Analyse : la diversification matérielle d'Anthropic comme couverture stratégique

Commençons par poser la frontière entre ce que l'on sait et ce que l'on interprète, parce qu'elle structure tout le reste. Le fait est établi et vérifiable : Anthropic entraîne et fait tourner son modèle Claude sur trois familles de processeurs différentes — les puces Trainium d'Amazon, les TPU de Google et les processeurs graphiques de Nvidia. L'entreprise le revendique noir sur blanc et parle d'une stratégie « diversifiée ». La lecture que nous proposons ici, en revanche, n'est pas une déclaration officielle : c'est une grille d'analyse. Répartir délibérément sa puissance de calcul entre trois fournisseurs de silicium concurrents peut se lire comme une forme de couverture — au sens où l'on couvre un risque financier — contre l'incertitude d'approvisionnement, la pression sur les coûts et la dépendance à un seul acteur. Cette lecture a une cohérence. Elle n'a pas de sceau d'authenticité.

Cette précaution mérite d'être maintenue tout du long, car le sujet s'y prête particulièrement. L'infrastructure de calcul de l'intelligence artificielle génère des chiffres spectaculaires : des milliards de dollars, des gigawatts d'électricité, des millions de puces. Ces nombres circulent, sont arrondis, puis transformés en affirmations catégoriques sur les intentions d'une entreprise. Nous voulons faire l'inverse. Chaque donnée factuelle citée dans cet article est sourcée en fin de page, à partir des annonces officielles d'Anthropic, d'Amazon, de Nvidia et de Google, ou de la presse spécialisée qui les a documentées. Chaque lecture stratégique, elle, est signalée comme telle : « on peut lire », « cela suggère », « une interprétation possible ». Le mot « couverture », en particulier, est notre choix d'analyste, pas un terme employé par Anthropic.

Pourquoi Anthropic comme cas d'étude ? Parce que le laboratoire s'est retrouvé, en l'espace de quelques mois de 2025, au centre d'une série d'accords d'infrastructure d'une ampleur inhabituelle, signés coup sur coup avec les trois grands fournisseurs de puces d'intelligence artificielle. Amazon, Google et Nvidia se sont tous engagés, à des titres divers, dans la capacité de calcul de l'entreprise. Cette convergence, rare pour un même acteur, en fait un terrain d'observation privilégié pour une question qui dépasse largement une seule société : quand la puissance de calcul devient la ressource la plus rare et la plus chère du secteur, comment un laboratoire de premier plan organise-t-il son approvisionnement ?

Le constat : trois familles de puces, trois accords majeurs

Posons le socle vérifiable, accord par accord. Le premier partenaire historique d'Anthropic est Amazon, qui reste son principal fournisseur de cloud et son partenaire d'entraînement. Le fait le plus documenté à ce sujet est un ensemble baptisé Project Rainier : ce cluster, développé conjointement par AWS et Anthropic pour Claude, a été mis en service fin 2025 avec près de 500 000 puces Trainium2, moins d'un an après avoir été annoncé en décembre 2024. Amazon a par la suite indiqué qu'Anthropic et lui utilisaient désormais plus d'un million de puces Trainium2 pour entraîner et servir le modèle.

En avril 2026, l'ampleur de l'engagement avec Amazon s'est encore élargie. Anthropic et Amazon ont annoncé une collaboration portant sur jusqu'à 5 gigawatts de capacité nouvelle, avec près d'un gigawatt de capacité Trainium2 et Trainium3 attendue en ligne d'ici la fin 2026. Sur le plan financier, Anthropic s'est engagé à dépenser plus de 100 milliards de dollars sur dix ans dans les technologies AWS, et l'accord couvre plusieurs générations de silicium maison, du Trainium2 jusqu'au futur Trainium4. Andy Jassy, patron d'Amazon, a résumé l'esprit de ce partenariat en évoquant « l'engagement d'Anthropic à faire tourner ses grands modèles de langage sur AWS Trainium pour la prochaine décennie ».

