Alphabet veut lever 80 Md$ pour accélérer son offensive IA

Alphabet prépare une levée massive pour soutenir l’industrialisation de l’IA

Alphabet envisagerait de lever jusqu’à 80 milliards de dollars pour financer l’expansion de ses infrastructures liées à l’intelligence artificielle, selon des informations rapportées par TechCrunch, qui cite la nouvelle originale intitulée “Alphabet plans to raise $80B to pay for AI buildout”. Le montant, s’il se confirme, placerait immédiatement le groupe de Mountain View dans une nouvelle phase de son offensive IA : non plus seulement celle de la course aux modèles, aux assistants et aux produits, mais celle de l’industrialisation à très grande échelle.

Le signal est important. Depuis la déferlante ChatGPT fin 2022, la compétition entre grands acteurs technologiques s’est souvent lue à travers les performances des modèles, les annonces de produits et les benchmarks. Mais depuis plusieurs trimestres, le centre de gravité se déplace. L’avantage compétitif ne repose plus uniquement sur la qualité d’un modèle fondation, sur la finesse d’un assistant conversationnel ou sur la rapidité d’intégration dans une suite bureautique. Il repose aussi, et peut-être surtout, sur la capacité à financer des data centers, à sécuriser des puces d’IA, à construire des réseaux énergétiques adaptés et à absorber des dépenses d’investissement d’une ampleur rarement vue dans l’histoire récente du numérique.

Dans le cas d’Alphabet, l’enjeu est double. D’une part, Google doit répondre à une demande croissante pour ses services IA, tant côté grand public que côté entreprises, notamment via Google Cloud, Gemini, les outils de génération intégrés à Workspace et l’ensemble de ses API. D’autre part, le groupe doit convaincre les marchés qu’il peut soutenir cette montée en charge sans se laisser distancer par Microsoft, OpenAI et Amazon, qui ont tous engagé une escalade spectaculaire de leurs budgets d’infrastructure.

Le chiffre de 80 milliards de dollars ne représente pas simplement une enveloppe financière impressionnante. Il traduit un changement de nature de la concurrence. L’IA générative, dans sa phase actuelle, est devenue un secteur où l’on ne gagne pas seulement avec des chercheurs, des ingénieurs et des interfaces séduisantes, mais avec des bilans capables d’absorber des dizaines de milliards de dollars de capex. La vraie bataille se joue désormais dans le béton, les câbles, l’électricité, les GPU, les TPU, les interconnexions réseau et les contrats de long terme avec les fournisseurs de composants.

Pour le marché francophone, cette évolution est loin d’être abstraite. Les entreprises françaises et européennes qui consomment des services cloud et IA dépendent de plus en plus de l’architecture globale construite par les hyperscalers américains. Les arbitrages d’investissement d’Alphabet influencent directement la disponibilité des capacités, les prix, les délais de déploiement, la localisation des services et, à terme, la souveraineté technologique du continent.

De la surprise ChatGPT à la riposte Gemini : le contexte d’une pression stratégique continue

Pour mesurer la portée d’un projet de levée de 80 milliards de dollars, il faut revenir à la séquence ouverte à l’automne 2022. Lorsque OpenAI lance ChatGPT, Google apparaît immédiatement comme l’acteur le plus exposé. Pendant plus de vingt ans, sa domination de la recherche en ligne s’est appuyée sur un modèle économique extraordinairement rentable, centré sur la publicité et la distribution de l’information via le moteur de recherche. Or l’essor des interfaces conversationnelles a fait naître une crainte structurante : si les usages basculent vers des agents capables de synthétiser, expliquer et agir, le moteur de recherche traditionnel pourrait perdre une partie de son rôle central.

Google n’était pourtant pas pris au dépourvu sur le plan scientifique. Le groupe est l’un des principaux architectes de l’IA moderne. Le papier “Attention Is All You Need”, publié en 2017 par des chercheurs de Google, a posé les bases des transformeurs, au cœur de la plupart des grands modèles actuels. DeepMind, racheté par Google en 2014, a multiplié les percées majeures, d’AlphaGo à AlphaFold. Les équipes de Google Research ont aussi joué un rôle de premier plan dans les avancées sur les modèles multimodaux, la traduction, la vision par ordinateur et l’optimisation des systèmes distribués.

