L’accélérateur NVIDIA A100, présenté en 2020 et depuis surpassé par plusieurs générations de GPU pour l’intelligence artificielle, continuera à générer des revenus pour CoreWeave jusqu’en 2029. La société a confirmé un contrat prolongeant l’usage commercial de ces puces jusqu’à neuf ans après leur lancement, ce qui remet en question l’une des principales préoccupations liées à l’investissement massif dans l’infrastructure IA : la crainte que le matériel devienne économiquement obsolète en à peine deux ou trois ans.

Les clés de la durée de vie des GPU d’IA en 20 secondes

• CoreWeave a signé un contrat pour utiliser et louer des GPU NVIDIA A100 jusqu’en 2029.
• Ampere est arrivé sur le marché en 2020, ce qui signifie que certaines A100 continueront à générer des revenus neuf ans après leur sortie.
• Les anciennes GPU trouvent leur place dans l’inférence, l’ajustement de modèles et d’autres charges moins exigeantes.
• L’approvisionnement en électricité, la refroidissement et CUDA contribuent aussi à prolonger leur vie économique.

Cette nouvelle dépasse le simple cycle de vie prolongée d’un modèle précis. Au cours des dernières années, investisseurs et opérateurs de centres de données ont tenté d’évaluer combien de temps une GPU d’IA peut rester rentable face à l’accélération constante des calendriers de NVIDIA et AMD, qui introduisent de nouvelles architectures presque chaque année.

Le cas de la A100 offre désormais une référence concrète. Une GPU peut cesser d’être la meilleure option pour l’entraînement des plus gros modèles du marché, tout en restant parfaitement exploitable pour d’autres tâches.

Une GPU de 2020 encore sur le marché

NVIDIA a présenté l’architecture Ampere et la A100 en mai 2020. Depuis, Hopper, Blackwell et de nouvelles plateformes ont vu le jour, multipliant la performance pour certaines charges d’IA.

Cela pourrait faire penser qu’une A100 n’a plus sa place dans un centre de données moderne. Pourtant, le marché prouve que la situation est bien plus complexe.

CoreWeave a indiqué lors de ses résultats du second trimestre 2026 qu’elle avait réussi à contractualiser de la capacité A100 jusqu’en 2029. Son directeur financier, Nitin Agrawal, a également souligné que les générations précédentes de GPU conservent des prix solides, tandis que le PDG, Mike Intrator, a défendu la demande pour ces plateformes.

Les prix du marché de la location corroborent cette vision. Silicon Data maintient un indice spécifique pour la A100, la décrivant comme une GPU encore largement utilisée pour l’inférence, le fine-tuning et l’entraînement sensible au coût. Leurs données montrent qu’elle reste active six ans après son lancement.

Cela ne signifie pas que le prix reste le même tout au long de sa vie. Une analyse de J.P. Morgan publiée début 2026 indiquait que les tarifs de location de GPU, dans le cloud et chez les hyperscalers, avaient chuté entre 20 % et 25 % au cours de l’année précédente. Pourtant, le même rapport soulignait que les A100 maintenaient un haut niveau d’utilisation et des marges positives au-delà de leurs deux ou trois premières années.

Une distinction importante apparaît ici entre dépréciation technologique et obsolescence économique.

Une A100 peut perdre de la valeur et devenir moins compétitive pour une tâche donnée, sans pour autant devenir un actif inutile.

Toutes les charges d’IA requièrent-elles une Blackwell ou une Rubin ?

L’évolution des modèles contribue aussi à prolonger l’utilité du matériel existant.

Quantification, kernels plus efficaces, optimisation de la mémoire, compilateurs et améliorations logicielles permettent d’exécuter certaines charges avec moins de ressources. L’écosystème CUDA évolue également en maintenant le hardware ancien dans une plateforme logicielle commune.

Le résultat est une hiérarchie d’infrastructure de plus en plus semblable à celle qui existe dans les serveurs depuis des décennies.

Les plateformes plus récentes peuvent être réservées à l’entraînement de modèles de pointe et à des travaux où la performance, la mémoire, la bande passante ou la consommation par opération justifient leur coût. Les générations précédentes trouvent leur place dans l’inférence, le traitement de données, les petits modèles, le fine-tuning, ou les charges professionnelles où la performance absolue de la dernière architecture est moins cruciale que le coût.

Silicon Data situe actuellement la A100 comme une option à moindre coût face à la H100 et la B200, notamment pour cette raison. Dans leur indice, les générations antérieures conservent une demande solide, surtout pour l’inférence et l’ajustement de modèles, tandis qu’une partie de l’entraînement migre vers des accélérateurs plus récents.

Il existe également une limitation physique beaucoup plus tangible.

Remplacer une génération de GPU par une autre ne se limite pas à déconnecter un serveur et en installer un autre.

Les plateformes modernes pour l’IA peuvent nécessiter beaucoup plus de puissance par rack, du refroidissement liquide, de nouvelles réseaux, et des modifications dans la distribution électrique du centre de données.

