Jensen Huang, PDG de NVIDIA, a déclaré lors du GTC Berlin le 21/10/2026 que la durée de vie d’un GPU de la société dépasse désormais huit ans, voire plus, soit le double du cycle de quatre ans considéré jusqu’à présent comme standard. Cette déclaration intervient dans un contexte de discussions sur la durée d’amortissement des investissements en IA par les principaux fournisseurs de cloud, et fait écho aux propos d’Elon Musk, qui affirme que même avec le vieillissement, les GPU d’aujourd’hui fournissent plus d’intelligence par watt qu’au moment de leur achat.

Les éléments clés du débat sur la durée de vie des GPU en 20 secondes

• Huang établit la durée de vie d’un GPU NVIDIA à huit ans ou plus.
• Musk affirme que les H100 se louent aujourd’hui à un prix supérieur à leur coût d’achat initial.
• Les grandes entreprises technologiques amortissent leurs serveurs en cinq ou six ans.
• Des critiques comme Michael Burry estiment que ces délais gonflent artificiellement les bénéfices.

Ces déclarations ont été relayées par Wccftech à partir de vidéos de la conférence et de la présentation des résultats de SpaceX. Au-delà du simple titre, la question revêt une importance financière : plus la durée d’utilisation d’un GPU est longue, plus le coût annuel d’amortissement réduit le bénéfice net des entreprises, rendant ainsi l’investissement dans les centres de données IA plus rentable.

Les arguments de Huang, Musk et Baker

Huang attribue cette longévité accrue à l’adoption massive de la plateforme NVIDIA, à la durabilité de ses performances, et au fait que le logiciel permet de continuer à améliorer le hardware ancien via des mises à jour. Il ajoute que ce marché compte de nombreux clients potentiels, car ces GPU restent utiles et peuvent être revendus. Il indique également qu’un gigawatt de calcul IA coûte environ 50 milliards de dollars et génère autour de 40 milliards de dollars de revenus annuels, ce qui permettrait de récupérer l’investissement en un peu plus d’un an. Ces chiffres proviennent du dirigeant, non de données vérifiées.

Musk, lors de la présentation des résultats du troisième trimestre de SpaceX, a soutenu que les GPU ne perdent pas de valeur car l’amélioration continue des logiciels d’IA leur permet d’extraire plus d’intelligence utile par watt. En guise de preuve, il a mentionné que les H100 se louent à un prix supérieur à leur coût initial. Il a expliqué que SpaceX privilégie des locations à court terme, car le calcul IA se paye entre 30 000 et 50 000 millions de dollars par gigawatt avec un temps de récupération inférieur à un an, alors que le prix des renouvellements est plus élevé.

Gavin Baker, investisseur, a ajouté lors d’une session préalable à la conférence de Huang que le prix de location horaire des GPU a fortement augmenté, même si la valeur des tokens a diminué, car chaque heure d’utilisation produit des résultats plus utiles. Les données de marché supportent cette tendance : selon Silicon Data, citée par Wccftech en septembre, la valeur résiduelle d’un B200 atteint environ 158 % de son prix initial un an après sa mise sur le marché ; pour les A100 et H100, cette valeur est largement supérieure à ce que produirait une amortisation linéaire sur trois ou cinq ans.

Comment les grandes entreprises technologiques amortissent leurs serveurs

Ce débat n’est pas nouveau. En novembre 2025, l’investisseur Michael Burry avait accusé Meta, Alphabet, Microsoft, Oracle et Amazon d’étirer la durée comptable de leurs chips et serveurs jusqu’à six ans, alors que la rotation des produits IA est généralement de deux ou trois ans. Selon lui, cette pratique gonflerait artificiellement leurs bénéfices de 176 milliards de dollars entre 2026 et 2028. Burry avait également révélé des positions baissières sur NVIDIA.

La réalité des délais varie : Alphabet amortit ses serveurs et équipements réseau en six ans. Microsoft utilise une fourchette de deux à six ans. Meta a prolongé la durée de vie de certains serveurs à 5,5 ans dès janvier 2025. En revanche, Amazon a réduit la durée d’amortissement de certains serveurs de six à cinq ans au premier trimestre 2025, en raison de la rapidité des avancées en IA. Un rapport de Bernstein de novembre 2025 estime que les GPU peuvent fonctionner de manière rentable pendant environ six ans, en perdant entre 20 % et 30 % de leur valeur la première année avant de se stabiliser.

Une estimation du fabricant face à l’efficacité de chaque génération

Les huit ans donnés par Huang correspondent à une estimation du fabricant, tandis que la thèse de Musk repose sur un marché de la location caractérisé par une pénurie de puissance de calcul. Aucun des deux ne fournit de données précises sur le nombre de GPU de générations plus anciennes encore en production dans de grands centres de données ou sur leurs tarifs de location moyens.

NVIDIA elle-même donne des arguments en faveur de cycles plus courts, en affirmant que chaque nouvelle génération multiplie par le rendement par mégawatt. La revue Cloud a déjà expliqué comment NVIDIA mesure jusqu’à 30 fois plus de performance par mégawatt avec Vera Rubin par rapport à Blackwell, une donnée fournie par le fabricant. Dans des centres de données limités par la puissance électrique disponible, cette différence pèse lourd dans la décision de maintenir une vieille GPU ou de la remplacer.

Questions fréquentes

Combien d’années dure une GPU NVIDIA selon Jensen Huang ?

Huang a indiqué lors du GTC Berlin que la durée de vie d’une GPU NVIDIA dépasse désormais huit ans, contre quatre auparavant.

Que pense Elon Musk de la valeur des GPU ?

Il affirme qu’ils ne perdent pas de valeur car le logiciel améliore l’efficacité et permet d’extraire plus d’intelligence par watt. Il indique aussi que les H100 se louent aujourd’hui à un prix supérieur à leur coût initial.

En combien d’années les grandes entreprises amortissent-elles leurs serveurs ?

Alphabet en six ans, Meta en 5,5 ans pour certains équipements, Microsoft entre deux et six ans, et Amazon a réduit la durée d’amortissement de ses serveurs de six à cinq ans en 2025.

Pourquoi la durée de vie des GPU est-elle importante ?

Parce qu’elle influence le coût annuel d’amortissement : plus cette durée est longue, plus ce coût diminue, ce qui donne une impression de bénéfice accru pour l’investissement en IA.

Sources :