Les 92 % de revenus de Nvidia issus des centres de données font monter les enjeux

Nvidia a généré 75,2 milliards de dollars dans les centres de données au dernier trimestre, ce qui explique un chiffre saisissant derrière sa place de choix dans Google News : 92 % des revenus de l’entreprise dépendent désormais de ce marché.

Cette concentration constitue à la fois le plus grand avantage de Nvidia et son principal risque d’investissement. Les ventes aux centres de données ont progressé de 92 % sur un an, tandis que le chiffre d’affaires total a atteint 81,6 milliards de dollars. Le calcul montre que cette activité a représenté environ 92,1 % des revenus trimestriels de Nvidia.

La correspondance entre ces pourcentages est fortuite, mais révélatrice. L’un mesure la croissance annuelle, l’autre la concentration des revenus. Ensemble, ils montrent à quel point Jensen Huang a lié l’avenir de Nvidia à la poursuite des dépenses en infrastructures d’IA.

L’entreprise n’est plus principalement un fournisseur de processeurs graphiques doté d’une activité de centres de données en expansion. Elle est devenue un fournisseur d’infrastructures d’IA dont les activités plus modestes influent à peine sur le résultat global.

Cette transition a généré une croissance extraordinaire du chiffre d’affaires et des bénéfices. Elle signifie aussi que la thèse d’investissement dépend désormais largement de la poursuite, par les clients, de la construction de systèmes informatiques coûteux.

L’enjeu central n’oppose donc pas Nvidia à un seul concurrent. Il met en balance l’anticipation de Huang d’une hausse de la demande de calcul pour l’IA et la possibilité que les dépenses des clients finissent par dépasser les retours économiques.

Ce que montre réellement le chiffre de 92 % de Nvidia pour les centres de données

Les derniers résultats de Nvidia confirment que l’infrastructure d’IA a absorbé la quasi-totalité de l’entreprise.

Au premier trimestre de son exercice 2027, clos le 26 avril 2026, Nvidia a déclaré un chiffre d’affaires total de 81,615 milliards de dollars. Les revenus des centres de données ont atteint 75,2 milliards de dollars, selon les résultats trimestriels de l’entreprise.

Ce chiffre des centres de données a augmenté de 21 % par rapport au trimestre précédent et de 92 % sur un an. Le chiffre d’affaires total de l’entreprise a progressé de 20 % séquentiellement et de 85 % sur un an.

Les investisseurs doivent distinguer les deux usages de 92 %. Nvidia a officiellement indiqué que les revenus des centres de données avaient progressé de 92 % par rapport au trimestre de l’année précédente. Diviser 75,2 milliards de dollars par 81,615 milliards de dollars montre aussi que les centres de données ont fourni environ 92 % du chiffre d’affaires total.

Cette distinction importe, car la croissance et la concentration répondent à des questions différentes. La croissance montre à quelle vitesse la demande s’est étendue. La concentration montre dans quelle mesure l’activité de Nvidia dépend désormais de cette demande.

Les activités restantes ont contribué à hauteur d’environ 6,4 milliards de dollars au total. C’est considérable pris isolément, mais trop faible pour compenser un ralentissement significatif des infrastructures d’IA.

Nvidia a également déclaré un résultat opérationnel GAAP de 53,5 milliards de dollars et un bénéfice net de 58,3 milliards de dollars. Sa marge brute de 74,9 % démontre que les clients achètent bien davantage que des composants standardisés.

Ils paient pour un système intégré reposant sur des accélérateurs, du réseau, des interconnexions, des processeurs, des logiciels et une expertise de déploiement. Cette approche au niveau du système offre à Nvidia davantage d’occasions de revenus au sein de chaque cluster d’IA.

Les systèmes Blackwell illustrent ce changement. Les clients ne se contentent pas d’installer des unités de traitement graphique individuelles. Ils déploient des racks étroitement interconnectés qui associent matériel de calcul, réseau NVLink, refroidissement, mémoire et logiciels.

Les revenus de Nvidia dans les centres de données suivent donc la construction de ce que Huang appelle des usines d’IA. Il s’agit de grandes installations informatiques conçues pour entraîner des modèles et les exploiter à grande échelle.

Le terme est utile, mais les investisseurs ne doivent pas l’accepter comme preuve de la rentabilité des clients. Une usine d’IA peut générer des services de valeur ou devenir un actif coûteux faiblement utilisé.

