Nvidia et l'IA agentive : vers un trillion de revenus

Un billion de dollars. Pas la capitalisation boursière—les revenus. C’est l’objectif de taille que Nvidia affiche désormais ouvertement, et il relie cette ambition à une idée émergente qui commence à remodeler la façon dont les logiciels sont réellement construits : l’IA agentive.

En s’exprimant lors de la GPU Technology Conference de Nvidia en Californie, le PDG Jensen Huang a présenté une projection saisissante. L’entreprise s’attend à ce que ses plateformes Blackwell et Vera Rubin génèrent 1 000 milliards de dollars de revenus d’ici 2027—le double de l’objectif de 500 milliards annoncé il y a tout juste un an. Ce type de bond n’est pas uniquement de l’optimisme : c’est un signal que Nvidia estime voir le terrain bouger sous l’ensemble de l’économie de l’intelligence artificielle.

La confiance de Huang repose sur une hypothèse simple mais puissante : la demande en IA ne se stabilise pas—elle s’accélère. Et pas seulement à cause de modèles plus volumineux, mais parce que ces modèles commencent à agir de manière autonome et intégrée dans les flux de travail.

Des modèles aux machines qui agissent

L’IA agentive (souvent désignée « agentic AI » en anglais) est au centre de cette vision. Contrairement aux systèmes traditionnels qui attendent des requêtes ponctuelles, ces agents peuvent planifier, exécuter et s’adapter : ils gèrent des tâches complexes en plusieurs étapes avec une intervention humaine minimale. Ce changement de paradigme modifie tout, en particulier l’endroit où se situe le coût réel du calcul.

Autrefois, l’attention et les investissements se concentraient principalement sur l’entraînement—la phase de formation des modèles. Aujourd’hui, c’est l’inférence—le moment où l’IA effectue réellement un travail en production—qui devient l’événement principal. À mesure que des systèmes pilotés par des agents fonctionnent en continu, générant et traitant d’immenses flux de tokens, l’infrastructure nécessaire pour les soutenir croît de façon exponentielle : stockage rapide, interconnexions à très faible latence, unités de calcul optimisées pour l’inférence et orchestration logicielle sophistiquée.

Qu’est-ce que l’IA agentive ?

L’IA agentive désigne des architectures et des suites logicielles où des entités autonomes (les agents) agissent en tant que parties proactives d’un système, plutôt que de se contenter de répondre à des requêtes isolées. Ces agents peuvent :

• décomposer des objectifs complexes en sous-tâches,
• prendre des décisions basées sur des informations en temps réel,
• coordonner des actions entre plusieurs services ou appareils,
• apprendre de nouvelles stratégies par essais et erreurs, souvent via des boucles de rétroaction continues.

Sur le plan technique, l’IA agentive combine souvent des grands modèles de langage (LLM), des modules spécialisés pour la planification et la prise de décision, ainsi que des composants logiciels dédiés à la gestion des ressources et à la sécurité. Cette combinaison transforme les LLM en « cerveaux » intégrés à des systèmes capables d’agir de façon autonome, d’orchestrer des workflows et d’interagir avec des environnements hétérogènes.

Impact sur l’inférence et l’entraînement

La transition vers des agents autonomes change la répartition des coûts et des priorités techniques. Historiquement, le cycle d’investissement mettait l’accent sur l’entraînement—nutriment essentiel pour obtenir des modèles puissants. Ces phases nécessitaient des clusters GPU massifs, une énergie importante et des infrastructures de stockage optimisées pour la vitesse d’écriture et de lecture durant la formation.

Avec l’IA agentive, l’inférence devient un centre de coûts permanent. Des agents en production peuvent traiter des requêtes continues, exécuter des scripts, consulter des bases de connaissances, interagir avec des API externes et mettre à jour des états internes. Chaque interaction génère des tokens et des opérations de calcul qui, cumulées à grande échelle, exigent des systèmes optimisés pour l’inférence, avec des puces spécialisées, des optimisations logicielles (quantification, distillation), et des architectures réseau capables de supporter un trafic élevé et des latences faibles.

