Introduction

La prochaine frontière concurrentielle de l'AI pourrait ne pas être le modèle le plus vaste ni le plus grand centre de données. Il pourrait s'agir du jeton utile le moins cher.

Alors que l’AI en entreprise passe des projets pilotes à la production, l’inférence devient la question économique dominante. L’apprentissage crée le modèle, mais l’inférence fait tourner l’entreprise : chaque invite, recherche, réponse de copilote, événement de vision, action robotique et flux de travail agentique consomme des jetons. L’adoption de l’AI dépendra de plus en plus de la réduction à la fois du coût par jeton et de l’énergie par jeton, parce que l’inférence doit être évolutive tant économiquement que physiquement à l’échelle de millions d’utilisateurs et de milliards d’interactions quotidiennes.

C’est là que le portefeuille de calcul de bout en bout d’Intel prend toute son importance. La course à l’infrastructure AI ne porte pas uniquement sur les GPU dans les centres de données hyperscala—elle porte aussi sur le lieu où l’inférence s’exécute, sur l’optimisation des modèles, sur la circulation des données, sur la réduction des goulots d’étranglement de la mémoire et sur la façon dont les entreprises rendent opérationnelle l’AI dans les environnements cloud, périphérie, appareil et lieu de travail.

Intel Core Ultra Series 3 ajoute une dimension importante à cette discussion. Il amène l’accélération AI directement aux points de terminaison et aux systèmes en périphérie, ce qui aide les entreprises à optimiser l’économie du jeton non seulement en accélérant l’inférence centralisée, mais aussi en réduisant les appels inutiles vers le cloud, en permettant l’exécution locale de petits modèles linguistiques, en améliorant la latence et en soutenant des expériences AI plus sécurisées, plus près de l’endroit où le travail se réalise.

L’économie du jeton : pourquoi le coût par jeton est le nouveau paramètre de l’AI

Un jeton est l’unité d’information traitée par un modèle AI. Dans le texte, il peut s’agir d’un fragment de mot ou d’un signe de ponctuation. Dans les modèles pour images, audio et vidéo, les jetons peuvent représenter des fragments d’image, des segments sonores ou des représentations d’images vidéo. Les fournisseurs d’AI mesurent généralement l’utilisation en jetons d’entrée et en jetons de sortie, ce qui fait des jetons l’unité pratique du coût de l’AI.

Pour les entreprises, l’économie du jeton comporte trois niveaux :

• Le coût par jeton détermine si un cas d’utilisation AI offrira une marge acceptable.
• L’énergie par jeton détermine si le cas d’utilisation pourra évoluer de manière durable.
• La valeur par jeton détermine si l’intelligence générée vaut la puissance de calcul consommée.

La première vague d’AI en entreprise s’est concentrée essentiellement sur la capacité des modèles. La prochaine vague se concentrera sur la productivité du jeton : utiliser le bon modèle, sur le bon matériel, à l’emplacement approprié, avec la bonne technique d’optimisation.

Le rôle d’Intel Core Ultra Series 3

Intel Core Ultra Series 3 est la première plateforme AI de point de terminaison d’Intel bâtie sur la technologie de procédé Intel 18A. La plateforme propulse plus de 200 conceptions de points de terminaison et, pour la première fois, étend la Series 3 à des cas d’utilisation périphériques et industriels intégrés, comme la robotique, les villes intelligentes, l’automatisation, la santé, etc.

Son rôle dans l’économie du jeton n’est pas de remplacer les accélérateurs massifs des centres de données pour l’entraînement de modèles de pointe, mais plutôt de transformer l’économie de l’inférence quotidienne.

Intel Core Ultra Series 3 combine les capacités CPU, GPU et NPU dans un seul SoC. Les modèles haut de gamme Series 3 comprennent jusqu’à 16 cœurs CPU, 12 Xe-cœurs et 50 NPU TOPS, tandis que les cas d’utilisation orientés périphérie de la Series 3 visent les charges de travail d’inférence sur l’appareil telles que la robotique, l’analytique vidéo, la santé, le commerce de détail intelligent et l’automatisation.

