Le mouvement échecs de l'IA de Google

Des vibrations rugueuses à venir n'est pas la manière dont Sam Altman vend habituellement l'avenir. Pourtant, c'est exactement ainsi qu'il a décrit le prochain chapitre d'OpenAI dans un mémo divulgué reconnaissant ce qui avait été inimaginable au sein de l'entreprise pendant deux ans : Google a rattrapé son retard. Après le lancement de Gemini 3, Altman aurait dit aux employés que Google créerait des "vents contraires économiques temporaires" et que les "vibrations" externes seraient mauvaises pendant un certain temps.

Pour une entreprise qui a surfé sur GPT‑3, GPT‑4 et ChatGPT pour s'attribuer un monopole de performance, ce mémo ressemble à une nécrologie interne pour le leadership incontesté d'OpenAI. Depuis fin 2022, OpenAI pouvait revendiquer un écart significatif sur la plupart des benchmarks publics et de l'utilisation dans le monde réel. Maintenant, Gemini 3 Pro affiche des scores équivalents ou meilleurs que ceux de GPT‑4.1 dans de nombreux tests de raisonnement et de codage, et Claude 3.5 Sonnet d'Anthropic surpasse OpenAI dans d'autres domaines.

Ce changement importe moins pour le classement exact et davantage pour la psychologie. Pendant 18 mois, Google a porté l’étiquette de « retardataire », les critiques appelant Sundar Pichai à démissionner alors que l'entreprise peinait avec Bard et précipitait Gemini 1. Maintenant, Wall Street a ajouté plus de 20 % à la capitalisation boursière d'Alphabet en un mois, la rapprochant de 3 billions de dollars, sur la croyance que Google non seulement a égalé les modèles d'OpenAI mais les a intégrés à travers Search, Workspace, Android et Cloud.

À l'intérieur de la Silicon Valley, la narration a changé de « Google a raté le moment » à « Google a la pile la plus profonde ». Gemini fonctionne sur les propres TPU de Google, se connecte à un index de recherche qui touche des milliards de pages et est intégré dans des produits utilisés par plus de 2 milliards d'utilisateurs. OpenAI, en revanche, s'appuie principalement sur ChatGPT, un site web et une application qui, bien que massifs, n'ancrent pas encore une plateforme informatique entière.

Le mémo d'Altman présente cet écart comme un défi d'exécution. Il affirme qu'OpenAI doit simultanément devenir : - Le meilleur laboratoire de recherche - La meilleure entreprise d'infrastructure en IA - La meilleure entreprise et plateforme de produits en IA

C'est un trio d'objectifs d'une ambition brutale pour une startup encore dépendante d'Azure de Microsoft pour le calcul et la distribution. Altman insiste sur le fait qu'il "ne voudrait échanger sa position avec aucune autre entreprise", mais le mémo admet discrètement ce que Gemini 3 a rendu évident : OpenAI ne fixe plus le rythme à elle seule.

Les références montrent enfin une histoire différente. Le Gemini 3 Pro de Google affiche des performances similaires à celles de GPT-4 dans presque tous les tests académiques importants des deux dernières années, allant des suites de raisonnement de type MMLU aux tâches de codage et multimodales. Dans les propres graphiques de Google, le Gemini 3 Pro surpasse GPT-4 et Claude d'Anthropic sur la majorité des classements, et dans certaines évaluations, il rivalise ou surpasse GPT-4.1 plutôt que l'ancien 4.0.

Ces victoires faisaient autrefois partie du récit central d'OpenAI. Le lancement de GPT-4 a transformé les diapositives de référence en événements susceptibles de faire bouger les actions ; Gemini 1 et 1.5 ont surtout essayé de rattraper leur retard. Gemini 3 renverse cette dynamique : pour la première fois, Google peut raisonnablement revendiquer un modèle de pointe parmi les trois meilleurs sans astérisques concernant des domaines restreints ou des capacités manquantes.