Mais la séquence 2023 a montré qu’une avance scientifique ne garantit pas une avance commerciale. Face à l’offensive d’OpenAI, soutenue par Microsoft, Alphabet a dû accélérer. Bard a d’abord été lancé dans l’urgence, avant d’être progressivement repositionné autour de la marque Gemini. Google a ensuite multiplié les annonces : intégration d’IA générative dans Search, déploiement de fonctionnalités dans Gmail, Docs, Sheets, Meet, montée en puissance de Vertex AI, généralisation des modèles Gemini dans le cloud, et communication plus offensive sur ses puces maison TPU.

Cette riposte a eu un coût. Non seulement en R&D, mais surtout en infrastructure. L’IA générative est bien plus gourmande en calcul que les applications logicielles classiques. Entraîner un grand modèle nécessite des grappes massives de processeurs spécialisés, des réseaux à très haut débit, des systèmes de refroidissement complexes et une alimentation électrique stable. Servir ces modèles à des centaines de millions d’utilisateurs, avec des temps de réponse acceptables, ajoute une seconde couche de dépenses, cette fois dans l’inférence à grande échelle.

Le groupe a déjà commencé à refléter cette intensité capitalistique dans ses comptes. Lors de ses derniers résultats trimestriels, Alphabet a régulièrement mis en avant la hausse de ses investissements, notamment pour soutenir les capacités techniques de Google Services et de Google Cloud. Le directeur général Sundar Pichai répète depuis plusieurs mois que l’entreprise est engagée dans une stratégie de long terme pour “faire de l’IA une réalité utile pour tous”, tandis que la directrice financière Anat Ashkenazi, arrivée en 2024, a elle aussi insisté sur la nécessité d’investir de façon disciplinée mais soutenue dans l’infrastructure.

Le contexte est donc celui d’une pression stratégique continue. Google doit défendre son cœur de métier historique, transformer son cloud en moteur de croissance IA, préserver ses marges et rassurer les investisseurs sur sa capacité à monétiser. Dans ce cadre, une opération financière d’une telle ampleur ne serait pas seulement un choix opportuniste : elle constituerait une déclaration de puissance dans une course où la taille du bilan devient presque aussi importante que la qualité des algorithmes.

Ce que financerait concrètement une enveloppe de 80 milliards de dollars

D’après les éléments relayés par TechCrunch, l’objectif principal de cette levée serait de soutenir le déploiement d’infrastructures de calcul, de data centers et de capacités cloud. Autrement dit, Alphabet chercherait à sécuriser les fondations matérielles de sa stratégie IA plutôt qu’à financer une acquisition spectaculaire ou un pivot produit. C’est un point clé : le marché entre dans une phase où l’IA se mesure en mégawatts, en racks, en fibres optiques et en chaînes d’approvisionnement.

Une telle somme pourrait couvrir plusieurs catégories de dépenses. La première est la construction ou l’extension de data centers. Les centres de données adaptés aux charges IA ne ressemblent plus tout à fait aux installations cloud traditionnelles. Ils doivent accueillir des densités de puissance plus élevées, intégrer des systèmes de refroidissement avancés, supporter des interconnexions rapides entre accélérateurs et offrir une résilience maximale pour des workloads continus. Le coût unitaire de ces sites grimpe fortement, d’autant plus que les contraintes foncières, énergétiques et réglementaires se renforcent.

La deuxième catégorie concerne les accélérateurs de calcul. Google dispose d’un atout historique avec ses TPU, conçus en interne, mais cela ne le met pas à l’abri des tensions du marché des composants. L’écosystème IA reste très dépendant des capacités de production de fondeurs comme TSMC et des chaînes d’approvisionnement mondiales. Qu’il s’agisse de TPU, de GPU ou d’équipements réseau, sécuriser les volumes nécessaires exige des engagements financiers massifs et souvent pluriannuels.

Troisième poste : les réseaux et l’architecture cloud. Servir des modèles multimodaux à grande échelle demande des infrastructures de stockage, de bande passante et d’orchestration extrêmement coûteuses. Les clients entreprises de Google Cloud veulent non seulement accéder à des modèles puissants, mais aussi les intégrer à leurs données, à leurs applications et à leurs exigences de sécurité. Cela suppose des investissements dans les couches logicielles, les outils MLOps, les environnements souverains ou régionaux, et les capacités de déploiement hybrides.

