Les prévisions de ventes de puces de Nvidia misent à nouveau sur la croissance de l’IA, avec la sécurité comme épreuve
Le PDG de Nvidia, Jensen Huang, s’attend à ce que l’entreprise vende deux fois plus de puces l’an prochain, une prévision particulièrement ambitieuse liée aux investissements mondiaux dans l’IA. Les prévisions de ventes de puces de Nvidia tablent sur une demande en 2027 qui dépasse largement un simple cycle habituel de mise à niveau matérielle.
Huang a formulé ce message le 17 septembre lors d’un rassemblement consacré à l’IA organisé par le roi Charles III à Dumfries House, en Écosse. Il a également soutenu que les développeurs doivent tester rigoureusement les systèmes d’IA et retenir les produits qui ne sont pas suffisamment sûrs.
Ces affirmations créent une tension immédiate. Nvidia bénéficie lorsque les entreprises et les gouvernements déploient davantage de capacités de calcul, tandis qu’un développement plus sûr peut exiger des lancements plus lents et davantage de tests. L’enjeu central n’oppose donc pas Nvidia à un seul fabricant de puces. Il met en regard la promesse d’expansion de l’entreprise et les limites opérationnelles de l’approvisionnement, des budgets clients et d’un déploiement responsable.
Les prévisions de ventes de puces de Nvidia visent un volume deux fois supérieur
Les prévisions de Huang concernent le volume de puces, et non la promesse que le chiffre d’affaires total de Nvidia doublera.
S’adressant à des journalistes en Écosse, Huang a déclaré s’attendre à ce que Nvidia vende deux fois plus de puces l’an prochain que cette année. Il a relié cette attente à la contribution de l’IA dans les secteurs d’activité et les économies nationales.
Cette formulation est importante. Nvidia vend plus d’un type de processeur, et ses produits parviennent aux clients via des cartes, des systèmes, des installations cloud et des plateformes de calcul complètes. Un doublement du nombre de puces ne se traduit pas automatiquement par un chiffre d’affaires deux fois plus élevé.
La composition des produits peut modifier le calcul. Un nombre plus élevé de processeurs moins chers peut accroître le volume unitaire sans générer une hausse proportionnelle équivalente des ventes. Une transition entre générations de matériel peut également affecter les prix de vente moyens et les configurations de systèmes.
Nvidia n’a pas publié de référence détaillée en volume parallèlement au commentaire de Huang du 17 septembre. Cela empêche les observateurs externes de convertir « deux fois plus » en un total d’expéditions fiable.
La prévision s’inscrit néanmoins dans les perspectives financières plus larges de Nvidia. Lors de sa publication de résultats d’août, l’entreprise a prévu une croissance de son chiffre d’affaires d’environ 70 % pour l’exercice clos en janvier 2028, selon les informations concernant ses derniers résultats trimestriels.
Ces perspectives de chiffre d’affaires sont inférieures aux prévisions unitaires mises en avant. Cet écart souligne pourquoi il ne faut pas considérer le nombre de puces et le chiffre d’affaires comme des mesures interchangeables.
Nvidia a déclaré un chiffre d’affaires trimestriel de 96,2 milliards de dollars pour la période close le 26 juillet 2026. Son activité Compute and Networking a généré 88,3 milliards de dollars, reflétant le rôle central de l’infrastructure des centres de données dans les résultats de l’entreprise.
La prévision dépasse également les unités de traitement graphique, ou GPU, qui effectuent de nombreux calculs en parallèle. Nvidia vend désormais des CPU, du matériel réseau, des interconnexions et des systèmes intégrés à l’échelle du rack aux côtés de ses accélérateurs.
La transcription officielle de sa conférence téléphonique sur les résultats a décrit une demande émanant des hyperscalers, des laboratoires d’IA, des spécialistes du cloud, des entreprises et des programmes nationaux de calcul. La direction s’attendait également à ce que le chiffre d’affaires des CPU pour l’exercice 2028 fasse plus que doubler.