Nvidia enregistre une vente lorsque l’infrastructure arrive chez ses clients. Le rendement à long terme dépend de ce que ces clients construisent, de la fréquence à laquelle ils l’utilisent et de ce que les utilisateurs sont prêts à payer.

Cet écart entre la vente de Nvidia et le rendement de son client définit la question d’investissement. Le dernier trimestre prouve que la demande d’infrastructures demeure intense. Il ne tranche pas la question de savoir si des dépenses à cette échelle resteront économiquement productives.

Pourquoi Jensen Huang s’attend à la poursuite de la croissance de Nvidia dans l’IA

La thèse de croissance de Huang repose sur des besoins de calcul croissants, et non simplement sur une nouvelle vague d’entraînement de modèles.

La première vague de demande est venue des entreprises entraînant de grands modèles fondamentaux. Les charges de travail plus récentes impliquent de plus en plus l’inférence, c’est-à-dire l’exécution d’un modèle entraîné pour produire des réponses, des images, du code ou des actions.

L’inférence crée une demande récurrente, car chaque requête utilisateur consomme de la capacité de calcul. Les modèles qui consacrent plus de temps au raisonnement peuvent nécessiter bien davantage de traitement pour chaque réponse.

L’IA agentique ajoute une couche supplémentaire. Un agent d’IA peut planifier et exécuter une séquence de tâches, effectuant souvent plusieurs appels de modèles avant d’achever une requête utilisateur.

Huang soutient que cette charge de travail croissante crée de nouveaux modèles de mise à l’échelle. Davantage d’utilisateurs, un raisonnement plus long, des médias plus riches et des agents autonomes augmentent tous la quantité d’inférence que les centres de données doivent assurer.

Cet argument explique pourquoi Nvidia met l’accent sur le coût de production des tokens, les unités générées et traitées par les modèles de langage. Les clients s’intéressent aux performances des puces, mais ils ont finalement besoin d’un résultat exploitable à un coût acceptable.

Nvidia affirme que son matériel, son réseau et ses logiciels peuvent réduire ce coût en traitant davantage de travail dans une enveloppe donnée de puissance et d’espace. Ces affirmations exigent toujours des tests spécifiques aux charges de travail, car les résultats réels dépendent des modèles, des logiciels, de l’utilisation et de la conception du déploiement.

La stratégie de l’entreprise ne se limite pas à vendre son accélérateur le plus rapide. Nvidia contrôle CUDA, une plateforme logicielle que les développeurs utilisent pour programmer ses GPU, et fournit des bibliothèques pour des charges de travail d’IA spécialisées.

Cette base logicielle réduit les frictions liées à l’adoption de chaque nouvelle génération de matériel. Elle crée également des coûts de changement, car les organisations ont passé des années à développer leur expertise et leurs applications autour des outils de Nvidia.

Le réseau est devenu tout aussi important. Les grands modèles d’IA répartissent le travail entre des milliers d’accélérateurs, faisant de la vitesse de communication entre les puces une contrainte de performance.

NVLink, InfiniBand et les produits Ethernet de Nvidia permettent à l’entreprise de capter une part plus importante du budget des clusters. Ils aident également Nvidia à vendre une architecture de centre de données plutôt qu’à concurrencer sur la spécification d’un seul processeur.

Cette plateforme élargie soutient l’ambition de Huang pour Blackwell et Vera Rubin, la prochaine grande architecture de Nvidia. Lors du GTC 2026, il a projeté au moins 1 000 milliards de dollars de revenus cumulés pour Blackwell et Rubin d’ici 2027, selon une prévision sur les puces IA.

Cette projection correspond à une attente de la direction, et non à un résultat contractuel. Elle dépend de capacités de fabrication suffisantes, de l’énergie, du financement, de la demande des clients et de transitions de produits réussies.

Rubin est entré en pleine production en 2026, et Nvidia indique que les systèmes partenaires deviendront disponibles au cours du second semestre. AWS, Google Cloud, Microsoft et d’autres fournisseurs devraient déployer des infrastructures basées sur Rubin.

Une transition rapide vers Rubin renforcerait la croissance de Nvidia dans l’IA de deux manières. Elle créerait un nouveau cycle de mise à niveau tout en donnant aux clients une raison d’étendre leurs capacités pour des charges de travail plus récentes.

