LE CHOIX STRATÉGIQUE
Nvidia · Semi-conducteurs et centres de données ·

Nvidia : pourquoi mettre dans chaque carte de jeu une technologie dont les joueurs n’avaient pas besoin ?

7 min de lectureSources
Armoire de calcul Nvidia GB200 NVL72 : des plateaux de calcul et des commutateurs réseau empilés dans une même baie
Vingt ans après le pari CUDA, Nvidia vend des armoires de calcul entières. Ici, une GB200 NVL72, refroidie par liquide : 72 processeurs graphiques et 36 processeurs centraux dans une même baie. Présentée en 2024, c’est la génération qui précède Vera Rubin NVL72. Photo : Pokiiri, Wikimedia Commons, licence CC BY-SA 4.0 (fond flouté ajouté par LCS).

Note de la rédaction : Nvidia fait l’actualité ces jours-ci pour d’autres raisons. Nous n’abordons pas ici la polémique en cours : cet article se concentre sur la stratégie de l’entreprise.

En 2006, Nvidia vend surtout des cartes graphiques pour jeux vidéo. Elle décide d’y ajouter, sur ses puces, une technologie dont les joueurs n’ont pas l’usage : CUDA. Le coût est lourd, le retour lointain. Vingt ans plus tard, ce pari est au cœur de sa réussite dans l’intelligence artificielle.

La situation

Mi-novembre 2026, au salon SC26 consacré au calcul haute performance, Nvidia a fêté les 20 ans de CUDA, sa technologie de programmation des processeurs graphiques. Le groupe revendique plus de 11 millions de développeurs qui l’utilisent. C’est un chiffre de Nvidia, publié sans détail de méthode.

[Source : Jon Peddie Research, novembre 2026] [Source : IT Brief, novembre 2026]

Le 17 novembre 2026, Nvidia a publié les résultats du troisième trimestre de son exercice 2027, clos le 25 octobre. Son chiffre d’affaires atteint 115,8 milliards de dollars, en hausse de 103 % sur un an. Les centres de données en apportent 107,6 milliards, soit 93 %.

[Source : communiqué de résultats Nvidia, 17 novembre 2026]

Le 29 octobre 2025, Nvidia est devenue la première entreprise cotée de l’histoire à dépasser 5 000 milliards de dollars de valeur boursière. Elle ne possède pourtant aucune usine de puces : elle les conçoit, et les fait fabriquer par des fonderies, au premier rang desquelles le taïwanais TSMC.

[Source : Associated Press, 29 octobre 2025] [Source : rapport annuel Nvidia, exercice 2026] [Source : TechTarget]

Pour comprendre comment un fabricant de cartes graphiques pour jeux vidéo en est arrivé là, il faut revenir vingt ans en arrière, à une décision qui, sur le moment, lui a surtout coûté de l’argent.

Le choix

Novembre 2006. Nvidia est alors connue pour ses cartes graphiques destinées aux joueurs. Le 8 novembre, elle lance la GeForce 8800 GTX, sa nouvelle carte de jeu haut de gamme, et dévoile CUDA : une architecture et un environnement de programmation en langage C qui permettent d’utiliser le processeur graphique pour du calcul, et plus seulement pour l’affichage des images.

[Source : eWeek, 8 novembre 2006] [Source : Nvidia, les 20 ans de la GeForce 8800 GTX]

Le choix décisif est ailleurs : Nvidia ne réserve pas CUDA à une gamme professionnelle vendue plus cher. Elle l’installe sur ses processeurs graphiques, y compris les cartes vendues aux joueurs, qui n’en ont pas l’usage. Jensen Huang, cofondateur de Nvidia, l’a raconté en mars 2026 dans le podcast de Lex Fridman : l’objectif était de mettre un supercalculateur entre les mains de chaque chercheur, grâce aux cartes de jeu déjà vendues par millions.

[Source : podcast Lex Fridman n° 494, transcription] [Source : Wccftech, mars 2026]

Le prix était lourd. « CUDA a tellement augmenté le coût de ce processeur graphique que cela a complètement absorbé la marge brute de l’entreprise », a expliqué Jensen Huang. Il évalue ce surcoût à environ 50 % par puce, et reconnaît que l’entreprise n’en avait pas vraiment les moyens à l’époque.

