La feuille de route IA full-stack d’Alibaba fait des puces, des modèles et des agents un seul pari

Alibaba a dévoilé une feuille de route IA full-stack couvrant un nouveau processeur, des modèles Qwen plus grands, une infrastructure d’agents et plus de 20 gigawatts de capacité cloud.

L’annonce du 22 septembre est importante, car Alibaba ne présente plus ces produits comme des projets techniques distincts. Le groupe veut que les puces, les centres de données, les modèles, les services de contexte et les agents fonctionnent comme un système coordonné.

Cela place Alibaba sur une trajectoire de collision avec la stratégie de plateforme de Nvidia, même si les deux entreprises occupent des positions différentes. Nvidia vend des infrastructures de calcul à travers les clouds. Alibaba entend exploiter une grande partie de l’infrastructure, optimiser ses propres modèles pour celle-ci et vendre les services qui en résultent.

L’entreprise a présenté le processeur IA Zhenwu V900 et confirmé que Qwen 4 est en cours d’entraînement. Elle a également détaillé les modèles Qwen 4.5 et Qwen 5, visant entre 5 000 et 10 000 milliards de paramètres.

Alibaba a en outre présenté AgentCore pour gérer les agents d’entreprise, Agent Context pour fournir de la mémoire et des données métier en temps réel, ainsi que Qwen Intelligence pour les fabricants de smartphones.

L’annonce porte une promesse d’une ampleur inhabituelle. Alibaba affirme qu’un contrôle accru de l’ensemble de la pile améliorera la capacité, l’efficacité et le déploiement des agents. L’entreprise doit désormais démontrer que ces couches sont plus performantes ensemble que les combinaisons existantes de puces, de clouds et de modèles choisies par les clients.

La feuille de route IA full-stack d’Alibaba relie cinq couches

Le changement central chez Alibaba est architectural : puces, infrastructure, modèles, contexte et agents partagent désormais une même feuille de route publique.

Lors de la conférence Apsara 2026 à Hangzhou, Alibaba a décrit un système d’IA allant de la conception de semi-conducteurs à des applications capables d’agir dans les logiciels d’entreprise.

La base matérielle repose sur le Zhenwu V900. T-Head, l’unité de semi-conducteurs d’Alibaba, a conçu le processeur pour l’entraînement et l’inférence de modèles.

L’inférence est le processus de calcul par lequel un modèle entraîné répond à des requêtes. Elle devient souvent la principale dépense d’exploitation lorsqu’un produit d’IA atteint un grand nombre d’utilisateurs.

Alibaba affirme que le V900 offre des performances trois fois supérieures à celles du Zhenwu M890, présenté en mai. La comparaison porte sur le processeur précédent d’Alibaba, et non sur le matériel le plus récent de Nvidia.

Selon la feuille de route IA de l’entreprise, le V900 comprend 216 Go de mémoire et 1 200 Go/s de bande passante inter-puces. Il prend en charge FP8 et FP4, des formats à précision réduite utilisés pour diminuer les besoins en calcul et en mémoire.

L’entreprise a aussi présenté un supernœud amélioré associant le V900 à son commutateur réseau ICN, à la Panmai SmartNIC et au contrôleur de stockage Zhenyue.

Un supernœud relie de nombreux processeurs par un réseau à haut débit afin qu’ils puissent se comporter comme un système de calcul plus vaste. Alibaba affirme que les clusters fondés sur cette conception peuvent atteindre 500 000 cartes accélératrices.

Cette échelle constitue un plafond de conception, et non la preuve qu’une installation de 500 000 cartes est déjà en service. Alibaba n’a pas publié la configuration de déploiement, les besoins électriques ni des mesures de performance indépendantes pour un tel cluster.

La couche des modèles est tout aussi ambitieuse. Qwen 4 est actuellement en entraînement, tandis que les générations ultérieures de Qwen devraient atteindre entre 5 000 et 10 000 milliards de paramètres.

