Toutes les quelques semaines, une autre entreprise annonce qu'elle "défie Nvidia $NVDA." Le cadrage est cohérent. Les ambitions derrière ne le sont pas.
Entreprise après entreprise s'aligne pour défier la domination de Nvidia sur les puces d'IA. Aucune d'entre elles ne poursuit exactement le même objectif.
Samuel Boivin / NurPhoto via Getty Images
Toutes les quelques semaines, une autre entreprise annonce qu'elle "défie Nvidia $NVDA." Le cadrage est cohérent. Les ambitions derrière ne le sont pas.
Certaines entreprises conçoivent des puces uniquement pour l'inférence, le travail de répondre à une question ou de générer une image une fois le modèle déjà entraîné. D'autres veulent quelque chose de plus ambitieux : le contrôle de toute la chaîne, de la conception de la puce à l'usine qui la fabrique. Beaucoup d'autres se situent quelque part entre ces deux extrêmes et poursuivent des objectifs plus restreints, comme réduire un coût spécifique ou diminuer leur dépendance à un fournisseur. Presque aucune ne tente un remplacement à spectre complet de Nvidia à travers la formation, l'inférence et le marché libre.
La distinction est importante car les entreprises qui essaient maintenant de s'attaquer à la position dominante de Nvidia sur le marché des puces ne poursuivent pas toutes le même prix. La seule façon de les différencier est de regarder ce que chacune veut réellement, et non pas le titre qui les regroupe.
La position dominante de Nvidia dans l'entraînement — le processus computationnellement intensif de construction de modèles d'IA à partir de zéro — reste sa position la plus forte. Selon les analystes de Silicon, qui compile les estimations de TrendForce, Morgan Stanley $MS et les données de capacité de TSMC $TSM, la part de Nvidia a dépassé 90% dans l'entraînement en 2025. Sa part d'inférence se situait entre 60% et 75% sur la même période, affaiblie par la concurrence croissante des silicones sur mesure. Entre les deux plages, l'écart se traduit par environ 15 à 30 points de pourcentage. C'est exactement la zone sur laquelle la plupart des challengers se battent.
Groq, une startup de puces IA, a construit son unité de traitement du langage spécifiquement pour l'inférence, priorisant des réponses rapides et prévisibles plutôt que la flexibilité nécessaire pour l'entraînement. L'entreprise a été "établie en 2016 pour l'inférence," selon sa propre description de produit, et se présente comme "la seule puce d'inférence construite sur mesure" pour les développeurs. Groq se bat pour la charge de travail qui se produit après qu'un modèle existe déjà, pas pour les contrats d'entraînement de Nvidia.
La trajectoire de Google $GOOGL raconte une histoire similaire. Google décrit Ironwood, la dernière unité de traitement Tensor de l'entreprise, comme son premier TPU « conçu spécifiquement pour l'inférence. » Google construit toujours des TPU qui gèrent la formation, mais l'accent stratégique s'est déplacé vers le segment où la prise de Nvidia est la plus faible. Et Google ne vend pas Ironwood en tant que puce autonome. La seule façon d'en utiliser une est de louer la capacité via Google Cloud. Les acheteurs sont enfermés dans la tarification et l'infrastructure cloud de Google et ne peuvent pas posséder le matériel en propre.
La distinction la plus importante parmi les challengers de Nvidia peut être la plus simple : vendent-ils des puces à d'autres ou les utilisent-ils en interne ?
OpenAI veut se libérer des prix et du calendrier de production de Nvidia, pas entrer dans le secteur des puces. Son partenariat avec Broadcom $AVGO, annoncé en octobre 2025, implique le co-développement de puces IA personnalisées qui consommeront jusqu'à 10 gigawatts de puissance, soit autant d'électricité que 10 grandes centrales nucléaires génèrent. Le but déclaré est de permettre à OpenAI « d'intégrer ce qu'il a appris du développement de modèles et de produits d'avant-garde directement dans le matériel. » Les puces seront déployées « dans les installations d'OpenAI et les centres de données partenaires », jamais vendues à quiconque.
