Dans 107 entreprises, les dépenses consacrées à l’infrastructure IA progressent plus vite que la capacité des organisations à en comprendre et à en gérer l’économie. La plupart des entreprises exécutent actuellement l’IA sur des bases familières : plateformes cloud hyperscale et API de fournisseurs de modèles. Pourtant, leurs prochaines priorités de dépenses s’orientent vers des services de calcul spécialisés que presque aucune d’entre elles n’utilise aujourd’hui. Une majorité prévoit de changer de fournisseur d’infrastructure ou d’en ajouter un au cours de l’année à venir, et beaucoup comptent le faire dans le trimestre.

Les décisions d’achat sont moins motivées par le prix affiché des tokens que par l’intégration aux systèmes existants et le coût total de possession. C’est notable, car la plupart des entreprises manquent encore de visibilité claire sur leur économie unitaire. Les GPU fonctionnent souvent à la moitié de leur capacité ou moins, et moins de la moitié des répondants suivent rigoureusement le coût réel de leur calcul IA. Selon cette vague de VentureBeat Pulse Research, il en résulte un écart de calcul qui se creuse : des investissements d’infrastructure rapides et importants avancent plus vite que les systèmes de mesure nécessaires pour les contrôler. Ce schéma rappelle les cycles antérieurs d’adoption du cloud, où les dépenses ont dépassé la gouvernance financière, mais le calcul IA accentue la pression parce que la capacité GPU est beaucoup plus coûteuse que les ressources cloud traditionnelles et que la demande a été limitée par l’offre.

L’étude examine l’infrastructure et le calcul IA en entreprise, notamment le stade où se trouvent les organisations dans leur parcours de déploiement de l’IA, les fournisseurs et plateformes qu’elles utilisent aujourd’hui, leur niveau de satisfaction, ce qui les inciterait à changer de fournisseur, les domaines dans lesquels elles prévoient d’évaluer de nouveaux investissements et leur capacité à mesurer et gérer l’économie de la couche de calcul sous-jacente à leurs systèmes d’IA.

Le constat central est l’écart entre l’agressivité avec laquelle les entreprises investissent dans l’infrastructure IA et le peu de visibilité qu’elles ont sur son économie. Seul environ un répondant sur cinq, soit 21%, indique exécuter l’IA en production à grande échelle. Malgré cela, les plans de dépenses devancent ce niveau de maturité : le domaine le plus souvent cité pour une évaluation au cours de l’année à venir est celui des clouds spécialisés dans l’IA, à 45%, alors même que cette couche n’est utilisée aujourd’hui par presque aucune de ces entreprises. Dans le même temps, la capacité de calcul existante est sous-utilisée : 83% déclarent une utilisation des GPU de 50% ou moins, tandis que seuls 44% peuvent suivre rigoureusement les coûts de calcul IA. Les entreprises acquièrent davantage d’infrastructure plus vite qu’elles ne peuvent rendre compte de ce qu’elles possèdent déjà.

Les relations avec les fournisseurs restent également instables. Une nette majorité, 64%, prévoit de changer de fournisseur d’infrastructure ou d’en ajouter un dans les 12 mois, dont 38% dès le prochain trimestre. Pour une catégorie aussi fondamentale que le calcul, cela représente une intention de rotation inhabituellement élevée. Lorsque les entreprises choisissent des fournisseurs, les principaux critères sont l’intégration avec la pile existante, citée par 41%, et le coût total de possession, cité par 35%. Le coût par million de tokens n’est le facteur décisif que pour 8%. Dans le même temps, la prochaine contrainte technique susceptible d’influencer les choix d’infrastructure — le passage du calcul GPU à la bande passante mémoire à mesure que l’inférence change d’échelle — reste absente de la planification de nombreuses entreprises, environ une sur cinq n’en ayant pas connaissance ou ne l’ayant pas encore prise en compte.

