LinkedIn замораживает вычислительные мощности: год без расширения дата-центров

LinkedIn ne va pas étendre ses data centers pendant l'année à venir et va maintenir sa puissance de calcul à son niveau actuel — à contre-courant du boom de l'intelligence artificielle. Plutôt que d'acheter du nouveau matériel, l'entreprise exige de ses ingénieurs qu'ils utilisent plus efficacement chaque GPU déjà en place. C'est ce que rapporte le magazine Wired.

Ce que LinkedIn a exactement 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'accroître son parc d'accélérateurs. La croissance de l'infrastructure est mise en pause au moment même où la quasi-totalité du secteur l'accélère.

Cette décision n'a pas été prise à cause d'un ralentissement de la demande, mais comme une stratégie délibérée. Selon Wired, plutôt que d'investir des dépenses en capital dans de nouveaux serveurs, LinkedIn mise sur l'efficacité — en poussant les équipes à tirer le maximum des GPU déjà installés.

• La puissance de calcul est gelée pour environ un an — sans extension des data centers
• Le parc de GPU reste au niveau actuel, aucun achat majeur n'est prévu
• La raison n'est pas un ralentissement, mais un pari délibéré sur l'efficacité malgré le boom de l'IA
• LinkedIn appartient à Microsoft — l'un des plus grands investisseurs dans l'infrastructure IA
• La source des données est un reportage de Wired

Pourquoi l'entreprise n'augmente pas son parc matériel

LinkedIn choisit l'efficacité plutôt que les dépenses en capital : au lieu d'acheter de nouveaux accélérateurs pour ses fonctionnalités IA en croissance, l'entreprise optimise l'utilisation de ceux déjà présents dans ses data centers. La logique est simple — chaque GPU doit apporter un maximum de valeur avant que l'achat du suivant ne soit justifié. Dans le secteur, on appelle ce mode « faire plus avec moins », et pour les équipes IA, cela signifie se disputer 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 de cloud investissent des sommes record dans les data centers et l'infrastructure IA, LinkedIn maintient délibérément ses dépenses de calcul à un niveau stable. Pour une plateforme qui intègre l'IA générative dans son fil d'actualité, sa recherche et ses recommandations, ce choix n'est pas anodin : la demande de calcul augmente, mais pas la capacité.

Le contraste est accentué par la maison mère. LinkedIn appartient à Microsoft depuis 2016, laquelle, à l'inverse, a annoncé environ 80 milliards de dollars d'investissements en capital dans des data centers IA pour l'exercice fiscal 2025. Dans ce contexte, la décision de la plateforme filiale de maintenir ses propres capacités inchangées apparaît comme une contre-manœuvre délibérée : chaque nœud de l'écosystème n'est pas tenu de participer à la course au matériel.

«

LinkedIn maintient sa ligne sur les dépenses de calcul et lance un défi aux ingénieurs — faire fonctionner chaque GPU à pleine capacité », c'est ainsi que Wired résume l'essence de la stratégie.

Ce qui change pour les ingénieurs

L'essentiel de la charge retombe sur les équipes d'ingénierie : puisqu'il n'y aura pas de nouveaux GPU, toute croissance des fonctionnalités IA devra passer par l'optimisation. En pratique, cela signifie une utilisation plus dense des accélérateurs, un réglage fin des modèles en fonction du matériel disponible et une priorisation stricte des tâches qui apportent réellement de la valeur.

Il ne s'agit pas de fonctionnalités secondaires : LinkedIn intègre l'IA générative dans des assistants pour recruteurs, des suggestions pour la rédaction de publications et la personnalisation du fil d'actualité pour plus de 1 milliard d'utilisateurs inscrits. Répondre à une demande IA de cette ampleur avec un parc de GPU fixe, c'est précisément la tâche confiée aux ingénieurs.

Dans les faits, LinkedIn transforme une contrainte en défi d'ingénierie. Au lieu du traditionnel « achetons plus de capacité », les équipes doivent désormais trouver où le calcul est gaspillé et réécrire les pipelines pour obtenir le même résultat avec moins d'heures-GPU.

Ce que cela signifie

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