Les paramètres sont des valeurs internes du modèle ajustées pendant l’entraînement. Un nombre de paramètres plus élevé peut accroître les capacités, mais ne démontre pas à lui seul la précision, la qualité du raisonnement ou l’efficacité économique.

Le Qwen3.8-Max actuel compte 2 400 milliards de paramètres, selon une couverture indépendante. Le Kimi K3 de Moonshot AI, publié en juillet, contient 2 800 milliards de paramètres et fournit un autre point de référence chinois.

Au-dessus des modèles, Alibaba a réparti son cloud agentique en trois couches fonctionnelles. AI Native Cloud gère l’entraînement et l’inférence. Agent Native Cloud prend en charge le déploiement, la supervision et la sécurité. Context Engine relie les agents aux données actuelles et à la mémoire de long terme.

Un agent d’IA est un logiciel qui utilise un modèle, des outils et du contexte pour accomplir une séquence d’actions. Sa fiabilité dépend de davantage d’éléments que de la seule capacité du modèle à générer un bon texte.

Les agents doivent s’authentifier auprès des systèmes métier, récupérer les bonnes informations, préserver leur état et se rétablir après des actions échouées. La feuille de route d’Alibaba traite ces exigences opérationnelles comme des services cloud, plutôt que comme des fonctions que chaque client doit assembler.

Cette décision crée la tension centrale de l’article. Alibaba promet qu’une maîtrise sur cinq couches produira un meilleur système. Les clients ont encore besoin de preuves que cette intégration l’emporte sur les avantages du choix indépendant de chaque composant.

Pourquoi Alibaba veut posséder toute la chaîne d’approvisionnement de l’IA

La stratégie full-stack est la réponse d’Alibaba à l’accès restreint aux puces, à la hausse de la demande d’inférence et à l’économie d’exploitation des grands modèles.

Les systèmes d’IA avancés exigent plus que des processeurs performants. Ils nécessitent de la mémoire, du réseau, du stockage, de l’électricité, du refroidissement, des logiciels de modèles et des outils capables de faire fonctionner ensemble des milliers d’appareils.

Un goulot d’étranglement à n’importe quelle couche peut limiter l’ensemble du système. Un accélérateur rapide perd de sa valeur lorsque la congestion réseau le laisse attendre les données. Un modèle performant devient coûteux lorsque son logiciel de service gaspille de la mémoire.

La réponse d’Alibaba est une co-optimisation de bout en bout. Le PDG Eddie Wu a déclaré que l’entreprise ajuste puces, serveurs, réseaux, modèles et moteurs d’inférence comme un seul système.

Cette stratégie ressemble à un avantage de longue date détenu par les fournisseurs de cloud hyperscale. Les grands opérateurs peuvent concevoir des logiciels autour de matériels connus et répartir les coûts d’optimisation sur de nombreux clients.

Alibaba fait face à une incitation supplémentaire. Les contrôles américains à l’exportation ont restreint l’accès chinois à certains processeurs d’IA avancés et à certaines technologies de fabrication.

Ces restrictions n’éliminent pas le matériel étranger de Chine. Elles rendent l’accès futur moins prévisible et accroissent la valeur stratégique des alternatives nationales.

Nvidia détenait environ 40 % du marché chinois des puces d’IA en 2025, soit à peu près autant que Huawei, selon une estimation de Bernstein citée dans une analyse des puces d’IA. Cet équilibre montre à quelle vitesse le marché intérieur a évolué.

Le programme de puces d’Alibaba remplit donc deux objectifs. Il peut réduire la dépendance à un approvisionnement contraint et offrir à Alibaba Cloud du matériel conçu pour ses propres charges de travail.

L’argument commercial apparaît déjà dans les résultats d’Alibaba. Au cours du trimestre de mars, le chiffre d’affaires du Cloud Intelligence Group a atteint 41,626 milliards de RMB, tandis que les revenus externes ont progressé de 40 %.

Les produits liés à l’IA représentaient 30 % des revenus cloud externes. Leurs revenus annualisés dépassaient 35,8 milliards de RMB, selon les résultats cloud d’Alibaba.