Méthodologie

VentureBeat a mené cette enquête dans le cadre de sa série continue Pulse Research. Cette vague était consacrée à l’infrastructure IA d’entreprise, au calcul et à l’économie de l’inférence. Les réponses ont été filtrées pour ne retenir que les organisations de plus de 100 salariés, soit n=107. La plus petite tranche de taille, les entreprises de 1 à 100 salariés, a été exclue. Les réponses proviennent d’une seule vague du T2 2026 menée en juin.

Comme les résultats reposent sur une seule vague plutôt que sur un échantillon agrégé sur plusieurs mois, le rapport doit être lu de manière transversale et ne permet pas d’inférer des tendances d’un mois sur l’autre. Plusieurs questions autorisaient des réponses multiples, de sorte que certaines parts peuvent totaliser plus de 100%.

Par taille d’organisation, l’échantillon est concentré sur le mid-market. Les entreprises de 101 à 250 salariés représentent 36%, suivies par celles de 251 à 1 000 salariés à 27%, celles de 1 001 à 5 000 salariés à 22%, celles de 5 001 à 10 000 salariés à 8% et celles de 10 001 salariés ou plus à 7%. Par fonction, les répondants comprennent des managers à 38%, des contributeurs individuels à 28%, des VP et directeurs à 19% et des dirigeants de la C-suite à 13%. L’échantillon dispose d’une autorité d’achat crédible : 45% sont des décideurs finaux et 30% supplémentaires sont des prescripteurs ou influenceurs pour les solutions d’IA.

Technology/Software est le secteur le plus représenté, à 26%, suivi de Healthcare/Life Sciences à 15%, Financial Services à 13% et Retail/E-commerce à 12%.

Avec 107 répondants, l’échantillon est suffisamment large pour fournir des indications directionnelles, mais il doit être considéré comme un signal directionnel plutôt que comme une mesure précise. Il est autosélectionné et ne constitue pas un échantillon probabiliste. Il est également orienté vers les organisations mid-market et les adopteurs à un stade plus précoce. Les résultats doivent donc être lus comme le point de vue d’organisations qui construisent activement leur infrastructure IA, et non comme une vision des plus grands opérateurs hyperscale.

Constat 1 : L’ambition devance la maturité de la production

Seule une entreprise sur cinq exécute l’IA en production à grande échelle.

VentureBeat a demandé où se situent les organisations dans leur parcours de déploiement de l’IA. La plupart restent en phase de construction vers la production plutôt que d’exploitation de l’IA à grande échelle.

La courbe de maturité est fortement concentrée sur les premières étapes. Les trois quarts des entreprises, soit 76%, expérimentent ou n’exécutent que certaines charges de travail en production. Seules 21% indiquent que l’IA est en production à grande échelle. Ce contexte est important pour le reste des constats : de nombreuses décisions d’infrastructure reflétées dans l’enquête sont prises par des organisations encore au début de leur déploiement, dont l’empreinte de calcul et les coûts sont susceptibles d’augmenter. Les intentions d’évaluation et de changement évoquées dans les constats 3 et 4 représentent le début de cette montée en charge, et non les préférences stabilisées d’opérateurs qui ont déjà déterminé ce qui fonctionne.

Constat 2 : Les entreprises s’appuient actuellement sur les hyperscalers et les API de modèles

Les clouds GPU spécialisés sont peu présents aujourd’hui.

VentureBeat a demandé quels fournisseurs et plateformes les entreprises utilisent actuellement pour exécuter l’IA. La réponse pointe largement vers l’écosystème cloud et modèles des acteurs en place.

La pile actuelle est centrée sur les hyperscalers et les API. Google Cloud arrive en tête à 48%. Les clouds généralistes — Google, Microsoft, AWS et Oracle — ainsi que les principales API de modèles comme Gemini, OpenAI et Anthropic, représentent pratiquement l’ensemble des déploiements actuels. Les fournisseurs GPU spécialisés de type "neocloud" qui apparaissent fréquemment dans les discussions sur l’infrastructure IA, notamment CoreWeave, Lambda, Crusoe, Nebius et leurs pairs, sont à zéro ou presque parmi ces entreprises aujourd’hui. Ces fournisseurs construisent des centres de données denses en GPU, conçus spécifiquement pour l’entraînement et l’inférence IA, offrant souvent un accès garanti à des accélérateurs très demandés qu’il peut être difficile de réserver sur des clouds généralistes — une proposition qui a attiré des milliards d’investissements en capital dans cette catégorie. Pour autant, l’adoption au sein de cette cohorte d’entreprises ne s’est pas encore matérialisée. Seules 6% exploitent leurs propres clusters GPU sur site, et 4% utilisent une pile open source personnalisée.

