C’est de saison : il existe désormais un Magic Quadrant des « infrastructures cloud pour l’IA ». L’issue était prévisible. Le dernier Magic Quadrant du cloud public d’infrastructure (IaaS + PaaS), paru à l’été 2025, avait donné le ton.

Gartner y avait largement mis en avant la composante IA, de la dépendance de Microsoft à OpenAI au manque de compétitivité des modèles génératifs d’AWS. En parallèle, le Magic Quadrant des « services cloud d’IA pour les développeurs » avait laissé place à celui, plus englobant, des « plates-formes de développement d’applications IA ». La majorité des fournisseurs classés dans l’un s’étaient retrouvés dans l’autre.

OVHcloud en « challenger », Scaleway en « acteur de niche » Chose rare dans un même Magic Quadrant : la présence de deux fournisseurs français. Lire aussi : Observabilité : une télémétrie à canaliser OVHcloud est suffisamment avancé sur l’axe dit « exécution » (qui reflète la capacité à répondre à la demande) pour se hisser chez les « challengers ». Gartner apprécie un avantage singulier dans le paysage concurrentiel : l’absence de frais de sortie.

Il salue également la maîtrise qu’OVHcloud a sur la fabrication de ses serveurs ; ainsi que, plus globalement, son activité désormais profitable. OVHcloud n’a pas les capacités réseau avancées de ses principaux concurrents. Ce qui limite les possibilités pour les workloads distribués.

Il lui manque aussi des fonctionnalités de gestion opérationnelle, notamment pour la gouvernance des coûts. Il n’a pas non plus le même catalogue d’options serverless, de services MLOps et d’intégrations PaaS. Cela peut supposer des efforts d’intégration supplémentaires.

Par rapport aux autres fournisseurs classés « acteurs de niche », Scaleway a un portefeuille plus diversifié (VM, bare metal, PaaS, serverless…). Gartner y voit un moyen de minimiser la latence et les coûts de transfert entre « composants IA et non IA ». Il salue aussi des datacenters efficaces sur le plan énergétique.

Et la disponibilité de services managés (Kapsule, Managed inference…) qui réduisent le besoin en compétences MLOps. Scaleway n'a de régions cloud qu'en Europe : difficile de le sélectionner pour des workloads globaux qui nécessitent une faible latence. Comme pour OVHcloud, la gamme PaaS native et le catalogue d'intégrations sont moins fournis que chez les principaux hyperscalers.

Par ailleurs, si la tarification de base est « transparente », la facturation séparée du stockage, des instances et de la bande passante peut compliquer la gestion des coûts. 17 fournisseurs, 6 « leaders » Gartner dégage 6 « leaders » sur ce segment des infrastructures cloud pour l'IA. Nommément, Alibaba Cloud, AWS, Google, Huawei Cloud, Microsoft et Oracle.

Sur l'axe « exécution », la situation est la suivante : Rang Fournisseur 1 Google 2 AWS 3 Alibaba Cloud 4 Microsoft 5 Oracle 6 Huawei 7 Tencent Cloud 8 OVHcloud 9 Vultr 10 Lambda 11 CoreWeave 12 Nebius 13 Nscale 14 Crusoe 15 IBM 16 Cloudflare 17 Scaleway Sur l'axe « vision », qui traduit les stratégies (commerciale, marketing, innovation...) : Rang Fournisseur 1 Google 2 AWS 3 Microsoft 4 Alibaba Cloud 5 Huawei Cloud 6 CoreWeave 7 Crusoe 8* Oracle 8* Nebius 10 IBM 11 Tencent Cloud 12 Lambda 13 Nscale 14 Vultr 15 Cloudflare 16 OVHcloud 17 Scaleway Interface et documentation complexes chez Alibaba Cloud Lire aussi : En BI, le rapport standardisé devient l'exception Alibaba Cloud se distingue par l'exhaustivité de son portefeuille, entre infra, outils de développement et modèles de fondation. Gartner apprécie la capacité de la plate-forme PAI-Lingjun à soutenir des workloads à grande échelle sur des architectures hétérogènes. Il mentionne aussi l'outillage open source d'Alibaba Cloud (EasyNLP, EasyCV, PAI-DSW, SONiC...) et le support communautaire qui va avec.

Ainsi que la popularité des modèles open-weight Qwen. Au-delà des inquiétudes de conformité et de souveraineté que peuvent soulever la nationalité chinoise d'Alibaba, l'interface et documentation peuvent s'avérer plus complexes à maîtriser que chez les concurrents américains. La situation géopolitique le prive par ailleurs de l'accès à certaines technologies, à commencer par des puces accélératrices.

