Le plan de Jensen Huang : sur chaque voie de la puissance de calcul IA, Nvidia attend

Jensen Huang a réalisé deux choses aujourd'hui à Taipei, Taïwan : il a mis CUDA dans un ordinateur portable et a amené l'inférence de modèles à mille milliards de paramètres sur un bureau.

Cela ne signifie pas que Nvidia entre en concurrence avec les fournisseurs de cloud. AWS, Azure, Google Cloud sont parmi les plus grands clients de Nvidia, achetant chaque année des GPU pour des dizaines de milliards de dollars. Nvidia ne saboterait pas sa propre source de revenus.

Ce qu'il se passe réellement : Nvidia élargit ses points de facturation. Avant, il n'y avait qu'une seule voie pour la puissance de calcul IA : acheter les GPU Nvidia et les placer dans les data centers des fournisseurs de cloud. Désormais, il y en a deux autres : l'ordinateur portable RTX Spark et la station de travail DGX Station. Quel que soit votre choix, Nvidia vous attend au tournant. Jensen Huang qualifie son entreprise de « société d'infrastructures » ; cela signifie : peu importe où tourne l’IA, l’important, c’est que Nvidia a bâti la route.

CUDA rentre pour la première fois dans le sac à dos

La véritable barrière défensive de Nvidia depuis trente ans n'est pas le GPU, c'est CUDA. 7,5 millions de développeurs y travaillent ; PyTorch, TensorRT, TensorRT-LLM, llama.cpp — tous les principaux frameworks IA ont leur chemin optimisé ici. Il a fallu vingt ans pour le bâtir, aucune autre entreprise n'a jamais pu le dupliquer.

La difficulté, c'est que CUDA était toujours cantonné aux data centers. Le code développé sur le cloud ne pouvait être embarqué sur des ordinateurs portables fins et légers. Qualcomm Snapdragon X a fait beaucoup, mais sans CUDA, tandis que la série M d’Apple appartient à un tout autre univers.

RTX Spark brise ce mur. Un CPU ARM à 20 cœurs et 6144 cœurs CUDA Blackwell GPU, 128 Go de mémoire unifiée, puissance IA de 1 PetaFLOP, tout cela dans un portable de 14 mm d’épaisseur. Nvidia a déjà trouvé un accord avec 100 éditeurs de logiciels Windows, prise en charge native de TensorRT, du backend PyTorch CUDA, de TensorRT-LLM. Un ingénieur ayant développé trois ans sur CUDA dans un data center peut, en théorie, utiliser le portable RTX Spark sans modifier une ligne de code.

Le problème de Qualcomm n’est pas tant la puissance de calcul, mais le contrôle du récit. Après trois ans d’efforts, Snapdragon X a redoré l’image de Windows on ARM, l’efficacité énergétique rivalise enfin avec celle d’Apple — le seul segment manquant reste les développeurs IA. Ces derniers sont restés à l’écart, attendant un ordinateur portable Windows capable de faire tourner CUDA.

Nvidia arrive avec CUDA, ils l'ont enfin obtenu.

Snapdragon X n’est pas sans arguments : il détient 10 % du marché américain des portables Windows à plus de 800 dollars, plus de 80 OEM l’adoptent, le X2 Elite annoncé pour le premier semestre 2024 vise 80 TOPS sur le NPU, l’avance au lancement est réelle. Mais sans CUDA, Qualcomm ne sera jamais qu'un second choix pour les développeurs IA.

Un deuxième point de facturation à côté du bureau

L’autre produit répond à une logique totalement différente et vise une clientèle différente.

DGX Station for Windows, basée sur la puce GB300 Grace Blackwell Ultra, exécute localement des modèles jusqu’à mille milliards de paramètres, supporte des centaines d’agents IA en parallèle, avec un prix entre 80 000 et 125 000 dollars, commercialisation au T4, distribution par Asus, Dell, Gigabyte, HP, MSI et Supermicro.

