GPU souverain ou dépendance américaine : ce que l'alliance Scaleway-Qarnot révèle des choix structurants pour les DSI européens

# GPU souverain ou dépendance américaine : ce que l'alliance Scaleway-Qarnot révèle des choix structurants pour les DSI européens

En 2026, le GPU computing n'est plus un sujet réservé aux équipes de recherche. Il est devenu une infrastructure critique pour toute organisation qui entraîne des modèles, traite des données massives ou déploie de l'inférence à l'échelle. Et c'est précisément là que le problème de souveraineté devient concret, opérationnel, mesurable.

L'alliance entre Scaleway et Qarnot Computing propose une réponse européenne à cette dépendance. Elle mérite une lecture technique rigoureuse — pas comme une annonce marketing, mais comme un signal d'architecture pour les DSI et CTO qui doivent arbitrer entre performance immédiate et contrôle à long terme.

Cet article compare trois approches du GPU computing sur quatre critères organisationnels et techniques : l'architecture d'infrastructure, le modèle de gouvernance des données, l'intégration dans un SI existant, et les compétences internes nécessaires pour ne pas rester captif d'un prestataire.

Les trois approches en présence

Approche A — L'offre dominante américaine (AWS, Azure, GCP — traités ici comme un bloc, leurs modèles convergent suffisamment pour l'analyse)

Approche B — Scaleway GPU Cloud (filiale d'Iliad, opérateur français, data centers en Europe)

Approche C — Qarnot Computing (acteur français spécialisé, modèle de calcul distribué thermiquement récupéré, désormais intégré à l'écosystème Scaleway)

L'objectif n'est pas de produire un palmarès. C'est d'identifier ce que chaque approche implique réellement pour une organisation qui veut reprendre la main sur son infrastructure IA.

Critère 1 — Architecture d'infrastructure

Offre dominante américaine

Les hyperscalers US ont industrialisé l'accès GPU à une échelle que nul acteur européen n'égale aujourd'hui. Les clusters H100 ou B200 disponibles chez les acteurs américains sont massifs, géographiquement distribués, et orchestrés via des surcouches propriétaires (SageMaker, Azure ML, Vertex AI). Cette puissance brute est réelle. Elle s'accompagne cependant d'une architecture fondamentalement fermée : les abstractions propriétaires créent une adhérence technique difficile à résorber. Migrer hors d'un hyperscaler US après dix-huit mois d'usage intensif n'est pas un projet trimestriel.

Scaleway GPU Cloud

Scaleway opère des GPU H100 dans ses data centers français et néerlandais, sous juridiction européenne. L'architecture s'appuie sur des standards ouverts (compatibilité CUDA, API REST, orchestration Kubernetes). Le catalogue est moins étendu que celui des acteurs américains, mais il couvre les cas d'usage d'entraînement et d'inférence des PME/ETI. L'absence de surcouche propriétaire est à la fois une limite (moins d'abstractions disponibles) et un avantage stratégique : elle réduit l'adhérence et facilite une éventuelle migration ou hybridation.

Qarnot Computing

L'architecture de Qarnot est structurellement différente. Elle repose sur un modèle de calcul distribué intégré dans des radiateurs industriels et des bâtiments tertiaires — la chaleur produite par le calcul est valorisée thermiquement. Cela implique une géographie du calcul plus fragmentée, adaptée à des workloads parallélisables et tolérants à la latence (batch, entraînement long, rendu, simulation). L'intégration dans l'écosystème Scaleway permet depuis 2025 de combiner les deux modèles : calcul centralisé à haute densité (Scaleway) et calcul distribué à récupération énergétique (Qarnot), sur une seule interface de gouvernance.

Signal organisationnel : l'architecture Qarnot implique de repenser le découpage des workloads. Les équipes data habituées à des jobs monolithiques devront segmenter leurs pipelines. C'est un investissement en ingénierie interne — mais c'est aussi une compétence qui reste dans l'organisation.

Critère 2 — Gouvernance des données

Offre dominante américaine

Le sujet est documenté depuis le Cloud Act de 2018, renforcé par les tensions réglementaires de 2024-2025. Les données traitées sur infrastructure américaine — même hébergées en Europe — restent théoriquement accessibles aux autorités américaines sous certaines conditions. Pour les entreprises soumises au RGPD, à NIS2, à des réglementations sectorielles (santé, finance, défense) ou à des clauses contractuelles clients, cette situation n'est plus gérable par une simple clause de DPA. Elle exige une décision d'architecture.

Scaleway

Filiale d'un groupe français coté, Scaleway opère sous droit européen. Ses data centers sont en France et aux Pays-Bas. L'absence de maison-mère américaine élimine le vecteur Cloud Act. La conformité RGPD est native dans le modèle contractuel. Pour les entreprises en phase de qualification fournisseur (appels d'offres publics, partenariats avec des donneurs d'ordre exigeants), c'est un argument auditable — pas marketing.