Quatrième poste, souvent sous-estimé : l’énergie. Le coût énergétique de l’IA est devenu un sujet central. Chaque nouveau cluster de calcul ajoute une pression sur les réseaux électriques locaux. Les hyperscalers multiplient les contrats d’achat d’électricité renouvelable, les partenariats avec des opérateurs et les projets visant à sécuriser une alimentation de long terme. Pour Alphabet, qui communique depuis des années sur ses ambitions environnementales, l’équation est délicate : accélérer fortement les capacités de calcul tout en maintenant une trajectoire crédible en matière de durabilité.

Enfin, il faut tenir compte du besoin de redondance géographique. Une part croissante des clients, notamment en Europe, demande des garanties de localisation des données, de continuité d’activité et de conformité réglementaire. Cela pousse les grands fournisseurs à répartir leurs capacités sur plusieurs régions cloud et à rapprocher certaines ressources des bassins de demande. Le financement d’une expansion IA n’est donc pas seulement un pari sur la puissance brute ; c’est aussi un pari sur la capacité à mailler le territoire mondial avec des infrastructures adaptées à des contextes réglementaires variés.

Le chiffre de 80 milliards de dollars doit aussi être mis en perspective avec les dépenses d’investissement déjà engagées par les grands acteurs. Chez Alphabet, les capex annuels ont déjà atteint des niveaux très élevés ces derniers trimestres. Une levée de cette ampleur suggère soit une accélération supplémentaire, soit une volonté de diversifier les sources de financement afin de préserver une certaine flexibilité bilancielle. Dans les deux cas, le message envoyé au marché est clair : la demande IA est jugée suffisamment forte et durable pour justifier des engagements financiers qui auraient semblé exceptionnels il y a encore trois ans.

La guerre du capex : Google face à Microsoft, OpenAI et Amazon

La meilleure manière de comprendre cette annonce potentielle consiste à la replacer dans l’escalade générale du secteur. Depuis 2023, les grandes entreprises technologiques se livrent à une forme de course aux armements infrastructurelle. Les modèles sont visibles, les interfaces sont médiatisées, mais ce sont les dépenses d’investissement qui révèlent le plus fidèlement l’intensité de la compétition.

Microsoft a pris une longueur d’avance symbolique en s’adossant très tôt à OpenAI. Son investissement cumulé dans le laboratoire de Sam Altman, souvent estimé à plusieurs dizaines de milliards de dollars selon les montages et crédits cloud associés, lui a permis de positionner Azure comme plateforme privilégiée pour une part importante des charges OpenAI. Le groupe a aussi intégré Copilot dans Windows, Microsoft 365, GitHub et ses produits entreprise, tout en augmentant fortement ses propres dépenses d’infrastructure. À plusieurs reprises, ses dirigeants ont reconnu que la demande en services IA dépassait l’offre disponible.

Amazon, longtemps perçu comme plus prudent sur l’IA générative grand public, a réagi avec sa propre logique : capitaliser sur la puissance d’AWS, investir dans les puces maison comme Trainium et Inferentia, et nouer des partenariats stratégiques, notamment avec Anthropic. Là encore, le sujet central n’est pas seulement le modèle, mais la capacité à fournir aux entreprises un socle cloud compétitif, moins coûteux, plus flexible et suffisamment abondant pour absorber les charges de travail IA.

OpenAI, de son côté, n’est pas un hyperscaler classique, mais son besoin en calcul est tel qu’il a contribué à redéfinir l’économie du secteur. Son expansion a mis en lumière le coût gigantesque de l’entraînement et de l’inférence des modèles de pointe. Les discussions entourant de nouveaux tours de table, les projets d’infrastructure dédiés et les ambitions de construction de capacités de calcul à l’échelle planétaire ont renforcé une idée désormais largement partagée : le goulet d’étranglement de l’IA n’est plus seulement algorithmique, il est industriel et financier.

Dans ce paysage, Alphabet ne peut pas se contenter de gérer l’existant. Google Cloud a retrouvé une trajectoire plus favorable, avec une croissance redevenue stratégique pour le groupe, et l’IA est désormais un moteur central de différenciation. Si la demande des entreprises “dépasse les attentes”, comme le suggèrent les informations relayées, alors le risque pour Google n’est pas seulement de manquer une opportunité commerciale. C’est aussi de laisser des clients se tourner vers Azure ou AWS faute de capacité disponible, de délais courts ou de garanties de performance.

La bataille du capex a une conséquence directe : elle tend à renforcer les barrières à l’entrée. Les start-up peuvent encore innover sur les couches applicatives, les agents, les outils métiers ou les modèles spécialisés. Mais au niveau de l’infrastructure générale, très peu d’acteurs peuvent mobiliser des dizaines de milliards de dollars de manière répétée. Le marché se structure donc autour d’un petit nombre d’entreprises capables de financer à la fois la recherche, les puces, les centres de données, les contrats énergétiques et la distribution mondiale.

