#NVIDIAEarnings

Les résultats de NVIDIA viennent de confirmer quelque chose de bien plus important qu’un nouveau trimestre record
Les derniers résultats de NVIDIA ne constituent pas simplement une mise à jour haussière pour une entreprise de semi-conducteurs. Ils deviennent un indicateur en temps réel de la vitesse à laquelle l’économie mondiale des infrastructures d’IA se développe. Le chiffre d’affaires a atteint 96,2 milliards de dollars au 2e trimestre fiscal 2027, en hausse de 106 % sur un an, tandis que le chiffre d’affaires des centres de données a atteint l’extraordinaire montant de 89 milliards de dollars, en hausse de 117 %. Plus important encore, NVIDIA prévoit environ 108 milliards de dollars de chiffre d’affaires au trimestre prochain. Ces chiffres montrent que les dépenses dans les infrastructures d’IA ne ralentissent pas encore.

Mais la question plus importante est de savoir ce qui se passe au-delà de NVIDIA.

Chaque nouvelle usine d’IA nécessite bien plus qu’un accélérateur. Derrière chaque déploiement important de GPU se trouve un écosystème complexe de semi-conducteurs impliquant la mémoire à large bande passante, la DRAM, le conditionnement avancé, les réseaux, les composants optiques, le stockage, les processeurs de serveurs, les infrastructures électriques et le refroidissement. Lorsque la capacité de calcul dédiée à l’IA augmente, la demande peut se propager à presque toute la chaîne d’approvisionnement technologique.

La mémoire est l’un des goulets d’étranglement les plus importants à surveiller.

Les charges de travail liées à l’IA nécessitent énormément de données, et la mémoire à large bande passante est devenue un élément essentiel des plateformes modernes d’accélérateurs. À mesure que la densité de calcul augmente, la capacité à déplacer rapidement les données entre les processeurs et la mémoire devient tout aussi importante que la puissance de traitement brute. Cela signifie que l’essor de l’IA peut créer un deuxième niveau de demande en semi-conducteurs au-delà des GPU, ce qui pourrait profiter aux fabricants de mémoire tout en augmentant simultanément le coût des composants pour les fabricants de systèmes.

Cela crée un équilibre intéressant pour les investisseurs. Une forte demande de mémoire peut soutenir les prix et la croissance du chiffre d’affaires, mais une inflation persistante du coût des composants peut également peser davantage sur les marges plus loin dans la chaîne. NVIDIA a elle-même fait état d’une marge brute de 75 % au T2, tandis que ses prévisions pour le T3 tablent sur environ 74 %, ce qui montre qu’une demande extraordinaire n’élimine pas les pressions sur les coûts.

Le prochain grand domaine est celui des réseaux.

Des milliers d’accélérateurs ne peuvent pas fonctionner efficacement comme des puces isolées. Ils ont besoin d’une communication extrêmement rapide entre les GPU, les CPU, la mémoire et le stockage. La dernière expansion de plateforme de NVIDIA comprend les systèmes de commutation Spectrum-6 prenant en charge les optiques enfichables et les optiques co-packagées, ces systèmes étant déployés dans de grandes usines d’IA. C’est un signal important : l’opportunité liée aux infrastructures d’IA s’étend du calcul à la couche de connectivité haut débit.

C’est là que les réseaux optiques deviennent de plus en plus importants.

À mesure que les clusters d’IA prennent de l’ampleur, le transfert d’énormes quantités de données entre les machines devient un défi d’ingénierie fondamental. Des accélérateurs plus rapides créent des besoins accrus en bande passante, ce qui stimule la demande de commutateurs, de modules optiques, d’interconnexions et de composants associés. Les gagnants de la prochaine phase du cycle de l’IA pourraient donc inclure les entreprises qui résolvent ces goulets d’étranglement des infrastructures, plutôt que seulement celles qui produisent les processeurs les plus médiatisés.

NVIDIA se développe également davantage dans le domaine des CPU et des systèmes complets.

La plateforme Vera Rubin de l’entreprise comprend le CPU Vera ainsi qu’un ensemble plus large de technologies de calcul, de réseaux et de stockage conçues autour des charges de travail liées à l’IA. NVIDIA se positionne de plus en plus non pas seulement comme un fournisseur de GPU, mais comme un fournisseur d’infrastructures complètes de calcul accéléré.

