Bénéfices de Nvidia du 26 août : Pourquoi le chiffre des revenus n’est pas l’essentiel

Nvidia rendra publiques les résultats du deuxième trimestre de la période fiscale 2027 après la clôture du marché aujourd’hui.

Le chiffre qui compte : les analystes s’attendent à…92,2 milliards de dollars de revenusIl y a une augmentation d’environ 13 % par rapport aux 81,6 milliards de dollars en première trimestre. La question n’est pas de savoir si Nvidia réussira à surpasser ce chiffre. C’est plutôt ce que dit le reste du rapport concernant une transition architecturale qui se déroule sous le niveau du momentum trimestriel.

Le Rubin entre maintenant en production. L’inference prend maintenant en compte environ…Deux tiers des dépenses en IAEt les principaux clients de Nvidia – Microsoft, Google, Amazon, Meta – construisent tous leurs propres puces d’inférence.

Ces trois forces se rencontrent en un seul endroit : ce rapport de performance. Laissez-moi vous expliquer le mécanisme en jeu, car les chiffres eux-mêmes ne vous permettront pas de savoir si la « barrière défensive » d’Nvidia reste intacte.

Le dernier trimestre de Nvidia, rapporté en mai, était une véritable merveille en termes de taille.81,6 milliards de dollars de chiffre d’affaires, soit une augmentation de 85 % par rapport à l’année précédente.Seul le centre de données a généré des revenus.75,2 milliards de dollarsLes marges brutes ont atteint 75 %. Les marges opérationnelles étaient de 64 %. L’entreprise a généré 119 milliards de dollars en flux de trésorerie gratuits au cours des douze derniers mois, tout en ayant une dette nette inférieure à 7 milliards de dollars. Le rendement sur le capital investi est de 89 %.

Ce ne sont pas les indicateurs d’une entreprise en danger. Ce sont plutôt les indicateurs d’un monopole de l’infrastructure – un monopole qui se développe suffisamment rapidement pour justifier une valeur de marché de 5,16 billions de dollars.

Le ratio P/E de 32 est presque raisonnable pour ce type de qualité d’exploitation. Mais le ratio P/E à long terme de 57 est ce qui compte pour ce qui va se passer à l’avenir. Ce ratio signifie que le marché a déjà pris en compte une croissance des revenus de 50 % sur trois ans. La croissance des bénéfices est la seule chose qui peut soutenir cette situation.

Voici le changement structurel : les dépenses liées à l’IA ont évolué du domaine de la formation vers celui de l’interprétation.

Pendant la phase de formation – où les entreprises développent des modèles – l’écosystème CUDA d’Nvidia était essentiellement indestructible. Dix-huit ans de collaboration avec les développeurs, des dizaines de millions de lignes de code optimisé, et une stack logicielle sur laquelle tous les laboratoires d’IA s’appuient. Utiliser autre chose pour entraîner les modèles signifiait devoir réécrire tout le système et accepter des performances peu fiables.

L’inferrence – c’est de faire fonctionner ces modèles à grande échelle pour des milliards d’utilisateurs – concerne différents aspects. Le coût par token, la latence, l’efficacité énergétique… Lorsque vous servez un modèle en continu, face à des millions de requêtes API par jour, une augmentation de 30 % dans l’efficacité du modèle permet de financer la migration en quelques mois, et non en années.

C’est pourquoi Google a développé le TPU Ironwood, conçu pour exécuter Gemini. AWS met à disposition le Trainium 3 dans son processeur de 3 nm. Le Maia 200 de Microsoft est déjà utilisé pour servir Copilot et OpenAI. Le MTIA de Meta gère les fonctionnalités de classement et de recommandations.

Il s’agit de puces réelles, expédiées à grande échelle par les hyperscalers. Elles sont toutes conçues spécifiquement pour les charges de travail d’inférence.

