Apple envisage de nouvelles acquisitions dans les puces IA, après Beats à 2 625 € millions, l’activité modems de Intel à 875 € millions et Q.ai à près de 1 750 € millions. Objectif : muscler ses serveurs IA, encore limités par les puces M2 Ultra.
Apple cherche des briques manquantes pour ses serveurs IA
Apple étudie des acquisitions dans les semi-conducteurs pour muscler son infrastructure dédiée à l’intelligence artificielle. L’information de départ est simple : le groupe discute avec des banquiers et des startups du secteur afin d’accélérer le développement de puces serveur capables de faire tourner des modèles IA en interne. Le point clé, c’est que cette démarche intervient alors que les serveurs IA actuels de la marque reposent encore sur des systèmes basés sur la puce M2 Ultra, conçue à l’origine pour des machines professionnelles, pas pour des grappes massives d’inférence.
Ce mouvement a du sens. Apple sait dessiner d’excellentes puces clientes pour iPhone, iPad et Mac. En revanche, le calcul IA à l’échelle d’un cloud impose d’autres compromis : bande passante mémoire, interconnexion entre accélérateurs, densité par rack, rendement énergétique sous charge continue, et montée en charge sur des modèles toujours plus gourmands. Sur ce terrain, les références restent aujourd’hui les GPU datacenter de NVIDIA et les infrastructures des hyperscalers.
À mes yeux, le vrai sujet n’est pas l’acquisition en elle-même. C’est l’aveu implicite qu’une stratégie 100 % interne ne suffit pas à court terme pour rattraper le rythme imposé par l’IA générative.
Pourquoi la base actuelle d’Apple montre ses limites
Selon Apple, la M2 Ultra intègre 134 milliards de transistors, prend en charge jusqu’à 192 Go de mémoire unifiée et atteint 800 Go/s de bande passante mémoire. La puce s’appuie aussi sur l’interconnexion maison UltraFusion, annoncée à plus de 2,5 To/s entre les deux dies qui composent le SoC. Sur le papier, cela reste impressionnant pour une puce orientée poste de travail haut de gamme.
Le problème, c’est la comparaison avec une puce pensée dès le départ pour les centres de données. Chez NVIDIA, le H100 SXM affiche 80 Go de mémoire HBM3, 3,35 To/s de bande passante mémoire, jusqu’à 3 958 téraflops en FP8 et un lien NVLink à 900 Go/s. Sur la seule bande passante mémoire, le H100 fait donc environ 4,19 fois mieux que la M2 Ultra, d’après les chiffres officiels de Apple et NVIDIA. En sens inverse, la M2 Ultra propose 2,4 fois plus de capacité mémoire qu’un H100 SXM pris isolément, avec 192 Go contre 80 Go. Ces deux métriques dérivées racontent bien la situation : Apple dispose d’un SoC très large en mémoire, mais nettement moins agressif en débit brut pour l’IA serveur.
Autrement dit, une M2 Ultra peut être pertinente pour certains traitements maison ou pour des charges moins lourdes. Mais dès qu’il faut servir de gros modèles à faible latence, la hiérarchie matérielle change. La bande passante mémoire et l’écosystème logiciel comptent autant que la puissance brute.
Le décalage avec les infrastructures cloud déjà en production
Le contraste devient encore plus net quand on regarde le cloud. Dans sa documentation officielle, Google Cloud détaille ses instances A3 basées sur des GPU NVIDIA H100. Une instance a3-highgpu-8g embarque 8 GPU H100, 640 Go de mémoire GPU cumulée, 208 vCPU, 1 872 Go de RAM système et jusqu’à 1 000 Gbit/s de bande passante réseau maximale. Plus haut encore, le profil a3-megagpu-8g monte à 8 H100, 640 Go de HBM3 et jusqu’à 1 800 Gbit/s de bande passante réseau maximale.
Ces chiffres donnent un repère concret. Si une partie des traitements IA les plus exigeants de la nouvelle génération de Siri passe par une infrastructure opérée sur Google Cloud avec des GPU NVIDIA, ce n’est pas seulement un choix logiciel. C’est aussi un choix dicté par la maturité de l’offre serveur existante. Apple peut optimiser ses modèles sur appareil avec ses propres puces. Pour le calcul centralisé, elle reste encore dépendante d’un écosystème externe plus robuste.
