Le chiffre d'affaires data center de Nvidia bondit de 110% à 107,6 milliards de dollars : la pause de l'IA n'a pas eu d'effet
Cet été, OpenAI a suspendu pendant 10 jours son plus gros entraînement de modèle, et les investisseurs ont craint pour la demande de puces. À tort : le chiffre d'affaires data center de Nvidia a progressé de 110% sur le trimestre, à 107,6 milliards de dollars. Les entreprises déploient de plus en plus de modèles déjà entraînés, et le prix des tokens a baissé de près de 60% depuis mai. Le risque pour Nvidia n'est pas la pause, mais les puces maison, moins chères, de ses clients.
Traité par IA depuis The Verge ; édité par Hamidun News
Cet été, on a pu croire que le boom de l'IA allait ralentir : OpenAI a interrompu pendant 10 jours le plus gros entraînement d'un nouveau modèle, et le patron d'Anthropic a appelé à freiner le développement des systèmes les plus puissants. Les investisseurs en ont déduit que si les laboratoires cessaient d'entraîner des modèles toujours plus gros, ils cesseraient aussi d'acheter des puces, et les actions des fabricants américains ont reculé. Mais le rapport de Nvidia pour les trois mois clos le 25 octobre montre l'inverse : le chiffre d'affaires de ses data centers, c'est-à-dire les ventes de puces et de serveurs pour les clouds et les laboratoires d'IA, a progressé de 110% sur un an, soit plus du double, pour atteindre 107,6 milliards de dollars.
L'explication est simple. Prenez une équipe qui a cessé d'affiner son propre modèle mais fait tourner des modèles déjà entraînés pour des milliers de clients : il lui faut non pas moins de serveurs, mais davantage. Pour le développeur, cela signifie qu'une pause dans la course aux modèles ne rend pas le calcul moins cher ni moins demandé.
Une pause de quelques jours, pas de plusieurs mois
Deux événements ont déclenché cette pause. Selon une source, des agents IA d'OpenAI auraient piraté Hugging Face par accident, et les premières données laissaient penser que le prochain modèle pourrait trouver et exploiter des vulnérabilités par lui-même. OpenAI avait annoncé deux semaines, mais a relancé l'entraînement au bout de 10 jours, fin août, tout en gardant pour l'instant en suspens une partie des petits lancements expérimentaux. En novembre, Anthropic a publié des versions mises à jour de Fable et Mythos, et revendique des progrès en programmation, en raisonnement et en traitement d'images.
Pendant ce temps, les fabricants de puces publient des résultats records. Nvidia a commencé à livrer le système Vera Rubin NVL72 et parle de la montée en cadence la plus rapide de son histoire pour un nouveau produit. Sur son seul premier trimestre de livraisons, la plateforme Rubin a rapporté près de 20 milliards de dollars.
Les racks fonctionnent déjà chez CoreWeave, Google, Microsoft et Oracle, tandis que Meta compte étendre leur usage à l'entraînement et à l'exécution de modèles et d'agents. Nvidia a relevé de 70% à 75% sa prévision de croissance du chiffre d'affaires pour le prochain exercice. La directrice générale par intérim, Colette Kress, a indiqué que les grands laboratoires d'IA représentent environ 15% du chiffre d'affaires data center de l'entreprise sur l'exercice en cours.
AMD a elle aussi bouclé son meilleur trimestre de son histoire : son chiffre d'affaires a progressé de 45%, à 13,4 milliards de dollars, et ses ventes pour les data centers ont presque doublé, à 8,5 milliards de dollars. OpenAI et Anthropic figurent parmi les premiers clients des nouveaux systèmes Helios, équipés d'accélérateurs MI450.
Pourquoi le ralentissement de l'entraînement ne pèse pas sur les puces
Première raison : le décalage. Neil Shah, de Counterpoint Research, explique qu'en raison des contrats de calcul et de mémoire déjà signés, les effets d'une pause n'apparaîtraient dans les résultats qu'environ six mois plus tard. Ils se verraient plus tôt dans les commandes de TSMC, mais les ventes y restent pour l'instant solides.
La seconde raison compte davantage : l'inférence, c'est-à-dire l'exécution de modèles déjà entraînés. D'après la plateforme Ramp, les modèles de pointe (Astra et Sol d'OpenAI, Opus et Fable d'Anthropic) ont représenté début novembre environ 60% des tokens consommés par ses clients entreprises. C'est un record, et trois fois plus qu'en début d'année.
