Crusoe

Crusoe est une entreprise d'infrastructure d'IA qui exploite des clusters cloud GPU alimentés par des sources d'énergie renouvelables et excédentaires. Fondée en 2018 par Chase Lochmiller et Cully Cavness, l'entreprise a commencé par capter le gaz naturel torché sur les champs pétroliers pour le convertir en électricité destinée à des centres de données modulaires. Après l'explosion de la demande en calcul IA stimulée par ChatGPT, Crusoe s'est entièrement réorientée vers l'infrastructure cloud pour l'IA, cédant sa division initiale de Digital Flare Mitigation et de minage de Bitcoin à NYDIG en mars 2025. L'entreprise a clôturé une série D de $686M en décembre 2024 pour une valorisation de $2.8B, menée par Founders Fund avec la participation de NVIDIA, Fidelity et Mubadala. En octobre 2025, la valorisation de Crusoe a atteint $10B suite à une série E de $1.375B.

Crusoe Cloud exécute des clusters NVIDIA H100, H200, B200 et GB200 NVL72 aux côtés de matériel AMD MI300X, couvrant les charges de travail d'entraînement, de fine-tuning et d'inférence. La tarification à la demande est disponible pour le H100 ($3.90/hr), le H200 ($4.29/hr) et le MI300X ($3.45/hr), avec des contrats de capacité réservée offrant des remises plus importantes pour les charges de travail soutenues. La plateforme est utilisée par Windsurf (anciennement Codeium), Decart, BosonAI, Pixelcut et Together AI. Crusoe est également le développeur principal du campus phare Stargate à Abilene, au Texas, une initiative d'infrastructure d'IA de $500 milliards soutenue par OpenAI, Oracle et SoftBank, qui a été mise en service en septembre 2025.

Ce que fait réellement Crusoe en mai 2026

Crusoe Cloud fournit des clusters GPU bare-metal et virtuels pour les charges de travail d'IA. Vous choisissez un type de GPU, provisionnez un nœud ou un cluster via la console web ou l'API, et exécutez votre pile d'entraînement ou d'inférence conteneurisée par-dessus. Il n'y a pas de couche gérée, pas d'environnement ML préconçu et pas de suivi d'expérience intégré. La plateforme gère la fiabilité du matériel, le réseau et l'alimentation ; votre équipe gère tout ce qui se trouve au-dessus du système d'exploitation.

Gamme actuelle de GPU à la demande :

• NVIDIA H100 SXM 80GB : $3.90/hr à la demande

• NVIDIA H200 HGX 141GB : $4.29/hr à la demande

• AMD MI300X 192GB : $3.45/hr à la demande

• NVIDIA B200 / GB200 NVL72 : contacter le service commercial

• NVIDIA A100 SXM 80GB : $1.95/hr à la demande, $1.30/hr en spot

• NVIDIA L40S 48GB : $1.00/hr à la demande, $0.50/hr en spot

Les contrats de capacité réservée permettent aux équipes de bloquer des volumes de GPU spécifiques pour des périodes définies avec des remises plus importantes. Ceux-ci nécessitent un échange avec le service commercial ; il n'y a pas de niveau d'engagement en libre-service. L'API suit les conventions REST standard et s'intègre aux couches d'orchestration basées sur Kubernetes, bien que les équipes doivent apporter leur propre infrastructure de conteneurs et leurs outils d'orchestration.

L'approvisionnement énergétique de Crusoe le distingue de tous les autres clouds GPU. Les centres de données fonctionnent grâce au gaz naturel excédentaire capté (via sa technologie Digital Flare Mitigation, qui a réutilisé plus de 21 milliards de pieds cubes de gaz excédentaire depuis 2018), aux énergies renouvelables derrière le compteur et aux campus hybrides éoliens/solaires. Le campus phare d'Abilene, au Texas, fonctionne à 1.2GW. Des expansions en Islande et en Norvège sont en cours. Cette approche énergétique est auditable, ce n'est pas que du marketing : Crusoe publie publiquement ses chiffres d'émissions évitées et de CO2.

"Les GPU NVIDIA H100 Tensor Core de Codeium sur Crusoe ont été incroyablement fiables avec une disponibilité de cluster de 99.98%." - Varun Mohan, cofondateur et PDG, Windsurf (anciennement Codeium), décembre 2024

Où se situe Crusoe par rapport à CoreWeave et Lambda Labs

Le marché du cloud GPU comporte trois niveaux distincts. CoreWeave occupe la position d'entreprise hyperscale, Lambda Labs sert les équipes de recherche et les startups en phase de croissance avec un accès en libre-service plus simple, et Crusoe se situe entre les deux : une plus grande échelle et de meilleures garanties de capacité réservée que Lambda, avec des prix pour le H100 inférieurs aux tarifs à la demande publiés par CoreWeave, et une différenciation énergétique qu'aucun des deux concurrents n'offre.

