Le pari d’Alphabet sur les TPU défie le leadership de Nvidia dans les puces d’IA

Alphabet a intensifié son offensive dans les puces d’IA, avec un objectif annoncé de 12 à 15 millions de TPU face à la domination de Nvidia dans le matériel. Cette ampleur a propulsé le sujet dans l’actualité Google et relancé une question majeure pour les investisseurs d’Alphabet. Google peut-il transformer son avantage interne en silicium en une activité d’infrastructure rentable sans peser excessivement sur ses flux de trésorerie ?

La comparaison paraît simple, mais le nombre d’accélérateurs ne suffit pas à établir un leadership technologique ou commercial. Nvidia vend des systèmes largement déployables, soutenus par CUDA, du matériel réseau, des bibliothèques et une vaste communauté de développeurs. Google conçoit les Tensor Processing Units, ou TPU, pour les charges de travail exécutées au sein de sa pile cloud et IA étroitement intégrée.

Alphabet n’a donc pas besoin de remplacer Nvidia partout. Il doit rendre les TPU attractifs pour suffisamment de charges de travail d’entraînement et d’inférence afin d’améliorer l’économie de Google Cloud. Il doit également convaincre des clients externes d’opter pour cette pile alors que Nvidia demeure le choix familier par défaut.

Cette distinction fait de la dernière actualité Google bien plus qu’une nouvelle prévision optimiste pour les semi-conducteurs. Alphabet tente de transformer une décennie de développement interne de puces en un moteur de revenus externe. L’opportunité est considérable, mais les risques liés aux dépenses, à la fabrication et aux logiciels le sont tout autant.

L’actualité Google se concentre sur l’expansion annoncée des TPU d’Alphabet

Le changement important n’est pas l’annonce d’une nouvelle puce. C’est l’ampleur annoncée de l’ambition industrielle d’Alphabet.

Un rapport d’analystes de juillet 2026 indiquait que Google prévoit de déployer entre 12 et 15 millions de TPU de neuvième génération en 2028. Cette estimation n’a pas été confirmée par Alphabet ; les investisseurs devraient donc la considérer comme une prévision de chaîne d’approvisionnement plutôt que comme des prévisions officielles.

L’objectif annoncé représenterait une expansion spectaculaire du parc d’accélérateurs personnalisés de Google. Fubon Research aurait estimé que Nvidia a fourni 8,2 millions d’accélérateurs pour centres de données en 2026. Le cabinet prévoit que les livraisons annuelles de Nvidia atteindront environ 12,4 millions d’unités en 2028.

Ces estimations suggèrent que Google pourrait déployer autant d’accélérateurs que Nvidia n’en expédie à l’ensemble de sa clientèle. Cette comparaison comporte toutefois d’importantes limites. Un TPU et un GPU Nvidia diffèrent par leur architecture, les charges de travail prises en charge, leur valeur de vente moyenne, la conception des systèmes et le modèle de déploiement.

Google consommerait également une grande partie de sa capacité TPU en interne. Nvidia enregistre principalement des revenus en vendant des puces et des systèmes à des fournisseurs de cloud, des laboratoires d’IA, des gouvernements et des entreprises. Un volume d’unités équivalent ne générerait pas des revenus, des bénéfices ou une portée de marché équivalents.

Le plan annoncé reste néanmoins important, car les volumes de puces déterminent ce que Google peut proposer. Une capacité interne limitée contraint l’entreprise à prioriser Gemini, Search, la publicité et certains clients cloud. Un parc beaucoup plus vaste lui permettrait de servir les applications internes tout en élargissant l’offre commerciale.

Le plan de fabrication renvoie également à une chaîne d’approvisionnement plus étendue. Selon les prévisions sur les accélérateurs, la conception de neuvième génération pourrait utiliser quatre chiplets de calcul. Un chiplet est un bloc de silicium spécialisé combiné à d’autres blocs dans un même boîtier.

Fubon estime apparemment que TSMC seul pourrait ne pas disposer d’une capacité suffisante pour atteindre l’objectif de Google. Cette contrainte pourrait exiger les services de packaging avancé d’Intel pour une partie du programme. Ni Google ni Intel n’ont publiquement confirmé les volumes projetés décrits dans le rapport.

