Le modèle économique du Neocloud expliqué

L'IA a transformé les exigences de l'infrastructure cloud. L'ancien cloud était conçu pour les applications web, le stockage, les bases de données et le calcul général. Les charges de travail d'IA nécessitent quelque chose de plus spécifique : des GPU disponibles, des performances prévisibles, un provisionnement rapide et une tarification qui ne pénalise pas les longues sessions d'entraînement ou les expériences fréquentes.

C'est pourquoi le néonuage existe.

Un néonuage est un fournisseur de cloud axé sur l'IA, construit autour du calcul GPU plutôt que de l'infrastructure CPU à usage général. Il donne aux développeurs, chercheurs, startups, écoles et entreprises l'accès aux GPU pour l'entraînement, l'inférence, le rendu, la simulation et d'autres charges de travail gourmandes en calcul. Si vous souhaitez d'abord une définition plus large, consultez notre guide sur ce qu'est un néonuage.

Le modèle économique est important car tous les néonuages ne fonctionnent pas de la même manière. Certains fournisseurs possèdent de grandes flottes de GPU. Certains louent de l'espace dans des centres de données de colocation. Certains agissent comme des places de marché. D'autres, comme Hivenet, utilisent un modèle de cloud GPU distribué qui connecte la capacité de calcul disponible via une couche d'infrastructure plus flexible.

Cette différence affecte le prix, la disponibilité, la souveraineté, la durabilité et le contrôle.

‍

Réponse directe : qu'est-ce qu'un modèle économique de néonuage ?

Un modèle économique de néonuage est la manière dont un fournisseur de cloud axé sur l'IA fournit le calcul GPU, tarifie l'accès, gère la capacité et gère les risques liés à l'infrastructure.

La plupart des néonuages génèrent des revenus en louant de la capacité GPU aux utilisateurs sur une base horaire, à la seconde, réservée ou contractuelle. La marge du fournisseur dépend de la manière dont il s'approvisionne en GPU, du taux d'utilisation qu'il peut maintenir, des coûts d'énergie et d'infrastructure qu'il supporte, et de l'efficacité avec laquelle il fait correspondre la capacité de calcul disponible à la demande.

En termes simples : un néonuage transforme le matériel d'IA coûteux en un accès cloud utilisable.

Pour Hivenet, le modèle de cloud GPU distribué est le plus important : il maintient l'accent du néonuage sur l'accès aux GPU, mais ajoute un argument plus large concernant le contrôle des coûts, le placement régional, la souveraineté et une meilleure utilisation de l'infrastructure disponible.

‍

Pourquoi les néonuages sont apparus

L'IA a révélé une lacune sur le marché du cloud. Les hyperscalers traditionnels peuvent fournir des GPU, mais ils n'ont pas été conçus à l'origine pour des charges de travail axées sur les GPU. Leurs catalogues sont vastes, leur facturation peut être complexe, et l'accès aux GPU peut impliquer des limites de quota, des temps d'attente, des engagements longs ou des calculs de coût total compliqués.

L'Uptime Institute a signalé qu'au début de 2024, les hyperscalers avaient du mal à répondre à la demande de GPU, certaines instances basées sur des GPU dépassant 100 $ de l'heure lorsqu'elles étaient disponibles. La même analyse a révélé que la location de quatre instances équipées de Nvidia H100 pendant un mois pouvait coûter près de 300 000 $.

Cette pression a ouvert la voie à des fournisseurs spécialisés. ABI Research prévoit que les revenus du GPUaaS provenant des fournisseurs de néo-cloud passeront de 42 milliards de dollars US en 2025 à plus de 250 milliards de dollars US d'ici 2030.

La demande fondamentale est simple : les équipes ont besoin de puissance de calcul GPU sans acheter et exploiter leurs propres clusters.

Le plus difficile est de fournir cet accès d'une manière abordable, disponible et fiable.

‍

Les quatre principaux modèles économiques de néo-cloud

La plupart des discussions s'arrêtent à trois modèles : l'infrastructure propriétaire, la colocation et la place de marché. Cela omet un quatrième modèle important : le cloud GPU distribué. C'est là que la position de Hivenet devient plus claire.