CoreWeave exploite plus de 32 centres de données aux États-Unis et en Europe avec environ 250 000 GPU déployés. Sa valorisation post-IPO de $65B (mars 2025) reflète le fait qu'elle détient des contrats hyperscale à long terme avec Microsoft (pour les calculs d'OpenAI), Meta et Cohere. CoreWeave exécute une infrastructure native Kubernetes, ce qui convient aux équipes exécutant déjà des charges de travail K8s. La tarification du H100 commence autour de $4.25/hr pour le GPU seul, ou environ $6.15/GPU lorsqu'il est regroupé dans des nœuds HGX complets avec CPU/RAM. CoreWeave offre jusqu'à 60% de remise sur les contrats annuels engagés, mais les tailles minimales de contrat ont tendance à être importantes. Crusoe dispose d'un pipeline total de GPU plus important (946K GPU, 3.4GW) concentré dans des installations moins nombreuses mais plus grandes, et son tarif H100 à la demande de $3.90/hr défie le tarif publié par CoreWeave pour le GPU seul. Pour les équipes soucieuses de leurs références en matière de développement durable, Crusoe a une approche énergétique publiée ; CoreWeave n'en commercialise aucune.

Lambda Labs propose le H100 SXM à la demande à $3.29/hr, un avantage de 18.5% par rapport aux $3.90/hr de Crusoe pour la même classe de puce. Lambda inclut également des frameworks ML préinstallés (PyTorch, TensorFlow, pilotes CUDA) dans ses images de VM, ce qui permet de démarrer plus rapidement de petites expériences. Le compromis : les H100 et H200 de Lambda ont fréquemment des listes d'attente car l'inventaire disponible de l'entreprise est plus restreint. Le modèle de capacité réservée de Crusoe garantit la disponibilité des GPU pour les équipes capables de s'engager sur du volume. Lambda est également mieux adapté aux développeurs individuels ou aux équipes exécutant des tâches plus petites sur un seul nœud. L'architecture de Crusoe est conçue pour les clusters d'entraînement multi-nœuds et les charges de travail soutenues à forte utilisation. Si votre équipe prévoit d'exécuter un entraînement de modèle à 70B de paramètres pendant 30 jours, la garantie et la structure tarifaire de Crusoe sont plus appropriées. Si vous avez besoin d'un seul nœud H100 pour deux jours d'expérimentation, le modèle en libre-service de Lambda est plus simple. Pour les équipes explorant RunPod ou Modal comme points d'entrée, ces plateformes offrent un accès GPU en libre-service encore plus accessible avec une facturation à la seconde et des couches d'inférence gérées que Crusoe ne fournit pas.

"Avec Crusoe, nous avons multiplié notre capacité par cinq en quelques heures pour servir tous nos utilisateurs d'Oasis à travers l'Europe." - Dean Leitersdorf, PDG et cofondateur, Decart, annonce de la série D, 12 décembre 2024

À quoi ressemble réellement l'exécution de charges de travail sur Crusoe

Crusoe est une infrastructure brute. Vous apportez votre propre pile conteneurisée. Le parcours d'intégration pour une équipe d'entraînement d'IA typique ressemble à ceci : contacter le service commercial pour une capacité réservée, négocier un nombre de nœuds et une période d'engagement, recevoir les identifiants API, provisionner les nœuds via la console Crusoe ou l'API REST, puis déployer votre conteneur d'entraînement avec votre propre orchestration (Kubernetes, SLURM ou scripts personnalisés). Crusoe gère les pannes matérielles, la structure réseau et la continuité de l'alimentation. Votre équipe gère tout, du système d'exploitation vers le haut.

La qualité du support est une véritable force. Crusoe publie ses propres mesures de réussite client : temps de première réponse moyen de 6 minutes, score de satisfaction client de 100% depuis juin 2024, temps de résolution moyen de 23.6 heures. Pour un cloud GPU, où un nœud bloqué peut paralyser une exécution d'entraînement de plusieurs jours, ce temps de réponse compte. L'équipe de Pixelcut a noté : "Tous nos modèles d'apprentissage automatique internes ont été entraînés sur Crusoe Cloud" - une approbation de la fiabilité pour le ML en production, et pas seulement pour une utilisation d'évaluation.

L'option AMD MI300X à $3.45/hr mérite d'être soulignée pour les charges de travail gourmandes en bande passante mémoire. Le MI300X dispose de 192GB de mémoire HBM3 par carte, contre 80GB pour le H100, ce qui est important pour servir de grandes fenêtres de contexte ou exécuter de très grands modèles sans parallélisme de modèle. Les équipes évaluant le coût par token de l'inférence sur des tâches à contexte long ont trouvé le MI300X compétitif par rapport au H100 à des taux horaires inférieurs, en particulier avec les frameworks natifs JAX ou ROCm. Le compromis est une communauté plus restreinte et moins de tutoriels spécifiques à Crusoe pour ROCm par rapport à l'écosystème CUDA.

