Pendant plusieurs années, la compétition dans l’intelligence artificielle a été racontée comme une course aux modèles. OpenAI, Google, Anthropic, Meta, puis une nouvelle génération d’acteurs américains, européens et chinois se sont affrontés sur la taille, les performances, les coûts et les capacités de leurs systèmes. Derrière cette compétition beaucoup plus visible s’en déroule pourtant une autre, peut-être plus déterminante encore : celle du contrôle des infrastructures sur lesquelles l’ensemble de cette industrie se construit.

L’accord rapporté le 27 août par The Information, selon lequel NVIDIA aurait accepté d’acquérir Hugging Face pour 12,9 milliards de dollars, prend toute sa signification dans cette seconde bataille. Reuters a confirmé avoir eu connaissance de cette information tout en précisant que NVIDIA et Hugging Face n’avaient pas immédiatement commenté l’opération. Tant qu’une annonce officielle n’est pas intervenue, ses modalités définitives doivent donc être considérées avec prudence. Si elle se concrétise cependant, l’acquisition réunirait deux entreprises occupant des positions très différentes mais profondément complémentaires dans l’économie de l’intelligence artificielle : NVIDIA, devenue l’acteur dominant du calcul accéléré, et Hugging Face, qui s’est imposée comme l’un des principaux points de rencontre de l’écosystème des modèles ouverts.

Pour comprendre pourquoi NVIDIA pourrait consacrer près de 13 milliards de dollars à une entreprise dont le revenu annualisé serait d’environ 150 millions, il faut d’abord comprendre ce qu’est réellement Hugging Face.

Hugging Face, la bibliothèque devenue infrastructure

L’analogie la plus couramment utilisée consiste à présenter Hugging Face comme le « GitHub de l’intelligence artificielle ». Elle est utile, mais désormais insuffisante.

GitHub permet aux développeurs de stocker, versionner, partager et collaborer autour du code informatique. Hugging Face applique une logique comparable aux principaux composants nécessaires à la construction de systèmes d’intelligence artificielle, tout en ajoutant progressivement des outils permettant de les tester, de les entraîner et de les exécuter.

Son cœur est le Hugging Face Hub. Il constitue un immense catalogue dans lequel chercheurs, entreprises et développeurs peuvent publier et trouver des modèles d’intelligence artificielle, des jeux de données et des applications. La documentation de la plateforme revendique plus de deux millions de modèles, 1,5 million de datasets et 1,5 million de Spaces, ces derniers étant des applications permettant notamment de démontrer ou tester directement des modèles. Les données publiées par Hugging Face durant l’été 2026 montrent même que le nombre de dépôts publics de modèles approchait trois millions. Ces chiffres donnent une idée de l'échelle, mais ils expliquent encore mal l'activité.

Imaginons une entreprise souhaitant construire un système capable d’analyser automatiquement des milliers de documents. Elle pourrait entraîner son propre modèle depuis zéro, opération nécessitant des données considérables, des compétences spécialisées et une importante puissance de calcul. Mais elle peut également rechercher sur Hugging Face un modèle existant adapté à son besoin, examiner sa documentation, ses performances et sa licence, télécharger ses poids lorsque ceux-ci sont disponibles, l’adapter à ses propres données, puis l’exécuter sur son infrastructure ou auprès d’un fournisseur de calcul.

Le même principe s’applique à la génération de texte, à la traduction, à la reconnaissance d’images, à la synthèse vocale, aux embeddings, à la génération d’images ou de vidéos, et désormais de plus en plus à la robotique et aux agents autonomes.

Hugging Face se situe donc à l’intersection de plusieurs étapes : découvrir un modèle, accéder à ses fichiers, comprendre son fonctionnement, le tester, l’adapter, l’évaluer, le partager et finalement le déployer. Mais son importance ne provient pas uniquement du Hub.

Autour de celui-ci s’est développée une véritable infrastructure logicielle. Transformers est devenue une bibliothèque majeure permettant d’utiliser de nombreuses architectures de modèles. Datasets facilite l’accès et le traitement des données. Diffusers joue un rôle comparable pour les modèles de diffusion. D’autres outils couvrent l’entraînement, l’optimisation, l’évaluation et l’inférence. Spaces permet de transformer rapidement un modèle en application accessible depuis un navigateur.