C’est là que l’histoire se divise en deux marchés. Au sein des hyperscalers – les entreprises qui fournissent leurs propres produits d’IA – la part de Nvidia est sous pression. Les analystes prédisent que Nvidia pourrait passer de une part d’environ 90 % sur les services d’inférence offerts par les hyperscalers à 20–30 % d’ici 2028. Mais cette pression reste confined aux quatre entreprises concernées. AWS ne permet pas de louer le Trainium. Google ne vend pas ses TPU dans son écosystème. Le Maia de Microsoft est uniquement utilisé au sein de l’entreprise elle-même.

Pour tout le reste – le marché extérieur, chaque start-up, chaque entreprise, chaque société spécialisée dans l’IA qui n’est pas un fournisseur de services cloud valant un trillion de dollars – Nvidia reste la seule solution pratique. On ne peut pas utiliser vLLM, TensorRT-LLM ou FlashAttention sur les chips personnalisés des hyperscalers, sans devoir réécrire l’architecture d’inférence. La migration coûte des semaines de temps de développement, en plus des coûts de maintenance continues. Pour la plupart des équipes, ces coûts dépassent les économies possibles.

Nvidia n’a pas besoin d’avoir un monopole de 90 % sur les accélérateurs d’IA pour augmenter ses profits. Mais le marché des inférences va éroder la barrière que constituent les technologies CUDA, qui ont permis ce monopole. Peu à peu, pas brusquement. D’abord au sein des hyperscalers, puis vers l’extérieur.

C’est là que Rubin compte.

Nvidia a annoncé lors de la CES en janvier queRubin est entré en production complète.– Huit mois en avance par rapport aux attentes des analystes. Le cycle de développement a été raccourci à 18 mois depuis le lancement de Blackwell. Les livraisons au sein des partenaires cloud ont commencé au second semestre 2026. Ce qui signifie que le deuxième trimestre sera probablement le premier trimestre où les revenus générés par Rubin seront réalisés.

Rubin n’est pas une amélioration progressive. Il offre jusqu’àRéduction de 10 fois du coût lié aux tokens d’inférence, et nécessité de 4 fois moins de GPU pour entraîner les modèles MoE.Comparé à Blackwell. Le GPU de Rubin dispose de 336 milliards de transistors, de 288 Go de mémoire HBM4 et de 50 PFLOPS pour les calculs d’inference en format FP4. Le système de rack Vera Rubin NVL72 – comprenant 72 GPU et 36 CPU – permet de réaliser 3,6 EFLOPS de calculs d’inference en format FP4.

L’avantage compétitif par rapport aux puces personnalisées ne réside pas dans les capacités de calcul brute, mais plutôt dans les interconnexions. NVLink 6 permet une bande passante de 3,6 TB/s par GPU. Aucune puce ASIC personnalisée n’offre un tel niveau de performance. C’est l’écosystème logiciel qui compte. CUDA n’a pas besoin d’être parfait pour les tâches d’inférence – il suffit qu’il soit suffisamment performant pour que le coût de passer à des puces personnalisées reste supérieur aux économies obtenues avec ces dernières. Rubin rend donc le coût de rester chez Nvidia beaucoup plus bas.

Voici la contrainte de approvisionnement qui modifie les aspects économiques : la production de Rubin est limitée par la capacité de TSMC N3 et par les taux de rendement de HBM4. On estime que la production en 2026 sera entre 200 000 et 300 000 GPU Rubin. Les hyperscalers bénéficieront d’une priorité dans l’accès aux ressources, ce qui signifie qu’ils pourront utiliser les six à neuf premiers mois pour vendre tout le produit. Cela signifie que Nvidia peut vendre tout ce qu’elle fabrique – mais elle ne peut pas produire assez rapidement pour satisfaire la demande.

La demande n’est pas le problème. Le problème est de savoir si les engagements en matière d’offre, les délais et le coût d’opportunité justifient encore l’allocation actuelle des ressources.

Il y a une préoccupation structurelle qui ne se manifeste pas dans la comparaison des architectures.

Il semble que Nvidia soit en négociations pour fournir environ250 milliards en garanties financièresPour soutenir les contrats de location des centres de données d’OpenAI et les achats de puces par cette entreprise. Avec une valeur boursière de 5,16 billions de dollars, des analystes comme Stacy Rasgon chez Bernstein qualifient cela de « financement circulaire » : Nvidia prête de l’argent à un client afin que celui-ci puisse acheter ses propres produits.

