Meta Iris : la puce IA custom qui complète le club des hyperscalers — et Broadcom devient le deuxième nom le plus important du silicium IA

Meta Iris : la puce IA custom qui complète le club des hyperscalers — et Broadcom devient le deuxième nom le plus important du silicium IA

🔎 Le club est complet, et le vrai gagnant ne porte pas le logo d'un hyperscaler

Septembre 2026 marque un tournant silencieux mais massif pour l'industrie de l'IA. Meta va lancer la production de sa puce custom Iris, conçue avec Broadcom et fabriquée par TSMC. Un memo interne consulté par Reuters le confirme : la fabrication démarre dans deux mois.

Ce qui semblait inévitable depuis trois ans devient réalité. Chaque grand hyperscaler possède désormais son propre silicium IA. Google a ses TPUs (7e génération), Amazon a Trainium, Microsoft a Maia, OpenAI a Jalapeño, et Meta rejoint le mouvement avec Iris.

Mais l'histoire la plus intéressante n'est pas Iris elle-même. C'est le fait que Broadcom conçoit simultanément pour Meta, OpenAI et Google. Ce partenaire discret accumule une position de puissance inédite dans la chaîne de valeur du silicium IA.

L'essentiel

• Meta Iris entre en production en septembre 2026, conçue avec Broadcom, fabriquée par TSMC, pour les workloads de recommendation et d'inférence à haut volume.
• Le club des hyperscalers avec silicium custom est complet : Google TPU, Amazon Trainium, Microsoft Maia, OpenAI Jalapeño, Meta Iris — tous suivent le même modèle.
• Broadcom est le designer caché derrière plusieurs de ces programmes (Iris, Jalapeño, TPU), avec 8,4 milliards $ de revenus IA au Q1 FY2026 (+106% en un an).
• Meta double sa capacité compute à 14 GW d'ici 2027, avec un data center de 1 GW à CA$13 milliards en Alberta, son 33e site mondial.
• Meta envisage de vendre son surplus de compute à des clients externes, ce qui la mettrait en concurrence directe avec AWS, Azure et GCP.

Outils recommandés

Le pattern universel : inference custom, training Nvidia

Une stratégie identique chez tous les hyperscalers

Le raisonnement est le même chez Meta, Google, Amazon, Microsoft et OpenAI. Les workloads d'inférence sont prévisibles, répétitifs et représentent désormais l'essentiel du coût opérationnel d'un modèle IA déployé à grande échelle.

Une puce ASIC optimisée pour un type d'inférence précis coûte significativement moins cher à fabriquer et à faire tourner qu'un GPU Nvidia H100 ou B200 polyvalent. Le retour sur investissement est direct et mesurable.

Le training frontier, en revanche, reste sur GPU Nvidia. Les modèles comme GPT-5.5 (score agentic de 98,2) ou Gemini 3.1 Pro (92 en général) nécessitent une flexibilité et un écosystème logiciel que seul CUDA offre aujourd'hui. Personne ne prend le risque de former un modèle frontier sur du silicium custom.

Le levier de négociation dissuasif

Posséder sa propre puce n'est pas qu'une question de coût. C'est un levier de négociation massif face à Nvidia. Chaque commande de GPU H200 ou Rubin est désormais l'objet d'une discussion où l'hyperscaler peut dire : "Si votre prix n'est pas compétitif, nous accélérons le déploiement de notre silicium interne."

La menace est crédible parce que les puces existent réellement. Iris n'est pas un projet de recherche — c'est un produit qui entre en production industrielle.

Meta Iris : ce qu'on sait techniquement

Conçue avec Broadcom, fabriquée par TSMC

Le design d'Iris suit le même schéma que Jalapeño chez OpenAI : Broadcom fournit l'expertise en conception ASIC, TSMC assure la fabrication. Ce trio hyperscaler-Broadcom-TSMC est devenu le template standard de l'industrie.