Hugging Face se trouve ainsi à un endroit particulier de la chaîne de valeur : l’entreprise ne produit pas nécessairement le modèle qu’un utilisateur choisira, mais elle fournit une partie des infrastructures permettant aux modèles produits par des milliers d’autres acteurs de rencontrer ceux qui veulent les utiliser. C’est cette position qui lui confère sa valeur stratégique.

Un écosystème fondé sur les effets de réseau

Un modèle publié sur Hugging Face peut provenir d’un laboratoire universitaire, d’un développeur indépendant, d’une startup ou d’un groupe technologique mondial. NVIDIA elle-même y distribue certains de ses modèles. Des acteurs spécialisés dans le texte, l’image, la vidéo, la voix ou la robotique utilisent également la plateforme.

Chaque nouveau modèle augmente l’intérêt du Hub pour les développeurs. Chaque nouveau développeur augmente en retour l’intérêt qu’ont les producteurs de modèles à y publier leurs travaux. Plus cette activité augmente, plus les bibliothèques et standards développés autour de la plateforme deviennent utiles. Ce mécanisme crée un effet de réseau classique, mais appliqué à une industrie encore extrêmement jeune.

L’importance de Hugging Face ne doit cependant pas être confondue avec une domination uniforme. Les propres statistiques de l’entreprise montrent une concentration spectaculaire de l’utilisation : durant les premiers mois de 2026, environ 1,5 % des dépôts concentraient plus de 99 % des téléchargements. Derrière les millions de modèles disponibles existe donc une économie de l’attention extrêmement asymétrique.

La plateforme n’en occupe pas moins un carrefour stratégique. Elle concentre les modèles, mais aussi leur documentation, leurs versions, leurs licences, leurs évaluations, les jeux de données associés et progressivement les moyens de les entraîner ou de les exécuter. Et cette infrastructure joue un rôle particulièrement important dans une partie du marché qui constitue désormais un enjeu stratégique majeur pour NVIDIA : les modèles ouverts.

Ouvert et propriétaire : deux architectures de l’intelligence artificielle

L’opposition entre intelligence artificielle « ouverte » et « fermée » est souvent présentée trop simplement. Dans un système largement propriétaire, l’utilisateur accède généralement au modèle par une application ou une API. Le fournisseur conserve le contrôle de la technologie fondamentale, de son évolution et, dans une large mesure, des conditions dans lesquelles elle peut être utilisée. Les modèles commerciaux d’OpenAI et d’Anthropic illustrent cette architecture.

L'utilisateur bénéficie d'une technologie extrêmement sophistiquée sans avoir à administrer l'infrastructure qui la fait fonctionner. En contrepartie, il ne possède pas le modèle et ne peut généralement ni accéder à ses poids ni l'exécuter librement sur ses propres machines.

À l’autre extrémité existent des modèles dont les poids peuvent être téléchargés et qui peuvent, selon leur licence, être exécutés sur une infrastructure indépendante, adaptés ou intégrés dans d’autres produits. Mais un modèle dont les poids sont disponibles n’est pas nécessairement « open source » au sens strict.

Les poids peuvent être accessibles alors que les données d’entraînement ne le sont pas. Le code peut être publié sans que le processus complet d’entraînement soit reproductible. Certaines licences autorisent la recherche mais limitent certains usages commerciaux. D’autres imposent des restrictions particulières.

Il est donc plus exact de parler d’un continuum allant des systèmes entièrement propriétaires aux modèles largement ouverts, en passant par les nombreux modèles « open weight ». Cette distinction n’est pas seulement philosophique. Elle produit deux structures économiques différentes.

Dans l’univers propriétaire, la relation peut être relativement courte : le développeur utilise l’API d’un fournisseur qui contrôle le modèle et organise l’infrastructure nécessaire à son fonctionnement.

Dans l’univers ouvert, la chaîne peut être beaucoup plus fragmentée. Un acteur produit le modèle. Un autre le distribue. Une entreprise le télécharge. Une autre fournit les GPU. Une plateforme cloud fournit l’infrastructure. Un développeur l’adapte. Un spécialiste de l’inférence l’optimise. Une entreprise l’intègre finalement dans son application.

Cette fragmentation crée un marché immense pour les infrastructures communes. Et c’est précisément là que se rencontrent Hugging Face et NVIDIA.