Le deuxième pilier est Google. En octobre 2025, Anthropic a annoncé un élargissement de son usage des TPU de Google Cloud portant, sur la durée de l'accord, sur jusqu'à un million de puces, avec « bien plus d'un gigawatt de capacité en ligne en 2026 ». Environ cinq mois plus tard, en avril 2026, un accord complémentaire réunissant Anthropic, Google et Broadcom a porté sur environ 3,5 gigawatts supplémentaires de TPU de nouvelle génération, dont la mise en service est attendue à partir de 2027. Krishna Rao, directeur financier d'Anthropic, a présenté cette expansion comme « l'engagement de calcul le plus significatif à ce jour » de l'entreprise.

Anthropic entraîne et fait tourner Claude sur une gamme diversifiée de matériel — AWS Trainium, Google TPU et Nvidia GPU — ce qui lui permet d'associer chaque charge de travail aux puces les mieux adaptées, et cette diversité de plateformes se traduit par de meilleures performances et une plus grande résilience. — Formulation officielle d'Anthropic sur sa stratégie de calcul.

Le troisième pilier : Nvidia entre dans le tableau

Le troisième accord est le plus récent, et à certains égards le plus notable, parce qu'il inverse une habitude. Jusqu'alors, Anthropic était l'un des rares grands laboratoires à ne pas s'appuyer massivement sur Nvidia. En novembre 2025, cela a changé : dans le cadre d'un ensemble de partenariats annoncés avec Microsoft et Nvidia, ce dernier s'est engagé à investir jusqu'à 10 milliards de dollars dans Anthropic, et Anthropic à acheter au moins 1 gigawatt de capacité de calcul reposant sur les systèmes Nvidia Grace Blackwell puis, à venir, Vera Rubin. Les deux entreprises ont annoncé qu'elles collaboreraient sur la conception et l'ingénierie, afin d'optimiser à la fois les modèles d'Anthropic pour le matériel Nvidia et les futures architectures Nvidia pour les charges de travail d'Anthropic.

Pour mesurer ce que ces gigawatts représentent, un ordre de grandeur circule dans le secteur : des dirigeants estiment qu'un gigawatt de capacité de calcul d'intelligence artificielle peut coûter entre 20 et 25 milliards de dollars à déployer. Ce chiffre est une fourchette d'experts, à manier avec prudence, mais il situe l'enjeu : les engagements en gigawatts pris par Anthropic auprès de ses trois fournisseurs se comptent, cumulés, en centaines de milliards de dollars d'infrastructure.

Un appétit de calcul tiré par la croissance

Ces engagements ne se comprennent pas dans le vide : ils accompagnent une expansion commerciale rapide. Au moment de l'accord avec Google, Anthropic déclarait servir plus de 300 000 clients entreprise, avec un nombre de grands comptes — ceux représentant chacun plus de 100 000 dollars de revenu annualisé — multiplié par près de sept en un an. Début 2026, l'entreprise a communiqué un revenu à un rythme annualisé passé d'environ 9 milliards de dollars fin 2025 à un ordre de grandeur de 14 milliards, chiffres qu'elle-même présente comme le reflet d'une croissance qu'elle qualifie de sans précédent. Ces montants sont ceux communiqués par l'entreprise ; je les rapporte comme tels, en gardant à l'esprit qu'un « rythme annualisé » extrapole un instantané et n'équivaut pas à un chiffre d'affaires annuel constaté.

Le lien logique est direct : plus le service croît, plus la charge d'inférence — le calcul consommé chaque fois qu'un utilisateur interroge le modèle — augmente, et plus la capacité totale requise gonfle. Krishna Rao, le directeur financier, a d'ailleurs présenté l'expansion du calcul comme la condition pour « suivre le rythme » de cette demande. Cette pression sur la capacité éclaire l'empressement à sécuriser, en parallèle, trois sources d'approvisionnement plutôt qu'une. Quand la ressource critique est rare et que la demande s'emballe, verrouiller plusieurs filières devient une précaution d'autant plus rationnelle.

