La scommessa di Alphabet sulle TPU sfida la leadership di Nvidia nei chip per l'AI

Alphabet ha intensificato la sua spinta nei chip per l'AI, contrapponendo un obiettivo dichiarato di 12-15 milioni di TPU alla leadership di Nvidia nell'hardware. Questa scala ha portato la vicenda al centro della copertura delle notizie su Google e riaperto una questione rilevante per gli investitori di Alphabet. Google può trasformare il proprio vantaggio interno nel silicio in un'attività infrastrutturale redditizia senza mettere sotto eccessiva pressione il flusso di cassa?

Il confronto sembra semplice, ma il numero di acceleratori non determina la leadership tecnologica o commerciale. Nvidia vende sistemi ampiamente utilizzabili, supportati da CUDA, hardware di rete, librerie e una vasta comunità di sviluppatori. Google progetta le Tensor Processing Units, o TPU, per i carichi di lavoro eseguiti nel suo stack cloud e AI strettamente integrato.

Alphabet non deve quindi sostituire Nvidia ovunque. Deve rendere le TPU interessanti per un numero sufficiente di carichi di lavoro di addestramento e inferenza da migliorare l'economia di Google Cloud. Deve inoltre convincere i clienti esterni a scegliere quello stack mentre Nvidia rimane l'opzione predefinita più familiare.

Questa distinzione rende le ultime notizie su Google più di un'altra previsione ottimistica sui semiconduttori. Alphabet sta cercando di trasformare un decennio di sviluppo interno di chip in un motore di ricavi esterni. L'opportunità è significativa, ma i rischi relativi a spesa, produzione e software sono altrettanto concreti.

Le notizie su Google si concentrano sulla prevista espansione delle TPU di Alphabet

Il cambiamento importante non è l'annuncio di un nuovo chip. È la scala riportata delle ambizioni produttive di Alphabet.

Un rapporto di analisti del luglio 2026 affermava che Google prevede di distribuire tra 12 e 15 milioni di TPU di nona generazione nel corso del 2028. La stima non è stata confermata da Alphabet, quindi gli investitori dovrebbero considerarla una previsione della catena di fornitura, non una guida ufficiale.

L'obiettivo riportato rappresenterebbe una drastica espansione della flotta di acceleratori proprietari di Google. Fubon Research avrebbe stimato che Nvidia abbia fornito 8,2 milioni di acceleratori per data center nel 2026. Si aspetta che le spedizioni annuali di Nvidia raggiungano circa 12,4 milioni di unità nel 2028.

Queste stime suggeriscono che Google potrebbe distribuire tanti acceleratori quanti Nvidia ne spedisce alla propria base clienti. Tuttavia, il confronto presenta importanti limiti. Una TPU e una GPU Nvidia differiscono per architettura, carichi di lavoro supportati, valore medio di vendita, progettazione del sistema e modello di implementazione.

Google consumerebbe inoltre internamente gran parte della propria capacità TPU. Nvidia registra principalmente ricavi vendendo chip e sistemi a fornitori cloud, laboratori AI, governi e imprese. Un volume di unità equivalente non produrrebbe ricavi, profitti o portata di mercato equivalenti.

Tuttavia, il piano riportato conta perché i volumi di chip determinano ciò che Google può offrire. Una capacità interna limitata costringe l'azienda a dare priorità a Gemini, Search, pubblicità e clienti cloud selezionati. Una flotta molto più grande le consentirebbe di servire le applicazioni interne ampliando al contempo la disponibilità commerciale.

Il piano produttivo indica anche una catena di fornitura più ampia. Secondo le previsioni sugli acceleratori, il design di nona generazione potrebbe utilizzare quattro chiplet di calcolo. Un chiplet è un blocco di silicio specializzato combinato con altri blocchi all'interno di un unico package.

Fubon ritiene che TSMC da sola possa non disporre di capacità sufficiente per l'obiettivo di Google. Questo vincolo potrebbe richiedere i servizi di packaging avanzato di Intel per una parte del programma. Né Google né Intel hanno confermato pubblicamente i volumi previsti descritti nel rapporto.

Il packaging non è un dettaglio produttivo marginale. I processori AI avanzati collegano die di calcolo e memoria ad alta larghezza di banda attraverso sistemi di packaging tecnicamente impegnativi. Una capacità limitata può ritardare l'implementazione anche quando il design del processore è pronto.