Amazon $AMZN est le plus proche qu'un fournisseur de cloud ait jamais été de construire un véritable rival du marché ouvert à Nvidia. AWS, la division cloud d'Amazon, a fait ses puces Trainium disponibles aux clients externes via le service de location cloud EC2. En mars, 1,4 million de puces Trainium étaient déployées sur trois générations, selon TechCrunch, avec Claude d'Anthropic fonctionnant sur plus d'un million de puces Trainium2 seules. Amazon a également engagé deux gigawatts de capacité de calcul Trainium à OpenAI, plaçant ses puces dans deux des laboratoires d'IA les plus en vue du secteur.
AMD $AMD occupe une catégorie distincte en tant que seule grande entreprise vendant des GPU de formation et d'inférence à des tiers sans être également une plateforme cloud. Sa série Instinct MI300 a gagné des clients, y compris Microsoft $MSFT Azure, Meta $META, Dell $DELL, HPE et Lenovo. La PDG d'AMD Lisa Su a déclaré que la série MI350 offre "le plus grand saut de performance générationnel dans l'histoire d'Instinct."
Même lorsque le matériel concurrent correspond ou dépasse les spécifications de Nvidia sur le papier, une barrière séparée subsiste. L'écosystème logiciel CUDA de Nvidia, lancé en 2006, a accumulé près de deux décennies de bibliothèques, d'outils et d'expertise des développeurs. Selon le propre rapport annuel de Nvidia de janvier 2025, plus de 5,9 millions de développeurs dans le monde utilisent CUDA et les outils associés, à travers des centaines de bibliothèques spécifiques à un domaine.
Une étude de benchmark de SemiAnalysis de décembre 2024 a trouvé que le MI300X d'AMD, malgré des chiffres de performance annoncés plus élevés, a livré des résultats réels 14% plus lents que les H100 et H200 de Nvidia dans des benchmarks de formation clés. "Le fossé CUDA n'a pas encore été franchi par AMD en raison de la culture QA logicielle plus faible qu'attendu d'AMD et de son expérience difficile dès la sortie de la boîte," a conclu SemiAnalysis.
Battre la puce de Nvidia est nécessaire mais pas suffisant. L'écosystème autour d'elle détermine si les clients peuvent l'utiliser sans reconstruire leur flux de travail entier. C'est pourquoi Amazon a investi dans le soutien de PyTorch, le logiciel que la plupart des développeurs d'IA utilisent déjà pour créer des modèles, sur son kit de développement Neuron, et pourquoi AMD a lancé ROCm 7 et un cloud de développement gratuit.
Les grands fournisseurs de cloud qui construisent leurs propres puces ne tournent pas le dos à Nvidia. Daniel Newman, analyste au Futurum Group, a déclaré à CNBC en novembre 2025 : « Ils veulent avoir un peu plus de contrôle sur les charges de travail qu'ils construisent. En même temps, ils vont continuer à travailler en étroite collaboration avec Nvidia, avec AMD, car ils ont aussi besoin de la capacité. La demande est si insatiable. »
La part de marché globale des puces AI de Nvidia, estimée par Mizuho Securities entre 70 % et 95 % selon le segment, devrait se stabiliser autour de 75 % à mesure que le marché total dépasse les 200 milliards de dollars. Le marché n'est pas à somme nulle. Nvidia peut perdre des parts en pourcentage tout en vendant plus de puces que jamais.
Aucune des deux entreprises ici ne suit la même stratégie. Là où Groq a choisi l'inférence et s'y est tenu, Google poursuit quelque chose de plus restreint : réduire ses propres coûts cloud. OpenAI veut l'opposé de restreint. Il verrouille sa propre chaîne d'approvisionnement pour que le prix de Nvidia et le calendrier de production ne puissent pas l'atteindre. Amazon est allé plus loin et a construit tout un écosystème qu'il peut réellement vendre à d'autres. AMD est le seul à vouloir affronter Nvidia directement sur le marché ouvert.
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.