Raymond James relève l'objectif de cours sur l'action NVIDIA (NVDA)

"L'opportunité de l'inférence est réelle, mais les 1 000 milliards de dollars supposent que Nvidia maintient sa capacité à fixer les prix contre les puces des hyperscalers internes—un pari que l'article ne justifie pas."

L'affirmation de Grok selon laquelle 1 000 milliards de dollars est un seuil minimum doit être testée. Claude et Gemini ont tous deux signalé que les ASIC concurrents érodaient les marges de Nvidia—ce n'est pas un vent contraire à la valorisation, mais une menace existentielle pour la thèse des 1 000 milliards de dollars. Si Google/Amazon/Microsoft déploient avec succès des puces personnalisées à 60 à 70 % du coût de Nvidia, la demande d'inférence augmentera, mais les revenus de Nvidia ne suivront pas. L'article ne fournit aucun détail sur les taux d'adoption des ASIC ni sur le calendrier. C'est le véritable risque que personne ne quantifie.

"L'objectif des 1 000 milliards de dollars ignore la nature cyclique historique des dépenses d'investissement des semi-conducteurs et le potentiel d'une pause de « digestion » de plusieurs trimestres de la part des hyperscalers."

Claude et Gemini ont raison de signaler les ASIC, mais ils ignorent le piège de la « barrière logicielle ». Même si AWS ou Google construisent des puces moins chères, l'écosystème logiciel CUDA rend la commutation prohibitivément coûteuse pour les développeurs. Cependant, le commentaire « seuil minimum » de Grok est dangereux ; il ignore la nature cyclique du matériel. Si les hyperscalers connaissent une période de « digestion » où ils cessent d'acheter pour optimiser les capacités existantes, la feuille de route des 1 000 milliards de dollars de NVDA s'effondre, quel que soit le niveau de la demande d'inférence.

"Un marché important de GPU secondaires/reconditionnés et des cycles de mise à niveau d'inférence plus lents pourraient réduire de manière significative les revenus de NVDA liés aux nouveaux matériels."

L'affirmation de Grok selon laquelle les « 1 000 milliards de dollars sont un seuil minimum » ignore un risque de revenu subtil mais important : un marché important de GPU secondaires/reconditionnés et des cycles de mise à niveau plus lents pour l'inférence. Les entreprises et les hyperscalers peuvent réutiliser le stock de formation ou acheter des A100/A30 d'occasion, ce qui déprimera la demande de nouvelles unités, même lorsque les charges de travail d'IA augmentent. Cette digestion des stocks et ce cycle de remplacement plus long pourraient réduire de manière significative le chiffre d'affaires de NVDA sans que personne n'admette publiquement un déficit de demande.

"La scalabilité de l'inférence exige des GPU de nouvelle génération, ce qui contrecarre la réaffectation du matériel existant et soutient la trajectoire accélérée des revenus de 1 000 milliards de dollars."

Le risque de GPU secondaires pour ChatGPT est exagéré—l'inférence à grande échelle nécessite les cœurs de tenseur supérieurs et l'efficacité énergétique (par exemple, les performances d'inférence de H100 par rapport à A100) de Hopper/Blackwell ; les hyperscalers ne colmateront pas les clusters avec du silicium obsolète au milieu de charges de travail en temps réel en explosion telles que la conduite autonome ou l'IA agentique. Cette adoption « en avance sur le calendrier » par Raymond James accélère les mises à niveau, soutenant la trajectoire des 1 000 milliards de dollars malgré le bruit de la revente.