Selon le rapport de Tom's Hardware de mai 2026, TSMC fabrique désormais des puces pour les cinq hyperscalers majeurs et pour Broadcom, ce dernier étant le "designer dominant" de puces ASIC custom pour l'IA.

Des workloads ciblés, pas un GPU généraliste

Iris n'est pas conçue pour tout faire. Meta la destine principalement à deux types de charges : les systèmes de recommendation et de ranking (le cœur de son business publicitaire) et une part de l'inférence de ses modèles LLM.

C'est un choix rationnel. Les systèmes de recommendation de Meta génèrent des billions de prédictions par jour. Chaque prédiction est un calcul relativement simple mais à un volume monstrueux. Un ASIC taillé pour ce profil écrase un GPU通用 en efficacité énergétique et en coût par requête.

Compléter, pas remplacer

Meta est explicite : Iris complète les GPUs Nvidia et AMD, elle ne les remplace pas. L'architecture de calcul de Meta restera hybride. Les GPUs continueront de gérer le training et l'inférence complexe, Iris absorbera le volume prévisible.

Selon HPCwire, Meta prévoit d'introduire une nouvelle puce IA environ tous les six mois jusqu'en 2027. Ce rythme est radicalement plus rapide que le cycle traditionnel de l'industrie des semi-conducteurs.

L'ampleur de l'expansion compute de Meta

De 7 GW à 14 GW : le doublement

Le memo interne révélé par Reuters et confirmé par TechDogs pose l'objectif clair : Meta déploie initialement 7 gigawatts de puissance de calcul, puis double à 14 GW d'ici 2027. Pour donner un ordre de grandeur, un data center classique consomme entre 50 et 200 mégawatts. Meta parle en gigawatts.

Cette échelle n'a aucun précédent dans l'histoire du calcul. Même au pic de l'expansion cloud des années 2010, les déploiements se mesuraient en dizaines de mégawatts.

Alberta : le data center à 1 GW et CA$13 milliards

Le 8 juillet 2026, Meta a officialisé la construction de son premier data center canadien à Sturgeon County, Alberta. Selon le communiqué officiel de Meta, c'est une installation optimisée pour l'IA d'une capacité de 1 GW, représentant un investissement de plus de CA$13 milliards.

CNBC rapporte un coût d'environ 9 milliards $ US, avec une durée de construction de 2 à 3 ans. C'est le 33e data center de la flotte globale de Meta.

Le choix de l'Alberta n'est pas anodin. La province dispose d'énergie abordable, d'un climat froid réducteur de coûts de refroidissement, et d'un accès au mix énergétique canadien qui inclut une part significative de renouvelables. Energy Digital précise que le site sera refroidi par liquide, la norme désormais pour les installations IA haute densité.

Pourquoi cette échelle brute

La réponse est dans les modèles. Chaque génération de LLM coûte significativement plus cher à servir que la précédente. Les scores d'benchmark progressent (GPT-5.5 atteint 98,2 en agentic, Claude Opus 4.7 Adaptive atteint 94,3), mais cette qualité a un prix en compute.

Meta sert des modèles à des milliards d'utilisateurs à travers Facebook, Instagram, WhatsApp et Threads. Chaque interaction avec un assistant IA intégré, chaque suggestion de contenu améliorée par l'IA, chaque génération d'image — tout cela consomme du compute. La demande est structurellement supérieure à l'offre actuelle.

Broadcom : le deuxième acteur le plus important du silicium IA

Des chiffres qui parlent fort

Broadcom a généré 8,4 milliards $ de revenus en semi-conducteurs IA au premier trimestre de l'exercice fiscal 2026, en hausse de 106% d'une année sur l'autre. Selon Hashrate Index, l'entreprise a guidé à 10,7 milliards $ pour le deuxième trimestre.

Le PDG Hock Tan a déclaré lors d'une conférence analystes que les revenus de puces IA dépasseraient 100 milliards $ d'ici 2027, citant une "visibilité directe sur six clients hyperscalers". C'est un chiffre suffisant pour comprendre l'ampleur du phénomène.