Tom’s Hardware souligne cette différence dans son analyse du cas CoreWeave : des systèmes DGX A100 refroidis par air peuvent fonctionner à environ 6,5 kW, tandis que les configurations modernes GB200 et GB300 peuvent atteindre 120-140 kW par rack.

Un centre de données conçu pour des racks traditionnels ne peut pas simplement multiplier par vingt sa densité en achetant de nouvelles GPU.

Cela crée un espace économique pour continuer à utiliser l’ancien matériel dans des infrastructures où la mise à jour complète de l’alimentation et du refroidissement n’est pas rentable.

La A100 met à l’épreuve la dépréciation de milliards en GPU

La durée commerciale des GPU a aussi de fortes implications financières.

L’investissement dans l’infrastructure IA mobilise des centaines de milliards de dollars. Serveurs et accélérateurs sont achetés directement ou financés via dettes, leasing, et autres mécanismes dont la viabilité dépend largement de la valeur future du hardware.

Si une GPU à 30 000 dollars cesse de produire des revenus après deux ans, cela ne ressemble pas du tout au cas d’un actif capable de fonctionner durant six, huit ou neuf ans, même si ses revenus diminuent avec le temps.

C’est pourquoi NVIDIA défend une interprétation de l’infrastructure d’IA comme un actif financièrement mobilisable à long terme.

L’entreprise travaille avec de grands groupes financiers — BlackRock, Blackstone, Brookfield, Goldman Sachs, KKR, Apollo — pour développer des mécanismes visant à mobiliser jusqu’à 500 milliards de dollars pour l’infrastructure IA. La durée de vie économique des GPU est une variable essentielle pour la réussite de ces financements.

Le contrat de CoreWeave constitue un argument favorable à cette approche, même s’il ne garantit pas que toutes les GPU conserveront neuf ans d’exploitation commerciale.

Futurs besoins, coût de l’électricité, progrès en efficacité par watt, et évolution des modèles peuvent fortement varier selon chaque génération.

Il existe également un risque que l’abondance d’accélérateurs plus anciens fasse pression sur leurs tarifs à la baisse.

De la GPU la plus rapide à une gestion multi-générations

L’aspect le plus intéressant pourrait résider dans la manière dont les centres de données pour l’IA sont conçus.

Jusqu’ici, beaucoup ont cherché à disposer de la dernière GPU disponible. Mais un opérateur à grande échelle pourrait économiquement privilégier la gestion de plusieurs générations en parallèle.

Blackwell ou Rubin peuvent traiter les workloads exigeants, Hopper peut être déployé pour d’autres charges à haute performance, et Ampere peut continuer à fonctionner dans des contextes où le coût par heure est prioritaire.

Ce modèle permet d’amortir la dépense initiale sur une plus longue période et évite de devoir changer tous les serveurs encore rentables.

Il contribue aussi à réduire la pression sur une chaîne d’approvisionnement encore sensible à la disponibilité de mémoire avancée, de packaging, de réseaux, d’énergie et de capacités des centres.

Le marché de la location reflète déjà cette segmentation. Fin juillet, les indices de Silicon Data montraient des prix variés pour l’A100, H100, H200, B200 et MI300X, illustrant un marché de l’IA qui évolue vers une différenciation selon performance et prix plutôt qu’un simple remplacement systématique de chaque génération précédente.

La A100 ne redeviendra probablement pas la GPU que tout le monde souhaite acquérir. Et elle n’a pas besoin de l’être.

Si CoreWeave parvient à la maintenir sous contrat jusqu’en 2029, cela représentera presque une décennie entre sa présentation et la fin de cet accord. Pour un composant technologique issu d’un des cycles d’innovation les plus rapides qu’ait connu l’industrie, cette longévité transforme la discussion sur la durée réelle d’utilisation d’une GPU d’IA.

Questions fréquentes

Jusqu’à quand CoreWeave utilisera-t-elle les NVIDIA A100 ?

CoreWeave a confirmé un contrat pour maintenir une capacité basée sur la NVIDIA A100 jusqu’en 2029, soit neuf ans après le lancement de l’architecture Ampere en 2020.

Pourquoi une NVIDIA A100 reste-t-elle utile en 2026 ?

Malgré l’existence de GPU plus rapides, la A100 demeure adaptée pour l’inférence, le fine-tuning, le traitement et d’autres charges où le coût peut primer sur la dernière architecture.

Une vieille GPU peut-elle rester rentable ?

Oui, tant que son utilisation est suffisante et que ses revenus dépassent les coûts d’énergie, d’exploitation et de maintenance. Le contrat de CoreWeave montre que certains clients trouvent encore une valeur économique à long terme dans la A100.

Pourquoi ne pas remplacer toutes les A100 par Blackwell ou des GPU plus récents ?

Au-delà du coût d’achat, les nouvelles plateformes nécessitent souvent beaucoup plus d’énergie, de refroidissement liquide, de réseautage et de modifications de l’infrastructure électrique du centre de données. La mise à jour d’une GPU peut aussi impliquer de transformer une grande partie du rack ou même de l’ensemble du centre.