Récapitulons le socle établi dans un tableau, en séparant soigneusement ce qui est chiffré de ce qui reste qualitatif.

Fournisseur	Type de puce	Engagement rapporté	Horizon
Amazon (AWS)	Trainium2 → Trainium4	Jusqu'à 5 GW ; +100 Md$ sur 10 ans ; >1 M de puces Trainium2 en service	~1 GW d'ici fin 2026
Google	TPU (dont Trillium), via Broadcom	Jusqu'à 1 M de TPU sur la durée ; ~3,5 GW additionnels (avril 2026)	>1 GW en 2026 ; nouvelle vague dès 2027
Nvidia	GPU Grace Blackwell, puis Vera Rubin	Investissement Nvidia jusqu'à 10 Md$ ; achat d'au moins 1 GW	À partir de 2026

Notez ce que ce socle contient et ce qu'il ne contient pas. Il contient des comptes de puces, des générations de silicium, des montants d'investissement, des horizons de déploiement et le mot « diversifié » assumé par Anthropic. Il ne contient aucune déclaration selon laquelle cette diversification aurait été conçue comme une couverture financière au sens strict. C'est précisément ce pas supplémentaire — de la « diversification » revendiquée à la « couverture stratégique » interprétée — que notre lecture va tenter d'éclairer, sans jamais le présenter comme un fait établi.

La lecture : trois risques, un même réflexe de couverture

Une couverture, dans le vocabulaire financier, consiste à prendre une position qui limite l'exposition à un risque. On peut lire la répartition d'Anthropic sur trois plateformes matérielles comme une couverture de ce type, exercée simultanément contre trois risques distincts mais liés : le risque d'approvisionnement, le risque de coût et le risque de dépendance. Examinons-les l'un après l'autre, en gardant à l'esprit qu'il s'agit d'une grille de lecture, pas d'une reconstitution des délibérations internes de l'entreprise.

Premier risque : l'approvisionnement en puces

Le premier risque est le plus concret. Ces dernières années, la disponibilité des processeurs les plus performants a été l'un des principaux facteurs limitants du développement de l'intelligence artificielle. La demande a régulièrement excédé l'offre, et les délais de livraison des puces de pointe se sont allongés. Dans un tel contexte, dépendre d'une seule source d'approvisionnement expose une entreprise à un point de rupture unique : si ce fournisseur prend du retard, l'ensemble de sa feuille de route ralentit.

Répartir ses commandes entre trois filières — le silicium maison d'Amazon, celui de Google et les GPU de Nvidia — atténue mécaniquement cette exposition. Si l'une des filières connaît une tension, les deux autres peuvent, en principe, absorber une partie de la charge. On peut lire là une logique de couverture d'approvisionnement classique, comparable à celle qu'un industriel applique lorsqu'il refuse de dépendre d'un fournisseur unique pour un composant critique. Anthropic ne présente pas les choses en ces termes, mais sa formule sur la « résilience » procurée par la diversité des plateformes va dans un sens compatible avec cette lecture.

Deuxième risque : le coût, et l'écart entre puces maison et GPU

Le deuxième risque est économique, et c'est peut-être le plus structurant. Les puces conçues en interne par les fournisseurs de cloud — Trainium chez Amazon, TPU chez Google — sont pensées, entre autres, pour offrir un meilleur rapport performance-coût que les GPU haut de gamme sur certaines charges. Amazon avance ainsi que ses instances Trn2, bâties sur Trainium2, offrent un rapport prix-performance supérieur de 30 à 40 % à celui de ses instances P5e/P5en équivalentes, reposant sur des GPU Nvidia H200. Google, de son côté, met en avant un coût d'inférence par jeton nettement inférieur à celui d'un GPU haut de gamme sur les charges régulières à gros volume.

