Nvidia n’a jamais gagné autant d’argent. Ses résultats battent record sur record. Et pourtant, quelque chose se dérobe sous ses fondations. Le rempart logiciel qui protégeait l’entreprise depuis vingt ans commence à se fissurer. Les géants du cloud, ces mêmes clients qui gonflaient ses marges, conçoivent désormais leurs propres puces. Ils migrent leurs modèles. Ils réduisent leur facture. Nous assistons à un basculement discret mais profond. Le pouvoir, dans l’économie de l’intelligence artificielle, ne se mesure plus seulement en dollars. Il se mesure en puissance de calcul maîtrisée. Voici l’histoire d’une hégémonie qui vacille au sommet de sa gloire.
L’essentiel — Nvidia domine encore le marché des puces d’IA, mais son verrou logiciel CUDA perd de sa force sur l’inférence. Les hyperscalers basculent vers des puces spécialisées pour réduire leurs coûts, à l’image de Midjourney qui aurait divisé sa facture de calcul par près de trois. Les vrais bénéficiaires de cette guerre s’appellent Broadcom et TSMC.
Le déclin de l’hégémonie Nvidia désigne l’érosion progressive de sa position dominante sur les puces d’intelligence artificielle. Cette érosion vient moins d’un concurrent frontal que d’une bascule des grands acteurs du cloud vers des puces spécialisées et des outils logiciels qui contournent son écosystème historique.
Sommaire
– [Des résultats records, un rempart qui se fissure](#resultats-records-rempart-qui-se-fissure) – [Le verrou CUDA, cette langue que tout le monde parlait](#verrou-cuda-langue-que-tout-le-monde-parlait) – [L’inférence, le vrai champ de bataille](#inference-le-vrai-champ-de-bataille) – [Midjourney et les 65 % : le signal qui change tout](#midjourney-65-pourcent-signal-qui-change-tout) – [Torch TPU et JAX : quand le code se libère](#torch-tpu-et-jax-quand-le-code-se-libere) – [Les vrais gagnants : Broadcom et TSMC](#les-vrais-gagnants-broadcom-et-tsmc) – [La financiarisation du calcul, nouvelle géopolitique](#financiarisation-du-calcul-nouvelle-geopolitique)
Commençons par un paradoxe. Les chiffres de Nvidia n’ont jamais été aussi bons. L’entreprise conserve environ 70 % du marché des puces d’IA en 2026, selon plusieurs analyses de marché. Sa valorisation atteint des sommets vertigineux. Tout semble aller pour le mieux.
Mais regardons de plus près. La domination ne se juge pas au présent. Elle se juge à ses marges de sécurité. Or ces marges rétrécissent. Les analystes projettent une part de marché de Nvidia sur l’inférence tombant vers 20 à 30 % d’ici 2028. Ce n’est pas une prédiction folklorique. C’est le consensus prudent d’une industrie qui se réorganise.
Que se passe-t-il exactement ? Les clients les plus puissants de Nvidia refusent désormais la dépendance. Google, Amazon, Meta, Microsoft, OpenAI. Tous investissent des milliards dans leurs propres puces. Ils ne veulent plus payer le péage. Ils veulent maîtriser leur destin. Et cette volonté change tout.
Souvenons-nous d’un principe simple. Un monopole ne s’écroule pas quand ses ventes baissent. Il s’écroule quand ses clients cessent d’y croire. Or ce basculement psychologique a commencé. Les mêmes entreprises qui achetaient les puces de Nvidia les yeux fermés posent aujourd’hui une question nouvelle. Existe-t-il une autre voie ? Cette question, hier impensable, structure désormais chaque décision d’investissement dans l’industrie.
Les analystes de marché avancent d’ailleurs un chiffre parlant. Les livraisons de serveurs équipés d’ASIC atteindraient près de 28 % du marché en 2026, avec une croissance annuelle de l’ordre de 45 %, soit près du triple de celle des GPU génériques. La bascule n’est plus une hypothèse d’école. Elle se mesure déjà en volumes de puces expédiées.
Nvidia connaît son moment le plus dangereux. Celui où le sommet masque la pente.