Toutefois, des cycles de produits rapides peuvent également créer des complications. Les clients doivent décider s’ils déploient les systèmes Blackwell disponibles ou s’ils attendent Rubin, tandis que les fournisseurs doivent gérer des besoins de production qui se chevauchent.

Nvidia a géré ces transitions tout en maintenant des marges exceptionnelles. Les investisseurs doivent surveiller si ce bilan se maintient face à des systèmes de plus en plus complexes et à des intervalles de lancement plus courts.

Le véritable adversaire est le rendement des dépenses en IA

Le principal défi de Nvidia consiste à démontrer que l’économie de ses clients peut suivre le rythme des achats d’infrastructures.

Nvidia vend à des fournisseurs de cloud, des entreprises grand public sur Internet, des développeurs de modèles, des entreprises et des gouvernements. Leurs motivations diffèrent, mais de nombreux achats dépendent en définitive de l’adoption commerciale de l’IA.

Les plus grands fournisseurs de cloud augmentent leurs dépenses d’investissement à un rythme historique. S&P Global Ratings a estimé que cinq grands fournisseurs pourraient dépenser environ 750 milliards de dollars en 2026, soit environ 38 % de leurs revenus combinés.

Cette estimation des dépenses d’investissement couvre davantage que le matériel Nvidia. Elle inclut les bâtiments, les systèmes électriques, le réseau, les processeurs, la mémoire, les terrains et d’autres infrastructures.

Néanmoins, ces dépenses créent l’environnement qui soutient les revenus de Nvidia. Davantage de centres de données signifient généralement davantage d’occasions de vendre des accélérateurs et les équipements qui les relient.

Microsoft fournit un exemple utile de cette tension. L’entreprise prévoit environ 190 milliards de dollars de dépenses d’investissement pour l’année civile 2026, tout en développant Azure et ses propres services d’IA.

Lors de son appel portant sur le troisième trimestre de son exercice, Microsoft a évoqué une demande supérieure aux capacités disponibles. L’entreprise a également reconnu les inquiétudes des investisseurs concernant le décalage entre les dépenses d’investissement et les revenus qui en résultent.

Microsoft utilise du matériel Nvidia et AMD tout en développant ses propres puces Maia. Cette approche mixte reflète la stratégie plus large des clients : acheter Nvidia lorsque ses performances et son écosystème justifient le coût, puis utiliser des alternatives lorsque leur économie est plus avantageuse.

Google suit un modèle similaire avec ses Tensor Processing Units. Amazon propose les puces Trainium et Inferentia, tandis que Meta a développé son propre silicium et étendu son utilisation de matériel AMD.

Ces produits n’ont pas besoin de surpasser Nvidia pour chaque tâche. Il leur suffit de prendre en charge suffisamment de charges de travail importantes à un coût d’exploitation inférieur.

Le silicium personnalisé peut être particulièrement attrayant pour les tâches d’inférence matures et à fort volume. Un fournisseur de cloud qui connaît sa charge de travail peut optimiser le matériel en fonction d’exigences plus ciblées.

Nvidia répond à cette menace par sa flexibilité. Sa plateforme prend en charge de nombreux modèles et charges de travail, ce qui est précieux lorsque les architectures d’IA et les demandes des clients continuent d’évoluer.

Cet avantage devient moins décisif si les charges de travail se standardisent. Dès qu’une entreprise sait précisément ce dont elle a besoin, des alternatives spécialisées peuvent devenir plus économiques.

La concurrence porte donc sur le coût total et la rapidité de déploiement, et non uniquement sur le leadership des benchmarks. Les clients prennent en compte l’énergie, le réseau, la compatibilité logicielle, l’utilisation, la maintenance et le coût d’une capacité retardée.

La marge brute élevée de Nvidia indique que les clients continuent de valoriser sa plateforme complète. Elle crée aussi une ouverture économique pour les concurrents qui cherchent à capter une part de ces profits.

La plus grande inquiétude n’est pas que chaque client abandonne Nvidia. Un glissement progressif de la composition des charges de travail peut tout de même affecter la croissance si les clients réservent les systèmes Nvidia aux tâches les plus difficiles et déplacent l’inférence courante ailleurs.

Nvidia pourrait compenser cette pression si la demande globale d’IA augmente plus vite que sa part ne diminue. C’est pourquoi Huang insiste sur la croissance du marché plutôt que sur la défense d’une catégorie fixe de puces.