Les couches de l’économie de l’IA

L’intelligence artificielle contemporaine peut être représentée comme une succession de couches interdépendantes. À sa base se trouvent l’énergie, les centres de données et les réseaux. Viennent ensuite les semi-conducteurs et les accélérateurs spécialisés. Au-dessus se trouvent les logiciels permettant d’exploiter efficacement ces processeurs. Puis apparaissent les infrastructures cloud, les systèmes d’entraînement, les modèles fondamentaux, les plateformes de distribution et d’adaptation, l’inférence, les applications et finalement les utilisateurs. Aucune de ces couches n’est entièrement indépendante des autres.

NVIDIA a construit sa puissance à proximité de la base de cette pyramide. Ses GPU sont devenus essentiels à l’entraînement et à l’exécution de nombreux modèles. CUDA a créé autour de ce matériel un environnement logiciel extrêmement difficile à reproduire. Les systèmes DGX, les technologies de réseau, les bibliothèques d’accélération et, plus récemment, DGX Cloud et ses différentes extensions ont progressivement élargi la présence du groupe. NVIDIA n’est donc déjà plus simplement un fabricant de semi-conducteurs. L’entreprise cherche à fournir une plateforme de calcul complète.

Hugging Face se situe plusieurs étages plus haut. Son pouvoir provient moins de la fabrication du calcul que de l’organisation de la relation entre modèles, données, développeurs et capacité de calcul.

L’intérêt potentiel de leur rapprochement apparaît alors immédiatement : l’une contrôle une partie essentielle du moteur ; l’autre occupe une position privilégiée auprès de ceux qui choisissent ce qu’ils vont faire tourner sur ce moteur.

Pourquoi NVIDIA a besoin d’une IA ouverte forte

C’est ici que l’opération devient paradoxale. NVIDIA vend aujourd’hui ses technologies aussi bien aux producteurs de modèles propriétaires qu’aux acteurs de l’open AI. OpenAI, Anthropic et de nombreux autres laboratoires contribuent donc directement à la demande pour ses accélérateurs. Mais les plus grands clients de NVIDIA ont également une raison économique majeure de réduire leur dépendance à son égard.

À mesure que leurs besoins de calcul atteignent des dizaines de milliards de dollars, concevoir des accélérateurs spécialisés devient rationnel. Google dispose depuis longtemps de ses TPU. Amazon développe Trainium et Inferentia. Microsoft travaille sur Maia. D’autres grands acteurs explorent également leurs propres architectures.

Les entreprises qui achètent aujourd’hui massivement des GPU NVIDIA peuvent donc devenir demain des concurrents sur une partie de l’infrastructure.

The Information rapporte précisément que les dirigeants de NVIDIA considèrent le développement d’un puissant écosystème de modèles ouverts comme un contrepoids aux grands producteurs de modèles propriétaires, lesquels cherchent à développer leurs propres puces et à diminuer leur dépendance envers NVIDIA. La logique économique est profonde.

Quelques très grands laboratoires propriétaires disposent du capital, du volume et des compétences nécessaires pour essayer de construire leurs propres infrastructures.

Un écosystème composé de dizaines de milliers de startups, d’universités, de laboratoires, d’entreprises et de développeurs utilisant des modèles ouverts présente une structure radicalement différente. La plupart ne construiront jamais leurs propres accélérateurs. Ils achèteront du calcul. Et une grande partie de ce calcul peut rester fondée sur NVIDIA.

Défendre l’écosystème ouvert revient donc potentiellement à défendre un marché fragmenté dans lequel le fournisseur d’infrastructure demeure indispensable.

De fournisseur de GPU à architecte de l’écosystème

Cette stratégie dépasse déjà Hugging Face. NVIDIA développe ses propres modèles ouverts, notamment sous la marque Nemotron, et publie également des modèles comme ceux de la famille Cosmos destinés notamment à la « Physical AI ». Le groupe multiplie parallèlement les investissements dans les laboratoires, les infrastructures et les entreprises utilisant ses technologies.

La logique n’est plus simplement de vendre davantage de GPU. Il s’agit de faire en sorte qu’une part croissante du cycle de développement de l’IA puisse être accomplie dans un environnement optimisé autour de NVIDIA. La relation avec Hugging Face s’inscrit depuis plusieurs années dans cette évolution.

Dès 2023, les deux entreprises annonçaient un partenariat permettant d’intégrer DGX Cloud à l’écosystème Hugging Face. L’idée était déjà de permettre aux développeurs de passer plus facilement de la sélection d’un modèle à son entraînement ou son adaptation sur des infrastructures NVIDIA.