Pour l’instant, les entreprises exécutent l’IA chez des fournisseurs auprès desquels elles achètent déjà. Cela rend les intentions d’évaluation du constat 3 plus significatives.

Note sur l’interprétation de ces parts : comme indiqué dans la méthodologie, l’échantillon est autosélectionné et orienté mid-market. La question sur les fournisseurs comptabilisait chaque fournisseur utilisé par un répondant, avec une moyenne de 2,1 sélections chacun. Par conséquent, les chiffres mesurent la présence dans la pile, et non la part de dépenses ou le statut de fournisseur principal. Un échantillon structuré de cette manière produira un mélange de fournisseurs différent d’un recensement pondéré par les dépenses du marché plus large. La forte présence de Google dans cet échantillon, par exemple, est cohérente avec sa position de longue date auprès des petites entreprises construisant sur l’IA. Ces parts doivent être lues comme un instantané de ce qu’utilise aujourd’hui cette cohorte active dans l’IA, et les écarts entre ces chiffres et les estimations de parts de marché à l’échelle du secteur doivent être considérés comme une caractéristique de l’échantillon plutôt que comme une contradiction.

Constat 3 : Les nouvelles dépenses visent une infrastructure que les entreprises utilisent à peine aujourd’hui

Les clouds spécialisés dans l’IA arrivent en tête de la liste des évaluations prévues.

VentureBeat a demandé où les entreprises prévoient d’évaluer l’infrastructure IA au cours des 12 prochains mois. Leurs réponses s’éloignent des piles qu’elles exploitent actuellement.

La tension la plus forte du rapport tient au fait que les clouds spécialisés dans l’IA constituent le domaine d’évaluation prévu le plus cité, à 45%, alors que presque aucune de ces entreprises n’utilise cette catégorie aujourd’hui, comme indiqué dans le constat 2. Près d’un tiers, 32%, prévoient d’évaluer des accélérateurs non-Nvidia, tandis que 28% comptent évaluer la prochaine génération de silicium Nvidia. Les réseaux de calcul décentralisés suscitent l’intérêt de 16% des répondants, et le calcul souverain de 11%.

Comparées à l’utilisation actuelle, ces évaluations prévues ne sont pas simplement incrémentales. Elles marquent le début d’une possible refonte de plateforme. La question sur la direction suivie pointe dans le même sens : toutes les approches d’infrastructure sont en expansion nette, mais les clouds spécialisés dans l’IA affichent la dynamique nette la plus élevée à +24, légèrement devant les hyperscalers à +22. Les entreprises se préparent à déplacer une part significative du calcul IA hors de l’infrastructure cloud généraliste.

Ce schéma prolonge une tendance observée par VentureBeat lors de sa vague d’enquête d’avril-mai. À ce moment-là, l’utilisation des clouds spécialisés dans l’IA était également marginale : CoreWeave était utilisé par 3% des entreprises, Lambda par 4% et Crusoe par 2%. Lorsqu’on a demandé aux entreprises quel changement elles prévoyaient dans leur stratégie d’infrastructure IA au cours des 12 prochains mois, la réponse la plus fréquente était le déplacement des charges de travail vers des clouds spécialisés dans l’IA, à 33%. Lorsque les répondants d’avril-mai ont été interrogés sur l’option de calcul émergente qu’ils étaient les plus susceptibles d’évaluer, les clouds spécialisés dans l’IA ont de nouveau recueilli le plus de réponses. Sur deux vagues et avec des questions formulées différemment, le même schéma apparaît : la catégorie de cloud que les entreprises souhaitent le plus évaluer est celle qu’elles ont à peine commencé à utiliser.