Le designer derrière le rideau

Broadcom ne fabrique pas de puces. Elle les conçoit. Et elle le fait pour plusieurs clients qui sont en concurrence entre eux. Selon Tom's Hardware et Introl, Broadcom est impliquée dans la conception de Meta Iris, d'OpenAI Jalapeño et des Google TPU.

C'est une position stratégique remarquable. Broadcom accumule l'expertise de chaque programme, identifie les patterns de conception qui fonctionnent, et les réapplique. En pratique, chaque nouveau programme bénéficie des leçons apprises sur les précédents.

Jon Peddie décrit cette stratégie comme un "pari de 100 milliards $ sur le silicium custom", et note que la position de Broadcom est unique : aucun autre acteur ne possède cette vue transversale sur les programmes de silicium IA des hyperscalers.

Le risque de concentration

Cette centralisation a un revers. Si Broadcom rencontre un problème (retard de conception, fuite IP, contrainte de talent), l'ensemble des programmes est impacté simultanément. C'est un point de défaillance unique masqué par la diversité apparente des marques finales.

Le marché global des ASIC custom : 660-690 milliards $ de capex en 2026

Les hyperscalers quittent (partiellement) Nvidia

Le rapport d'Oplexa sur le marché des ASIC custom en 2026 est sans équivoque : Google, Meta et Amazon construisent tous leurs propres puces. Les dépenses d'investissement (capex) des hyperscalers atteignent 660 à 690 milliards $ en 2026, dont 75% sont dirigés vers l'infrastructure IA.

Tout ce capex ne va pas chez Nvidia. Une part croissante finance la conception et la fabrication de puces internes. Nvidia reste dominant pour le training frontier et les déploiements flexibles, mais le serving haute volume migre progressivement vers l'ASIC custom.

Le calcul économique qui justifie tout

Prenons un exemple concret. Si Meta sert 100 milliards de requêtes de recommendation par jour, et que chaque requête coûte 0,00001 $ sur GPU mais 0,000005 $ sur ASIC custom, l'économie est de 500 000 $ par jour — soit plus de 180 millions $ par an.

C'est pour des workloads de ce volume que l'ASIC est pertinent. En dessous d'un certain seuil, le coût de conception de la puce (des centaines de millions en R&D) n'est jamais amorti. Au-dessus, c'est une machine à économies.

Meta, avec son échelle de milliards d'utilisateurs, est précisément dans la zone où le ASIC est rentable. Déplacer 20 à 30% des coûts de serving sur Iris représente potentiellement des milliards d'économies annuelles.

Le signal le plus agressif : Meta vendra du compute externe

De consommateur à fournisseur

C'est l'information la plus stratégique du memo interne de Meta. L'entreprise envisage de vendre son surplus de capacité de calcul IA à des clients externes. Selon les sources consultées par Build Fast With AI et Prompt Injection dans leurs roundup de juillet 2026, cette orientation est prise au sérieux par les analystes.

Si Meta exécute ce plan, elle entre en concurrence directe avec AWS, Azure et Google Cloud. C'est un changement de posture radical. Jusqu'à présent, Meta était le plus grand consommateur de compute IA du monde sans le revendre. Devenir fournisseur bouleverse les dynamiques de marché.

Pourquoi Meta peut se le permettre

Avec 14 GW de capacité prévue, Meta aura nécessairement du surplus. La demande interne, aussi massive soit-elle, ne remplira pas 100% de cette capacité 100% du temps. Les data centers fonctionnent avec un facteur d'utilisation typique de 60-80%.

Revendre le surplus améliore le retour sur investissement des CA$13 milliards dépensés à Alberta et des dizaines de milliards investis ailleurs. C'est de l'optimisation financière pure.