Pourtant, c'est justement pourquoi Sam Altman aurait qualifié cela de "vents économiques temporaires" et de "temps difficiles à venir". La performance à la pointe est devenue un minimum requis : vous devez atteindre une fourchette étroite de "suffisamment bon" dans le raisonnement, le codage et le multimodal pour même vous présenter. Une fois que tout le monde a franchi cette barre—Google, OpenAI, Anthropic, xAI—la valeur marginale d'un point de référence supplémentaire s'effondre.

Les investisseurs semblent comprendre cela. L'action d'Alphabet a bondi d'environ 22 % en un mois, ajoutant des centaines de milliards à la capitalisation boursière d'une entreprise déjà proche d'une valorisation de 3 000 milliards de dollars, non pas parce que Gemini 3 Pro a résolu l'IA, mais parce qu'il a validé l'ensemble de la pile IA de Google. Wall Street a vu une preuve que Google peut livrer un modèle de pointe et l'intégrer immédiatement dans Search, Workspace, Android, Chrome et Cloud.

Le pouvoir passe désormais d'une simple course au modèle à une course à l'intégration et à la stratégie. Les questions qui comptent :

• 1À quelle vitesse pouvez-vous industrialiser un nouveau modèle auprès de milliards d'utilisateurs ?
• 2À quel point pouvez-vous l'associer à des données et une distribution propriétaires ?
• 3Quelle est l'efficacité avec laquelle vous pouvez l'exécuter sur votre propre silicium et votre infrastructure ?

Google a soudainement l'air terrifiant sur les trois. Gemini 3 Pro ne se contente pas d'égaler GPT-4 ; il débloque une histoire d'écosystème cohérente où modèles, TPU, centres de données et produits avancent en synchronisation. Les droits de vantardise sur les benchmarks ont créé l'ouverture, mais le vrai enjeu est tout ce que Google peut désormais construire par-dessus.

Le capital, et non l'intelligence, détermine qui survit dans la course à l'armement de l'IA. Former et déployer des modèles de pointe à l'échelle mondiale nécessite des sommes d'argent et du matériel énormes : des dizaines de milliers de GPU ou de TPU, des centres de données à plusieurs milliards de dollars, et des contrats d'énergie qui ressemblent davantage à des accords d'infrastructure nationale qu'à des lignes budgétaires informatiques. C'est un jeu où une seule séance d'entraînement peut coûter bien plus de 100 millions de dollars.

Google peut simplement écrire le chèque. Alphabet a généré environ 90 milliards de dollars de bénéfice net au cours des 12 derniers mois sur environ 300 milliards de dollars de revenus, et il investit une part croissante de cela dans l'infrastructure AI et la recherche. Ces bénéfices financent eux-mêmes le développement sur mesure des TPU, de nouveaux campus de centres de données, et la feuille de route Gemini détaillée dans Une nouvelle ère d'intelligence avec Gemini 3 - Blog Google.

Cette boucle d'autofinancement est importante car les dépenses en infrastructure d'IA sont frontales et incessantes. Vous payez pour former, puis pour reformer, puis pour servir l'inférence à des centaines de millions d'utilisateurs avec une latence de quelques millisecondes. Google peut amortir ces coûts à travers la recherche, YouTube, les annonces, Workspace, Android, Chrome et le Cloud, tous bénéficiant directement de meilleurs modèles.

OpenAI et Anthropic évoluent dans un univers différent. Ils dépendent du capital externe provenant de Microsoft, Amazon, Google et de fonds de capital-risque pour financer les GPU, les centres de données et les chercheurs de haut niveau. Chaque mise à niveau de modèle nécessite implicitement une nouvelle négociation : plus de crédits, plus de capital, ou des accords de partage de revenus plus complexes qui augmentent le risque commercial.