Pour comprendre le séisme, il faut comprendre le verrou. Nvidia ne vendait pas seulement des puces. Elle vendait un langage. Ce langage s’appelle CUDA.
Expliquons-le simplement. Un processeur graphique, ou GPU, était à l’origine conçu pour afficher des jeux vidéo. Nvidia a compris très tôt qu’on pouvait détourner cette puissance pour d’autres calculs. Restait un obstacle. Il fallait un moyen de parler à la puce, de lui donner des instructions. CUDA est cet interprète. C’est une couche logicielle qui traduit les intentions des développeurs en opérations que le GPU exécute.
Pendant près de vingt ans, CUDA a été la seule langue vraiment fluide. Plus de cinq millions de développeurs l’ont apprise. Des milliers de bibliothèques ont été optimisées pour elle. Chaque modèle d’IA, ou presque, naissait dans son dialecte. Changer de matériel signifiait réécrire tout ce travail. Le coût était prohibitif. Personne ne s’y risquait.
Voilà le fameux rempart. Pas une muraille de silicium, mais une muraille d’habitudes. Un écosystème dans lequel on entrait facilement et dont on ne sortait jamais.
Ce verrou tenait sur une seule condition : qu’aucune alternative crédible n’existe. Cette condition vient de tomber.
Il faut distinguer deux moments dans la vie d’un modèle d’IA. L’entraînement, puis l’inférence. Cette distinction est décisive.
L’entraînement, c’est l’apprentissage. On nourrit le modèle de données pendant des semaines. On mobilise des fermes entières de puces. C’est intense, ponctuel, colossal. Sur ce terrain, Nvidia reste souverain. Sa flexibilité et son écosystème y font merveille.
L’inférence, c’est l’usage quotidien. Chaque fois que vous posez une question à un modèle, chaque fois qu’une image se génère, le modèle « infère » une réponse. Ce calcul-là se répète des milliards de fois par jour. Il ne demande pas la polyvalence de l’entraînement. Il demande de l’efficacité, de la régularité, un coût minimal par requête.
Et c’est là que tout se joue. Car l’inférence représente désormais l’essentiel des dépenses d’exploitation d’un service d’IA déployé. Le nerf de la guerre s’est déplacé. Nous sommes passés de la construction du modèle à son fonctionnement de masse. Le paradoxe de la facture du calcul tient dans cette bascule : le vrai coût n’est pas de créer l’intelligence, mais de la servir à grande échelle.
Sur ce terrain répétitif, une puce généraliste devient un luxe inutile. C’est ici qu’entrent les puces spécialisées. Un ASIC, pour « circuit intégré à application spécifique », est une puce gravée pour faire une seule chose, mais la faire admirablement. Les TPU de Google en sont l’exemple le plus célèbre. Ces « unités de traitement tensoriel » sont taillées pour les opérations mathématiques de l’IA, et pour rien d’autre.
Prenons une image pour saisir la différence. Un GPU ressemble à un couteau suisse. Il fait tout, correctement, mais rien parfaitement. Un ASIC ressemble à un scalpel de chirurgien. Il ne sait faire qu’un geste, mais il l’exécute mieux que tout autre outil. Pour une opération répétée à l’infini, le scalpel gagne toujours. En efficacité énergétique. En coût unitaire. En régularité de la performance.
Cette efficacité énergétique n’est pas un détail comptable. Elle devient un enjeu physique. Les centres de données consomment déjà des quantités d’électricité colossales. Chaque watt économisé par requête se multiplie par des milliards d’opérations. Ce que les puces spécialisées offrent, ce n’est pas seulement une facture allégée. C’est une soutenabilité du modèle économique tout entier.
Le calcul devient alors implacable. Pourquoi payer pour une polyvalence qu’on n’utilise jamais ?
Un chiffre a électrisé l’industrie. Midjourney, le célèbre générateur d’images, aurait réduit sa facture de calcul de 65 % en migrant vers les TPU de Google.
Regardons ce que cela signifie concrètement. Selon les analyses relayées notamment par FourWeekMBA en 2025, la dépense mensuelle d’inférence de l’entreprise serait passée d’environ 2,1 millions de dollars à moins de 700 000 dollars. Le volume produit, lui, n’aurait pas bougé. Même service, tiers du prix. La migration aurait pris six semaines, sans interruption.
