Avant même que Jensen Huang ne prononce un mot à GTC 2026, Nvidia avait déjà planté le décor : la veste en cuir, la vision, le sentiment que quelque chose d’important allait être annoncé.
Huang n’est plus seulement le PDG qui préside à l’essor de l’IA. Il est devenu l’une de ses figures centrales, un dirigeant technologique rare dont les apparitions sur scène ressemblent moins à des lancements de produits qu’à des prévisions sur l’évolution du secteur.
C’est ce qui a rendu le discours d’ouverture de cette année différent. Nvidia présentait la GTC comme une exploration de la « pile IA complète », des puces et de l’infrastructure aux modèles, aux systèmes agentiques et à l’IA physique.
La vraie question n’était pas de savoir ce que Huang allait lancer. C’était de déterminer quelle partie de la prochaine économie de l’IA Nvidia chercherait à contrôler.
La réponse, en gros, était : tout.
Nvidia s’enfonce davantage dans l’inférence IA
Le fil conducteur le plus clair de la GTC 2026 était que Nvidia voulait contrôler non seulement l’entraînement, mais aussi l’économie de l’inférence et l’infrastructure de l’IA agentique. Les principales annonces matérielles de l’entreprise allaient précisément dans cette direction.
Nvidia a étoffé la plateforme Vera Rubin avec un rack d’inférence basé sur Groq, baptisé NVIDIA Groq 3 LPX, ainsi qu’un rack de processeurs Vera, un rack de stockage BlueField-4 et un rack réseau Spectrum-6. L’argument de l’entreprise est que ces systèmes fonctionnent ensemble comme un seul supercalculateur d’IA couvrant le pré-entraînement, le post-entraînement, la mise à l’échelle au moment du test et l’inférence agentique en temps réel.
Le mouvement autour de Groq est particulièrement révélateur. Nvidia continue de présenter le GPU comme le centre de gravité, mais montre également sa volonté d’intégrer des architectures externes lorsqu’elles contribuent à résoudre le prochain goulot d’étranglement.
D’après le compte rendu de CRN consacré au briefing de Nvidia, le Groq 3 LPX associé au Vera Rubin NVL72 peut multiplier par 35 le débit d’un modèle GPT de 1 000 milliards de paramètres par rapport au Blackwell NVL72 de génération précédente. Même en retirant un peu d’emphase au discours d’ouverture, la stratégie est évidente : Nvidia tente de transformer l’inférence, jusque-là un centre de coûts douloureux, en moteur de revenus haut de gamme et optimisé.
C’est important, car le marché de l’IA évolue. L’entraînement a alimenté l’essor du secteur, mais c’est dans l’inférence que se trouve l’argent récurrent, notamment à mesure que les modèles raisonnent plus longtemps, appellent davantage d’outils et se comportent davantage comme des travailleurs logiciels que comme des chatbots. L’entreprise défend cet argument depuis quelque temps déjà.
L’an dernier, Nvidia a présenté Dynamo comme un logiciel d’inférence open source conçu pour améliorer le débit et réduire le coût des charges de travail de raisonnement, et le discours d’ouverture de cette année a étendu cette logique au rack lui-même. L’inférence n’est plus un simple effet secondaire de l’IA. Elle est en train de devenir le métier.
Le reste de l’histoire de Rubin va dans le même sens.
Dans une autre, Nvidia a indiqué que le Vera Rubin NVL72 combinait 72 GPU Rubin et 36 processeurs Vera personnalisés, tout en ajoutant de nouvelles fonctionnalités comme l’informatique confidentielle à l’échelle du rack, la maintenance sans interruption et une plateforme de stockage à « mémoire de contexte » conçue pour alimenter en données de grands systèmes d’IA à état persistant. Nvidia cherche ainsi à regrouper dans un même système industriel les réalités complexes du déploiement d’agents : pression sur la mémoire, conservation du contexte, sécurité, latence et taux d’utilisation.