Cette coopération s’est approfondie. Hugging Face a ensuite intégré DGX Cloud Lepton dans son offre Training Cluster as a Service, donnant aux organisations présentes sur la plateforme la possibilité d’accéder à de grandes capacités GPU fournies à travers un réseau de partenaires cloud. Autrement dit, une partie du pont entre les deux entreprises existe déjà. Une acquisition ne créerait pas cette relation. Elle l’internaliserait.

Ce que pourrait devenir l’ensemble NVIDIA–Hugging Face

Les synergies potentielles apparaissent alors considérables. Un développeur pourrait découvrir un modèle sur Hugging Face, comparer ses performances, consulter sa licence et ses évaluations, sélectionner une infrastructure NVIDIA adaptée, réserver du calcul, entraîner ou fine-tuner le modèle, l’optimiser pour les GPU NVIDIA, le déployer puis servir l’inférence depuis un environnement progressivement intégré.

La chaîne pourrait devenir : modèle, données, développement, entraînement, GPU, optimisation, déploiement, inférence.

NVIDIA se trouverait présente directement ou indirectement à presque toutes ces étapes. L’intérêt est également considérable sur le plan de la distribution. Les infrastructures de calcul ont besoin de développeurs ; les développeurs ont besoin de modèles ; les modèles ont besoin de calcul. Hugging Face fournit précisément le point de rencontre permettant de rapprocher ces trois populations.

La plateforme affirme désormais servir quelque 250 000 organisations dans certaines de ses offres de calcul. Elle constitue donc non seulement un catalogue technologique, mais aussi un canal potentiel permettant à NVIDIA d’établir une relation beaucoup plus directe avec ceux qui consomment ses infrastructures. Cette dimension prend une importance particulière face aux hyperscalers.

Une relation plus directe avec les développeurs

Amazon Web Services, Microsoft Azure et Google Cloud sont essentiels à NVIDIA. Ils achètent et déploient des quantités considérables de GPU et permettent aux entreprises d’y accéder sans posséder leurs propres centres de données. Mais cette relation contient une contradiction.

Les hyperscalers sont simultanément partenaires, distributeurs, clients et concurrents potentiels de NVIDIA. Tous cherchent à maîtriser davantage leur infrastructure. Plusieurs développent leurs propres accélérateurs précisément pour réduire leurs coûts et leur dépendance envers des fournisseurs externes.

Pour NVIDIA, établir une relation directe avec les développeurs devient donc stratégiquement précieux. DGX Cloud répond déjà partiellement à cet objectif. Hugging Face pourrait considérablement renforcer cette logique.

Le développeur qui commence son projet sur Hugging Face pourrait être orienté vers du calcul NVIDIA sans avoir à choisir d’abord un hyperscaler. NVIDIA ne supprimerait évidemment pas AWS, Azure ou Google Cloud de la chaîne — DGX Cloud Lepton s’appuie lui-même sur un réseau de fournisseurs — mais le groupe pourrait contrôler davantage la couche d’orchestration située entre la demande de calcul et l’infrastructure physique.

La différence est essentielle. Celui qui fabrique le GPU contrôle une technologie. Celui qui organise l’accès au GPU contrôle une plateforme. Celui qui contrôle également l’endroit où les développeurs viennent chercher leurs modèles commence à contrôler un écosystème.

Le prix d’un point de passage

Le montant rapporté pour l’acquisition permet de mesurer l’importance stratégique que NVIDIA pourrait accorder à cette position.

Hugging Face avait été valorisée 4,5 milliards de dollars lors d’une levée de 235 millions en 2023 à laquelle NVIDIA participait déjà aux côtés d’autres investisseurs. Selon Reuters, son revenu annualisé atteindrait aujourd’hui environ 150 millions de dollars. Un prix de 12,9 milliards représente donc une valorisation extraordinairement élevée au regard des revenus actuels. Une telle prime serait difficile à justifier en considérant Hugging Face comme une simple entreprise SaaS. Elle devient plus compréhensible si NVIDIA considère la société comme une infrastructure stratégique.

La valeur réside alors dans ce qu’il serait extrêmement difficile de reconstruire : plusieurs millions de dépôts, une communauté mondiale, des centaines de milliers d’organisations, des bibliothèques devenues familières aux développeurs, des standards techniques, des intégrations et surtout une position acquise au centre de l’écosystème ouvert. Il est possible de reproduire un logiciel. Il est beaucoup plus difficile de reproduire un réseau.

