Foxconn, l’entreprise surtout connue pour fabriquer les iPhone, a dévoilé des racks de serveurs d’IA Nvidia prêts à l’emploi et des logiciels destinés à aider les entreprises à mettre en service leurs nouveaux systèmes plus rapidement, avec moins d’installation sur site.
Points clés à retenir
Foxconn a dévoilé deux nouveautés en matière d’infrastructure d’IA lors du Hon Hai Tech Day : une conception de référence Nvidia DSX POD et une pile logicielle axée sur les tokens.
Foxconn a présenté l’offre dans des communiqués parallèles en français et en portugais, qui décrivaient le concept comme une usine à tokens et une méthode de mise à l’échelle standardisée.
Le discours autour de l’usine à tokens change l’approche commerciale : il invite les clients à penser en termes de tâches d’IA accomplies, et non de matériel installé.
Une conception DSX POD préintégrée promet moins d’assemblage sur site et moins de points de défaillance après la livraison du matériel.
Foxconn a décrit l’offre dans des communiqués parallèles. Le communiqué français expliquait que le concept propose aux partenaires une méthode standardisée pour préintégrer et développer leur infrastructure d’IA, tandis que le communiqué portugais reprenait la même idée d’usine à tokens.
Foxconn, le géant de la fabrication sous contrat officiellement connu sous le nom de Hon Hai Precision Industry, a passé l’année écoulée à essayer de transformer l’infrastructure d’IA en une activité matérielle reproductible plutôt qu’en un travail de conception de systèmes sur mesure. L’expression « usine à tokens » est importante, car les acheteurs d’IA mesurent de plus en plus la valeur en fonction du nombre de tokens de sortie exploitables qu’un système peut produire, à un coût, une latence et un niveau de disponibilité donnés.
L’usine à tokens transforme l’argumentaire commercial
Pendant des années, les contrats d’infrastructure d’IA ont été vendus sur la base de la puissance de calcul brute.
Les acheteurs demandaient combien de GPU, quelle quantité de mémoire et quelle puissance un rack pouvait prendre en charge. Le discours autour de l’usine à tokens change l’unité de vente en invitant les clients à penser en termes de tâches d’IA accomplies, et non de matériel installé.
Cela correspond à la façon dont les entreprises utilisent réellement les modèles.
Un robot conversationnel de service client, un assistant de programmation ou un outil d’analyse de documents ne se soucie pas du nombre de puces dans une armoire. Ce qui compte, c’est le nombre de requêtes et de réponses traitées dans le respect des objectifs de service.
En associant du matériel fabriqué en usine à une orchestration logicielle, Foxconn tente de vendre un système de production plutôt qu’une boîte de composants.
L’approche des DSX POD fabriqués en usine s’attaque également à l’un des principaux obstacles au déploiement de l’IA. Après la livraison du matériel, les partenaires perdent souvent plusieurs semaines à valider le refroidissement, le réseau, les micrologiciels et le câblage.
Une conception préintégrée promet moins d’assemblage sur site et moins de points de défaillance.
Comment Foxconn transforme des grappes de GPU sur mesure en racks reproductibles
Cette approche s’inscrit dans une évolution plus générale de l’infrastructure d’IA. Au départ, les grappes de GPU étaient souvent conçues sur mesure et assemblées pour un seul hyperscaler ou laboratoire.
Avec l’élargissement de la demande des entreprises, les fournisseurs se sont mis à rechercher des conceptions de référence pouvant être reproduites plus rapidement auprès de différents clients et dans différentes régions.
C’est pourquoi l’expérience de Foxconn dans la fabrication est importante ici. L’entreprise ne vend pas seulement des capacités d’assemblage.
Elle cherche à faire ressembler l’intégration de systèmes d’IA à la production d’électronique grand public, où des conceptions validées peuvent être reproduites à grande échelle, à un coût et dans des délais prévisibles.
À lire aussi : le géant bancaire européen Crédit Agricole confie les clés à deux entreprises d’IA
Le calendrier coïncide également avec un examen plus rigoureux de la part des acheteurs. Les clients qui se sont lancés à la hâte dans l’achat de GPU en 2025 et au début de 2026 veulent désormais la preuve que ces dépenses se traduisent par un débit d’inférence et des revenus tirés des applications.
Pourquoi les tokens sont devenus le nouveau produit des usines
Dans la présentation de Foxconn, le modèle de l’usine à tokens traite la génération de texte comme une usine industrielle traite les unités produites à la chaîne.
Chaque token représente une petite partie du résultat produit par un modèle, et des millions ou des milliards de tokens constituent la capacité exploitable qui sous-tend les outils de conversation, de recherche et d’agent.
C’est plus précis que d’indiquer qu’une grappe compte un certain nombre de GPU, car même une grappe rapide peut être peu rentable si l’orchestration est médiocre ou si les tâches restent en attente. Pour les entreprises qui s’équipent en matériel Nvidia, cela change le vocabulaire des achats : un directeur des systèmes d’information peut comparer les systèmes selon le débit de réponses, le comportement des files d’attente et le coût par token généré, plutôt que selon le seul nombre de puces.
Pour les fournisseurs de services d’IA, cela ouvre également la voie à des contrats à prix fixe liés aux résultats livrés.
La prochaine étape consiste à voir si Foxconn peut transformer cette formule en contrats remportés. Une usine à tokens ne devient réalité que lorsque les acheteurs commencent à signer des contrats fondés sur des garanties de débit de tokens, des délais de production et des performances de racks prévalidées.
Analyse : capacité, approvisionnement et indices dans les dépenses
La présentation des produits autour des tokens permet de clarifier les bons indicateurs opérationnels, notamment la capacité physique (nombre de GPU et densité des racks), les délais d’approvisionnement en composants, les besoins en énergie et en refroidissement, ainsi que le coût réel par token d’inférence en charge soutenue.
Ce sont ces contraintes qui déterminent si une « usine » peut réellement assurer un débit prévisible à grande échelle.
Lorsque la stratégie d’entreprise et les dépenses d’investissement divergent, il convient de juger les intentions d’une entreprise à l’aune de ses dépenses. Des investissements importants et répétés dans la production de racks validés et la logistique signalent un engagement en faveur du volume et d’une économie unitaire prévisible davantage que ne le font les communiqués de presse.
Si les usines de Foxconn sont véritablement conçues pour reproduire les mêmes configurations et réduire la validation sur site, cela devrait faire baisser le coût par token en améliorant le taux d’utilisation et en réduisant les échecs d’intégration.
Mais la capacité ne fait pas tout. Les limites en matière d’alimentation électrique et de refroidissement, la disponibilité de GPU hautes performances et l’orchestration logicielle qui maintient les puces actives malgré la diversité des charges de travail influent toutes sur le coût par token exploitable.
Une conception de référence n’est utile que si elle s’accompagne d’un approvisionnement prévisible en composants et d’un modèle commercial qui lie les revenus aux garanties de débit.
Sans cela, l’usine à tokens reste une idée prometteuse plutôt qu’un avantage concret.
À lire ensuite : une startup libère l’IA des centres de données : elle lit des photos et du texte sur des ordinateurs portables ordinaires