Cette concentration n’est pas nouvelle dans le cloud, mais l’IA l’accentue. Là où le cloud classique pouvait encore laisser de l’espace à des acteurs régionaux ou spécialisés, l’IA générative de pointe exige des niveaux d’investissement qui favorisent les plus grands bilans. Une levée de 80 milliards de dollars par Alphabet viendrait ainsi confirmer que la prochaine décennie de l’IA sera aussi une décennie de consolidation autour des hyperscalers, même si des poches d’innovation indépendantes continueront d’exister.

Le marché ne récompense plus seulement les entreprises qui annoncent les meilleurs modèles ; il valorise celles qui peuvent garantir l’accès au calcul, à l’énergie et à la distribution mondiale de ces modèles.

Il faut également noter que cette guerre du capex se joue à plusieurs niveaux temporels. À court terme, il s’agit de répondre à la demande actuelle en services IA. À moyen terme, il s’agit de préparer les générations suivantes de modèles, plus multimodaux, plus agents, plus intégrés aux workflows métier. À long terme, il s’agit de contrôler les infrastructures qui serviront de base à l’automatisation logicielle et cognitive de pans entiers de l’économie. Sous cet angle, l’argent levé aujourd’hui prépare des positions de marché qui pourraient rester déterminantes pendant dix ans.

Pourquoi l’infrastructure devient le véritable champ de bataille de l’IA

Le cas Alphabet illustre une mutation plus profonde de l’industrie. Pendant la première phase de la vague générative, entre fin 2022 et une bonne partie de 2024, l’attention s’est concentrée sur les démonstrations : qualité du texte généré, performances en code, capacités multimodales, assistants personnels, intégrations bureautiques. Cette phase n’est pas terminée, mais elle ne suffit plus à expliquer la dynamique du marché.

Les grands modèles les plus avancés convergent progressivement sur certains usages de base. Les écarts existent toujours, mais ils deviennent plus difficiles à monétiser durablement si l’on ne dispose pas d’une chaîne industrielle complète derrière. En clair, un excellent modèle sans capacité suffisante de déploiement reste un actif incomplet. À l’inverse, une entreprise capable de fournir du calcul abondant, des outils de gouvernance, une distribution mondiale et des garanties de service peut transformer plus vite l’innovation technique en revenus récurrents.

Cette logique explique pourquoi les investisseurs regardent désormais avec autant d’attention les dépenses d’investissement, les annonces de nouvelles régions cloud, les accords énergétiques et les feuilles de route matérielles. Dans l’IA, la rareté la plus critique n’est pas nécessairement l’idée ou même le talent scientifique. C’est la capacité de passage à l’échelle. Or cette capacité est extraordinairement coûteuse.

Le modèle économique de l’IA générative renforce encore cette tension. L’inférence, c’est-à-dire le fait de faire tourner un modèle pour répondre à des utilisateurs, a un coût variable important. Plus un service rencontre le succès, plus la facture d’infrastructure grimpe, surtout si les requêtes deviennent longues, multimodales ou agentiques. Pour un groupe comme Google, qui opère déjà des services utilisés par des milliards de personnes, chaque intégration IA dans Search, Android, Workspace ou YouTube peut entraîner une hausse considérable des besoins de calcul.

Cette situation crée une forme de paradoxe. Les entreprises veulent démocratiser l’IA, mais cette démocratisation dépend d’investissements colossaux réalisés par un très petit nombre d’acteurs. Le marché devient donc à la fois plus vaste et plus concentré. Les clients bénéficient de services plus puissants, mais ils deviennent aussi plus dépendants des opérateurs capables de financer l’infrastructure sous-jacente.

Pour Alphabet, l’enjeu est d’autant plus sensible que Google vit historiquement de marges très élevées sur la publicité. L’IA générative, en particulier lorsqu’elle est intégrée à la recherche, peut réduire ces marges si les coûts de calcul augmentent plus vite que les revenus associés. Le groupe doit donc optimiser en permanence le ratio entre qualité de service, coût de l’inférence et monétisation. Les TPU maison jouent ici un rôle stratégique : ils peuvent contribuer à réduire la dépendance à des fournisseurs externes et à améliorer l’économie unitaire. Mais même avec cet avantage, l’échelle requise reste gigantesque.