L’étendue de ce portefeuille rend le propos de Huang plausible sans le rendre précis. Le terme « puces » peut englober différents composants, prix, charges de travail et groupes de clients.
Le calendrier donne un poids supplémentaire à cette déclaration. Nvidia fait passer ses clients à travers des générations successives de plateformes, tandis que le calcul lié à l’IA s’étend de l’entraînement des modèles à l’inférence.
L’inférence est le processus qui consiste à exécuter un modèle entraîné afin de générer une réponse, une prédiction, une image ou une action. Elle peut créer une demande continue, car chaque requête utilisateur consomme de la capacité de calcul.
La demande d’entraînement se concentre dans de grands projets d’infrastructure. L’inférence peut se répartir entre les services grand public, les logiciels d’entreprise, la robotique, les systèmes scientifiques et les plateformes nationales. Nvidia parie sur l’expansion simultanée de ces deux charges de travail.
L’entreprise présente donc 2027 comme une année de production à grande échelle, et non simplement comme une nouvelle période de fortes ventes. Les prévisions de ventes de puces de Nvidia supposent que les déploiements d’IA se multiplieront chez les entreprises cloud établies comme chez de nouveaux acheteurs.
Cette hypothèse est le fondement de l’histoire. C’est aussi là que la prévision fait face à sa première épreuve sérieuse.
La demande d’IA devient un engagement de chaîne d’approvisionnement
Vendre deux fois plus de volume exige que les usines, la mémoire, le packaging, les réseaux, l’électricité et le financement des clients progressent de concert.
Nvidia conçoit ses processeurs, mais s’appuie sur un vaste réseau de fabrication pour transformer ces conceptions en systèmes livrables. Ce réseau comprend la fabrication de semi-conducteurs, le packaging avancé, la mémoire à large bande passante, l’assemblage de serveurs, les équipements de refroidissement et les composants réseau.
Un composant manquant peut retarder un rack entier. La croissance des expéditions dépend donc d’une capacité coordonnée, et non uniquement de la conception des puces.
Les perspectives récentes de Nvidia ont déjà reconnu que l’offre disponible peut freiner la croissance déclarée. Les prévisions des clients auraient suggéré une demande plus proche d’un doublement, tandis que l’entreprise prévoyait une croissance annuelle du chiffre d’affaires d’environ 70 %.
Cet écart constitue la pression opérationnelle la plus nette pour l’entreprise. Nvidia doit transformer les commandes et les plans des clients en infrastructures fabriquées, installées et réceptionnées.
Le défi s’accroît à mesure que le produit devient plus complexe. Les clients modernes de l’IA achètent de plus en plus des systèmes interconnectés plutôt que des processeurs isolés. Chaque installation peut nécessiter un réseau spécialisé, un refroidissement liquide, une distribution électrique, une intégration logicielle et un espace approprié dans un centre de données.
Un accélérateur stocké en inventaire ne crée pas de capacité d’IA utile. Il doit fonctionner au sein d’un système opérationnel doté de mémoire, d’accès aux données et d’une alimentation électrique suffisante.
Les fournisseurs cloud offrent des éléments visibles de l’expansion prévue. Nvidia et Amazon ont annoncé qu’AWS prévoit de déployer deux millions de GPU Nvidia supplémentaires au cours de 2027 et 2028.
Le plan de déploiement d’AWS couvre les processeurs Blackwell Ultra, Rubin et Rubin Ultra. Il inclut également des CPU, des réseaux, des modèles et le soutien à des charges de travail d’IA agentique et physique.
Il s’agit d’une annonce d’entreprise plutôt que d’un total de déploiement vérifié de manière indépendante. Elle illustre néanmoins l’ampleur et le caractère pluriannuel des engagements qui sous-tendent la prévision de Huang.
