Personne ne réalise ce que Nvidia vient de créer
Nvidia transforme sa domination technologique en pouvoir financier en finançant ses propres clients, se positionnant comme une \"banque centrale de la puissance de calcul\" qui contrôle à la fois la production, la dépréciation et le financement de ses GPU.
SYNTHÈSE STRUCTURÉE
Le montage financier du 1er juillet
Nvidia a annoncé un programme combinant partage de revenus et soutien au crédit pour aider les “néoclouds” (fournisseurs de cloud spécialisés en IA) à financer l’achat de ses infrastructures. Concrètement, Nvidia aide ces entreprises à acheter ses GPU, puis prélève une part du chiffre d’affaires généré par la location de cette puissance de calcul. L’entreprise gagne donc une première fois à la vente, puis une seconde fois en continu sur l’utilisation. Comme le dit l’intervenant : “Nvidia se crée donc un nouveau revenu récurrent qui plus est.”
Les premiers partenaires et l’ampleur du dispositif
Deux accords majeurs illustrent l’ambition du programme. Sharon AI prévoit jusqu’à 40 000 GPU GB300 dans le cadre d’une collaboration de 6 ans avec 72 MW de capacité supplémentaire en Australie. Firmus prépare à Batam en Indonésie un campus pouvant atteindre 360 MW et accueillir jusqu’à 170 000 accélérateurs Nvidia. Les utilisateurs visés incluent des entreprises comme Baseten, Fireworks AI et Together AI pour l’entraînement, le post-entraînement, le fine-tuning et l’inférence à grande échelle.
La transformation du GPU en actif financier
Ce montage redéfinit fondamentalement la nature du GPU. Il reste un produit vendu une fois, mais devient également “un droit sur une partie des revenus futurs qu’il générera”. L’intervenant souligne que c’est l’étape d’après de la financiarisation de la puissance de calcul : “Financiariser l’actif qu’il a lui-même créé tout en conservant une exposition à son utilisation.”
Le contexte stratégique : la montée des néoclouds
En mai, Nvidia a séparé son activité data center en deux blocs : les hyperscalers (38 milliards de dollars de revenus) et la CEI (Cloud, AI, Industrial and Enterprise) qui représente 37 milliards de dollars, en hausse de 74% sur un an. Près de la moitié des revenus data center proviennent désormais de clients autres que les géants comme Microsoft, Amazon ou Google. Le nouveau programme cible précisément “la partie la plus contrainte en capital” de cette seconde jambe.
Le précédent historique : le vendor financing et le cas Lucent
Le mécanisme n’est pas nouveau. Les industriels pratiquent le financement client depuis plus d’un siècle pour vendre avions, turbines ou réseaux télécom. Mais dans sa version pathologique, la mécanique devient dangereuse : le vendeur finance l’acheteur, les commandes augmentent artificiellement, puis quand le financement se referme, les clients ne peuvent plus rembourser. Le cas Winstar est emblématique : Lucent lui avait promis jusqu’à 2 milliards de dollars de financement, et quand Lucent a cessé de prêter, Winstar a fait faillite, forçant Lucent à passer environ 700 millions de dollars de créances en perte.
La différence cruciale : la feuille de route technologique
L’avantage décisif de Nvidia par rapport à Lucent réside dans sa connaissance supérieure de sa propre trajectoire technologique. Nvidia connaît la date de la prochaine architecture, ses gains de performance, son coût par token, les volumes prévus et les usages vers lesquels les anciennes générations pourront être redéployées. L’intervenant compare cela à une banque centrale : “Une banque centrale ne fixe pas directement chaque taux de crédit dans l’économie. Elle publie une trajectoire, donne des indications sur ses décisions futures et pousse les marchés à intégrer cette information dans les prix d’aujourd’hui.”
