Le vertige des chiffres : quand le Cloud cache l’usine
Si vous regardez le cours de l’action Nvidia, tout semble aller pour le mieux dans le meilleur des mondes. Avec des revenus Data Center qui frôlent les 90% du chiffre d’affaires total, l’entreprise de Jensen Huang est devenue le poumon de l’économie numérique. Mais derrière cette façade étincelante alimentée par ChatGPT et ses cousins, une autre réalité se dessine, beaucoup plus nuancée.
Selon des informations rapportées par The Information et corroborées par les analystes, la division « Professional Visualization » (qui abrite l’Omniverse et les jumeaux numériques) et la branche automobile peinent à reproduire la courbe exponentielle des puces pour serveurs. L’industrie manufacturière, censée être le prochain eldorado de l’IA, ne mord pas à l’hameçon avec la même frénésie que les géants du Web. Le constat est brutal : vendre des puces pour générer du texte est une chose ; convaincre une usine automobile de confier ses chaînes de montage à des algorithmes en est une autre.
Pourquoi le monde physique résiste au code
Pourquoi ce décalage ? Parce que les atomes sont infiniment plus rancuniers que les bits. Dans le monde numérique, une hallucination d’IA produit une phrase bizarre. Dans une usine, elle peut broyer une pièce coûteuse ou blesser un humain. Cette intolérance à l’erreur crée un mur de la réalité que Nvidia tente d’escalader.
L’inertie du « Legacy »
Le principal frein n’est pas technologique, mais structurel. Les usines du monde entier tournent sur des équipements (automates Siemens, bras robotiques Fanuc) qui ont parfois 20 ou 30 ans. Ces systèmes « legacy » sont hermétiques, fragmentés et parlent des langages propriétaires obsolètes. Connecter ces machines à l’Omniverse de Nvidia demande des investissements colossaux (CapEx) que les industriels, soumis à des marges serrées, hésitent à débloquer.
La pénurie de données physiques
L’autre obstacle majeur est la donnée. Pour entraîner ChatGPT, on a aspiré l’internet. Mais pour apprendre à un robot à manipuler une pièce de métal glissante, il n’existe pas de base de données mondiale prête à l’emploi. C’est le paradoxe de l’IA physique : elle nécessite des données que nous n’avons pas. Nvidia tente de contourner cela avec la génération de données synthétiques (simuler la physique pour entraîner l’IA), mais la transition du simulateur au réel reste imparfaite.
Un pivot vital pour la valorisation boursière
Pourquoi est-ce si grave si l’industrie traîne des pieds, tant que les Data Centers rapportent des milliards ? Parce que la bourse achète le futur, pas le présent. Les investisseurs savent que la demande pour l’entraînement des LLM (Large Language Models) finira par atteindre un plateau. Pour justifier une valorisation qui dépasse le PIB de la France, Nvidia doit prouver qu’elle peut numériser le monde physique : la robotique, la logistique, la santé.
Jensen Huang le martèle : « L’IA physique est la prochaine vague ». Mais pour l’instant, c’est une vague qui se brise sur la complexité du terrain. Les partenariats annoncés à grand renfort de communication avec des géants comme Foxconn ou Mercedes-Benz sont stratégiques, mais leurs cycles de déploiement se comptent en années, là où la Tech raisonne en trimestres.
L’avis de Just Tech
Nous assistons peut-être à la fin de l’illusion de l’universalité immédiate de l’IA. La Silicon Valley a cru que le modèle « SaaS » (Software as a Service) pouvait s’appliquer tel quel à l’industrie lourde. C’était oublier que l’industrie ne se « disrupte » pas à coup de mises à jour logicielles nocturnes. Nvidia a raison sur la destination : à terme, tout ce qui bouge sera autonome. Mais l’entreprise (et ses investisseurs) a sans doute sous-estimé la viscosité du monde réel. L’IA générative a été un sprint spectaculaire ; l’IA industrielle sera un marathon lent, boueux et coûteux. La question n’est pas de savoir si Nvidia va y arriver, mais si Wall Street aura la patience d’attendre l’arrivée.