Cette dépendance se traduit par une fragilité stratégique. Si les marchés de capitaux se resserrent ou qu'un partenaire clé change de priorités, OpenAI et Anthropic doivent faire un choix difficile : ralentir les progrès des modèles, lever des fonds à des conditions moins favorables ou accepter une intégration plus profonde qui érode leur indépendance. Aucune de ces options ne semble favorable lorsque les concurrents disposent d'un financement interne quasi infini.

Meta et Microsoft se situent plus près de Google sur le spectre des bilans financiers, mais même ici, la rhétorique trahit le jeu. Mark Zuckerberg dit ouvertement qu'il est prêt à "dépenser des milliards de manière imprudente" sur les paris en IA et dans le métavers, une flexibilité seulement possible grâce à la machine publicitaire de Meta qui génère des revenus avec Facebook, Instagram et WhatsApp. Il peut considérer l'infrastructure de l'IA comme un projet scientifique pluriannuel, et non comme un test de survie d'un trimestre à l'autre.

L'avantage de Google se cumule. Chaque nouveau centre de données, chaque génération de TPU et chaque lancement de Gemini renforce son fossé, réduit les coûts marginaux et rend plus difficile pour les laboratoires contraints par le capital de continuer à jouer à la même table. Dans l'IA, l'échelle n'est pas seulement un atout ; c'est la barrière d'entrée.

Le silicium, et non les algorithmes, décide discrètement qui remporte cette course à l'IA. Google a passé près d'une décennie à construire ses propres TPU (Unités de traitement tensoriel), maintenant à leur 5e génération et déployées dans ses centres de données. Cela signifie que Gemini 3 ne fonctionne pas seulement sur les H100 de Nvidia ; il fonctionne sur du matériel que Google a conçu, contrôlé et ajusté de bout en bout.

Le silicium personnalisé change les règles du jeu économique. Google affirme que les TPU offrent jusqu'à 3 fois meilleure performance par dollar que les GPU comparables pour l'entraînement et l'inférence sur de grands modèles, et ils peuvent en regrouper des milliers dans des pods étroitement couplés. Lorsque vous traitez des milliards de requêtes à travers Search, YouTube, Android et Workspace, réduire même de 10 à 20 % le coût d'inférence se traduit par des milliards de dollars de marge.

L'intégration verticale transforme ce matériel en une arme structurelle. Google peut co-concevoir des architectures Gemini en tenant compte des noyaux TPU, des agencements de mémoire et du réseau, puis optimiser les compilateurs, les temps d'exécution et la topologie des centres de données comme une seule entité. Pas d'attente sur la feuille de route de Nvidia, pas de compromis génériques avec CUDA, et pas de guerres d'enchères pour une capacité H100 rare.

Tout le monde a lu la note. Les séries M et le Neural Engine d'Apple réalisent désormais des dizaines de trillions d'opérations par seconde sur l'appareil, optimisés pour Core ML et iOS. AWS dispose de Trainium et d’Inferentia pour réduire la dépendance des clients envers Nvidia dans le propre cloud d’Amazon. Microsoft déploie ses puces Azure Maia et Cobalt pour alimenter Copilot et ses modèles internes sans avoir à payer le plein tarif de Nvidia.

Le constat est clair : les hyperscalers avec des ambitions sérieuses en matière d'IA s'efforcent d'échapper à un point de blocage GPU monopolisé par un seul fournisseur. Les revenus de Nvidia dans le secteur des centres de données ont atteint environ 47 milliards de dollars au cours de l'exercice 2024, et ses marges montrent pourquoi tout le monde veut s'en sortir. Si vous pouvez remplacer ne serait-ce qu'une fraction de cette dépense par votre propre silicium, vous ne vous contentez pas d'économiser de l'argent ; vous gagnez une autonomie stratégique.

