L’IA fait grimper la part des processeurs ASIC

À l’heure où la puissance de calcul devient un enjeu de souveraineté, le marché des semi‑conducteurs a franchi une étape décisive en 2026. Les serveurs dédiés à l’inférence, longtemps éclipsés par les besoins d’entraînement, dominent désormais la scène et tirent le secteur vers des architectures plus spécialisées, plus sobres et mieux adaptées aux usages de production.

À retenir

• Le chiffre d’affaires mondial des semi‑conducteurs a dépassé les 800 milliards USD en 2026.
• La part du GPU dans les serveurs IA est tombée en dessous de 70 %, tandis que les ASIC représentent désormais 27,8 %.
• Les hyperscalers investissent 40 % de plus dans des puces propriétaires pour réduire leur dépendance à Nvidia.
• La mémoire HBM, clé de voûte des performances, est en pénurie jusqu’en 2026, obligeant Samsung, Micron et SK Hynix à réaffecter leurs capacités.
• TSMC détient 99 % du marché de fabrication des ASIC pour les dix premiers acteurs mondiaux.

La transformation du secteur des semi‑conducteurs ne se résume pas à des courbes de croissance, elle redéfinit la manière dont les entreprises déploient l’IA à grande échelle. Entre la montée en puissance des ASIC, la pression sur la mémoire HBM et les ambitions de souveraineté numérique, les décideurs doivent revoir leurs stratégies d’achat et de conception de matériel. L’enjeu est de concilier efficacité énergétique, latence minimale et maîtrise des chaînes d’approvisionnement, dans un marché désormais dominé par quelques acteurs clés.

Du training à l’inférence : un changement d’axe

Les serveurs IA ont enregistré une croissance de 28,3 % en 2026, bien supérieure à celle des serveurs génériques, limités à 12,8 %. Ce décrochage s’explique par la montée en puissance de l’inférence, la phase où les modèles déjà entraînés répondent aux requêtes en temps réel, au cœur des applications génératives et des assistants déployés en production.

Répartition GPU vs ASIC

En 2023, les GPU Nvidia détenaient 72 % du marché des accélérateurs IA. Cette part est désormais passée sous les 70 %, tandis que les ASIC atteignent 27,8 %, signe d’une bascule progressive vers des architectures sur mesure. Cette fragmentation technologique favorise les solutions capables d’offrir meilleure efficacité énergétique et coût par requête réduit.

Pourquoi cette transition ?

L’inférence s’appuie sur des flux de données plus déterministes et un taux de calcul relativement constant, un terrain idéal pour les ASIC spécialisés. Les GPU conservent cependant un avantage net pour l’entraînement, grâce à la flexibilité de l’architecture SIMT et à l’écosystème CUDA, devenu un standard de fait dans les datacenters. Les entreprises arbitrent désormais entre ces deux mondes en fonction de leurs volumes de requêtes et de leurs contraintes de coûts.

Choix d’architecture : GPU SIMT contre ASIC déterministe

Deux paradigmes s’opposent et se complètent, répondant à des exigences techniques différentes. L’équilibre penche toutefois de plus en plus vers la spécialisation matérielle, à mesure que les charges d’inférence se stabilisent et se standardisent dans les grandes plateformes cloud.

Flexibilité logicielle contre optimisation matérielle

Les GPU permettent de lancer une vaste quantité d’opérations en parallèle et offrent une grande agilité pour adapter les modèles et les frameworks. En contrepartie, ils consomment plus d’énergie et restent moins optimisés pour des formats numériques spécifiques. Les ASIC, eux, ajustent finement la consommation pour des formats comme INT8 et BF16, réduisent la latence à quelques nanosecondes et améliorent le coût par watt, au prix d’une flexibilité nettement moindre.

Le dilemme « buy vs build » pour les hyperscalers

Google, AWS, Meta, Microsoft et Oracle oscillent désormais entre l’achat de GPU « sur étagère » et le développement de puces maison. L’objectif est double : reprendre le contrôle sur leurs coûts d’exploitation (OpEx) et réduire leur dépendance à Nvidia. Cette stratégie implique toutefois des investissements massifs en conception, en outils EDA et en talents, que seuls quelques groupes peuvent absorber.