La logique infrastructurelle touche aussi la gouvernance des entreprises clientes. Une banque française, un industriel allemand ou un groupe de distribution européen ne choisit plus seulement un modèle ; il choisit une plateforme, un niveau de disponibilité, une politique de sécurité, une feuille de route de conformité et une capacité à absorber des pics de charge. Dans ce cadre, la robustesse financière d’un fournisseur devient un critère implicite. Une levée de 80 milliards de dollars envoie donc un message de solidité opérationnelle autant qu’un signal offensif à la concurrence.

Les implications pour la France et l’Europe : dépendance accrue, opportunités ciblées, pression sur la souveraineté

Pour les acteurs francophones, l’annonce potentielle d’Alphabet a plusieurs implications concrètes. La première est positive à court terme : si Google accroît fortement ses capacités de calcul et de cloud, les entreprises européennes pourraient bénéficier d’un meilleur accès aux services IA, avec moins de pénuries, plus de choix de déploiement et potentiellement une concurrence tarifaire plus vive entre hyperscalers. Dans un marché où les délais d’accès aux GPU et aux capacités premium ont parfois constitué un frein, toute expansion significative de l’offre est surveillée de près.

La deuxième implication concerne la compétitivité des entreprises utilisatrices. En France, les grands groupes comme les ETI accélèrent sur les copilotes internes, la recherche documentaire augmentée, l’automatisation du support client, le développement assisté par IA et l’analyse de données multimodales. Ces projets dépendent d’infrastructures stables et de contrats cloud capables d’absorber des volumes croissants. Si Google Cloud renforce sa présence et sa capacité de service, cela peut favoriser des déploiements plus rapides dans la banque, l’assurance, la santé, l’industrie ou les services publics.

Mais cette dynamique a aussi un revers : elle accentue la dépendance européenne à l’égard d’infrastructures extra-européennes. L’Union européenne cherche depuis plusieurs années à renforcer sa souveraineté numérique, à travers des initiatives sur le cloud, les semi-conducteurs, les données et, plus récemment, l’IA. Pourtant, la réalité économique reste brutale : très peu d’acteurs européens peuvent rivaliser avec des investissements de plusieurs dizaines de milliards de dollars. Même les champions régionaux du cloud ou du calcul haute performance restent très loin de l’échelle financière des hyperscalers américains.

Dans le contexte français, cette asymétrie se traduit par une tension permanente entre pragmatisme industriel et ambition souveraine. D’un côté, les entreprises veulent accéder rapidement aux meilleurs outils et aux plus grandes capacités. De l’autre, elles s’interrogent sur la localisation des données, l’extraterritorialité du droit, la maîtrise des coûts et la dépendance stratégique. L’AI Act européen, les exigences sectorielles et les débats sur le cloud de confiance ne disparaissent pas avec l’arrivée de nouvelles capacités ; ils deviennent au contraire plus pressants.

Pour les start-up françaises de l’IA, l’effet est ambivalent. Des infrastructures plus abondantes peuvent faciliter le prototypage, l’entraînement de modèles spécialisés et la commercialisation d’applications verticales. Mais la concentration du marché autour de quelques plateformes renforce aussi la pression économique. Une jeune pousse qui bâtit son produit sur les API et le cloud de grands fournisseurs reste exposée aux variations de prix, aux changements de conditions commerciales et à la concurrence potentielle de ces mêmes fournisseurs sur certaines couches applicatives.

Il faut aussi considérer la question énergétique, particulièrement sensible en Europe. Les nouveaux data centers IA suscitent des débats sur la consommation électrique, l’usage de l’eau, l’artificialisation des sols et l’impact environnemental. En France, où l’électricité bas carbone est souvent présentée comme un avantage comparatif, la montée de l’IA pourrait relancer l’intérêt pour l’implantation de capacités de calcul sur le territoire. Mais cela suppose des arbitrages industriels, réglementaires et politiques complexes, d’autant que les calendriers des grands projets d’infrastructure sont souvent plus longs que ceux des innovations logicielles.

Enfin, l’annonce renforce la pression sur les initiatives européennes visant à soutenir un écosystème IA plus autonome. Les débats autour de l’accès au calcul pour les chercheurs, les PME et les start-up vont s’intensifier. Si les géants américains entrent dans une nouvelle phase d’escalade capitalistique, l’Europe devra choisir entre trois voies : accepter une dépendance croissante mais efficace, investir bien davantage dans ses propres capacités, ou chercher des modèles hybrides mêlant infrastructures locales, cloud public et partenariats ciblés. À ce stade, la première option reste la plus probable à court terme, mais elle pourrait devenir politiquement plus difficile à assumer à mesure que l’IA pénètre des secteurs critiques.

