Par Maksym Misichenko · Nasdaq ·
Ce que les agents IA pensent de cette actualité
Monétisation par le biais de logiciels et d'outils
Risque: Contraintes de capacité potentielles à TSMC
Opportunité: Monétisation par le biais de logiciels et d'outils
Cette analyse est générée par le pipeline StockScreener — quatre LLM leaders (Claude, GPT, Gemini, Grok) reçoivent des prompts identiques avec des garde-fous anti-hallucination intégrés. Lire la méthodologie →
Les hyperscalers comme Amazon et Alphabet constatent une demande saine pour leurs processeurs IA personnalisés.
Ces entreprises louent l'accès à leurs puces internes à des tiers et ont déjà conclu des contrats lucratifs.
Leur progression n'est pas une bonne nouvelle pour Nvidia, qui est le leader incontesté des puces IA depuis trois ans et demi.
Nvidia (NASDAQ: NVDA) a été l'un des principaux bénéficiaires de l'essor des puces d'intelligence artificielle (IA). Ses unités de traitement graphique (GPU) sont des processeurs parallèles, conçus pour décomposer certains types de calculs massivement complexes en une multitude de petites parties, puis effectuer tous ces petits calculs simultanément, plutôt que d'effectuer chaque tâche en séquence. Et il s'avère que le processus d'entraînement des grands modèles de langage (LLM) dépend fortement du type de tâches où les GPU excellent.
Par conséquent, au cours des dernières années, la demande des GPU de pointe de Nvidia a grimpé en flèche, stimulant une croissance spectaculaire du chiffre d'affaires et des bénéfices de l'entreprise.
L'IA créera-t-elle le premier mille milliardaire du monde ? Notre équipe vient de publier un rapport sur une entreprise unique, appelée "Monopole Indispensable", qui fournit la technologie critique dont ont tous deux besoin Nvidia et Intel. Continuez »
Les principaux hyperscalers et entreprises d'IA, tels que Amazon (NASDAQ: AMZN), Microsoft, Meta Platforms et Google (NASDAQ: GOOG) (NASDAQ: GOOGL), ont longtemps compté sur le matériel de Nvidia pour former des modèles d'IA puissants.
Il est important de noter que les concurrents de Nvidia n'ont pas réussi à faire beaucoup de progrès dans sa domination des puces IA. Il contrôle une part de marché estimée à 81 % des puces de centre de données IA, selon IDC. La bonne nouvelle pour les investisseurs dans les actions de Nvidia est que la croissance rapide de l'entreprise pourrait se poursuivre : l'entreprise prévoit un chiffre d'affaires total de 1 000 milliards de dollars pour ses architectures Blackwell et Vera Rubin au cours des années 2026 et 2027.
Cependant, il existe de nombreuses preuves que la position de Nvidia dans les puces IA s'affaiblit progressivement.
L'entraînement des LLM nécessite beaucoup de puissance de calcul, c'est pourquoi Amazon, Meta, Microsoft, Alphabet et d'autres achètent des millions de GPU Nvidia. Cependant, ces clients conçoivent également leurs propres puces pour exécuter des charges de travail d'IA de manière rentable dans leurs centres de données. Les coûts élevés et les contraintes d'approvisionnement associés aux cartes graphiques populaires de Nvidia expliquent pourquoi ces clients travaillent sur leurs propres puces en interne depuis longtemps.
Google, par exemple, a lancé la première génération de son unité de traitement tensorielle (TPU) en 2015, tandis que la puce personnalisée Trainium d'Amazon a été lancée en décembre 2020. Les deux entreprises ont amélioré leurs puces au fil des ans. En fait, elles vendent désormais ces puces à des tiers.
Amazon, par exemple, a récemment révélé que son activité de conception de puces a enregistré une croissance séquentielle de 40 % au cours du premier trimestre de 2026. Le chiffre d'affaires annuel de l'activité de semi-conducteurs d'Amazon dépasse désormais 20 milliards de dollars. De plus, la société "Magnificent Seven" note que le chiffre d'affaires du segment augmente de plus de 100 % d'une année à l'autre.
Un autre point important est que le chiffre d'affaires annuel du segment serait plus proche de 50 milliards de dollars s'il incluait ses "ventes" de puces à lui-même pour une utilisation dans les centres de données AWS. De plus, la demande de puces Trainium d'Amazon est si forte que l'accès à celles-ci est entièrement réservé. Ses processeurs IA personnalisés sont déployés par Anthropic, OpenAI, Uber et même Meta Platforms, qui utilise l'unité centrale de traitement (CPU) Graviton interne d'Amazon pour prendre en charge les applications d'IA agentique.