En pratique, cela pousse la demande vers :

• des unités de calcul spécialisées pour l’inférence à haute efficacité énergétique,
• des stacks logiciels optimisés (optimiseurs d’inférence, runtimes),
• des solutions de cache et de mémoire à haute bande passante,
• des outils d’observabilité et de gouvernance conçus pour des agents qui évoluent en continu.

Cette dynamique explique pourquoi Nvidia anticipe une croissance du marché de l’inférence bien supérieure aux projections centrées uniquement sur l’entraînement.

Exemple : l’intégration dans les workflows de développement

Huang a cité Claude Code d’Anthropic comme un point d’inflexion. Selon lui, au sein de Nvidia, les ingénieurs logiciels ne travaillent plus isolément ; des agents d’IA sont intégrés aux flux de travail, écrivant, examinant et optimisant du code en collaboration avec des humains. Cette coécriture se traduit par une productivité accrue, mais elle amène aussi des défis nouveaux : contrôle de la qualité, traçabilité des décisions algorithmiques, et responsabilité en cas d’erreurs.

Plus largement, lorsque l’IA commence à participer activement à la chaîne de production logicielle—depuis la génération de code jusqu’au déploiement et à la surveillance—la nature même de la programmation se transforme. Les entreprises doivent repenser leurs pipelines CI/CD, intégrer des contrôles de sécurité automatisés et adapter les compétences humaines vers la supervision, la validation et la conception de prompts/agents.

Dans ce contexte, la formule de Huang est frappante : l’IA agentive n’est pas juste une couche logicielle supplémentaire—c’est « le nouvel ordinateur ».

La stratégie plateforme prend de l’ampleur

Nvidia ne se contente pas d’évoquer ce futur ; l’entreprise construit et investit massivement pour en prendre les commandes. Lors de la conférence, plusieurs initiatives ont été dévoilées, chacune visant à consolider la position de Nvidia comme fournisseur d’infrastructure incontournable pour les systèmes d’IA autonomes.

La stratégie s’étend au-delà des GPU : on observe un approfondissement dans les CPU, la conception de puces dédiées à l’inférence et des acquisitions ciblées, comme celle de Groq, qui renforcent les capacités matérielles de la société en matière de calcul spécialisé. Parallèlement, Nvidia développe des écosystèmes logiciels et des partenariats conçus pour ancrer ses technologies au cœur des architectures d’agents.

Push vers le matériel et l’open-source

La poussée dans les CPU et les puces d’inférence traduit une logique claire : couvrir l’ensemble de la pile matérielle permet de gérer les coûts, la performance et les dépendances. En parallèle, Nvidia joue la carte de l’open-source et des plateformes collaboratives. L’entreprise a évoqué OpenClaw, une plateforme d’agents open-source qui a rapidement attiré l’attention pour ses capacités, mais aussi pour les risques qu’elle soulève.

Huang a comparé le rôle potentiel d’OpenClaw à celui de Windows à ses débuts, le qualifiant de couche fondatrice pour l’informatique agentive. Selon lui, les entreprises qui, à l’ère du web, devaient définir une « stratégie HTML », devront bientôt concevoir une « stratégie OpenClaw » pour l’ère des agents IA. Cette analogie souligne la manière dont une plateforme logicielle dominante peut structurer un marché, créer des dépendances et orienter l’innovation.

Sécurité, vie privée et contrôle : le revers de la médaille

Cette comparaison peut sembler ambitieuse, voire risquée. OpenClaw exige un accès étendu aux systèmes utilisateurs pour permettre à des agents d’agir efficacement, ce qui soulève des questions graves de sécurité et de respect de la vie privée. Des rapports indiquent que des entreprises technologiques majeures et des agences gouvernementales ont mis en garde contre une utilisation sans restriction de tels agents. Un incident largement évoqué concernait un agent d’IA qui aurait supprimé l’intégralité d’une boîte de réception professionnelle—un cas extrême mais révélateur des dangers potentiels.

