AMD vs Nvidia : l’IA agentique change-t-elle vraiment l’équilibre entre CPU et GPU ?

Pendant des années, toute l’attention était sur le GPU

La bataille de l’intelligence artificielle a longtemps été racontée en nombre de GPU. Plus un groupe pouvait aligner d’accélérateurs, plus il semblait en mesure d’entraîner de grands modèles et de servir des millions d’utilisateurs. Cette lecture reste pertinente : les réseaux neuronaux reposent sur d’immenses volumes de calcul parallèle, domaine dans lequel les GPU excellent.

L’essor de l’IA agentique complique toutefois cette équation. Un agent ne se contente pas de produire une réponse. Il peut consulter une base de données, interroger plusieurs logiciels, exécuter du code, conserver un état, appeler un autre modèle et vérifier si la tâche demandée a réellement été accomplie. Une part croissante du travail se déroule donc autour du modèle, et pas seulement dans le modèle.

Cela ne signifie pas que le CPU remplace le GPU. L’entraînement continue de progresser et l’inférence demeure très dépendante des accélérateurs. Mais la prochaine bataille de l’infrastructure IA pourrait moins opposer deux types de processeurs que mettre en concurrence des plateformes complètes : CPU, GPU, mémoire, réseau, stockage et logiciels d’orchestration.

Ce qu’un agent IA fait réellement derrière votre écran

Imaginons une demande adressée à un agent : « Analyse mes ventes des six derniers mois, compare mes prix à ceux de mes concurrents, vérifie mes stocks et prépare une campagne promotionnelle. » Le modèle doit d’abord comprendre l’objectif et organiser les étapes. Il peut ensuite rechercher des documents, lancer des requêtes dans une base de données, appeler des API, exécuter un calcul et produire une proposition.

Le GPU intervient lorsque le modèle génère des tokens, interprète des données non structurées ou exécute d’autres opérations massivement parallèles. Le CPU prend en charge une grande partie de la logique générale : système d’exploitation, gestion des processus, appels logiciels, requêtes, contrôle des accès, coordination des outils et préparation des données. La mémoire maintient le contexte et les applications ; le stockage conserve documents, index et journaux ; le réseau relie les services.

Plus l’agent enchaîne d’étapes, plus les temps morts et les transferts comptent. Le coût économique d’une tâche ne dépend plus uniquement de la vitesse à laquelle un modèle produit sa réponse. Il dépend aussi du nombre d’appels, de la quantité de contexte chargée, des vérifications, de la latence du réseau et de l’efficacité avec laquelle l’ensemble du système coordonne ses ressources.

Pourquoi cela redonne du travail au CPU

Un CPU est conçu pour exécuter rapidement des tâches variées et séquentielles. Un GPU traite en parallèle un très grand nombre d’opérations similaires. Les modèles d’IA ont fait du second un composant central, mais les workflows agentiques multiplient justement les opérations hétérogènes : lire un fichier, lancer un conteneur, préparer une requête, appliquer une politique de sécurité ou coordonner plusieurs agents.

AMD décrit cette évolution comme une hausse du travail effectué autour de l’inférence : récupération de données, orchestration, exécution d’outils et contrôle. Cette thèse est cohérente avec l’architecture des applications agentiques. Elle reste néanmoins une analyse commerciale produite par un fabricant de CPU et doit être lue comme telle.

La demande supplémentaire n’aboutira pas nécessairement à une explosion mécanique du nombre de processeurs. Certaines fonctions peuvent être regroupées sur moins de serveurs, déplacées vers des accélérateurs ou exécutées par des puces spécialisées. Les gains logiciels peuvent aussi réduire la quantité de calcul nécessaire par tâche. Le CPU redevient stratégique sans que le GPU perde son rôle central.

AMD voit une nouvelle ouverture avec EPYC

AMD dispose d’un avantage évident pour défendre cette lecture : sa famille EPYC occupe déjà une place importante dans les serveurs, tandis que ses accélérateurs Instinct lui permettent de proposer une combinaison CPU et GPU. Le groupe présente la série EPYC 9006 comme une base destinée aux charges de données, au cloud et à l’IA, avec des configurations pouvant atteindre 256 cœurs selon le modèle.