Cela change la manière dont il faut analyser le cycle des semi-conducteurs.

Au lieu de se demander uniquement : « Combien de GPU NVIDIA va-t-elle vendre ? », la meilleure question devient : « Quelle quantité d’infrastructures est nécessaire pour chaque unité supplémentaire de calcul dédiée à l’IA ? »

Un déploiement de GPU peut déclencher une demande de mémoire. Davantage de mémoire nécessite un conditionnement avancé. Des clusters plus importants nécessitent des réseaux plus rapides. Des réseaux plus rapides nécessitent une connectivité optique. Des centres de données plus importants nécessitent davantage de stockage, de CPU, d’électricité et de refroidissement. Et chaque nouvelle usine d’IA nécessite une capacité de fabrication de semi-conducteurs capable de soutenir l’ensemble du système.

Cela crée un puissant effet multiplicateur.

Un autre développement majeur pourrait rendre ce cycle structurellement différent des précédents essors des semi-conducteurs : l’IA passe de l’entraînement à l’inférence continue et aux charges de travail agentiques.

L’entraînement a créé la première vague massive de demande de capacité de calcul. Mais une fois que les agents d’IA commenceront à effectuer en continu des tâches dans le codage, la recherche, le service client, l’analyse financière, la santé, la robotique, la fabrication et les applications d’entreprise, la demande de calcul pourrait devenir persistante plutôt que concentrée autour des phases d’entraînement des modèles.

NVIDIA a elle-même décrit l’IA comme atteignant un point d’inflexion et souligné que le calcul est de plus en plus lié à un travail productif et rentable. Cette distinction est importante, car elle fait évoluer le récit de « les entreprises achètent de l’IA parce qu’elles doivent investir dans l’avenir » vers « les entreprises achètent de la capacité de calcul parce que l’IA devient un élément de leur économie opérationnelle ».

Cependant, cela ne signifie pas que toutes les entreprises de semi-conducteurs seront automatiquement gagnantes.

Le principal risque est que l’offre finisse par rattraper la demande plus rapidement que prévu, ou que l’économie des infrastructures d’IA devienne moins attractive. Construire une capacité d’IA nécessite d’énormes dépenses d’investissement, de l’électricité, du refroidissement, des réseaux et une capacité de production de semi-conducteurs. Si les clients ne peuvent pas générer des rendements suffisants grâce à ces infrastructures, les dépenses pourraient finalement devenir plus sélectives.

La valorisation constitue un autre risque.

Une industrie de l’IA solide peut tout de même connaître de fortes corrections de marché si les attentes progressent plus vite que les bénéfices réels. Les investisseurs doivent donc distinguer les entreprises qui disposent de commandes réelles, augmentent leur production et génèrent des flux de trésorerie durables, de celles qui profitent principalement du récit autour de l’IA.

C’est pourquoi les résultats de NVIDIA sont si importants.

Ce résultat ne prouve pas que toutes les actions liées à l’IA continueront de progresser. Il montre en revanche que la demande sous-jacente d’infrastructures d’IA reste exceptionnellement forte, tandis que le secteur continue de faire face à d’importantes contraintes de capacité et de chaîne d’approvisionnement.

Ma principale conclusion est simple :

La première vague d’investissement dans l’IA concernait les entreprises qui construisaient les modèles.

La deuxième vague concernait les entreprises qui produisaient les accélérateurs.

La prochaine vague pourrait concerner les goulets d’étranglement entourant ces accélérateurs.

La mémoire. Les réseaux. La connectivité optique. Le conditionnement avancé. Les CPU. Le stockage. L’électricité. Le refroidissement. Les fonderies.

L’opportunité dans les semi-conducteurs devient bien plus vaste que le GPU lui-même.

NVIDIA est peut-être le moteur de la révolution de l’IA, mais l’opportunité économique réelle pourrait de plus en plus se répartir sur l’ensemble de la machine construite autour de ce moteur.

L’IA n’est plus seulement une histoire de puces plus intelligentes.

Elle devient un déploiement mondial d’infrastructures — et les derniers résultats de NVIDIA suggèrent que ce déploiement continue de s’accélérer.

$NVDA ‌@Gate_Square