Une nouvelle économie de l’IA se dessine, où le financement devient un avantage produit

Si Alphabet va effectivement au bout d’une levée de 80 milliards de dollars, l’opération marquera un tournant symbolique dans l’histoire récente du secteur. Elle signifiera que l’IA n’est plus seulement un marché de logiciels avancés, mais un marché d’infrastructures financiarisées à l’échelle des plus grands programmes industriels. Ce glissement a des conséquences profondes pour la manière dont les entreprises seront valorisées, comparées et jugées par les marchés.

Jusqu’ici, les investisseurs ont beaucoup récompensé les narratifs centrés sur l’innovation produit : assistant universel, copilote du travail, moteur de recherche conversationnel, agent autonome. Ces promesses restent puissantes, mais elles ne suffisent plus. Ce qui comptera de plus en plus, c’est la capacité à transformer ces promesses en services fiables, rapides, mondiaux et rentables. En d’autres termes, le financement devient lui-même un avantage produit. Une entreprise capable de mobiliser 80 milliards de dollars pour son buildout IA peut promettre plus de disponibilité, plus de puissance, plus de latence maîtrisée et plus de continuité de service.

Pour Alphabet, l’enjeu est aussi boursier. Le groupe doit montrer qu’il peut simultanément soutenir des capex massifs, défendre ses marges et accélérer la monétisation de l’IA dans Search, Cloud, Workspace et Android. Les marchés ont jusqu’ici accepté une hausse des investissements tant que la croissance reste au rendez-vous. Mais cette tolérance n’est pas illimitée. À mesure que les montants grossissent, la pression s’accentuera pour prouver que chaque dollar investi dans l’infrastructure IA génère, à terme, un revenu récurrent ou une protection crédible du cœur de métier.

Le cas Google est particulièrement scruté parce que l’entreprise se situe à l’intersection de plusieurs batailles : la recherche, le cloud, la publicité, les outils de productivité, les smartphones et, demain, les agents personnels. Si elle parvient à faire de son infrastructure un multiplicateur commun à tous ces marchés, les 80 milliards de dollars pourront être interprétés comme un investissement défensif et offensif à la fois. Défensif, parce qu’il protège Search et l’écosystème Google. Offensif, parce qu’il renforce Google Cloud et la distribution de Gemini auprès des entreprises.

Cette logique pourrait aussi modifier la hiérarchie des acteurs de l’IA dans les années à venir. Les laboratoires ou entreprises qui ne contrôlent pas directement leur infrastructure devront soit s’adosser plus étroitement à des hyperscalers, soit inventer de nouveaux modèles économiques moins gourmands en calcul. À l’inverse, les groupes capables de combiner puces, cloud, distribution et trésorerie disposeront d’un avantage cumulatif difficile à rattraper. L’IA pourrait alors suivre une trajectoire comparable à celle du cloud, mais avec une intensité capitalistique encore supérieure.

Pour le marché francophone, la conséquence la plus probable est une accélération de l’adoption couplée à une dépendance structurelle renforcée. Les entreprises françaises auront accès à des outils plus performants, plus intégrés et potentiellement plus abordables grâce à la concurrence entre géants. Mais elles évolueront dans un environnement où les choix technologiques majeurs se décideront de plus en plus à Seattle, Mountain View ou Redmond, en fonction de plans d’investissement de plusieurs dizaines de milliards de dollars.

La perspective de long terme est donc moins celle d’une simple inflation des budgets que celle d’un changement de régime. Après la guerre des modèles vient la guerre du financement du calcul. Et dans cette nouvelle phase, la capacité à lever, déployer et rentabiliser des sommes colossales pourrait devenir le facteur déterminant de la prochaine carte mondiale de l’IA. Si Alphabet s’engage réellement sur 80 milliards de dollars, ce ne sera pas seulement une réponse à la demande actuelle. Ce sera une tentative de verrouiller l’accès futur à l’infrastructure qui fera tourner les assistants, les agents et les services intelligents de la prochaine décennie, y compris pour une large part des entreprises européennes qui n’auront d’autre choix que de composer avec cette nouvelle géographie du pouvoir technologique.