Le packaging n’est pas un détail mineur de production. Les processeurs d’IA avancés relient des puces de calcul à de la mémoire à haute bande passante au moyen de systèmes de packaging techniquement exigeants. Une capacité limitée peut retarder les déploiements même lorsque la conception du processeur est prête.

Google dispose également de moins de latitude pour changer de fournisseur de packaging que ne le laisse entendre un simple scénario d’approvisionnement. Les chiplets doivent être conçus autour de l’interconnexion et de la technologie de packaging retenues. Les systèmes EMIB d’Intel et la technologie CoWoS de TSMC ne sont pas interchangeables une fois la conception terminée.

Le rapport décrit donc un défi de fabrication, et pas seulement une commande d’achat. Google devrait coordonner la conception des puces, l’approvisionnement en mémoire, le packaging, les réseaux, le refroidissement, la construction des centres de données et le déploiement logiciel. Une faiblesse à n’importe quel niveau peut limiter la capacité réellement utilisable.

Cet objectif annoncé intervient après que Google a rendu son silicium personnalisé plus visible auprès des clients. L’entreprise a passé des années à traiter les TPU principalement comme une infrastructure pour ses propres services. Elle les présente désormais comme un élément central de la plateforme commerciale d’IA de Google Cloud.

Ce virage crée la tension centrale de l’article. Alphabet possède les modèles, le cloud, les centres de données et les accélérateurs nécessaires pour bâtir un service verticalement intégré. Pourtant, Nvidia possède la plateforme plus large que les clients comprennent et déploient déjà.

Alphabet transforme la capacité TPU de Google en activité commerciale

L’argument le plus solide d’Alphabet repose sur la conversion de son infrastructure propriétaire en revenus cloud, et non sur la victoire dans un concours de livraisons.

Google a lancé son premier TPU il y a environ dix ans afin d’accélérer les charges de travail de machine learning. Le processeur a évolué parallèlement aux modèles de Google, à ses frameworks logiciels et à son réseau mondial de centres de données. Cette histoire confère à Alphabet une expérience que ses nouveaux rivaux dans les puces personnalisées ne peuvent pas rapidement reproduire.

Le TPU Ironwood de septième génération de l’entreprise est devenu généralement disponible fin 2025. Google a déclaré qu’Ironwood offrait dix fois les performances de pointe du TPU v5p. L’entreprise a également affirmé qu’il délivrait plus de quatre fois les performances par puce de la génération Trillium précédente.

Ces chiffres correspondent aux comparaisons de Google, et non à des tests indépendants couvrant chaque charge de travail pertinente. Les performances dépendent de l’architecture du modèle, de la précision, de la taille des lots, du réseau, de l’accès à la mémoire et de l’optimisation logicielle. Un benchmark interne favorable ne garantit pas qu’un client obtiendra le même avantage.

Ironwood a néanmoins établi une voie commerciale plus claire. Google a conçu le processeur pour les grands travaux d’entraînement comme pour l’inférence à haut volume. L’inférence désigne le calcul effectué lorsqu’un modèle entraîné génère une réponse, une image, une prédiction ou une action logicielle.

L’économie de l’inférence est devenue de plus en plus importante à mesure que les produits d’IA gagnent des utilisateurs. L’entraînement intervient périodiquement, tandis qu’un service populaire peut traiter des requêtes en continu. Un coût plus faible par résultat utile peut donc compter davantage que les performances d’entraînement mises en avant.

Google a depuis annoncé le TPU 8t pour l’entraînement et le TPU 8i pour l’inférence. Sa mise à jour sur l’infrastructure IA indique que le TPU 8t peut évoluer jusqu’à 9 600 processeurs et deux pétaoctets de mémoire partagée à haute bande passante. Google revendique trois fois les performances de traitement d’Ironwood et jusqu’à deux fois ses performances par watt.

Le TPU 8i adopte une conception différente, axée sur le service des modèles. Google affirme qu’un pod peut connecter 1 152 processeurs et offrir des performances d’inférence par dollar supérieures de 80 % à celles de la génération précédente. Il s’agit toujours de comparaisons rapportées par l’entreprise, que les clients doivent valider dans leurs propres environnements.

La séparation entre entraînement et inférence montre une stratégie produit mature. Google ne présente plus un seul accélérateur comme la meilleure solution pour toutes les tâches. L’entreprise adapte son matériel à des charges de travail distinctes tout en contrôlant le réseau et les logiciels qui les accompagnent.