Ces chiffres sont des données constructeur, présentées dans un cadre commercial, et ils décrivent des cas d'usage précis plutôt qu'une supériorité universelle. Je les donne comme tels. Mais ils illustrent une réalité : sur le coût, les puces maison des cloudeurs et les GPU de Nvidia ne se situent pas sur le même point d'équilibre. Disposer des trois familles permet, en théorie, d'orienter chaque charge de travail vers le matériel le plus économique pour elle. C'est exactement ce que décrit la formule d'Anthropic sur le fait d'« associer chaque charge de travail aux puces les mieux adaptées ». On peut y lire une couverture contre le risque de coût : ne pas se lier à une seule grille tarifaire, mais conserver la latitude d'arbitrer.

Une couverture ne consiste pas à parier sur le gagnant, mais à ne pas dépendre d'un seul résultat. Répartir la charge entre Trainium, TPU et GPU, c'est refuser de miser toute une feuille de route sur une seule filière de silicium — lecture que la formule officielle sur la « résilience » rend plausible sans la confirmer.

Troisième risque : la dépendance et le pouvoir de négociation

Le troisième risque est plus subtil : c'est celui de la dépendance elle-même. Un client qui n'a qu'un fournisseur possible se trouve, à terme, en position de faiblesse dans la négociation. À l'inverse, un acheteur capable de faire tourner ses modèles indifféremment sur trois plateformes conserve un pouvoir de marché : il peut, en principe, arbitrer d'une année sur l'autre selon les prix, les disponibilités et les performances proposées. On peut lire le maintien actif de trois filières comme une manière de préserver ce pouvoir de négociation dans la durée.

Cette lecture reste une interprétation, et elle a ses limites, sur lesquelles nous reviendrons : entraîner et servir un même modèle sur des architectures aussi différentes a un coût d'ingénierie réel, qui vient nuancer l'idée d'une flexibilité sans coût. Mais le principe est cohérent avec une logique de couverture : accepter une dépense pour préserver des options.

Pourquoi la diversité matérielle a un sens technique

Une couverture stratégique n'aurait guère de sens si les trois familles de puces étaient interchangeables au point d'être indifférentes. Or elles ne le sont pas : leurs caractéristiques diffèrent, ce qui donne un fondement technique — et pas seulement financier — à la diversification. Regardons de plus près, sur la base de spécifications publiques.

Ce que chaque famille apporte

Les GPU de Nvidia constituent la référence historique de l'entraînement de pointe. Leur écosystème logiciel, mûri sur plus d'une décennie, reste le plus riche et le plus largement maîtrisé par les ingénieurs. C'est aussi vers Nvidia que se tournent en priorité les architectures les plus récentes, comme les systèmes Grace Blackwell puis Vera Rubin cités dans l'accord d'Anthropic. Pour une charge exigeant le dernier cri de la performance et la souplesse d'un environnement éprouvé, le GPU garde une place de choix.

Les puces maison des cloudeurs jouent une autre partition, centrée sur le rapport performance-coût à grande échelle. Une puce Trainium2 délivre, selon les spécifications d'AWS, jusqu'à 1,3 pétaflops de calcul dense en FP8 et embarque 96 gigaoctets de mémoire à haute bande passante. Assemblées en UltraServer de 64 puces, elles atteignent jusqu'à 83,2 pétaflops de calcul FP8 et 6 téraoctets de mémoire, reliées par un réseau interne dédié. Les TPU de Google, de leur côté, misent notamment sur un réseau d'interconnexion optique à très haut débit à l'échelle du pod, un atout pour distribuer de très gros calculs. Chaque famille a donc son point d'équilibre propre entre puissance brute, mémoire, réseau et coût.