C’est le changement plus profond qui se cache derrière les gros titres. Nvidia ne vend plus seulement des puces destinées à l’infrastructure de l’IA. L’entreprise tente de définir cette infrastructure comme une pile intégrée de calcul, de réseau, de stockage, d’orchestration et de sécurité que seule une poignée d’acteurs est réellement capable d’assembler.
C’est aussi pour cela que la célébrité de Huang compte. Il est célèbre parce qu’il sait monter sur scène et donner une cohérence à la complexité. Sur un marché aussi vaste, la cohérence est un produit.
L’aspect financier contribue à expliquer pourquoi tant de gens assistent au spectacle. Huang a déclaré aux participants que Nvidia s’attendait à ce que ses processeurs IA phares contribuent à générer 1 000 milliards de dollars de ventes d’ici 2027. C’est le genre de chiffre qui semble absurde jusqu’à ce que l’on se souvienne que l’entreprise vient d’annoncer 215,9 milliards de dollars de chiffre d’affaires pour l’exercice 2026, dont 62,3 milliards de dollars de revenus trimestriels issus des centres de données.
L’IA devient une infrastructure industrielle
Il y a un deuxième niveau à tout cela, et c’est là que la GTC commence à ressembler moins à une conférence de développeurs qu’à une fête foraine de l’ère industrielle de l’IA.
Nvidia affirme que plus de 30 000 personnes venues de plus de 190 pays participent à la GTC cette année, et l’entreprise décrit depuis des mois l’IA comme une infrastructure essentielle. Ce cadrage compte. Il déplace la conversation de « quel modèle a gagné cette semaine ? » vers une affirmation plus vaste et plus lucrative : l’IA est en train de devenir un chantier industriel de longue haleine, mobilisant l’énergie, les usines, les réseaux et les systèmes logiciels qui sous-tendent tout le reste.
C’est aussi la raison pour laquelle Huang est devenu un symbole aussi puissant. Jobs rendait la technologie grand public magique. Huang rend la technologie industrielle inéluctable. Une autre recette, le même effet. Au lieu de simplement vendre un avenir en forme de téléphone, il en vend un en forme d’économie.
C’est le refrain que Nvidia entonne depuis plusieurs mois. L’entreprise a investi des milliards pour renforcer ses capacités de production de composants optiques avec Lumentum, et s’est associée à Nebius pour développer un cloud d’IA à l’échelle du gigawatt. Elle a également élargi ses partenariats industriels avec des entreprises comme Siemens et Dassault Systèmes afin de faire progresser l’IA dans la fabrication, la conception et les systèmes physiques.
On peut y voir une diversification. On peut aussi y voir un entretien d’empire.
Cela contribue également à expliquer pourquoi l’étiquette de « PDG célèbre » n’est pas qu’un artifice dans ce cas. La personnalité de Huang fonctionne parce que la stratégie de Nvidia est si vaste qu’elle a besoin d’un narrateur. Il est la réponse en veste de cuir à un problème très concret : comment convaincre le marché que les puces, les usines, l’énergie, les logiciels d’inférence, la robotique et les jumeaux numériques industriels racontent tous la même histoire ? Il suffit de mettre un homme sur scène et de le laisser donner à tout cela des airs de destin.
C’est peut-être la principale leçon à retenir de la GTC 2026. Nvidia ne cherche pas seulement à remporter la course à l’essor des modèles. L’entreprise tente de devenir la couche d’exploitation de l’économie de l’IA agentique — de l’entraînement et de l’inférence au stockage, à la sécurité et au déploiement physique. La célébrité de Huang est l’emballage culturel de cette stratégie.
La veste en cuir attire l’attention. C’est la pile qui la retient.
Pour les lecteurs qui souhaitent davantage de contexte sur le « moment Apple » précédent de NVIDIA, The Neuron a couvert ce tournant l’an dernier. Et pour mieux comprendre pourquoi l’efficacité de l’inférence et les systèmes agentiques sont désormais si importants, cet article explicatif sur la stratégie NVIDIA’s Nemotron 3 strategy constitue un complément utile.