Cette approche peut réduire le gaspillage de ressources informatiques. Les systèmes d’entraînement nécessitent une bande passante mémoire massive et une communication rapide entre des milliers d’accélérateurs. Les systèmes d’inférence privilégient souvent la latence, le débit, la capacité de cache et des coûts d’exploitation prévisibles.

Les services internes de Google offrent un autre avantage. Search, Photos, Maps, YouTube, la publicité et Gemini génèrent d’énormes charges de travail récurrentes. Alphabet peut affiner le matériel en fonction de la demande réelle en production avant de rendre ces systèmes disponibles à des clients externes.

L’adoption externe compte davantage pour l’argument boursier d’Alphabet. L’efficacité interne peut protéger les marges, mais les ventes cloud peuvent créer des revenus additionnels. Alphabet doit démontrer que les clients considèrent les TPU comme une plateforme, plutôt que comme un équipement spécialisé réservé aux modèles privilégiés de Google.

Anthropic fournit l’exemple le plus visible. Google a déclaré que l’entreprise d’IA prévoyait d’accéder à jusqu’à un million de TPU. Anthropic a utilisé l’infrastructure de Google parallèlement à des puces et à des capacités cloud obtenues auprès d’autres partenaires.

Cette relation soutient la thèse de Google sur l’échelle, mais n’établit pas l’exclusivité client. Les principaux développeurs de modèles utilisent délibérément plusieurs fournisseurs afin de sécuriser leur capacité et de réduire leur dépendance envers un seul prestataire. Google doit rivaliser pour chaque charge de travail, même après avoir remporté un accord majeur.

Alphabet a franchi une nouvelle étape au cours du deuxième trimestre 2026. La direction aurait indiqué que Google avait, pour la première fois, livré des systèmes TPU dans des centres de données appartenant aux clients. Auparavant, les utilisateurs externes consommaient généralement la capacité TPU via Google Cloud.

Cette évolution élargit le marché adressable. Certaines organisations souhaitent une infrastructure dédiée au sein d’installations qu’elles contrôlent. D’autres ont besoin de modèles de déploiement façonnés par la résidence des données, la topologie réseau, la latence, la sécurité ou des investissements en capital existants.

La vente de systèmes peut également introduire des revenus matériels à plus faible marge et des obligations de support. Alphabet doit décider jusqu’où il souhaite ressembler à un fournisseur de puces. L’avantage supérieur de l’entreprise pourrait rester un service cloud intégré plutôt que du matériel autonome.

L’opportunité la plus crédible combine les deux modèles. Les systèmes installés chez les clients peuvent toucher des acheteurs qui ne peuvent pas déplacer toutes leurs charges de travail vers Google Cloud. La capacité cloud peut servir les organisations qui préfèrent un accès flexible et une infrastructure gérée.

L’exécution dépend désormais de la portabilité logicielle. Google a étendu la prise en charge de PyTorch et optimisé le moteur d’inférence vLLM sur les GPU comme sur les TPU. Ces changements ciblent les développeurs qui ne souhaitent pas réécrire des applications entières pour un seul accélérateur.

Un acheteur technique examinera encore le comportement du compilateur, la prise en charge des modèles, les outils de débogage, la disponibilité et l’expertise des équipes. La domination dans les benchmarks importe moins si la migration prend des mois. La tâche commerciale de Google consiste à réduire ce coût de changement.

Les puces d’IA Nvidia définissent toujours la norme concurrentielle

Le silicium personnalisé de Google met Nvidia sous pression au niveau des charges de travail, mais Nvidia reste la plateforme par défaut du secteur.

L’avantage de Nvidia commence avec CUDA, sa plateforme logicielle de programmation des GPU. CUDA comprend des compilateurs, des bibliothèques optimisées, des outils de débogage et des intégrations accumulées au fil de nombreuses générations de produits. Cet écosystème facilite l’adoption du matériel Nvidia pour diverses charges de travail d’IA.

Les développeurs rencontrent également l’infrastructure Nvidia dans presque tous les principaux clouds. Les entreprises peuvent recruter des ingénieurs disposant d’une expérience pertinente, réutiliser du code existant et déplacer des charges de travail entre fournisseurs. Ces avantages créent des coûts de changement que les seules spécifications brutes des puces ne peuvent pas saisir.