La différence n'est pas cosmétique. Elle façonne l'expérience utilisateur.

Un fournisseur qui possède tout peut offrir un contrôle plus strict, mais cela comporte un risque en capital important. Une place de marché peut offrir des prix bas, mais les utilisateurs peuvent avoir besoin d'évaluer attentivement la qualité de l'hôte. Un cloud GPU distribué tente de conserver la flexibilité d'une place de marché tout en ajoutant une couche d'infrastructure et de gouvernance plus structurée et intentionnelle.

C'est le modèle sur lequel Hivenet se développe.

‍

Modèle 1 : infrastructure propriétaire

Le modèle d'infrastructure propriétaire est la version la plus capitalistique du néo-cloud. Le fournisseur achète des GPU, construit ou contrôle des installations, gère le réseau, embauche des équipes d'exploitation et vend l'accès à la capacité résultante.

L'avantage est le contrôle. Les fournisseurs peuvent optimiser l'ensemble de la pile, proposer des déploiements de qualité entreprise et se baser sur des générations de matériel spécifiques.

Le revers de la médaille est l'exposition financière. Les GPU sont chers, vieillissent rapidement et doivent être constamment utilisés. Si l'utilisation diminue, le fournisseur supporte toujours les coûts d'amortissement, d'énergie, de refroidissement, de financement et de maintenance. Si une nouvelle génération de GPU modifie la demande des clients, la capacité plus ancienne devient plus difficile à valoriser.

Ce modèle peut bien fonctionner pour les grands fournisseurs disposant de ressources financières importantes et de grands clients engagés. Il est moins indulgent pour les petits acteurs ou pour les fournisseurs qui tentent de répondre à une demande imprévisible.

‍

Modèle 2 : colocation

Le modèle de colocation réduit certains risques liés aux installations. Au lieu de construire de nouveaux centres de données à partir de zéro, un fournisseur de néo-cloud loue de l'espace, de l'énergie, du refroidissement et l'accès au réseau auprès d'opérateurs de centres de données établis.

Cela peut accélérer l'expansion. Cela permet à un fournisseur d'augmenter sa capacité GPU plus rapidement que ne le permettrait la construction d'un centre de données complet. Cela peut également rapprocher l'infrastructure de certaines régions ou de certains clients.

Mais la colocation n'élimine pas les fondamentaux économiques. Le fournisseur a toujours besoin d'accéder à des GPU, de conditions d'alimentation favorables, d'une forte utilisation et d'opérations fiables. Il peut éviter de construire le bâtiment, mais il n'évite pas le coût de l'exploitation d'une infrastructure d'IA sérieuse.

Pour de nombreux néo-clouds, la colocation est une voie médiane pratique : moins gourmande en capital que de tout posséder, plus contrôlée qu'un marché libre.

‍

Modèle 3 : place de marché

Le modèle de place de marché agrège la capacité GPU de fournisseurs tiers. Au lieu de posséder le parc, la plateforme agit comme une couche de coordination entre ceux qui ont des GPU et ceux qui en ont besoin.

C'est attractif car il peut augmenter l'offre sans que le fournisseur n'achète chaque carte. Il peut également créer des prix d'appel plus bas car la plateforme ne supporte pas le même risque lié au bilan matériel.

Le compromis est la cohérence. Les places de marché GPU doivent résoudre les problèmes de confiance, de disponibilité, de qualité des hôtes, de variation des performances, de sécurité et de support. Pour les tâches expérimentales, ce compromis peut être acceptable. Pour l'inférence en production, les charges de travail sensibles ou les longues sessions d'entraînement, les acheteurs doivent comprendre exactement le type de capacité qu'ils louent.

Une place de marché peut être utile. Mais ce n'est pas automatiquement la même chose qu'une infrastructure de production fiable.

‍

Modèle 4 : cloud GPU distribué

Le modèle de cloud GPU distribué part d'une hypothèse différente : une capacité de calcul utile existe déjà à de nombreux endroits. Le travail consiste à la coordonner, la vérifier, la tarifer clairement et la rendre utilisable pour des charges de travail réelles.

