Aller au contenu

Amdahl

Tu as déjà vécu ce moment frustrant où tu optimises tout - code, infra, process - et pourtant… les performances globales ne bougent presque pas ?

Plus de serveurs, plus de threads, plus de budget. Mais toujours cette sensation de plafond invisible.

Félicitations : tu viens de rencontrer la loi d'Amdahl.

The overall performance improvement gained by optimizing a single part of a system is limited by the fraction of time that the improved part is actually used - Gene M. Amdahl, 1967

Autrement dit : Tu peux optimiser autant que tu veux : si la partie critique reste lente, tout reste lent.

Ou, encore plus brutal : Ce qui ne scale pas limite tout le reste.

Ce que dit vraiment la loi d'Amdahl

La loi d'Amdahl pose une vérité simple et dérangeante : Le gain maximal d'un système est limité par sa part non parallélisable.

Même si 90 % de ton système est ultra-rapide et parallélisable, les 10 % restants - séquentiels, bloquants, dépendants - fixent le plafond.

Et ce plafond est dur. Mathématique. Non négociable.

Exemple concret

Si 30 % d'un traitement reste séquentiel :

  • 2 processeurs ? → gain limité
  • 10 processeurs ? → mieux, mais…
  • 100 processeurs ? → ≈ 3,3x max

Pas 100x. Jamais.

Ajouter des ressources n'élimine pas le goulot. Ça le rend juste plus visible.

Le schéma mental

Amdahl → "Qu'est-ce qui ralentit ?"

Pas :

  • "Qu'est-ce que je peux accélérer ?"
  • "Où ajouter de la puissance ?"

Mais :

  • Où est la partie incompressible ?
  • Qu'est-ce qui ne peut pas être parallélisé ?
  • Quelle dépendance structurelle bloque tout le reste ?

Optimiser ≠ Scaler

  • Optimiser = réduire la quantité de travail.
  • Scaler = augmenter le nombre de travailleurs.

La loi d'Amdahl te rappelle une chose essentielle : Scaler ne sert à rien si tu n'as pas d'abord optimisé le goulot.

Exemple simple : Si 30 % du traitement reste séquentiel, même 100 processeurs n'offrent qu'un facteur d'environ 3,3x. Un plafond dur.

Version organisationnelle

  • Une équipe brillante reste lente si la coordination est lourde.
  • Une chaîne automatisée reste bloquée si la logistique traîne.
  • Un CTO peut ajouter 10 devs… mais pas réduire les dépendances.

Optimiser, c'est réduire la friction. Mais la friction a un plancher.

Et ce plancher, c'est souvent :

  • une validation,
  • une dépendance,
  • un humain,
  • ou une décision mal découpée.

Pourquoi la loi d'Amdahl est toujours actuelle

À chaque génération technologique, on croit l'avoir dépassée :

  • multicore,
  • cloud,
  • microservices,
  • IA distribuée…

Et à chaque fois, elle revient, implacable : le séquentiel change de forme, mais il ne disparaît jamais.

La loi d'Amdahl n'est pas pessimiste. Elle est lucide.

Elle t'oblige à poser les bonnes questions avant d'investir plus, plus gros, plus fort.

D'où vient la loi d'Amdahl

Gene M. Amdahl (1922–2015), architecte informatique majeur chez IBM, formalise la loi en 1967 dans Validity of the Single Processor Approach to Achieving Large-Scale Computing Capabilities. Il y oppose la vision - alors dominante - qui pensait que "plus de processeurs = plus de performance". Amdahl démontre au contraire que le séquentiel est une limite absolue, quelle que soit la quantité de ressources ajoutées.

Une idée vieille de plus de 50 ans… et toujours aussi inconfortable.

Et si le problème n'était pas de "scaler"… mais de trouver le frein ?

La loi d'Amdahl rappelle une vérité rude : tant qu'une partie du système reste séquentielle, ajouter des ressources ne change presque rien.
Mais Amdahl n'est qu'un étage du raisonnement : le parallélisme peut aussi servir à agrandir le problème (Gustafson), et la réalité impose un coût de coordination souvent sous-estimé (Gunther).

Pour relier frein, horizon et coût - et scaler sans se raconter d'histoires - il faut lire les trois lois ensemble.

Lire la suite : Amdahl × Gustafson × Gunther - Scaling

Références