Pour répondre à ces préoccupations, Nvidia a présenté NemoClaw, une version plus contrôlée et orientée entreprise d’OpenClaw. NemoClaw vise à offrir des garanties supplémentaires en matière de confidentialité, d’authentification et de contrôles d’accès, tout en conservant la flexibilité d’une plateforme d’agents. Ce positionnement montre que Nvidia cherche à s’insérer dans l’écosystème open-source non pas par pure philanthropie, mais parce que les plateformes ouvertes peuvent accélérer l’adoption et, in fine, accroître la dépendance au matériel Nvidia.

Sur le plan opérationnel, la sécurité des agents implique des contraintes techniques : sandboxing, vérification formelle des actions sensibles, journaux immuables (audit trails), et mécanismes de reprise en cas d’erreur. Les entreprises qui déploient des agents devront investir dans ces garde-fous pour limiter les risques tout en bénéficiant des gains de productivité.

Ambitions au-delà de la Terre : data centers spatiaux et robotaxis

Les ambitions de Nvidia ne se limitent pas à la planète. Huang a évoqué l’idée de centres de données IA basés dans l’espace, alimentés par une future architecture Vera Rubin, ainsi que des partenariats industriels avec des acteurs automobiles tels que Hyundai, Nissan, BYD et Geely pour monter la production de robotaxis à 18 millions d’unités par an. Cette vision anticipe un monde où l’IA ne se contente pas d’assister des secteurs, mais devient l’ossature qui les gouverne.

Les centres de données en orbite soulèvent des défis techniques et économiques majeurs—latence, communications spatiales, résilience face aux radiations, et coûts de lancement—mais ils offrent aussi des avantages potentiels : proximité de certains clients ou capteurs spatiaux, capacités de calcul dédiées et modèles économiques nouveaux pour la fourniture de services IA à l’échelle planétaire ou interplanétaire.

De même, l’objectif de production massif de robotaxis illustre la volonté de Nvidia de s’insérer dans les chaînes de valeur industrielles : fournir non seulement les composants logiciels et matériels, mais aussi les plateformes complètes pour la conduite autonome à grande échelle. Cela implique des collaborations profondes avec les constructeurs automobiles et les fournisseurs de capteurs, ainsi qu’une intégration poussée des systèmes d’IA dans l’architecture des véhicules.

Tensions du marché et prudence des investisseurs

Malgré ces annonces spectaculaires, tout le monde n’est pas convaincu par l’élan pour des investissements massifs. Les investisseurs ont commencé à se montrer plus prudents à l’égard des cycles de dépenses monumentaux qui alimentaient autrefois l’enthousiasme autour de l’IA. Même des résultats financiers solides n’ont pas totalement immunisé Nvidia contre le scepticisme : le titre a connu des baisses, malgré des annonces qui font les gros titres.

Cette tension—entre une conviction technologique audacieuse et une prudence financière croissante—pourrait définir la prochaine phase du développement de l’IA. Nvidia parie que les systèmes agentifs justifieront la facture d’infrastructure ; le marché, pour l’instant, n’est pas entièrement persuadé. Les investisseurs scruteront les indicateurs opérationnels : taux d’adoption des plateformes agentives, courbe d’efficacité des nouvelles puces, retours sur investissement des clients et maturité des solutions de gouvernance.

Sur le plan stratégique, Nvidia doit naviguer entre plusieurs axes : accélérer l’innovation matérielle, soutenir un écosystème logiciel ouvert, gérer la sécurité et la conformité, et démontrer des cas d’usage économiques clairs. Le succès dépendra aussi de facteurs externes : réglementation, concurrence (par exemple d’autres fournisseurs de puces et d’infrastructures cloud), et évolutions de la demande sectorielle.

Si Huang a raison, la prochaine révolution informatique ne portera pas seulement sur des outils plus intelligents—elle portera sur des machines autonomes qui dirigent l’activité.