Il y a quelques années encore, parler de puces custom chez Amazon relevait presque de l'anecdote face aux GPU de NVIDIA. Ce temps semble bel et bien révolu. Le géant du cloud vient d'annoncer que ses processeurs maison — Trainium pour l'entraînement de modèles d'IA, Graviton pour les charges de calcul généralistes, Nitro pour la virtualisation — ont atteint un taux de fonctionnement annuel de 20 milliards de dollars. La croissance dépasse les 100 % en glissement annuel, un rythme que peu d'activités à cette échelle peuvent revendiquer.
Pour donner un ordre de grandeur : si cette branche silicon fonctionnait en entité autonome, elle approcherait les 50 milliards de dollars de revenus équivalents. C'est plus que beaucoup d'entreprises tech cotées en bourse. Chez AWS, c'est devenu une ligne stratégique à part entière, pas un simple accessoire d'infrastructure.
Pourquoi des clients comme OpenAI ou Meta choisissent les puces Amazon
La liste des entreprises qui ont signé des engagements pluriannuels avec AWS autour de ces processeurs mérite qu'on s'y attarde : OpenAI, Anthropic, Meta, Uber. Des profils très différents — des labs d'IA pure, un géant des réseaux sociaux, une plateforme de mobilité — mais un point commun : un besoin massif et prévisible de puissance de calcul.
Pour OpenAI et Anthropic, la relation avec Amazon dépasse la simple question de processeurs. Anthropic a levé plusieurs milliards auprès d'AWS, et ses modèles Claude tournent en partie sur Trainium. OpenAI, de son côté, a annoncé des investissements significatifs dans l'infrastructure cloud d'Amazon. Ces partenariats ne sont pas des coups marketing : ils engagent des volumes de calcul considérables sur plusieurs années, ce qui explique la visibilité du run rate annoncé.
Meta, qui développe ses propres modèles Llama en open source, et Uber, dont les besoins en inférence temps réel sont substantiels, illustrent une autre dimension de l'offre. Trainium ne sert pas seulement à entraîner des grands modèles de langage : il couvre une gamme croissante de cas d'usage, de la recommandation à la prédiction de trajets.
La stratégie derrière le silicon maison
Amazon a commencé à concevoir ses propres puces pour une raison simple : réduire sa dépendance à NVIDIA tout en comprimant les coûts pour ses clients AWS. Graviton, lancé en 2018, a montré que le pari était viable — les instances EC2 basées sur ces processeurs ARM offrent un rapport performance/prix difficile à ignorer. Trainium a suivi, ciblant spécifiquement l'entraînement de modèles d'IA, là où les coûts explosent.
Le résultat, six ans plus tard, c'est un écosystème propriétaire qui couvre l'essentiel de la chaîne : virtualisation avec Nitro, calcul généraliste avec Graviton, IA avec Trainium (et son pendant pour l'inférence, Inferentia). Chaque couche renforce l'attractivité d'AWS face à Google Cloud et Microsoft Azure, qui ont leurs propres stratégies silicon — TPU chez Google, Maia chez Microsoft.
Ce qui distingue Amazon dans cette course, c'est peut-être moins la performance brute des puces que la profondeur des engagements clients obtenus. Un contrat pluriannuel avec OpenAI ou Anthropic, c'est une garantie de volume qui justifie des investissements R&D considérables dans les prochaines générations de Trainium. La prochaine version, Trainium 2, est déjà déployée dans certains centres de données AWS.
À 20 milliards de run rate annuel et une croissance qui double chaque année, la question n'est plus de savoir si les puces custom d'Amazon peuvent rivaliser avec les solutions du marché. Elle porte sur le rythme auquel cette trajectoire peut tenir — et sur la part de marché que NVIDIA acceptera de céder dans un secteur où sa domination reste, pour l'instant, très large.
