L’IA Boom vend la capacité qu’elle utilise à peine. Le nouveau “Benchmark” de Stacklet est simplement le premier à vendre cette capacité utilisée efficacement.

Le 10 septembre, une start-up spécialisée dans la gouvernance des nuages appelée Stacklet a annoncé que…Bilan de référence sur l’IA Cloud et le gestion financièreIl s’agit d’un ensemble de contrôles testés, qui permettent de « découvrir, corriger et prévenir » les gaspillages dans les infrastructures liées aux GPU et aux modèles d’IA. Il faut bien comprendre que c’est un élément de marketing, et non un produit réel. Un benchmark que l’on vend, plutôt qu’un benchmark que l’on publie, est en réalité un document de positionnement. Ce qui est vraiment intéressant, c’est que Stacklet pense qu’il existe un marché pour le vendre, car cette stratégie repose sur des chiffres que le secteur de l’IA ne veut généralement pas examiner.

Stacklet est l’unité commerciale qui accompagne Cloud Custodian, un moteur de politiques open source permettant d’appliquer les règles cloud en tant que code. L’argument principal est que les charges de travail liées à l’IA sont désormais…Le plus grand écart en matière de gouvernance dans les environnements cloud d’entreprise.Voici pourquoi cette différence est réelle et mesurable, et pourquoi elle est importante pour les investisseurs dans les entreprises qui ne font pas partie de Stacklet.

Le produit vendu représente un vrai problème.

Le problème fondamental est le fait le plus étrange lié à l’émergence de l’IA : l’industrie investit des sommes considérables dans des capacités qui, une fois louées, restent généralement inutilisées. Les données de production recueillies dans l’enquête de Cast AI en 2026 montrent que…Utilisation moyenne des GPU dans les clusters Kubernetes d’entreprise, à peu près…5%Même en tenant compte de la population cible de l’enquête, ce n’est pas une erreur de arrondi ; il s’agit d’un groupe de 30 000 accélérateurs qui fonctionnent quelques pourcentages du temps. Le contexte général de la “cloud” est le même : les données collectées par l’industrie restent inchangées.Les coûts liés aux services cloud représentent 27-32 % des dépenses chaque année depuis 2019. Pour l’année 2025, le marché des services cloud devrait atteindre 675 milliards de dollars, selon Gartner..

Les incitations provoquent précisément ce comportement. Les géants du web qui réservent ces équipements –Environ 600 milliards de dollars de dépenses d’investissement en 2026, dont environ 75 % sont destinés à l’IA.– Vaincre en utilisant la capacité disponible, que le locataire l’utilise ou non. Les locataires, quant à eux, accumulent des GPU rares, par crainte de ne pas les avoir lors du prochain réajustement des prix. Ils laissent alors ces GPU inutilisées.Personne dans la chaîne ne est payé pour remarquer que la machine est sombre ; donc personne ne le remarque.

C’est le vide que Stacklet remplit, et ses propres exemples montrent à quel point les déchets sont mécaniques. Une politique qui détecte des tâches de formation dont la consommation de VRAM est trop élevée peut…On peut économiser environ 10 000 dollars par mois, sur un coût mensuel de 100 000 dollars. L’entreprise affirme que l’utilisation de deux GPU de type H100 permet d’économiser environ 20 % sur les dépenses liées aux GPU. De plus, en passant de deux GPU H100 à un seul, sur les tâches à faible utilisation, on peut économiser jusqu’à 50 %.Que vous fassiez confiance ou non aux pourcentages indiqués par ces fournisseurs, la direction est claire et le mécanisme est simple : du matériel inutilisé, alimenté par la peur, sans personne qui soit responsable de cette partie inutilisée.

Pourquoi cette différence devient de plus en plus difficile à ignorer

Les forces qui permettent au gaspillage des GPU de se cacher fonctionnent désormais contre eux. Le modèle traditionnel de gestion financière suppose des cycles d’achat annuels et une équipe financière qui voit les factures. L’intelligence artificielle inverse cette situation : les dépenses sont mesurées par token, minute par minute, et sont pilotées par les développeurs et les scientifiques en données, que l’équipe financière ne voit jamais. Les changements peuvent entraîner des augmentations rapides au cours d’un sprint de deux semaines. Les budgets statiques ne suffisent pas pour gérer cela, et la portée des erreurs liées à la configuration inappropriée des GPU ou aux modèles de données qui s’exécutent trop rapidement est plus grande que ce que peut suivre une équipe de gestion manuelle.

C’est là que le « benchmark » entre en jeu comme précurseur. Dès juin, Stacklet définissait un cadre de mesure pour le FinOps basé sur l’IA, afin de déterminer ce qui constitue une bonne pratique en matière de gouvernance des GPU, et de guider les discussions concernant les achats au cours des deux à trois prochaines années. Le consensus parmi les fournisseurs – renforcé par une petite vague de acteurs du FinOps pour l’IA – est que une couche de gouvernance devient obligatoire, car les dépenses liées à l’IA ne sont plus des expérimentations, mais des budgets réels. La question est de savoir si ce benchmark est vraiment utile ; le fait qu’on crée un standard indique que l’industrie a jugé que ce problème valait la peine d’être standardisé.

Ce que cela signifie pour un investisseur

Un investisseur en ligne ne devrait pas chercher les tableurs pour acheter Stacklet. C’est une entreprise privée.Fondé en 2020 par les créateurs de Cloud Custodian., cela a provoqué une18 millions de dollars pour la série Aet une14,5 millions de dollars pour la série B— Aucune action publique à posséder, aucun chiffre d’affaires déclaré, et une valeur de l’entreprise qui n’existe que dans l’esprit de ses investisseurs. Il n’y a rien à acheter directement ici. Toute personne qui vous vend une “exposition à AI-FinOps” via Stacklet vous vend en réalité un actif marketing.

La lecture investissable est celle que l’existence de l’annonce confirme concernant les entreprises…peutL’hypothèse optimiste concernant la capacité des GPU est que cette capacité est effectivement utilisée ; mais les données d’utilisation montrent que une part significative de cette capacité n’est pas utilisée. Une sous-industrie liée aux outils de gestion devient donc nécessaire pour transformer cette capacité inutilisée en revenus. Cela a des conséquences négatives pour les hyperscalers et les fournisseurs de capacité : ils louent le matériel informatique de toute façon, donc l’inutilisation du matériel est un problème lié aux locataires, et non aux fournisseurs eux-mêmes. Le risque réel concerne ceux qui doivent payer les coûts, ainsi que les hypothèses selon lesquelles ces dépenses se traduisent en bénéfices : les entreprises de IA qui dépensent beaucoup d’argent, et la pérennité de la stratégie de dépenses investies, qui repose sur un taux d’utilisation de quelques pour cent.

Si vous voulez que une seule variable soit prise en compte, alors prenez cette variable : il ne s’agit pas de titres liés aux investissements, mais plutôt de l’utilisation effective des ressources. Une mise en place où l’utilisation des ressources augmente progressivement vers un niveau raisonnable est une mise en place rentable ; une mise en place où la capacité disponible reste inchangée, c’est une mise en place qui nécessite que l’argent dépensé pour la réaliser soit enregistré quelque part. Le “benchmark” n’est qu’un bruit. Les 5 % représentent le signal, et c’est pourquoi une start-up pense que vendre les GPU inutilisées constitue une activité commerciale.