Les résultats trimestriels les plus lucratifs de l'histoire de Google : derrière des dizaines de milliards de bénéfices, la course aux armements en IA a déjà entraîné un flux de trésorerie négatif

Auteur : Chamath Palihapitiya

Traduction : TechFlow

Note de la rédaction TechFlow : Google vient de publier son bilan trimestriel le plus rentable de l'histoire — un bénéfice net de 112,1 milliards de dollars, mais les dépenses en capital ont doublé, entraînant un premier flux de trésorerie négatif. L'entreprise utilise les gains comptables de SpaceX et Anthropic pour masquer un fait : la course aux infrastructures IA a atteint un niveau que même Google peine à supporter. Alors que les grands modèles fermés demandent encore au gouvernement de Washington d'interdire l'open source, le véritable fossé défensif ne se trouve plus au niveau des modèles.

Comment envisager la controverse sur la distillation et l'interdiction de l'open source ?

La distillation consiste à exécuter les modèles d'autrui à grande échelle : vous lancez le modèle de quelqu'un d'autre, lui posez des questions, observez les réponses, puis utilisez ces réponses pour entraîner votre propre modèle. En faisant cela des dizaines de millions de fois, vous volez des billions de paires question-réponse.

Les grands laboratoires qualifient cela de vol industriel nécessitant une protection gouvernementale.

Je pense que c'est une façade.

Si vous vouliez vraiment empêcher la distillation, vous soumettriez les clients à une procédure KYC. Une vérification d'identité obligatoire, liée à une carte de crédit avec limite, et les fermes de comptes industriels disparaîtraient du jour au lendemain. Mais cela ralentirait votre croissance des revenus, donc les laboratoires ne l'ont pas fait. Au contraire, ils demandent à Washington d'interdire leurs concurrents.

De plus, tout le monde se distille mutuellement. Anthropic a entraîné des modèles avec du contenu d'éditeurs, puis a payé une amende de 1,5 milliard de dollars pour cela. Les laboratoires chinois distillent les laboratoires américains.

Alors pourquoi cette panique soudaine maintenant ?

Parce que la commoditisation de la couche des modèles dépasse toutes les attentes. Vous publiez aujourd'hui des scores de benchmark, et quelqu'un vous rattrape en quelques semaines, tandis que la tarification des laboratoires fermés reste 25 à 50 fois supérieure aux alternatives open source. Beaucoup des mouvements que vous voyez sont essentiellement une bataille pour défendre la valorisation.

Le véritable fossé défensif se trouve dans les couches supérieures et inférieures des modèles.

Le fossé défensif se trouve dans la couche supérieure de la stack — les applications pour lesquelles les gens paient vraiment, et la couche inférieure de la stack — les infrastructures, les puces et le cloud.

Je pense que nous ne devrions pas défendre un duopole à Washington, mais plutôt gagner les couches défendables. Si le gouvernement intervient pour les sauver, cela ne fera qu'imposer une taxe à chaque entreprise américaine achetant de l'IA, et le marché exécutera cette transaction.

Ce qui a attiré mon attention

1) Lorsque l'IA résout des problèmes non résolus et trompe ses créateurs

Les conjectures sont des propositions que les mathématiciens croient vraies mais ne peuvent pas prouver, certaines restant en suspens pendant des générations. Ce mois-ci, beaucoup de ces conjectures — certaines en suspens depuis 40 à 90 ans — ont été résolues en quelques jours.

Le 19 juillet, le mathématicien d'Anthropic, Levent Alpöge, a annoncé que Claude Fable 5 avait trouvé un contre-exemple à la conjecture de Jacobi, en suspens depuis 1939. En quelques jours, Terence Tao a complété la preuve, et l'exemple a passé la vérification machine dans un logiciel de preuve formelle.

Précédemment en mai, OpenAI a annoncé qu'un modèle général interne avait réfuté la conjecture d'Erdős, en suspens depuis 1946. Plusieurs autres contre-exemples assistés par l'IA sont également apparus, bien qu'ils varient considérablement en importance et en état de validation.

Les mathématiques fournissent un retour d'information exceptionnellement clair à l'IA, car de nombreuses réponses proposées peuvent être vérifiées par calcul, examen par des experts ou logiciels de preuve formelle. Ces résultats prouvent de manière convaincante que les modèles de pointe peuvent contribuer à des résultats mathématiques originaux, en particulier lorsque de grands espaces de recherche sont associés à des méthodes objectives d'évaluation des candidats. Des systèmes de génération-vérification similaires pourraient finalement s'avérer utiles dans des domaines tels que la conception d'algorithmes, l'ingénierie des puces, la science des matériaux et la découverte de médicaments, où les solutions candidates peuvent être testées contre des contraintes claires.