Les grandes entreprises cloud peuvent réserver des capacités des années à l’avance, car elles exploitent des centres de données mondiaux et servent de nombreux clients. La question plus difficile concerne la demande en dehors de ce petit groupe.
Les programmes nationaux d’IA représentent une source possible. Les gouvernements considèrent de plus en plus la capacité de calcul intérieure comme une infrastructure liée à la compétitivité économique, à la recherche et à la sécurité.
Les entreprises en représentent une autre. Elles peuvent utiliser l’IA pour le développement logiciel, le support client, le traitement de documents, la conception industrielle, les simulations et l’analyse de données. Pourtant, une expérimentation en entreprise ne devient pas toujours un déploiement de production à grande échelle.
Les clients doivent atteindre un niveau d’utilisation suffisant pour justifier une infrastructure coûteuse. Ils ont également besoin de modèles et d’applications qui créent une valeur commerciale mesurable après prise en compte des coûts de calcul, d’énergie, de personnel et de données.
Cela rend le taux d’utilisation plus important que le volume d’annonces. Un fournisseur peut installer de nombreux processeurs alors que les clients les utilisent de façon irrégulière ou demandent des remises.
Le financement constitue une autre contrainte. Les centres de données exigent des investissements de longue durée, tandis que le matériel d’IA évolue à un rythme rapide. Les acheteurs doivent décider s’ils déploient dès maintenant ou attendent un système plus récent et plus efficace.
Ce problème de calendrier peut entraîner des commandes irrégulières. Les clients peuvent accélérer leurs achats avant une transition, faire une pause pendant l’installation ou réorienter leurs dépenses vers une génération ultérieure.
Les prévisions de Nvidia supposent que ces pauses ne submergeront pas une croissance plus générale. Elles supposent également que les nouvelles charges de travail absorberont les capacités mises en ligne.
L’entreprise a des raisons d’être confiante. La demande d’inférence peut augmenter avec l’usage, et des modèles plus performants encouragent souvent les développeurs à créer des applications qui consomment des ressources de calcul supplémentaires.
Cependant, la demande ne peut pas être mesurée uniquement par la complexité des modèles. La baisse des coûts de calcul peut réduire le chiffre d’affaires par tâche, même lorsque le nombre de tâches augmente.
C’est pourquoi les prévisions de ventes de puces de Nvidia doivent être lues comme une thèse sur les infrastructures. Huang soutient que l’expansion des usages dépassera les gains d’efficacité et soutiendra un volume matériel deux fois plus élevé.
Cette thèse met simultanément sous pression les fournisseurs, les services publics, les fournisseurs cloud et les acheteurs d’entreprise. Chacun doit se développer pour que l’objectif de Nvidia devienne des ventes livrées plutôt qu’un intérêt non satisfait.
Les puces personnalisées mettent sous pression l’avantage de plateforme de Nvidia
La concurrence la plus forte de Nvidia vient des clients qui souhaitent réduire leur dépendance aux systèmes Nvidia généralistes.
Amazon, Google, Microsoft et d’autres grands opérateurs d’infrastructure ont investi dans des processeurs personnalisés. Ces puces peuvent cibler des charges de travail spécifiques, améliorer le contrôle de l’approvisionnement ou réduire les coûts d’exploitation à très grande échelle.
AMD continue de concurrencer Nvidia dans les accélérateurs pour centres de données, tandis qu’Intel et des startups spécialisées visent des segments du même marché informatique. Huawei développe également du matériel d’IA et des clusters de calcul plus vastes pour la Chine.
Huawei a présenté de nouveaux systèmes le 17 septembre, alors que la Chine cherchait à renforcer son autonomie en semi-conducteurs sous l’effet des restrictions à l’exportation. Son dernier cluster d’IA rappelle que le marché accessible de Nvidia est façonné par la géopolitique autant que par les performances des produits.
La question concurrentielle dépasse la vitesse des benchmarks. Les clients évaluent le coût d’exécution des modèles, la disponibilité des logiciels, les réseaux, la fiabilité, la consommation d’énergie et le délai de déploiement.