Pour un opérateur de centre de données, un grand nombre de cœurs peut être utile afin de faire fonctionner simultanément bases de données, services de recherche, conteneurs et tâches d’orchestration. L’objectif d’AMD n’est donc pas seulement de vendre un processeur à côté d’un GPU. Il est de faire d’EPYC le moteur général d’une pile dans laquelle Instinct accélère les parties les plus parallèles.

L’entreprise avance également sur les logiciels. AMD PACE, présenté comme un environnement d’orchestration agentique, illustre sa volonté d’aller au-delà du silicium. Là encore, la prudence s’impose : une plateforme annoncée ou un benchmark publié par le constructeur ne prouve ni une adoption à grande échelle ni un avantage durable dans les déploiements réels.

Les benchmarks AMD ne tranchent pas la bataille

AMD a publié des comparaisons mettant en avant les performances de ses prochains processeurs EPYC face à Vera. Ces résultats sont intéressants parce qu’ils montrent les priorités du groupe : débit par serveur, performance par cœur et capacité à alimenter des environnements d’agents. Ils ne constituent cependant pas un verdict indépendant.

Le choix d’un serveur ne repose jamais sur un seul test. La consommation électrique, la mémoire disponible, le coût total, le réseau, la stabilité, le support logiciel et les contrats déjà conclus avec les fournisseurs peuvent compter davantage qu’un score isolé. Les deux architectures devront être évaluées sur des systèmes complets et des charges réellement utilisées par les clients.

Nvidia prépare déjà sa réponse

Réduire Nvidia aux GPU conduirait à manquer une partie essentielle de sa stratégie. Après Grace, l’entreprise développe Vera, un CPU annoncé spécifiquement pour l’ère des agents. Vera doit être associé à Rubin dans la plateforme Vera Rubin, avec les interconnexions, le réseau, les accélérateurs et les logiciels Nvidia.

Nvidia présente ainsi le CPU non comme un composant secondaire acheté ailleurs, mais comme une pièce intégrée de son propre système. Reuters a rapporté en juillet que Perplexity prévoyait d’utiliser Vera. Cette intention d’un client connu reste un signal commercial, pas une preuve que la plateforme dominera les charges agentiques.

La réponse de Nvidia s’étend aussi à BlueField, au réseau et à la sécurité. Fin septembre, le groupe a présenté une plateforme ouverte visant à sécuriser les agents, en associant contrôle des accès, isolation et surveillance. L’annonce confirme un point important : l’agentique déplace une partie de la compétition vers la gouvernance et l’exécution, des domaines où le CPU, le DPU et le logiciel travaillent avec le GPU.

L’avantage le plus difficile à contourner reste CUDA et l’écosystème construit autour de lui. Les entreprises n’achètent pas uniquement des puces ; elles achètent des bibliothèques, des outils, du support, des compétences et un chemin de déploiement. AMD doit donc gagner sur l’intégration et la facilité d’usage, pas seulement sur les caractéristiques d’EPYC ou d’Instinct.

La vraie bataille dépasse CPU contre GPU

Un système agentique peut échouer alors que son GPU est rapide. Une base de données mal indexée, une mémoire insuffisante, un réseau saturé ou un contrôle de sécurité trop lent suffit à dégrader toute l’expérience. L’unité de comparaison pertinente devient alors le coût et la fiabilité d’une tâche complète, pas la puissance théorique d’une puce.

La mémoire à haut débit reste cruciale pour les accélérateurs. La DRAM classique héberge applications et services. Les SSD stockent documents et index vectoriels. Le réseau transporte le contexte entre machines. Les interconnexions déterminent la fluidité des échanges entre CPU, GPU et autres accélérateurs. Enfin, les logiciels décident où chaque étape doit être exécutée.

Cette interdépendance favorise les fournisseurs capables de vendre une architecture cohérente. Nvidia poursuit une intégration très poussée. AMD défend une approche combinant EPYC, Instinct et des standards plus ouverts. Les hyperscalers, eux, peuvent mélanger plusieurs fournisseurs et développer leurs propres composants afin de réduire les coûts et leur dépendance.

Intel et les hyperscalers compliquent l’équation

Le marché ne se résume pas à AMD contre Nvidia. Intel conserve une base installée considérable dans les centres de données et peut défendre ses processeurs Xeon dans les charges générales. L’architecture Arm progresse également, portée par des conceptions internes chez plusieurs grands groupes du cloud.

