OpenAI fabrique sa propre puce pour peser sur le prix de ses outils
— Business
OpenAI conçoit sa première puce d'inférence pour réduire sa dépendance à Nvidia et faire baisser le coût de chaque réponse générée. Ce chantier industriel ne change rien à l'interface de ChatGPT ou Codex aujourd'hui, mais il dessine le prix auquel ces outils seront vendus demain.
OpenAI ne se contente plus d'acheter des puces, elle en dessine une. Jalapeño, développée avec Broadcom et Celestica, cible spécifiquement les calculs des grands modèles de langage plutôt que les usages génériques d'un processeur classique. L'idée derrière ce projet est simple : chaque réponse générée par ChatGPT ou Codex coûte de l'électricité et du silicium, et OpenAI veut reprendre la main sur cette facture.
Aucun graphiste, monteur ou directeur artistique ne touchera jamais Jalapeño. Le sujet se situe une couche en dessous, dans les salles de serveurs qui font tourner les outils déjà installés dans les studios. Mais c'est précisément cette couche invisible qui fixe, deux ans plus tard, le tarif d'un abonnement API ou la vitesse de réponse d'un agent de code. Une entreprise qui maîtrise sa puce négocie mieux avec Nvidia et Microsoft, et cette marge de négociation finit toujours par se lire quelque part dans une grille tarifaire.
Le chiffre qui parle le plus concrètement ici concerne l'électricité consommée pendant les tests : la puce maison est restée sous les 550 watts en usage soutenu, contre 1200 à 1400 watts pour les systèmes concurrents utilisés en comparaison. Diviser par deux la facture énergétique d'un centre de calcul, c'est diviser à terme le coût de chaque tâche confiée à un agent, qu'il s'agisse de générer du texte, de retoucher une image ou de compiler du code.
Ces résultats restent partiels. OpenAI compare une puissance nominale annoncée, sans compter le prix d'achat réel, la maturité logicielle ni la disponibilité à grande échelle. Une démonstration de laboratoire ne vaut pas un déploiement mondial, et l'entreprise le sait puisqu'elle continue d'acheter massivement chez Nvidia et Microsoft en parallèle.
Sarah Friar cite elle-même le paradoxe de Jevons : rendre une tâche moins chère fait grimper le volume de tâches demandées, pas forcément la facture totale. Une agence qui paie moins cher par requête finit par lancer davantage de requêtes, davantage de variantes, davantage d'itérations. La baisse de prix promise par cette stratégie ne se traduira donc pas nécessairement par une baisse de la dépense globale des studios qui utilisent ces outils au quotidien.
Le vrai terrain de jeu se joue dans les négociations de fournisseurs et les contrats d'infrastructure, loin des interfaces familières. Mais le jour où Jalapeño tournera à grande échelle derrière Codex ou l'API, la question du prix par tâche réussie deviendra un argument de vente concret pour tous ceux qui budgétisent déjà leurs usages d'IA générative.