Les laboratoires d'IA pure-play comme OpenAI et Anthropic se trouvent du mauvais côté de cette division. Ils dépendent des nuages et des puces de leurs partenaires, que ce soit Azure de Microsoft avec Nvidia et Maia, ou AWS avec Nvidia et Trainium. Ils peuvent négocier des remises et une capacité réservée, mais ils ne peuvent pas réarchitecturer le matériel sous leurs modèles. Cet écart ne fait que se creuser à mesure que les modèles grandissent, que les réseaux électriques sont sollicités et que le véritable enjeu devient qui peut faire fonctionner l'IA de pointe à grande échelle pour des centimes, et non des dollars, par requête.

La stratégie de plateforme est devenue discrètement une autre course aux armements en intelligence artificielle. Alors qu'OpenAI, Google et Anthropic se concentrent sur des modèles de pointe, Microsoft Azure et AWS ont construit une base de pouvoir différente : des modèles diversifiés à la demande. Leur argument auprès des entreprises est simple et brutal : exécutez le modèle que vous souhaitez, payez-nous pour le calcul, et changez de fournisseur quand bon vous semble.

Le catalogue d'Azure ressemble à un who's who de l'IA : GPT‑4.1, Claude 3.5, Llama 3.1, Mistral, sans oublier les propres modèles Phi et "petits modèles de langage" de Microsoft. AWS Bedrock va encore plus loin, regroupant Anthropic Claude, Meta Llama, Mistral, Cohere, Stability et les modèles Nova d'Amazon derrière une seule API. Ces deux géants du cloud enveloppent tout cela dans une sécurité gérée, une journalisation et une conformité auxquelles les acheteurs du Fortune 500 ont déjà confiance.

Pour les DSI qui ont souffert d'un verrouillage cloud dans le passé, le choix du modèle est non négociable. Ils souhaitent : - Piloter GPT-4.1 ce trimestre et Claude 3.5 le trimestre suivant - Garder les données régulées à l'intérieur d'un seul périmètre cloud - Négocier le prix en menaçant de changer de modèle, et non de reconstruire des piles technologiques

L'ironie plane sur tout cela. Microsoft et AWS restent en retrait sur leurs propres modèles de pointe—Nova n’est pas Gemini 3 Pro, et les efforts internes de Microsoft sont à la traîne par rapport aux meilleurs d'OpenAI. Pourtant, les deux monétisent les percées des autres, prenant une commission chaque fois qu'un jeton d'OpenAI ou d'Anthropic passe par leurs GPU.

Cette posture crée un fossé différent : non pas « meilleur cerveau », mais « substrat indispensable ». En agissant comme un lieu neutre où coexistent des rivaux, Azure et AWS transforment les fournisseurs de modèles en locataires. Plus le paysage de l'IA devient hétérogène – Gemini ici, GPT là, un Llama spécifique à un domaine dans un coin – plus il devient difficile pour les entreprises de quitter la plateforme qui coordonne l'ensemble.

Le mouvement de Google visant à héberger des modèles tiers à l'intérieur des API Vertex AI et Gemini montre qu'il comprend cette menace. Gagner dans l'IA signifie maintenant plus que de construire le modèle le plus intelligent ; cela signifie posséder le central téléphonique qui dirige chaque demande d'entreprise, peu importe à qui appartient le logo sur les poids.

Le matériel grand public se retrouve désormais en première ligne des guerres de l'IA. Les modèles résident dans des centres de données, mais la véritable bataille se déroule sur les téléphones, les lunettes, les écouteurs, les ordinateurs portables et les voitures—les surfaces sur lesquelles les gens interagissent réellement avec l'IA. Contrôlez l'interface et vous contrôlez l'utilisation, les données et les comportements par défaut.

Google possède discrètement le plus large accès à l'IA sur Terre. Android fonctionne sur plus de 3 milliards d'appareils actifs, et Google peut intégrer Gemini dans le clavier, l'écran de verrouillage, Chrome, Maps, Photos et le Play Store. Chaque point d'entrée à faible friction—pression longue sur le bouton d'alimentation pour Gemini, suggestions en ligne dans Gmail, résumés IA dans Chrome—est un avantage de distribution subtil mais puissant.