Ces chiffres proviennent de l’entreprise, mais ils expliquent pourquoi la capacité d’infrastructure est devenue urgente. L’IA passe d’une dépense de recherche à une source matérielle de revenus cloud.

Alibaba affirme que plus de 100 000 processeurs Zhenwu étaient déjà déployés sur son cloud public avant l’annonce du V900. L’entreprise indique également que plus de 60 % de la capacité de calcul de T-Head sert des clients externes.

L’entreprise prévoit désormais que sa capacité mondiale de centres de données dépassera 20 gigawatts d’ici 2032. Il s’agit d’un objectif opérationnel mesuré en capacité électrique, et non d’un nombre de processeurs ou de bâtiments.

Wu a reconnu que la demande à moyen terme dépasse la capacité d’Alibaba à fournir des infrastructures de calcul. Il a identifié les pénuries tout au long de la chaîne d’approvisionnement des centres de données comme une limite à l’expansion.

Cet aveu donne davantage de contexte à la feuille de route. Alibaba ne s’intègre pas verticalement uniquement parce que le groupe préfère un contrôle technique plus étroit. Il tente de sécuriser suffisamment de capacité pour soutenir son activité à la croissance la plus rapide.

Cette approche modifie aussi les choix d’achat des entreprises. Un client pourrait louer de la capacité de calcul Alibaba, sélectionner un modèle Qwen, connecter les données de l’entreprise via Agent Context et gérer l’exécution par AgentCore.

Cette voie consolidée peut réduire le travail d’intégration. Elle concentre également la dépendance opérationnelle auprès d’un seul fournisseur, y compris pour ses contrôles de sécurité, sa disponibilité régionale, ses API et sa feuille de route matérielle.

Le véritable adversaire d’Alibaba est l’avantage de plateforme de Nvidia

La compétition stratégique ne se résume pas à un benchmark V900 contre GPU ; elle oppose le cloud intégré d’Alibaba à la plateforme de calcul largement adoptée de Nvidia.

La position de Nvidia repose sur davantage que les performances de ses accélérateurs. Ses bibliothèques logicielles, ses outils pour développeurs, ses produits réseau et ses relations avec ses partenaires font de sa plateforme un environnement familier dans toute l’industrie.

Les développeurs ont passé des années à bâtir autour de cet environnement. Les fournisseurs de cloud et les laboratoires de modèles peuvent recruter des ingénieurs dotés d’une expérience pertinente, trouver des logiciels éprouvés et déplacer les charges de travail entre des systèmes pris en charge.

Alibaba ne peut pas effacer ces avantages avec l’annonce d’un seul processeur. L’entreprise doit rendre l’ensemble de l’environnement Zhenwu suffisamment productif pour que les clients acceptent une alternative moins mature.

Cela explique pourquoi la feuille de route des puces IA d’Alibaba met l’accent sur les systèmes plutôt que sur un composant unique. Le V900 arrive avec des capacités de réseau, des contrôleurs de stockage, des supernœuds, des services cloud et des modèles optimisés par le même groupe.

Alibaba dispose également d’une voie d’adoption différente. L’entreprise n’a pas besoin de convaincre chaque client d’acheter des processeurs physiques. Elle peut placer la capacité Zhenwu derrière des API cloud et vendre l’accès aux modèles.

Cette abstraction réduit la barrière au changement. Un développeur d’applications peut se soucier de la latence, de la disponibilité et du coût par token sans savoir quel accélérateur a traité chaque requête.

Toutefois, l’abstraction cloud ne résout pas le problème de l’écosystème. Alibaba a encore besoin de compilateurs, de noyaux, de logiciels d’ordonnancement, d’outils d’observabilité et d’une compatibilité avec les frameworks d’IA largement utilisés.

L’entreprise doit également prendre en charge des modèles clients qui n’ont pas été créés par l’équipe Qwen. Un cloud full-stack perd une partie de son attrait si ses gains d’efficacité ne s’appliquent qu’aux charges de travail privilégiées par Alibaba.

