Prix GPU cloud : le tableau complet
Le tarif horaire affiché d’un GPU cloud n’est pas ce que vous payez réellement. Les vrais coûts GPU cloud incluent des frais cachés, des pénalités de granularité de facturation et des frais d’infrastructure qui peuvent gonfler votre facture de 20 à 40 % au-delà du prix annoncé.
Ce guide se concentre sur ce que les autres comparatifs de prix manquent : le coût total d’exécution d’une charge GPU, pas seulement le prix affiché. Nous comparons trois types de fournisseurs, révélons les coûts cachés et proposons cinq stratégies concrètes pour réduire vos dépenses GPU.
Pour les comparaisons de spécifications GPU et les recommandations par charge de travail, consultez notre guide du meilleur GPU pour l’AI. Cet article se concentre sur les fournisseurs et les tarifs — où vous louez, pas ce que vous louez.
Trois types de fournisseurs GPU cloud
Le marché GPU cloud comporte trois niveaux distincts, chacun avec des structures tarifaires, des compromis et des clients cibles différents.
Hyperscalers (AWS, Google Cloud, Azure)
Les principaux fournisseurs cloud offrent des instances GPU dans le cadre de leur plateforme d’infrastructure globale. Vous obtenez des SLA entreprise, des régions mondiales, une intégration profonde avec les services managés (stockage, plateformes ML, monitoring) et une disponibilité garantie pour les instances réservées.
La prime : 3,00 à 6,98 $/h pour un H100 à la demande. Les instances réservées (engagements de 1 à 3 ans) réduisent cela de 30 à 50 %, mais nécessitent un engagement à long terme.
Clouds GPU spécialisés (Lambda, CoreWeave)
Concentrés exclusivement sur l’infrastructure GPU. Ces fournisseurs offrent des tarifs compétitifs (2,00 à 3,00 $/h pour H100), des configurations optimisées pour les charges AI et un support orienté AI — mais moins de services managés que les hyperscalers.
Marketplaces GPU (GPUnex, Vast.ai, RunPod)
Agrègent la capacité GPU de centaines de centres de données distribués. En mutualisant l’offre de nombreux fournisseurs, les marketplaces offrent les prix les plus compétitifs (1,49 à 2,50 $/h pour H100) avec une facturation flexible — souvent à la seconde plutôt qu’à l’heure. Les compromis incluent une fiabilité variable et moins d’outils intégrés.
Comparaison des prix par modèle GPU
Voici ce que coûte réellement chaque GPU selon le type de fournisseur début 2026 :
| Modèle GPU | Hyperscaler à la demande | Hyperscaler réservé | Cloud spécialisé | Marketplace GPU |
|---|---|---|---|---|
| H100 80GB | 3,00–6,98 $/h | 2,00–4,50 $/h | 2,00–3,00 $/h | 1,49–2,50 $/h |
| A100 80GB | 1,50–3,50 $/h | 1,00–2,50 $/h | 0,80–1,50 $/h | 0,72–1,50 $/h |
| L40S 48GB | 1,20–2,50 $/h | 0,80–1,80 $/h | 0,80–1,50 $/h | 0,60–1,20 $/h |
| L4 24GB | 0,50–1,00 $/h | 0,30–0,70 $/h | 0,30–0,60 $/h | 0,20–0,50 $/h |
| RTX 4090 24GB | N/A (non proposé) | N/A | 0,40–0,80 $/h | 0,40–0,80 $/h |
Observation clé : L’écart de prix entre les hyperscalers à la demande et les marketplaces est de 2 à 4,7× pour le même matériel GPU. Pour un H100, la différence entre 6,98 $/h (AWS à la demande) et 1,49 $/h (marketplace spot) est de 5,49 $/h — ce qui représente 4 008 $/mois pour un seul GPU fonctionnant 24h/24.
Coûts cachés qui gonflent votre facture GPU
Le tarif GPU horaire n’est qu’une partie de l’histoire. Cinq catégories de coûts cachés surprennent régulièrement les équipes :
1. Frais de sortie de données
Transférer des données hors du réseau d’un fournisseur cloud coûte de l’argent — typiquement 0,05 à 0,12 $ par Go. Entraîner un modèle qui télécharge 1 To de données d’entraînement et exporte régulièrement des checkpoints peut ajouter 50 à 120 $ en frais de sortie par session d’entraînement. Les workflows multi-cloud (entraînement sur un fournisseur, inférence sur un autre) multiplient ces coûts.
2. Coûts de stockage
Les instances GPU ont besoin d’espace disque pour les jeux de données, les checkpoints de modèles et les logs. Le stockage cloud coûte 0,02 à 0,08 $/Go/mois. Un jeu de données de 5 To stocké pendant 3 mois coûte 300 à 1 200 $ — invisible dans le tarif GPU horaire mais très visible sur la facture.