La portée de Gemini ne s'arrêtera pas aux téléphones. Google peut intégrer des modèles sur appareil et hybrides dans : - Les téléphones Pixel et les écouteurs Pixel Buds - Les montres Wear OS et Android Auto - Les enceintes, écrans et téléviseurs Nest

Une fois que Gemini devient un service système, et pas seulement une application, les utilisateurs ne "vont" plus vers l'IA, mais commencent à vivre à l'intérieur. Le positionnement de Google Gemini 3 - Google DeepMind clarifie l'objectif : une famille de modèles, partout où une surface Google existe.

Apple joue un jeu différent, tout aussi dangereux. Plus de 2,2 milliards de dispositifs Apple actifs forment une machine de livraison d'IA intégrée verticalement : iPhone, iPad, Mac, Apple Watch, AirPods et CarPlay. Le silicium Apple exécute déjà des modèles étonnamment grands sur l'appareil, et des fonctionnalités comme Apple Intelligence, la synthèse sur l'appareil et les mises à jour de Siri peuvent apparaître du jour au lendemain grâce aux mises à jour d’iOS, macOS et watchOS.

Les AirPods pourraient être l'arme secrète d'Apple en matière d'IA. Des microphones toujours actifs, un son à ultra faible latence et des liens étroits avec l'écosystème en font des outils idéaux pour des assistants en temps réel qui chuchotent des directions, réécrivent des messages ou traduisent la parole sans écran. Des lunettes, si et quand Apple les lancera à grande échelle, transformeront cet assistant ambiant en quelque chose que vous pouvez voir ainsi que entendre.

Les entreprises sans stratégie matérielle font face à un plafond brutal. OpenAI, Anthropic et xAI doivent s'imposer sur les surfaces d'autres personnes via des applications, des onglets de navigateur ou des intégrations API. Cela signifie des coûts d'acquisition plus élevés, des performances par défaut plus faibles et une vulnérabilité constante aux changements de règles des propriétaires de plates-formes ou à l'installation préalable d'assistants concurrents.

Sans téléphones, écouteurs ou systèmes intégrés, ces laboratoires risquent de devenir des services complémentaires—des cerveaux incroyables sans corps natif. Dans un monde de l'IA défini par des points de contact quotidiens, c'est un endroit dangereux à être.

Google a quelque chose qu'aucun laboratoire frontalier, startup ou concurrent dans le cloud ne peut acheter : deux décennies d'exhaust des produits qui touchent presque tout le monde en ligne. Recherche, YouTube, Maps, Gmail, Android, Chrome et Workspace génèrent discrètement un flux haute résolution de ce que des milliards de personnes demandent, regardent, écrivent, cliquent et naviguent chaque jour.

Environ 8,5 milliards de recherches Google ont lieu chaque jour. YouTube compte plus de 2 milliards d'utilisateurs connectés par mois et plus d'un milliard d'heures visionnées par jour. Maps compte plus d'un milliard d'utilisateurs mensuels, tandis que Gmail sert apparemment plus de 1,5 milliard de comptes, chacun étant un archive structurée du langage humain, de l'intention et du flux de travail.

Ces données ne sont pas simplement « beaucoup de texte ». Elles sont étroitement liées au comportement. Google observe : - Quelles recherches les gens effectuent, puis quel résultat ils cliquent - Quels vidéos YouTube ils terminent, passent ou rejouent - Comment ils se déplacent dans les villes dans Maps, minute par minute - Comment ils rédigent, révisent et répondent aux messages dans Gmail et Docs

Une intégration profonde à travers ces surfaces permet à Gemini 3 d'apprendre des causes et des effets à l'échelle planétaire. Un changement dans l'autocomplétion de la recherche, les recommandations sur YouTube ou le routage dans Maps génère instantanément des boucles de rétroaction provenant de centaines de millions d'utilisateurs, que Google peut réinjecter dans l'entraînement et le perfectionnement des modèles.