C’est important car toutes les tâches AI ne nécessitent pas un modèle de pointe fonctionnant dans une AI factory distante. De nombreuses charges de travail en entreprise devraient être gérées par de petits modèles optimisés fonctionnant localement ou en périphérie : résumé, traduction, extraction, détection de défauts, copilotes d’assistance terrain, analytique visuelle, avatars du service à la clientèle, perception en robotique et assistants de productivité hors ligne.

Lorsque ces charges de travail s’exécutent localement, les entreprises réduisent la consommation de jetons dans le cloud, abaissent la latence, améliorent la confidentialité, réduisent les besoins en bande passante et préservent la capacité centralisée des GPU pour les charges de travail qui en ont réellement besoin.

Une dimension parallèle : l’énergie par jeton

Le coût par jeton et l’énergie par jeton évoluent de pair dans de nombreux scénarios d’optimisation. Un débit supérieur et une meilleure utilisation permettent à la même infrastructure et enveloppe de puissance de générer plus de résultats utiles.

Intel Core Ultra Series 3 contribue à cette équation énergie-par-jeton en permettant le calcul hétérogène. Le CPU gère la logique à usage général, le GPU accélère les charges de travail parallèles et le NPU exécute efficacement l’inférence AI soutenue pour les modèles compatibles. OpenVINO renforce cet avantage en aidant les développeurs à optimiser et à déployer les charges de travail AI sur les CPU, GPU, NPU Intel, les appareils en périphérie, les points de terminaison AI et les environnements AI physiques.

La valeur concrète pour l’entreprise est simple : il ne faut pas envoyer chaque demande d’inférence dans le cloud lorsque le point de terminaison AI local peut la gérer de façon sécuritaire et efficace.

Le cadre coût-par-jeton : application au-delà du centre de données

Le cadre industriel de coût par jeton évalue l’économie de l’inférence à l’aide de multiplicateurs de coût et de débit. Les multiplicateurs de coût incluent le matériel, la mémoire, le réseau, l’infrastructure, la puissance et le logiciel. Les multiplicateurs de débit incluent les jetons traités par seconde, l’utilisation du matériel, l’efficacité de la mémoire et l’efficacité du réseau.

Intel Core Ultra Series 3 influence ce cadre de plusieurs façons :

Le changement clé est architectural : les entreprises ne doivent pas considérer l’inférence comme une destination unique, mais bien comme un tissu d’exécution distribué qui couvre les points de terminaison AI, les serveurs en périphérie, le cloud privé, le cloud public et l’infrastructure AI hyperscalaire.

La course à l’établissement de l’infrastructure AI

La course à l’infrastructure AI est souvent décrite comme une multiplication des centres de données, mais ce n’en est qu’une partie. L’investissement dans l’infrastructure AI couvre la construction de centres de données, l’acquisition d’accélérateurs et le déploiement réseau, créant une demande soutenue à travers toute la chaîne de valeur des semi-conducteurs.

La position d’Intel est plus large qu’une seule catégorie de puce. Ses leviers technologiques incluent Intel Core Ultra pour les points de terminaison AI et la périphérie, Intel Xeon pour l’AI en centre de données et l’orchestration, Intel Gaudi pour l’accélération AI, Intel 18A pour la technologie de procédé avancée, OpenVINO pour l’optimisation de l’inférence, les technologies d’assemblage avancé comme EMIB et Foveros, ainsi que la recherche optique I/O pour les futurs interconnexions à haut débit.

L’écosystème Intel de HCLTech aide à transformer ces technologies en modèles de déploiement d’entreprise. Nos 30+ années de partenariat avec Intel sont soutenues par plus de 2 000 ingénieurs, des centres de développement dédiés, des laboratoires d’expérience client et des offres dans les domaines du cloud hybride, du multicloud, du milieu de travail numérique, du réseau/5G, de la périphérie et de l’AI.

