Jensen Huang vendait une vision du monde : l’IA a dépassé l’ère de l’entraînement pour entrer dans quelque chose de bien plus vaste, plus durable et potentiellement beaucoup plus lucratif. Il a exposé sa vision et sa conviction d’une économie fondée sur l’inférence, les agents et une demande de calcul permanente.
C’était également le véritable signal envoyé lors de sa séance de questions-réponses en direct avec des journalistes et des créateurs, le 17 mars.
Oui, il y a eu les démonstrations de force matérielles attendues. Oui, il y a eu des chiffres gigantesques. Mais le fond du message était la tentative de Huang de redéfinir le marché de l’IA autour d’un nouveau postulat : à l’avenir, le marché ne sera plus défini par celui qui entraînera une fois le plus gros modèle, comme cela a été le cas ces dernières années. Il sera défini par celui qui saura fournir le raisonnement le plus utile, le plus rapidement, au meilleur coût et à l’échelle industrielle.
Ce changement est important, car il transforme le déploiement des infrastructures d’IA, caractéristique des périodes d’essor, en quelque chose qui s’apparente davantage à un système de production permanent. La formulation la plus explicite de Huang à ce sujet était aussi l’une des plus révélatrices :
« À l’avenir, l’ordinateur sera en réalité un fabricant, un système de fabrication de tokens. »
Voilà la thèse.
Dans la vision de Huang, l’ancien ordinateur récupérait de l’information. Le nouveau produit des tokens. Et une fois que ce modèle de calcul devient dominant, la demande en IA commence à ressembler moins à un cycle temporaire de dépenses d’investissement qu’à une base industrielle qui doit rester active en permanence.
C’est aussi ainsi que Nvidia justifie le chiffre colossal qui plane sur l’ensemble de l’événement. Huang a déclaré que Nvidia anticipait plus de 1 000 milliards de dollars de ventes de puces Blackwell et Rubin d’ici 2027. Lors de la séance de questions-réponses, il a tenu à préciser que ce chiffre était volontairement limité : « 1 000 milliards de dollars correspondent uniquement à Blackwell et Rubin, uniquement jusqu’en 2027 », et « ce chiffre sera probablement supérieur à celui que je vous montre ».
Il a également clairement indiqué que ces chiffres reposaient uniquement sur les technologies Blackwell et Rubin et ne tenaient aucun compte du reste de l’activité.
C’est une affirmation colossale. Mais le plus intéressant est ce qui doit être vrai pour qu’elle se vérifie.
L’inférence doit devenir le centre de gravité. Pas une phase secondaire après l’entraînement, mais le moteur économique central de l’IA. Je pense largement que ce sera le cas, car à mesure que les usages agentiques se développent, le nombre de tokens nécessaires par utilisateur augmente de plusieurs ordres de grandeur.
Huang a déclaré que Nvidia avait anticipé ce tournant très tôt, faisant valoir que l’entreprise avait déjà consacré des efforts considérables à cette catégorie : « En 2025, nous avons décidé de consacrer une quantité énorme de ressources à l’inférence. »
Cela explique pourquoi Nvidia veut de plus en plus être perçue comme autre chose qu’un fabricant de GPU. L’entreprise se positionne comme le constructeur de l’usine à IA : puces, systèmes mémoire, réseaux, stockage, orchestration, logiciels d’inférence, outils pour les entreprises et infrastructures nécessaires pour faire fonctionner l’ensemble à grande échelle.
« La plupart des gens oublient que l’activité de Nvidia est bien, bien plus diversifiée que celle d’une entreprise de puces », a déclaré Huang. « Nous couvrons toute la pile et nous pouvons aider les entreprises à construire des usines à IA n’importe où. »
Pourquoi les agents rendent les systèmes d’entreprise plus importants, et non moins
C’est dans le sujet des agents que cette stratégie devient encore plus claire.
L’un des passages les plus importants de la séance de questions-réponses a été la contestation par Huang de l’idée selon laquelle les agents d’IA videraient de leur substance les couches logicielles sous-jacentes. Son argument était presque exactement inverse. Les agents ne remplaceront pas les systèmes de référence ; ils les rendront plus importants.
« SQL va-t-il mourir parce que les agents sont là ? Non », a-t-il déclaré. « C’est là que se trouvera notre vérité de référence sur l’activité de l’entreprise. »
Cette citation résume un point plus général défendu par Nvidia : la future pile d’agents n’a rien de magique. Elle s’appuie sur des systèmes structurés que les entreprises peuvent auditer et contrôler, est régie par eux et leur est connectée. C’est la faille qui a jusqu’ici empêché de nombreuses entreprises et industries d’adopter l’IA, et Huang compte la combler en 2026.
C’est pourquoi Huang est constamment revenu sur la contrôlabilité. Il s’est moqué du fantasme selon lequel l’IA ferait simplement apparaître par hallucination des résultats industriels parfaits.
« Que vont faire les ingénieurs agentiques ? Manifester des transistors ? Non. » Le propos n’était pas seulement rhétorique. Il était stratégique. L’IA d’entreprise ne prend de la valeur que lorsque son travail peut être vérifié, reproduit et réinjecté dans des systèmes auxquels les humains font confiance.
