Cet argent sert principalement à construire l’infrastructure nécessaire à l’IA :

• centres de données
• serveurs spécialisés
• capacités de calcul pour entraîner et faire fonctionner les modèles

Ces infrastructures alimentent désormais l’ensemble de l’écosystème Google : le moteur de recherche, les modèles Gemini, les API pour développeurs et les services cloud destinés aux entreprises.

Le raisonnement de Pichai : investir d’abord, optimiser ensuite

Pour justifier ces montants, Pichai s’appuie sur un argument historique.

Lors d’un point presse pendant l’événement, il a expliqué que le secteur technologique a souvent connu des cycles où de fortes dépenses initiales sont suivies d’améliorations rapides de l’efficacité.

À mesure que les modèles d’IA, les puces spécialisées et les systèmes de déploiement progressent, le coût de l’IA tend à chuter tandis que la performance augmente.

En clair : une infrastructure coûteuse aujourd’hui peut produire beaucoup plus de capacité et de valeur dans quelques années.

Une demande en IA qui explose

Google affirme que ces investissements sont aussi une réponse à une croissance spectaculaire de l’usage de l’IA.

Selon les chiffres partagés lors de l’événement, le volume de tokens traités sur les systèmes de Google est passé de 9,7 billions par mois il y a deux ans à plus de 3,2 quadrillions par mois aujourd’hui.

Cette croissance provient de nombreux usages :

• les nouvelles expériences de recherche augmentées par l’IA
• les assistants et agents Gemini
• les API utilisées par les développeurs
• les applications cloud pour les entreprises
• des produits grand public comme YouTube ou les outils de productivité

Pour Pichai, l’équation est simple : si la demande explose, l’infrastructure doit suivre.

Gemini 3.5 Flash : l’exemple de l’efficacité recherchée

Google a également présenté Gemini 3.5 Flash, un modèle conçu pour être plus rapide et moins coûteux à utiliser, notamment pour les développeurs et les entreprises.

Ce type de modèle illustre l’idée centrale défendue par Pichai : l’innovation dans les modèles et les systèmes peut réduire fortement le coût de l’IA tout en augmentant ses performances.

À terme, cela signifie que la même infrastructure pourra servir beaucoup plus d’utilisateurs et d’applications.

Les limites physiques : énergie et puissance de calcul

Même en défendant cette stratégie, Pichai reconnaît que l’essor de l’IA pose des défis très concrets.

Parmi les principales contraintes mentionnées :

• la consommation d’électricité des grands centres de données
• la demande de puissance de calcul qui dépasse parfois l’offre de matériel
• la difficulté d’augmenter rapidement la capacité des infrastructures à l’échelle mondiale

Ces questions deviennent centrales dans toute l’industrie technologique à mesure que les entreprises déploient des systèmes d’IA toujours plus puissants.

Un ton différent par rapport à 2025

Les déclarations de Pichai à I/O 2026 contrastent avec celles qu’il tenait un an plus tôt.

En 2025, lors d’interviews médiatiques, il avait reconnu que la vague d’investissement dans l’IA comportait des « éléments d’irrationalité », et averti qu’aucune entreprise ne serait épargnée si une bulle éclatait.

En 2026, le discours reste prudent mais nettement plus optimiste. Le dirigeant met désormais davantage l’accent sur :

• l’explosion de la demande pour l’IA
• les gains d’efficacité attendus
• la nécessité stratégique de construire l’infrastructure en amont

La vision plus large de l’industrie

La stratégie de Google reflète un pari partagé par l’ensemble des géants technologiques. Microsoft, Amazon, Meta et d’autres investissent eux aussi massivement dans les puces, les centres de données et les plateformes d’IA.

Pour Sundar Pichai, cette phase d’investissement intense n’est pas un excès irrationnel, mais le coût initial pour bâtir la prochaine grande plateforme informatique. Et si l’histoire de la technologie se répète, ces investissements devraient un jour rendre l’IA plus efficace, moins chère et omniprésente.