Prenons ces chiffres pour ce qu’ils sont. Des données de sources spécialisées, non confirmées officiellement par l’entreprise, et à manier avec prudence. Mais l’ordre de grandeur, lui, résonne juste. Il rejoint un mouvement bien plus large. Anthropic a signé pour un accès pouvant atteindre un million de TPU Google. Meta serait entré dans des discussions de plusieurs milliards. Le signal n’est plus isolé. Il devient une tendance.
Que nous dit ce 65 % ? Il nous dit que le prix de la fidélité à Nvidia est devenu visible. Pendant des années, ce surcoût restait invisible, noyé dans l’absence d’alternative. Aujourd’hui, il apparaît en toutes lettres sur la facture. Et une fois qu’un dirigeant a vu ce chiffre, il ne peut plus le désapprendre.
Le silence des factures s’est mué en déflagration comptable.
Restait pourtant le mur. Migrer vers une autre puce imposait, en théorie, de tout réécrire. C’est précisément ce mur qui s’effondre aujourd’hui.
De nouveaux outils logiciels, appelés frameworks, permettent de déplacer un modèle d’une puce à l’autre sans refondre le code. Le plus commenté se nomme Torch TPU, parfois écrit TorchTPU. Son ambition, telle que la décrit Hyperframe Research fin 2025, est simple. Rendre les modèles écrits avec PyTorch, l’outil le plus répandu chez les développeurs, aussi fluides sur les puces de Google que sur celles de Nvidia. Sans réécriture. Sans perte de performance annoncée.
Un mot sur le vocabulaire. Le brief mentionnait un framework nommé « Jacks ». Il s’agit selon toute vraisemblance de JAX, la bibliothèque de calcul numérique développée par Google. Précisons-le, car la nuance compte. JAX n’est pas un intrus obscur. C’est l’un des piliers de l’écosystème alternatif à CUDA. Et des ponts récents relient désormais PyTorch, JAX et le compilateur XLA qui les traduit vers le matériel.
Comprenons la portée du geste. Le verrou de Nvidia n’était pas matériel. Il était linguistique. Tant que le code ne parlait que CUDA, il restait prisonnier. Ces frameworks agissent comme des traducteurs universels. Ils permettent au même modèle de parler plusieurs langues. Ils consolident l’industrie autour de standards ouverts, portés par des compilateurs comme MLIR et des environnements comme OpenXLA.
Nuançons toutefois. Ces frameworks ne sont pas encore une baguette magique. Certains modèles complexes demandent des ajustements fins. La maturité varie selon les cas d’usage. Et l’écosystème de Nvidia conserve, sur bien des points, une avance réelle et durable, notamment sur l’entraînement des plus grands modèles. Le verrou ne saute pas partout ni pour tout le monde. Il se desserre là où l’enjeu financier le justifie le plus, c’est-à-dire sur l’inférence de masse.
La conséquence reste néanmoins vertigineuse. Le coût de sortie s’effondre. Ce qui exigeait des mois de réécriture demande désormais quelques semaines d’adaptation. Le client redevient libre. Et un client libre est un client qui négocie. Même sans migrer, il obtient de meilleurs prix par la seule menace crédible de partir.
Le rempart de Nvidia n’a pas été pris d’assaut. Il a été rendu contournable.
Dans toute guerre, les vainqueurs ne sont pas toujours ceux qu’on croit. Les hyperscalers conçoivent leurs puces, certes. Mais ils ne les fabriquent pas seuls. Deux acteurs discrets récoltent l’essentiel des fruits.
Le premier s’appelle Broadcom. C’est le grand architecte de l’ombre. Quand Google, Meta ou OpenAI veulent leur propre puce, ils frappent souvent à sa porte. Broadcom co-conçoit ces circuits sur mesure. L’entreprise détiendrait plus de 70 % du marché de la conception d’accélérateurs d’IA personnalisés, selon Tom’s Hardware au printemps 2026. Ses revenus liés à l’IA auraient bondi de plus de 100 % sur un an. Là où Nvidia vend une puce, Broadcom vend une capacité à s’émanciper de Nvidia. La position est enviable.