Ce modèle correspond à l'approche plus large de Hivenet. Compute with Hivenet est conçu autour d'un accès prioritaire aux GPU, d'une tarification transparente et d'une architecture distribuée. Pour plus de détails, lisez comment Compute with Hivenet correspond au modèle neocloud.

La logique commerciale est simple. Au lieu de dépendre uniquement de centres de données centralisés ou de capacités de marché spéculatives, le cloud GPU distribué utilise l'infrastructure disponible plus efficacement. Cela peut améliorer le contrôle des coûts, réduire le gaspillage et soutenir l'accès au calcul régional.

C'est important car le problème du cloud IA ne concerne pas seulement la performance brute. Il s'agit aussi de savoir où le calcul a lieu, à quel point la facture est prévisible et si les équipes peuvent garder le contrôle de leurs données et de leurs charges de travail.

‍

Comment les néo-clouds gagnent de l'argent

Les néo-clouds gagnent généralement de l'argent grâce à un ou plusieurs de ces modèles de tarification :

• Location de GPU basée sur l'utilisation : les utilisateurs paient à la seconde, à la minute ou à l'heure pour les instances GPU.
• Capacité réservée : les équipes s'engagent sur un bloc d'accès GPU sur une période donnée.
• Contrats d'entreprise : les clients plus importants négocient les conditions de capacité, de support, de conformité ou de déploiement.
• Services gérés : les fournisseurs ajoutent du support, de l'orchestration, des services d'inférence, du stockage ou des environnements d'IA privés.
• Frais de marketplace : la plateforme prélève un pourcentage sur les transactions entre les fournisseurs et les clients de GPU.

Le meilleur modèle dépend de l'acheteur. Un étudiant qui affine un modèle n'a pas besoin du même contrat qu'une entreprise qui exécute de l'inférence en production. Un laboratoire de recherche peut avoir besoin d'un accès prévisible pendant la durée d'un projet. Une startup peut avoir besoin de monter et descendre en charge sans acheter de matériel.

C'est pourquoi la transparence des prix est importante. Consultez notre article sur l'économie du néo-cloud pour une analyse plus approfondie de la prévisibilité des coûts et des raisons pour lesquelles une facturation complexe rend l'expérimentation de l'IA plus difficile.

‍

Néo-cloud vs hyperscaler : qu'est-ce qui change ?

Un hyperscaler vend une grande plateforme cloud avec des centaines de services. Calcul, stockage, bases de données, analyses, identité, réseau, outils d'IA et intégrations d'entreprise vivent tous au sein de la même plateforme. Cela peut être utile pour l'informatique générale.

Un néo-cloud est plus ciblé. Il se concentre sur l'infrastructure d'IA, en particulier le calcul GPU.

Cette focalisation modifie la décision d'achat. Vous ne choisissez pas un environnement cloud d'entreprise complet. Vous choisissez où exécuter les charges de travail qui nécessitent des GPU.

Pour les équipes d'IA, les différences pratiques se manifestent généralement dans cinq domaines :

• Disponibilité des GPU.
• Vitesse de mise à disposition.
• Transparence tarifaire.
• Maîtrise du matériel.
• Adapté à l'entraînement, à l'inférence, au rendu et à la simulation.

Pour une comparaison plus détaillée, consultez neocloud contre hyperscalers.

En bref : les hyperscalers restent pertinents pour de nombreuses charges de travail généralistes. Les neoclouds sont plus appropriés lorsque la charge de travail est dépendante du GPU et que l'équipe a besoin d'une meilleure maîtrise des coûts et des performances.

‍

Quand utiliser un neocloud ?

Utilisez un neocloud lorsque votre charge de travail dépend des performances du GPU et que votre équipe a besoin d'une meilleure visibilité économique que ce qu'une facture de cloud traditionnel offre habituellement.

Les cas d'utilisation appropriés incluent l'entraînement d'IA, le réglage fin de modèles, l'inférence, le rendu, la simulation, l'analyse de données et la recherche gourmande en GPU. Pour les charges de travail plus importantes, notre guide des clusters GPU explique comment l'infrastructure multi-GPU modifie la planification des performances et des coûts.