AWS n'a pas l'architecture d'entraînement la plus efficace AWS peut s'appuyer sur une infrastructure cloud mature dont Gartner souligne le reach, la résilience et le niveau de sécurité/conformité (il cite, sur ce point, l'hyperviseur Nitro et la certification ISO 42001). Bon point également pour la variété des options d'infrastructure managée, de Bedrock à SageMaker HyperPod. Revers de la médaille : cette variété, avec les niveaux d'abstraction, de contrôle et de responsabilité qu'elle implique, peut compliquer la standardisation à l'échelle des organisations.

AWS a plus globalement du mal à inscrire ses services dans un narratif clair et cohérent, selon Gartner. Les cycles de déploiement peuvent s'en trouver allongés. Le cabinet américain note aussi que l'architecture du réseau et des clusters d'entraînement est moins efficace que chez d'autres fournisseurs.

Le recours à ses puces Trainium peut en outre supposer des efforts d'optimisation logicielle. Un risque de verrouillage chez Google... Au-delà de ses TPU, Google se distingue avec l'architecture AI Hypercomputer, qui associe ces puces aux GPU en une architecture avec réseau et stockage optimisés.

Gartner relève aussi les ressources disponibles : il estime qu'au quatrième trimestre 2025, Google possédait environ 25 % de la capacité de calcul IA mondiale. Cela n'empêche pas que l'accès à cette capacité - plus particulièrement les GPU NVIDIA - peut se révéler difficile. De plus, bien que Google ait étendu sa prise en charge de frameworks comme Jax et PyTorch, l'optimisation pour les TPU est susceptible de compromettre la portabilité des charges de travail.

Attention aussi à la tarification : la combinaison de la facturation au token, des coûts d'infrastructure, des choix de déploiement et des modèles d'engagement peut compliquer l'attribution et la prévision des coûts. ... comme chez Huawei Huawei a l'avantage de maîtriser sa pile (NPU Ascend, CPU Kungpeng, architecture CANN, framework MindSpore) et par là même son rapport coût-performance. Il a aussi pour lui son studio de développement ModelArts, qui favorise une approche par cas d'usage à partir de jeux de données sectoriels pour ajuster les modèles Pangu. Gartner apprécie aussi la mesure dans laquelle il a inscrit dans sa stratégie commerciale les déploiements hybrides et privés.

Lire aussi : De l'IAM à l'IaC, des angles morts dans les solutions de sauvegarde Comme pour Alibaba Cloud, la nationalité chinoise de Huawei est un obstacle à l'adoption de ses technologies, en tout cas dans le monde occidental. Quant à sa stack maison, elle est susceptible de créer un verrouillage. Ou tout au moins d'accroître la courbe d'apprentissage pour qui est habitué à des standards comme CUDA.

Vigilance également sur l'empreinte géographique de l'infrastructure IA, plus limitée que chez les autres hyperscalers. Chez Microsoft, attention à la gouvernance des coûts Gartner salue la « proposition de valeur unique » que Microsoft s'est construite dans la GenAI à renfort de partenariats. Il fait aussi remarquer le liant créé entre son infrastructure IA et le reste d'Azure.

Ainsi que l'exhaustivité du catalogue de services managés. Il mentionne, à ce sujet, Microsoft Foundry et Azure AI Landing Zone, qui réduisent le besoin en compétences MLOps. Comme les autres hyperscalers, Microsoft fait face à des contraintes d'approvisionnement de capacité.

S'il a lui aussi ses propres accélérateurs IA (Maia, pour l'inférence), elle ont pour le moment une place limitée dans son offre, encore largement dépendante de puces tierces. Et les couches de services qui composent son catalogue compliquent la gouvernance et la prévision des coûts. L'outillage d'Oracle manque de maturité Oracle se distingue par la performance et l'élasticité de son architecture OCI Supercluster.

Bon point également pour la flexibilité de déploiement (Dedicated Region, Cloud@Customer, Oracle Database@...). Et pour l'intégration avec ses autres produits (Oracle Fusion Cloud Applications, AI Data Platform, Autonomous Database...). Oracle propose moins d'intégrations et de ressources communautaires que ses concurrents ; ce qui peut imposer des développements personnalisés.

Si l'infra IA est robuste, l'outillage pour la gérer (orchestration, observabilité...) est moins mature et moins complet. Il peut par ailleurs être délicat de parcourir la documentation. Et les temps de réponse du support peuvent varier.

Illustration générée par IA