Nvidia et Palantir testent l’IA souveraine dans la chaîne d’approvisionnement

Nvidia et Palantir ont annoncé le 10 septembre 2026 une collaboration pour appliquer l’IA souveraine aux chaînes d’approvisionnement critiques, en commençant par la propre supply chain de Nvidia. Le système assemble les modèles open weight Nemotron, Foundry, AIP, l’Ontology de Palantir et cuOpt, l’outil d’optimisation de Nvidia, pour aider les équipes à arbitrer les matériaux et la capacité. L’enjeu est clair : dans une usine d’IA, un composant manquant suffit à bloquer tout le reste. Et là, même les tableaux Excel finissent par lever les bras.

Un test grandeur nature dans la supply chain de Nvidia

Nvidia sert ici de banc d’essai parce que son réseau logistique est particulièrement lourd à orchestrer. L’entreprise dit gérer des millions de pièces, des milliers de fournisseurs et un réseau mondial de partenaires de fabrication, avec des systèmes d’une complexité croissante à mesure que ses racks montent en gamme. Un seul rack Vera Rubin comprend 1,3 million de composants, selon l’annonce. Ce volume oblige à coordonner puces, mémoire, réseau, puissance, refroidissement et mécanique, sans perdre la trace du moindre goulot d’étranglement.

Le nouveau stack prend place dans Foundry et AIP, où Palantir relie les données opérationnelles à son Ontology. Cette couche décrit les objets métier et leurs relations — matières, sites de production, engagements, capacités, allocations, sorties — dans une forme exploitable par les logiciels de décision. Nvidia présente ce dispositif comme un moyen de passer du “wafer-out” au “first token”, autrement dit du silicium qui sort de la fonderie jusqu’au moment où l’infrastructure produit réellement ses premiers jetons IA.

Pourquoi les modèles ont besoin de contexte humain

La version de démonstration ne repose pas seulement sur la puissance brute du modèle. Les deux sociétés disent avoir d’abord comparé les recommandations automatiques aux décisions passées des planificateurs humains, puis constaté que ces derniers faisaient mieux, car ils intégraient des signaux invisibles pour un solveur classique : mails d’échange avec les partenaires, météo extrême, événements géopolitiques, comptes rendus de fournisseurs et années d’expérience accumulée. La morale est assez simple : un modèle peut calculer vite, mais il n’a pas encore appris à deviner qu’un typhon n’a pas lu le planning.

Pour capter ce contexte, chaque décision d’allocation, sa justification, le résultat attendu et le résultat réel sont réinjectés dans l’Ontology. Ce journal devient ensuite la base d’entraînement de Nemotron 3.5 Lightning, un modèle open-weight mixture-of-experts de 30 milliards de paramètres, dont environ 3 milliards sont actifs par passage. Nvidia explique avoir retenu ce format parce qu’il vise la couche d’exécution d’un workflow agentique et peut être post-entraîné dans le périmètre de calcul de l’entreprise.

Ce que fait concrètement le stack

Dans le détail, cuOpt résout chaque semaine le problème d’allocation critique sous forme de programmation linéaire en nombres entiers mixtes. L’objectif est de minimiser le “Time of Ownership”, c’est-à-dire le temps pendant lequel un matériau reste immobilisé entre sa réception sur site et sa sortie sous forme de sous-ensemble ou de produit. Le système propose aussi des scénarios, par exemple une baisse de 10 % de l’approvisionnement en mémoire ou l’ouverture d’un nouveau site industriel, afin de tester les effets avant de trancher.

Pour l’entraînement, Nvidia indique utiliser NeMo Anonymizer pour retirer les données personnelles, NeMo Data Designer pour générer et équilibrer des exemples synthétiques, puis NeMo AutoModel pour ajuster des adaptateurs LoRA, ces couches légères qui apprennent sans figer tout le modèle de base. Selon le billet technique, ce post-entraînement a été mené sur deux GPU B200 et bouclé en quelques minutes, ce qui permet de répéter l’opération au fil des retours terrain.

Les chiffres qui racontent le pari

Les résultats mis en avant sont encourageants, mais circonscrits au domaine étudié. Sur le benchmark décrit par Nvidia, le modèle post-entraîné atteint 86,7 % de précision pour les décisions d’allocation, contre 55,5 % pour Nemotron 3 Ultra et 17,5 % pour la version de base de Nemotron 3.5 Lightning. La balanced accuracy grimpe à 58,6 %, contre 42,0 % pour Ultra, tandis que le Macro-F1 passe à 57,5 %, contre 39,5 %. Ces gains ne valent que pour le champ où le modèle a été affûté ; la prévision du risque de production reste, elle, plus difficile à stabiliser.

Autre élément à retenir : le modèle ne se réentraîne pas seul en production. Les corrections, arbitrages et écarts sont enregistrés, mais la mise à jour passe par un nouveau cycle gouverné. C’est plus lent, certes, mais aussi plus facile à auditer. Les DSI apprécieront le détail.

Une architecture pensée pour être réutilisée ailleurs

Nvidia et Palantir veulent maintenant étendre ce qu’ils apprennent à d’autres secteurs : fabrication, énergie, santé, automobile, aéronautique, mais aussi agriculture, pharmacie, distribution, technologie et administrations publiques, selon les différents communiqués. Les clients pourront déployer l’ensemble sur site, en colocation ou dans le cloud, via la référence Sovereign AI Operating System Architecture, ou SAIOS, soutenue par Dell Technologies et Cisco, avec Rackspace et Nebius parmi les partenaires d’infrastructure.

Le sous-texte est stratégique. Nvidia pousse Nemotron comme une alternative ouverte face aux modèles chinois, tandis que Palantir martèle qu’une entreprise doit garder la main sur ses données et sur les poids du modèle. La promesse n’est donc pas seulement de mieux planifier des pièces et des racks, mais de montrer qu’un système d’IA peut apprendre d’une organisation sans lui faire quitter ses murs.

Sources citées : Nvidia ; Palantir Technologies ; The Decoder.