Cette couche d’écosystème est essentielle car l’économie de l’inférence ne peut être résolue uniquement par le matériel. Il faut évaluer la charge de travail, choisir les modèles, établir des schémas de migration, préparer les points de terminaison, établir une gouvernance AI, moderniser les applications, gérer les opérations et optimiser en continu.

Le défi de l’adoption de l’inférence

L’adoption de l’AI en entreprise fait face à un problème connu : il est facile de faire des pilotes, plus difficile de réaliser la rentabilité en production.

Les coûts d’inférence s’accumulent à mesure que l’utilisation évolue. Un chatbot utilisé par une petite équipe peut sembler peu coûteux. Le même assistant intégré à chaque flux de travail, chaque interaction au centre de contact, chaque outil d’ingénierie et chaque appareil périphérique devient un défi en matière de budget de jetons.

Intel Core Ultra Series 3 aide à relever ce défi en permettant une architecture AI à plusieurs niveaux :

• Exécutez localement lorsque les charges de travail sont sensibles à la latence, à la confidentialité ou suffisamment légères pour les points de terminaison AI et les appareils en périphérie.
• Exécutez à la périphérie lorsque l’inférence doit se faire près des machines, capteurs, caméras, magasins, hôpitaux ou usines.
• Exécutez dans le centre de données ou le cloud quand les charges de travail exigent de grands modèles, un contexte partagé, une grande simultanéité ou une gouvernance centralisée.

Les initiatives de HCLTech avec les points de terminaison AI propulsés par Intel illustrent cette dynamique. Un chef de file mondial de la mobilité a déployé des points de terminaison AI Intel Core Ultra avec Intel vPro, une inférence GenAI locale optimisée OpenVINO et des programmes d’adoption pilotés par persona ; l’impact rapporté inclut un transfert de 25 %–30 % des charges de travail AI vers des appareils locaux, 15 %–20 % de billets de support de moins et une réduction de 15 % des incidents de temps d’arrêt.

C’est l’optimisation de l’économie du jeton en pratique : il ne s’agit pas seulement de rendre les jetons moins chers, mais aussi d’éviter les jetons inutiles, de router l’inférence de façon intelligente, et d’utiliser les ressources locales lorsque cela est économiquement avantageux.

Les leviers technologiques ayant le plus d’impact

Quatre leviers technologiques ayant le plus de potentiel pour réduire le coût de l’inférence : optimisation des modèles, assemblage avancé, silicium sur mesure et optique co-intégrée.

Intel a un rôle à jouer dans ces quatre domaines.

1. Optimisation des modèles : le levier à court terme

   L’optimisation des modèles est le levier le plus puissant à court terme, avec des techniques telles que la quantification et l’élagage, qui réduisent les besoins en calcul et en mémoire tout en conservant une qualité de sortie acceptable. Les analyses suggèrent que l’optimisation des modèles réduit le coût par jeton de 85 %–95 %, selon la charge de travail et les compromis sur la qualité.

   Pour Intel Core Ultra Series 3, OpenVINO devient central. OpenVINO aide les développeurs à convertir, optimiser et exécuter des modèles d’AI conventionnelle et de GenAI sur le matériel Intel, y compris aux points de terminaison AI, appareils en périphérie et environnements AI physiques.

   L’opportunité pour l’entreprise consiste à optimiser de petits modèles linguistiques, des modèles visuels, des modèles de récupération et des copilotes pour qu’ils fonctionnent efficacement sur les appareils Core Ultra. Cela réduit les appels d’inférence au cloud, améliore la réactivité utilisateur et soutient les expériences AI hors ligne ou sensibles à la vie privée.

