Le tableau comparatif affiche 0,45 €/h pour un A100. Le data scientist valide le budget. Lundi matin : quota épuisé, file de 36 heures, un dataset de 2 To à ingérer facturé en egress, image CUDA 11.x incompatible avec la stack PyTorch choisie. Mercredi enfin un pod disponible — deux jours perdus. Le prix horaire était exact ; le coût du temps d'attente ne figurait nulle part dans la présentation commerciale.
Comparer les GPU pour l'IA sans mesurer la disponibilité, c'est comparer des billets d'avion sans regarder les dates de vol. Le marché européen propose des tarifs attractifs sur le papier, mais la capacité GPU reste une ressource rare en période de rush. Cette enquête recense ce que les catalogues omettent et comment construire un comparatif honnête avant de signer.
Au-delà du prix horaire : cinq lignes de coût oubliées
Le tarif €/h n'est qu'une ligne sur une facture plus large. Cinq postes reviennent systématiquement dans les dépassements de budget.
Disponibilité et quotas. Sur le cloud public, la capacité GPU est partagée. En période de hype (lancement de modèle, rentrée universitaire), les files d'attente peuvent atteindre plusieurs jours. Un GPU « disponible » dans le catalogue peut être indisponible en pratique.
Stockage des datasets. NVMe local, stockage objet, IOPS provisionnés : chaque Go/mois s'ajoute au compute. Un dataset de plusieurs téraoctets qui transite entre régions génère aussi de l'egress — voir notre enquête sur les frais d'egress.
Egress. Exporter un modèle entraîné, des logs ou des checkpoints vers une autre région ou un autre fournisseur peut représenter 20 à 40 % du budget total si personne ne l'a modélisé en amont.
Setup et images. Drivers CUDA, frameworks ML, notebooks Jupyter : les heures ingénieur passées à rendre l'environnement utilisable ne figurent pas sur la facture GPU, mais elles coûtent réellement.
GPU inactif. Une instance laissée allumée entre deux epochs ou oubliée le week-end fait fuir le budget aussi sûrement qu'un pic de trafic non provisionné.
| Critère | Impact sur le TCO | Question à poser |
|---|---|---|
| €/h GPU | Direct | Quelle carte exacte, quelle mémoire VRAM ? |
| File d'attente | Retard projet | Existe-t-il un SLA d'allocation ? |
| Egress | +20–40 % possible | La région de sortie est-elle figée ? |
| Réservation | −30 % parfois | Un engagement 1–3 mois est-il requis ? |
Disponibilité : le GPU facturé n'est pas le GPU obtenu
Les catalogues listent des prix pour des capacités que les files d'attente rendent parfois fictives. Avant tout engagement, demandez un essai d'allocation : lancez une instance, chronométrez le délai entre la demande et un environnement CUDA opérationnel, répétez sur dix jours ouvrés.
Mesurez aussi le délai médian sur deux semaines, pas le meilleur cas observé un mardi calme. Les équipes qui promettent une date de livraison modèle au comité de direction sans ce test se retrouvent régulièrement à expliquer un retard « infrastructure ».
Sur les offres réservées (engagement 1 à 3 mois), la disponibilité est en général plus prévisible — au prix d'une flexibilité réduite. Pour un entraînement continu sur 30 jours, la réservation bat souvent le à-la-demande ; pour vingt heures de fine-tuning par mois, l'inverse est vrai.
Le GPU le moins cher est celui qui tourne quand vous en avez besoin — pas celui affiché en hero à minuit sur un comparateur statique.
Scénarios A et B : expérimentation vs entraînement continu
Scénario A — Expérimentation. Vingt heures GPU par mois, fine-tuning d'un modèle 7B. Priorité : obtenir une instance en moins d'une heure, petit disque local, egress faible. Le cloud à la demande convient ; la réservation longue durée serait un surcoût.
Scénario B — Entraînement continu. Deux GPU 24 h/24 pendant trente jours. Priorité : prix réservé, absence de file, support réactif. Un serveur dédié GPU ou une réservation longue durée bat le à-la-demande dès que la charge est stable et prévisible.
Comparez OVHcloud et Scaleway sur les grilles réservées, et gardez Hetzner en fallback CPU-only si le GPU reste indisponible — pour au moins ne pas bloquer le pipeline de préparation des données.
Le sommet : le comparatif €/h masque la capacité réelle
Décider et avancer sans angle mort
Commencez par demander un essai d'allocation GPU chez les deux ou trois fournisseurs short-listés, et chronométrez le provisioning jusqu'à un environnement CUDA prêt. Calculez l'egress réaliste de vos datasets avant de valider une région. Confrontez le coût horaire au coût d'une semaine perdue en file d'attente — c'est souvent là que se joue le vrai arbitrage. Documentez les résultats dans un tableur TCO sur douze mois, puis croisez les offres via notre annuaire et le comparateur.
Questions fréquentes
Pourquoi le prix GPU horaire est-il trompeur ?
Parce qu'il ignore la disponibilité réelle, le temps de mise en service, le stockage, l'egress et les heures où le GPU tourne sans produire de résultat. Sur un projet de fine-tuning, le coût effectif peut doubler par rapport au tarif affiché. Intégrez ces lignes avant de comparer deux devis.
Comment comparer deux offres GPU cloud ?
Alignez le même modèle de carte, la région, le disque inclus, l'egress, l'image ML et le délai d'obtention. Testez l'allocation sur deux semaines et notez le délai médian, pas le meilleur cas. Seul ce protocole permet de comparer des offres qui semblent équivalentes sur le papier.
Faut-il cloud GPU ou serveur dédié GPU ?
Le cloud convient aux pics et à l'expérimentation. Un dédié devient rentable dès qu'une charge GPU tourne en continu et que le modèle économique est validé — souvent entre deux et quatre semaines d'utilisation intensive. Faites le calcul sur votre profil réel, pas sur une moyenne théorique.
Quels acteurs européens proposent des GPU ?
OVHcloud, Scaleway et Hetzner (offre limitée) figurent parmi les acteurs visibles en Europe, aux côtés des hyperscalers en région UE. La disponibilité varie fortement : testez l'allocation avant tout projet long et prévoyez un plan B CPU si la file d'attente dérape.
Prix GPU bas ? Mesurez les heures entre « lancer » et « CUDA ready » — c'est là que brûle le budget, pas sur la ligne €/h du devis.