Jensen Huang voit 4 000 milliards de dollars par an pour l’infrastructure IA : le vrai test reste la rentabilité

Jensen Huang demande aux investisseurs de regarder l’IA autrement que comme un cycle classique des semi-conducteurs. Selon le directeur général de Nvidia, il s’agit désormais de bâtir une infrastructure industrielle : des centres de données capables de transformer l’électricité, les capitaux et les équipements en puissance de calcul pour l’intelligence artificielle.

Son scénario est à la mesure de cette ambition : entre 3 000 et 4 000 milliards de dollars de dépenses annuelles d’infrastructure IA d’ici à 2030. C’est une estimation de Nvidia, et non un consensus sectoriel. Elle fixe surtout une barre très haute : les entreprises qui financent ces équipements devront démontrer qu’elles peuvent en tirer un rendement durable. 140

L’IA comme infrastructure de production

Dans la vision de Huang, l’IA générative exige un nouveau modèle informatique. L’enjeu ne se limite donc pas aux accélérateurs de calcul de Nvidia : il englobe aussi les réseaux, les systèmes complets, les logiciels et le fonctionnement de ce que l’entreprise appelle des « usines d’IA ».

Les montants déjà engagés sont considérables. La Banque des règlements internationaux (BRI) estime que les cinq plus grands hyperscalers — les géants du cloud qui exploitent des infrastructures informatiques à très grande échelle — devraient dépenser plus de 1 000 milliards de dollars en investissements liés à l’IA sur 2025 et 2026. Un document du Congressional Research Service américain prévoit de son côté plus de 1 000 milliards de dollars d’investissements mondiaux liés à l’IA en 2026. 4033

Ces chiffres rendent crédible la direction prise par le marché, sans pour autant valider la cible de 2030. Tout dépend aussi de ce que l’on mesure : les dépenses d’investissement totales des entreprises, les dépenses strictement attribuées à l’IA, les centres de données ou l’ensemble de l’écosystème IA ne désignent pas la même chose.

La demande est là, mais les limites sont aussi physiques

Les derniers résultats de Nvidia constituent l’argument le plus tangible en faveur d’une demande très soutenue. Pour le trimestre clos le 26 juillet 2026, correspondant au deuxième trimestre de son exercice 2027, le groupe a annoncé 96,2 milliards de dollars de chiffre d’affaires, en hausse de 106 % sur un an. Il a ensuite prévu 108 milliards de dollars, à plus ou moins 2 %, pour le trimestre suivant. Nvidia a toutefois averti que des pénuries de composants mémoire limiteraient la vitesse à laquelle il peut accroître son offre. 17

Lors d’une conférence destinée aux investisseurs, Jensen Huang a répété que le déploiement de l’IA n’en était qu’à ses débuts, tout en reconnaissant les freins qui dépassent largement la seule production de puces : capacités de la chaîne d’approvisionnement, disponibilité des terrains et accès à l’électricité peuvent retarder les projets. 2

Le goulot d’étranglement ne se résume donc pas au nombre de GPU disponibles. Pour ouvrir un grand site de calcul IA, il faut aussi de la mémoire, des technologies de packaging avancé, des équipements réseau, des bâtiments, des travaux de construction, une alimentation électrique suffisante et un réseau capable de la livrer.

Pour les investisseurs, cette nuance est essentielle. Les contraintes d’offre peuvent soutenir la demande d’équipements Nvidia à court terme. Mais elles peuvent également différer les revenus des clients : une entreprise ne peut pas commercialiser pleinement des services IA tant qu’elle ne dispose pas de l’installation complète, et pas seulement des serveurs.

Des projets qui changent d’échelle

Huang s’appuie sur des exemples matériels pour illustrer cette mutation. Lors de la conférence Goldman Sachs, il a évoqué un projet IA prévu en Australie pour 2027, avec une capacité de 2 gigawatts et environ 80 milliards de dollars d’infrastructures. 35

La réalisation de chaque projet à ce niveau reste incertaine. Mais l’exemple résume la thèse de Nvidia : la capacité IA devient autant une affaire d’énergie, de foncier, de construction et de financement qu’une affaire de semi-conducteurs.