[Source : podcast Lex Fridman n° 494] [Source : Wccftech]

Les raisons

Une technologie de calcul ne vaut que par les programmes écrits pour elle. Et les développeurs n’écrivent des programmes que s’il existe des machines pour les faire tourner. Selon le récit de Jensen Huang, il fallait donc d’abord une base installée : les chercheurs et les étudiants qui montaient leur propre ordinateur découvriraient CUDA sur leur carte de jeu, et finiraient par programmer avec.

[Source : podcast Lex Fridman n° 494]

Lecture LCS : Nvidia a payé, avec sa propre marge, la distribution de sa technologie. Le canal le moins cher pour toucher des millions d’utilisateurs existait déjà : les cartes de jeu. Le calcul est contre-intuitif : faire payer le surcoût à des clients qui n’en voulaient pas, pour en conquérir d’autres qui n’existaient pas encore. Mais une fois que des millions de développeurs ont appris à programmer avec CUDA, un concurrent ne doit plus seulement offrir une puce aussi bonne : il doit les convaincre de changer d’habitudes et de réécrire leurs programmes.

Le pari

Le pari était que des usages apparaîtraient, sans savoir lesquels ni quand. Le retour a mis des années à venir : selon Wccftech, qui rapporte les propos de Jensen Huang, il a fallu environ une décennie pour que CUDA devienne rentable.

[Source : Wccftech]

Le déclic est venu de la recherche. En 2012, trois chercheurs de l’université de Toronto présentent AlexNet, un réseau de neurones de reconnaissance d’images, entraîné sur deux cartes graphiques de jeu Nvidia GeForce GTX 580. Ce résultat est souvent présenté comme le point de départ de l’essor de l’apprentissage profond, la technique sur laquelle repose l’intelligence artificielle actuelle.

[Source : Krizhevsky, Sutskever et Hinton, NeurIPS 2012]

Nvidia a ensuite prolongé son pari, de la puce vers le système. En 2016, elle livre à OpenAI son premier serveur complet pour l’intelligence artificielle, le DGX-1. En mars 2019, elle annonce le rachat de l’israélien Mellanox, spécialiste des réseaux pour centres de données, pour 6,9 milliards de dollars, en devançant Intel. Le rachat est finalisé en avril 2020.

[Source : TOP500, août 2016] [Source : TechCrunch, 11 mars 2019] [Source : Nvidia, 27 avril 2020]

En mars 2024, Nvidia présente la GB200 NVL72, une armoire entière de 72 processeurs graphiques et 36 processeurs centraux qui fonctionne comme un seul grand calculateur. Sa successeure, Vera Rubin NVL72, est livrée depuis l’automne 2026. Selon Tom’s Hardware, elle a apporté près de 20 milliards de dollars de ventes dès son premier trimestre. « Vera Rubin a démarré de façon explosive », résume Colette Kress, directrice financière de Nvidia.

[Source : Nvidia, 18 mars 2024] [Source : Nvidia, fiche Vera Rubin NVL72] [Source : Tom’s Hardware, 17 novembre 2026] [Source : communiqué de résultats Nvidia]

Analyse LCS : vingt ans après, Nvidia refait le même type de pari : investir avant la demande et accepter que la marge en souffre. Pour le trimestre en cours, elle prévoit une marge brute de 71 à 72 %, contre 74,9 % (hors éléments exceptionnels) au trimestre clos fin octobre ; des analystes y voient le coût de la montée en cadence de Vera Rubin. Et ses engagements d’achat et de capacité auprès de ses fournisseurs atteignaient 390 milliards de dollars fin octobre, selon Tom’s Hardware.

[Source : communiqué de résultats Nvidia] [Source : Futurum Group, analyse] [Source : Nasdaq]

Les conséquences

Sans usine, Nvidia fait travailler toute une chaîne industrielle, jusqu’en France. Le 17 juin 2026, Bull et Foxconn ont annoncé la production en Europe de systèmes Vera Rubin NVL72 : fabriqués et testés une première fois en République tchèque, ils sont assemblés, intégrés et validés dans l’usine Bull d’Angers. Début octobre, Bull y a inauguré une nouvelle configuration : 80 millions d’euros d’investissement et une production passée de 6 à 12 armoires par mois.