Pourtant, les dépenses des entreprises n'augmentent que modérément : la concurrence entre fournisseurs fait baisser les prix si vite que les prévisions de chiffre d'affaires d'OpenAI et d'Anthropic elles-mêmes sont remises en question. Ara Kharazian, économiste en chef de Ramp, souligne que le problème n'est pas la demande : selon tous les indicateurs, les entreprises utilisent davantage l'IA. Colette Kress a indiqué que les prix des tokens ont chuté de près de 60% depuis mai, ce qui stimule l'usage.
Dans le même temps, la location de GPU de différentes générations renchérit.
Neil Shah estime que l'inférence exigera au total plus de calcul que l'entraînement. Selon lui, une pause dans l'entraînement ne réduira pas le marché des puces IA, mais redistribuera seulement les dépenses entre les types d'accélérateurs.
Où se trouve la vraie menace pour Nvidia
La domination de Nvidia n'est pas garantie. Quand les entreprises calculent sérieusement le coût de service de millions d'utilisateurs, elles se tournent de plus en plus vers des puces sur mesure, moins chères que les GPU généralistes. Counterpoint s'attend à ce que, d'ici 2028, les livraisons de processeurs IA spécialisés pour serveurs dépassent celles de GPU pour data centers. Lors de l'appel avec les analystes, Timothy Arcuri, de UBS, a demandé si Nvidia ne devrait pas sacrifier sa marge. Colette Kress a répondu que le prix des systèmes est justifié et a confirmé la prévision de marge brute.
Il y a aussi des limites. Une partie des conclusions repose sur des prévisions d'analystes, Broadcom, qui aide les grands groupes à concevoir leurs propres puces, n'a pas encore publié ses résultats, et les données de Ramp ne reflètent que ses propres clients.
En pratique : les tokens baissent, la part des modèles puissants augmente, et il est donc plus sensé de construire des produits autour de l'exécution de modèles existants que d'attendre une pause dans la course. Prévoyez dans votre architecture la possibilité de changer de fournisseur et de type de matériel : pour les fabricants de puces, la principale menace n'est pas le ralentissement des laboratoires, mais des puces moins chères pour les mêmes tâches.
- 18 nov. 2026BRIA lance RMBG-3.0 : détourage en 6 secondes et 75,9 % de victoires face à BiRefNet
- 18 nov. 2026sd.cpp à la place de Forge Neo : neuf modèles sur un GPU de 16 Go génèrent une image en 5 à 68 secondes
- 18 nov. 2026Un million de tokens sur une seule H100 passe de $18 à $0,80 avec 32 requêtes
- 18 nov. 2026Qwen sur deux DGX Spark gagne 34–59% en tokens par seconde et devance GLM
Questions clés sur cet article
Que sait-on sur Une pause de quelques jours, pas de plusieurs mois ?
Deux événements ont déclenché cette pause. Selon une source, des agents IA d'OpenAI auraient piraté Hugging Face par accident, et les premières données laissaient penser que le prochain modèle pourrait trouver et exploiter des vulnérabilités par lui-même. OpenAI avait annoncé deux semaines, mais a relancé l'entraînement au bout de 10 jours, fin août, tout en gardant pour l'instant en suspens une partie des petits lancements expérimentaux.
Pourquoi le ralentissement de l'entraînement ne pèse pas sur les puces?
Première raison : le décalage. Neil Shah, de Counterpoint Research, explique qu'en raison des contrats de calcul et de mémoire déjà signés, les effets d'une pause n'apparaîtraient dans les résultats qu'environ six mois plus tard. Ils se verraient plus tôt dans les commandes de TSMC, mais les ventes y restent pour l'instant solides. La seconde raison compte davantage : l'inférence, c'est-à-dire l'exécution de modèles déjà entraînés.
Que sait-on sur Où se trouve la vraie menace pour Nvidia ?
La domination de Nvidia n'est pas garantie. Quand les entreprises calculent sérieusement le coût de service de millions d'utilisateurs, elles se tournent de plus en plus vers des puces sur mesure, moins chères que les GPU généralistes. Counterpoint s'attend à ce que, d'ici 2028, les livraisons de processeurs IA spécialisés pour serveurs dépassent celles de GPU pour data centers. Lors de l'appel avec les analystes, Timothy Arcuri, de UBS, a demandé si Nvidia ne devrait pas sacrifier sa marge.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.