• GPU Nvidia. Écosystème logiciel le plus mature, architectures de pointe, référence pour l'entraînement exigeant et la flexibilité ; en contrepartie, un coût par unité de calcul généralement plus élevé.
• Trainium (Amazon). Conçu pour le rapport prix-performance à l'échelle du cloud AWS ; rapport prix-performance annoncé supérieur de 30 à 40 % à l'équivalent GPU sur certaines charges.
• TPU (Google). Interconnexion optique à l'échelle du pod, coût d'inférence par jeton compétitif sur les charges régulières à gros volume ; intégration étroite avec l'infrastructure Google Cloud.
• Point commun. Aucune des trois familles ne domine sur tous les critères à la fois — d'où l'intérêt, technique autant que financier, de ne pas se limiter à une seule.

Cette hétérogénéité éclaire la formule officielle d'Anthropic. « Associer chaque charge de travail aux puces les mieux adaptées » n'est pas qu'un argument marketing : c'est la reconnaissance que l'entraînement d'un modèle de fondation, l'ajustement fin et le service d'inférence à des millions d'utilisateurs n'ont pas les mêmes besoins matériels. Une flotte à trois familles permet, en principe, de placer chaque tâche là où elle est le plus efficace. La couverture financière, dans cette lecture, s'appuie donc sur une réalité technique, et non contre elle.

Deux métiers derrière un même modèle : entraîner et servir

Pour saisir pourquoi la diversité matérielle a une utilité concrète, il faut distinguer deux activités que le grand public confond souvent : entraîner un modèle et le servir. Ce ne sont pas deux intensités d'une même tâche, mais deux métiers aux contraintes presque opposées, ce qui explique qu'ils ne réclament pas le même matériel.

Entraîner un grand modèle, c'est faire travailler ensemble un très grand nombre de processeurs sur un même calcul, pendant des semaines, dans une synchronisation étroite : à chaque étape, les puces doivent échanger des mises à jour et rester alignées. Cela impose des interconnexions extrêmement rapides et une densité de puissance élevée, réunies au même endroit. C'est là que la fraîcheur du matériel compte le plus, et que les architectures de pointe — GPU Nvidia les plus récents, UltraServers Trainium, pods TPU à interconnexion optique — trouvent leur meilleur emploi. Project Rainier, avec ses centaines de milliers de puces Trainium2 reliées par un réseau à l'échelle de plusieurs centres de données, illustre exactement ce besoin de concentration pour l'entraînement de Claude.

Servir un modèle déjà entraîné obéit à une autre logique. Chaque requête d'utilisateur est largement indépendante des autres : on peut les répartir, les distribuer sur des machines qui n'ont pas besoin de dialoguer en permanence. L'inférence tolère mieux du matériel de génération antérieure et valorise avant tout le rapport performance-coût, puisqu'il s'agit d'une charge récurrente qui suit la fréquentation du service. C'est précisément sur ce terrain que les puces maison des cloudeurs, avec leur avantage de coût annoncé, prennent tout leur sens. On peut donc lire la flotte à trois familles comme un moyen d'orienter l'entraînement vers le matériel le plus puissant et l'inférence vers le plus économe — une répartition qui sert l'efficacité autant que la couverture.

Cette distinction ajoute une nuance importante à notre grille de lecture. La couverture n'est pas seulement défensive — se prémunir contre une pénurie ou une hausse de prix — elle est aussi productive : elle permet d'affecter chaque euro de calcul là où il rend le plus. Une même décision peut donc répondre à la fois à une logique d'assurance et à une logique d'optimisation, ce qui la rend d'autant plus robuste comme hypothèse.

Mise en perspective : une pratique du secteur, avec ses limites

Cette grille de lecture ne décrit pas une singularité d'Anthropic : elle s'inscrit dans un mouvement de fond du secteur, ce qui la rend d'autant plus crédible — mais invite aussi à la nuance.