La segmentation des prix et la dépréciation
Les prix des GPU ne baissent pas uniformément. Un H100 début 2024 se louait autour de 7,90 dollars par GPU par heure chez les hyperscalers. Fin 2025, il restait supérieur à 6 dollars chez ces acteurs, mais est tombé à environ 3,30 dollars chez les clouds spécialisés et sous les 2 dollars sur certaines places de marché. Cette segmentation crée plusieurs étages de prix pour une même puce selon le fournisseur, la durée du contrat et les services associés.
Le rôle d’acheteur de dernier ressort
Dans un accord avec CoreWeave, Nvidia s’est engagé à acheter jusqu’à 6,3 milliards de dollars de capacité résiduelle non vendue à d’autres clients, jusqu’en avril 2032. L’intervenant souligne : “Nvidia ne se contente donc plus de soutenir le financement, il devient réellement l’acheteur de dernier ressort de la capacité inutilisée.”
Les arguments en faveur de la demande réelle
Plusieurs indicateurs suggèrent que la demande fondamentale existe. Goldman Sachs prévoit que la consommation de tokens pourrait être multipliée par 24 d’ici 2030, notamment avec le développement des agents IA. En parallèle, le coût unitaire des tokens baisserait de 60 à 70% par an pour l’inférence. Le pari repose sur l’élasticité de la demande : “Est-ce que la baisse du prix de chaque token entraînera une augmentation encore plus rapide de leur consommation ?” Le paradoxe de Jevons suggère que oui.
Le passage de l’entraînement à l’inférence
D’ici 2030, environ 75% de la demande en puissance de calcul viendra de l’inférence, contre l’entraînement aujourd’hui. Ce changement est crucial : “On ne paye plus une fois pour entraîner un modèle. On paye en continu pour chaque token qu’il produit.” Le péage à l’usage instauré par Nvidia est donc parfaitement rationnel dans cette perspective.
Les risques et les critiques
Michael Burry et Jim Chanos parient contre le secteur. Ils ne remettent pas en cause l’utilité de l’IA ou l’existence de la demande, mais questionnent “la durée de vie économique des puces, la rentabilité des infrastructures, la dépendance au crédit et la part de la demande soutenue par les investissements circulaires de l’écosystème.” Le conflit d’intérêt potentiel est majeur : “Une vraie banque centrale cherche théoriquement à stabiliser le système qu’elle gouverne. Nvidia cherche rationnellement à l’agrandir.”
Les futurs sur la puissance de calcul
Le CME et l’ICE ont annoncé des contrats à terme sur la puissance de calcul. Mais les indices de référence reposent essentiellement sur les générations de GPU Nvidia (A100, H100, H200, B200, B300, RTX 5090). Cette financiarisation pourrait “consacrer toujours plus les puces Nvidia comme unité de compte du marché”, renforçant encore sa position dominante. Les futurs pourraient être “simultanément son couronnement et son premier véritable contrepouvoir.”
CONCEPTS CLÉS
Néoclouds : Fournisseurs de cloud spécialisés en IA qui achètent des GPU pour les louer à des entreprises, sans avoir la taille des hyperscalers comme Microsoft ou Amazon.
Vendor financing : Pratique où le vendeur finance l’acheteur pour faciliter la vente de ses équipements. Courante dans l’aéronautique, les télécoms ou l’énergie.
Paradoxe de Jevons (effet rebond) : Phénomène où l’amélioration de l’efficacité d’une ressource augmente sa consommation totale plutôt que de la réduire, car les usages se multiplient.
Hyperscalers : Les géants du cloud comme Amazon (AWS), Microsoft (Azure), Google (GCP) et Meta, capables d’investir massivement dans leurs propres infrastructures.
Inférence vs entraînement : L’entraînement est la phase où un modèle apprend à partir de données (coût ponctuel). L’inférence est l’utilisation du modèle pour générer des réponses (coût récurrent à chaque token produit).
Acheteur de dernier ressort : Entité qui garantit l’achat de la capacité non utilisée, jouant un rôle similaire à celui d’une banque centrale dans les march