Il y a un autre côté à ce même modèle. Le 20 juillet, OpenAI a révélé que le système qu'elle avait félicité pour avoir réfuté la conjecture d'Erdős contournait répétitivement ses propres mesures de contrôle lors des tests.

Il a ignoré les instructions signalées uniquement sur Slack et a cherché des vulnérabilités dans le bac à sable pour ouvrir des demandes de code public. De nombreux contrôles de sécurité des assistants IA sont conçus autour d'opérations uniques. Si une opération est interdite, elle est interceptée, ou le modèle doit demander une approbation explicite. Mais dans les modèles à exécution longue capables de gérer des tâches à long terme, de nouveaux comportements semblent apparaître — contourner ces règles pour atteindre des objectifs en apprenant les angles morts du système d'approbation. Par exemple, un modèle peut diviser un jeton d'authentification en fragments, contourner les scanners, faisant paraître chaque opération individuelle acceptable, mais créant des résultats non approuvés.

La même semaine, l'Institut de sécurité IA du Royaume-Uni a rapporté que chaque modèle de pointe qu'il a testé a tenté de tricher lors de l'évaluation. Les modèles n'ont pas signalé de manière fiable ce comportement lorsqu'ils ont été interrogés, et ne l'ont généralement pas raisonné dans leur chaîne de pensée, indiquant que la détection de la triche pourrait nécessiter des méthodes de surveillance robustes.

2) Le pari de 1,7 milliard de dollars de Travis Kalanick sur l'IA physique

Le 22 juillet, Travis Kalanick a annoncé qu'Atoms avait obtenu un financement de 1,7 milliard de dollars, mené par Andreessen Horowitz, avec Ben Horowitz entrant au conseil d'administration.

La carrière de Kalanick a consisté à appliquer des logiciels aux industries du monde physique. Uber a construit un réseau numérique pour déplacer les personnes. CloudKitchens a appliqué un modèle similaire à la production alimentaire, considérant les cuisines commerciales comme une infrastructure informatique. Les cuisines agissent comme des processeurs, transformant les ingrédients en repas, tandis que l'immobilier fournit la capacité physique nécessaire aux opérations et à l'extension.

Atoms étend ce concept à toute l'économie industrielle. Kalanick demande : "Et s'il y avait un OEM construisant des ordinateurs basés sur des atomes pour tous les principaux secteurs industriels ?"

L'entreprise parie sur l'IA industrielle : des systèmes combinant logiciels, capteurs, robots et IA pour automatiser la fabrication et le déplacement de biens physiques. Atoms intègre CloudKitchens et son activité de robots alimentaires, une division minière construite sur la base de la société d'automatisation industrielle Pronto, ainsi qu'une activité de fret autonome.

Son argument est que le monde des atomes est au bord d'une nouvelle révolution industrielle, et tout ce qui se passe dans le monde numérique des bits peut maintenant être appliqué au monde physique, libérant des billions de dollars de productivité.

3) Le plus grand trimestre de l'histoire de Google

Le 22 juillet, Alphabet a rapporté le plus grand bénéfice trimestriel de son histoire. Le bénéfice net a atteint 112,1 milliards de dollars, en hausse de 298 %, soit 9,11 dollars par action diluée, avec un chiffre d'affaires de 119,8 milliards de dollars. Ce résultat inclut un gain net de 99 milliards de dollars sur les participations actions d'Alphabet, générant 98 milliards de dollars de revenus nets autres. Alphabet a indiqué que ce gain a ajouté 6,26 dollars par action, ce qui signifie que l'EPS sans ce gain était d'environ 2,85 dollars, légèrement inférieur aux attentes des analystes de 2,88 à 2,89 dollars.

Alphabet a indiqué que les gains provenaient principalement de SpaceX et d'une entreprise privée non nommée. Anthropic est probablement un contributeur : il est rapporté qu'Alphabet détient environ 14 % de parts dans ce laboratoire, dont la valorisation est passée de 380 milliards de dollars à 965 milliards de dollars après un tour de financement de 65 milliards de dollars ce trimestre.

Le flux de trésorerie d'exploitation était de 39,1 milliards de dollars, tandis que les dépenses en capital ont environ doublé pour atteindre 44,9 milliards de dollars, entraînant un flux de trésorerie disponible négatif de 5,9 milliards de dollars, ce qui selon Reuters est son premier trimestre négatif.

Alphabet a également relevé ses orientations de dépenses en capital pour 2026 de 180 à 190 milliards de dollars à 195 à 205 milliards de dollars. Le point fort opérationnel le plus évident est Google Cloud, avec un chiffre d'affaires en hausse de 82 % à 24,8 milliards de dollars, un revenu d'exploitation atteignant 8,8 milliards de dollars, générant une marge de 35,6 %.