Constat 4 : De nombreuses entreprises s’attendent à changer de fournisseur

Six sur 10 prévoient de changer de fournisseur ou d’en ajouter un dans l’année, et beaucoup s’attendent à agir dans le trimestre.

VentureBeat a demandé si et quand les entreprises prévoyaient de changer de fournisseur d’infrastructure ou d’en ajouter un. Peu de répondants prévoient de rester inchangés.

Pour une catégorie de calcul, l’ampleur du mouvement envisagé est importante. Seuls 36% déclarent ne pas avoir de projet de changement. Cela signifie que 64% prévoient de changer de fournisseur ou d’en ajouter un dans les 12 mois, et que 38% comptent le faire dès le prochain trimestre.

Les fournisseurs qui suscitent le plus de considérations de changement sont à nouveau les acteurs en place. Microsoft Azure et Google Cloud obtiennent chacun 33%, suivis par OpenAI à 30% et Gemini à 22%. Cela suggère qu’une grande partie du mouvement à court terme relève d’un rééquilibrage entre grands fournisseurs et d’une consolidation des dépenses, plutôt que d’un basculement direct vers de nouveaux entrants. L’intérêt pour les neoclouds décrit dans le constat 3 relève principalement d’une thèse d’évaluation à 12 mois ; les changements de fournisseurs attendus au prochain trimestre semblent surtout correspondre à des gains et pertes de parts entre acteurs établis.

Note méthodologique : les répondants ayant sélectionné à la fois "pas de projet de changement" et une fenêtre de changement spécifique ont été comptés comme des entreprises susceptibles de changer, selon la logique qu’indiquer un calendrier constitue la réponse la plus précise. Trois répondants ont été reclassés selon cette règle.

Constat 5 : Le prix des tokens n’est pas le principal facteur d’achat

L’intégration et le coût total de possession pèsent davantage que le prix affiché.

VentureBeat a demandé ce qui compte le plus lorsque les entreprises choisissent un fournisseur d’infrastructure IA. Le prix affiché arrive dernier.

Les entreprises n’achètent pas principalement l’infrastructure IA en fonction de l’indicateur tarifaire que les fournisseurs mettent souvent le plus en avant. L’intégration avec la pile existante arrive en tête à 41%, suivie du coût total de possession à 35%. L’indicateur mis en avant du coût par million de tokens n’est le facteur décisif que pour 8%, le résultat le plus faible parmi les critères cités.

Le schéma est cohérent : les acheteurs optimisent la manière dont un fournisseur s’insère dans leur environnement opérationnel et ce qu’il coûte réellement à exploiter, plutôt que de se concentrer sur les tarifs unitaires annoncés. Le seul prix des tokens masque l’image complète des coûts, qui comprend également le réseau, la sortie de données, le stockage des poids de modèles et des données d’entraînement, les frais liés à la capacité inactive et l’effort d’ingénierie nécessaire pour intégrer et maintenir les pipelines. Cela renvoie également au constat 7. Les entreprises affirment que le coût total de possession est un facteur de décision central, mais la plupart ne peuvent pas encore le mesurer rigoureusement. Leur priorité déclarée et leur capacité mesurée ne sont pas alignées.

Constat 6 : Des GPU coûteux sont souvent sous-utilisés

83% déclarent une utilisation des GPU de 50% ou moins.

VentureBeat a demandé quelle part de la capacité GPU les entreprises utilisent réellement. La réponse met en évidence une inefficacité largement reconnue, mais moins souvent quantifiée.

Divulgation : les pourcentages par tranche comptent chaque sélection par rapport aux 107 répondants qualifiés. Quatorze répondants ont sélectionné plus d’une tranche, les tranches se chevauchent donc. Au niveau des répondants, 83 des 100 entreprises exploitant des GPU ont déclaré une utilisation égale ou inférieure à 50%.