Huawei crée une autre source de pression en Chine. Ses processeurs Ascend et les logiciels qui les accompagnent ciblent nombre des mêmes clients à la recherche d’alternatives nationales à Nvidia.

Baidu et Tencent combinent également modèles, services cloud et applications. Le facteur de différenciation d’Alibaba réside dans l’ampleur de son plan public et dans sa capacité à relier la demande cloud aux produits de commerce et de travail.

Nvidia reste néanmoins le principal point de référence, car l’entreprise représente la structure de plateforme opposée. Nvidia fournit une base horizontale utilisée par des clouds et des développeurs de modèles concurrents.

Alibaba construit un service vertical. Son propre cloud exploite le matériel, ses propres équipes développent les modèles et ses logiciels gèrent les agents.

Aucune de ces structures ne l’emporte automatiquement pour chaque charge de travail. L’écosystème plus vaste de Nvidia favorise la portabilité et l’innovation externe. L’intégration plus étroite d’Alibaba peut raccourcir les boucles de retour entre le comportement des modèles et la conception de l’infrastructure.

Le test pertinent est donc la production utile par unité d’infrastructure rare. La vitesse maximale du processeur ne saisit qu’une partie de cette équation.

Le débit de tokens, l’utilisation de la mémoire, la fiabilité des clusters, le temps des développeurs et la consommation d’énergie façonnent tous l’économie. Alibaba n’a pas publié suffisamment de données comparables pour déterminer la position du V900 selon ces dimensions.

Une évaluation indépendante du matériel a relevé l’absence d’un indicateur standard de performance en virgule flottante. Sans résultats de benchmarks communs, l’affirmation d’une performance multipliée par trois ne permet pas de comparaison directe avec les accélérateurs de Nvidia ou Huawei.

Ce manque d’information devrait inciter à limiter le cadrage concurrentiel. Le V900 n’a pas besoin de battre Nvidia à l’échelle mondiale pour être important.

Il peut réussir en assurant à Alibaba un approvisionnement fiable, en améliorant les marges et en soutenant les services Qwen au sein d’Alibaba Cloud. Un tel résultat renforcerait le modèle vertical, même sans ventes externes étendues de processeurs.

L’intégration verticale est le mécanisme, pas le résultat

La thèse d’Alibaba repose sur la capacité de chaque couche à générer des retours qui améliorent les couches inférieures comme supérieures.

L’entreprise en a donné un premier exemple avec l’auto-amélioration récursive, ou RSI. Cette approche permet à un modèle d’évaluer ses résultats, d’identifier ses faiblesses, de concevoir de nouvelles expériences et de répéter le processus.

Alibaba affirme que Qwen3.8-Max a réalisé 33 cycles d’amélioration automatisés lors d’une expérimentation d’un mois. Son score Artificial Analysis serait passé de 40 à 45.

Le même modèle a mené une expérience de conception de puces ayant duré plus de 60 heures. Alibaba indique qu’il a effectué plus de 10 000 appels à des outils d’automatisation de la conception électronique.

Les logiciels d’automatisation de la conception électronique aident les ingénieurs à créer et vérifier des conceptions de semi-conducteurs. Le modèle aurait produit des modules de bus de puce tout en réduisant leur surface de 42 % sans diminuer les performances.

Ces résultats restent communiqués par l’entreprise. Ils montrent également ce qu’Alibaba souhaite rendre possible avec sa pile technologique complète.

Un modèle peut utiliser des outils cloud pour accomplir une tâche d’ingénierie de longue durée. Son résultat peut influencer la conception matérielle, tandis que le matériel qui en découle peut soutenir l’entraînement et l’inférence ultérieurs des modèles.

Cette boucle importe davantage que le simple fait de regrouper de nombreux produits dans une même annonce. Une liste de puces, de modèles et d’agents constitue un portefeuille. Des retours partagés et une optimisation commune en feraient un système.

Le Context Engine d’Alibaba apporte une autre composante du mécanisme. Agent Context relie documents, applications métiers, conversations et informations multimodales.

