CoreWeave

CoreWeave est un fournisseur de cloud GPU coté au Nasdaq (symbole : CRWV) qui exploite une infrastructure spécialement conçue pour l'entraînement et l'inférence de l'IA à grande échelle. Fondée en 2017 en tant qu'opération de minage de cryptomonnaies avant de se réorienter vers le cloud computing en 2019, CoreWeave s'est développée pour atteindre plus de 32 centres de données et environ 250 000 GPU, incluant le tout nouveau matériel NVIDIA Blackwell. L'entreprise est entrée en bourse le 28 mars 2025, levant $1.5 billion pour une valorisation de ~$23 billion, et a depuis décroché des contrats majeurs avec OpenAI ($12B, 5 ans), Meta ($14.2B, signé en octobre 2025, puis étendu à $21B d'ici avril 2026), IBM, Microsoft et Anthropic. En mai 2025, CoreWeave a finalisé l'acquisition de Weights and Biases pour environ $1.7 billion, ajoutant ainsi le suivi des expériences et la surveillance des modèles à sa plateforme d'infrastructure.

La plateforme de CoreWeave s'articule autour de clusters GPU bare-metal natifs Kubernetes, connectés via le réseau InfiniBand, conçu pour minimiser la latence de communication lors de l'entraînement distribué sur plusieurs nœuds. L'offre de GPU couvre les NVIDIA A100, L40, L40S, H100, H200, GH200 et la génération Blackwell (GB200 NVL72, HGX B200, HGX B300, GB300 NVL72). Les tarifs vont de $10/hr pour les nœuds L40 à 8 GPU jusqu'à $68.80/hr pour les HGX B200 à la demande, avec des contrats d'engagement réservés offrant jusqu'à 60% de réduction sur des durées pluriannuelles. La plateforme n'est pas en libre-service pour les charges de travail à l'échelle de l'entreprise : l'intégration implique des gestionnaires de compte, et la capacité réservée nécessite la négociation d'un contrat. Les outils intégrés Weights and Biases, le stockage d'objets géré et Kubernetes géré complètent l'offre.

Ce que fait réellement CoreWeave en 2026

Le produit principal de CoreWeave est la location de grands clusters GPU, mais la qualifier de simple service de location sous-estime son architecture. La plateforme provisionne des nœuds GPU bare-metal, contournant la couche hyperviseur qui ajoute de la latence dans les machines virtuelles cloud standards. Les nœuds communiquent via InfiniBand jusqu'à 400Gb/s, ce qui est crucial pour les opérations collectives comme le all-reduce dans l'entraînement distribué, où la bande passante inter-GPU est souvent le véritable goulot d'étranglement lors des exécutions multi-nœuds. L'orchestration native Kubernetes gère la planification, la mise à l'échelle automatique et la gestion des charges de travail sans que vous ayez à supporter la charge de construire cette couche vous-même.

Le catalogue de GPU va des bêtes de somme (A100 8x à $21.60/hr) à la pointe de la technologie : des nœuds HGX B200 (8 GPU, 180GB VRAM) à $68.80/hr à la demande, et des configurations GB200 NVL72 (4 superpuces, 186GB chacune) à $42.00/hr. Les GB300 NVL72 et HGX B300 sont disponibles uniquement sur contact commercial, ce qui signifie que CoreWeave est l'un des très rares fournisseurs à avoir accès au matériel de toute nouvelle génération de NVIDIA à l'échelle de la production. Des instances d'inférence H100 à un seul GPU sont disponibles à $6.16/hr pour les équipes n'ayant pas besoin d'un cluster complet.

Suite à son acquisition, Weights and Biases (W&B) s'intègre directement à la plateforme pour le suivi des expériences, l'optimisation des hyperparamètres, le versionnage des modèles et l'évaluation. Plus de 1 400 organisations utilisaient auparavant W&B comme outil autonome ; il est désormais intégré nativement dans l'environnement géré de CoreWeave. CoreWeave propose également AI Object Storage (annoncé à la même période), un réseau géré et des volumes persistants dédiés, permettant d'exécuter l'intégralité du pipeline d'entraînement sans stockage cloud externe.

"CoreWeave nous a aidés à construire des clusters de calcul à très grande échelle qui ont conduit à la création de certains des modèles pour lesquels nous sommes les plus connus." -- Sam Altman, PDG, OpenAI (études de cas coreweave.com)

Où se situe CoreWeave par rapport à Lambda Labs et Crusoe

Ces trois fournisseurs occupent des niches différentes sur le marché du cloud GPU. Les différences mécaniques vont bien au-delà du "prix" ou de "l'échelle".