Pour les investisseurs, les preuves nécessaires apparaissent dans les résultats des clients. Les revenus du cloud, l’adoption des services d’IA, l’amélioration de la publicité, la demande des développeurs et les contrats d’entreprise doivent finir par justifier l’infrastructure.

La concentration de 92 % de Nvidia fait de ces facteurs économiques externes sa propre variable centrale. Si les clients obtiennent de solides rendements, le développement peut se poursuivre. Si les rendements déçoivent, la discipline des achats s’intensifiera.

Ce que les titres de Google News ne montrent pas

Le record de revenus est réel, mais plusieurs risques restent masqués derrière le pourcentage mis en avant.

Premièrement, Nvidia dépend d’un groupe concentré d’acheteurs. Ses clients comprennent des distributeurs, des fabricants d’équipements d’origine, des intégrateurs de systèmes, des fournisseurs de cloud et de grandes entreprises internet.

La déclaration réglementaire de l’entreprise identifie la concentration de la clientèle comme un élément important. Un petit nombre de clients directs peut représenter une part significative du chiffre d’affaires trimestriel.

Les données sur les clients directs ne révèlent pas toujours la demande finale, car un fabricant ou un distributeur peut servir plusieurs utilisateurs finaux. Néanmoins, les commandes importantes peuvent rendre les résultats trimestriels sensibles aux calendriers de déploiement.

Un retard dans un centre de données, une connexion électrique indisponible, un problème de refroidissement ou un changement de financement peut déplacer des milliards de dollars d’une période de publication à l’autre. Ces changements ne signalent pas toujours une perte de demande, mais ils rendent la trajectoire de croissance irrégulière.

Deuxièmement, l’infrastructure elle-même se heurte à des contraintes physiques. Les systèmes d’IA avancés nécessitent de l’électricité, des équipements de refroidissement, du terrain, des réseaux et des constructions spécialisées.

Nvidia ne peut pas résoudre ces goulets d’étranglement avec des puces plus rapides à elles seules. Sa déclaration indique que la disponibilité des centres de données, de l’énergie et des capitaux est essentielle aux revenus futurs.

Troisièmement, la fabrication reste concentrée. Nvidia s’appuie sur des partenaires externes pour la fabrication avancée de puces, le packaging, la mémoire et l’assemblage des systèmes.

La demande peut dépasser l’offre d’un composant même lorsque les autres pièces sont disponibles. Une baie complète ne peut pas être expédiée simplement parce que ses accélérateurs sont prêts.

Quatrièmement, les restrictions commerciales ont retiré un marché majeur des prévisions immédiates de Nvidia. Les perspectives de l’entreprise ne supposaient aucun revenu de calcul pour centres de données provenant de Chine.

Cette exclusion démontre une certaine force, car Nvidia a enregistré des résultats records sans s’appuyer sur cette opportunité. Elle montre aussi comment les politiques publiques peuvent remodeler brutalement le marché adressable de l’entreprise.

Le développement domestique d’accélérateurs chinois ajoute une autre incertitude. Les contrôles à l’exportation peuvent limiter Nvidia tout en encourageant les clients et les gouvernements à financer des écosystèmes alternatifs.

Cinquièmement, les résultats comptables ne mesurent pas les rendements des utilisateurs finaux. Nvidia peut comptabiliser des revenus avant que l’acheteur final n’ait démontré qu’une application d’IA génère des flux de trésorerie durables.

C’est la principale limite de l’utilisation de Nvidia comme indicateur de l’ensemble de l’économie de l’IA. Ses ventes indiquent aux investisseurs que des infrastructures sont construites, pas que chaque service qui y fonctionne réussira.

Cette distinction devient plus importante à mesure que les besoins en capitaux augmentent. Les fournisseurs de cloud peuvent financer de longs cycles d’investissement, mais les actionnaires publics examineront toujours les marges et les flux de trésorerie disponibles.

Les startups subissent une pression encore plus forte. Nombre d’entre elles dépendent de financements externes ou de crédits cloud tout en supportant des coûts d’inférence substantiels. Leur demande peut se contracter rapidement si les conditions de financement se dégradent.

Aucun de ces risques n’invalide les derniers résultats de Nvidia. Ils expliquent pourquoi un chiffre d’affaires record ne doit pas automatiquement conduire à des prévisions sans limite.