Mon avis est direct : tant que Apple ne dispose pas d’une vraie puce serveur dédiée, elle subira une double dépendance, matérielle envers NVIDIA et opérationnelle envers un cloud tiers pour certaines charges critiques.
Le retard de Baltra change la donne
Le projet de puce serveur de nouvelle génération, connu sous le nom de code Baltra, aurait glissé au-delà de son objectif initial fixé à 2026. Si ce décalage se confirme, il explique à lui seul pourquoi Apple regarde le marché des acquisitions. Développer une puce IA serveur ne consiste pas à redéployer une recette Mac à plus grande échelle. Il faut aussi maîtriser l’empilement mémoire avancé, le packaging, les interconnexions rapides, la gestion thermique et l’outillage logiciel côté datacenter.
Sur ce point, le contexte industriel compte. TSMC met en avant sa feuille de route 3 nm, avec les procédés N3E et N3P, présentés comme des évolutions axées sur l’amélioration de la performance, de la consommation et de la densité. Cela signifie qu’Apple peut s’appuyer sur un fondeur très avancé, mais cela ne résout pas automatiquement l’équation système complète. Le nœud de gravure aide. Il ne remplace ni l’architecture ni l’intégration serveur.
En clair, acheter une startup peut permettre de gagner du temps sur un maillon précis : mémoire, interconnexion, compilation, compression de modèles ou design d’accélérateurs spécialisés.
Les cibles probables : serveurs IA d’un côté, IA embarquée de l’autre
Un autre élément mérite l’attention : les discussions évoquées avec PrismML. La société travaille sur la compression extrême des modèles pour l’exécution locale. Dans une publication récente, PrismML indique qu’un déploiement sur Apple Silicon de son modèle Bonsai Image 4B peut tenir dans une empreinte de 3,42 Go en version 1-bit, ou 3,88 Go en version ternaire, encodeur de texte compressé et VAE FP16 compris. Ce n’est pas anecdotique. C’est précisément le type de technologie qui peut réduire la dépendance au cloud pour certaines fonctions IA.
Il faut donc distinguer deux axes. Le premier concerne les puces serveur capables de faire tourner de gros modèles en backend. Le second vise la compression et l’optimisation des modèles pour les exécuter directement sur iPhone, iPad ou Mac. Apple a besoin des deux. Sans serveur performant, les fonctions avancées restent tributaires d’une infrastructure externe. Sans compression locale efficace, la promesse d’une IA privée et réactive sur appareil perd en crédibilité.
À mon sens, la piste la plus cohérente serait une série de rachats ciblés plutôt qu’un seul méga-deal. Apple a historiquement plus de discipline sur ce format.
Des acquisitions plus grosses que d’habitude, mais pas hors norme pour Apple
Apple n’a pas l’habitude des rachats spectaculaires, mais elle sait payer quand un actif est jugé stratégique. Selon son communiqué officiel, le rachat de Beats en 2014 a coûté 3 milliards de dollars, soit 2 580 000 000 € au taux utilisé ici (1 USD = 0,86 EUR). Toujours selon Apple, l’acquisition de la majeure partie de l’activité modems smartphone d’Intel en 2019 a été valorisée à 1 milliard de dollars, soit 860 000 000 €.
Le simple écart entre ces deux opérations est déjà instructif : le dossier Beats représentait un montant 3 fois supérieur à celui de l’activité modem d’Intel. Si Apple accepte aujourd’hui de regarder des sociétés de semi-conducteurs plus ambitieuses, ce ne serait donc pas une rupture totale, mais une extension logique de sa politique passée sur des actifs jugés structurants.
La rumeur d’un rachat de Q.ai pour près de 2 milliards de dollars n’est pas documentée par un communiqué officiel d’Apple. Ici, la bonne formule est simple : non communiqué.
