NVIDIA : L'Empire des GPU et le Moat CUDA

En 2019, NVIDIA réalisait 11,7 milliards de dollars de chiffre d'affaires — une entreprise de semi-conducteurs parmi d'autres, connue des gamers pour ses cartes graphiques GeForce. En FY2025 (terminé janvier 2025), ce chiffre atteint 130,5 Md$ : une multiplication par 11 en six ans. Aucune entreprise dans l'histoire de l'économie mondiale n'a connu une croissance aussi rapide à cette échelle de revenus. Le segment Data Center représente désormais 115,2 Md$ (88 % du total), alimenté par la demande des hyperscalers — Microsoft, Google, Meta, Amazon, Oracle — pour entraîner et inférer leurs modèles d'intelligence artificielle. La puce H100, vendue entre 25 000 et 40 000 dollars selon la version, était en rupture de stock pendant 12 à 18 mois consécutifs en 2023-2024, avec des files d'attente d'un an chez les fournisseurs cloud.

Mais la vraie question n'est pas : "NVIDIA est-il dominant ?" La réponse est triviale et bien connue. La vraie question est : "Cette domination est-elle durable, et sur quoi repose-t-elle réellement ?" Et c'est là que l'analyse diverge du consensus. La domination de NVIDIA n'est pas fondée sur des GPU supérieurs — AMD et même Intel fabriquent des puces IA aux spécifications comparables. Elle repose sur CUDA, un écosystème logiciel lancé en 2006, qui compte désormais 4 millions de développeurs actifs, plus de 1 000 bibliothèques optimisées et une intégration native dans chaque framework d'IA majeur. Ce moat invisible est la vraie défense — et la vraie prison — de l'industrie IA mondiale.

L'ANATOMIE DU MOAT CUDA

Le coût de migration est la clé. Changer de GPU pour l'entraînement IA nécessite de réécrire ou de recompiler des milliers de kernels CUDA optimisés manuellement — du code bas niveau qui extrait chaque TFLOP de performance. Meta a estimé qu'une migration complète de son infrastructure CUDA vers ROCm représenterait 3 à 5 ans de travail d'ingénierie et une dégradation temporaire des performances de 15 à 30 %. Dans un secteur où l'avantage concurrentiel est directement lié à la vitesse d'entraînement des modèles, aucune entreprise ne peut se permettre ce risque. CUDA est devenu l'équivalent informatique d'une langue maternelle : tout le monde la comprend, personne ne veut en changer.

ARCHITECTURE PRODUIT 2020-2026

ÉCONOMIE DU MONOPOLE — MARGES ET VALORISATION

La structure financière de NVIDIA révèle un profil sans équivalent dans l'industrie hardware. La marge brute dépasse 74 % au FY2025 — un niveau typique des éditeurs de logiciels, pas des fabricants de semi-conducteurs dont la marge moyenne tourne autour de 45-50 %. Cette anomalie s'explique précisément par le moat CUDA : NVIDIA ne vend pas seulement du silicium, il vend l'accès à un écosystème que ses clients ne peuvent pas quitter.

Le ratio P/E de 47x, bien que toujours élevé, a été divisé par deux alors que le cours a été multiplié par 9 — ce qui signifie que les bénéfices ont progressé plus vite que la valorisation boursière. En termes de pure fondamentaux, NVIDIA est devenue moins chère à mesure qu'elle devenait la plus grande capitalisation mondiale.

LA COURSE AU BLACKWELL — SUPPLY CHAIN ET PRODUCTION

La puce Blackwell représente un saut générationnel : 2,5x plus rapide que le H100 sur l'inférence, 4x plus efficace énergétiquement. Mais sa production révèle la complexité industrielle derrière chaque GPU : la puce est fabriquée par TSMC (nœud 4NP+ custom), la mémoire HBM3e fournie par SK Hynix (exclusivement), le packaging CoWoS réalisé par TSMC avec une capacité limitée, et les systèmes DGX/HGX assemblés par Foxconn et Flextronics.

La production Blackwell a subi des retards de 3 à 4 mois en 2024 liés à des problèmes de surchauffe — le B200 consomme jusqu'à 1 000 W par puce, contre 400 W pour le H100. NVIDIA a redesigné les systèmes de refroidissement liquide, repoussant les livraisons aux hyperscalers au T1 2025.

ACTEURS CLÉS

CHRONOLOGIE

SCÉNARIOS

---

"

"CUDA n'est pas un produit — c'est le fossé le plus profond que l'industrie technologique ait jamais creusé. On ne change pas de GPU comme on change de fournisseur cloud."

ENJEUX STRATÉGIQUES 2026-2030

L'enjeu principal n'est plus la domination sur l'entraînement des modèles — elle est acquise. Il se déplace vers l'inférence : le déploiement des modèles en production à grande échelle. L'inférence représente déjà 40 % de la demande GPU en 2026 et devrait dépasser 60 % en 2028. C'est précisément sur ce segment que les alternatives se multiplient : TPU, Trainium, MTIA sont tous optimisés pour l'inférence à faible latence, avec une efficacité énergétique souvent supérieure au H100 pour ce cas d'usage. NVIDIA a anticipé ce risque avec l'architecture NIM (NVIDIA Inference Microservices) et la plateforme Triton, qui étendent le moat CUDA à l'inférence. Mais la bataille est moins gagnée que pour l'entraînement : les API d'inférence sont standardisées (OpenAI API, Hugging Face), ce qui rend l'interchangeabilité plus facile.

Le deuxième risque est réglementaire : la Commission Européenne et le DOJ américain ont ouvert des enquêtes préliminaires sur le positionnement de CUDA comme standard de facto potentiellement anticoncurrentiel. Une enquête antitrust CUDA représenterait le risque existentiel le plus sérieux pour NVIDIA à horizon 2027-2030 — bien plus que tout concurrent hardware.

Sources : NVIDIA Investor Relations FY2025/FY2026 · SemiAnalysis · Bernstein Research "GPU Market Share 2026" · US Bureau of Industry and Security (BIS) · CSIS Technology Policy Program · Financial Times "NVIDIA antitrust probe", mars 2026