L’estimation de la BRI — plus de 1 000 milliards de dollars de dépenses liées à l’IA par les cinq principaux hyperscalers sur 2025-2026 — apporte un utile point de comparaison. Le cycle d’investissement est bel et bien engagé ; le débat porte désormais sur son rendement économique final. 40

Nvidia veut rendre la capacité de calcul finançable comme une infrastructure

La stratégie de Nvidia ne consiste pas seulement à vendre du matériel aux grands fournisseurs de cloud. En août 2026, l’entreprise a annoncé des protocoles d’accord avec Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR. Leur objectif : mettre en place des plateformes indépendantes de financement du calcul afin de mobiliser plus de 500 milliards de dollars de capitaux tiers. 4959

Le modèle recherché est celui d’actifs finançables sur la durée, soutenus par des revenus liés à l’usage, plutôt que par le seul bilan des clients. Nvidia présente ainsi les systèmes de calcul et l’infrastructure IA complète comme une classe d’actifs susceptible d’attirer les investisseurs institutionnels. 59

Il ne s’agit pas pour autant d’un fonds de 500 milliards de dollars déjà constitué. Ces accords visent à mobiliser des capitaux dans le temps, et l’économie de chaque opération dépendra des projets, des contrats, du taux d’utilisation des équipements et de la qualité de crédit des clients. Reuters a également rapporté que Nvidia pourrait garantir jusqu’à 125 milliards de dollars, soit 25 % des opérations potentielles. 50

La question décisive : les revenus de l’IA suivront-ils ?

Le scénario prudent ne consiste pas à nier la réalité de la demande. Les résultats de Nvidia et les dépenses programmées par les hyperscalers montrent qu’elle existe déjà. La question plus difficile est de savoir si les revenus générés au niveau des applications — logiciels d’entreprise, agents IA, services grand public et autres produits — pourront financer durablement le calcul, l’électricité, les centres de données, l’amortissement des équipements et la dette éventuelle.

Les indicateurs les plus utiles vont donc au-delà des livraisons de GPU ou des annonces de dépenses d’investissement :

• Taux d’utilisation : les systèmes IA coûteux tournent-ils suffisamment pour être rentables ?
• Qualité des revenus : les services IA génèrent-ils des recettes récurrentes, ou seulement des expérimentations temporaires ?
• Économie unitaire : les prix facturés et les marges brutes couvrent-ils le coût total de l’entraînement et de l’inférence ?
• Solidité des contrats : les engagements de capacité sont-ils portés par des clients capables de payer même si la demande ralentit ?
• Retour sur capital investi : après l’amortissement du matériel et le coût de l’énergie, les acheteurs d’infrastructures IA gagnent-ils davantage que leur coût du capital ?

Ce que les investisseurs doivent retenir

La démonstration de Jensen Huang repose sur trois propositions liées : la demande de calcul IA accélère, l’offre physique mettra du temps à suivre et le capital privé peut financer une partie de l’infrastructure nécessaire. La croissance de Nvidia et ses prévisions soutiennent la première à court terme ; les données de la BRI confirment que le cycle de dépenses est déjà d’une ampleur exceptionnelle. 1740

La proposition encore à démontrer est la plus importante : les entreprises qui achètent cette puissance de calcul parviendront-elles à la convertir en services rentables et pérennes ?

Si oui, le calcul IA pourrait se comporter comme une infrastructure productive. Dans le cas contraire, le secteur risque de se retrouver avec des capacités dont les coûts ont augmenté plus vite que les revenus. C’est le véritable critère de la thèse des 4 000 milliards de dollars : non pas les seules ventes de puces Nvidia, mais la progression durable des revenus issus des services IA et les rendements obtenus sur les infrastructures aujourd’hui en construction.