NVIDIA et Palantir testent une IA souveraine pour la supply chain

NVIDIA et Palantir Technologies ont annoncé le 10 septembre 2026 une collaboration pour amener une IA souveraine au cœur des chaînes d’approvisionnement critiques. La première mise en production se fera chez NVIDIA, sur sa propre supply chain, avec un objectif très concret : aider les équipes à arbitrer les allocations de matériaux, dans un environnement où chaque pièce compte. L’enjeu dépasse le simple pilotage logistique, car il touche à la résilience industrielle, à la maîtrise des données et à la capacité de garder la main sur des décisions sensibles.

Une pile d’IA conçue pour décider avec les données de l’entreprise

Le système associe les modèles ouverts Nemotron de NVIDIA à Foundry et à l’Artificial Intelligence Platform (AIP) de Palantir, le tout ancré dans l’Ontology de Palantir, une couche de données gouvernée qui relie objets métiers, décisions et signaux non structurés. Les sociétés présentent l’ensemble comme un “shared command center” pour les équipes supply chain, avec un point de départ très opérationnel : décider où vont les matériaux et en quelle quantité. Les clients gardent la propriété et le contrôle de leurs données, un point central dans les secteurs où la confidentialité n’est pas une option décorative.

Jensen Huang, fondateur et CEO de NVIDIA, dit vouloir transformer “the operational graph behind AI infrastructure into sovereign intelligence”, en reliant les modèles Nemotron à l’Ontology pour coordonner le trajet “from wafer production to token output”. De son côté, Alex Karp, cofondateur et CEO de Palantir, a déclaré : “NVIDIA has arguably the most valuable, intricate and complex supply chain in the world. Our sovereign stack, powered by Nemotron models and Ontology, is delivering capabilities that exceed the frontier while providing alpha protection qualities unavailable otherwise.”

Pourquoi NVIDIA commence chez lui

Le choix du terrain interne n’a rien d’anodin. NVIDIA explique que sa chaîne d’approvisionnement couvre des millions de pièces, des milliers de fournisseurs et un réseau mondial de partenaires de fabrication, avec des contraintes simultanées de calcul, mémoire, réseau, puissance, refroidissement et composants mécaniques. Chaque rack Vera Rubin contient 1,3 million de pièces, selon l’annonce, et la société précise que la chaîne mise en place pour Vera Rubin est deux fois plus large que celle de Grace Blackwell. Dans ce contexte, tester l’IA sur sa propre usine à complexité maximale revient à courir un pilote automobile sur circuit fermé avant la course. Prudence, donc, mais avec beaucoup d’enjeu.

Dans son billet technique, NVIDIA dit mesurer la performance supply chain de “wafer-out” à “first token”. Le délai se découpe en deux : le “time-to-rack”, du silicium sorti de la fonderie jusqu’au système assemblé sur le sol du data center, puis le “time-to-token”, qui couvre l’électricité, le refroidissement, le réseau et le logiciel nécessaires pour rendre l’infrastructure productive. La société suit aussi un indicateur baptisé “Time of Ownership”, qui mesure le temps écoulé entre la réception d’un matériau par un site de fabrication et sa sortie sous forme de sous-ensemble ou de produit.

Le vrai problème : allouer la bonne pièce au bon endroit

Chaque semaine, les planificateurs de NVIDIA révisent manuellement ce que l’entreprise appelle le “critical material allocation problem”. En clair, il faut décider quel matériau part vers quel site, et combien, pour le trimestre en cours et le suivant. Pour automatiser cette tâche sans la vider de son contexte, l’équipe supply chain a construit avec Palantir un “Digital Supply Chain Intelligence command center” sur Foundry, où l’Ontology relie matériaux, sites de production, capacités, engagements, allocations, sorties d’usine et signaux qualitatifs.

Le moteur d’optimisation est cuOpt, la bibliothèque open source de NVIDIA pour la décision accélérée par GPU. Elle résout le problème sous forme de programme linéaire en nombres entiers mixtes afin de minimiser le Time of Ownership, puis renvoie les décisions d’allocation. Le système indique aussi quelles contraintes bloquent le plus souvent la production, pour savoir si la limite vient de la capacité, de la mémoire ou d’un autre maillon. Les équipes peuvent tester des scénarios, comme une baisse de 10 % de l’approvisionnement en mémoire ou l’ouverture d’un nouveau site de fabrication.

Quand la machine apprend des humains, puis inversement

NVIDIA et Palantir ont back-testé des allocations passées contre les résultats observés. Surprise utile : les planificateurs humains faisaient mieux que le solveur, parce qu’ils intégraient des informations que le système ne voyait pas, comme des courriels avec les partenaires, des prévisions météo sévères, des événements géopolitiques ou des débriefings fournisseurs. Les équipes ont donc enregistré chaque décision, sa justification, le résultat attendu et le résultat réel dans l’Ontology, afin d’en faire des données d’apprentissage.

Sur cette base, elles ont post-entraîné Nemotron 3.5 Lightning, un modèle mixture-of-experts open-weight de 30 milliards de paramètres, avec environ 3 milliards actifs par passage avant. Le pipeline s’appuie sur NeMo Anonymizer pour retirer les données personnelles, NeMo Data Designer pour créer et équilibrer des exemples synthétiques, puis NeMo AutoModel pour entraîner un petit nombre de paramètres LoRA tandis que les poids de base restent figés. Palantir Autopilot gère l’ensemble du cycle, de la donnée dans l’Ontology jusqu’au modèle déployé.

Les résultats publiés sont meilleurs sur la tâche ciblée : 86,7 % d’exactitude pour le modèle post-entraîné, contre 55,5 % pour Nemotron 3 Ultra et 17,5 % pour le modèle de base Nemotron 3.5 Lightning. NVIDIA indique aussi 58,6 % de balanced accuracy, contre 42,0 % pour Ultra, et un Macro-F1 de 57,5 % contre 39,5 %. Ces métriques comptent autant chaque type de décision, ce qui importe quand les planificateurs réduisent bien plus souvent les allocations qu’ils ne les augmentent.

Déploiement souverain, mais pas sans humains

Le système est déployé sur des architectures de référence NVIDIA et sur la référence conjointe Palantir Sovereign AI Operating System Reference Architecture, ou SAIOS, soutenue par Dell Technologies et Cisco. Les entreprises disent pouvoir l’installer sur site avec Cisco et Dell, mais aussi en colocation ou dans le cloud avec Rackspace et Nebius. Les premiers usages visés concernent aussi l’agriculture, la fabrication, la pharmacie, le commerce de détail, la technologie et les administrations, avec une extension annoncée vers l’énergie, la santé, l’automobile et l’aérospatial.

La boucle reste volontairement supervisée. Le modèle propose une plage d’allocation, avec justification et risques associés, mais un planificateur humain garde la décision finale. Chaque acceptation, modification, rejet et résultat de production retourne ensuite dans l’Ontology, jusqu’à disposer d’assez de données représentatives pour un nouveau cycle d’entraînement gouverné. Le système ne se réentraîne pas tout seul en production, ce qui évite au moins une catégorie de surprise, même si les supply chains se chargent déjà du reste.

À ce stade, NVIDIA et Palantir testent surtout une promesse industrielle très précise : faire de l’IA un outil de pilotage des arbitrages logistiques, pas seulement un moteur de texte ou d’image. Si l’approche tient dans une chaîne aussi dense que celle de NVIDIA, elle pourrait intéresser des secteurs où l’allocation de ressources pèse directement sur les délais, les coûts et la continuité d’activité.