CoreWeave vs. Lambda Labs : Sur le même matériel H100 SXM, CoreWeave facture environ $6.16/hr par GPU contre $3.29/hr pour Lambda Labs -- soit une prime de 87%. Sur le GH200, l'écart atteint 184% ($6.50 contre $2.29). Lambda Labs facture moins cher car il remplace InfiniBand par une structure inter-nœuds standard NVLink/Ethernet. Pour les tâches s'exécutant sur un seul nœud de 8 GPU, cet écart a rarement de l'importance. Pour les tâches s'étendant sur des dizaines ou des centaines de nœuds (entraînement d'un modèle de plus de 70B de paramètres à partir de zéro, exécution d'un fine-tuning distribué par lots importants), la structure InfiniBand de CoreWeave réduit de manière mesurable le temps de communication all-reduce. La force de Lambda Labs réside dans ses prix accessibles, ses notebooks Jupyter en un clic, ses frameworks préinstallés et une interface en libre-service transparente qui ne nécessite pas de conversation commerciale. Lambda Labs est le bon choix pour les équipes de recherche et les startups ; CoreWeave est le bon choix lorsque vous avez dépassé les contraintes d'un nœud unique.

CoreWeave vs. Crusoe : La caractéristique déterminante de Crusoe est son modèle énergétique : l'entreprise utilise des sources d'énergie bloquées et gaspillées, y compris les gaz de torchère et les excédents d'énergies renouvelables, pour alimenter ses centres de données grâce à une architecture énergie-vers-cloud verticalement intégrée. CoreWeave utilise des installations standard connectées au réseau sans positionnement spécifique en matière d'énergie propre. Pour les organisations ayant des mandats stricts en matière d'ESG ou de durabilité, Crusoe possède un avantage structurel que CoreWeave ne peut pas facilement reproduire. En termes de coûts, le H100 de Crusoe commence à environ $1.71/hr, soit à peu près la moitié du tarif comparable de CoreWeave. Sur l'échelle et le réseau, CoreWeave l'emporte clairement : plus de 250 000 GPU répartis dans plus de 32 centres de données mondiaux contre l'empreinte plus modeste de Crusoe, principalement aux États-Unis. Crusoe ne propose pas InfiniBand ; son réseau est un Ethernet standard, ce qui le limite aux charges de travail où un couplage inter-GPU étroit n'est pas requis. Si vous devez entraîner un modèle de fondation sur 1 000 GPU avec une communication collective à faible latence, Crusoe ne peut pas rivaliser avec l'architecture de CoreWeave. Si vous avez besoin d'une inférence ou d'un fine-tuning à moyenne échelle en régime permanent avec un reporting ESG, Crusoe est plus judicieux. Les deux sont préférables aux hyperscalers en termes de coûts, mais ils répondent à des conceptions différentes.

Pour les équipes effectuant de l'inférence plutôt que de l'entraînement, RunPod et Modal offrent un accès GPU serverless et à la demande sans la contrainte d'engagement d'un cluster. Pour des API d'inférence gérées plutôt que du calcul brut, AWS Bedrock, Azure OpenAI et Groq gèrent le provisionnement et la mise à l'échelle en interne.

À quoi ressemble la réalité des clusters au quotidien

Les entreprises clientes signent des contrats réservés d'une durée typique de deux à quatre ans, avec des prix bloqués en dollars par GPU et par heure pour toute la durée. La remise d'engagement de 60% est réelle, mais elle nécessite de s'engager sur ce taux de consommation mensuel, quelle que soit l'utilisation effective. La durée moyenne pondérée des contrats en décembre 2024 était d'environ quatre ans. Pour une organisation qui sait qu'elle s'entraînera en continu, c'est rationnel. Pour une équipe dont la demande est variable, cela représente un risque financier important.

L'accès à la demande existe sans engagement, mais au prix fort. Un nœud complet 8x H100 HGX coûte $49.24/hr à la demande. Le faire tourner en continu pendant un mois coûte environ $35,000. La plupart des entreprises clientes réservent de la capacité et traitent la demande comme un débordement ponctuel. Des instances Spot existent sur un ensemble limité de matériel (RTX PRO 6000 Blackwell à $9.24/hr en spot contre $20.00/hr à la demande), mais le tout nouveau matériel phare Blackwell ne dispose pas de niveau spot.

L'architecture native Kubernetes offre de réels avantages aux équipes capables de l'utiliser. Les nœuds GPU bare-metal signifient qu'il n'y a pas de surcharge liée à l'hyperviseur, ce qui se traduit dans les benchmarks par un débit nettement supérieur pour les charges de travail intensives en calcul. La structure InfiniBand permet des opérations collectives qui sont véritablement plus rapides que les alternatives Ethernet à l'échelle multi-nœuds. L'augmentation de 80% des performances documentée par IBM sur l'entraînement de modèles corrobore cela. Le hic réside dans la complexité opérationnelle : gérer Kubernetes à cette échelle nécessite des ingénieurs qui savent ce qu'ils font. CoreWeave n'est pas une plateforme sur laquelle on dépose simplement un notebook Jupyter ; c'est une plateforme sur laquelle on construit un pipeline ML de production.