L’acheteur visé n’est pas le consommateur lambda, mais les entreprises ayant des besoins d’inférence IA stables, des données sensibles, et qui veulent éviter des factures cloud élevées tous les mois. Modèles de gestion des risques pour les institutions financières, revue de contrats pour les cabinets juridiques, analyse d’images pour le secteur médical — ces charges de travail tournent en continu. En facturant à l’heure pour des instances cloud B300 dédiées, le retour sur investissement d'une station de bureau à 100 000 dollars est de 4 à 6 mois, puis ce n'est que de l'économie pure.

Regardez les partenaires OEM choisis par Nvidia : Asus, Dell, HP, Supermicro — tous des acteurs du circuit entreprise, pas des marques grand public. La clientèle est écrite dans la fiche technique.

Un autre atout caché de DGX Station, c'est la conformité stricte des données. L’inférence sur le cloud implique d’extraire les données du réseau local, tandis que la régulation financière restreint de plus en plus les flux transfrontaliers de données clients, et les normes de confidentialité sur les données médicales se renforcent aussi. Pour ces entreprises, la « donnée qui ne sort pas » n’est pas un luxe, c’est une exigence. Elles achètent la DGX Station non parce que c’est moins cher, mais parce qu'elles n'ont pas le choix.

C’est le deuxième point de facturation ouvert par Nvidia sur le marché de la puissance de calcul des entreprises — le premier, ce sont les GPU dans les data centers des fournisseurs de cloud, le second, ce sont les GPU installés dans les bureaux des entreprises. Dans les deux cas, ce sont les produits de Nvidia, et c'est Nvidia qui encaisse.

La situation des fournisseurs de cloud : pas "être volés", mais "avoir une option de plus"

Nvidia est le plus grand fournisseur de matériel pour les plateformes cloud, il n’y a pas de relation concurrentielle directe. Quand un DGX Station est vendu, Nvidia reçoit un paiement matériel ; quand un data center cloud s'agrandit, Nvidia touche davantage pour ses GPU. Ces deux événements peuvent arriver simultanément, et il y a fort à parier qu’ils se produiront de plus en plus ensemble — le marché de l’inférence IA croît de plus de 40 % par an, le gâteau est assez grand pour une expansion simultanée de l’on-premise et du cloud.

Ceux qui sont réellement affectés, ce sont les cas d’usage qui n’avaient « pas le choix que le cloud » et qui ont dorénavant une alternative locale. Pour les fournisseurs cloud, cela ne réduit pas le chiffre d'affaires total, mais limite leur marge de négociation : quand l’acheteur d’une entreprise arrive à la table avec le devis d’une DGX Station, la flexibilité tarifaire du fournisseur cloud s’amenuise.

AWS et Google misent eux aussi sur leurs propres puces d’inférence, AWS Trainium et Google TPU, en partie pour réduire leur dépendance à Nvidia. L’arrivée de la DGX Station ajoute une complexité : les fournisseurs doivent acheter des GPU Nvidia tout en affrontant le matériel desktop de Nvidia pour l’inférence. Cette tension structurelle n’explosera pas en un ou deux trimestres, mais à mesure que la taille de l’inférence locale grandira, la relation purement fournisseur/acheteur deviendra plus complexe et concurrentielle.

La position est la plus délicate pour Microsoft. Il est le partenaire central de RTX Spark, collaborant avec Nvidia pour transformer Windows en un OS d’agents IA ; le Surface Laptop Ultra est le premier portable RTX Spark, les deux entreprises font front commun. Mais Azure figure parmi les plus grands services cloud IA, et doit maintenant faire face à la concurrence des desktops Nvidia pour une partie des tâches d'inférence. Ce paradoxe ne causera pas de rupture à court terme, mais il sera intéressant de voir comment Microsoft s’en sortira.