[Source : Bull, communiqué] [Source : Villactu Angers] [Source : Technology.org, 3 octobre 2026]

Le 16 mars 2026, Schneider Electric a annoncé avec Nvidia des plans de référence pour concevoir, construire et exploiter des centres de données pour l’IA à l’échelle du gigawatt, dont l’un des premiers schémas d’alimentation et de refroidissement conçus pour les armoires Vera Rubin NVL72.

[Source : Schneider Electric, 16 mars 2026]

Lecture LCS : le modèle de Nvidia repose sur deux actifs qui ne sont pas des usines : la conception de ses puces et de ses systèmes, et la communauté de développeurs qui programme avec CUDA. La fabrication, l’assemblage, l’alimentation et le refroidissement sont confiés à des partenaires. C’est là que se trouvent les marchés pour les industriels.

Ce que les sources ne permettent pas de conclure : le coût exact de CUDA pour Nvidia depuis 2006 (les chiffres de marge de l’époque mêlent cet effet à d’autres, dont la crise de 2008) ; la part de CUDA dans le succès de Nvidia, face à d’autres facteurs comme la qualité de ses puces ; la méthode de calcul des 11 millions de développeurs ; la part des ventes réalisée en armoires complètes.

Le regard commercial LCS

Pour un technico-commercial, ce cas pose une question rarement posée : qui apprend à travailler avec vos produits, alors qu’il ne vous achète encore rien ?

Nvidia a conquis les développeurs avant les acheteurs. Dans l’industrie, le mécanisme est le même à plus petite échelle : l’ingénieur qui a découvert un logiciel de configuration, un composant ou une machine pendant ses études ou dans un bureau d’études le prescrit ensuite. Les échantillons, les outils de calcul mis à disposition, les formations et les partenariats avec les écoles ne sont pas des coûts perdus : ce sont des investissements dans de futurs prescripteurs.

Si vous êtes fournisseur d’un donneur d’ordres comme Nvidia, la leçon se lit aussi à l’envers : le choix des composants se fait chez l’intégrateur (comme Bull) et chez celui qui écrit le schéma de référence (comme Schneider Electric), bien avant l’appel d’offres.

Les enseignements pour les dirigeants

Un pari sur un écosystème se paie d’avance, et longtemps. Il suppose d’accepter une marge plus faible sans savoir quand viendra le retour, et de tenir face à ceux qui y voient un coût inutile. Mais quand il réussit, il protège mieux qu’un brevet : il est très difficile de faire changer d’habitudes des millions d’utilisateurs.

Quel investissement faisons-nous aujourd’hui pour des clients qui ne nous achètent encore rien ?

Verdict LCS

En 2006, Nvidia a accepté de sacrifier sa marge pour installer CUDA sur des cartes de jeu, bien avant que l’intelligence artificielle en fasse un outil indispensable. Vingt ans plus tard, ce choix est au cœur de sa réussite : 11 millions de développeurs revendiqués, et 93 % de ses ventes dans les centres de données.

Sa pertinence continuera de se juger à la capacité de Nvidia à livrer au rythme promis, à la tenue de sa marge et à la fidélité de développeurs que des concurrents tentent de convaincre de changer d’outil.

Sources

Vérifié le 22 novembre 2026 (réécriture et relecture complète). Les faits sont attribués aux sources citées ; les passages « Lecture LCS », « Analyse LCS », « Le regard commercial », « Enseignements » et « Verdict LCS » relèvent de notre analyse. Les déclarations de Jensen Huang et de Colette Kress sont traduites de l’anglais. Les montants sont en dollars, la devise dans laquelle Nvidia publie ses comptes.

À lire aussi : Schneider Electric : investir 150 M€… et fermer une usine · GTA VI : pourquoi 80 $, et pas plus ?

Partager cet article sur LinkedIn ↗

Le Déclic commercial · chaque matin

Vous avez aimé cette lecture ?

Chaque matin, LCS publie sur LinkedIn une nouvelle entreprise industrielle à suivre, avec ce qui change pour ses fournisseurs. Le site n’en montre qu’une sélection.

S’abonner à LCS sur LinkedIn