Pénurie de RAM : l’analyse de Sam Altman et ses limites
Sam Altman défend l’accès à la RAM tout en évoquant son partage pour l’IA. Décryptage des tensions entre centres de données, PC et usages locaux.

Pénurie de RAM : pourquoi Sam Altman défend à la fois le PC et le partage de mémoire
La mémoire vive est devenue un sujet bien plus large que les PC. D'un côté, les centres de données qui font tourner l'intelligence artificielle réclament toujours plus de capacité. De l'autre, la DRAM renchérit et, pour les particuliers comme pour les entreprises, la question devient très concrète : qu'est-ce qu'on peut (et qu'est-ce qu'on doit) acheter pour le prochain équipement ? Dans ce contexte, Sam Altman a voulu dissiper un malentendu : ses propos avaient laissé penser que la mémoire servirait mieux en centre de données que dans les ordinateurs personnels.
Aujourd'hui, le dirigeant d'OpenAI dit vouloir que tout le monde puisse acquérir beaucoup de RAM et il défend l'idée de « bricolage » à domicile. Mais il garde aussi un autre argument : quand l'offre est limitée, une mémoire partagée et mobilisée en continu pourrait être plus efficace qu'une mémoire « immobilisée » dans des appareils individuels. À première vue, ça peut sembler contradictoire. En réalité, c'est surtout un arbitrage : qui contrôle la ressource, où se fait le calcul, et quels usages doivent passer en priorité. Voici ce que ses déclarations changent (ou confirment) pour les utilisateurs, les entreprises et, au passage, le marché européen.
Que dit Sam Altman sur la RAM des ordinateurs personnels
Lors d'une intervention au sommet de Semafor consacré à la Silicon Valley et au monde, Sam Altman a voulu revenir sur une sortie précédente qui avait semé le doute. Son message est net : les utilisateurs doivent pouvoir acheter de la mémoire pour leurs propres machines. Il en profite aussi pour défendre le « home tinkering », c'est-à-dire l'idée d'expérimenter et de modifier soi-même ses usages informatiques.
Le problème vient de ce qu'il avait dit sur le podcast Cheeky Pint. À l'époque, il jugeait « assez terrible » que chacun ait de la RAM dans son ordinateur plutôt que de concentrer cette mémoire dans des centres de données. Puis, dans des messages sur X, il a expliqué que sa remarque avait été sortie de son contexte, et qu'il voulait en réalité que les gens disposent de « beaucoup » de RAM.
Une clarification, pas un abandon de son argument
À Semafor, Altman explique que la production de mémoire ne s'est pas développée assez vite. Sans donner de chiffres vérifiables « tous publics », il avance que les prix de la DRAM auraient peut-être été multipliés par cinq ou sept. Autrement dit : c'est son estimation, pas une règle universelle, et ça ne veut pas dire que tous les produits et tous les marchés auraient subi la même hausse.
Son raisonnement se lit en deux temps. D'abord, il veut une offre suffisamment large pour que les particuliers puissent équiper leurs ordinateurs. Ensuite, il dit qu'en situation de pénurie, une mémoire utilisée en permanence dans un centre de données pourrait être exploitée plus efficacement qu'une mémoire qui reste parfois inutilisée sur un appareil personnel.
Et surtout : cette logique d'optimisation ne remplace pas l'idée qu'il faut aussi de la mémoire chez soi. Altman présente le partage comme un levier possible quand on manque de capacité, pas comme une règle générale. Il ajoute d'ailleurs que d'autres options existent, dont l'exécution locale de modèles.
Ce que la déclaration ne permet pas de conclure
On ne peut pas lire ces propos comme un projet visant à limiter l'accès aux composants, ni comme une proposition de « récupérer » la RAM des PC. Ce qu'il défend, c'est plutôt une préférence d'optimisation face à un problème de capacité insuffisante. Techniquement, oui. Politiquement ou commercialement, rien de tel n'est annoncé.
La nuance compte aussi parce qu'il parle depuis le point de vue d'une entreprise qui a besoin de ressources pour entraîner et exploiter des modèles. Son diagnostic est donc pertinent sur les contraintes industrielles, mais il ne suffit pas pour décider à la place de toute la société. Les besoins d'un fournisseur d'IA ne sont pas forcément ceux d'un foyer, d'une PME ou d'un service public.
Pourquoi la demande en mémoire liée à l'IA fait-elle débat
La mémoire est indispensable aux systèmes informatiques. En centre de données, serveurs et accélérateurs doivent accéder rapidement aux données nécessaires au calcul. Les modèles d'IA utilisent aussi la mémoire, pendant l'entraînement mais aussi pendant la génération de réponses (l'inférence).
Cette demande vient s'ajouter à celle des autres secteurs : PC, téléphones, consoles, et infrastructures cloud. Quand la production ne suit pas la courbe des besoins, les acheteurs se retrouvent en concurrence pour une capacité limitée. Résultat possible : des prix plus élevés et des produits moins disponibles, avec une intensité qui dépend des contrats, des stocks, des gammes et des calendriers de fabrication.