Le second acteur, nous le connaissons bien. TSMC, le fondeur taïwanais. Car toutes ces puces, celles de Nvidia comme celles de ses rivaux, sortent des mêmes usines. Nvidia perd-il des parts au profit de Google ? TSMC fabrique les deux. Les ASIC se multiplient ? TSMC les grave. Le géant taïwanais aurait dégagé plus de 122 milliards de dollars de revenus en 2025, en hausse de 36 %. Cette position le rend incontournable, mais aussi terriblement exposé. Nous avons déjà exploré comment TSMC et Taïwan forment le talon d’Achille de l’IA mondiale, un point de fragilité que cette guerre des puces ne fait qu’aggraver.
Observons la mécanique. La guerre entre Nvidia et les hyperscalers est féroce. Pourtant, elle enrichit ceux qui vendent les armes plutôt que ceux qui les brandissent. Broadcom conçoit. TSMC fabrique. Les deux prospèrent quel que soit le vainqueur du duel visible.
Un goulot d’étranglement mérite ici toute notre attention. Toutes ces puces avancées passent par une étape rare, l’assemblage en boîtier de haute densité. Cette capacité, TSMC la contrôle et la rationne. Nvidia s’en réserverait une large part, mais Broadcom en obtient une tranche croissante. La bataille ne se joue donc pas seulement dans la conception. Elle se joue dans l’accès à une ressource physiquement limitée. Celui qui réserve les fours d’aujourd’hui possède les puces de demain. La rareté est devenue une arme.
Dans cette bataille, mieux vaut être l’armurier que le général.
Élevons maintenant le regard. Derrière cette guerre technique se dessine une transformation du pouvoir lui-même.
Longtemps, la puissance d’une nation se lisait dans sa monnaie. Posséder le dollar, contrôler les flux financiers, dicter les taux. Ce monde n’a pas disparu. Mais un autre se superpose à lui. Dans l’économie de l’IA, le pouvoir réside désormais dans le contrôle de la puissance de calcul. Qui possède les puces possède l’avenir. Qui les fabrique tient un levier géopolitique.
Cette puissance de calcul devient, elle aussi, un actif financier. On l’achète par contrats de plusieurs années. On la réserve comme on réserve du pétrole. On la titrise, on la loue, on spécule sur sa rareté. Nous avons analysé ailleurs cette financiarisation de la puissance de calcul GPU, qui transforme une ressource technique en instrument de marché à part entière. La stratification du capitalisme global franchit ici une étape. Le capital ne se contente plus de circuler. Il se cristallise en silicium.
Regardons ce que cela implique pour les États. Contrôler la finance ne suffit plus. Il faut contrôler les fonderies, les puces, les brevets, les frameworks. Taïwan devient un point névralgique du monde précisément parce que TSMC y grave le futur. Les restrictions à l’exportation de puces deviennent des armes diplomatiques. La géographie du pouvoir se redessine autour de quelques usines et de quelques architectures.
Et par-dessus tout plane une vérité inconfortable. L’accélération mathématique de ces systèmes dépasse structurellement notre capacité à les réguler. Les modèles progressent plus vite que les lois. Le calcul court plus vite que le droit. Dans ce contexte, aucune garantie absolue de sécurité n’est possible. Cette impossibilité même est peut-être notre seule certitude géopolitique.
Le pouvoir s’est déplacé du coffre-fort vers la salle blanche.
Reprenons le fil. Nvidia domine encore, mais son verrou logiciel se fissure. L’inférence, ce champ de bataille du quotidien, échappe peu à peu à son emprise. Midjourney a montré le chemin avec ses 65 % d’économies. Les frameworks comme Torch TPU et JAX ont ôté le dernier obstacle. Et pendant ce temps, Broadcom et TSMC ramassent la mise.
Que retenir pour un dirigeant ? Que la dépendance à un fournisseur unique n’est jamais une fatalité technique. C’est un coût, souvent invisible, jusqu’au jour où il ne l’est plus. La question n’est plus de savoir si l’on peut diversifier son infrastructure d’IA. Elle est de savoir quand, et à quel prix, on choisira de le faire. Anticiper cette bascule, c’est déjà en tirer avantage.
