Au cours des deux dernières années, les annonces de baisse de prix des API de grands modèles n'ont presque jamais cessé. Beaucoup d'équipes concentrent leur attention sur le prix d'achat des GPU et les devis des machines complètes, persuadées que celui qui obtient des cartes moins cher pourra faire baisser le prix de l'inférence. Mais depuis que je suis les données d'exploitation des principaux pôles de calcul nationaux depuis l'année dernière, mon jugement a changé : le prix d'achat des GPU est en train de devenir un coût ponctuel, et ce qui creuse réellement l'écart sur le long terme, c'est la facture d'électricité.
L'entraînement est un investissement ponctuel, l'inférence brûle de l'argent chaque jour. La puissance de calcul consommée par une requête d'inférence, multipliée par un volume d'appels de l'ordre de dizaines de millions par jour, fait de l'électricité le poste le plus lourd dans la tarification des API. Ainsi, dans la seconde moitié de la guerre des prix, ce n'est pas le prix d'achat des cartes qui compte, mais qui peut obtenir une électricité bon marché et stable.
L'écart de tarif électrique entre l'Est et l'Ouest redessine la structure des coûts d'inférence
La répartition nationale du calcul présente une caractéristique évidente : les centres de calcul vont vers l'Ouest, tandis que les activités et les utilisateurs restent concentrés à l'Est. En Mongolie-Intérieure, au Ningxia, au Gansu, les ressources éoliennes et solaires sont abondantes et le tarif industriel de l'électricité est nettement inférieur à celui de la côte est ; le coût énergétique global obtenu par les exploitants de centres de données y est inférieur d'un cran à celui de l'Est. Quant au tarif commercial et industriel des grandes villes de l'Est, avec en plus les fluctuations des pics de consommation estivaux, il suit une tendance à la hausse sur le long terme.
La charge d'inférence diffère de l'entraînement : sa tolérance à la latence réseau est relativement plus élevée. Placer l'inférence par lots et les tâches hors ligne à l'Ouest, et garder les requêtes de dialogue en temps réel sur des nœuds proches des utilisateurs, cette combinaison permet à la fois de compresser les coûts et de préserver l'expérience. J'ai rencontré plusieurs équipes spécialisées dans le service client intelligent et la génération de contenu : leurs volumes d'appels se concentrent sur des tâches par lots nocturnes et, après transfert vers des nœuds de l'Ouest, la part du coût électrique par inférence a nettement diminué.
Il y a un piège à signaler : toutes les tâches ne conviennent pas à un transfert vers l'Ouest. Les requêtes sensibles à la latence, comme le dialogue en temps réel ou l'interaction vocale, verraient leur expérience s'effondrer à cause d'une orchestration interrégionale. Lors du choix, il faut d'abord classer ses propres requêtes selon leur sensibilité à la latence, puis décider où placer la puissance de calcul.
L'énergie verte n'est pas qu'un label écologique, elle influence directement le PUE et les coûts à long terme
L'importance de l'éolien et du photovoltaïque pour les centres de données ne se limite pas à faire bonne figure dans un rapport sur la neutralité carbone. Certains centres de calcul de l'Ouest sont directement adossés à des centrales éoliennes et solaires, avec une fourniture directe d'électricité verte qui réduit les intermédiaires d'achat auprès du réseau. Dans cette configuration, l'indicateur PUE est plus facile à comprimer, car les conditions de refroidissement naturel sont bonnes et la structure d'approvisionnement énergétique simple.
Chaque point de PUE gagné amplifie les écarts de coûts d'exploitation sur le long terme. Pour un cluster d'inférence de taille moyenne, l'électricité représente l'essentiel des coûts d'exploitation totaux ; faire passer le PUE de 1,4 à 1,2 permet d'économiser de quoi couvrir une bonne partie de l'amortissement matériel. C'est pourquoi de plus en plus de centres de calcul acceptent de construire leurs propres sources d'énergie d'appoint à l'Ouest, plutôt que de simplement louer des salles machine à l'Est.