Le problème n'est pas seulement « le nombre de barrettes »
Dire « RAM » donne l'impression qu'on parle d'un seul marché. En pratique, les besoins varient selon les équipements, les configurations et les usages. Quand on parle de DRAM dans ces discussions, on vise une famille de mémoires utilisée dans différents produits. Et toutes les capacités de production ne peuvent pas être redirigées instantanément vers n'importe quel appareil ou n'importe quel serveur.
La contrainte ne touche aussi pas que la mémoire. Altman a indiqué qu'OpenAI avait déjà été limitée à différents moments par d'autres éléments : la mémoire, l'assemblage des racks, la capacité des centres de données, ou certains composants. Donc, augmenter « un » facteur ne garantit pas que l'ensemble du système puisse progresser au même rythme. Un centre de données, c'est aussi des équipements compatibles, de l'énergie, du refroidissement, des locaux et des mises en service coordonnées.
Au fond, c'est une logique de chaîne : le rythme final dépend souvent de l'étape la plus bloquante. Une entreprise peut réserver plus de mémoire et rester coincée si elle ne peut pas obtenir en face les serveurs ou l'espace d'hébergement nécessaires. Et l'inverse est vrai : ajouter du calcul sans sécuriser les composants indispensables peut provoquer des retards ou une sous-utilisation des investissements.
Une dépendance qui touche aussi l'Europe
Pour les entreprises françaises et européennes, l'enjeu dépasse l'achat d'un PC. Les services numériques reposent souvent sur des fournisseurs cloud et des infrastructures mondiales. Une hausse des coûts ou une disponibilité réduite peut alors peser sur les budgets informatiques, sur les délais de renouvellement et sur le coût de certains services liés à l'IA.
Cela dit, il serait excessif de conclure que toute hausse de prix vient de l'IA, ou que tous les acheteurs sont impactés de la même façon. Les fabricants, distributeurs et prestataires peuvent absorber une partie des variations, les répercuter partiellement ou adapter leur offre. La vraie question, pour un acheteur, ce n'est pas seulement « est-ce que les prix montent ? », c'est aussi : de quelle ressource j'ai vraiment besoin, pour quand, et avec quelle solution de repli si ça bouge.
Mémoire partagée ou inférence locale : quel est le vrai arbitrage
Le point d'Altman s'appuie sur une idée bien connue en informatique : mutualiser des ressources peut augmenter leur taux d'utilisation. En centre de données, une capacité peut servir plusieurs tâches au fil de la journée. Une mémoire installée dans un ordinateur personnel reste attachée à cette machine : si celle-ci n'exécute pas de tâche gourmande, la ressource reste en grande partie « en attente ».
Mais un bon taux d'utilisation n'est pas, à lui seul, une stratégie suffisante. Une ressource centralisée doit être accessible par réseau et gérée par un opérateur. Une ressource locale donne plus de contrôle à l'utilisateur et peut permettre de faire certaines tâches sans envoyer les données vers un service distant. Deux options, deux réponses à des besoins différents.
Ce que le calcul centralisé facilite
Les centres de données permettent de regrouper des équipes et des outils d'exploitation. Pour un fournisseur, cela simplifie la gestion des capacités, la maintenance et les déploiements. Et ça permet de servir des utilisateurs qui n'ont pas forcément envie (ou besoin) de posséder une machine très puissante ni de gérer eux-mêmes un modèle.
En contrepartie, tout dépend aussi de la connexion, de la capacité disponible et des conditions du prestataire. Les données doivent être traitées ailleurs, ce qui oblige à regarder de près la sécurité, la localisation des traitements, les contrats et les obligations réglementaires, notamment au regard du RGPD. La centralisation améliore la mutualisation, mais elle augmente la dépendance opérationnelle.
Ce que l'inférence locale apporte
L'inférence locale consiste à exécuter tout ou partie du traitement sur l'appareil de l'utilisateur. C'est utile quand la connexion est instable, quand la latence compte vraiment, ou quand l'organisation veut limiter l'envoi de données vers un service externe. Ça évite aussi d'être bloqué si un fournisseur rencontre un problème.
Mais ce n'est pas magique : il faut un appareil capable d'exécuter les tâches visées. Selon les cas, cela peut pousser vers des modèles plus petits, moins performants sur certains sujets, ou vers une maintenance plus coûteuse sur un parc hétérogène. Et côté entreprise, il faut gérer mises à jour, sécurité et support sur beaucoup de postes. Pour un usage ponctuel, le cloud peut être plus simple. Pour un traitement sensible ou répétitif, l'exécution locale peut valoir l'investissement.
Le bon choix dépend du coût complet
Opposer « tout centraliser » et « tout faire chez soi » est trop simple. En pratique, un système combine souvent plusieurs modes : traitement local pour certaines données, service distant pour les tâches lourdes, et mécanismes de secours quand le réseau ou le fournisseur ne répond pas.
