Vultr défie les hyperscalers avec un cloud GPU 50 à 90 % moins cher

Décembre 2024. Vultr lève 333 millions de dollars auprès de LuminArx Capital et AMD Ventures, pour une valorisation de 3,5 milliards de dollars.

Mars 2026. La plateforme annonce un cluster IA d’un milliard de dollars dans l’Ohio, articulé autour de 24 000 puces AMD MI355X.

1ᵉʳ avril 2026. À KubeCon Europe, Kevin Cochrane, CMO de Vultr, lâche le chiffre qui va faire le tour des équipes infrastructure : le cloud GPU de Vultr coûte 50 à 90 % de moins que les offres comparables d’AWS, Google Cloud et Azure.

Ce n’est pas une promotion de printemps. C’est un signal de marché. Le cloud GPU n’est plus réservé aux entreprises qui ont levé 100 millions.

L’écart de prix n’est pas un argument marketing — c’est un fait comptable

Comparons du matériel identique. Une H100 chez Google Cloud est facturée 14,19 $/heure au tarif public. Chez Vultr, l’équivalent H100 tourne autour de 2,99 $/heure en bare metal — un différentiel de près de 470 %. Même après les baisses de prix d’AWS (−44 % sur les H100 mi-2025), l’écart reste structurel : les hyperscalers facturent le GPU comme une ressource premium, pas comme une commodité.

Les chiffres concrets de la grille Vultr en mars 2026 :

• GH200 Grace Hopper (141 Go HBM3e + 480 Go LPDDR5X) : 1,99 $/heure
• AMD MI300X : 1,85 $/heure ; MI325X : 2,00 $/heure
• A100 PCIe 80 Go : 2,40 $/heure
• 8×H100 bare metal : 23,92 $/heure (soit 2,99 $ par GPU)

Les hyperscalers négocient, bien sûr. Un contrat entreprise avec committed use discount réduit l’écart. Mais le problème que Vultr attaque est réel : les équipes approuvent des pilotes IA sur la base de coûts modérés, puis découvrent que le passage à l’échelle en production sur AWS ou GCP coûte « des multiples de ce qu’elles avaient budgété ». Le pricing hyperscaler — feuilleté, négocié, dépendant du contrat — est structurellement difficile à prévoir. Le positionnement de Vultr tient en une phrase : tarification transparente, pas d’engagement long terme, un prix par GPU.

OpenClaw et les skill files : l’infrastructure GPU pilotée par agents IA

Vultr ne se contente pas d’être moins cher. Il automatise le déploiement avec des agents IA — une couche que les hyperscalers n’ont tout simplement pas.

Le mécanisme, décrit par Kevin Cochrane à KubeCon Europe 2026, repose sur OpenClaw (issu de l’écosystème open source Nvidia NemoClaw). Les ingénieurs platform créent des skill files — des fichiers de configuration déclaratifs qui décrivent comment provisionner un VPC, établir un direct connect entre régions, ou configurer un failover. Ces skills sont agrégés dans une bibliothèque validée par les équipes techniques, puis exposés dans un portail développeur.

Le développeur final, lui, ne voit rien de tout cela. Il clique sur un modèle de GPU (H100 ou A100), choisit une région (New Jersey, Londres, Tokyo), et l’agent OpenClaw exécute le provisionnement — VPC, stockage, réseau, politiques de sécurité — en une seule opération.

La promesse est double :

• Pour les développeurs : zéro configuration infrastructure. Ils déploient un workload IA comme ils pousseraient un container sur Heroku en 2016.
• Pour les équipes platform : un contrôle centralisé sur la sécurité et la conformité, sans être le goulot d’étranglement de chaque déploiement.

L’approche n’est pas théorique. La plateforme est 100 % API-driven. Les skill files couvrent déjà le networking, le stockage, les politiques de sécurité et la conformité. Nvidia Dynamo orchestre l’infrastructure stateful/stateless sous Kubernetes. La plateforme Vera Rubin — intégrant GPU, CPU, réseau et stockage — pousse ce que Cochrane appelle « la frontière efficiente de la tokenomics ».

Les trois limites que les hyperscalers ne manqueront pas de souligner

Vultr est une alternative crédible, pas un remplacement universel. Trois limites structurelles méritent d’être posées.

L’écosystème managé. AWS Bedrock, Azure AI Foundry et Google Vertex AI ne vendent pas que du compute — ils embarquent le model management, le monitoring, les pipelines de fine-tuning et les certifications de conformité dans le prix. Une équipe qui a construit son MLOps sur ces services managés ne peut pas migrer vers Vultr sans reconstruire toute la couche environnante. Vultr est fait pour les équipes qui opèrent leur propre stack — pas pour celles qui ont acheté l’écosystème hyperscaler clé en main.

La maturité opérationnelle. Vultr revendique 32 régions et 80 millions de serveurs déployés. C’est considérable. Mais la redondance globale, les certifications de conformité sectorielle et le managed networking des hyperscalers restent à un niveau de maturité que les neoclouds n’ont pas encore atteint. Pour une fintech soumise à PCI-DSS ou une healthtech sous HIPAA, le gap de conformité peut être rédhibitoire.

La fraîcheur du matériel. Les instances GPU de Vultr utilisent majoritairement des A100 de génération 2021. C’est amplement suffisant pour l’inférence et l’entraînement standard. Mais les équipes qui exigent les dernières H200 ou B200 ne les trouveront pas encore chez Vultr — le hardware de dernière génération reste pour l’instant captif des hyperscalers.

Le verdict

Vultr n’est pas en train de tuer AWS. Il est en train de créer un marché qui n’existait pas : le cloud GPU accessible sans sales team ni commitment annuel.

Si vous êtes une startup IA qui s’entraîne sur des A100 ou fait de l’inférence sur GH200, le calcul est simple. Une H100 chez Google Cloud à 14,19 $/heure contre une H100 chez Vultr à 2,99 $/heure, c’est 10 000 dollars d’écart par mois pour un seul GPU allumé 24/7. À l’échelle d’une équipe de cinq personnes qui burn du compute pour itérer, l’écart paie les salaires.

Si vous êtes une PME avec une stack MLOps maison et une aversion légitime pour les surprises de facturation, Vultr est la réponse la plus directe à la question « combien ça coûte ». Le tarif est public, le provisioning est automatisé par agent IA, et il n’y a pas de commitment à signer.

Si vous êtes une grande entreprise déjà intégrée à l’écosystème Bedrock, Vertex AI ou AI Foundry, le coût de migration de votre couche managée dépasse probablement l’économie de compute. Mais le simple fait que Vultr existe change la donne : les hyperscalers savent désormais que leurs clients ont un point de comparaison public. Cet écart de prix n’est plus une variable interne — c’est une donnée de négociation.

Références

• Vultr says its Nvidia-powered AI infrastructure costs 50% to 90% less than hyperscalers, The New Stack, 3 avril 2026.
• Vultr Claims AI Infrastructure 50-90% Cheaper Than AWS, Stack Archive, 4 avril 2026.
• Vultr GPU Cloud Pricing: Complete Guide for Every GPU (March 2026), DeployBase, mars 2026.
• Vultr Cloud GPU, page produit Vultr.