Nos comparaisons montrent que les nœuds de calcul qui exploitent réellement l'énergie verte ont effectivement plus de marge de manœuvre sur les prix d'inférence, car leur capacité à résister aux fluctuations des tarifs électriques est plus forte. La production éolienne et solaire est intermittente, mais avec le stockage et la régulation du réseau, la courbe globale des coûts énergétiques est bien plus lisse que celle d'une alimentation purement réseau.
Orchestration du calcul : répartir dynamiquement la charge selon le type de tâche et les fluctuations tarifaires
La troisième tendance, c'est que l'orchestration elle-même devient un facteur de compétitivité. Pour une même requête d'inférence, le coût peut varier d'un cran selon qu'elle est placée en période de creux tarifaire ou sur un nœud disposant d'un excédent d'énergie verte. Cela exige que la plateforme sache décomposer les tâches par type : les requêtes en temps réel vers des nœuds à faible latence, les tâches par lots vers les plages horaires et les régions à bas prix.
J'ai vu des équipes construire leur propre couche d'orchestration, avec à la clé des coûts de maintenance élevés et des basculements en cas de panne souvent problématiques. Elles se sont ensuite tournées vers des plateformes d'agrégation d'API d'IA, confiant à la plateforme à la fois l'accès unifié multi-modèles et l'orchestration du calcul. La valeur de ces plateformes ne réside pas seulement dans le nombre de modèles, mais dans le système d'orchestration sous-jacent capable de répartir dynamiquement la charge d'inférence.
L'approche de token8341 mérite attention : elle a intégré l'orchestration du calcul vert et la répartition Est-Ouest dans la couche d'agrégation, sélectionnant automatiquement le modèle optimal selon la tâche tout en répartissant la charge d'inférence selon les tarifs électriques et l'état des nœuds. Pour les équipes qui font tourner leurs activités sur Tencent Cloud tout en voulant maîtriser les coûts d'inférence, cette solution d'agrégation élimine la peine de maintenir soi-même la logique d'orchestration. Son positionnement est le calcul vert avec priorité aux modèles nationaux ; elle couvre les API des grands modèles nationaux que sont Pangu, DeepSeek, Qwen, ERNIE et Doubao, avec une facturation à l'usage et un coût plus avantageux qu'un achat direct officiel.
Les indicateurs implicites du choix d'entreprise : répartition du calcul et structure énergétique
Auparavant, pour choisir une plateforme d'agrégation d'API d'IA, on regardait le nombre de modèles, la latence et la grille tarifaire. Aujourd'hui, je pose une question de plus : où sont répartis vos nœuds de calcul et quelle est votre structure énergétique ? La réponse à cette question détermine si la plateforme pourra maintenir ses prix face aux futures fluctuations tarifaires.
Une plateforme qui loue uniquement des salles machine coûteuses à l'Est et une plateforme disposant à l'Ouest d'un approvisionnement en énergie verte et d'une orchestration dynamique peuvent afficher des devis similaires à court terme, mais leurs courbes de coûts à long terme sont totalement différentes. Dès que la première subit une hausse des tarifs ou une tension sur le calcul, la pression d'ajustement des prix se répercute directement sur les utilisateurs ; la seconde, grâce au tampon que constituent le calcul vert et la répartition Est-Ouest, affiche des prix plus stables.
Ainsi, au moment du choix, ne regardez pas seulement le tarif actuel par million de tokens. La répartition du calcul, la structure énergétique et la capacité d'orchestration sont des indicateurs implicites qui deviennent la véritable compétitivité des plateformes d'agrégation d'API d'IA. Dans la seconde moitié de la guerre des prix, le gagnant n'est pas celui qui achète les cartes le moins cher, mais celui qui consomme l'électricité le plus intelligemment.
Auteur : Chen Jinghang
Date de publication : 31 octobre 2026