L’entreprise affirme que ce service peut réduire l’utilisation de tokens de jusqu’à 67 % dans les tâches intensives en connaissances. Cette affirmation nécessite une évaluation indépendante sur différents jeux de données et conceptions d’agents.

Le concept répond à un véritable problème opérationnel. Un agent ne devrait pas renvoyer à un modèle l’intégralité de l’historique informationnel d’une organisation chaque fois qu’il exécute une tâche.

Les services de contexte sélectionnent les informations pertinentes, préservent l’état des tâches et récupèrent les activités antérieures. Une bonne sélection peut réduire les besoins de calcul tout en améliorant la pertinence des réponses.

C’est également là que l’architecture des connaissances d’entreprise devient un élément de la performance de l’IA. Les modèles ne peuvent pas agir de façon fiable lorsque les autorisations, les dossiers et les décisions restent éparpillés entre des systèmes déconnectés.

Les organisations qui développent déjà un processus de knowledge blending reconnaîtront ce défi. La valeur réside dans la récupération du contexte approprié tout en préservant la provenance et les contrôles d’accès.

AgentCore se situe au-dessus de cette couche de données. Alibaba le présente comme une plateforme permettant de créer, d’exploiter, de surveiller et de gouverner les agents tout au long de leur cycle de vie.

Son importance dépendra des détails d’exécution. Les entreprises ont besoin de journaux d’audit, de gestion des identités, d’étapes d’approbation, de restrictions sur les outils, de contrôles de versions et de mécanismes de retour en arrière fiables.

Un agent qui rédige une réponse crée un risque limité. Un agent autorisé à mettre à jour les stocks, transférer des informations ou modifier du code de production exige des contrôles plus stricts.

Alibaba a également annoncé un Agent Security Center destiné à la détection des menaces et à la gestion de la conformité. La sécurité devient plus difficile lorsque les agents exécutent des tâches à plusieurs étapes dans plusieurs systèmes.

L’initiative pour smartphones étend ce mécanisme à un autre environnement. Qwen Intelligence offre aux fabricants une plateforme d’agents conçue pour exécuter des tâches inter-applications sur les appareils mobiles.

Cela crée une opportunité de distribution. Alibaba peut rapprocher les services fondés sur Qwen des utilisateurs par l’intermédiaire de partenaires matériels, plutôt que de dépendre uniquement de sa propre application grand public.

Elle introduit aussi des contraintes de plateforme. Les systèmes d’exploitation mobiles contrôlent étroitement l’activité en arrière-plan, les autorisations, les données privées et les interactions entre applications.

Un agent téléphonique crédible doit composer avec ces contrôles sans demander aux utilisateurs de céder un accès étendu. La fiabilité doit rester élevée, car une action incorrecte peut affecter les messages, les paiements, les voyages ou les fichiers personnels.

Le mécanisme d’intégration d’Alibaba est cohérent dans ces exemples. Les modèles planifient, les systèmes de contexte fournissent l’information, les plateformes d’agents gouvernent les actions, et l’infrastructure cloud gère l’exécution.

La question restante est de savoir si Alibaba peut transformer cette cohérence en résultats clients mesurables. La coordination technique est le mécanisme proposé, et non la preuve d’un succès commercial.

La feuille de route manque encore de preuves indépendantes de performance

Alibaba a présenté une destination ambitieuse, mais plusieurs de ses affirmations les plus importantes restent des prévisions ou des résultats mesurés en interne.

La plus grande incertitude concerne le Zhenwu V900. Alibaba le présente comme la puce d’IA la plus performante de Chine et affirme qu’elle triple les performances de sa devancière.

L’entreprise n’a pas fourni un ensemble complet de benchmarks montrant la vitesse d’entraînement, le débit d’inférence, la consommation énergétique ou le coût total du système face à des alternatives comparables.

Une amélioration d’un facteur trois peut avoir des significations différentes selon la charge de travail et la méthode de mesure. Elle peut se rapporter à un seul modèle, un format de données, une taille de lot ou une configuration système.