Qarnot

Même profil juridique : entreprise française, calcul localisé en Europe, chaîne de sous-traitance contrôlée. La particularité du modèle distribué de Qarnot pose une question légitime : où exactement le calcul est-il exécuté ? La réponse est documentée dans les contrats — les nœuds de calcul sont localisés dans des bâtiments européens identifiés. C'est un point à auditer précisément lors de la qualification fournisseur, mais le cadre juridique reste européen.

Signal organisationnel : la gouvernance des données GPU n'est pas un sujet RSSI isolé. Elle engage le DPO, les équipes juridiques et les directions métier qui portent les projets IA. La montée en compétence interne sur ces sujets — cartographie des flux, qualification des sous-traitants, gestion des transferts hors UE — est une capacité organisationnelle à construire, indépendamment du choix de l'infrastructure.

Critère 3 — Intégration dans un SI existant

Offre dominante américaine

L'intégration est fluide si le SI est déjà dans l'écosystème de l'hyperscaler concerné. Elle devient complexe et coûteuse en contexte multi-cloud ou hybride. Les SDK, les formats de modèles, les pipelines MLOps sont optimisés pour rester dans l'écosystème. Les équipes qui ont développé des pipelines sur SageMaker ou Azure ML savent ce que représente une extraction : ce n'est pas impossible, mais ce n'est pas neutre.

Scaleway

L'approche API-first de Scaleway et sa compatibilité avec les standards ouverts (S3-compatible, Kubernetes, CUDA) facilitent une intégration dans des environnements hétérogènes. Pour un DSI qui opère un SI hybride — on-premise + cloud européen — c'est un point de compatibilité non négligeable. Les équipes qui maîtrisent Kubernetes et les pipelines MLOps standards n'ont pas besoin de requalification majeure.

Qarnot

L'API Qarnot est documentée et exposée en REST. L'intégration nécessite cependant une adaptation des pipelines existants pour gérer le modèle de soumission de tâches distribué. C'est un travail d'ingénierie initial — estimé en semaines, pas en mois pour des équipes expérimentées — mais il produit une abstraction interne réutilisable. L'intégration Scaleway-Qarnot unifie désormais une partie de cette complexité via une interface commune.

Signal organisationnel : l'intégration d'une infrastructure GPU européenne dans un SI existant révèle rapidement le niveau de dépendance aux abstractions propriétaires américaines. C'est un diagnostic utile en soi. Les organisations qui découvrent à cette occasion qu'elles ne maîtrisent plus leurs pipelines de données ont un problème structurel qui dépasse le choix du fournisseur GPU.

Critère 4 — Compétences internes requises et rétention de savoir

C'est le critère le plus sous-estimé dans les décisions d'infrastructure.

| Compétence | Offre US dominante | Scaleway | Qarnot |

|---|---|---|---|

| Orchestration Kubernetes | Optionnelle (abstraite) | Nécessaire | Nécessaire |

| MLOps sur standards ouverts | Secondaire | Central | Central |

| Gestion de workloads distribués | Non requise | Partielle | Forte |

| Audit fournisseur RGPD/NIS2 | Complexe | Standard | Standard |

| Portabilité des modèles | Limitée (lock-in) | Élevée | Élevée |

| Compréhension de la chaîne de calcul | Opaque | Transparente | Transparente |

La lecture de ce tableau doit être organisationnelle, pas technique. Les offres US dominantes réduisent la charge opérationnelle apparente — mais en transférant la compétence vers le prestataire. Lorsque les conditions commerciales changent (et elles changent), l'organisation se retrouve sans levier.

L'approche Scaleway-Qarnot exige davantage en interne — mais ce qu'elle exige, elle le laisse dans l'organisation. Les ingénieurs qui maîtrisent Kubernetes, les pipelines MLOps ouverts et la gestion de workloads distribués sont des compétences portables, réutilisables, non captives.

Signal RH concret : les DSI qui choisissent une infrastructure GPU européenne doivent anticiper un profil d'ingénierie data/ML capable de travailler sur des standards ouverts sans filet propriétaire. Ce profil existe en Europe — il est formé dans les écoles d'ingénieurs et les universités techniques françaises, néerlandaises, allemandes. Il est en tension sur le marché, mais il est recrutabler sans dépendre d'une certification propriétaire américaine.

Ce que révèle vraiment l'alliance Scaleway-Qarnot

L'alliance n'est pas une réponse à la puissance brute des hyperscalers américains. Elle ne prétend pas l'être. Elle adresse une question différente : est-il possible de construire une infrastructure GPU européenne suffisamment capable pour les workloads critiques des PME/ETI, tout en restant dans un cadre de gouvernance contrôlable ?

En 2026, la réponse commence à être oui — avec des nuances. Les workloads d'entraînement de grande taille restent un défi pour les acteurs européens. Mais l'inférence, le fine-tuning, les pipelines batch et les projets IA de taille intermédiaire entrent dans le périmètre atteignable.

Pour les DSI et CTO qui lisent ce signal correctement, la question n'est pas « Scaleway-Qarnot vaut-il AWS ? ». La question est : « Quelle part de mon calcul GPU puis-je rapatrier sous gouvernance européenne, avec quelles compétences internes, et dans quel délai ? »

Cette question-là mérite une réponse d'architecture — pas une réponse commerciale.