Cela crée un cercle vertueux brutal. De meilleurs modèles améliorent les résultats et les recommandations, ce qui augmente l'engagement, ce qui génère plus de données comportementales étiquetées, ce qui affine encore les modèles. Chaque requête, correction de parcours et vidéo abandonnée devient un signal d'entraînement que les concurrents ne voient jamais.

Même Microsoft, Meta et Apple ne peuvent pas facilement reproduire cela. Azure héberge des charges de travail, mais ne possède pas l'intention utilisateur comme Search. Meta dispose de graphes sociaux, mais pas de navigation globale ou de messagerie d'entreprise à l'échelle de Gmail. Apple domine les appareils, mais pas les flux de données comportementales cloud-native.

Le capital peut acheter des GPU ; il ne peut pas acheter 20 ans d'interactions utilisateurs à travers le web ouvert, la vidéo, les cartes et le mail. Ce fossé de données pourrait être le plus difficile à déloger pour Google.

Vérifiez le tableau de Berman et un motif se distingue : Google est la seule entreprise avec du vert dans presque toutes les lignes. Modèle de frontière, infrastructure, modèles diversifiés, silicum personnalisé, revenus existants, meilleurs chercheurs, matériel grand public, base d'utilisateurs, données propriétaires, intégration profonde—c'est presque un sans-faute. Même parmi les grandes entreprises technologiques, personne d'autre ne coche autant de cases à la fois.

Sur les modèles de pointe, seuls Google, OpenAI, Anthropic et xAI siègent à la table des grands. Gemini 3 Pro, GPT‑4.1, Claude 3.5 et Grok 3 se qualifient tous comme « de pointe ». Mais Google associe Gemini à quelque chose dont les laboratoires purs manquent : une maison mère de 3 trillions de dollars qui gère déjà Search, YouTube, Maps, Android, Chrome et Gmail à une échelle planétaire.

L'infrastructure incline encore plus la balance. Google, Microsoft, Meta, Apple, AWS et xAI gèrent leur propre infrastructure IA. OpenAI et Anthropic, en revanche, dépendent encore largement de partenaires—Microsoft et AWS—pour leurs capacités, alors qu'ils s'efforcent de réaliser des projets comme Stargate d'OpenAI. Cette dépendance transforme chaque pénurie de GPU ou négociation contractuelle en un risque existentiel.

Les silicones personnalisés transforment ce risque en un avantage concurrentiel. Les TPU de Google, les séries M d'Apple et le Trainium/Inferentia d'Amazon offrent à ces entreprises un contrôle des coûts et des performances que les laboratoires purs ne peuvent égaler. OpenAI et Anthropic louent en effet leur avenir en matière de calcul à d'autres, ce qui limite les marges et ralentit l’itération lorsque la demande augmente.

Les revenus révèlent la plus nette des divisions. Google, Microsoft, Apple, Meta et AWS génèrent tous des dizaines ou des centaines de milliards de dollars de revenus annuels grâce aux publicités, au cloud et au matériel. Cet argent finance des dépenses d'investissement en IA de plusieurs milliards de dollars sans levées de fonds dilutives. OpenAI et Anthropic dépendent des frais d'utilisation et des partenariats qui semblent dérisoires par rapport aux budgets des hyperscalers.

Le matériel grand public et la base d'utilisateurs creusent l'écart. Google, Apple et Meta expédient des téléphones, des casques, des haut-parleurs intelligents et des appareils connectés à des milliards d'utilisateurs. Microsoft possède Windows et Office. OpenAI et Anthropic ont ChatGPT et Claude comme produits, mais pas de système d'exploitation, pas de téléphone, pas de casque, pas de position par défaut sur 3 milliards d'appareils.