Le bilan d’Apple lui donne une marge de manœuvre réelle
La question du financement ne semble pas bloquante. Dans ses états financiers trimestriels publiés pour le trimestre clos le 27 décembre 2025, Apple affichait 45,317 milliards de dollars de trésorerie, équivalents de trésorerie et disponibilités restreintes en fin de période. Dans son bilan 2025, le groupe faisait aussi apparaître 18,763 milliards de dollars de titres négociables à court terme et 77,723 milliards de dollars à long terme. Au total, cela représente environ 141,803 milliards de dollars de liquidités et placements de marché, soit près de 121 950 000 000 € au taux retenu.
Ce matelas change la lecture du dossier. Même une acquisition à plusieurs milliards resterait absorbable sans mettre en tension le bilan. Et le signal envoyé récemment par la direction financière, qui ne traite plus la neutralité stricte de trésorerie nette comme un objectif formel, renforce l’idée d’une plus grande flexibilité stratégique. Là encore, le message implicite est clair : Apple se donne le droit d’acheter plus gros si le besoin industriel l’exige.
Ce que ferait gagner une acquisition dans la pratique
Le bénéfice le plus évident serait le temps. Racheter une startup de puces IA peut apporter immédiatement des équipes, de la propriété intellectuelle, des briques d’interconnexion, des blocs mémoire ou des outils logiciels déjà validés. Dans un marché où NVIDIA avance vite et où les hyperscalers internalisent leurs propres accélérateurs, chaque trimestre compte.
Deuxième gain concret : la spécialisation. Une architecture serveur conçue pour l’inférence de modèles internes n’a pas besoin de viser tous les usages du marché. Apple peut chercher un design optimisé pour ses propres workloads : assistants vocaux, résumé, génération de texte, compréhension multimodale, sécurité et traitements privés. Ce recentrage peut compenser une échelle plus faible que celle des clouds généralistes.
Troisième gain : la cohérence entre appareil et cloud. Si Apple contrôle à la fois la puce cliente et une partie de la puce serveur, elle peut mieux répartir le travail entre traitement local et distant. C’est là que les technologies de compression de modèles, comme celles mises en avant par PrismML, deviennent stratégiques. Elles réduisent les besoins côté serveur, donc les coûts d’inférence et la dépendance aux GPU externes.
Le vrai retard d’Apple n’est pas seulement matériel
Il serait trop simple de résumer la situation à une affaire de puces. Le retard éventuel d’Apple tient aussi à l’empilement complet : matériel, orchestration, frameworks, modèles, coût d’exploitation et vitesse de déploiement. NVIDIA vend des GPU, mais aussi un écosystème logiciel, des interconnexions, des systèmes validés et une base installée déjà massive chez les grands clouds. Google Cloud, de son côté, fournit des instances prêtes à l’emploi pour l’entraînement et le serving.
Apple part avec des atouts sérieux en efficacité énergétique et en intégration verticale sur appareil. En datacenter, elle doit encore prouver qu’elle peut livrer un système complet, pas seulement une bonne puce isolée. C’est précisément pour cela qu’une acquisition ciblée dans les semi-conducteurs ou l’optimisation de modèles paraît crédible.
Ce qu’il faut surveiller maintenant
Les prochains signaux à suivre sont concrets. D’abord, l’identité des startups approchées : mémoire, packaging, réseau, compilation ou compression de modèles. Ensuite, le calendrier réel de Baltra, désormais annoncé comme retardé. Enfin, le niveau de dépendance de la nouvelle pile IA d’Apple à l’infrastructure NVIDIA/Google Cloud pour les fonctions les plus lourdes.
Si Apple passe à l’achat, ce ne sera pas pour faire du volume médiatique. Ce sera pour combler une faiblesse technique précise. Et c’est sans doute la lecture la plus rationnelle du dossier : le groupe n’essaie pas de refaire tout le marché de l’IA. Il cherche surtout à éviter que son avenir logiciel repose trop longtemps sur les serveurs des autres.
Mon avis :
Le signal est fort : Apple admet enfin que ses serveurs IA sur M2 Ultra plafonnent et cherche des briques externes, preuve d’un pragmatisme utile. Mais ce virage reste défensif : si Baltra glisse au-delà de 2026 et que Siri dépend encore de Google, Apple subit l’IA plus qu’elle ne la mène.