Le calcul déjà déployé fonctionne en deçà de sa capacité. En additionnant les tranches à la moitié de l’utilisation ou en dessous, 83% des entreprises qui exploitent des GPU déclarent une utilisation de 50% ou moins. Près de la moitié, soit 49%, fonctionnent à 25% ou moins. Seules 12% dépassent 50% d’utilisation, tandis que 8% supplémentaires ne mesurent pas du tout l’utilisation.

Les accélérateurs inactifs sont des actifs coûteux. L’accès à la demande à un seul GPU haut de gamme comme un Nvidia H100 peut coûter plusieurs dollars par heure sur les plateformes hyperscale, et les charges de travail d’entreprise nécessitent souvent des instances multi-GPU qui font fortement augmenter les coûts horaires. Une utilisation durable inférieure à 50% sur une capacité à ces niveaux de prix se traduit directement par un gaspillage récurrent substantiel. C’est l’une des mesures les plus claires de l’écart de calcul : les entreprises prévoient d’acheter davantage de GPU et de calcul spécialisé, comme le montre le constat 3, tandis que la capacité qu’elles exploitent déjà reste largement inutilisée. Le parc actuel recèle une marge d’efficacité importante, dont une grande partie n’est pas mesurée.

Constat 7 : Les dépenses avancent plus vite que la mesure

Moins de la moitié suivent rigoureusement les coûts de calcul.

VentureBeat a demandé si les entreprises peuvent quantifier le coût et le retour de leurs dépenses d’infrastructure IA, ainsi que leur niveau de satisfaction vis-à-vis de l’infrastructure qu’elles utilisent. Les résultats montrent que la visibilité financière accuse un retard sur l’investissement.

La mesure est en retard sur les dépenses. Moins de la moitié des entreprises, 44%, suivent rigoureusement le coût et le retour de leur calcul IA. Les autres ne le suivent que partiellement, à 39%, ne peuvent pas encore le quantifier, à 20%, ou n’en ont pas fait une priorité, à 6%. Les coûts de calcul IA sont répartis entre calcul, mémoire, réseau et sortie de données selon des schémas différents des charges de travail cloud traditionnelles, et les clusters GPU partagés rendent difficile l’attribution des dépenses à des équipes, projets ou résultats métier individuels — un défi de mesure que la discipline cloud FinOps est encore en train d’étendre pour couvrir.

Cet écart compte parce que le coût total de possession était le deuxième critère d’achat le mieux classé dans le constat 5. Les entreprises choisissent des fournisseurs sur une base économique que beaucoup d’entre elles ne peuvent pas encore mesurer avec rigueur.

La satisfaction vis-à-vis de l’infrastructure actuelle est modérément positive, mais pas forte. Sur une échelle de cinq points, la satisfaction globale atteint en moyenne 4,0. La facilité de mise en œuvre atteint 3,8 et le rapport qualité-prix 3,9. Le résultat plus faible sur le rapport qualité-prix est notable, car le coût est difficile à évaluer sans mesure disciplinée. Les entreprises dépensent vite, tout en comptabilisant lentement.

Constat 8 : De nombreuses entreprises ne se concentrent pas encore sur le prochain goulot d’étranglement de l’inférence

À mesure que l’inférence passe du calcul à la mémoire, les réponses se fragmentent.

Enfin, VentureBeat a demandé comment les entreprises aborderaient une contrainte émergente de l’inférence à grande échelle : le passage du calcul GPU à la mémoire, en particulier la capacité du KV-cache. Les réponses suggèrent que cette frontière n’est pas encore une priorité opérationnelle majeure pour de nombreuses organisations.

La contrainte mémoire est réelle, mais sa gouvernance reste limitée. À mesure que les modèles de production prennent en charge des fenêtres de contexte de 128 000 tokens ou plus, la mémoire nécessaire pour stocker l’état intermédiaire de l’inférence — le KV cache — augmente avec la longueur du contexte et le nombre d’utilisateurs simultanés, créant une pression que l’ajout de calcul GPU brut ne résout pas. Interrogées sur l’approche sur laquelle elles s’appuieraient lorsque la contrainte déterminante de l’inférence passerait du calcul à la bande passante mémoire, les entreprises ont donné des réponses dispersées. Dell arrive en tête à 31%, suivi de Nvidia à 16%. Les autres réponses sont fragmentées entre fournisseurs de stockage, outils open source et techniques d’efficacité au niveau des modèles.

