L’explosion des investissements dans l’intelligence artificielle continue de propulser NVIDIA vers des sommets jamais atteints en Bourse. Le fabricant de puces semble pourtant arriver à un point où ses plus gros clients pourraient aussi devenir ses concurrents les plus gênants.
NVIDIA n’est plus très loin d’un territoire où aucune entreprise n’a encore posé le pied. Sa capitalisation a frôlé les 5 800 milliards de dollars début octobre avant de revenir autour de 5 550 milliards le 8 octobre. À ce rythme, le cap symbolique des 6 000 milliards n’a plus rien d’inimaginable, même si le parcours reste loin d’être parfaitement linéaire.
Après 3 000, 4 000 puis 5 000 milliards, le prochain record est en vue
Apple avait été la première entreprise à franchir les 3 000 milliards de dollars de valorisation en janvier 2022. NVIDIA a depuis accéléré la cadence en atteignant les 4 000 milliards le 9 juillet 2025, puis les 5 000 milliards le 29 octobre suivant.
Cette envolée repose d’abord sur une réalité très concrète. Les géants du cloud et de l’IA continuent d’engloutir des sommes considérables dans leurs centres de données, où les puces Blackwell occupent une place centrale. Le chiffre d’affaires trimestriel de NVIDIA a ainsi plus que doublé sur un an pour atteindre 96,2 milliards de dollars.
Le groupe dispose également d’une énorme capacité de rachat de ses propres actions avec une enveloppe encore disponible de 235 milliards de dollars. De quoi offrir un soutien supplémentaire au cours lorsque les conditions s’y prêtent.
NVIDIA ne compte évidemment pas s’arrêter à Blackwell. La génération Rubin doit prendre le relais alors que l’inférence et les agents IA réclament toujours davantage de puissance de calcul. Plus loin se profilent aussi la robotique et la conduite autonome, deux marchés encore modestes face aux centres de données, mais susceptibles de devenir de nouveaux moteurs de croissance.
Le plus gros danger pourrait venir de ses meilleurs clients
La concurrence traditionnelle n’a toutefois pas disparu. AMD pousse sa gamme Instinct et tente de grignoter une partie du marché des accélérateurs pour l’IA.
La menace la plus intéressante vient cependant des entreprises qui achètent aujourd’hui les GPU NVIDIA par dizaines de milliers. Google développe ses propres TPU, Amazon ses puces Trainium et d’autres géants technologiques cherchent eux aussi à concevoir davantage de composants en interne. Chaque calcul effectué sur une puce maison est potentiellement un calcul et une entrée d’argent qui échappent à NVIDIA.
Une autre limite pourrait être beaucoup plus terre à terre. Construire des centres de données demande des capitaux immenses, mais aussi suffisamment d’électricité pour les alimenter. NVIDIA reconnaît elle-même que les contraintes de financement et d’infrastructure peuvent ralentir certains projets.
Les GPU dédiés à l’IA combinent un très grand parallélisme et des unités de calcul spécialisées (tensor cores) qui accélèrent surtout les opérations de matrice, au cœur du deep learning. Blackwell et ses successeurs visent autant l’entraînement (phase coûteuse pour créer un modèle) que l’inférence (phase de production pour exécuter le modèle), avec des gains sur la performance par watt et la bande passante mémoire. L’enjeu se déplace de plus en plus vers l’inférence à grande échelle, car les usages agents IA multiplient les requêtes et les coûts d’exécution. Chaque nouvelle génération cherche aussi à mieux exploiter le calcul distribué entre plusieurs GPU via des interconnexions très rapides, pour éviter que le réseau ou la mémoire ne deviennent le goulot d’étranglement.
Quand un acteur du cloud conçoit ses propres accélérateurs, il cherche à optimiser le coût total (achat, énergie, refroidissement) et à adapter le matériel à ses charges de travail. Ces puces “maison” peuvent être étroitement intégrées au logiciel interne et aux services cloud, ce qui améliore l’efficacité pour certains modèles ou scénarios. Si une part croissante de l’entraînement ou de l’inférence bascule sur TPU/Trainium, cela diminue mécaniquement la demande de GPU NVIDIA sur ces volumes. En pratique, le basculement dépend de la maturité de l’écosystème logiciel (compilateurs, bibliothèques, frameworks) et de la capacité de production, deux facteurs qui déterminent la vitesse à laquelle un hyperscaler peut vraiment substituer des GPU.
Un rachat d’actions consiste pour une entreprise à utiliser sa trésorerie pour racheter ses propres titres sur le marché, puis à les annuler ou les conserver. En réduisant le nombre d’actions en circulation, cela peut augmenter mécaniquement le bénéfice par action (EPS) si les profits restent constants, ce qui soutient parfois le cours. Ces programmes peuvent aussi servir de coussin en cas de volatilité, car ils ajoutent un acheteur important et régulier. En contrepartie, l’argent consacré aux rachats n’est pas investi ailleurs (R&D, capacités industrielles, acquisitions), et l’effet dépend fortement du prix de rachat et du contexte de marché.