La défense de Nvidia réside dans sa plateforme complète. CUDA, son environnement logiciel pour programmer les processeurs Nvidia, offre aux développeurs un ensemble mature de bibliothèques et d’outils. Le réseau et l’intégration au niveau du rack prolongent cet avantage au-delà du GPU.
Un acheteur qui remplace un accélérateur doit se demander si ses logiciels, ses modèles et ses opérations peuvent migrer efficacement. Les coûts de changement peuvent donc préserver la position de Nvidia, même lorsqu’un autre processeur propose un prix d’achat inférieur.
Nvidia s’adapte également à la tendance des puces personnalisées plutôt que de s’y opposer entièrement. Sa stratégie NVLink Fusion permet aux partenaires de connecter des processeurs personnalisés à certains éléments de l’architecture à l’échelle du rack de Nvidia.
Cette approche peut préserver le rôle de Nvidia dans les réseaux et l’infrastructure système, même lorsqu’un client utilise du silicium de calcul autre que Nvidia. Elle transforme la personnalisation en opportunité de plateforme, tout en reconnaissant que les clients souhaitent disposer d’alternatives.
Cela crée un défi subtil pour le scénario de demande de puces Nvidia en 2027. Une infrastructure d’IA plus importante ne garantit pas que Nvidia captera la même part de chaque installation.
Les grands clients disposent à la fois des ressources et de l’incitation nécessaires pour se diversifier. Ils peuvent utiliser Nvidia pour l’entraînement de pointe tout en orientant des charges de travail d’inférence prévisibles vers leurs processeurs internes.
Un accélérateur personnalisé n’a pas besoin de surpasser Nvidia dans toutes les tâches. Il doit seulement être suffisamment performant pour une charge de travail à fort volume que son propriétaire maîtrise.
Cette pression augmente à mesure que l’inférence représente une part plus importante des dépenses liées à l’IA. Les charges de travail de production répétitives peuvent être plus faciles à optimiser que des tâches de recherche qui évoluent rapidement.
La réponse de Nvidia consiste à vendre un système complet dont les composants s’améliorent ensemble. L’entreprise soutient que la co-conception des processeurs, du réseau, de la mémoire et des logiciels produit une meilleure économie globale.
Cette proposition doit être évaluée au niveau de la charge de travail. Les acheteurs s’intéressent à la production utile par dollar et par watt, pas seulement à la vitesse d’une puce individuelle.
La comparaison varie également selon les groupes de clients. Un hyperscaler peut financer un programme de puces interne et exploiter des logiciels sur mesure. Un fournisseur cloud plus petit ou une entreprise peut préférer une plateforme prise en charge qui réduit le travail d’intégration.
Les prévisions de Huang reposent en partie sur la croissance de ce second groupe. Nvidia affirme que les organisations au-delà des hyperscalers veulent une infrastructure d’IA, mais n’ont guère envie de concevoir leurs propres processeurs.
Ces clients peuvent élargir le marché de Nvidia tout en réduisant sa dépendance à quelques grands acheteurs. Ils peuvent aussi acheter plus lentement, car ils disposent de moins d’expertise en infrastructure et leurs usages sont moins certains.
Les contrôles à l’exportation créent une autre frontière concurrentielle. Nvidia ne peut pas considérer chaque pays comme un marché unique sans restriction, et les gouvernements peuvent modifier les processeurs accessibles à certains clients.
Les restrictions peuvent limiter les ventes directes tout en encourageant des alternatives locales. Avec le temps, ces alternatives peuvent développer leurs propres logiciels, relations d’approvisionnement et bases de clients installées.
Nvidia cite les restrictions commerciales, la capacité de fabrication, la concurrence et les transitions de produits parmi ses risques commerciaux. Ses rapports annuels indiquent clairement que la demande ne détermine pas à elle seule les revenus.