Il s'avère qu'Amazon a un engagement d'achat de 225 milliards de dollars pour ses puces Trainium IA, ce qui suggère clairement que son activité de semi-conducteurs est sur le point de connaître une croissance formidable.
Pendant ce temps, Google a également fait sensation sur le marché des puces IA. Le géant de la technologie a conclu d'importants accords avec Meta Platforms et Anthropic pour le déploiement de ses TPUs. Le PDG Sundar Pichai considère l'activité TPU comme l'un de ses principaux moteurs de croissance, et l'entreprise vend désormais ses puces à davantage de clients.
Lors de la dernière annonce de résultats d'Alphabet, Pichai a déclaré :
À mesure que la demande de TPU augmente auprès des laboratoires d'IA, des sociétés de marchés financiers et des applications de calcul haute performance, nous commencerons à livrer des TPUs à un groupe sélectionné de clients dans leurs propres centres de données dans la configuration matérielle afin d'élargir notre opportunité de marché adressable.
Cette opportunité adressable pourrait être massive à long terme. Bien qu'Alphabet n'ait pas encore divulgué la taille de son activité TPU, la société de capital-investissement D.A. Davidson estime qu'elle pourrait atteindre 900 milliards de dollars à long terme, si l'entreprise décide de vendre sérieusement ses puces à des tiers.
Il semble maintenant que Google prend effectivement ses engagements au sérieux concernant son activité TPU, et cela risque de créer davantage de problèmes pour l'empire des puces IA de Nvidia.
Nvidia ne restera pas les bras croisés pendant que ses clients deviennent des concurrents. La raison pour laquelle les processeurs personnalisés d'Amazon et de Google gagnent un élan considérable est qu'ils s'agit de circuits intégrés spécifiques à une application - des puces qui sont optimisées pour gérer une gamme relativement restreinte de charges de travail, contrairement aux GPU plus flexibles de Nvidia, qui conviennent à un large éventail de tâches. Les puces personnalisées peuvent ainsi effectuer des tâches d'inférence IA plus efficacement, ce qui réduit le coût total d'exploitation des centres de données.
Nvidia riposte à la menace que font peser Amazon et Google en apportant des améliorations à son propre matériel qui réduisent considérablement le coût de l'inférence IA avec ses GPU. De plus, Nvidia a décidé d'offrir son serveur CPU Vera comme produit autonome, plutôt que de ne l'offrir que dans le cadre de la plateforme Vera Rubin. L'entreprise a pris cette mesure car elle constate un vif intérêt pour ses CPU de serveur Vera. En fait, l'entreprise estime que son activité de CPU de serveur pourrait devenir un secteur de plusieurs milliards de dollars.
Les efforts de Nvidia pour repousser les limites du développement de produits devraient l'aider à contrer la concurrence croissante. De plus, les investisseurs ne doivent pas oublier que le marché des puces IA continue de se développer rapidement. Bank of America estime que le marché mondial des semi-conducteurs pourrait atteindre 2 000 milliards de dollars de revenus en 2030. Gartner, quant à elle, estime que les puces IA représenteront la moitié du marché mondial des semi-conducteurs d'ici la fin de la décennie.
Il y a donc amplement de place pour plus d'un acteur majeur pour prospérer dans cet espace. Nvidia a déclaré 194 milliards de dollars de revenus provenant des centres de données l'année dernière, et la taille du marché adressable suggère qu'elle a encore une marge de manœuvre importante pour la croissance dans ce segment. De plus, l'entreprise prend des mesures pour défendre sa domination. Il est donc facile de comprendre pourquoi les analystes restent optimistes quant aux perspectives de Nvidia ; elle peut continuer à enregistrer une croissance saine des ventes de centres de données, même si elle perd des parts de marché dans les puces IA.
De plus, son multiple de bénéfices futurs de 24 est bien inférieur au multiple moyen de bénéfices de l'indice Nasdaq Composite axé sur la technologie de 40,6. Le potentiel de croissance des bénéfices de l'entreprise suggère qu'elle est actuellement sous-évaluée. C'est pourquoi il est logique de conserver cette action IA, malgré la concurrence croissante sur le marché des puces de centre de données.
Avez-vous l'impression d'avoir manqué le coche en achetant les actions les plus performantes ? Alors, vous voudrez entendre cela.
Parfois, notre équipe d'analystes expérimentés publie une recommandation d'"action Double Down" pour les entreprises qu'ils pensent sur le point de décoller. Si vous craignez d'avoir déjà manqué votre chance d'investir, c'est le meilleur moment pour acheter avant qu'il ne soit trop tard. Et les chiffres parlent d'eux-mêmes :
Nvidia : si vous aviez investi 1 000 $ lorsque nous avons doublé la mise en 2009, vous auriez 539 083 $ !Apple :* si vous aviez investi 1 000 $ lorsque nous avons doublé la mise en 2008, vous auriez 54 747 $ !Netflix : si vous aviez investi 1 000 $ lorsque nous avons doublé la mise en 2004, vous auriez 476 034 $ !
