? ». Elle doit demander : quels documents seront lus, quelles données sont sensibles, combien de requêtes seront simultanées, quelle validation humaine reste obligatoire et quelles actions peuvent casser quelque chose ? Cette série de questions semble moins glamour qu’un benchmark. Elle évite pourtant les infrastructures qui brillent en démonstration et s’écroulent en production.

Le cas pratique d’un agent de support client

Chez Atelier Nord, un agent reçoit cent demandes quotidiennes pendant les pics de saison. Le modèle de langage classe les intentions et rédige une réponse initiale. Un CPU coordonne ensuite les accès au catalogue, à l’historique client et au transporteur. Si une commande paraît inhabituelle, l’automate arrête la procédure et transmet un dossier à un opérateur. Ce garde-fou est essentiel : l’autonomie utile n’est pas celle qui agit sans limite, c’est celle qui sait quand elle doit s’arrêter.

La pile technique peut être pensée en quatre couches. D’abord, le modèle : GPU ou service externe selon le volume. Ensuite, le moteur d’orchestration : CPU, files de messages et conteneurs. Puis les données : mémoire, bases documentaires, index de recherche et stockage. Enfin, la sécurité : journalisation, autorisations, chiffrement et validation des actions coûteuses. Retirer l’une de ces couches revient à monter une voiture avec un très gros moteur et sans freins.

La consommation mémoire reprend aussi de l’importance. Les agents conservent des contextes, manipulent des documents et maintiennent plusieurs processus ouverts. Ajouter des cœurs sans mémoire adaptée produit un serveur qui attend ses données au lieu de travailler. La performance ne dépend jamais d’une seule fiche technique. Elle dépend de l’équilibre entre cœur, cache, RAM, réseau et logiciel.

Pour les équipes marketing et SEO, cette évolution ouvre un champ concret. Des agents peuvent analyser des contenus, détecter les pages cannibalisées, vérifier la disponibilité de produits ou générer des briefs structurés. Mais brancher un agent sur la production sans règles revient à laisser un stagiaire surexcité modifier les balises de cinq mille pages. Il faut limiter les permissions, enregistrer chaque action et tester sur un environnement isolé.

L’exemple des créatures hybrides étudiées par les chercheurs rappelle une évidence : une technologie devient intéressante quand elle interagit avec son environnement de façon contrôlée. Pour les agents numériques, l’environnement, ce sont vos données, vos outils et vos clients. Les CPU sont les rouages qui rendent cette interaction fiable.

Une IA agentique rentable n’est pas celle qui calcule le plus vite : c’est celle qui exécute le bon enchaînement, au bon coût, avec le bon niveau de contrôle.

Europe, souveraineté et innovation CPU : une occasion à ne pas saboter

Le retour des processeurs arrive à un moment intéressant pour l’Europe. Le continent a pris du retard dans la chaîne des GPU de pointe, avec une fonderie largement dominée par TSMC et des acteurs américains puissants sur les architectures et les logiciels de conception. Sur les CPU, le tableau est moins fermé. L’Europe possède des usines sur des nœuds matures, des compétences de recherche solides et des entreprises capables de jouer un rôle ciblé dans les serveurs, l’embarqué, la sécurité et le supercalcul.

Dresde concentre notamment plusieurs actifs industriels, avec ESMC et la Smart Power Fab d’Infineon. La Belgique dispose d’Imec, institut de recherche reconnu dans le domaine des semi-conducteurs. En France et à l’échelle européenne, SiPearl représente une initiative concrète : issue du programme European Processor Initiative, l’entreprise développe Rhea1, un processeur serveur destiné notamment au supercalculateur Jupiter installé en Allemagne.

Ce n’est pas le moment de raconter que l’Europe va « rattraper son retard » par la force d’un slogan. Les puces demandent des années de recherche, des capitaux considérables, des chaînes fournisseurs et une clientèle qui accepte de déployer les solutions. La Cour des comptes européenne estime que l’Union pourrait atteindre seulement 11,7 % de la production mondiale de semi-conducteurs en 2030. L’objectif de 20 % affiché par le Chips Act nécessiterait environ 251 milliards d’euros d’investissement, une somme très supérieure aux financements actuellement mobilisés.

Le futur Cloud and AI Development Act, souvent désigné par l’acronyme CADA, peut néanmoins devenir un levier sérieux. En prévoyant plusieurs niveaux de souveraineté pour les achats publics sensibles, il pourrait réserver une part de la demande à des fournisseurs européens ou considérés comme fiables. Ce mécanisme ne remplace pas l’innovation industrielle. Il crée un débouché. Et sans débouché, même le meilleur processeur reste une belle pièce de silicium dans un tiroir.

Ce que les entreprises européennes peuvent faire maintenant

Les entreprises ne doivent pas attendre une grande annonce politique pour agir. Elles peuvent identifier les applications qui exigent réellement un hébergement local, vérifier les dépendances à des architectures étrangères et prévoir des scénarios de migration. L’objectif n’est pas de bannir les fournisseurs internationaux : ce serait irréaliste et coûteux. L’objectif est d’éviter qu’un seul incident logistique, commercial ou réglementaire bloque toute la capacité de calcul.

• 🇪🇺 Cartographier les composants critiques des services numériques et leur pays de dépendance.
• 🔐 Tester les solutions européennes sur des charges concrètes plutôt que sur des discours institutionnels.
• ⚡ Mesurer l’efficacité énergétique par tâche exécutée, pas seulement la fréquence annoncée.
• 🏗️ Intégrer les contraintes de souveraineté dès l’architecture, avant la signature des contrats cloud.
• 📚 Former les équipes aux architectures Arm, x86 et aux environnements ouverts pour éviter l’enfermement.

Une PME peut commencer petit : un environnement de test, une charge analytique non critique, un serveur de développement ou un traitement batch. Cette approche produit des données réelles sur les performances, les coûts et la compatibilité. Elle vaut mieux qu’un grand discours sur l’indépendance numérique récité entre deux appels d’offres.

La renaissance des CPU offre donc une fenêtre stratégique. Elle ne garantit rien, mais elle remet sur la table une technologie où l’Europe a des cartes industrielles, scientifiques et réglementaires à jouer. La puissance ne viendra pas d’une promesse : elle viendra d’investissements patients, de commandes réelles et d’architectures conçues pour durer.

Pourquoi les CPU redeviennent-ils essentiels pour l’intelligence artificielle ?

Les GPU restent très efficaces pour les calculs massivement parallèles, notamment l’entraînement des modèles. Les CPU reprennent de l’importance car les agents IA doivent orchestrer des outils, exécuter du code, accéder à des bases de données, gérer des API et prendre des décisions conditionnelles.

Faut-il remplacer les GPU par des processeurs CPU ?

Non. Une infrastructure IA efficace combine les deux : GPU pour les traitements matriciels lourds et CPU pour l’orchestration, les services, les accès aux données et les tâches variées. Le bon choix dépend du flux applicatif réel.

Pourquoi les délais de livraison des processeurs augmentent-ils ?

La demande des datacenters progresse plus vite que les capacités de production. Les fabricants avaient consacré une part importante de leurs ressources aux accélérateurs IA, tandis que les chaînes de fabrication de CPU n’étaient pas dimensionnées pour une reprise aussi rapide.

Quel est le principal risque lors d’un projet d’IA agentique ?

Le risque majeur consiste à acheter de la puissance de calcul sans avoir mesuré les charges ni sécurisé les actions de l’agent. Il faut surveiller les accès aux données, les coûts CPU et GPU, la mémoire, les files d’attente et les validations humaines.