Selon Ming-Chi Kuo, les livraisons annuelles de Google TPU atteindraient 16 à 18 millions d’unités en 2029. En plus, OpenAI et Anthropic capteraient près de 80 % de ces volumes cumulés sur 2028 et 2029. Pour les directions informatiques, ce scénario précise les conditions financières et logicielles d’une diversification hors des GPU Nvidia.
Les notes de recherche de Ming-Chi Kuo détaillent trois années de livraisons mondiales pour les TPU de Google. Ces volumes annuels passeraient de 8 à 9 millions d’unités en 2027 à 14 à 15 millions en 2028. Ensuite, les expéditions atteindraient 16 à 18 millions de puces en 2029. Cette trajectoire s’appuie sur OpenAI et Anthropic, qui a déjà étendu ses capacités de calcul sur Google Cloud. Toutefois, ces commandes n’annoncent pas la disparition des GPU généralistes dans les entreprises. Elles montrent plutôt comment les grands acteurs de l’IA répartissent leurs dépenses entre achats matériels et location cloud.
Des achats directs aux locations hybrides de Google TPU chez OpenAI et Anthropic
La répartition industrielle des générations matérielles explique le montage financier de ces commandes. Dès 2028, Google réservera la future série v9 (Humufish et Triggerfish) à ses propres centres de données. Le packaging avancé EMIB-T d’Intel limite les capacités initiales de production de cette génération. Les gammes v10 (Quillfish) et v11 (Icefish), conçues par MediaTek, arriveront seulement en 2029 et 2030.
Par conséquent, les livraisons externes des TPU de Google reposeront jusqu’en 2029 sur la génération v8, déjà amortie. Sur ce socle, OpenAI prévoirait l’achat direct de 12 millions de puces v8t cumulées sur 2028 et 2029. Anthropic, de son côté, combinerait location et achat direct pour 14 millions de puces v8i sur deux ans. Ces 26 millions d’unités cumulées représentent environ 80 % des 30 à 33 millions de puces livrées sur cette période. Ce volume s’inscrit dans le prolongement du partenariat de calcul conclu entre Anthropic, Google et Broadcom.
Supply chain analyst Ming-Chi Kuo expects $GOOGL to ship 16–18M TPUs in 2029 with OpenAI and Anthropic potentially accounting for ~80% of shipments across 2028–29. https://t.co/UAZKSikl5P
— Shay Boloor (@StockSavvyShay) November 16, 2026
Cette double approche éclaire alors les choix budgétaires des directions financières et techniques. L’achat direct ou la réservation d’instances réduit le coût unitaire sur des charges prévisibles. Cependant, cette option immobilise de la trésorerie et expose l’entreprise au risque d’obsolescence matérielle. Une poche locative à la demande absorbe également les pics d’activité sans alourdir le bilan comptable. Ainsi, la maîtrise des coûts sur les TPU de Google repose sur un découpage précis des flux de calcul. Les DSI affectent les capacités pluriannuelles aux modèles en production et gardent des instances flexibles pour les tests.
Les prérequis techniques et financiers pour déployer une architecture hors Nvidia
Transposer ce modèle matériel dans une direction informatique exige néanmoins de franchir une barrière logicielle. Contrairement aux GPU généralistes, l’architecture des TPU de Google utilise des matrices systoliques dédiées au calcul tensoriel. Par ailleurs, le retrait de l’environnement logiciel Nvidia CUDA oblige à recompiler les modèles existants.
Les ingénieurs passent ainsi leurs graphes PyTorch ou JAX par la couche d’abstraction du projet OpenXLA. Ensuite, ils réécrivent certains noyaux bas niveau avec Pallas ou la pile PyTorch sur Cloud TPU (TorchTPU). Selon les retours sur l’inférence TPU et l’hybridation via vLLM, ce portage logiciel reste plus simple en production. En revanche, l’entraînement distribué de grands modèles sur plusieurs architectures demande un effort d’ingénierie plus lourd.
Les économies projetées pour OpenAI ou Anthropic ne s’appliquent pas automatiquement à une entreprise classique. Car calculer la rentabilité réelle des TPU de Google exige d’isoler quatre paramètres opérationnels précis. Il faut d’abord distinguer l’inférence de l’entraînement, puis vérifier la génération de puce disponible au catalogue cloud.
Il convient aussi d’intégrer la durée d’amortissement comptable et le coût salarial des équipes MLOps mobilisées. En plus, ces prévisions restent soumises aux rendements industriels du packaging EMIB-T d’Intel dès 2028. La capacité des laboratoires d’IA à financer ces engagements sur la durée demeure donc une hypothèse à valider. Reste à observer comment AWS Trainium ou Microsoft Maia ajusteront leurs tarifs pour capter ces mêmes budgets d’inférence.
- Partager l'article :