La réaction des hyperscalers cloud

AWS, Azure et GCP ne vont pas rester passifs. Leur modèle économique repose sur la marge entre le coût du compute et le prix de vente. Si Meta entre sur le marché avec un coût structurellement plus bas (pas de marge cloud à prélever, infrastructure optimisée pour un usage propre en premier lieu), la pression sur les prix sera réelle.

C'est un scénario qui rappelle la façon dont Amazon est entré sur le marché du cloud en 2006 : en monétisant un excédent de capacité construit pour ses besoins internes. L'histoire pourrait bien se répéter.

L'écosystème logiciel : le talon d'Achille de toutes les puces custom

CUDA reste le standard de facto

Si le silicium custom est si avantageux économiquement, pourquoi tout le monde n'a-t-il pas basculé ? La réponse est CUDA, l'écosystème logiciel de Nvidia. Vingt ans de développement ont créé un avantage que personne n'a encore rattrapé.

Les modèles comme DeepSeek V4 Pro (Max), qui atteint 88 en benchmark général, ou Kimi K2.6 (84 en général, 88,1 en agentic en self-host), sont optimisés pour CUDA en premier lieu. Les porter sur du silicium custom demande un effort d'ingénierie significatif.

Ce que cela signifie pour Iris

Iris sera probablement limitée à un ensemble restreint de workloads où le logiciel est contrôlé par Meta. Les systèmes de recommendation sont un candidat parfait : Meta écrit son propre stack logiciel de bout en bout. Pour l'inférence LLM générale, la dépendance à des frameworks compatibles CUDA rend la transition plus complexe.

C'est d'ailleurs la raison pour laquelle le pattern "inference custom, training Nvidia" est si répandu. Le training nécessite une flexibilité logicielle maximale. L'inférence de modèles spécifiques sur des workloads maîtrisés permet de contourner la dépendance CUDA.

Comparatif : le silicium custom des hyperscalers en juillet 2026

Le pattern est frappant. TSMC fabrique tout. Broadcom designe une part croissante. Et chaque puce cible l'inférence en priorité, pas le training.

Ce que l'expansion compute signifie pour les développeurs

Plus de compute = plus de possibilités

Pour les développeurs qui travaillent avec des modèles comme GPT-5.4 (89 en général, 87,6 en agentic), Claude Sonnet 4.6 (83 en général, 81,4 en agentic) ou Gemini 3.1 Pro (92 en général, 87,3 en agentic), l'expansion compute de Meta se traduit concrètement par une pression à la baisse sur les coûts d'API.

Plus l'offre de compute augmente, plus le prix au million de tokens tend à baisser. C'est déjà visible sur les 18 derniers mois : le coût de l'inférence a chuté de plus de 90% pour les modèles équivalents.

Attention au vendor lock-in silicium

Si Meta vend effectivement du compute externe basé sur Iris, les développeurs qui l'adoptent devront optimiser leurs modèles pour cette puce spécifique. C'est un lock-in silicium déguisé en prix bas. Le jour où Meta change la priorité de son infrastructure, les workloads optimisés pour Iris devront être recompilés ou migrés.

C'est la même leçon qu'avec le cloud : le prix d'entrée bas compense rarement le coût de sortie.

L'impact sur la course aux modèles IA

Plus de compute pour le training aussi

Si Iris libère des GPUs Nvidia actuellement utilisés en inference, ces GPUs peuvent être redéployés pour le training de modèles plus grands. C'est un effet de levier indirect mais puissant.

Meta a d'ailleurs montré son ambition en matière de modèles avec des initiatives récentes. Même si le premier modèle fermé de Meta a marqué un tournant stratégique, la capacité compute détermine le plafond de ce qui est possible en termes de taille et de qualité de modèle.

La course à l'échelle continue

Les benchmarks le montrent : chaque palier supplémentaire de performance exige significativement plus de compute. Le passage de Claude Opus 4.6 (87 en général) à Claude Opus 4.7 Adaptive (90 en général, 94,3 en agentic) n'a pas été gratuit en termes de ressources de calcul.