La barrière défensive d’Apple est plus profonde que celle de RTX Spark

Au lancement de RTX Spark, Apple a été explicitement visée, avec la plupart des médias disant : « C’est une attaque contre le M5. »

Ce n’est pas tout à fait ça. La vraie barrière d’Apple n’est pas la performance de ses puces. La bande passante mémoire du M5 Max atteint 153 Go/s, avantage structurel pour des modèles de plus de 24 Go de paramètres, mais la barrière de fond n’est pas là — Final Cut Pro n’existe pas sur Windows, Logic Pro non plus, et les workflows créatifs accumulés sous macOS pendant une décennie ne se déplacent pas sur un simple GPU plus rapide.

Adobe a annoncé une refonte de Photoshop et Premiere Pro pour supporter RTX Spark, c’est la carte la plus forte de Nvidia sur la créativité, mais entre la réécriture logicielle et la migration effective des utilisateurs, il y a un long processus d’adaptation.

À court terme, Nvidia cible donc les développeurs IA/ML utilisant déjà CUDA sur Windows et Linux — à qui RTX Spark offre simplement une machine plus portable, sans « voler » des utilisateurs à Apple. Ce que devra surveiller Apple, c’est la génération Rubin Spark de 2028, pas celle de cet automne.

La question gardée secrète par Nvidia

Dans la fiche technique, une ligne passe sous silence : la performance GPU intégrée de RTX Spark est comparable à une RTX 5070.

Nvidia gagne de l’argent sur les GPU dédiés depuis trente ans, le segment Gaming FY2026 pèse 16 milliards de dollars, en hausse de 41 % sur un an. Si RTX Spark atteint vraiment le niveau d’une RTX 5070, les acheteurs de portables haut de gamme n’auront peut-être plus besoin de carte graphique dédiée : celle-ci sera intégrée au SoC, Nvidia encaissera toujours l’argent, sous une autre forme.

À court terme, les cartes graphiques dédiées gardent une marge sur la consommation et la performance absolue. Mais en 2020, quand Apple a lancé M1, tout le monde disait que le GPU dédié ne mourrait pas. Trois ans plus tard, les MacBook équipés de puces Intel + GPU dédiée ont disparu du marché. Nvidia prend délibérément cette voie, pariant que le marché additionnel de l’AI PC sera assez grand pour compenser la contraction du marché du GPU dédié. Ce pari n’est pas nécessairement mauvais, mais son coût est plus élevé qu’il n’y paraît lors des keynotes.

Ce qu’il faut surveiller

L’automne sera le vrai test. Les premiers portables RTX Spark seront commercialisés, les développeurs testeront CUDA sur du matériel réel — à ce moment-là, l’histoire passera du Computex à la finance.

Deux chiffres seront cruciaux : le prix OEM et les résultats des tests de compatibilité Windows ARM. On attend des prix à partir de 1400 dollars, au-delà de 1800 dollars la demande risque de décroître ; si la compatibilité suit la trajectoire de l’entrée de Qualcomm, il faudra encore 12 à 18 mois pour mûrir, et pendant ce temps, Qualcomm continuera d’accumuler des parts de marché.

À moyen terme, surveiller les benchmarks Qualcomm X2 Elite et les premiers clients entreprises de DGX Station — le premier indiquera la force de la riposte de Qualcomm, le second révélera la demande effective pour l’inférence locale en entreprise. Si les fournisseurs cloud baissent activement leurs prix d’inférence en réaction à DGX Station, cela signifiera que la pression concurrentielle est reconnue en interne et que le modèle de tarification sera réévalué plus tôt que prévu.

Côté investissements, NVDA reste le fil directeur : les points de facturation passent de un à trois, le TAM s’élargit, et le prix OEM à l’automne servira de point d’inflexion. QCOM subit la pression la plus directe avec un récit auprès des développeurs IA affaibli, mais conserve une résilience côté consommateur, et une possibilité de rebond avec la fenêtre X2 Elite. Les fournisseurs cloud ne seront pas affectés à court terme ; à moyen terme, c’est la marge de négociation, pas le chiffre d'affaires, qui sera sous pression. Pour MSFT, le net est à surveiller selon la vitesse de massification de l’inférence. ARM et Mediatek sont des gagnants secondaires affirmés.