Google ha inoltre meno libertà di cambiare fornitori di packaging di quanto implichi una semplice storia di approvvigionamento. I chiplet devono essere progettati attorno all'interconnessione e alla tecnologia di packaging scelta. I sistemi EMIB di Intel e la tecnologia CoWoS di TSMC non sono intercambiabili una volta completato un design.

Il rapporto descrive quindi una sfida produttiva, non semplicemente un ordine d'acquisto. Google dovrebbe coordinare progettazione dei chip, fornitura di memoria, packaging, rete, raffreddamento, costruzione dei data center e distribuzione del software. Una debolezza in qualsiasi livello può limitare la capacità effettivamente utilizzabile.

Questo obiettivo riportato arriva dopo che Google ha reso il proprio silicio proprietario più visibile ai clienti. L'azienda ha trascorso anni trattando le TPU principalmente come infrastruttura per i propri servizi. Ora le presenta come una parte centrale della piattaforma AI commerciale di Google Cloud.

Questo cambiamento crea la tensione centrale dell'articolo. Alphabet possiede modelli, cloud, data center e acceleratori necessari per costruire un servizio verticalmente integrato. Eppure Nvidia possiede la piattaforma più ampia che i clienti già conoscono e implementano.

Alphabet sta trasformando la capacità delle Google TPU in un'attività commerciale

La tesi più solida di Alphabet si basa sulla conversione dell'infrastruttura proprietaria in ricavi cloud, non sulla vittoria in una gara di spedizioni.

Google ha introdotto la sua prima TPU circa un decennio fa per accelerare i carichi di lavoro di machine learning. Il processore si è evoluto insieme ai modelli, ai framework software e alla rete globale di data center di Google. Questa storia offre ad Alphabet un'esperienza che i suoi rivali più recenti nei chip proprietari non possono riprodurre rapidamente.

La TPU Ironwood di settima generazione dell'azienda è diventata generalmente disponibile alla fine del 2025. Google ha affermato che Ironwood offriva dieci volte le prestazioni di picco della TPU v5p. Ha inoltre dichiarato oltre quattro volte le prestazioni per chip della precedente generazione Trillium.

Questi dati sono confronti di Google, non test indipendenti su tutti i carichi di lavoro rilevanti. Le prestazioni dipendono dall'architettura del modello, dalla precisione, dalla dimensione dei batch, dalla rete, dall'accesso alla memoria e dall'ottimizzazione software. Un benchmark interno favorevole non garantisce che un cliente riceva lo stesso vantaggio.

Ciononostante, Ironwood ha delineato un percorso commerciale più chiaro. Google ha progettato il processore sia per grandi lavori di addestramento sia per inferenza ad alto volume. L'inferenza è il calcolo eseguito quando un modello addestrato genera una risposta, un'immagine, una previsione o un'azione software.

L'economia dell'inferenza è diventata sempre più importante man mano che i prodotti AI acquisiscono utenti. L'addestramento avviene periodicamente, mentre un servizio popolare può elaborare richieste in modo continuo. Un costo inferiore per output utile può quindi contare più delle prestazioni di addestramento in evidenza.

Google ha successivamente annunciato TPU 8t per l'addestramento e TPU 8i per l'inferenza. Il suo aggiornamento sull'infrastruttura AI afferma che TPU 8t scala fino a 9.600 processori e due petabyte di memoria condivisa ad alta larghezza di banda. Google dichiara tre volte le prestazioni di elaborazione di Ironwood e fino al doppio delle prestazioni per watt.

TPU 8i utilizza un design diverso, incentrato sul serving dei modelli. Google afferma che un pod può collegare 1.152 processori e offrire prestazioni di inferenza per dollaro migliori dell'80% rispetto alla generazione precedente. Restano confronti riportati dall'azienda che i clienti devono convalidare nei propri ambienti.

La separazione tra addestramento e inferenza mostra una strategia di prodotto matura. Google non presenta più un solo acceleratore come la risposta migliore a ogni compito. Sta adattando l'hardware a carichi di lavoro distinti, mantenendo il controllo sulla rete e sul software di supporto.