C’est aussi pourquoi Nvidia investit dans des infrastructures d’agents sécurisées pour les entreprises. L’entreprise tente de conditionner des frameworks émergents d’agents ouverts avec davantage de gouvernance, de confidentialité et de contrôles opérationnels. Huang a décrit cet effort en des termes exceptionnellement ambitieux : « Le cloud ouvert est le point d’inflexion de l’IA post-raisonnement. »
Cette phrase pourrait bien compter parmi les plus importantes de toute la session.
Le marché a passé une grande partie du dernier cycle à se demander si les agents étaient essentiellement des démonstrations. La position de Nvidia au GTC 2026 était bien plus offensive : les agents deviennent une véritable infrastructure logicielle, et le prochain défi consiste à les déployer au sein d’entreprises bien réelles.
Du spectacle des modèles à l’économie des systèmes
Ce changement a des conséquences à tous les niveaux de la pile.
Si l’inférence devient continue et si les charges de travail agentiques se banalisent, les performances ne dépendent plus uniquement de la qualité des modèles. Elles deviennent un problème de systèmes : hiérarchie mémoire, réseaux, stockage, orchestration, latence et efficacité des coûts pour des catégories de charges de travail très différentes. Certains cas d’usage nécessitent de très grands modèles. D’autres de grandes fenêtres de contexte. D’autres encore une très faible latence. Certains ont besoin des trois.
La réponse de Huang est que la plateforme gagnante sera celle capable de prendre en charge la gamme la plus large de charges de travail d’inférence, avec le meilleur équilibre entre matériel et logiciel. C’est notamment ce qui a rendu les communications de Nvidia liées à Groq dignes d’intérêt. L’argument de Huang était essentiellement que l’inférence se divise en segments, et que Nvidia entend mieux les couvrir que quiconque.
C’est une affirmation plus pérenne que de simplement soutenir qu’une seule puce l’emporte sur toutes les autres.
La séance de questions-réponses a également fait émerger un autre thème intéressant : l’IA pourrait accélérer le rythme du travail davantage qu’elle n’en réduira la quantité.
« Beaucoup de gens disent : l’IA arrive, nous allons manquer de travail, perdre nos emplois. C’est exactement l’inverse », a-t-il déclaré. « Les agents reviennent au bout de 30 minutes. Avant, vous rédigiez le cahier des charges du produit. Les équipes partaient travailler dessus pendant un mois… Désormais, ce mois s’est transformé en 30 minutes. »
L’idée est que l’IA comprime discrètement les délais, accélère les itérations et renvoie plus rapidement aux humains davantage de résultats partiellement terminés que les organisations n’ont l’habitude d’en gérer. Le goulot d’étranglement se déplace donc. Il s’agit moins de produire la première version que d’absorber ce rythme.
Mais les humains PEUVENT-ils absorber ce rythme ? Nous verrons bien. À un moment donné, les humains deviennent le goulot d’étranglement de la pile d’IA.
Et puis il y a la robotique, sur laquelle Huang s’est montré aussi confiant que jamais.
Il a qualifié la conduite autonome de « problème résolu » et soutenu que le reste relevait en grande partie de l’ingénierie et du déploiement. Il a tenu un raisonnement similaire pour la robotique au sens large, déclarant :
« Au cours des deux prochaines années, vous allez voir l’IA physique s’accélérer de manière incroyable grâce aux systèmes de raisonnement. » Plus tard, il a précisé : « Dans trois ans, vous verrez des robots extrêmement, extrêmement performants. »
Cela correspond à l’orientation générale du GTC, où la robotique, la simulation et l’IA industrielle ne sont plus de simples démonstrations secondaires. Nvidia a renforcé cette vision avec des annonces comme son déploiement de Thinking Machines Lab autour de Vera Rubin, qui contribue à présenter l’IA physique comme une composante du même développement informatique de long terme, et non comme un pari annexe distinct.
Pris dans leur ensemble, les échanges ont révélé une ambition de Nvidia bien plus vaste que le récit habituel du cycle des puces.
Huang soutient que trois marchés sont désormais en train de fusionner en un seul : l’inférence comme économie permanente du calcul, les agents comme prochaine couche logicielle d’entreprise et l’IA physique comme prochaine grande catégorie de charges de travail après le raisonnement. Ou, plus simplement : l’IA passe du spectacle des modèles à l’économie des systèmes.
Si vous ne devez retenir qu’une seule chose, c’est celle-ci.
Nvidia tente de redéfinir ce que signifie la demande en IA. Si l’avenir repose sur l’inférence continue, les agents d’entreprise et le déploiement à l’échelle industrielle, les grands gagnants ne seront peut-être plus les entreprises proposant la démonstration la plus brillante. Ce seront peut-être celles qui contrôlent l’ensemble du système sur lequel ces démonstrations fonctionnent.
Nvidia aimerait beaucoup que cette entreprise soit Nvidia.
Et au GTC 2026, Jensen Huang a défendu cette idée plus clairement que jamais.Pour découvrir plus en détail comment Nvidia investit l’IA physique, la robotique et les outils de simulation, consultez cette analyse d’eWeek.