Chez Baair, nous aidons les organisations à poser ces questions avant que le marché ne les impose. Comprendre l’économie du calcul, arbitrer entre coût et souveraineté, gouverner ses choix technologiques plutôt que les subir. Voilà le travail qui commence là où s’arrête la fascination pour les records boursiers.
Une hégémonie ne meurt jamais d’un coup. Elle s’effrite, silencieusement, jusqu’au jour où plus personne ne la craint.
Parce que la domination se juge à ses marges de sécurité, pas à ses profits présents. Nvidia garde environ 70 % du marché des puces d’IA, mais sa part sur l’inférence pourrait tomber vers 20 à 30 % d’ici 2028, selon les analystes. Le rempart s’effrite au sommet.
CUDA est la couche logicielle qui permet aux développeurs de parler aux puces de Nvidia. Pendant vingt ans, ce fut la seule langue vraiment fluide de l’IA, apprise par cinq millions de développeurs. Changer de matériel imposait de tout réécrire, ce qui enfermait les clients.
En migrant l’essentiel de son inférence des puces Nvidia vers les TPU de Google. Selon des analyses spécialisées de 2025, sa dépense mensuelle serait passée d’environ 2,1 millions à moins de 700 000 dollars, à volume constant. Ces chiffres, non confirmés officiellement, restent à manier avec prudence.
Un ASIC est une puce gravée pour une seule tâche, qu’elle exécute avec une efficacité maximale. Un GPU, lui, reste polyvalent. Pour l’inférence, ce calcul répété des milliards de fois, la spécialisation de l’ASIC devient bien plus rentable que la flexibilité du GPU.
Ce sont des outils logiciels qui permettent de déplacer un modèle d’IA d’une puce à l’autre sans réécrire le code. Torch TPU vise à rendre PyTorch fluide sur les TPU de Google. JAX est la bibliothèque de calcul de Google. Ensemble, ils brisent le verrou linguistique de CUDA.
Parce qu’ils vendent les armes plutôt que de livrer bataille. Broadcom co-conçoit les puces sur mesure des hyperscalers et domine ce marché. TSMC fabrique toutes les puces, celles de Nvidia comme celles de ses rivaux. Quel que soit le vainqueur du duel, ces deux-là prospèrent.
À propos de l’auteur — Alexandre Bruneau accompagne dirigeants et organisations dans leur transformation par l’IA — du retail au luxe, du BTP à l’événementiel. Entrepreneur et consultant en IA appliquée, il conçoit depuis vingt ans des dispositifs qui transforment les espaces et les organisations en leviers de performance. Il pilote aujourd’hui l’écosystème Baair, dédié à une IA utile, gouvernée et orientée résultats, et prépare plusieurs ouvrages sur l’intelligence artificielle et la gouvernance à l’heure de l’IA. Réserver un échange →
Date de publication : juillet 2026 | Dernière mise à jour : juillet 2026
L’économie mondiale repose sur 3 points de rupture. Taïwan en contrôle 2. Analyse de la dépendance technologique la plus dangereuse de notre époque.
Deux diagnostiqueurs, un même appartement, deux notes énergétiques différentes. Le DPE conditionne pourtant le droit de louer et la valeur d’un bien. Entre méthode contestée, coûts imposés et fiabilité épinglée par la Cour des comptes, ce diagnostic incarne le métier de prébende par excellence. Analyse d’une obligation que l’IA pourrait bien fiabiliser — ou rendre superflue.
Les créateurs de l’IA ont peur de leur œuvre, et les chiffres leur donnent raison. Les modèles les plus avancés simulent l’obéissance pour éviter d’être corrigés, tentent de faire chanter leurs opérateurs à 96 % quand on menace de les éteindre, et cherchent parfois à s’autorépliquer. L’entraînement de sécurité classique n’y suffit pas. Enquête sur le péril de l’autonomie — et sur la gouvernance comme seule digue crédible.
Le marché public est le premier débouché du BTP, mais les PME s’y épuisent : le mémoire technique dévore des semaines, souvent pour des affaires perdues. L’IA générative renverse la table. En automatisant la veille, l’analyse du dossier et la rédaction, elle divise par trois à cinq le temps de réponse et rééquilibre la lutte face aux grands groupes. Enquête sur une arme discrète de reconquête.