Questo approccio può ridurre le risorse di calcolo sprecate. I sistemi di addestramento necessitano di enorme larghezza di banda della memoria e comunicazioni rapide tra migliaia di acceleratori. I sistemi di inferenza spesso privilegiano latenza, throughput, capacità di cache e costi operativi prevedibili.

I servizi interni di Google offrono un altro vantaggio. Search, Photos, Maps, YouTube, pubblicità e Gemini generano enormi carichi di lavoro ricorrenti. Alphabet può perfezionare l'hardware sulla domanda effettiva di produzione prima di rendere i sistemi disponibili ai clienti esterni.

L'adozione esterna conta maggiormente per la tesi sul titolo Alphabet. L'efficienza interna può proteggere i margini, ma le vendite cloud possono creare ricavi incrementali. Alphabet deve dimostrare che i clienti considerano le TPU una piattaforma, anziché apparecchiature specializzate riservate ai modelli preferiti da Google.

Anthropic offre l'esempio più visibile. Google ha dichiarato che l'azienda AI prevedeva di accedere fino a un milione di TPU. Anthropic ha utilizzato l'infrastruttura Google insieme a chip e capacità cloud ottenuti tramite altri partner.

La relazione sostiene la tesi della scala di Google, ma non dimostra l'esclusività del cliente. I principali sviluppatori di modelli utilizzano deliberatamente più fornitori per assicurarsi capacità e ridurre la dipendenza da un singolo vendor. Google deve competere per ogni carico di lavoro anche dopo aver ottenuto un accordo importante.

Alphabet ha compiuto un altro passo nel secondo trimestre del 2026. Il management avrebbe dichiarato che Google ha consegnato per la prima volta sistemi TPU nei data center di proprietà dei clienti. In precedenza, gli utenti esterni consumavano generalmente capacità TPU tramite Google Cloud.

Questa mossa amplia il mercato indirizzabile. Alcune organizzazioni desiderano infrastrutture dedicate all'interno di strutture che controllano. Altre necessitano di modelli di implementazione definiti da residenza dei dati, topologia di rete, latenza, sicurezza o investimenti di capitale esistenti.

La vendita di sistemi può anche introdurre ricavi hardware a margine inferiore e obblighi di supporto. Alphabet deve decidere fino a che punto vuole assomigliare a un fornitore di chip. Il vantaggio maggiore dell'azienda potrebbe rimanere un servizio cloud integrato piuttosto che hardware autonomo.

L'opportunità più credibile combina entrambi i modelli. I sistemi presso i clienti possono raggiungere acquirenti che non possono spostare ogni carico di lavoro su Google Cloud. La capacità cloud può servire le organizzazioni che preferiscono accesso flessibile e infrastruttura gestita.

L'esecuzione dipende ora dalla portabilità del software. Google ha ampliato il supporto per PyTorch e ottimizzato il motore di inferenza vLLM su GPU e TPU. Questi cambiamenti si rivolgono agli sviluppatori che non vogliono riscrivere intere applicazioni per un singolo acceleratore.

Un acquirente tecnico esaminerà comunque il comportamento del compilatore, il supporto dei modelli, gli strumenti di debugging, la disponibilità e le competenze del personale. La leadership nei benchmark conta meno se la migrazione richiede mesi. Il compito commerciale di Google è ridurre quel costo di passaggio.

I chip AI di Nvidia definiscono ancora lo standard competitivo

Il silicio proprietario di Google mette pressione a Nvidia a livello di carico di lavoro, ma Nvidia rimane la piattaforma predefinita del settore.

Il vantaggio di Nvidia inizia con CUDA, la sua piattaforma software per programmare le GPU. CUDA include compilatori, librerie ottimizzate, strumenti di debugging e integrazioni accumulati nel corso di molte generazioni di prodotti. Questo ecosistema rende l'hardware Nvidia più facile da adottare per diversi carichi di lavoro AI.

Gli sviluppatori incontrano inoltre l'infrastruttura Nvidia in quasi tutti i principali cloud. Le imprese possono assumere ingegneri con esperienza pertinente, riutilizzare il codice esistente e spostare i carichi di lavoro tra fornitori. Questi vantaggi creano costi di passaggio che le specifiche grezze dei chip non possono cogliere.