Avec 14 GW de capacité, Meta se donne les moyens de rester dans la course au training frontier tout en optimisant ses coûts opérationnels via Iris. C'est une stratégie à deux volets que seuls quelques acteurs au monde peuvent financer.

❌ Erreurs courantes

Erreur 1 : Confondre complément et remplacement

Iris ne remplace pas les GPUs Nvidia. Elle les complète sur des workloads spécifiques. penser que Meta va se désengager de Nvidia est une erreur de lecture. Meta reste l'un des plus grands clients GPU au monde. Iris optimise la marge sur un segment précis du compute, rien de plus.

Erreur 2 : Sous-estimer le rôle de Broadcom

L'erreur commune est de voir Iris comme une puce "de Meta". En réalité, la conception est largement portée par Broadcom, qui applique un savoir-faire accumulé sur plusieurs programmes. Ignorer Broadcom dans l'équation, c'est ignorer le véritable centre de gravité du silicium custom.

Erreur 3 : Projeter la vente de compute comme immédiate

Meta "envisage" de vendre du compute externe. Ce n'est pas une annonce de produit. Les obstacles opérationnels, réglementaires et stratégiques sont considérables. Interpréter ce signal comme une offre commerciale imminente est prématuré.

Erreur 4 : Croire que l'ASIC custom est accessible à tous

Le modèle ASIC ne fonctionne qu'à très grande échelle. Une entreprise avec moins de quelques milliards de requêtes par jour n'amortira jamais le coût de conception d'une puce custom. Le club des hyperscalers est fermé économiquement, pas techniquement.

❓ Questions fréquentes

Meta Iris remplacera-t-elle les GPUs Nvidia chez Meta ?

Non. Iris est conçue pour les workloads de recommendation et une part d'inférence à haut volume. Le training frontier et l'inférence complexe resteront sur GPUs Nvidia et AMD. C'est une stratégie de complémentarité, pas de substitution.

Pourquoi Broadcom est-il si important dans cette histoire ?

Broadcom conçoit simultanément des puces pour Meta (Iris), OpenAI (Jalapeño) et Google (TPU). Avec 8,4 milliards $ de revenus IA au Q1 FY2026 et une projection à 100 milliards $ d'ici 2027, c'est le deuxième acteur le plus puissant du silicium IA après Nvidia.

Le data center d'Alberta sera-t-il suffisant pour les besoins de Meta ?

Le site d'Alberta (1 GW) est un élément d'un plan plus large visant 14 GW de capacité totale d'ici 2027. C'est le 33e data center de Meta. Il contribue à l'objectif de doublement de la capacité, mais n'est qu'une pièce du puzzle.

Meta va-t-il vraiment vendre du compute à des clients externes ?

C'est une intention révélée par un memo interne, pas un produit annoncé. Si exécuté, cela mettrait Meta en concurrence avec AWS, Azure et GCP. Mais les délais et l'incertitude sont importants. À suivre de près en 2027.

Quel est l'avantage concret d'une puce ASIC sur un GPU pour l'inférence ?

Un ASIC est optimisé pour un type de calcul précis. Il élimine les circuits inutiles d'un GPU通用, réduisant le coût de fabrication et la consommation énergétique par requête. À l'échelle de milliards de prédictions quotidiennes, l'économie se chiffre en centaines de millions de dollars par an.

✅ Conclusion

Meta Iris ne fait pas que compléter le club des hyperscalers avec silicium custom — elle confirme que le centre de gravité du silicium IA se déplace vers les ASIC conçus par Broadcom et fabriqués par TSMC. Avec 14 GW de capacité prévue, un data center à CA$13 milliards en Alberta, et l'ambition de vendre du compute externe, Meta ne se contente plus de consommer du compute : elle prépare sa transformation en infrastructure de l'IA. Le vrai signal à retenir n'est pas Iris elle-même, c'est que Broadcom devient le designer silencieux derrière une part croissante du compute mondial.