Pour les équipes utilisant des outils connexes, les clusters Crusoe fonctionnent bien aux côtés de Together AI pour les points de terminaison d'inférence gérés, car vous pouvez utiliser Crusoe pour l'entraînement et l'API d'inférence de Together AI pour le service en production sans maintenir votre propre infrastructure de service. Les équipes qui utilisent Lambda Labs pour de petites expériences déplacent souvent les charges de travail réservées vers Crusoe lorsqu'elles se heurtent aux contraintes de la liste d'attente de Lambda. La combinaison est suffisamment courante pour refléter une véritable tendance sur le marché : utiliser une plateforme plus simple pour l'exploration, puis s'engager avec Crusoe lorsque les charges de travail deviennent suffisamment prévisibles pour réserver de la capacité.

La console Crusoe est fonctionnelle plutôt que raffinée. Le provisionnement des nœuds et la gestion de l'accès par clé SSH prennent quelques minutes pour les ingénieurs familiers avec les flux de travail de l'infrastructure cloud. L'API REST couvre les mêmes opérations et s'intègre bien avec Terraform pour les équipes gérant l'infrastructure en tant que code. La surveillance est disponible mais n'atteint pas la profondeur d'AWS CloudWatch ou de la suite d'opérations de GCP ; les équipes exécutant des inférences en production complètent généralement avec leur propre intégration Prometheus ou Datadog.

À qui s'adresse Crusoe

Crusoe est le bon choix pour les équipes présentant ces caractéristiques : des charges de travail GPU soutenues et à forte utilisation (exécutions d'entraînement mesurées en jours ou en semaines, et non en heures) ; un besoin de disponibilité garantie des clusters plutôt qu'un service à la demande au mieux ; des ingénieurs d'infrastructure capables de gérer leur propre pile conteneurisée ; et des organisations ayant des exigences en matière de développement durable ou de reporting ESG qui rendent précieuses les références en matière de calcul à base d'énergie propre.

Les clients nommés correspondent à un profil spécifique : Windsurf (anciennement Codeium, plus de 700K développeurs utilisateurs), Decart (lancements de produits viraux nécessitant une mise à l'échelle rapide), BosonAI (entraînement de LLM à grande échelle), Pixelcut (ML de production dans des applications grand public) et Oaklet (traitement d'enregistrements en temps réel via Crusoe Managed Inference). Ce ne sont pas des utilisateurs amateurs. Ce sont des équipes avec des ingénieurs d'infrastructure dédiés exécutant des services d'IA en production.

Le rôle dans Stargate est un signal quant à la trajectoire. Être désigné comme développeur principal du campus de calcul phare d'OpenAI n'est pas un argument marketing. Cela reflète le fait que Crusoe peut livrer à une échelle et à un niveau de fiabilité pour lesquels OpenAI, Oracle et SoftBank ont signé des contrats. Pour les entreprises prenant des décisions d'infrastructure GPU sur plusieurs années, cette provenance a du poids.

Ce que Crusoe n'est pas

Crusoe n'est pas une plateforme de location de GPU en libre-service pour les développeurs individuels. Il n'y a pas d'inscription par carte de crédit, pas de facturation à la seconde, pas de niveau gratuit et pas d'environnement de notebook Jupyter en un clic. Si vous êtes un chercheur solo qui a besoin d'un seul H100 pour une expérience de deux jours, Lambda Labs ou RunPod vous permettront de démarrer en quelques minutes ; Crusoe vous demandera d'abord de parler au service commercial.

Crusoe n'inclut pas d'infrastructure ML gérée. Il n'y a pas de suivi d'expérience intégré, pas de registre de modèles, pas de recherche automatisée d'hyperparamètres et pas de couche de service gérée. Les équipes qui ont utilisé Google Vertex AI ou AWS SageMaker trouveront que Crusoe ressemble plus à la location d'un serveur qu'à l'utilisation d'une plateforme d'IA cloud. Vous possédez la pile complète à partir du système d'exploitation.

La couverture géographique est une véritable limitation début 2026. La majeure partie de la capacité GPU de Crusoe est basée aux États-Unis (principalement au Texas). L'expansion en Islande est en cours ; l'Europe en est à ses débuts. Les équipes ayant des exigences de résidence des données dans l'UE ou des charges de travail d'inférence européennes sensibles à la latence trouveront des options limitées par rapport à l'empreinte européenne d'AWS ou de CoreWeave. Pour les API d'inférence gérées qui s'exécutent à l'échelle mondiale sans cette contrainte géographique, Together AI ou Modal sont de meilleures options. Les charges de travail en rafale et sporadiques, où l'utilisation du GPU passe de presque zéro à un pic et inversement, sont mal adaptées au modèle de tarification de Crusoe. Le taux horaire est constant, que le GPU soit saturé ou inactif.