"CoreWeave nous a donné la liberté de voir plus grand et d'avancer plus vite. Ils comprennent les défis liés à la mise à l'échelle des technologies de rupture et nous ont soutenus avec le type d'accompagnement qui nous permet de nous concentrer sur l'innovation." -- Naeem Talukdar, Co-fondateur et PDG, Moonvalley (études de cas coreweave.com)

Pour qui CoreWeave est conçu

Le cœur de cible de CoreWeave est le laboratoire d'IA d'entreprise. Cela signifie des organisations à l'échelle d'OpenAI entraînant des modèles de pointe, des divisions de recherche en IA de niveau hyperscaler, des startups en IA ayant un financement de série B+ et nécessitant une capacité de plus de 500 GPU sur des délais prévisibles, ainsi que des opérateurs d'inférence en production traitant des millions de requêtes par jour et ayant besoin de SLA solides. IBM a utilisé CoreWeave pour l'entraînement de modèles et a signalé une amélioration des performances de 80%. Mistral l'a utilisé pour réduire de moitié le temps d'entraînement de ses modèles de raisonnement. Ce sont des organisations dotées d'équipes d'infrastructure dédiées qui considèrent Kubernetes comme une compétence de base.

La plateforme convient également aux équipes de recherche bien financées qui ont été échaudées par les contraintes de disponibilité des hyperscalers (les files d'attente GPU d'AWS, GCP et Azure sont notoirement difficiles à gérer à grande échelle) et qui souhaitent une capacité réservée dédiée sous SLA. L'avantage de CoreWeave sur les hyperscalers réside dans des coûts inférieurs de 50 à 80% pour des générations de GPU équivalentes, un accès plus rapide au nouveau matériel NVIDIA et une infrastructure spécialement conçue pour le ML plutôt qu'adaptée d'un cloud à usage général.

Ce que CoreWeave n'est pas

CoreWeave n'est pas une plateforme pour les développeurs indépendants, les universitaires ou les petites équipes. Il n'y a pas de niveau gratuit, pas de libre-service par carte bancaire pour les charges de travail exploratoires, et pas d'API d'inférence gérée où vous appelez un point de terminaison et payez par token. Si vous cherchez quelque chose dans cette direction, Replicate ou RunPod répondent à ces cas d'usage. Si vous souhaitez une couche d'inférence serverless complète sans gérer de clusters, Modal ou Groq sont plus appropriés.

CoreWeave n'est pas non plus le bon choix si votre organisation a des exigences ESG ou de durabilité liées à l'approvisionnement énergétique. Ses centres de données fonctionnent sur l'alimentation réseau standard ; le modèle d'énergie bloquée de Crusoe est un véritable différenciateur structurel pour ce segment.

Les équipes sans solides compétences en Kubernetes et DevOps doivent l'aborder avec prudence. La puissance de la plateforme provient de son orchestration Kubernetes bare-metal, mais cette même architecture crée une lourde charge de configuration et d'exploitation. Le support de CoreWeave est de niveau entreprise, mais ce n'est pas un service ML géré qui fait abstraction des décisions d'infrastructure.

Ignorez CoreWeave si vous effectuez un fine-tuning sur un seul nœud, construisez un prototype, opérez avec un budget de startup sans engagement de calcul pluriannuel, ou si vous avez principalement besoin d'une infrastructure d'inférence plutôt que d'entraînement. Lambda Labs, RunPod et Modal répondront à ces cas pour une fraction du coût et de la charge opérationnelle.

Frustrations récurrentes rencontrées par les utilisateurs

La plainte la plus constante dans les discussions et les avis de la communauté est l'absence de parcours en libre-service. Démarrer avec CoreWeave à une échelle significative nécessite de faire appel à un gestionnaire de compte et, pour la capacité réservée, de négocier un contrat. Cela est approprié pour le segment des entreprises, mais constitue un obstacle majeur pour les équipes qui souhaitent évaluer la plateforme rapidement.

La tarification à grande échelle n'est prévisible que si vous avez un contrat d'engagement. Les tarifs à la demande sont affichés publiquement, mais les charges de travail à l'échelle de l'entreprise font l'objet de devis personnalisés. Les équipes signalent des difficultés à prévoir les coûts mensuels réels sans passer par le processus de vente, ce qui crée des frictions pour les flux d'approbation budgétaire qui nécessitent un chiffre avant une réunion.

La disponibilité des GPU lors des pics de demande est une préoccupation récurrente, en particulier pour le tout nouveau matériel Blackwell. Les B300 et GB300 NVL72 nécessitent de contacter le service commercial sans calendrier de disponibilité affiché, ce qui signifie que les équipes élaborant des plans de capacité pour du matériel de pointe sont confrontées à l'incertitude même après la signature des contrats.

La barrière de la complexité de Kubernetes fait trébucher les équipes qui sous-estiment la charge DevOps. CoreWeave fournit une infrastructure native Kubernetes, et non un environnement de notebook géré ou une couche d'inférence serverless. Les organisations qui n'ont pas exploité de clusters Kubernetes à l'échelle des GPU se retrouvent à consacrer un temps d'ingénierie important à l'infrastructure plutôt qu'au travail sur les modèles.

La menace de litiges en valeurs mobilières de fin 2025 (recours collectif concernant les retards de construction du centre de données de Denton, TX, avec une perte de capitalisation boursière de $14 billion) introduit une incertitude pour les équipes d'achat qui intègrent la stabilité des fournisseurs dans leurs décisions d'infrastructure. Les allégations selon lesquelles CoreWeave aurait dissimulé des retards connus aux investisseurs ne sont toujours pas résolues en avril 2026.