Google News peut faire paraître chaque surprise de résultats comme une nouvelle confirmation d’une domination permanente. Les investisseurs ont besoin d’un critère plus exigeant.

Le bon test consiste à déterminer si Nvidia peut préserver la valeur de sa plateforme tandis que ses clients deviennent plus sensibles aux prix, que ses rivaux progressent et que les contraintes d’infrastructure s’intensifient.

Les investisseurs devraient également éviter de considérer le chiffre de 92 % comme une diversification. Les réseaux, accélérateurs, processeurs et logiciels offrent une diversité de produits, mais une grande partie de ces revenus dépend toujours du même cycle d’investissement dans l’IA.

Nvidia possède plusieurs produits au sein d’un même moteur économique dominant. C’est plus solide qu’une dépendance à une seule puce, mais moins solide que de disposer de sources de demande non liées.

Vera Rubin met à l’épreuve l’avantage de plateforme de Nvidia

Rubin montrera si Nvidia peut transformer le remplacement rapide du matériel en une économie client durable.

Nvidia a annoncé que la plateforme Vera Rubin était entrée en pleine production, avec une disponibilité chez les partenaires prévue pour le second semestre 2026. La plateforme associe un CPU Vera, des GPU Rubin, des réseaux et des systèmes à l’échelle de la baie.

Nvidia affirme que Rubin peut réduire les coûts d’inférence par rapport à Blackwell. Cette affirmation compte, car les clients ont besoin de davantage de production pour chaque dollar investi dans l’infrastructure.

Toutefois, les affirmations de performance dépendent de l’environnement opérationnel complet. Un benchmark ne peut pas refléter chaque modèle, objectif de latence, prix de l’énergie, pile logicielle ou taux d’utilisation.

Les preuves les plus significatives viendront des déploiements réels. Les fournisseurs de cloud doivent installer les systèmes, mettre de la capacité à disposition, attirer des charges de travail et communiquer des signaux d’adoption utiles.

Rubin met également à l’épreuve l’exécution de Nvidia. Les systèmes à l’échelle de la baie exigent une coordination entre davantage de composants que les processeurs autonomes.

Un problème de refroidissement, de réseau, de mémoire, de logiciel ou d’alimentation peut retarder l’ensemble du déploiement. La complexité donne à Nvidia davantage d’occasions d’ajouter de la valeur, mais crée aussi davantage de points de défaillance.

La transition vers cette plateforme révélera aussi le comportement d’achat des clients. Une forte demande pour Blackwell parallèlement à l’adoption précoce de Rubin indiquerait que les acheteurs ont immédiatement besoin de capacité.

Une pause marquée avant le lancement de Rubin suggérerait que le calendrier des sorties influence davantage les commandes que ne le laisse entendre le vaste récit de demande de la direction.

La concurrence restera active pendant cette transition. AMD poursuit le développement d’accélérateurs pour centres de données, tandis que les grands fournisseurs de cloud étendent leurs programmes de puces propriétaires.

La réponse de Nvidia consiste à rendre la plateforme plus difficile à remplacer pièce par pièce. Un client qui choisit Nvidia reçoit des processeurs, des accélérateurs, des réseaux, des logiciels, des bibliothèques et des conceptions de déploiement destinés à fonctionner ensemble.

Cette intégration peut réduire le temps d’installation et le risque technique. Elle peut aussi accroître la dépendance envers un seul fournisseur.

Les clients évalueront cet équilibre différemment. Un développeur de modèles de pointe peut privilégier les performances maximales et un accès rapide à de nouvelles capacités.

Un fournisseur de cloud opérant à une échelle énorme peut accorder davantage d’importance à la diversité d’approvisionnement et au coût unitaire. Une entreprise disposant d’une expertise interne limitée peut préférer un système complet et accompagné.

Rubin n’a pas besoin d’éliminer ces arbitrages. Il doit maintenir les avantages de Nvidia suffisamment précieux pour que les clients continuent d’accepter une économie premium.

L’architecture doit aussi élargir la demande au-delà d’une poignée de développeurs de modèles. L’adoption par les entreprises, les projets d’IA souveraine, la robotique, le calcul scientifique et les systèmes industriels peuvent offrir des voies de croissance supplémentaires.

Ces marchés ont des cycles de vente et des contraintes budgétaires différents. Ils pourraient ne pas se développer au même rythme que l’infrastructure hyperscale.