3. Réseau et répartition de charge
L’inférence de production nécessite des répartiteurs de charge, des passerelles API et du réseau inter-nœuds. Ces services ajoutent 50 à 200+ $/mois selon le volume de trafic. Les clusters d’entraînement multi-GPU entraînent des coûts supplémentaires pour le réseau haut débit inter-nœuds.
4. Engagements minimaux et arrondis
Certains fournisseurs facturent par tranches horaires — un job de 35 minutes coûte autant qu’un job de 60 minutes. La facturation à la seconde (proposée par certaines marketplaces) élimine ce gaspillage. Pour les charges intermittentes avec de nombreux jobs courts, la facturation à l’heure peut gaspiller 15 à 30 % de vos dépenses en temps inutilisé.
5. Frais d’API et de services managés
Les services ML managés (SageMaker, Vertex AI) facturent des frais supplémentaires en plus du calcul GPU. Ceux-ci peuvent ajouter 10 à 30 % au coût GPU de base pour la commodité des pipelines d’entraînement et de déploiement managés.
Point clé : Une charge de travail qui coûte 3,15 $/h en calcul GPU peut coûter 4,00 à 4,50 $/h au total quand vous ajoutez les frais de sortie, stockage, réseau et de gestion. Calculez toujours le coût total de votre charge de travail, pas seulement la ligne GPU.
Comment réduire les coûts GPU cloud de 40 %
Cinq stratégies éprouvées qui, combinées, peuvent réduire vos dépenses GPU totales de 30 à 40 % :
1. Utilisez les instances spot/préemptibles (économie 15–20 %)
Les instances spot offrent des réductions de 40 à 60 % par rapport aux tarifs à la demande. Le piège : elles peuvent être interrompues avec un préavis court (typiquement 2 minutes à 2 heures). Pour les charges tolérantes aux pannes — entraînement avec checkpointing, traitement de données par lots, inférence non urgente — les instances spot sont le levier de coût le plus puissant.
Fonctionne le mieux pour : Entraînement de modèles avec checkpoints réguliers, prétraitement de données, inférence par lots, expérimentation.
Ne fonctionne pas pour : Inférence de production servant des utilisateurs en direct, jobs urgents, charges ne tolérant pas l’interruption.
2. Dimensionnez correctement votre GPU (économie 8–12 %)
De nombreuses équipes choisissent par défaut le GPU le plus puissant « pour être sûr ». Une charge qui tourne bien sur un A100 (0,72 $/h) n’a pas besoin d’un H100 (3,15 $/h). Notre guide du meilleur GPU pour l’AI fournit un cadre de décision par charge — associer le modèle GPU à la tâche peut réduire les coûts de 50 %+ pour les charges surdimensionnées.
Erreurs courantes : Utiliser un H100 pour l’inférence quand un L40S suffit. Utiliser un A100 pour le fine-tuning de petits modèles quand la RTX 4090 convient. Exécuter de l’inférence par lots sur des instances à la demande quand le spot est disponible.
3. Planifiez et auto-scalez (économie 5–8 %)
Des instances GPU tournant 24h/24 quand votre équipe travaille 8 heures/jour gaspillent deux tiers des dépenses. Les politiques d’auto-scaling qui démarrent les GPU pour les jobs d’entraînement et les arrêtent quand ils sont inactifs peuvent récupérer un gaspillage significatif. Même une planification simple — « GPU allumés à 8h, éteints à 20h » — économise 50 % sur les instances de développement.
4. Migrez les charges vers les marketplaces (économie 10–15 %)
Pour les charges qui ne nécessitent pas de services managés spécifiques aux hyperscalers, migrer vers une marketplace GPU peut économiser 3 à 6× sur le calcul. L’exigence clé : votre charge doit être conteneurisée (Docker) et ne pas dépendre d’API spécifiques au fournisseur (SageMaker, Vertex AI).
5. Utilisez la capacité réservée/engagée (économie supplémentaire 5–10 %)
Pour les charges prévisibles et soutenues (inférence de production, entraînement continu), les engagements de capacité réservée offrent des réductions de 30 à 50 % par rapport aux tarifs à la demande. Le compromis est l’engagement — typiquement 1 à 3 ans. Combinez la capacité réservée pour votre charge de base avec le spot/marketplace pour la charge variable.
Détail fournisseur par fournisseur
AWS (Amazon Web Services)
Instances GPU : P5 (H100), P4 (A100), G5 (A10G), G6 (L4). Tarifs : H100 à la demande : ~4,50–6,98 $/h. Réservé (1 an) : ~3,00–4,50 $/h. Spot : ~1,50–2,50 $/h. Points forts : Écosystème de services managés le plus large (SageMaker, EKS, S3), disponibilité mondiale, support entreprise. Attention à : Frais de sortie (0,09 $/Go), niveaux tarifaires complexes, fluctuations de disponibilité des instances à la demande.