Meta et Microsoft jouent des cartes différentes mais cohérentes. Meta parie sur la recherche et des modèles ouverts comme Llama, ainsi que sur des lunettes et casques AR futurs en tant qu'interface AI. Microsoft mise sur les partenariats et Azure : accès exclusif à OpenAI, Copilot intégré dans Windows et Office, et une stratégie de modèles diversifiés qui sert avec plaisir les modèles des concurrents — moyennant des frais.

Empilez tout cela, et Google se distingue comme le seul acteur avec des modèles de pointe, une infrastructure hyperscale, des puces personnalisées, des revenus massifs, du matériel mondial et un flux de données ininterrompu—le tout sous un même toit. Tout le monde joue une solide partie d'échecs ; Google joue avec presque toutes les pièces sur le plateau.

Le mémo divulgué de Sam Altman ressemble moins à un discours de motivation interne qu'à une confession de physique : OpenAI tente d'être trois entreprises à la fois. Un laboratoire de recherche de pointe visant l'IA générale, un fournisseur d'infrastructure hyperscale développant des projets comme Stargate, et une entreprise de produits destinés aux consommateurs et aux entreprises raffinée avec ChatGPT et son API. Chacune de ces entités, à elle seule, est déjà une entreprise à plusieurs milliards de dollars, confrontée à des défis d'exécution.

OpenAI doit recruter des scientifiques de calibre DeepMind, négocier des dizaines de milliards en dépenses de GPU et de centres de données, et livrer des produits fiables à plus de 100 millions d'utilisateurs en quasi temps réel. Toute erreur dans un pilier impacte les autres : les percées de recherche nécessitent de nouveaux clusters, les dépassements d'infrastructure obligent à des changements de prix, les faux pas produits ralentissent la dynamique des données. C'est la "trinité impossible" à laquelle Altman fait allusion sans la nommer.

Les grandes entreprises technologiques ont déjà résolu cet empilement, mais pas tout à la fois et pas sous une pression existentielle. Google a passé près de 25 ans à développer une infrastructure à l'échelle de la recherche, des revenus publicitaires et Android avant l'arrivée de Gemini. Microsoft a renforcé Azure avec des millions de charges de travail d'entreprises bien avant d'intégrer les modèles d'OpenAI dans Copilot. Leurs équipes d'IA se connectent désormais à des systèmes matures qui génèrent déjà des dizaines de milliards de flux de trésorerie disponibles par trimestre.

Google peut considérer Gemini comme une mise à niveau d'une machine existante : les TPU dans ses centres de données, Android et Chrome comme vecteurs de distribution, et Workspace comme une couche de productivité immédiate. L'entreprise peut se concentrer sur l'intégration—incorporer Gemini dans Search, Docs et Cloud—car le gros du travail sur l'infrastructure, le matériel et la monétisation est déjà amorti. Gemini 3 est disponible pour les entreprises | Google Cloud Blog se lit moins comme un lancement et davantage comme une simple mise à jour d'une plateforme établie.

Pour OpenAI, un seul mauvais choix concernant l'architecture du modèle, la tarification ou l'infrastructure pourrait être fatal. S'engager dans une stratégie de puces sur mesure qui prend deux ans de retard, c'est risquer d'être surpassé et démuni. Google ou Microsoft peuvent absorber la même erreur comme un poste budgétaire, rayer quelques milliards de leurs comptes et trouver des solutions avec d'autres équipes, d'autres produits, ou tout simplement avec plus de liquidités.

Les droits de vantardise des modèles ont créé le cycle d'engouement, mais ils ne décideront pas de l'issue finale. L'IA est passée d'un sprint vers le prochain repère à un effort de intégration stratégique, où la latence, la durée de vie de la batterie, la distribution et les marges ont plus d'importance qu'un léger gain de 3 points sur le MMLU. Les systèmes de classe Gemini 3 et GPT-4 ont établi une parité au sommet ; tout ce qui suit relève de l'exécution.