Le principal adversaire reste la promesse de Nvidia face à son exécution, et non Nvidia face à un rival unique. La concurrence compte parce qu’elle offre aux clients des options lorsque l’approvisionnement, le coût ou les politiques perturbent cette exécution.
Un doublement du nombre d’unités montrerait que Nvidia a conservé une position centrale malgré ces alternatives. Un résultat sensiblement plus faible soulèverait des questions sur les limites d’approvisionnement, le calendrier de la demande ou une perte de parts de marché.
La position de Jensen Huang sur la sécurité de l’IA rejette une pause à l’échelle du secteur
Huang soutient les tests et le retrait des produits dangereux, mais il rejette un ralentissement coordonné comme principal mécanisme de sécurité.
La rencontre en Écosse a placé les prévisions de ventes à côté d’un débat qui s’intensifie sur les risques de l’IA. Le roi Charles a demandé aux dirigeants technologiques d’examiner les garde-fous, la coopération internationale et les principes guidant le développement.
Des représentants de Google DeepMind, OpenAI, Anthropic, Nvidia et du gouvernement britannique y ont participé. L’événement faisait suite à de nouveaux avertissements selon lesquels des systèmes toujours plus capables peuvent agir de manière inattendue ou échapper à la supervision.
La réponse de Huang a mis l’accent sur la rigueur de l’ingénierie. Il a déclaré que les entreprises devraient tester soigneusement les produits et poursuivre le travail d’ingénierie lorsqu’un système n’est pas suffisamment sûr.
« Lorsqu’un produit n’est pas suffisamment sûr, nous devons le retenir et continuer à l’améliorer par l’ingénierie », a déclaré Huang, selon la couverture du sommet écossais sur l’IA.
Cette déclaration paraît prudente, mais elle n’approuve pas un signal d’arrêt commun à l’ensemble du secteur. Huang a soutenu que les développeurs individuels devraient gérer les décisions de mise sur le marché plutôt que d’accepter une pause générale.
Le PDG d’Anthropic, Dario Amodei, a adopté une position différente. Il a évoqué une action coordonnée entre entreprises et pays si les risques atteignent un niveau exigeant un développement plus lent.
Le désaccord ne porte pas sur la sécurité contre l’absence de sécurité. Il concerne qui décide à quel moment les systèmes sont suffisamment sûrs, quelles preuves étayent ce jugement et si les concurrents doivent ralentir ensemble.
Les tests au niveau de l’entreprise peuvent réagir rapidement et s’appuyer sur une connaissance technique directe. Toutefois, la pression commerciale peut aussi influencer le moment où une entreprise estime un produit prêt.
Une approche coordonnée peut réduire la crainte qu’un développeur prudent perde du terrain au profit d’un rival plus rapide. Pourtant, la coordination devient difficile entre les pays, les entreprises, les modèles ouverts et les différentes définitions du risque inacceptable.
Nvidia occupe une position particulière dans ce débat. L’entreprise fournit l’infrastructure de calcul à des développeurs de modèles et des fournisseurs cloud concurrents.
Un développement plus rapide des modèles peut accroître la demande de systèmes Nvidia. Des tests de sécurité plus étendus peuvent également consommer de la capacité de calcul, car les évaluations exigent que les modèles soient exécutés dans de nombreux scénarios.
Cela signifie que le travail de sécurité ne réduit pas nécessairement la demande de puces. Il peut créer de nouvelles charges de travail liées à l’évaluation, à la surveillance, à la cybersécurité, aux simulations et au contrôle des modèles.
Le conflit apparaît lorsqu’une préoccupation de sécurité retarde une sortie ou modifie le calendrier d’investissement d’un client. L’objectif de croissance de Nvidia suppose que de telles interruptions ne produiront pas une baisse coordonnée des dépenses en infrastructure.
L’approche de Huang traite la sécurité avant tout comme un processus d’ingénierie. Selon cette vision, les développeurs testent, identifient les défaillances, améliorent le système et le publient lorsqu’ils estiment le risque résiduel acceptable.