Actuellement, nous publions des alertes "Double Down" pour trois entreprises incroyables, disponibles lorsque vous rejoignez Stock Advisor, et il se pourrait qu'il n'y ait plus d'occasion comme celle-ci de sitôt.
Les rendements de Stock Advisor sont au 8 mai 2026. Bank of America est un partenaire publicitaire de Motley Fool Money. Harsh Chauhan n'a pas de position dans les actions mentionnées. The Motley Fool détient des positions et recommande Alphabet, Amazon, Meta Platforms, Microsoft et Nvidia. The Motley Fool recommande Gartner. The Motley Fool a une politique de divulgation.*
Les opinions et les points de vue exprimés ici sont ceux de l'auteur et ne reflètent pas nécessairement ceux de Nasdaq, Inc.
Quatre modèles AI de pointe discutent cet article
"La valorisation de Nvidia à 24x les bénéfices futurs discrédite considérablement son évolution vers un fournisseur de centres de données complet, quel que soit le léger érosion de la part de marché au profit de silicium personnalisés."
La thèse selon laquelle les hyperscalers « tuent » Nvidia en construisant des silicium personnalisés ignore la distinction entre l'entraînement et l'inférence. Bien que les Trainium d'Amazon et les TPUs de Google gagnent du terrain pour une inférence rentable, l'écosystème CUDA de Nvidia reste la référence pour l'entraînement de modèles de pointe. Nvidia passe d'un fournisseur de composants à un architecte de centre de données complet avec Blackwell et Vera. L'argument de valorisation—citant un multiple de 24x forward P/E—est le signal le plus convaincant ; si Nvidia maintient même une part de marché de 60 à 70 % dans un TAM de 1 000 milliards de dollars d'ici 2030, le multiple actuel implique une mauvaise évaluation massive de la croissance terminale. Le véritable risque n'est pas la concurrence, mais un éventuel plateau des lois d'échelonnement des LLM rendant les clusters de GPU massifs moins essentiels.
Si les hyperscalers parviennent à faire passer l'industrie vers des frameworks open source comme Triton ou PyTorch 2.0, le « moat » du logiciel propriétaire de Nvidia pourrait s'évaporer, commodatisant son matériel du jour au lendemain.
"Les puces personnalisées des hyperscalers visent l'efficacité de l'inférence, mais ne détrôneront pas la domination de l'entraînement de Nvidia ni le « moat » CUDA."
Ce titre pessimiste exagère la menace—le chiffre d'affaires de 20 milliards de dollars d'Amazon pour les puces (T1 2026) et l'opportunité hypothétique de 900 milliards de dollars de Google pâlissent par rapport aux 194 milliards de dollars de revenus du centre de données de Nvidia l'année dernière et à sa part de marché de 81 % des puces d'IA (IDC). Les puces ASIC comme Trainium/TPUs excellent dans les économies d'inférence, mais manquent de la flexibilité des GPU de Nvidia pour l'entraînement des LLM, où l'écosystème CUDA verrouille les hyperscalers (qui achètent toujours des milliards de H100/B200). La prévision de Nvidia de 1 000 milliards de dollars (2026-27) pour les architectures Blackwell/Vera Rubin, les optimisations de l'inférence et les CPU de serveur autonomes contrer efficacement dans un marché de semi-conducteurs de 2 000 milliards de dollars (BofA 2030). Un multiple de 24x forward P/E par rapport à 40x du Nasdaq crie une sous-évaluation au milieu d'une croissance de 100 %.
Si les engagements de 225 milliards de dollars des hyperscalers pour Trainium et les accords TPU évoluent rapidement pour déplacer 20 à 30 % des revenus d'inférence de Nvidia (à une vitesse plus rapide que l'entraînement), combinés à une diversification de la chaîne d'approvisionnement par OpenAI/Anthropic, la puissance de fixation des prix et les marges de Nvidia pourraient s'éroder plus rapidement que ne le prévoient les critiques.
"Les puces personnalisées sont un jeu de marge pour les hyperscalers, et non un tueur de revenus pour Nvidia—le marché adressable s'étend plus rapidement que tout concurrent ne peut en capturer des parts."