Nvidia étend sa position au-delà du processeur. Ses systèmes d’IA comprennent des CPU, des commutateurs réseau, des interconnexions, des unités de traitement des données, des bibliothèques logicielles et des conceptions de référence pour centres de données. Les clients achètent souvent une architecture informatique complète plutôt qu’un GPU isolé.

Les preuves financières restent impressionnantes. Nvidia a publié des résultats trimestriels faisant état de 81,6 milliards de dollars de chiffre d’affaires pour le trimestre clos le 26 avril 2026. Le chiffre d’affaires des centres de données a atteint 75,2 milliards de dollars, en hausse de 92 % sur un an.

Ces résultats montrent que les puces personnalisées concurrentes n’ont pas freiné la croissance de Nvidia. Les hyperscalers peuvent accroître le déploiement de leurs accélérateurs internes tout en achetant davantage de systèmes Nvidia. L’expansion de la demande en IA permet aux deux tendances de se produire simultanément.

Google illustre lui-même cette réalité. Google Cloud propose des TPU, mais commercialise également des GPU Nvidia auprès de ses clients. Lors de son événement cloud de 2026, Google a indiqué qu’il prévoyait de figurer parmi les premiers fournisseurs à proposer les systèmes Vera Rubin de Nvidia.

Ce portefeuille mixte répond à une demande client concrète. Certaines organisations recherchent la portabilité et la large prise en charge des frameworks offertes par Nvidia. D’autres privilégient l’économie des TPU pour les modèles fonctionnant efficacement dans l’écosystème Google.

Cela signifie qu’Alphabet est à la fois client et concurrent de Nvidia. Google bénéficie de la croissance de la demande en cloud computing, quel que soit l’accélérateur choisi par le client. Toutefois, il capte une plus grande part de la valeur économique lorsque les charges de travail s’exécutent sur du matériel qu’il a conçu.

Nvidia subit une pression là où un accélérateur personnalisé peut exécuter une charge de travail stable et à fort volume à un coût total inférieur. Google peut optimiser les puces pour ses propres modèles, éliminer une partie de la marge des fournisseurs et coordonner directement le matériel avec l’exploitation des centres de données.

Nvidia peut toutefois réagir sur une base installée bien plus large. Sa plateforme Vera Rubin est entrée en production en 2026 avec des processeurs, des équipements réseau, du stockage et des conceptions à l’échelle du rack. Nvidia revendique un débit agentique jusqu’à dix fois supérieur à celui de la génération précédente Grace Blackwell.

Il s’agit des propres comparaisons de plateforme de Nvidia et elles nécessitent une validation indépendante. Néanmoins, le rythme des lancements crée une cible mouvante pour chaque alternative. Google doit progresser plus vite que Nvidia tout en réduisant les écarts en matière d’accès logiciel et de flexibilité de déploiement.

L’échelle économique de Nvidia finance cette réponse. Son chiffre d’affaires des centres de données pour l’exercice 2026 a atteint 193,7 milliards de dollars. Ces revenus soutiennent la recherche, les engagements auprès des fournisseurs, le développement logiciel et les partenariats dans l’ensemble du secteur des serveurs.

Google dispose de ses propres atouts financiers. La publicité sur les moteurs de recherche génère des liquidités, Google Cloud est en croissance, et Alphabet peut déployer des puces pour une demande interne garantie. L’entreprise n’a pas besoin de bâtir une activité de processeurs à partir d’un portefeuille clients inexistant.

La compétition principale n’oppose donc pas Google TPU et Nvidia GPU sur chaque marché. Elle oppose l’économie d’un cloud intégré à une plateforme marchande largement adoptée. Google cherche à renforcer son contrôle et à réduire les coûts des charges de travail, tandis que Nvidia offre compatibilité et liberté de choix aux clients.

D’autres hyperscalers renforcent cette tendance. Amazon développe les accélérateurs Trainium, Microsoft dispose de Maia et Meta construit des puces MTIA. Chaque entreprise cherche à réduire son exposition à un fournisseur essentiel tout en adaptant le matériel à des charges de travail internes récurrentes.

Google est toutefois allé plus loin que la plupart de ses pairs. Ses processeurs prennent en charge d’importants produits internes, des clients cloud externes et des laboratoires d’IA de premier plan. Cet historique fait de Google le test le plus clair pour déterminer si le silicium personnalisé peut devenir une alternative durable.