Nvidia estende la propria posizione oltre il processore. I suoi sistemi AI includono CPU, switch di rete, interconnessioni, unità di elaborazione dati, librerie software e progetti di riferimento per data center. I clienti acquistano spesso un'architettura di calcolo completa anziché una GPU isolata.

Le evidenze finanziarie restano formidabili. Nvidia ha riportato risultati trimestrali con ricavi pari a 81,6 miliardi di dollari nel trimestre conclusosi il 26 aprile 2026. I ricavi dei data center hanno raggiunto 75,2 miliardi di dollari, in aumento del 92 percento rispetto all'anno precedente.

Questi risultati dimostrano che i chip personalizzati concorrenti non hanno fermato la crescita di Nvidia. Gli hyperscaler possono aumentare l'implementazione interna di acceleratori acquistando al contempo più sistemi Nvidia. L'espansione della domanda di AI consente che entrambe le tendenze si verifichino simultaneamente.

Google stessa illustra questa realtà. Google Cloud offre TPU, ma commercializza anche GPU Nvidia ai clienti. Durante il suo evento cloud del 2026, Google ha dichiarato di voler essere tra i primi provider a offrire i sistemi Vera Rubin di Nvidia.

Questo portafoglio misto risponde a esigenze concrete dei clienti. Alcune organizzazioni desiderano la portabilità e l'ampio supporto dei framework offerti da Nvidia. Altre privilegiano l'economicità delle TPU per i modelli che funzionano in modo efficiente nello stack di Google.

Ciò significa che Alphabet è al tempo stesso cliente e concorrente di Nvidia. Google beneficia della crescita della domanda di cloud computing, indipendentemente dall'acceleratore scelto dal cliente. Tuttavia, cattura una quota maggiore del valore economico quando i carichi di lavoro vengono eseguiti su hardware progettato internamente.

Nvidia subisce pressioni nei casi in cui un acceleratore personalizzato può gestire un carico di lavoro stabile e ad alto volume a un costo totale inferiore. Google può ottimizzare i chip per i propri modelli, eliminare parte dei margini dei fornitori e coordinare direttamente l'hardware con le operazioni dei data center.

Nvidia, tuttavia, può rispondere su una base installata molto più ampia. La sua piattaforma Vera Rubin è entrata in produzione nel 2026 con processori, networking, storage e progetti su scala rack. Nvidia sostiene di offrire una produttività degli agenti fino a dieci volte superiore rispetto alla precedente generazione Grace Blackwell.

Si tratta di confronti elaborati da Nvidia sulla propria piattaforma e richiedono una convalida indipendente. Ciononostante, la cadenza dei rilasci crea un obiettivo in continuo movimento per ogni alternativa. Google deve migliorare più rapidamente di Nvidia, colmando al contempo le lacune nell'accesso al software e nella flessibilità di implementazione.

La scala economica di Nvidia finanzia questa risposta. I ricavi dei data center nell'esercizio fiscale 2026 hanno raggiunto 193,7 miliardi di dollari. Questi ricavi sostengono ricerca, impegni con i fornitori, sviluppo software e partnership nell'intero settore dei server.

Google dispone di propri vantaggi finanziari. La pubblicità nella ricerca genera liquidità, Google Cloud è in crescita e Alphabet può distribuire chip in presenza di una domanda interna garantita. L'azienda non deve costruire un business di processori partendo da una base clienti inesistente.

La competizione principale, quindi, non è TPU Google contro GPU Nvidia in ogni mercato. È l'economia del cloud integrato contro una piattaforma commerciale ampiamente adottata. Google punta a un controllo più stretto e a costi inferiori per i carichi di lavoro, mentre Nvidia offre compatibilità e libertà di scelta ai clienti.

Altri hyperscaler rafforzano questa tendenza. Amazon sviluppa gli acceleratori Trainium, Microsoft ha Maia e Meta realizza chip MTIA. Ogni azienda mira a ridurre la propria esposizione verso un fornitore essenziale, adattando al contempo l'hardware ai carichi di lavoro interni ricorrenti.

Google, tuttavia, si è spinta oltre la maggior parte dei concorrenti. I suoi processori supportano importanti prodotti interni, clienti cloud esterni e rilevanti laboratori di AI. Questa storia rende Google il test più chiaro per capire se il silicio personalizzato possa diventare un'alternativa duratura.