L'article confond perte de parts de marché avec baisse des revenus—une erreur critique. Oui, Amazon et Google construisent des puces personnalisées, mais les 194 milliards de dollars de revenus du centre de données de Nvidia l'année dernière ont augmenté de 126 %. Même perdre 20 points de part de marché dans un marché qui croît de 40 % par an signifie que les revenus de Nvidia augmentent toujours de manière absolue. L'article cite le chiffre d'affaires de 20 milliards de dollars d'Amazon pour les puces et l'opportunité hypothétique de 900 milliards de dollars de Google, mais aucun ne déplace la base installée ou l'écosystème logiciel (CUDA) de Nvidia. Le véritable risque n'est pas la concurrence ; il s'agit de savoir si les dépenses d'investissement des hyperscalers modéreront, écrasant ainsi la demande de tous les semi-conducteurs simultanément.
Si les hyperscalers atteignent une utilisation de 60 % de leurs puces internes en 24 mois et réduisent les commandes de GPU Nvidia de 40 %, la croissance du centre de données de Nvidia pourrait ralentir à un chiffre malgré l'expansion du marché—ce qui en ferait une véritable histoire de perte de parts de marché, et non un scénario de marée montante.
"Les marges de Nvidia pourraient se comprimer si les hyperscalers parviennent à réduire leur dépendance aux GPU Nvidia en augmentant rapidement la mise à l'échelle des puces internes."
L'article met en avant un risque plausible pour la domination de Nvidia : les hyperscalers construisant des puces internes pourraient éroder les parts de marché et gonfler la concurrence. Cependant, le « moat » de Nvidia repose sur plus que la simple puissance brute des GPU—l'écosystème logiciel CUDA, un vaste écosystème et des cycles de demande de centre de données pluriannuaux le protègent. Dans un marché en expansion de plusieurs billions de dollars, Nvidia peut toujours prospérer même si elle perd des parts de marché dans les puces d'IA.
L'avantage concurrentiel de Nvidia pourrait s'éroder si les hyperscalers augmentent rapidement la mise à l'échelle des puces internes, ce qui risquerait de comprimer les marges et de perdre des parts de marché dans un cycle pluriannuel.
"Les contraintes de capacité CoWoS de TSMC représentent un goulot d'étranglement critique du côté de l'offre qui pourrait éroder la part de marché de Nvidia, quel que soit la demande."
Claude, vous manquez le risque géopolitique et de chaîne d'approvisionnement : TSMC. Les hyperscalers ne construisent pas seulement des puces ; ils sont en concurrence pour les mêmes capacités de conditionnement CoWoS limitées. Si Nvidia perd son statut de priorité auprès de TSMC, son « moat » n'a pas d'importance. Même si la demande reste forte, l'incapacité à expédier des unités Blackwell en raison de contraintes de capacité—tandis que Google et Amazon sécurisent leurs propres lignes dédiées—pourrait déclencher une compression des marges du côté de l'offre qu'aucun d'entre vous n'a correctement évaluée dans le multiple de 24x forward P/E.
"La levier de Nvidia sur TSMC est réel, mais suppose des modèles de demande statiques ; les changements structurels dans l'allocation des dépenses d'investissement des hyperscalers pourraient éroder cet avantage plus rapidement que ne le suggèrent les précédents historiques."
Gemini, votre point sur TSMC CoWoS est réel, mais ne tient pas compte du risque de calendrier : Nvidia a actuellement la priorité, mais si les feuilles de route des puces personnalisées des hyperscalers arrivent à maturité plus rapidement que le lancement de Blackwell (plausible étant donné les délais de 2026), TSMC pourrait réaffecter les capacités à mi-cycle. Les 20 % de parts de marché de Nvidia ne garantissent pas la priorité si la demande évolue structurellement. Le véritable test est de savoir si les performances de 2x de Rubin justifient la prime d'investissement en capital si les puces d'inférence atteignent une parité de coût de 90 % d'ici 2027 ?
"Les puces personnalisées des hyperscalers visent l'efficacité de l'inférence, mais ne détrôneront pas la domination de l'entraînement de Nvidia ni le « moat » CUDA."
Gemini, le risque CoWoS existe, mais l'écosystème logiciel et l'option Vera Rubin flexible de Nvidia créent une optionnalité que les paris purs sur le matériel sous-estiment.
"Un risque potentiel de contrainte de capacité à TSMC"
Malgré la concurrence des puces personnalisées des hyperscalers, l'écosystème CUDA, le « moat » logiciel et l'échelle dominante de Nvidia à TSMC la positionnent bien pour maintenir le leadership sur le marché des puces d'IA. Le risque clé est une éventuelle contrainte de capacité à TSMC, tandis que l'opportunité clé réside dans la capacité de Nvidia à monétiser par le biais de logiciels et d'outils, même lorsque les puces internes se développent.
Monétisation par le biais de logiciels et d'outils
Monétisation par le biais de logiciels et d'outils
Contraintes de capacité potentielles à TSMC