   L’écosystème Intel de HCLTech ajoute de la valeur en identifiant les charges de travail à optimiser pour une exécution locale, en bâtissant des pipelines d’inférence basés sur OpenVINO, en créant des cas d’utilisation de points de terminaison AI spécifiques à des personas et en mesurant les résultats commerciaux : réduction des coûts de support, cycles d’ingénierie plus courts, diminution de la consommation cloud.

2. Assemblage avancé 3D : gains d’efficacité structurelle

   L’assemblage avancé est important, car l’inférence est de plus en plus limitée par la bande passante mémoire et le mouvement des données. L’assemblage avancé 3D réduit significativement le coût par jeton en rapprochant la mémoire du calcul et en élargissant les interconnexions sur le composant.

   Le portefeuille d’assemblage d’Intel joue ici un rôle. Intel Foundry met en avant l’assemblage avancé pour l’ère de l’AI, incluant des technologies qui permettent l’intégration hétérogène et un design de système à très large bande passante.

   Pour les entreprises, l’innovation dans l’assemblage se traduira de manière indirecte par des systèmes plus performants et efficaces : points de terminaison AI, plateformes en périphérie, processeurs pour centres de données et futurs accélérateurs qui intègrent de façon plus étroite le calcul, la mémoire et l’I/O. HCLTech aide ses clients à traduire ces avancées en stratégies concrètes de renouvellement, de placement des charges de travail et de modernisation des infrastructures.

3. Silicium sur mesure : adapter le matériel aux charges de travail AI

   Le matériel d’inférence évolue vers la co-conception : aligner le silicium, la hiérarchie mémoire, le logiciel et l’architecture de modèles afin d’améliorer l’utilisation et le coût par jeton. Les puces spécifiques à l’inférence réduisent le coût par jeton de 70 %–80 % pour les charges de travail auxquelles elles sont destinées.

   Intel Core Ultra Series 3 n’est pas un ASIC personnalisé au sens des hyperscalers, mais c’est un exemple important de silicium hétérogène adapté à la charge de travail. Son CPU, GPU et NPU permettent d’assigner les charges de travail au moteur le plus approprié. Le positionnement périphérique de la Series 3 d’Intel mise également sur un déploiement sur SoC unique plutôt que sur une architecture multi-puce traditionnelle CPU+GPU discrète pour certaines charges de travail AI en périphérie.

   Cela est précieux pour les entreprises qui ne souhaitent pas créer un ASIC sur mesure, mais ont besoin d’une accélération AI efficace sur des milliers de points de terminaison. La valeur de HCLTech réside dans la caractérisation des charges de travail, la qualification des appareils, le déploiement à grande échelle, la gestion, l’intégration de la sécurité et l’optimisation continue.

4. Optique co-intégrée : l’inconnue de la bande passante

   À mesure que les systèmes AI évoluent, la circulation des données devient l’une des plus grandes contraintes. L’optique co-intégrée réduit l’énergie par bit transmis de 50 %–65 % par rapport à l’optique enfichable conventionnelle tout en améliorant la densité de bande passante.

   Intel a démontré un chiplet interconnexion optique entièrement intégré, co-intégré avec un CPU Intel, positionnant l’I/O optique comme un vecteur clé de l’infrastructure AI et du calcul haute performance du futur.

   Il ne s’agit pas d’une fonctionnalité AI de point de terminaison à court terme, mais cela compte dans la vision globale d’Intel. Core Ultra Series 3 optimise l’inférence en point de terminaison et en périphérie ; l’I/O optique et l’optique co-intégrée ciblent le futur goulot d’étranglement de la circulation des données dans les usines AI. Ensemble, ils pointent vers une architecture de bout en bout où les jetons sont générés efficacement à chaque niveau de calcul.

HCLTech et Intel : opérationnaliser l’économie du jeton

Le rôle de HCLTech est particulièrement important parce que la plupart des entreprises n’ont pas besoin d’une architecture AI théorique. Elles ont besoin d’un chemin reproductible du laboratoire vers la production.