Le chiffre d’un cluster de 500 000 cartes doit également être traité avec prudence. Prendre en charge une topologie de cluster théorique diffère de l’exploitation fiable d’un tel ensemble sous entraînement continu.

À cette échelle, les défaillances d’équipement deviennent normales plutôt qu’exceptionnelles. La planification, la récupération des points de contrôle, le réseau, le refroidissement et la gestion de l’alimentation déterminent si le matériel reste utile.

La feuille de route des modèles crée une seconde incertitude. Alibaba prévoit d’entraîner, après Qwen 4, des systèmes comptant entre 5 000 et 10 000 milliards de paramètres.

Les modèles plus grands exigent davantage de mémoire et de calcul. Ils ne garantissent pas des améliorations proportionnelles, surtout lorsque les développeurs utilisent de plus en plus des architectures clairsemées et des systèmes spécialisés plus petits.

La qualité d’un modèle dépend aussi des données, des méthodes d’entraînement, du raisonnement au moment de l’inférence et du post-entraînement. Le nombre de paramètres fournit un contexte d’échelle, mais ne peut remplacer une évaluation fondée sur les tâches.

Les affirmations d’Alibaba sur la RSI méritent une prudence similaire. Une hausse de score au cours de 33 cycles automatisés est intéressante, mais elle n’établit pas l’existence d’une auto-amélioration sûre et ouverte.

Le processus a fonctionné dans un environnement conçu avec des évaluations et des outils choisis. Les performances obtenues dans ce test pourraient ne pas se transposer à des tâches de production inconnues.

Le résultat de conception de puce exige également une validation d’ingénierie. Un module de qualité production doit satisfaire des exigences de fabrication, de synchronisation, de fiabilité, de vérification et d’intégration.

Alibaba affirme que le modèle a réduit la surface de la puce sans compromettre les performances. Une reproduction indépendante clarifierait la conception de départ, les conditions de test et l’examen humain impliqué.

L’approvisionnement de l’infrastructure présente un risque commercial plus immédiat. L’objectif de 20 gigawatts exige des terrains, des raccordements au réseau électrique, des systèmes de refroidissement, de la main-d’œuvre de construction, des processeurs, de la mémoire et des équipements réseau.

Wu a déclaré que les besoins à moyen terme du secteur dépassaient déjà l’offre disponible. L’objectif d’expansion dépend donc en partie de services publics et de fournisseurs qu’Alibaba ne contrôle pas.

La géopolitique introduit une incertitude supplémentaire. Les processeurs domestiques peuvent réduire l’exposition d’Alibaba aux importations restreintes, mais la fabrication implique toujours des équipements et des chaînes d’approvisionnement complexes.

De nouvelles règles commerciales peuvent affecter les composants, la fabrication, les logiciels, les clients ou les activités à l’étranger. Elles peuvent également accélérer la demande pour les alternatives domestiques d’Alibaba.

La dépendance des clients est un autre compromis. Les entreprises peuvent bénéficier d’une intégration plus simple en utilisant Alibaba depuis le processeur jusqu’à la plateforme d’agents.

Elles assument aussi davantage de risques de migration si les interfaces, les règles régionales ou les priorités produits changent. Les acheteurs voudront des données exportables, des modèles compatibles et des limites de service claires.

Morningstar a soulevé une préoccupation commerciale distincte concernant l’investissement chinois dans les centres de données piloté par l’État. Ses prévisions cloud estiment que l’infrastructure publique pourrait réduire une partie de la demande future pour les services d’Alibaba.

Ce scénario n’est pas certain. Il illustre pourquoi la seule capacité de construction ne garantit pas une croissance rentable du cloud.

Alibaba a besoin d’un taux d’utilisation suffisant pour justifier l’investissement. L’entreprise doit également convertir l’usage de ses modèles en revenus durables tout en maîtrisant les coûts de l’énergie et du matériel.

L’entreprise dispose d’un réel élan commercial, mais sa feuille de route s’étend bien au-delà de l’adoption rapportée aujourd’hui. Sa preuve la plus précieuse viendra de résultats clients reproductibles plutôt que d’un nouveau benchmark interne.