Celui qui contrôle l'ensemble de la pile - des circuits intégrés sur mesure au cloud, en passant par le rectangle de verre dans votre poche - contrôle l'économie et l'expérience utilisateur. Google fait désormais fonctionner Gemini sur ses propres TPU, le fait passer par Google Cloud et l'affiche dans Search, Android, Chrome, Workspace et YouTube. Cette boucle verticale réduit les coûts, renforce les retours d'information et rendre le changement de plateforme se ressent comme arracher des canalisations.

Au cours des 18 prochains mois, attendez-vous à ce que Google intègre Gemini plus profondément dans les comportements par défaut : l'autocomplétion qui devient discrètement un agent, des cartes qui planifient l'intégralité de votre voyage, YouTube qui édite vos séquences pour vous. Chaque téléphone Android devient un point d'accès à Gemini, avec des modèles sur appareil gérant les tâches privées et des modèles dans le cloud s'occupant des raisonnements lourds, mélangés de sorte que les utilisateurs ne remarquent à peine la différence.

Apple ne répondra pas avec des modèles de pointe, mais avec un levier d'écosystème implacable. L'Intelligence d'Apple s'appuiera sur des partenaires comme Google pour le raisonnement dans le cloud tout en exécutant des modèles plus petits sur le silicium Apple dans les iPhones, Mac et Vision Pro. La valeur provient de la continuité : le même agent dans Messages, Mail, Notes, Photos et CarPlay, le tout enveloppé dans la narrative de confidentialité d'Apple.

Les startups cesseront de prétendre qu'elles peuvent surpasser les hyperscalers sur les benchmarks et se tourneront plutôt vers des niches rentables.

• 1Copilotes verticaux dans le droit, la finance et la santé
• 2Agents reliés aux données d'entreprise propriétaires
• 3Modèles légers et spécialisés optimisés pour le coût.

La plupart de ceux-ci fonctionneront sur Google Cloud, AWS ou Azure, en payant un loyer aux acteurs établis qu'ils sont supposés perturber.

ChatGPT a rendu l'intelligence artificielle un nom familier et a transformé le mot « incitation » en verbe. Pourtant, l'ubiquité ressemble davantage à Gemini discrètement intégré dans la Recherche, Gmail, Android et Chrome, gérant des milliards de micro-interactions par jour. OpenAI restera peut-être la marque à laquelle vous pensez lorsque vous dites « IA », mais la mosaïque de services de Google est sur le point de devenir l'endroit où l'IA existe simplement, partout, en même temps.

Qu'est-ce qui rend Gemini 3 de Google une menace significative pour OpenAI ?

La performance de Gemini 3 a réduit l'écart avec GPT-4, mais sa véritable menace vient de la capacité de Google à l'exploiter au sein d'un vaste écosystème de produits, de données, de matériel personnalisé et d'infrastructure - des avantages dont OpenAI ne dispose pas.

Quels sont les principaux avantages stratégiques de Google dans la course à l'IA ?

Les principaux avantages de Google incluent ses revenus considérables existants pour financer la R&D, des puces TPU sur mesure pour un traitement efficace, des données propriétaires inégalées provenant de ses services, une vaste base d'utilisateurs grâce à Android et à la recherche, et une infrastructure mondiale en IA.

Selon le mémo divulgué, qu'a admis Sam Altman au sujet de Google ?

Le mémo de Sam Altman a reconnu que Google a rattrapé son retard en matière de performance des modèles, ce qui entraînera des "vibrations négatives" et des "vents contraires économiques temporaires" pour OpenAI, mettant fin à sa période de domination incontestée.

Pourquoi est-il si important pour une entreprise d'IA d'avoir des 'revenus existants' ?

Le développement de l'IA et l'infrastructure qui l'accompagne coûtent extrêmement cher. Des entreprises comme Google peuvent financer des projets de plusieurs milliards de dollars grâce à leurs bénéfices, ce qui leur permet de prendre des risques et de dépenser plus que des concurrents comme OpenAI, qui doivent compter sur le financement externe.