Le silicium maison monte, sans effacer Nvidia

Depuis quelques années, les grands fournisseurs de cloud investissent massivement dans leurs propres puces d'intelligence artificielle. Google conçoit ses TPU depuis près d'une décennie ; Amazon développe les familles Trainium et Inferentia ; d'autres acteurs poursuivent des programmes comparables. L'objectif affiché est double : réduire la dépendance à un fournisseur externe et améliorer le rapport coût-performance pour leurs propres charges et celles de leurs clients. Dans le même temps, les GPU de Nvidia demeurent extrêmement demandés — l'entreprise a régulièrement décrit une demande hors norme pour ses architectures les plus récentes. Le tableau d'ensemble n'est donc pas un remplacement de Nvidia par le silicium maison, mais une coexistence, où chaque famille gagne des parts sur les charges où elle excelle.

Vu sous cet angle, la répartition d'Anthropic apparaît moins comme une exception que comme une application particulièrement aboutie d'une tendance générale. Là où beaucoup d'acteurs penchent nettement vers une filière, Anthropic a noué, en quelques mois, des accords structurants avec les trois à la fois. C'est cette simultanéité qui rend son cas remarquable, et qui donne du poids à la lecture « couverture » : rares sont les entreprises à entretenir un tel équilibre entre fournisseurs concurrents.

Ce que le cas révèle du rapport de force fournisseur-client

La comparaison avec d'autres configurations éclaire la spécificité d'Anthropic. Certains laboratoires sont adossés de manière prépondérante à un seul cloud et à une seule filière de puces ; d'autres conçoivent leur propre matériel pour s'affranchir des fournisseurs externes. Anthropic occupe une position intermédiaire singulière : il ne fabrique pas ses puces, mais il refuse de dépendre d'un seul fabricant. Cette posture d'acheteur multi-fournisseurs, courante dans les industries matures — l'automobile ou l'aéronautique ne s'approvisionnent jamais auprès d'une source unique pour un composant vital — est plus rare dans un secteur aussi jeune, où l'offre de puces de pointe reste concentrée.

Il faut toutefois noter que cette latitude d'acheteur a une contrepartie encore peu explorée. Faire tourner un modèle efficacement sur trois architectures suppose de porter et d'optimiser la pile logicielle sur chacune, ce qui immobilise des équipes rares. Toutes les entreprises n'ont pas les moyens de ce travail ; pour Anthropic, la taille atteinte et l'ampleur des accords rendent cet investissement soutenable. La « couverture » à trois plateformes ressemble ainsi à un privilège d'acteur devenu grand, autant qu'à une stratégie transposable telle quelle à des structures plus modestes.

Les limites de la lecture « couverture »

L'honnêteté analytique impose de pointer ce qui affaiblit cette interprétation, car aucune grille de lecture n'est parfaite. Trois réserves méritent d'être posées.

D'abord, la flexibilité a un prix. Faire fonctionner un même modèle sur trois architectures matérielles très différentes suppose un travail d'ingénierie logicielle considérable : chaque famille de puces a ses outils, ses formats, ses optimisations. Cette dépense d'ingénierie vient rogner le bénéfice attendu de la couverture, et elle n'est à la portée que d'acteurs disposant d'équipes techniques importantes. Pour une organisation plus modeste, la « couverture » à trois plateformes serait probablement plus coûteuse que protectrice.

Ensuite, les accords eux-mêmes créent de nouvelles formes d'interdépendance. Plusieurs de ces partenariats mêlent achat de capacité et investissement au capital : Nvidia investit dans Anthropic tout en lui vendant des GPU ; Amazon a investi et fournit l'essentiel de l'entraînement. Des observateurs ont qualifié certaines de ces constructions d'« accords circulaires », où fournisseur et client sont aussi partenaires financiers. Cette imbrication complique l'idée d'une couverture parfaitement neutre : diversifier ses fournisseurs de puces ne signifie pas nécessairement diversifier ses dépendances économiques.