C’est pourquoi le succès de Rubin doit être évalué au-delà des annonces de lancement. Les investisseurs ont besoin de preuves concernant le volume de déploiement, la disponibilité dans le cloud, l’utilisation et les revenus clients.

Le résultat permettra de vérifier si la stratégie de plateforme de Nvidia génère des gains reproductibles ou accélère simplement le remplacement du matériel au sein de la même base de clients.

Trois signaux que les investisseurs devraient surveiller ensuite

Le prochain trimestre doit relier les ventes records de Nvidia à une demande durable, à des déploiements Rubin réussis et à l’amélioration des rendements des clients.

Le premier signal est le rapport du deuxième trimestre fiscal de Nvidia, attendu le 26 août. Les prévisions de chiffre d’affaires, la croissance des centres de données, la marge brute et les commentaires de la direction sur l’approvisionnement montreront si la dynamique de Blackwell est restée intacte.

Un résultat soutenu par une demande large des clients renforcerait la thèse de Huang. Une croissance principalement tirée par quelques déploiements exceptionnellement importants laisserait les préoccupations de concentration sans réponse.

Les investisseurs devraient examiner la croissance séquentielle plutôt que de s’appuyer uniquement sur les comparaisons d’une année sur l’autre. Les chiffres de l’année précédente deviennent des comparaisons plus faciles ou plus difficiles selon les transitions de produits et les charges liées aux exportations.

La marge brute mérite également de l’attention. Des marges stables indiqueraient que Nvidia conserve son pouvoir de fixation des prix malgré des montées en puissance complexes des systèmes et une concurrence croissante.

Une baisse importante pourrait refléter le mix produit, les coûts de transition, les conditions d’approvisionnement ou des prix concurrentiels. Les investisseurs devraient étudier l’explication de la direction avant de considérer un trimestre comme un changement structurel.

Le deuxième signal est la disponibilité de Rubin auprès des grands fournisseurs de cloud. Nvidia indique qu’AWS, Google Cloud, Microsoft et d’autres déploieront des systèmes basés sur Rubin.

Les annonces seules sont insuffisantes. Les indicateurs les plus solides sont des instances généralement disponibles, l’accès des clients, une capacité significative et la preuve que les développeurs déplacent des charges de travail de production.

Une adoption rapide soutiendrait l’affirmation de Nvidia selon laquelle les clients valorisent les améliorations au niveau de la plateforme. Des retards ou une disponibilité limitée affaibliraient les attentes d’une transition générationnelle fluide.

Le troisième signal concerne les rendements que les hyperscalers déclarent sur leurs investissements en IA. Les investisseurs devraient suivre la croissance du cloud, les revenus des services d’IA, les gains publicitaires, l’adoption logicielle et les commentaires de la direction sur l’utilisation des capacités.

Les dépenses d’investissement peuvent rester élevées tandis que les rendements accusent un retard pendant plusieurs trimestres. Avec le temps, toutefois, l’écart doit se réduire.

Microsoft, Alphabet, Amazon et Meta ne communiquent pas une mesure unique et claire de la rentabilité de l’infrastructure d’IA. Les lecteurs doivent combiner plusieurs indicateurs et éviter d’attribuer toute la croissance du cloud ou de la publicité à l’IA.

Ce travail est moins exaltant que de suivre chaque information sur Nvidia dans Google News. Il est aussi plus utile.

La thèse d’investissement se renforce si Nvidia continue de croître tandis que les clients signalent une utilisation en hausse et des revenus d’IA mesurables. Elle s’affaiblit si les dépenses augmentent alors que les marges clients et la monétisation restent sous pression.

Nvidia a déjà démontré une exécution extraordinaire. Sa concentration de 92 % dans les centres de données signifie que les investisseurs ont désormais besoin de preuves provenant des entreprises qui achètent ses systèmes.

Un examen rigoureux peut commencer par les publications de résultats, les déclarations réglementaires, les mises à jour de déploiement et les indicateurs clients. Un système personnel de gestion des connaissances peut aider à relier ces signaux entre les périodes de publication sans dépendre de titres isolés.

La question décisive n’est plus de savoir si Nvidia peut vendre une infrastructure d’IA. Elle le peut clairement. La question est de savoir si la production économique générée par cette infrastructure peut croître assez vite pour soutenir la prochaine attente de Huang, à mille milliards de dollars.