Le problème non résolu est la vérification. Les observateurs extérieurs ne peuvent souvent pas examiner les données d’entraînement privées, les évaluations internes, les rapports d’incidents ou les discussions sur les sorties.
L’assurance d’un développeur selon laquelle les tests étaient rigoureux reste donc une affirmation de l’entreprise tant que les régulateurs, les chercheurs indépendants ou des preuves documentées ne peuvent pas l’examiner.
Les systèmes d’IA évoluent également après leur sortie. Les développeurs mettent à jour les modèles, les connectent à des outils et les intègrent à des produits capables d’agir. Un résultat sûr dans une évaluation contrôlée peut ne pas prédire tous les déploiements réels.
L’IA agentique rend ce défi plus aigu. Ce terme décrit des systèmes capables de planifier et d’exécuter des tâches en plusieurs étapes, parfois en utilisant des logiciels ou en communiquant avec d’autres services.
Un agent peut produire une valeur économique supérieure à celle d’une réponse de chatbot. Il peut aussi causer davantage de préjudices s’il exécute une action non autorisée ou interprète mal son objectif.
La norme « le retenir » de Huang n’est donc qu’un point de départ. Le secteur a encore besoin de seuils mesurables, de divulgation des incidents, de tests indépendants et d’une responsabilité claire après le déploiement.
Les prévisions de ventes de puces Nvidia augmentent les enjeux, car deux fois plus de matériel peut prendre en charge beaucoup plus d’activité IA déployée. La capacité élargit à la fois les applications utiles et la surface d’exposition aux défaillances.
Nvidia ne contrôle pas tous les modèles qui fonctionnent sur ses systèmes. Sa position publique influence néanmoins le débat politique, car l’entreprise se situe dans la couche d’infrastructure sous-jacente à une grande partie du marché.
Le test de crédibilité sera la cohérence. L’argument de Huang sur la sécurité devient plus solide lorsque les entreprises retardent des produits malgré les coûts commerciaux, divulguent les problèmes et soutiennent l’évaluation en dehors de leurs propres organisations.
Il s’affaiblit si « bonne ingénierie » demeure une expression indéfinie permettant à chaque développeur d’approuver son propre travail. La charge de la preuve est particulièrement élevée durant une période de croissance agressive des capacités.
Trois signaux mettront à l’épreuve les prévisions pour 2027
Les livraisons, l’utilisation par les clients et les décisions de sécurité documentées montreront si la prédiction de Huang décrit une demande durable ou un plafond optimiste.
Le premier signal est la montée en cadence des produits et la répartition des revenus communiquées par Nvidia. Les investisseurs devraient comparer le langage orienté vers les unités aux résultats réels des centres de données, du réseau, des CPU et des graphiques.
Une hausse généralisée dans ces catégories soutiendrait les prévisions de ventes de puces Nvidia. Une croissance concentrée dans un seul produit ou déformée par une transition exigerait une interprétation plus prudente.
La marge brute et les stocks méritent également attention. Des livraisons fortes accompagnées de prix plus faibles ou de stocks en hausse n’auraient pas la même signification que des ventes rentables destinées à des déploiements actifs.
Le deuxième signal est l’utilisation par les clients après l’installation. Les entreprises cloud peuvent annoncer de grands projets matériels, mais une consommation soutenue détermine si elles commandent la vague suivante.
Il faut surveiller les signes montrant que l’inférence en entreprise, les systèmes agentiques, le calcul scientifique, la robotique et les programmes nationaux utilisent cette capacité. Des dépenses d’investissement des clients sans croissance correspondante des charges de travail affaibliraient la thèse de Huang sur la demande.
Les actions des développeurs de puces personnalisées comptent ici. Si les hyperscalers dirigent davantage de travail de production vers des processeurs internes, Nvidia peut continuer à croître tout en captant une portion plus faible du marché en expansion.
