Annoncé le 26 janvier 2026 et gravé en 3 nm chez TSMC, l’accélérateur Maia 200 de Microsoft entre en déploiement dans les datacenters Azure avec 30 % de performance en plus par dollar. C’est le pari d’Azure sur le silicium maison pour casser sa dépendance à NVIDIA et à OpenAI.
Les modèles open-weight représentent 60 % de la consommation de tokens d’OpenRouter aux États-Unis, pour la plupart chinois. La place de marché lance en disponibilité générale le routage in-region américain, qui garantit que les requêtes sont déchiffrées, traitées et servies sur le sol américain — ou rejetées.
OpenAI a ouvert en bêta publique le 10 septembre 2026 une API Agents qui vend le backend de Codex comme service, pour faire tourner des agents sans surveillance pendant des jours. Le même jour, l’éditeur gelait les inscriptions à son plan Pro face à la demande de GPT-6 Astra : le goulot d’étranglement se déplace des modèles vers l’infrastructure.
Le 8 septembre 2026, Amazon Web Services annonce un partenariat avec Qualcomm pour du silicium custom d’inférence IA et des interconnexions optiques à 1,6 Tbps, pour un engagement commercial pouvant atteindre 60 milliards de dollars d’ici septembre 2036. Un signal fort sur la diversification de la chaîne d’approvisionnement silicium d’AWS — et sur le goulot d’étranglement réel des clusters d’IA : le réseau.
Le 16 août 2026, Bloomberg rapporte que Stripe a conclu le rachat d’OpenRouter, la passerelle qui donne accès à plus de 400 modèles d’IA, pour plus de 7 milliards de dollars. L’acquisition place le routage et la facturation de l’inférence entre les mains d’un acteur de paiement — un signal de consolidation à surveiller pour qui construit sur de multiples modèles.
Le 5 août 2026, OpenCost s’associe à llm-d pour publier le premier suivi du coût d’inférence par token sur Kubernetes. La distinction entre coût d’allocation et coût d’usage met fin au calcul trompeur qui justifiait à tort l’auto-hébergement des LLM.
AWS lance le GPU fractionné sur ECS avec les instances G6f le 7 août 2026, permettant d’acheter la capacité GPU par huitième plutôt qu’à l’unité. La contrainte réelle n’est pas le calcul mais la mémoire GPU : 3 Go par fraction.
En août 2026, l’écosystème du self-hosted vit une mutation silencieuse mais décisive : les modèles de langage compacts (Gemma 3 1B, Llama 4 3B quantifié, Qwen 3 0.5B) permettent désormais de faire tourner une IA conversationnelle locale sur du matériel grand public. Voici ce qui est réaliste aujourd’hui, ce qui ne l’est pas encore, et comment démarrer sans exploser votre facture électrique.