Cela est important pour deux raisons. Premièrement, cela influe sur ce qu’on pourrait croire être une demande organique. Si une partie importante des revenus des Data Centers est garantie par les garanties financières de Nvidia, le signal de la demande est plus faible que ne le montre le chiffre brut. Deuxièmement, cela crée des obligations contingentes sur le bilan, qui actuellement montre 85 milliards de dollars en liquidités nettes et un ratio dette/actions de 4,3 %. La capacité d’endettement n’existe pas aujourd’hui – mais elle existe dans les engagements pris.

Bernstein observe trois signes dans le rapport d’aujourd’hui : savoir si les perspectives de croissance restent valables, savoir si…Les marges brutes restent autour des 70 % du niveau d’avant les années 1970, malgré l’augmentation des coûts liés à la mémoire et aux composants de circuit imprimé.Et si la direction fournit des informations claires concernant ces garanties financières pour les projets de centres de données, dont la valeur s’élève à des centaines de milliards.

La question posée par OpenAI est celle qui n’a pas encore de réponse claire. Les commentaires de la direction d’aujourd’hui ne pourront peut-être pas résoudre cette question. C’est une raison de écouter attentivement, mais pas une raison de vendre.

Alors, que vous dit réellement ce rapport de performance financière ?

Le chiffre des revenus – que ce soit supérieur aux 92,2 milliards de dollars selon les prévisions consensus – confirme ce que vous savez déjà : la taille de Nvidia continue de croître. Le taux de croissance séquentiel est une métrique plus utile : si le deuxième trimestre affiche une croissance de 13 % par rapport au premier trimestre, cela signifie que Rubin contribue efficacement et que le processus de croissance fonctionne bien.

Ce qui change le cas d’investissement, c’est le langage de gestion concernant trois aspects. Premièrement, le moment de déploiement de Rubin et les critères de qualification des clients : les hyperscalers proposent-ils vraiment des systèmes Rubin, ou est-ce encore en cours de développement ? Deuxièmement, l’inference en tant que facteur de revenus : Nvidia a indiqué que l’opportunité liée au chip d’IA pourrait atteindre…1 trillion jusqu’en 2027Ce chiffre ne fonctionne que si l’adoption des inférences continue d’accélérer. Troisièmement, la visibilité de l’offre : peut-on dire que Nvidia perçoit une forte demande jusqu’à la fin de l’exercice budgétaire ? Ou y a-t-il des signes de détente dans la situation ?

La question de l’évaluation est indépendante du résultat des revenus. Avec un P/E à 57, la action présente déjà une exécution parfaite jusqu’en 2028 et au-delà. Cela ne signifie pas que l’évaluation soit incorrecte – des revenus en croissance de 50%+ peuvent permettre de faire passer le multiple de 57 vers les 30 dans deux ans, même si le prix de l’action reste constant. Mais cela signifie qu’il n’y a pas de marge d’erreur possible concernant les prévisions.

Bien que je continue de croire que le cycle d’architecture de Nvidia lui permettra de réaliser des gains cumulés sur plusieurs années, le profil de rendement n’est plus aussi simple qu’à un P/E de 30. Une grande partie du rendement total sera probablement influencée par les facteurs liés à l’évolution de la situation en 2028-2030 : Rubin gagnera en importance, les revenus liés à l’inference deviendront une part plus importante des revenus totaux, et la menace posée par les semi-conducteurs personnalisés se résoudra d’une manière ou d’une autre.

La discussion ne porte pas sur le fait que Nvidia reste importante. Elle concerne plutôt si le profil de retour d’investissement est toujours aussi intéressant que celui qui peut être trouvé ailleurs dans le secteur de l’IA.

Le rapport d’aujourd’hui ne répond pas entièrement à cette question. Mais les chiffres, les données et les explications de Jensen Huang concernant Rubin, les inférences et la chaîne d’approvisionnement vous diront si la théorie qui vous a mené ici reste valable – ou si elle doit être adaptée en fonction de l’état réel de l’entreprise.