Acteurs et chaîne de valeur reconfigurée

Les grands noms du secteur se réorganisent autour de cette nouvelle donne, tandis que la production de pointe se concentre sur un nombre extrêmement limité de fondeurs. La chaîne de valeur se resserre, augmentant la vulnérabilité géopolitique du marché.

Dominance Nvidia et montée AMD

Nvidia conserve plus de 90 % du marché des GPU discrets grâce aux architectures Hopper, Blackwell et à la future Rubin. De son côté, AMD renforce sa crédibilité avec ses accélérateurs Instinct MI300 et MI455, appuyés par un partenariat stratégique avec OpenAI. Cette concurrence accrue offre aux acheteurs quelques marges de négociation, même si l’offre reste tendue.

Champions ASIC et investissements cloud

Broadcom et Marvell montent en puissance en développant des solutions sur mesure pour les géants du cloud. Les cinq principaux hyperscalers augmenteront leurs investissements de 40 % en 2026 pour concevoir des puces propriétaires : TPU de Google, Trainium d’AWS, Maia de Microsoft et MTIA de Meta. Ces puces visent à optimiser des workloads IA précis et à rééquilibrer le rapport de force avec les fournisseurs historiques d’accélérateurs.

TSMC : l’atelier unique

Avec une part de marché de 99 % sur la production ASIC des dix premiers acteurs, TSMC est devenu l’atelier incontournable de la filière. Cette concentration extrême fait de la capacité de TSMC un facteur critique pour la disponibilité mondiale de puces IA. Elle alimente aussi les débats sur la résilience industrielle et les politiques publiques de relocalisation ou de diversification.

Infrastructure et interconnexion : le nouvel eldorado

La compétition ne se joue plus seulement au niveau du composant, mais aussi sur l’architecture des clusters, l’interconnexion des nœuds et la mémoire haute bande passante. Les fournisseurs misent sur ces briques pour proposer des plates-formes IA complètes plutôt que de simples cartes d’accélération.

NVLink Fusion et PCIe Gen6

Pour faciliter l’intégration d’ASIC tiers dans ses systèmes, Nvidia a lancé NVLink Fusion, une interconnexion qui ouvre davantage son écosystème à des partenaires sélectionnés. En parallèle, le PCIe Gen6 s’impose comme la nouvelle référence pour le transfert de données à haute vitesse, structurant les choix d’architecture des datacenters de nouvelle génération.

Goulots d’étranglement : mémoire HBM et énergie

Les pénuries de HBM attendues au moins jusqu’en 2026 obligent Samsung, Micron et SK Hynix à réallouer leurs capacités de production, ralentissant le déploiement des plus grands clusters IA. En parallèle, la consommation électrique des centres de données devient un facteur limitant, poussant les opérateurs à rechercher des gains à chaque niveau : puce, carte, baie et refroidissement.

Convergence logicielle et fragmentation du hardware

La fragmentation matérielle impose une couche logicielle capable d’unifier des environnements hybrides de plus en plus complexes. Les équipes d’infrastructure doivent orchestrer GPU, ASIC et CPU dans des workloads mêlant IA générative, recherche vectorielle et raisonnement symbolique. Les frameworks d’orchestration et les bibliothèques d’abstraction deviennent centraux pour éviter l’enfermement propriétaire et garder la possibilité de basculer d’un fournisseur à l’autre.

Le prix de la spécialisation : coûts et complexité

La montée en puissance des ASIC entraîne une hausse des coûts de fabrication et des délais de mise sur le marché, chaque architecture nécessitant un cycle de conception et de validation spécifique. Les entreprises doivent donc arbitrer entre l’achat de composants standardisés et le développement de puces propriétaires, en évaluant précisément leur volume d’inférence et leur horizon d’amortissement. Pour beaucoup d’acteurs, le choix se traduira par des architectures mixtes, combinant GPU généralistes et ASIC ciblés sur les charges les plus critiques.

En 2026, la bataille des semi‑conducteurs se joue sur la capacité à anticiper les besoins d’inférence, à sécuriser la chaîne d’approvisionnement et à trouver le bon compromis entre flexibilité logicielle et efficacité matérielle. Cette évolution redessine les budgets des hyperscalers, mais aussi les trajectoires d’innovation de l’ensemble de l’économie numérique, des plateformes grand public aux systèmes industriels les plus sensibles.