La présentation d’un marché de 300 milliards de dollars peut néanmoins induire les lecteurs en erreur. Les estimations de marché dépendent de la question de savoir si les analystes comptabilisent les processeurs, les systèmes complets, le réseau, la mémoire ou les services associés. Un marché projeté de grande taille ne se traduit pas automatiquement par des revenus accessibles pour Alphabet.

Les investisseurs devraient plutôt examiner la valeur économique captée. Si un TPU remplace un accélérateur Nvidia acheté au sein de Google, il peut réduire les coûts d’infrastructure. Si Google vend un accès aux TPU via Cloud, cela peut soutenir les revenus tout en créant une différenciation.

La seconde voie offre davantage de potentiel, mais elle est plus difficile. Les clients doivent faire confiance à la feuille de route de Google, trouver de la capacité disponible et adapter leurs logiciels. Ils doivent également croire que Google prendra en charge les charges de travail qui ne bénéficient pas principalement à Gemini.

L’action Alphabet face à un coûteux test d’infrastructure

La thèse haussière ne devient crédible que si la croissance du cloud et les rendements opérationnels finissent par justifier les dépenses historiques d’Alphabet.

Alphabet a annoncé un chiffre d’affaires de 119,8 milliards de dollars au deuxième trimestre 2026, en hausse de 24 % par rapport à l’année précédente. Le chiffre d’affaires de Google Cloud a atteint environ 24,8 milliards de dollars, soit une croissance de 82 % sur un an.

Cette accélération donne à Alphabet une réponse plus solide aux inquiétudes concernant la monétisation de l’IA. La demande apparaît dans un segment d’activité publié, et pas seulement dans des statistiques d’utilisation ou des démonstrations de produits. La croissance du cloud est également directement liée aux investissements d’infrastructure de l’entreprise.

Les dépenses nécessaires pour soutenir cette demande sont devenues extraordinaires. Alphabet a enregistré 44,9 milliards de dollars de dépenses d’investissement trimestrielles. La direction a relevé ses prévisions de dépenses d’investissement pour l’ensemble de 2026, les portant entre 195 milliards et 205 milliards de dollars.

Les dépenses d’investissement financent les serveurs, les centres de données, les équipements réseau et d’autres actifs à longue durée de vie. Elles réduisent immédiatement les flux de trésorerie actuels, même si les charges comptables telles que l’amortissement sont réparties sur plusieurs années.

Le résultat a été le premier trimestre de flux de trésorerie disponible négatif d’Alphabet depuis son introduction en Bourse, selon une analyse des flux de trésorerie. Les flux de trésorerie opérationnels se sont élevés à environ 39,1 milliards de dollars, soit moins que les dépenses d’infrastructure du trimestre.

Un trimestre ne prouve pas une dégradation permanente. Alphabet a également enregistré des gains d’investissement inhabituels qui ont influencé le bénéfice net publié, rendant le bénéfice affiché moins utile pour évaluer les opérations. La génération de trésorerie et les rendements de l’infrastructure méritent une attention accrue.

La thèse d’investissement comporte désormais un véritable arbitrage. La croissance de Google Cloud soutient l’idée que la demande absorbe les nouvelles capacités. Le flux de trésorerie disponible négatif montre qu’Alphabet doit financer le déploiement avant d’en recevoir l’intégralité des bénéfices économiques.

Les puces personnalisées peuvent améliorer cette équation de plusieurs façons. Alphabet peut réduire sa dépendance aux marges des fournisseurs, adapter les systèmes aux charges de travail internes et offrir une capacité cloud différenciée. Il peut également vendre des systèmes TPU complets à certains clients.

Toutefois, chaque avantage dépend du taux d’utilisation. Un centre de données rempli d’accélérateurs sous-utilisés reste un actif coûteux. Google doit maintenir ses processeurs occupés entre Gemini, Search, la publicité, les charges de travail cloud d’entreprise et les laboratoires d’IA externes.

Le taux d’utilisation peut se dégrader si les modèles gagnent en efficacité plus vite que la demande ne progresse. Il peut également reculer lorsque les clients retardent leurs déploiements, que les raccordements électriques arrivent tardivement ou que de nouveaux processeurs rendent les systèmes existants moins attractifs.