Trois signaux montreront si la stratégie d’Alibaba fonctionne

Les résultats de Qwen 4, les déploiements du V900 et l’adoption des agents par les entreprises détermineront si la feuille de route devient un avantage opérationnel.

Le premier signal sera la publication et l’évaluation de Qwen 4. Alibaba a confirmé que le modèle est en cours d’entraînement, faisant de son lancement le test le plus proche de la stratégie intégrée.

Les lecteurs devraient surveiller les performances en raisonnement, programmation, tâches multimodales et fiabilité des agents. Le coût et la latence comptent autant que les scores des benchmarks vedettes.

Alibaba devrait aussi indiquer si Qwen 4 est principalement entraîné ou servi sur l’infrastructure Zhenwu. Une utilisation étendue du V900 renforcerait l’affirmation selon laquelle Alibaba peut relier son matériel propriétaire à un modèle de pointe.

La dépendance à des accélérateurs importés ne rendrait pas Qwen 4 sans intérêt. Elle affaiblirait l’idée qu’Alibaba contrôle déjà son chemin de calcul critique.

Le deuxième signal sera le déploiement commercial vérifiable du V900. Alibaba affirme que les produits Zhenwu existants servent plus de 650 clients dans l’automobile, la finance, l’énergie, la fabrication et d’autres secteurs.

Les prochaines preuves devraient inclure des charges de travail nommées, des tailles de déploiement, des niveaux de disponibilité et des performances comparées à l’infrastructure antérieure.

Des benchmarks standards aideraient les clients à distinguer les progrès architecturaux des affirmations sélectives. Un accès cloud stable compterait également davantage que des démonstrations limitées.

Il faudra observer si les développeurs externes peuvent déplacer des modèles établis vers des systèmes V900 sans réécriture majeure. Cela testera la maturité de l’environnement logiciel d’Alibaba.

La croissance des livraisons annuelles de processeurs renforcerait l’argument de la sécurité d’approvisionnement. Des pénuries persistantes ou une disponibilité limitée révéleraient la difficulté à faire monter en puissance le programme matériel.

Le troisième signal sera l’utilisation durable d’AgentCore et d’Agent Context en production. Annoncer une plateforme d’agents est plus facile que prendre en charge des agents auxquels les entreprises confient des tâches conséquentes.

Les mesures pertinentes incluent les déploiements d’entreprise actifs, les tâches réalisées, les taux d’erreur, l’intervention humaine, la qualité de récupération du contexte et les incidents de sécurité.

Alibaba devrait démontrer que sa couche de contexte réduit l’utilisation de tokens sans omettre les informations nécessaires à des décisions précises. Une consommation moindre a peu de valeur si elle produit des résultats plus faibles.

Les clients testeront aussi si AgentCore fonctionne avec des modèles externes et les logiciels métiers existants. Une couche opérationnelle ouverte peut attirer une adoption plus large qu’un environnement réservé à Qwen.

Ces signaux devraient apparaître dans les lancements de produits, les communications cloud et les études de cas clients au cours des prochains mois. Ensemble, ils renforceront ou affaibliront l’affirmation centrale d’Alibaba.

La feuille de route d’IA full-stack d’Alibaba est crédible en tant que stratégie, car ses couches répondent à des problèmes techniques et d’approvisionnement interconnectés. Elle reste non prouvée en tant qu’avantage concurrentiel.

Les développeurs et les acheteurs en entreprise devraient comparer les résultats obtenus sur l’ensemble des charges de travail, et non des scores de modèles ou des spécifications de processeurs pris isolément. La vraie question est de savoir si la pile technologique d’Alibaba accomplit des tâches réelles de manière fiable, sécurisée et efficace.

Suivez d’abord les évaluations de Qwen 4. Recherchez ensuite des données de production sur V900 et des déploiements reproductibles d’AgentCore. Si ces trois éléments se concrétisent, Alibaba aura construit bien plus qu’une simple collection de produits d’IA.