Le paradoxe de l’IA ouverte

C’est précisément ici que l’opération soulève sa question la plus importante. L’essor des modèles ouverts a souvent été présenté comme une réponse à la concentration de l’intelligence artificielle entre quelques grandes entreprises. Si les poids peuvent être téléchargés, si les modèles peuvent être modifiés et si les entreprises peuvent les exécuter sur leurs propres infrastructures, leur dépendance envers quelques fournisseurs de modèles propriétaires diminue. Mais ouverture du modèle ne signifie pas nécessairement décentralisation de l’écosystème.

Un modèle peut être ouvert alors que les semi-conducteurs nécessaires à son entraînement sont extrêmement concentrés. Ses poids peuvent être librement accessibles alors que son entraînement nécessite des dizaines de milliers de GPU. Son code peut être public alors que son déploiement dépend de quelques clouds. Des millions de modèles peuvent exister alors que leur distribution s’organise autour d’un nombre limité de plateformes.

L’acquisition éventuelle de Hugging Face par NVIDIA rendrait cette contradiction particulièrement visible. L’un des principaux espaces de l’intelligence artificielle ouverte pourrait appartenir à l’entreprise occupant déjà une position dominante dans le calcul accéléré qui permet à cette intelligence artificielle de fonctionner.

Cela ne signifierait pas nécessairement la fermeture de Hugging Face. NVIDIA aurait au contraire de puissantes raisons économiques de préserver son ouverture, son caractère multi-modèles et probablement une partie importante de sa neutralité technologique : c’est précisément l’étendue de son écosystème qui fait sa valeur. Mais la question de la gouvernance deviendrait inévitable.

Comment préserver la confiance d’une communauté dont certains membres utilisent des accélérateurs concurrents ? Quelle neutralité garantir aux modèles développés par des entreprises en compétition avec NVIDIA ? Quelle place conserver aux infrastructures AMD, aux TPU de Google ou aux futurs accélérateurs des hyperscalers ? Et jusqu’où peut aller l’intégration commerciale sans transformer un bien commun de fait de l’écosystème en canal de distribution privilégié ?

La réussite stratégique de l’opération dépendrait probablement de cette contradiction : intégrer Hugging Face suffisamment pour créer des synergies, sans l’intégrer au point de détruire la neutralité qui lui donne sa valeur.

Contrôler les rails plutôt que choisir le train

La compétition mondiale autour de l’intelligence artificielle entre ainsi dans une nouvelle phase. La première bataille a porté sur les modèles. La suivante porte de plus en plus sur les infrastructures qui permettent de les construire, de les distribuer et de les exécuter.

Dans cette économie, il n’est pas nécessaire de savoir quel modèle dominera dans cinq ans pour construire une position extrêmement puissante. Il peut être plus intéressant de contrôler les ressources dont tous les modèles auront besoin.

NVIDIA l’a déjà démontré avec les GPU. Peu importe qu’un développeur utilise un modèle américain, français ou chinois si son entraînement et son inférence reposent sur des accélérateurs NVIDIA. CUDA a renforcé cette position en ajoutant au matériel un écosystème logiciel. DGX Cloud cherche désormais à étendre cette logique à la capacité de calcul.

Hugging Face ajouterait une nouvelle dimension : la distribution et la relation avec la communauté qui construit et utilise les modèles. C’est peut-être ainsi qu’il faut interpréter les 12,9 milliards de dollars rapportés pour cette acquisition. NVIDIA ne chercherait pas simplement à acheter une entreprise de logiciels, ni même à parier sur une famille particulière de modèles.

Elle chercherait à contrôler une couche supplémentaire de l’infrastructure commune à une multitude de modèles concurrents. Dans la prochaine phase de l’intelligence artificielle, la question décisive pourrait donc ne plus être seulement de savoir qui construira le système le plus intelligent. Elle pourrait être de savoir qui possédera les rails sur lesquels tous les autres devront circuler.

Sources principales

  • Reuters, « Nvidia agrees to buy Hugging Face for $12.9 billion, The Information reports », 27 août 2026.
  • The Information, « Nvidia Agrees to Buy Open Source AI Platform Hugging Face For $12.9 Billion », août 2026.
  • Hugging Face, documentation officielle du Hugging Face Hub.
  • Hugging Face, « State of Open Models: Summer 2026 Observations », août 2026.
  • NVIDIA, « NVIDIA and Hugging Face to Connect Millions of Developers to Generative AI Supercomputing », 2023.
  • Hugging Face / NVIDIA, documentation relative à Training Cluster as a Service et DGX Cloud Lepton.