Amazon Web Services développe Graviton pour le calcul général et Trainium pour l’IA. Google dispose de ses TPU. Microsoft conçoit aussi ses propres puces. Meta prévoit de mettre davantage de silicium maison en production pour certaines charges, selon Reuters. Ces initiatives ne remplacent pas immédiatement les produits d’AMD ou Nvidia, mais elles renforcent le pouvoir de négociation des hyperscalers et segmentent le marché.

Un agent peut ainsi utiliser un modèle servi par un accélérateur Nvidia, des services généraux fonctionnant sur AMD EPYC ou Arm, puis appeler une base de données hébergée sur une autre infrastructure. La concurrence se joue autant dans la capacité à s’intégrer à cet environnement hétérogène que dans la vente d’un système entièrement propriétaire.

Ce que cette évolution change pour l’économie de l’IA

L’IA agentique pourrait accroître la demande de calcul en multipliant les étapes nécessaires pour accomplir une tâche. Une seule demande utilisateur peut déclencher plusieurs appels de modèle, recherches, vérifications et exécutions de code. Le coût par interaction risque donc d’être supérieur à celui d’un chatbot simple, même si chaque composant devient plus efficace.

Pour les centres de données, cela signifie des dépenses réparties sur davantage de couches : accélérateurs, serveurs CPU, mémoire, stockage, réseau et sécurité. L’électricité devient elle aussi un poste déterminant. Une plateforme techniquement plus rapide peut être économiquement moins intéressante si elle consomme davantage ou exige une infrastructure coûteuse.

Le principal indicateur ne sera pas le nombre d’agents annoncés, mais leur utilisation réelle : combien de tâches terminées, avec quel taux d’erreur, quelle intervention humaine et quel coût total. Cette discipline de mesure déterminera si l’agentique crée un nouveau cycle d’investissement durable ou seulement une vague d’expérimentations.

Ce qu’il faudra surveiller dans les prochains mois

Le premier test sera l’arrivée de systèmes exploitant effectivement EPYC 9006, Instinct, Vera et Rubin. Les annonces de disponibilité comptent moins que les contrats, les volumes déployés et les résultats obtenus sur des charges complètes.

Il faudra ensuite comparer le coût total : matériel, énergie, réseau, mémoire, logiciels et personnel. Les benchmarks de génération de tokens ne suffiront pas pour mesurer un workflow qui passe une partie de son temps à attendre une API, consulter un document ou vérifier une autorisation.

Enfin, l’écosystème logiciel restera décisif. AMD doit convertir sa force dans les CPU serveur en expérience intégrée pour l’IA. Nvidia doit prouver que son extension vers les CPU et les agents apporte un avantage au-delà de son leadership dans les GPU. Intel, Arm et les puces internes des hyperscalers peuvent empêcher l’un ou l’autre de contrôler l’ensemble de la chaîne.

L’IA agentique redonne donc une importance stratégique au CPU, mais pas un avantage automatique à AMD. Nvidia a déjà choisi de répondre sur ce terrain avec Vera et une pile complète. La compétition la plus crédible oppose désormais des systèmes capables d’exécuter une tâche de bout en bout au meilleur coût, avec suffisamment de sécurité et de fiabilité.

À retenir

L’entraînement et la génération restent largement dominés par les accélérateurs. Les agents ajoutent cependant une couche de travail général : bases de données, outils, logique, contrôle, stockage et réseau. Cette évolution augmente la valeur du CPU sans transformer la relation CPU-GPU en jeu à somme nulle.

AMD dispose d’une ouverture grâce à EPYC et Instinct. Nvidia cherche précisément à la refermer avec Vera, Rubin, BlueField et son écosystème logiciel. Les hyperscalers et les architectures alternatives rendent toute conclusion définitive prématurée.

La question n’est donc plus seulement de savoir quelle puce calcule le plus vite. Elle est de savoir quelle plateforme exécute le mieux un processus agentique complet, au coût le plus soutenable et avec le niveau de contrôle exigé par les entreprises. Cet article est publié à titre informatif et ne constitue pas un conseil d’investissement.