Un neocloud n'est pas toujours la bonne solution. Si vous gérez un petit site web, une base de données basique ou une automatisation légère, un fournisseur de cloud traditionnel peut être plus simple et moins cher. L'objectif n'est pas de tout déplacer. L'objectif est de déplacer les charges de travail qui bénéficient d'une infrastructure privilégiant le GPU.

Pour une approche décisionnelle plus concrète, lisez quand utiliser un neocloud.

‍

La problématique tarifaire : le coût affiché n'est pas le coût réel

La tarification des GPU peut être trompeuse. Un faible taux horaire n'est pas utile si la tâche est interrompue, si le GPU est partagé, si les frais de stockage et d'égression modifient le coût réel, ou si le support n'est pas disponible en cas d'échec d'une exécution.

Une comparaison utile des prix des GPU devrait distinguer :

• Le prix à la demande du prix spot.
• L'accès dédié de l'accès partagé.
• Les tarifs affichés du coût total.
• La facturation transparente de la facturation complexe.
• La fiabilité en production de la capacité expérimentale.

Notre tableau comparatif des prix des GPU explique comment comparer les coûts des GPU sans mélanger des niveaux de service incompatibles.

Pour les équipes d'IA, cette distinction est importante. Une exécution d'entraînement échouée ou interrompue ne gaspille pas seulement des heures GPU. Elle gaspille du temps humain, des délais et de l'élan.

‍

Pourquoi la souveraineté a sa place dans le modèle économique

L'infrastructure cloud n'est pas une simple tuyauterie neutre. Elle détermine qui contrôle les données, qui capte la valeur et quelles régions dépendent de quels fournisseurs.

Pour les équipes européennes, cela devient de plus en plus important. Les charges de travail d'IA peuvent impliquer des données sensibles, des secteurs réglementés, des partenariats de recherche ou des institutions publiques. Dans ces cas, l'emplacement et la gouvernance de l'infrastructure comptent autant que la vitesse brute.

La Commission européenne a souligné la nécessité de centres de données plus économes en énergie et durables, et elle a introduit des obligations de déclaration ainsi que des travaux supplémentaires sur les systèmes de notation et les normes de performance minimales pour les centres de données en Europe.

Un modèle de néo-cloud distribué peut soutenir la souveraineté en rendant le calcul plus sensible aux spécificités régionales et moins dépendant de quelques plateformes centralisées. Pour en savoir plus sur cet aspect, lisez pourquoi le néo-cloud est important pour l'Europe.

‍

Pourquoi la durabilité fait partie de l'économie du néo-cloud

Le calcul de l'IA a une empreinte matérielle. Les centres de données ont consommé environ 415 TWh d'électricité en 2024, selon l'AIE, et la consommation mondiale d'électricité des centres de données devrait atteindre environ 945 TWh d'ici 2030 dans son scénario de référence.

Cela ne signifie pas que l'infrastructure d'IA devrait cesser de croître. Cela signifie que la croissance nécessite une meilleure conception.

La question de la durabilité n'est pas seulement « quel centre de données utilise des énergies renouvelables ? » C'est aussi « combien de nouvelles infrastructures devons-nous construire, et comment pouvons-nous mieux utiliser la capacité existante ? »

C'est là que le cloud GPU distribué propose une approche différente. En coordonnant la capacité de calcul existante ou sous-utilisée, le modèle peut réduire la pression de tout construire à partir de zéro. C'est un élément central de l'approche de Hivenet. Pour en savoir plus, consultez la durabilité à l'ère du néo-cloud.

‍

Ce que Hivenet apporte à la catégorie du néo-cloud

Le modèle néo-cloud de Hivenet combine quatre idées :

1. Un accès prioritaire aux GPU pour l'IA et les charges de travail haute performance.
2. Une tarification transparente qui aide les équipes à planifier les coûts réels.
3. Une infrastructure distribuée qui évite la dépendance excessive aux modèles de cloud centralisés.
4. Un argument de souveraineté et de durabilité qui compte en Europe et au-delà.

Ce n'est pas seulement une différence technique. C'est une vision différente de ce que l'infrastructure cloud devrait devenir.