L’objectif de volume annoncé par Google pour 2028 accroît ce risque. Commander des millions de processeurs impose des engagements bien avant que la demande finale ne devienne visible. La mémoire, l’encapsulation, les serveurs et l’infrastructure électrique exigent également des délais importants.

Les contraintes d’approvisionnement créent le problème inverse. Google a décrit à plusieurs reprises la capacité IA comme tendue, et un matériel insuffisant peut limiter la croissance du cloud. La direction doit construire en anticipation de la demande sans aller trop loin.

Le rapport incertain sur TPU v9 ajoute une couche supplémentaire. Alphabet n’a pas confirmé le chiffre de 12 à 15 millions. Les investisseurs ne devraient pas convertir directement une estimation de chaîne d’approvisionnement d’analyste en revenus ou bénéfices futurs.

La fourchette elle-même couvre trois millions de processeurs. Cet écart indique une incertitude significative des prévisions. Les plans de fabrication peuvent évoluer selon les rendements, les révisions de conception, la demande, l’accès à l’encapsulation et le calendrier de construction des centres de données.

Les comparaisons avec les estimations d’expéditions de Nvidia sont tout aussi fragiles. Les volumes unitaires ignorent les différences de performance et le nombre de puces nécessaires pour une charge de travail donnée. Ils ignorent également les revenus tirés par Nvidia du réseau, des logiciels, des CPU et des systèmes complets.

L’action Alphabet ne progresse donc pas simplement parce que Google fabrique beaucoup de TPU. La valeur pour les actionnaires dépend du rendement généré par l’ensemble du programme d’infrastructure. Les indicateurs pertinents comprennent le bénéfice opérationnel du cloud, l’utilisation des actifs, l’amortissement et le flux de trésorerie disponible.

Le dernier trimestre a fourni des éléments opérationnels encourageants. La croissance du chiffre d’affaires de Google Cloud s’est accélérée tandis qu’Alphabet développait son infrastructure. Pourtant, les inquiétudes du marché concernant les dépenses d’investissement sont rationnelles, car la croissance actuelle ne garantit pas des rendements adéquats à long terme.

Une stratégie réussie produirait une boucle de renforcement. De meilleures puces réduiraient les coûts de service, amélioreraient l’économie du cloud, attireraient des clients et financeraient la prochaine génération de matériel. Des charges de travail plus importantes fourniraient ensuite à Google davantage de données pour optimiser les systèmes.

Une stratégie faible produirait l’inverse. L’augmentation des dépenses pèserait sur les flux de trésorerie tandis que les clients resteraient attachés à Nvidia. Des cycles de produits courts pourraient contraindre Alphabet à remplacer des systèmes coûteux avant d’avoir obtenu des rendements satisfaisants.

Le résultat se situera probablement entre ces extrêmes. Google peut établir les TPU comme une deuxième plateforme significative sans évincer Nvidia. Ce résultat pourrait tout de même améliorer la position d’Alphabet dans le cloud et son pouvoir de négociation.

Les investisseurs devraient également distinguer l’exécution de l’entreprise de la valorisation de l’action. Une solide stratégie de puces peut avoir une valeur économique tout en étant déjà intégrée aux attentes du marché. Un trimestre décevant peut faire baisser le titre même si la thèse d’infrastructure à long terme reste intacte.

Ce que le prochain cycle d’actualités Google doit confirmer

Trois signaux détermineront si l’expansion des TPU d’Alphabet devient un avantage durable ou une coûteuse course aux capacités.

Le premier signal concerne les revenus TPU externes et les déploiements chez les clients. Alphabet aurait commencé à livrer des systèmes TPU dans les centres de données de clients. Les futurs appels sur les résultats devraient préciser si ces accords s’étendent au-delà d’un petit groupe de clients stratégiques.

La diversité des clients comptera davantage qu’un seul accord important. Une adoption dans les laboratoires d’IA, les services financiers, la génération de médias, le calcul scientifique et l’inférence en entreprise soutiendrait la thèse de la plateforme. Une dépendance à quelques accords négociés l’affaiblirait.

Les investisseurs devraient également rechercher des preuves que les clients exécutent des charges de travail de production plutôt que des évaluations limitées. Des engagements de capacité à long terme, des déploiements répétés et une prise en charge plus large des frameworks indiqueraient que les TPU deviennent partie intégrante de la planification normale des infrastructures.