Pour trancher, une organisation devrait regarder au moins :
- Le coût total, matériel, cloud, réseau, exploitation et renouvellement inclus.
- La sensibilité des données, les contraintes contractuelles et les exigences réglementaires.
- La latence et la disponibilité, en tenant compte de l'impact réel d'un délai ou d'une interruption.
- Le niveau de contrôle souhaité, notamment sur les modèles, les journaux et la gestion des mises à jour.
- Le profil d'utilisation, parce qu'une ressource utilisée en continu ne se compare pas à une machine sollicitée de façon intermittente.
Ce calcul est plus utile que de chercher à maximiser « abstraitement » l'occupation de la mémoire. Une infrastructure qui semble plus efficace sur le papier peut finir plus coûteuse si elle impose une dépendance forte, des transferts de données ou des interruptions difficiles à absorber dans le métier.
Quelles conséquences pour les entreprises et les acheteurs
Les déclarations d'Altman rendent la tension de marché plus claire, mais elles ne permettent pas, à elles seules, de prédire exactement les prix ou les délais d'approvisionnement. Pour les acheteurs, la meilleure approche reste pragmatique : ne pas acheter « dans la panique », et ne pas non plus tout repousser en espérant que « ça reviendra comme avant » très vite.
Pour les entreprises, dimensionner avant d'acheter
Une entreprise qui renouvelle ses postes ou son infrastructure devrait partir de ses usages réels. Les exigences d'un poste de bureautique ne sont pas celles d'un poste de développement, d'un poste de création, ni d'un environnement prévu pour exécuter des modèles en local. Surdimensionner partout coûte cher sans forcément améliorer la productivité.
À l'inverse, rogner sur la mémoire juste pour réduire la facture peut provoquer des ralentissements et écourter la durée de vie utile du matériel. Le bon comparatif, c'est donc le coût sur la période d'usage, y compris le temps perdu et les remplacements anticipés. Dans les grandes organisations, segmenter les profils de postes est souvent plus robuste qu'imposer une configuration unique.
Pour les projets d'IA, il faut aussi distinguer expérimentation et production. Un prototype peut fonctionner sur une infrastructure temporaire ou sur un service distant. Avant de déployer, il faut tester le coût par usage, la capacité nécessaire, la disponibilité, et ce qui se passe en cas de panne. Ça évite de confondre une démo impressionnante avec un système exploitable à grande échelle.
Pour les particuliers, l'achat dépend de l'usage
Les particuliers n'ont pas intérêt à acheter plus de RAM « par principe » parce qu'un dirigeant technologique dit vouloir beaucoup de capacité pour tout le monde. Il faut vérifier ce que font les logiciels réellement utilisés, si la mémoire pourra être ajoutée plus tard, et surtout le coût d'un remplacement complet si on se trompe. Sur certains appareils, la mémoire n'est pas extensible : la décision initiale pèse alors sur plusieurs années.
Pour un ordinateur destiné à des tâches courantes, les besoins ne ressemblent pas à ceux d'un poste de développement ou de création. Et pour exécuter des modèles localement, il faut regarder la compatibilité de la machine et les besoins réels du modèle visé. La RAM ne fait pas tout : processeur, accélérateur, stockage et logiciel comptent tout autant.
Une grille de décision simple
Avant de signer un achat ou un contrat cloud, posez-vous quatre questions :
- Quel usage doit être couvert ? Décrivez les tâches et les volumes, plutôt que de partir d'une seule spécification.
- Que se passe-t-il si c'est indisponible ? L'exigence de redondance n'est pas la même pour un outil secondaire et pour un système « métier ».
- Quelles données seront traitées ? Confidentialité, sécurité et conformité ne se traitent pas au feeling.
- Quelle option reste viable si les prix ou les capacités bougent ? Prévoyez un plan de repli pour éviter la dépendance à un seul fournisseur ou à une seule architecture.
Cette méthode ne supprime pas les tensions d'approvisionnement. Elle réduit surtout le risque de transformer une contrainte temporaire en mauvais choix durable. La priorité n'est pas de posséder « le maximum », mais d'avoir la bonne capacité pour le service rendu, au bon niveau de coût.
Conclusion
La clarification de Sam Altman ne fait pas disparaître le débat sur la façon de répartir les ressources informatiques. Elle met surtout en lumière deux objectifs légitimes, mais différents : assurer une offre de mémoire suffisante pour les utilisateurs, et mieux utiliser des capacités centralisées quand elles sont rares. Le premier parle d'accès et d'autonomie ; le second parle d'efficacité d'exploitation.
Pour les entreprises comme pour les particuliers, le bon choix dépend de l'usage, du coût complet, des données traitées et du niveau de dépendance acceptable. La RAM n'est ni une fin en soi, ni une ressource qu'il faudrait systématiquement concentrer. Avant d'investir, repartez des tâches à accomplir, comparez le local et le distant, puis prévoyez une solution de repli. C'est ça, au fond, qui transforme une contrainte de marché en décision maîtrisée.