La cornice di mercato da 300 miliardi di dollari può comunque fuorviare i lettori. Le stime di mercato dipendono dal fatto che gli analisti includano processori, sistemi completi, networking, memoria o servizi correlati. Un grande mercato previsto non si traduce automaticamente in ricavi indirizzabili per Alphabet.

Gli investitori dovrebbero invece esaminare il valore economico effettivamente catturato. Se una TPU sostituisce un acceleratore Nvidia acquistato all'interno di Google, può ridurre i costi infrastrutturali. Se Google vende l'accesso alle TPU tramite Cloud, può sostenere i ricavi creando al contempo differenziazione.

La seconda strada offre un potenziale maggiore, ma è più difficile. I clienti devono fidarsi della roadmap di Google, trovare capacità disponibile e adattare il proprio software. Devono inoltre credere che Google supporterà carichi di lavoro che non apportano vantaggi principalmente a Gemini.

Il titolo Alphabet affronta un costoso test infrastrutturale

La tesi rialzista diventa credibile solo se la crescita del cloud e i rendimenti operativi finiranno per giustificare la spesa storica di Alphabet.

Alphabet ha riportato ricavi del secondo trimestre 2026 pari a 119,8 miliardi di dollari, in aumento del 24 percento rispetto all'anno precedente. I ricavi di Google Cloud hanno raggiunto circa 24,8 miliardi di dollari, con una crescita dell'82 percento su base annua.

Questa accelerazione offre ad Alphabet una risposta più solida alle preoccupazioni sulla monetizzazione dell'AI. La domanda sta emergendo in un segmento aziendale riportato, non solo nelle statistiche di utilizzo o nelle dimostrazioni di prodotto. La crescita del cloud si collega inoltre direttamente agli investimenti infrastrutturali dell'azienda.

La spesa necessaria a sostenere questa domanda è diventata straordinaria. Alphabet ha registrato 44,9 miliardi di dollari di spese in conto capitale trimestrali. Il management ha aumentato le previsioni di spesa in conto capitale per l'intero 2026 a una fascia compresa tra 195 miliardi e 205 miliardi di dollari.

Le spese in conto capitale finanziano server, data center, apparecchiature di networking e altri asset a lunga durata. Riducono immediatamente il flusso di cassa corrente, sebbene costi contabili come l'ammortamento emergano nell'arco di diversi anni.

Il risultato è stato il primo trimestre di free cash flow negativo di Alphabet da quando è diventata una società quotata, secondo un'analisi dei flussi di cassa. Il flusso di cassa operativo è stato di circa 39,1 miliardi di dollari, inferiore alla spesa infrastrutturale del trimestre.

Un solo trimestre non dimostra un deterioramento permanente. Alphabet ha inoltre registrato guadagni di investimento insoliti che hanno influenzato l'utile netto riportato, rendendo il profitto di facciata meno utile per valutare le operazioni. La generazione di cassa e i rendimenti dell'infrastruttura meritano maggiore attenzione.

Il caso d'investimento ora presenta un compromesso reale. La crescita di Google Cloud sostiene l'idea che la domanda stia assorbendo la nuova capacità. Il free cash flow negativo dimostra che Alphabet deve finanziare l'espansione prima di riceverne il pieno beneficio economico.

I chip personalizzati possono migliorare questa equazione in diversi modi. Alphabet può ridurre la dipendenza dai margini dei fornitori, ottimizzare i sistemi per i carichi di lavoro interni e offrire capacità cloud differenziata. Può anche vendere sistemi TPU completi a clienti selezionati.

Tuttavia, ogni vantaggio dipende dall'utilizzo. Un data center pieno di acceleratori sottoutilizzati rimane un asset costoso. Google deve mantenere i processori occupati tra Gemini, Search, pubblicità, carichi di lavoro cloud aziendali e laboratori di AI esterni.

L'utilizzo può deteriorarsi se i modelli diventano più efficienti più rapidamente di quanto si espanda la domanda. Può inoltre diminuire quando i clienti ritardano le implementazioni, le connessioni elettriche arrivano tardi o nuovi processori rendono meno attraenti i sistemi esistenti.