À l’inverse, d’importants déploiements Nvidia ultérieurs suggéreraient que le silicium personnalisé reste complémentaire plutôt qu’un remplacement généralisé. Cela renforcerait les arguments en faveur de la demande de puces Nvidia en 2027 à travers les générations successives de produits.
Le troisième signal est de savoir si les développeurs reportent réellement les sorties dangereuses. Huang a établi une norme comportementale claire en Écosse, même s’il n’a pas défini de seuil universel.
Un retard documenté, une évaluation indépendante élargie ou une réponse transparente à un incident donneraient un sens pratique à cette norme. Des incidents répétés sans divulgation ni modification de calendrier l’affaibliraient.
Les décisions politiques peuvent influencer ces trois signaux. Les contrôles à l’exportation peuvent restreindre les marchés accessibles, tandis que les exigences de sécurité peuvent modifier les calendriers de déploiement et les coûts d’évaluation.
Les autorisations énergétiques et de centres de données peuvent également déterminer à quelle vitesse les systèmes achetés deviennent utilisables. La demande de matériel n’élimine pas les contraintes physiques qui entourent une installation d’IA.
Les lecteurs devraient éviter de considérer ces prévisions comme un chiffre unique de réussite ou d’échec. Nvidia n’a pas communiqué suffisamment de détails publics sur les unités pour permettre ce calcul.
La prédiction doit plutôt être testée comme une chaîne. Les clients doivent passer commande, les fournisseurs doivent construire les systèmes, les opérateurs doivent les installer et les charges de travail doivent les utiliser de manière économique.
Chaque maillon affecte le suivant. Un goulot d’étranglement dans la mémoire, le packaging, l’énergie, le réseau ou le financement peut empêcher la demande de se transformer en ventes comptabilisées.
La concurrence ajoute une autre branche. Une charge de travail peut croître rapidement tout en se dirigeant vers un accélérateur personnalisé ou un fournisseur régional.
La sécurité introduit la condition finale. Une capacité de calcul accrue doit soutenir des produits que les utilisateurs, les entreprises et les gouvernements restent disposés à déployer.
C’est pourquoi il ne s’agit pas d’une prévision haussière ordinaire pour les semi-conducteurs. Huang associe un objectif d’expansion exceptionnel à une norme de sécurité qui peut exiger de la retenue.
Les deux positions ne sont compatibles que si les tests évoluent à la même échelle que le déploiement. Les entreprises ne peuvent pas évaluer le volume de demain avec les processus d’hier.
Les équipes d’ingénierie auront besoin de registres plus solides concernant les modifications de modèles, les résultats d’évaluation, les incidents et les décisions de sortie. Une base de connaissances consultable peut aider les équipes à préserver ces éléments probants dans l’ensemble des documents techniques et des revues.
Pour les acheteurs, la tâche immédiate consiste à distinguer la capacité disponible de la capacité utile. Demandez quelles charges de travail justifient une nouvelle infrastructure, comment les alternatives se comparent et quelle utilisation soutiendra un nouvel achat.
Pour les développeurs, la question est de savoir si les barrières de sortie sont mesurables avant l’arrivée de la pression commerciale. « Le retenir » n’a de sens que lorsqu’une équipe peut identifier la condition qui déclenche cette décision.
Pour Nvidia, les prochains trimestres doivent relier l’ambition à l’exécution. L’entreprise a besoin de plus que deux fois plus de puces quittant les usines. Elle doit voir ses clients les installer, les utiliser et les recommander sans saper la confiance dans les systèmes que ces puces rendent possibles.
Les prévisions de ventes de puces Nvidia paraîtront plus solides si les livraisons s’élargissent, si l’utilisation reste élevée et si les développeurs divulguent des décisions de sécurité crédibles. Lequel de ces trois signaux apparaîtra en premier dans les produits et l’infrastructure utilisés par votre organisation ?