Google Cloud Platform
Instances GPU : A3 (H100), A2 (A100), G2 (L4). Tarifs : H100 à la demande : ~3,50–5,50 $/h. Engagé (1 an) : ~2,50–3,50 $/h. Spot : ~1,50–2,00 $/h. Points forts : Alternative TPU solide, excellente intégration JAX/TensorFlow, plateforme managée Vertex AI, prix spot compétitifs. Attention à : Flotte GPU plus petite qu’AWS, moins de disponibilité dans certaines régions.
Microsoft Azure
Instances GPU : ND H100 (H100), NC A100 (A100), NC T4 (T4). Tarifs : H100 à la demande : ~3,00–5,00 $/h. Réservé (1 an) : ~2,00–3,50 $/h. Points forts : Intégration OpenAI (Azure OpenAI Service), solide identité/sécurité entreprise, capacités cloud hybride. Attention à : La disponibilité GPU peut être limitée dans les régions populaires.
Marketplaces GPU
GPU disponibles : H100, A100, L40S, L4, RTX 4090, et plus. Tarifs : H100 : 1,49–2,50 $/h. A100 : 0,72–1,50 $/h. RTX 4090 : 0,40–0,80 $/h. Points forts : Prix les plus bas, facturation flexible (à la seconde sur certaines plateformes), sans engagement, large sélection GPU incluant les cartes grand public. Attention à : Fiabilité variable selon le fournisseur, moins d’outils managés, peut nécessiter plus de configuration en autonomie.
Quand utiliser quel type de fournisseur
| Scénario | Meilleur type de fournisseur | Pourquoi |
|---|---|---|
| Inférence de production entreprise | Hyperscaler | SLA, disponibilité mondiale, services managés |
| Entraînement à grande échelle (1000+ GPU) | Hyperscaler ou Cloud spécialisé | Capacité garantie, réseau NVLink |
| Entraînement optimisé en coût | Marketplace GPU (spot) | Prix les plus bas, le checkpointing gère les interruptions |
| Développement et expérimentation | Marketplace GPU | Facturation à la seconde, sans engagement, itération bon marché |
| Petite équipe / startup | Marketplace GPU | Barrière la plus basse, scaling flexible, pas de minimum |
| Inférence par lots | Marketplace GPU ou Spot | Tolère l’interruption, sensible au prix |
| Charges réglementées (finance, santé) | Hyperscaler | Certifications de conformité, pistes d’audit |
Pour la question achat vs. location — si la location cloud est plus logique que posséder du matériel — consultez notre comparaison détaillée des coûts. Pour les startups qui budgètent leurs premières dépenses GPU, consultez notre guide des coûts de calcul pour startups AI.
Questions fréquemment posées
Quel est le moyen le moins cher de louer un H100 ?
Les marketplaces GPU offrent les tarifs H100 les plus bas à 1,49 à 2,50 $/h. Les instances spot des hyperscalers viennent ensuite à 1,50 à 2,50 $/h mais peuvent être interrompues. L’option fiable la moins chère est une marketplace avec un fournisseur ayant des scores de disponibilité élevés. Pour les charges non urgentes, les tarifs spot sur n’importe quelle plateforme offrent les réductions les plus importantes.
Les coûts cachés sont-ils vraiment si importants ?
Oui. Pour une charge d’entraînement typique, les coûts cachés (sortie, stockage, réseau) ajoutent 20 à 40 % à la facture de calcul GPU. Une instance H100 à 3,15 $/h exécutant un job d’entraînement avec 2 To de transfert de données et 500 Go de stockage de checkpoints peut effectivement coûter 4,00 à 4,50 $/h au total. Estimez toujours le coût total de la charge, pas seulement le tarif GPU horaire.
Dois-je utiliser un seul fournisseur ou plusieurs ?
Plusieurs. Utilisez les marketplaces GPU pour les charges sensibles au coût (développement, traitement par lots, inférence). Utilisez les hyperscalers pour l’inférence de production et les charges réglementées. Utilisez les tarifs spot chez tous les fournisseurs pour les jobs tolérants aux pannes. La diversification évite le verrouillage fournisseur et vous permet d’optimiser les coûts à chaque niveau.
Qu’est-ce que la facturation à la seconde et est-ce important ?
La facturation à la seconde vous facture uniquement le temps exact d’activité de votre GPU. La facturation à l’heure arrondit — un job de 35 minutes coûte autant que 60 minutes. Pour les charges avec de nombreux jobs courts (inférence, expérimentation, CI/CD), la facturation à la seconde économise 15 à 30 %. Pour les jobs d’entraînement de longue durée, la différence est négligeable.
Comment les prix GPU ont-ils évolué au cours de l’année écoulée ?
Les prix des H100 ont baissé de 44 % entre juin 2024 et juin 2025, portés par l’expansion de l’offre et la concurrence des marketplaces. Les prix des A100 ont encore plus baissé avec le vieillissement du GPU. Les prix devraient continuer à baisser progressivement à mesure que NVIDIA et AMD augmentent la production, bien que les GPU de nouvelle génération (B200, Rubin) commanderont des prix premium au lancement. Pour un contexte de marché plus large, consultez notre analyse du marché OpenAI-NVIDIA.