En juin 2026, HCLTech a lancé une AI Innovation Zone à Chennai mettant en vedette des solutions d’entreprise propulsées par Intel. L’établissement se concentre sur l’opérationnalisation des produits AI basés sur Intel et des solutions HCLTech AI, dont l’optimisation de petits modèles linguistiques, AI Platform-as-a-Service sur Red Hat OpenShift et OpenShift AI, HCLTech AI Force, VisionX 2.0, AI Factory, RAG, carnets d’Agentic AI et AI cognitive.

Cela s’aligne directement sur l’optimisation de l’économie du jeton. La question pour l’entreprise devient :

• Quels modèles devraient être de petits modèles linguistiques ?
• Quelles charges de travail devraient s’exécuter sur les points de terminaison AI ?
• Lesquelles devraient s’exécuter en périphérie ?
• Lesquelles nécessitent des plateformes AI privées basées sur Xeon ?
• Lesquelles devraient « grimper dans le cloud » ou sur les accélérateurs hyperscalaires ?
• Quels invites, fenêtres de contexte et pipelines d’extraction gaspillent des jetons ?
• Quelles charges de travail devraient être quantifiées, élaguées, mises en cache ou routées différemment ?

C’est là que HCLTech et Intel créent conjointement de la valeur : pas en vendant uniquement du calcul, mais en construisant le modèle opérationnel pour une intelligence efficiente.

Au-delà de 2030 : nouveaux paradigmes de calcul émergents

Le calcul photonique, les architectures neuromorphiques et le calcul quantique sont des paradigmes émergents qui pourraient transformer l’efficacité AI au-delà de l’actuelle voie de scalabilité CMOS.

Le portefeuille élargi d’Intel touche déjà à une partie de ce futur. Intel 18A introduit RibbonFET et PowerVia, une alimentation arrière, qu’Intel décrit comme des avancées majeures en matière de processus pour la performance, l’efficacité énergétique et la scalabilité. Son travail sur l’I/O optique vise les connexions à très large bande passante et efficacité énergétique du futur.

Core Ultra Series 3 s’inscrit dans ce futur comme le point de terminaison et le nœud en périphérie du tissu AI distribué. Au fur et à mesure que les modèles deviennent plus petits, spécialisés, multimodaux et agentiques, le calcul AI local deviendra de plus en plus stratégique. Les gagnants ne seront pas seulement ceux qui auront les plus gros modèles, mais ceux qui offriront une intelligence utile au coût, à la latence, à l’énergie et au risque les plus faibles possible.

Conclusion : l’avenir appartient à l’intelligence efficiente

La course à l’AI entre dans une nouvelle phase. L’offre de calcul reste importante, mais c’est l’efficacité de l’inférence qui définira l’adoption. De plus en plus, les entreprises mesureront l’AI non seulement par la qualité des modèles, mais aussi par le coût par jeton, l’énergie par jeton, la latence par tâche et la valeur d’affaires par flux de travail.

Intel Core Ultra Series 3 renforce cette équation en amenant l’accélération AI au point de terminaison et à la périphérie. Il permet une inférence locale optimisée, prend en charge les petits modèles linguistiques et les charges de travail visuelles, réduit la dépendance inutile au cloud et crée une architecture AI plus équilibrée entre appareils, périphérie, centres de données et cloud.

Pour HCLTech et Intel, la véritable occasion est d’aider les entreprises à passer de l’expérimentation AI à l’industrialisation AI : choisir les bons modèles, les optimiser avec OpenVINO, les déployer sur les points de terminaison AI Core Ultra et sur les systèmes en périphérie, les intégrer aux plateformes AI basées sur Xeon, et mesurer en continu l’efficacité par jeton. Dans la prochaine ère de l’AI, la question la plus importante ne sera peut-être plus « Quelle est l’intelligence du modèle ? » mais plutôt : « Avec quelle efficacité devons-nous livrer cette intelligence partout où elle est nécessaire ? »