LinkedIn gèle sa puissance de calcul : pas d'extension de data centers pendant un an

LinkedIn n'étendra pas ses data centers au cours de l'année à venir et maintiendra sa puissance de calcul à son niveau actuel, malgré le boom de l'intelligence artificielle. Plutôt que d'acheter du nouveau matériel, l'entreprise demande à ses ingénieurs d'utiliser plus efficacement chaque GPU déjà en place. L'information provient de Wired.

Ce que LinkedIn a décidé

LinkedIn a figé sa puissance de calcul à son niveau actuel : au cours des 12 prochains mois, l'entreprise ne prévoit ni d'étendre ses data centers ni d'agrandir son parc d'accélérateurs. La croissance de l'infrastructure est mise en pause au moment précis où presque toute l'industrie l'accélère.

Cette décision ne répond pas à un recul de la demande : il s'agit d'une stratégie délibérée. Selon Wired, plutôt que de consacrer des dépenses d'investissement à de nouveaux serveurs, LinkedIn mise sur l'efficacité et pousse ses équipes à tirer le maximum des GPU déjà installés.

• La puissance de calcul est gelée pendant environ un an, sans extension de data centers
• Le parc de GPU reste à son niveau actuel, aucun nouvel achat massif n'est prévu
• La raison n'est pas un ralentissement, mais un pari délibéré sur l'efficacité, à rebours du boom de l'IA
• LinkedIn appartient à Microsoft, l'un des plus gros investisseurs dans l'infrastructure d'IA
• Source des informations : un reportage de Wired

Pourquoi l'entreprise n'augmente pas son parc matériel

LinkedIn choisit l'efficacité plutôt que les dépenses d'investissement : au lieu d'acheter de nouveaux accélérateurs pour des fonctionnalités d'IA toujours plus nombreuses, l'entreprise optimise l'usage de ceux qui équipent déjà ses data centers. La logique est simple : chaque GPU doit apporter un maximum de valeur avant que l'achat du suivant soit justifié. Ce régime, que l'industrie résume par « faire plus avec moins », place les équipes d'IA en concurrence pour un pool de calcul limité, et non en expansion.

Cette approche va à contre-courant de la tendance générale. Alors que les plus grandes entreprises technologiques et les fournisseurs cloud investissent des sommes record dans les data centers et l'infrastructure d'IA, LinkedIn maintient délibérément ses dépenses de calcul au même niveau. Pour une plateforme qui intègre l'IA générative dans son fil d'actualité, sa recherche et ses recommandations, le choix n'a rien d'évident : la demande de calcul augmente, pas la capacité.

La maison mère renforce le contraste. LinkedIn appartient à Microsoft depuis 2016, et celle-ci a au contraire annoncé environ 80 milliards de dollars d'investissements dans des data centers d'IA pour l'exercice fiscal 2025. Dans ce contexte, la décision de la filiale de maintenir ses capacités inchangées apparaît comme une contre-manœuvre assumée : tous les maillons de l'écosystème ne sont pas tenus de participer à la course au matériel.

«

LinkedIn tient sa ligne sur les dépenses de calcul et lance un défi à ses ingénieurs : faire tourner chaque GPU à pleine charge », c'est ainsi que Wired résume l'essence de la stratégie.

Ce que cela change pour les ingénieurs

La charge pèse en premier lieu sur les équipes d'ingénierie : sans nouveaux GPU, toute la croissance des fonctionnalités d'IA devra passer par l'optimisation. Concrètement, cela suppose une utilisation plus dense des accélérateurs, un réglage fin des modèles pour le matériel disponible et une hiérarchisation stricte en faveur des tâches qui créent réellement de la valeur.

Il ne s'agit pas de fonctionnalités secondaires : LinkedIn intègre l'IA générative dans ses assistants pour recruteurs, dans les suggestions de rédaction de publications et dans la personnalisation du fil pour plus de 1 milliard d'utilisateurs inscrits. Servir une charge d'IA croissante à cette échelle avec un parc de GPU fixe, c'est précisément la mission confiée aux ingénieurs.

En pratique, LinkedIn transforme une contrainte en défi d'ingénierie. Au lieu du réflexe habituel (« on rachète de la capacité »), les équipes doivent identifier où le calcul est gaspillé et réécrire leurs pipelines pour obtenir le même résultat avec moins d'heures GPU.

Ce que cela signifie

La stratégie de LinkedIn montre que, même en pleine course à l'IA, de grands acteurs sont prêts à miser sur l'efficacité et pas seulement sur l'échelle. Si le modèle « capacité fixe plus optimisation » fonctionne, il fournira un argument de poids contre la course sans fin aux dépenses d'investissement dans les data centers, et un exemple pour les autres entreprises dont le budget ne permet pas d'acheter des GPU indéfiniment.