Waarom NVIDIA zo belangrijk is voor de AI-industrie

Als er één bedrijf is waarvan de koers de hele AI-industrie beïnvloedt, dan is het NVIDIA. Het belang van NVIDIA voor AI gaat verder dan een chipfabrikant die het goed doet op de beurs — het gaat over de infrastructuurlaag waarop vrijwel alle moderne AI-systemen draaien. Dit artikel legt uit waarom, en wat dat betekent voor bedrijven die AI-tools kopen of inzetten.

Je hoeft geen investeerder te zijn om dit te begrijpen. Als je weet waarom NVIDIA zo cruciaal is voor AI, begrijp je ook beter waarom AI-rekenkracht schaars is, waarom cloudprijzen voor AI-toepassingen stijgen, en waarom bepaalde AI-diensten duurder worden — of beschikbaar blijven.

Waarom GPU’s de ruggengraat zijn van AI

Traditionele software draait op CPU’s — de centrale processor die één of een handvol taken tegelijk uitvoert. AI-training werkt anders: het vereist het gelijktijdig uitvoeren van miljoenen wiskundige operaties, specifiek matrixvermenigvuldigingen. Dat is precies waarvoor GPU’s — grafische processoren — zijn ontworpen. Ze kunnen duizenden operaties parallel uitvoeren.

NVIDIA bouwt GPU’s al decennia voor de gamingmarkt. Maar de wiskundige structuur die gaming-rendering snel maakt, bleek ook ideaal voor het trainen van neurale netwerken. Dat inzicht, gecombineerd met NVIDIA’s vroege investering in CUDA — een programmeerplatform dat GPU’s toegankelijk maakt voor niet-grafische toepassingen — gaf het bedrijf een voorsprong die concurrenten tot op vandaag niet hebben ingehaald.

CUDA: het ecosysteem dat NVIDIA’s positie vergrendelt

CUDA is meer dan software — het is een ecosysteem. Bijna alle AI-bibliotheken, frameworks en tools (PyTorch, TensorFlow, JAX) zijn geoptimaliseerd voor CUDA. Dat betekent dat de duizenden AI-onderzoekers en engineers die de afgelopen tien jaar code hebben geschreven, dat deden met NVIDIA-hardware in gedachten.

Overstappen naar een alternatieve chiparchitectuur — van AMD, Intel of de eigen AI-chips van Google en Amazon — vereist niet alleen nieuwe hardware. Het vereist het herschrijven of aanpassen van enorme hoeveelheden code en tooling. Dat is de reden waarom alternatieven technisch beschikbaar zijn maar zelden op grote schaal worden ingezet buiten de bedrijven die ze zelf bouwen.

Volgens analyses in The Wall Street Journal heeft NVIDIA een marktaandeel van meer dan 80% in AI-trainingsinfrastructuur. Dat is geen dominantie door gebrek aan concurrentie — het is dominantie door een ecosysteem dat over twee decennia is opgebouwd.

De H100 en B200: de chips waarop moderne AI draait

NVIDIA’s datacenterschips — de A100, H100, en nu de Blackwell B200-serie — zijn de hardware waarop de grote taalmodellen van OpenAI, Anthropic, Google en Meta worden getraind en gehost. Een H100-chip kost tussen de 25.000 en 40.000 dollar per stuk. De grote AI-labs kopen er tienduizenden tegelijk.

Die schaarste is reëel. In 2023 en 2024 stonden bedrijven maandenlang op wachtlijsten voor H100-hardware. Dat heeft directe gevolgen: cloudproviders als AWS, Azure en Google Cloud die deze chips aanbieden als gedeelde AI-rekenkracht, hanteren hogere prijzen. En die kosten worden doorgerekend in de prijzen van AI-diensten die jij als bedrijf afneemt.

Wat NVIDIA’s positie betekent voor jou als ondernemer

Voor de meeste KMO’s is NVIDIA geen directe leverancier — je koopt geen GPU’s. Maar NVIDIA’s positie heeft indirecte gevolgen die je als ondernemer wel voelt.

Prijsontwikkeling van AI-diensten. Als GPU-schaarste de cloudkosten opdrijft, stijgen ook de abonnementsprijzen van AI-tools die op die cloud draaien. Dat is een structurele kostendruk die de komende jaren aanhoudt, ook al daalt de prijs per chip gradueel.

Beschikbaarheid van AI-capaciteit. Grote AI-labs moeten GPU-capaciteit reserveren. Als die capaciteit beperkt is, leiden sommige diensten vertragingen of capaciteitsbeperkingen in. Je hebt dat wellicht ervaren als trage responstijden bij piekgebruik.

Leverage van cloudproviders. De keuze voor een cloud-AI-dienst (AWS Bedrock, Azure OpenAI, Google Vertex AI) hangt deels af van wie toegang heeft tot welke GPU-generatie. Dat is een factor die de komende jaren meespeelt in vergelijkingen van AI-platforms.

Concurrenten en alternatieve chips

NVIDIA heeft concurrenten die actief investeren in AI-chip-alternatieven. AMD’s MI300X-serie is technisch capabel en wint aan tractie bij sommige cloudproviders. Intel brengt zijn Gaudi-lijn op de markt. Google, Amazon en Microsoft bouwen elk eigen AI-chips (respectievelijk TPU, Trainium/Inferentia, en Maia) voor intern gebruik.

De bottleneck voor brede adoptie van alternatieven is consequent hetzelfde: software-compatibiliteit. CUDA is zo diep ingebed in de AI-toolketen dat overstappen niet gaat over hardware-specificaties, maar over tooling, drivers, bibliotheken en de beschikbaarheid van engineers die met niet-CUDA omgevingen kunnen werken. Google’s TPUs zijn technisch indrukwekkend maar worden primair intern gebruikt, omdat externe ondersteuning te beperkt is voor de meeste teams.

Op middellange termijn (2-5 jaar) is het waarschijnlijk dat de markt minder geconcentreerd wordt, naarmate softwareabstractielagen (zoals MLX van Apple of OpenXLA) het makkelijker maken om cross-platform te werken. Maar op dit moment is NVIDIA’s positie structureel sterk.

NVIDIA’s belang voor AI: samenvatting voor beslissers

NVIDIA is de leverancier van de schop in de digitale goudkoorts. Wie AI bouwt of traint, heeft NVIDIA-hardware nodig — of de bereidheid om alternatieven te accepteren die nog niet volwassen zijn. Dat maakt NVIDIA’s positie voorlopig stevig, ook al investeren concurrenten en klanten actief in alternatieven.

Voor jou als KMO-eigenaar is de belangrijkste conclusie: de infrastructuurlaag van AI is geconcentreerd en schaars. Dat heeft gevolgen voor prijzen en beschikbaarheid van AI-diensten. Maar het verandert niets aan de tactiek: kies de diensten die het beste passen bij jouw use case, ongeacht de onderliggende chiparchitectuur.

Voor meer context over hoe AI technisch werkt en welke rol hardware speelt: Hoe werkt AI? Simpel uitgelegd voor beginners. Voor de bredere vraag over wie er toezicht houdt op AI-systemen: Wie controleert AI? Toezicht, transparantie en de mens in de loop. En voor de overkoepelende gids: de AI-gids voor Belgische ondernemers.