Cet argent sert principalement à construire l’infrastructure nécessaire à l’IA :

• centres de données
• serveurs spécialisés
• capacités de calcul pour entraîner et faire fonctionner les modèles

Ces infrastructures alimentent désormais l’ensemble de l’écosystème Google : le moteur de recherche, les modèles Gemini, les API pour développeurs et les services cloud destinés aux entreprises.

Le raisonnement de Pichai : investir d’abord, optimiser ensuite

Pour justifier ces montants, Pichai s’appuie sur un argument historique.

Lors d’un point presse pendant l’événement, il a expliqué que le secteur technologique a souvent connu des cycles où de fortes dépenses initiales sont suivies d’améliorations rapides de l’efficacité.

À mesure que les modèles d’IA, les puces spécialisées et les systèmes de déploiement progressent, le coût de l’IA tend à chuter tandis que la performance augmente.

En clair : une infrastructure coûteuse aujourd’hui peut produire beaucoup plus de capacité et de valeur dans quelques années.

Une demande en IA qui explose

Google affirme que ces investissements sont aussi une réponse à une croissance spectaculaire de l’usage de l’IA.

Selon les chiffres partagés lors de l’événement, le volume de tokens traités sur les systèmes de Google est passé de 9,7 billions par mois il y a deux ans à plus de 3,2 quadrillions par mois aujourd’hui.

Cette croissance provient de nombreux usages :

• les nouvelles expériences de recherche augmentées par l’IA
• les assistants et agents Gemini
• les API utilisées par les développeurs
• les applications cloud pour les entreprises
• des produits grand public comme YouTube ou les outils de productivité

Pour Pichai, l’équation est simple : si la demande explose, l’infrastructure doit suivre.

Gemini 3.5 Flash : l’exemple de l’efficacité recherchée

Google a également présenté Gemini 3.5 Flash, un modèle conçu pour être plus rapide et moins coûteux à utiliser, notamment pour les développeurs et les entreprises.

Ce type de modèle illustre l’idée centrale défendue par Pichai : l’innovation dans les modèles et les systèmes peut réduire fortement le coût de l’IA tout en augmentant ses performances.

À terme, cela signifie que la même infrastructure pourra servir beaucoup plus d’utilisateurs et d’applications.

Les limites physiques : énergie et puissance de calcul

Même en défendant cette stratégie, Pichai reconnaît que l’essor de l’IA pose des défis très concrets.

Parmi les principales contraintes mentionnées :

• la consommation d’électricité des grands centres de données
• la demande de puissance de calcul qui dépasse parfois l’offre de matériel
• la difficulté d’augmenter rapidement la capacité des infrastructures à l’échelle mondiale

Ces questions deviennent centrales dans toute l’industrie technologique à mesure que les entreprises déploient des systèmes d’IA toujours plus puissants.

Un ton différent par rapport à 2025

Les déclarations de Pichai à I/O 2026 contrastent avec celles qu’il tenait un an plus tôt.

En 2025, lors d’interviews médiatiques, il avait reconnu que la vague d’investissement dans l’IA comportait des « éléments d’irrationalité », et averti qu’aucune entreprise ne serait épargnée si une bulle éclatait.

En 2026, le discours reste prudent mais nettement plus optimiste. Le dirigeant met désormais davantage l’accent sur :

• l’explosion de la demande pour l’IA
• les gains d’efficacité attendus
• la nécessité stratégique de construire l’infrastructure en amont

La vision plus large de l’industrie

La stratégie de Google reflète un pari partagé par l’ensemble des géants technologiques. Microsoft, Amazon, Meta et d’autres investissent eux aussi massivement dans les puces, les centres de données et les plateformes d’IA.

Pour Sundar Pichai, cette phase d’investissement intense n’est pas un excès irrationnel, mais le coût initial pour bâtir la prochaine grande plateforme informatique. Et si l’histoire de la technologie se répète, ces investissements devraient un jour rendre l’IA plus efficace, moins chère et omniprésente.