Le cloud ne doit pas nécessairement signifier une poignée de plateformes géantes vendant de la puissance de calcul abstraite depuis des installations centralisées lointaines. Il peut être plus distribué, plus responsable et plus proche des personnes et des organisations qui l'utilisent.

Cela compte autant pour les écoles que pour les startups. Dans l'histoire de l'accès aux GPU de DSTI, le problème n'était pas théorique. Les étudiants avaient besoin d'un accès fiable aux GPU pour dépasser les petites expériences en bac à sable et travailler sur de vrais projets d'IA.

C'est la valeur pratique du néo-cloud : il transforme l'infrastructure d'IA d'un problème d'approvisionnement en quelque chose que les développeurs peuvent réellement utiliser.

‍

L'essentiel

Le modèle économique du neocloud existe parce que les charges de travail de l'IA ont remis en question les prémisses du cloud à usage général. Les équipes ont besoin de GPU, de coûts prévisibles, d'un accès rapide et d'une infrastructure adaptée à l'entraînement, à l'inférence, à la simulation et au rendu.

Il existe quatre modèles principaux : l'infrastructure propriétaire, la colocation, l'agrégation de place de marché et le cloud GPU distribué.

Chaque modèle a ses atouts. L'infrastructure propriétaire offre un contrôle. La colocation facilite la scalabilité. Les places de marché élargissent l'accès. Le cloud GPU distribué offre un équilibre différent : une capacité flexible, une tarification plus claire, un contrôle régional et une meilleure utilisation de l'infrastructure existante.

Pour Hivenet, c'est la véritable opportunité. Le neocloud n'est pas seulement une catégorie de location de GPU moins chère. C'est une chance de construire une infrastructure d'IA plus rapide, plus transparente, plus souveraine et moins énergivore.

‍

Foire aux questions

Qu'est-ce qu'un neocloud ?

Un neocloud est un fournisseur de cloud axé sur l'IA, construit autour du calcul GPU. Il est conçu pour des charges de travail telles que l'apprentissage automatique, l'inférence, le rendu, la simulation et d'autres tâches nécessitant un traitement parallèle haute performance.

Qu'est-ce qu'un modèle économique de neocloud ?

Un modèle économique de neocloud décrit la manière dont un fournisseur s'approvisionne en capacité GPU, vend l'accès aux utilisateurs, tarifie le calcul et gère les risques liés à l'infrastructure. Les principaux modèles sont l'infrastructure propriétaire, la colocation, l'agrégation de place de marché et le cloud GPU distribué.

Comment les neoclouds génèrent-ils des revenus ?

Les neoclouds génèrent généralement des revenus en louant de la capacité GPU à la seconde, à l'heure, pour une durée réservée ou via un contrat d'entreprise. Certains tirent également des revenus des services gérés, du support, du stockage, des outils d'inférence ou des frais de place de marché.

En quoi un neocloud est-il différent d'un hyperscaler ?

Un hyperscaler est une vaste plateforme cloud à usage général. Un neocloud est plus restreint et plus spécialisé. Il se concentre sur une infrastructure axée sur le GPU pour l'IA et les charges de travail haute performance.

Un neocloud est-il moins cher qu'un cloud traditionnel ?

Cela peut être le cas, surtout pour les charges de travail gourmandes en GPU. Mais la vraie réponse dépend du coût total : tarif GPU, stockage, egress, qualité d'accès, interruptions, support et utilisation. Comparez toujours le coût réel du travail accompli, et pas seulement le tarif horaire affiché.

Quand devrais-je utiliser un neocloud ?

Utilisez un neocloud lorsque votre charge de travail dépend des performances GPU, lorsque la prévisibilité des prix est importante, ou lorsque vous avez besoin de plus de contrôle sur l'infrastructure d'IA. Les charges de travail d'entraînement, de réglage fin, d'inférence, de rendu, de simulation et de recherche sont des cas d'utilisation courants.

Hivenet est-il un neocloud ?

Oui. Hivenet correspond au modèle neocloud grâce à son infrastructure axée sur le GPU, sa tarification transparente et sa conception de cloud distribué. Sa contribution spécifique est une approche distribuée qui relie le calcul d'IA au contrôle des coûts, à la durabilité et à la souveraineté.