Google Cloud mise sur des puces IA pour rattraper AWS, Azure

Paragraphe d'ouverture

Google Cloud a publiquement élevé sa stratégie matérielle comme pierre angulaire pour restaurer l'élan de croissance et réduire des écarts de parts persistants avec les leaders du marché Amazon Web Services et Microsoft Azure. Le 26 avr. 2026, Thomas Kurian a déclaré au Financial Times que les puces IA sur mesure et les modèles propriétaires de Google donnent à son activité de centres de données « un avantage » en matière de performance et de coût total de possession (FT, 26 avr. 2026). Ces commentaires marquent un pivot du message axé sur le logiciel vers une promotion intégrée silicium+pile logicielle — un modèle que Google a inauguré avec la famille TPU en 2016 et qu'il affirme maintenant vouloir étendre à une offre d'entreprise plus large. Pour les investisseurs institutionnels, les implications sont doubles : l'investissement matériel signale des cycles de CapEx plus longs et un potentiel d'effet de levier sur les marges, mais réaliser des gains de parts nécessite une adoption soutenue de l'écosystème logiciel et un élan commercial auprès des entreprises.

Contexte

Le marché du cloud reste concentré. Synergy Research Group estimait en 2025 qu'AWS détenait environ 33 % du marché IaaS/PaaS, Microsoft approximativement 22 % et Google environ 11 % (Synergy Research Group, 2025). Ces chiffres soulignent un déficit structurel : Google Cloud a intensifié ses services différenciés en IA mais accuse du retard vis‑à‑vis de ses pairs sur la part d'infrastructure brute et la pénétration des contrats entreprises. Les remarques publiques de Kurian du 26 avr. 2026 dans le FT soulignent la tentative de Google de convertir sa propriété intellectuelle en IA — modèles, pipelines d'entraînement et accélérateurs personnalisés — en un avantage concurrentiel tangible au niveau des centres de données (FT, 26 avr. 2026).

L'histoire des puces de Google n'est pas nouvelle. La société a dévoilé son premier TPU (Tensor Processing Unit) pour les charges de travail d'apprentissage automatique en 2016, passant des GPU grand public à des circuits intégrés conçus pour l'inférence et l'entraînement (annonce Google, 2016). Ce qui est nouveau, c'est l'encadrement commercial : Kurian affirme que ces puces, combinées aux outils Vertex AI de Google et à ses modèles propriétaires, peuvent offrir un rapport prix/performance différencié pour les charges de travail d'entreprise. La question pour les marchés est de savoir si cela se traduira par des gains clients à grande échelle et si la démarche déclenchera des réponses défensives d'AWS, de Microsoft et des fournisseurs matériels tiers.

L'effort de Google reflète également des dynamiques sectorielles plus larges où la seule différenciation logicielle devient moins défendable à mesure que les capacités d'IA se banalisent. La chaîne de valeur évolue : l'optimisation au niveau système et la productisation verticale deviennent de plus en plus déterminantes, tendance visible dans la poussée des fournisseurs cloud à verticaliser leurs offres pour la santé, les services financiers et l'industrie. Pour les investisseurs qui suivent l'allocation de capital et la rentabilité, le compromis est familier : d'importants engagements d'ingénierie et de fabrication en amont peuvent peser sur les marges à court terme mais débloquer des marges brutes supérieures si l'utilisation et les contrats pluriannuels suivent.

Analyse approfondie des données

Les principaux points de données publics sont rares mais indicatifs. L'interview du FT du 26 avr. 2026 fournit le signal le plus clair, côté direction, que Google entend monétiser le silicium personnalisé parallèlement aux services IA managés (FT, 26 avr. 2026). Les données de marché indépendantes de Synergy Research Group (2025) montrent la part de marché de Google Cloud à environ 11 %, contre 33 % pour AWS et 22 % pour Microsoft — un écart qui, s'il perdure, implique qu'un rattrapage substantiel est nécessaire pour modifier matériellement la dynamique concurrentielle (Synergy Research Group, 2025). La seule part de marché masque l'économie unitaire : Google a systématiquement rapporté une intensité de CapEx plus élevée par dollar de revenu que ses deux plus grands pairs, reflétant les investissements en centres de données et la R&D pour l'infrastructure IA.

Historiquement, le silicium personnalisé a produit des résultats différenciés dans le cloud. Le programme TPU de Google, lancé en 2016, a permis des gains de performance internes sur les charges TensorFlow et a alimenté les premiers services commerciaux d'IA. Le pari parallèle d'AWS sur des CPU personnalisés — Graviton (lancé de manière plus large en 2019) — a apporté des améliorations notables prix/performance pour certaines charges et a constitué un levier concurrentiel efficace lors des négociations d'approvisionnement avec de grands clients (AWS re:Invent, 2019). Ces précédents montrent que le silicium sur mesure peut modifier l'économie d'achat et le calcul du ROI client ; toutefois, l'adoption tend à être dépendante des charges de travail et lente sur une flotte d'entreprise entière.

Du point de vue de l'économie fournisseur, la voie vers l'échelle nécessite deux éléments : un verrouillage client incrémental significatif via des API propriétaires ou des améliorations mesurables du TCO, et un écosystème d'éditeurs indépendants de logiciels (ISV) et d'outils qui tournent de manière optimale sur la puce. La pile de Google — Vertex AI, modèles de la classe Gemini/PaLM et TPU — est positionnée pour atteindre le premier objectif ; le second nécessite des outils tiers et des engagements de migration à long terme des entreprises. Les investisseurs devraient surveiller des métriques concrètes telles que la durée des contrats clients, les taux d'attachement pour les services managés et l'utilisation de l'infrastructure cloud trimestre après trimestre pour évaluer si la rhétorique se traduit en traction commerciale.

Implications pour le secteur

Si Google parvient à tirer parti de puces IA personnalisées pour améliorer le rapport performance/coût pour l'inférence et certains entraînements, la pression directe pèsera sur NVIDIA et les fournisseurs centrés sur les GPU sur certains segments. NVIDIA reste dominante pour les entraînements haut de gamme, mais les fournisseurs cloud ont intérêt à diversifier les accélérateurs pour gérer la concentration des fournisseurs et les coûts. Un pivot matériel significatif de Google vers une différenciation par puce pourrait accélérer les architectures hybrides — combinaisons de GPU, TPU et accélérateurs personnalisés — qui optimisent les coûts selon les types de modèles et l'échelle.

Pour les clients entreprises, les décisions d'approvisionnement dépendront d'améliorations mesurables du TCO et du risque de migration. Les grandes entreprises tolèrent généralement l'hétérogénéité des fournisseurs si les économies à long terme dépassent les coûts de migration et si les écosystèmes (sécurité, conformité, services managés) sont robustes. La capacité de Google à fournir des études de cas d'entreprise avec des métriques vérifiables de coût et de performance déterminera si les DSI ouvrent de larges‑