L'obiettivo di volume riportato da Google per il 2028 aumenta questo rischio. Ordinare milioni di processori richiede impegni molto prima che la domanda finale diventi visibile. Anche memoria, packaging, server e infrastrutture elettriche richiedono tempi di approvvigionamento lunghi.

I vincoli dell'offerta creano il problema opposto. Google ha ripetutamente descritto la capacità AI come limitata, e hardware insufficiente può frenare la crescita del cloud. Il management deve costruire in anticipo rispetto alla domanda senza spingersi troppo oltre.

L'incerto report sulle TPU v9 aggiunge un ulteriore livello di complessità. Alphabet non ha confermato la cifra compresa tra 12 e 15 milioni. Gli investitori non dovrebbero tradurre direttamente una stima della supply chain di un analista in ricavi o utili futuri.

L'intervallo stesso copre tre milioni di processori. Questo divario indica una significativa incertezza nelle previsioni. I piani produttivi possono cambiare in funzione delle rese, delle revisioni progettuali, della domanda, dell'accesso al packaging e delle tempistiche di costruzione dei data center.

Anche i confronti con le stime delle spedizioni Nvidia sono fragili. I conteggi delle unità ignorano le differenze di prestazioni e il numero di chip necessari per un determinato carico di lavoro. Ignorano inoltre i ricavi derivanti dal networking, dal software, dalle CPU e dai sistemi completi di Nvidia.

Il titolo Alphabet, pertanto, non sale semplicemente perché Google produce molte TPU. Il valore per gli azionisti dipende dal rendimento generato dall'intero programma infrastrutturale. Le misure rilevanti includono l'utile operativo del cloud, l'utilizzo degli asset, l'ammortamento e il free cash flow.

L'ultimo trimestre ha fornito segnali operativi incoraggianti. La crescita dei ricavi di Google Cloud è accelerata mentre Alphabet espandeva l'infrastruttura. Tuttavia, la preoccupazione del mercato per la spesa in conto capitale è razionale, perché la crescita odierna non garantisce rendimenti adeguati nel lungo periodo.

Una strategia di successo produrrebbe un ciclo di rafforzamento. Chip migliori ridurrebbero i costi di erogazione, migliorerebbero l'economia del cloud, attirerebbero clienti e finanzierebbero la successiva generazione hardware. Carichi di lavoro più ampi fornirebbero quindi a Google più dati per l'ottimizzazione dei sistemi.

Una strategia debole produrrebbe l'effetto opposto. L'aumento della spesa metterebbe sotto pressione il flusso di cassa mentre i clienti resterebbero legati a Nvidia. Cicli di prodotto brevi potrebbero costringere Alphabet a sostituire sistemi costosi prima di ottenere rendimenti soddisfacenti.

Il risultato probabilmente si collocherà tra questi estremi. Google può affermare le TPU come una significativa seconda piattaforma senza sostituire Nvidia. Questo risultato potrebbe comunque migliorare la posizione di Alphabet nel cloud e il suo potere negoziale.

Gli investitori dovrebbero inoltre separare l'esecuzione aziendale dalla valutazione del titolo. Una forte strategia sui chip può avere valore economico pur essendo già riflessa nelle aspettative del mercato. Un trimestre deludente può danneggiare le azioni anche se la tesi infrastrutturale di lungo periodo resta intatta.

Cosa dovrà confermare il prossimo ciclo di notizie su Google

Tre segnali determineranno se l'espansione delle TPU di Alphabet diventerà un vantaggio duraturo o una costosa corsa alla capacità.

Il primo segnale riguarda i ricavi esterni delle TPU e l'implementazione presso i clienti. Secondo quanto riportato, Alphabet ha iniziato a consegnare sistemi TPU nei data center dei clienti. Le future conference call sui risultati dovrebbero chiarire se tali accordi si estendano oltre un piccolo gruppo di clienti strategici.

La diversità dei clienti conterà più di un singolo grande accordo. L'adozione tra laboratori di AI, servizi finanziari, generazione media, calcolo scientifico e inferenza aziendale sosterrebbe la tesi della piattaforma. La dipendenza da pochi accordi negoziati la indebolirebbe.

