Alors que l’intelligence artificielle devient le centre de gravité de la technologie — et, de plus en plus, de la géopolitique industrielle — Jensen Huang a choisi un registre peu courant pour un PDG de sa taille : celui de l’anecdote personnelle avec une morale financière. Lors du Forum économique mondial de Davos, le PDG de NVIDIA a rappelé comment, après l’introduction en bourse, il a vendu des actions alors que l’entreprise était évaluée à 300 millions de dollars afin d’acheter à ses parents une Mercedes Classe S. Aujourd’hui, il avoue regretter ce timing.
Son récit, raconté avec simplicité, fonctionne comme une métaphore de quelque chose de plus grand : le vertige d’une révolution technologique qui a compressé en quelques années des décennies d’évolution industrielle. Ce NVIDIA « petit » de l’après-IPO contraste avec la société qui, dans la vague de l’IA, a atteint à certains moments une capitalisation boursière proche de 5 000 milliards de dollars.
Du regret personnel au message stratégique : « cela ne fait que commencer »
Le récit de la voiture ne se limite pas à la nostalgie. Huang l’a utilisé comme une étape pour renforcer une thèse qu’il répète depuis plusieurs trimestres : l’IA n’est pas seulement une couche logicielle, mais une transformation de l’infrastructure mondiale. Dans ce même contexte, il a affirmé que le monde est déjà engagé dans « la plus grande déploiement d’infrastructure de l’histoire », avec « des centaines de milliards » investis et « des milliers de milliards » encore à construire.
Cet argument n’est pas anodin : si l’IA passe du stade de démos spectaculaires à une technologie omniprésente dans les entreprises et les administrations, le goulet d’étranglement ne sera plus le prompt mais la capacité physique de calcul (ainsi que tout ce qui la rend viable) : centres de données, réseaux, énergie, refroidissement, chaîne d’approvisionnement et talents.
Tableau 1 — Ce que signifie « le plus grand déploiement d’infrastructure » (en termes concrets)
| Couche de la pile | Ce qui s’étend | Pourquoi c’est crucial pour l’IA | Risque en cas d’échec |
|---|---|---|---|
| Calcul | Clusters de GPU/CPU, accélération | Entraînement et inférence à grande échelle | Saturation, latences, coûts prohibitifs |
| Réseaux | Interconnexion haute performance | Transport des données et synchronisation des systèmes | Goulots d’étranglement, sous-utilisation |
| Énergie | Capacité électrique et stabilité | Le calcul intensif « consomme » des watts | Limitations à la croissance, tensions réglementaires |
| Refroidissement | Air et liquide à haute densité | Maintenir la performance sans dégradation | Arrêts, réduction de densité, augmentation des CAPEX/OPEX |
| Logiciel | Bibliothèques optimisées, outils | Exploiter au maximum le matériel et accélérer l’installation | Retour sur investissement réduit, complexité opérationnelle |
La face inconfortable : le coût d’opportunité et la psychologie du « vendre trop tôt »
L’histoire de la Mercedes Classe S est familière pour tout investisseur : vendre pour concrétiser un objectif légitime, pour découvrir, des années plus tard, que l’actif entre alors dans une phase de croissance qu’on estimait improbable. Dans le cas de Huang, le contraste est extrême : l’entreprise elle-même est devenue un symbole boursier du cycle de l’IA.
Parallèlement, le marché a connu des épisodes qui renforcent cette attitude : des sociétés qui ont réduit leur exposition à NVIDIA avant la grande progression ou qui ont réorienté leur portefeuille vers d’autres technologies. SoftBank, par exemple, a annoncé ces dernières années des désinvestissements importants dans NVIDIA, en accord avec sa stratégie de capital et son orientation vers d’autres secteurs.
La leçon pour le secteur n’est pas « acheter et ne jamais vendre », mais plutôt comprendre que l’IA génère un cycle où le CAPEX s’accélère d’abord, puis la capture de la valeur se répartit, souvent de manière inégale, entre plateformes, intégrateurs et utilisateurs finaux.
Le retour sur investissement est-il garanti ? La question qui plane sur l’essor des centres de données
Le concept de « déploiement inévitable » n’élimine pas une préoccupation centrale : à savoir si l’investissement massif dans l’infrastructure se traduit en bénéfices durables pour les clients et la société. Huang soutient que la trajectoire est tracée par l’évolution des modèles et des applications, et que la demande de calcul n’a pas ralenti.
Cependant, le marché lui-même a appris, lors de cycles précédents, que l’excès de capacité peut pénaliser opérateurs et fabricants si la demande ne correspond pas au rythme prévu. En IA, le point délicat réside dans le fait que la consommation de calcul ne dépend pas seulement de l’entraînement de grands modèles ; elle inclut aussi la fourniture d’inférences à des millions d’utilisateurs et de processus métier, avec des exigences de latence et de coûts radicalement différentes.
Tableau 2 — Deux scénarios plausibles pour 2026–2027
| Scénario | Ce qui se passe | Signes typiques | Gagnants probables |
|---|---|---|---|
| Expansion soutenue | L’IA s’intègre dans les processus et produits avec un ROI mesurable | Plus de charges d’inférence, automatisation réelle, adoption dans les secteurs régulés | Fournisseurs d’infrastructure, plateformes, services gérés |
| Ajustement sélectif | Une partie du CAPEX est reportée en raison des coûts énergétiques ou du manque de cas d’usage | Pressions réglementaires/énergétiques, consolidation de projets, focus sur l’efficacité | Acteurs avec une technologie plus efficace et clients ayant une meilleure gouvernance de l’IA |
L’idée forte : infrastructure, oui ; mais aussi utilité
Ce que montre le témoignage de Huang, c’est que la conversation doit être concrète : d’un côté, cela humanise le récit financier (le « moi aussi j’ai vendu trop tôt ») ; d’un autre, cela insiste sur le fait que l’avenir de l’IA se joue hors des gros titres, dans la mise en œuvre industrielle.
Davos a été le théâtre, mais le message a du terrain : si l’IA stimule le plus grand cycle de construction technologique de notre temps, la question essentielle ne concerne pas seulement la fabrication de puces, mais qui transforme la capacité de calcul en productivité, services et avantages compétitifs mesurables.
Questions fréquentes
Que voulait dire Jensen Huang par « le plus grand déploiement d’infrastructure de l’histoire » ?
Il faisait référence au volume d’investissement accumulé et futur dans les centres de données, la calcul de pointe, les réseaux et l’énergie nécessaires pour soutenir la croissance de l’IA à grande échelle.
Pourquoi l’anecdote de la Mercedes Classe S a-t-elle retenu autant l’attention ?
Parce qu’elle illustre le coût d’opportunité de vendre des actions avant une phase d’expansion exceptionnelle et donne un exemple personnel, peu fréquent, provenant de la direction d’une entreprise leader dans le domaine de l’IA.
NVIDIA est-elle vraiment proche des 5 000 milliards de dollars de valeur boursière ?
Récemment, la société a été décrite comme approchant ce seuil, avec des capitalisations avoisinant 4,89 billions et des tentatives pour atteindre le cap des 5 billions.
Quel est le principal risque de cette vague d’investissement dans l’infrastructure IA ?
Que part de la capacité construite se fasse à un rythme supérieur à celui de l’adoption utile (cas d’usage avec un ROI), notamment si des limitations énergétiques, réglementaires ou de coûts opérationnels entrent en jeu.
via : wccftech