Le deuxième signal est la relation entre la croissance et les dépenses de Google Cloud. Les dernières actualités Google ont montré une expansion exceptionnelle du cloud parallèlement à des besoins en capital sans précédent. Cette combinaison n’est encourageante que si les revenus incrémentaux génèrent un bénéfice opérationnel durable.

La marge opérationnelle du cloud, la conversion du carnet de commandes, l’amortissement et le flux de trésorerie disponible offriront une image plus fiable que le seul chiffre d’affaires. Une utilisation croissante devrait aider Alphabet à répartir les coûts des centres de données sur un plus grand nombre de charges de travail rémunératrices.

Un flux de trésorerie disponible négatif n’invalide pas automatiquement l’investissement. Les grands projets d’infrastructure consomment souvent de la trésorerie avant d’atteindre leur pleine utilisation. La question essentielle est de savoir si la génération de trésorerie se rétablit lorsque les installations actuelles commencent à produire des revenus.

Une hausse continue des dépenses sans amélioration opérationnelle correspondante affaiblirait la thèse. Elle suggérerait que chaque nouvelle génération exige davantage de capital avant que les investissements précédents n’arrivent à maturité.

Le troisième signal est la réponse concurrentielle de Nvidia. La publication des résultats du deuxième trimestre fiscal 2027 de Nvidia est prévue le 26 août 2026. Les investisseurs devraient examiner la croissance des centres de données, le déploiement de Rubin, la marge brute et les commentaires de la direction sur les accélérateurs personnalisés.

L’accélération continue de Nvidia ne nuirait pas automatiquement à Alphabet. Elle pourrait confirmer que la demande mondiale en puissance de calcul reste supérieure à l’offre disponible. Les deux entreprises peuvent croître tout en répondant à des charges de travail et à des préférences clients différentes.

Une pression sur les prix ou un ralentissement des commandes de Nvidia fournirait une preuve plus directe que les puces sur mesure gagnent des parts de marché. Même dans ce cas, les analystes devraient distinguer l’impact de Google de celui d’AMD, Amazon, Microsoft, Huawei et des fournisseurs spécialisés de puces d’inférence.

Les évolutions logicielles pourraient s’avérer plus importantes que le volume d’unités. Une compatibilité PyTorch élargie, des moteurs d’inférence optimisés et une migration plus simple des charges de travail réduiraient le coût pratique du choix des systèmes Google TPU.

Les développeurs devraient surveiller si les modèles courants fonctionnent efficacement sans réécriture importante. Les acheteurs d’entreprise devraient examiner la disponibilité, la fiabilité, la gouvernance des données et le coût total d’exploitation. Les équipes achats devraient éviter de s’appuyer sur un seul benchmark sélectionné par un fournisseur.

Les travailleurs du savoir ont également intérêt à suivre cette compétition. La concurrence dans les infrastructures influence la disponibilité, la rapidité et le coût des outils d’IA utilisés pour la recherche et le travail quotidien. Des coûts d’inférence plus faibles peuvent favoriser des agents plus performants et des charges de travail plus importantes.

Les équipes qui évaluent ces systèmes ont besoin d’une méthode rigoureuse pour conserver les affirmations techniques, les conditions de benchmark et les évolutions des fournisseurs. Une base de connaissances technique consultable peut permettre de relier ces décisions à des éléments probants plutôt qu’aux titres d’annonces.

L’opportunité d’Alphabet est réelle, mais l’objectif 2028 évoqué reste non confirmé. Google dispose des modèles, des charges de travail, de la plateforme cloud et de l’expérience du silicium sur mesure nécessaires pour exercer une pression sur Nvidia. L’entreprise n’a pas encore démontré qu’une échelle de livraisons équivalente se traduit par une influence économique équivalente.

La prochaine question utile n’est pas de savoir si Google fabriquera davantage d’accélérateurs que Nvidia. Il s’agit de savoir si les clients choisiront ces accélérateurs de manière répétée, et si Alphabet pourra obtenir des rendements acceptables sur cette capacité. Suivez ces trois signaux dans les prochains résultats, déploiements clients et mises à jour logicielles avant de considérer un nouveau titre sur Google comme une preuve de victoire.