Gli investitori dovrebbero inoltre cercare prove che i clienti eseguano carichi di lavoro in produzione anziché valutazioni limitate. Impegni di capacità a lungo termine, implementazioni ripetute e un supporto più ampio dei framework indicherebbero che le TPU stanno entrando nella normale pianificazione infrastrutturale.

Il secondo segnale è il rapporto tra crescita e spesa di Google Cloud. Le ultime notizie su Google hanno mostrato un'eccezionale espansione del cloud insieme a requisiti di capitale senza precedenti. Questa combinazione è incoraggiante solo se i ricavi incrementali producono un utile operativo duraturo.

Il margine operativo del cloud, la conversione del backlog, l'ammortamento e il free cash flow offriranno un quadro migliore dei soli ricavi. L'aumento dell'utilizzo dovrebbe aiutare Alphabet a distribuire i costi dei data center su un numero maggiore di carichi di lavoro paganti.

Il free cash flow negativo non invalida automaticamente l'investimento. I grandi progetti infrastrutturali spesso assorbono cassa prima di raggiungere il pieno utilizzo. La questione cruciale è se la generazione di cassa si riprenderà quando le strutture attuali inizieranno a produrre ricavi.

Un continuo aumento della spesa senza un corrispondente miglioramento operativo indebolirebbe la tesi. Suggerirebbe che ogni nuova generazione richiede più capitale prima che gli investimenti precedenti maturino.

Il terzo segnale è la risposta competitiva di Nvidia. La relazione di Nvidia sul secondo trimestre fiscale 2027 è prevista per il 26 agosto 2026. Gli investitori dovrebbero esaminare la crescita dei data center, l'implementazione di Rubin, il margine lordo e i commenti del management sugli acceleratori personalizzati.

La continua accelerazione di Nvidia non danneggerebbe automaticamente Alphabet. Potrebbe confermare che la domanda globale di capacità di calcolo resta superiore all'offerta disponibile. Entrambe le aziende possono crescere servendo carichi di lavoro e preferenze dei clienti diversi.

La pressione sui prezzi o un rallentamento degli ordini di Nvidia offrirebbero prove più dirette del fatto che il silicio custom sta guadagnando quote. Anche in quel caso, gli analisti dovrebbero distinguere l'impatto di Google da quello di AMD, Amazon, Microsoft, Huawei e dei fornitori specializzati di chip per l'inferenza.

Gli sviluppi software potrebbero rivelarsi più importanti dei volumi unitari. Una compatibilità PyTorch più ampia, motori di inferenza ottimizzati e una migrazione dei carichi di lavoro più semplice ridurrebbero il costo pratico della scelta dei sistemi Google TPU.

Gli sviluppatori dovrebbero osservare se i modelli comuni funzionano in modo efficiente senza richiedere riscritture estese. Gli acquirenti aziendali dovrebbero valutare disponibilità, affidabilità, governance dei dati e costo operativo totale. I team di approvvigionamento dovrebbero evitare di basarsi su un singolo benchmark selezionato da un fornitore.

Anche i knowledge worker hanno interesse in questa competizione. La concorrenza nelle infrastrutture influenza disponibilità, velocità e costo degli strumenti AI usati per la ricerca e il lavoro quotidiano. Costi di inferenza più bassi possono supportare agenti più capaci e carichi di lavoro più ampi.

I team che valutano questi sistemi hanno bisogno di un metodo disciplinato per conservare affermazioni tecniche, condizioni dei benchmark e cambiamenti dei fornitori. Una base di conoscenza tecnica ricercabile può mantenere tali decisioni ancorate alle prove anziché ai titoli dei lanci.

L'opportunità di Alphabet è reale, ma l'obiettivo riportato per il 2028 rimane non confermato. Google dispone dei modelli, dei carichi di lavoro, della piattaforma cloud e dell'esperienza nel silicio custom necessari per fare pressione su Nvidia. Non ha ancora dimostrato che una scala di spedizioni equivalente generi un'influenza economica equivalente.

La prossima domanda utile non è se Google produrrà più acceleratori di Nvidia. È se i clienti sceglieranno ripetutamente tali acceleratori e se Alphabet potrà ottenere rendimenti accettabili sulla capacità. Monitorate questi tre segnali nei prossimi risultati, nelle implementazioni dei clienti e nelle release software prima di considerare un altro titolo di Google come prova della vittoria.