Plus notable encore, environ une entreprise sur cinq, soit 18%, ne reconnaît pas la contrainte ou n’a pas commencé à y répondre. Pour un changement qui affectera le coût et l’architecture de l’inférence, le marché reste précoce et instable. Comme pour l’écart de mesure du constat 7, de nombreuses entreprises n’ont pas encore de vision claire. C’est la prochaine phase de l’écart de calcul, qui arrive avant que beaucoup d’organisations aient résolu l’actuelle.

Conclusion : Des dépenses plus rapides pourraient élargir l’écart de calcul

Les organisations de plus de 100 salariés investissent dans l’infrastructure IA plus vite qu’elles ne peuvent la mesurer. La plupart en sont encore aux premiers stades du déploiement, mais leurs plans de dépenses pointent déjà au-delà de leurs piles actuelles, vers des clouds spécialisés et des accélérateurs alternatifs que presque aucune d’entre elles n’utilise aujourd’hui. Une nette majorité prévoit de changer de fournisseur au cours de l’année à venir.

Leur logique d’achat se concentre sur l’intégration et le coût total de possession plutôt que sur le prix affiché, ce qui constitue une approche pragmatique. Le problème est que de nombreuses entreprises ne peuvent pas encore voir clairement cette économie.

L’écart de visibilité est concret. Pour l’écrasante majorité des entreprises qui exploitent des GPU, l’utilisation est à la moitié de la capacité ou moins. Moins de la moitié peuvent suivre rigoureusement ce que leur calcul IA coûte ou rapporte. La satisfaction est correcte mais sans enthousiasme, et elle est la plus faible sur le rapport qualité-prix, la dimension la plus difficile à juger sans mesure.

Dans le même temps, la prochaine contrainte — le passage du calcul à la mémoire dans l’inférence à grande échelle — émerge alors que de nombreuses entreprises n’en ont pas conscience ou n’ont pas commencé à y répondre. Un écosystème croissant d’outils d’observabilité des coûts et d’ordonnancement GPU apparaît pour traiter l’écart de mesure, mais la question de savoir si les entreprises adopteront ces capacités avant de s’engager dans leur prochaine couche d’infrastructure reste ouverte. Avec 107 répondants dans une seule vague du T2, l’enquête fournit une lecture directionnelle. Elle est orientée vers le mid-market et les adopteurs à un stade plus précoce. Mais la direction est cohérente : l’appétit pour les dépenses devance l’instrumentation nécessaire pour dépenser efficacement.

L’écart de calcul n’est pas seulement un problème de capacité que davantage de matériel pourrait résoudre à lui seul. C’est d’abord un problème de compréhension du coût du matériel déjà en place. Les prochaines vagues d’enquête montreront si les entreprises construisent cette visibilité avant que la refonte de plateforme ne s’accélère, ou si elles achètent la prochaine couche d’infrastructure avec la même visibilité limitée sur son économie.

Les constats reposent sur les réponses de 107 répondants qualifiés d’entreprises appartenant à des organisations de plus de 100 salariés, issues d’une seule vague du T2 2026 menée en juin. Comme il s’agit d’une seule vague plutôt que d’un échantillon agrégé sur plusieurs mois, les résultats sont transversaux et ne constituent pas une tendance d’un mois sur l’autre. Avec 107 répondants, les constats doivent être considérés comme un signal directionnel plutôt que comme une mesure précise. L’échantillon est autosélectionné, orienté mid-market et penche vers des adopteurs à un stade plus précoce plutôt que vers les plus grands opérateurs hyperscale. Les répondants comprennent des managers, des contributeurs individuels, des VP et directeurs ainsi que des dirigeants de la C-suite, avec une autorité d’achat crédible dans Technology/Software, Healthcare/Life Sciences, Financial Services, Retail/E-commerce et d’autres secteurs.