Enfin, une couverture reste un pari sur l'incertitude, pas une garantie. Répartir la charge protège si l'avenir demeure ouvert et concurrentiel ; cela protège moins si une seule architecture prend une avance décisive, auquel cas maintenir les deux autres filières deviendrait un surcoût plutôt qu'une assurance. La lecture « couverture » suppose donc, en creux, que la concurrence entre plateformes se poursuive — hypothèse raisonnable aujourd'hui, mais qui reste une hypothèse.

Diversifier ses fournisseurs de silicium n'équivaut pas mécaniquement à diversifier ses dépendances : quand l'achat de puces s'accompagne d'investissements croisés au capital, la couverture d'approvisionnement peut coexister avec une imbrication financière étroite.

Ce qu'on peut en retenir

Revenons, pour finir, à la frontière posée au départ. Le fait est clair et sourcé : Anthropic a bâti, en 2025, une infrastructure de calcul reposant sur trois familles de puces concurrentes — Trainium, TPU et GPU Nvidia — au terme d'accords majeurs conclus avec Amazon, Google et Nvidia, et l'entreprise revendique une stratégie « diversifiée » visant meilleures performances et résilience. Cela, on peut l'affirmer.

La lecture « couverture stratégique », elle, reste une interprétation — cohérente, mais interprétation. Elle propose de voir dans cette répartition une manière de couvrir trois risques à la fois : l'approvisionnement en puces rares, le coût du calcul, et la dépendance à un fournisseur unique. Cette lecture s'appuie sur des faits solides — les écarts de coût entre familles de puces, les tensions récurrentes sur l'offre, la formule officielle sur la « résilience » — et sur une pratique observée à l'échelle du secteur. Elle a aussi ses limites : le coût d'ingénierie de la flexibilité, l'imbrication financière des accords, et le fait qu'une couverture n'est jamais qu'un pari sur un avenir qui reste ouvert.

Ce que ce cas illustre le mieux, au-delà d'Anthropic, c'est peut-être un déplacement du centre de gravité du secteur. Longtemps, la question stratégique portait sur le modèle : quelle architecture, quelles données, quelle méthode d'apprentissage. Elle porte désormais, tout autant, sur le calcul : où le trouver, à quel coût, auprès de qui, et comment ne pas en dépendre au point de perdre sa marge de manœuvre. Lire la diversification matérielle d'Anthropic comme une couverture, c'est reconnaître que l'approvisionnement en puissance de calcul est devenu, pour un laboratoire de premier plan, une question aussi stratégique que la recherche elle-même. Le reste — savoir si ce pari se révélera payant — appartient à un avenir que nul tableau de spécifications ne permet de trancher.

Sources

• Anthropic — Expanding our use of Google Cloud TPUs and Services (23 octobre 2025) : stratégie « diversifiée », jusqu'à 1 M de TPU, >1 GW en 2026
• Anthropic — Anthropic and Amazon expand collaboration for up to 5 gigawatts of new compute (20 avril 2026) : >1 M de puces Trainium2, +100 Md$ sur 10 ans, Trainium2→4
• Anthropic — Microsoft, NVIDIA and Anthropic announce strategic partnerships (18 novembre 2025) : investissement Nvidia jusqu'à 10 Md$, ≥1 GW Grace Blackwell / Vera Rubin
• Anthropic — Expanded partnership with Google and Broadcom (6 avril 2026) : ~3,5 GW de TPU de nouvelle génération dès 2027
• About Amazon — AWS activates Project Rainier : ~500 000 puces Trainium2, mise en service fin 2025
• CNBC — Comparing the top AI chips : Nvidia GPU, Google TPU, AWS Trainium
• Data Center Frontier — Inside Anthropic's Multi-Cloud AI Factory
• AWS — Amazon EC2 Trn2 : spécifications Trainium2 (1,3 PFLOPS FP8, 96 Gio HBM, UltraServer 83,2 PFLOPS), rapport prix-performance vs GPU H200 (instances P5e/P5en)
• CNBC — Anthropic valuation and Microsoft/Nvidia deal : ordre de grandeur ~20-25 Md$ par GW de calcul