فصل مالی ۴۴.۹ میلیارد دلاری آلفابت: درسی در سطح هیئت‌مدیره درباره انضباط سرمایه‌ای هوش مصنوعی

آلفابت (Alphabet) این هفته نتایج فصل دوم ۲۰۲۶ خود را منتشر کرد و اعداد اصلی، در ظاهر، فوق‌العاده‌اند. درآمد ۱۱۹.۸ میلیارد دلار آمریکا، با رشد ۲۴ درصدی سال‌به‌سال. درآمد خالص ۱۱۲.۱ میلیارد دلار آمریکا. کسب‌وکار ابری با رشد ۸۲ درصدی. برای هر CEO یا CTO که دنبال می‌کند هزینه هوش مصنوعی سازمانی واقعاً کجا می‌رود و واقعاً چه بازدهی دارد، این فصل یکی از روشن‌ترین نقاط داده‌ای است که امسال داشته‌ایم.

اما اعداد اصلی داستان نیستند. داستان چیزی است که زیر آنها نشسته: شرکتی که سرمایه را با سرعتی خرج می‌کند که مؤسسات کمی می‌توانند تحمل کنند، در تعقیب مزیتی در زیرساخت هوش مصنوعی که معتقد است یک دهه مرکب رشد خواهد کرد. این همان بخشی است که هر رهبر فناوری باید با دقت بخواند.

چرا این موضوع الان مهم است

هر رهبر فناوری سازمانی در حال حاضر نسخه‌ای از همان تصمیمی را می‌گیرد که آلفابت در مقیاس هایپراسکیل (hyperscale) می‌گیرد: چقدر در زیرساخت و پلتفرم‌های هوش مصنوعی سرمایه‌گذاری کند پیش از آنکه بازده به‌طور کامل اثبات شود، و چگونه آن سرمایه‌گذاری را طوری ساختاربندی کند که ترازنامه را به خطر نیندازد. نتایج Q2 2026 آلفابت، در واقع، مطالعه موردی زنده‌ای از همان تصمیم است، در مقیاسی و با شفافیتی که اکثر مؤسسات خصوصی هرگز افشا نمی‌کنند. CEOها و CTOهایی که بودجه هوش مصنوعی ۱۲ تا ۱۸ ماه آینده را تعیین می‌کنند باید این گزارش درآمد را نه یک تیتر، بلکه یک معیار مرجع (benchmark) بدانند.

چه اتفاقی افتاده است

درآمد کل آلفابت در این فصل به ۱۱۹.۸ میلیارد دلار آمریکا رسید، با رشد ۲۴ درصدی سال‌به‌سال، و به گزارش تحلیلگران بازار که این اطلاعیه را پوشش دادند، این دوازدهمین فصل متوالی رشد درآمد دو رقمی شرکت بود. درآمد عملیاتی ۴۰.۸ میلیارد دلار آمریکا بود، با رشد ۳۰ درصدی سال‌به‌سال، و حاشیه عملیاتی از ۳۲ درصد به ۳۴ درصد افزایش یافت. سود تقلیل‌یافته هر سهم به ۹.۱۱ دلار آمریکا رسید.

درآمد خالص گزارش‌شده ۱۱۲.۱ میلیارد دلار آمریکا بود، با افزایش ۲۹۸ درصدی سال‌به‌سال. اینجا دقیق بودن مهم است: این رقم شامل سود تحقق‌نیافته ۹۹.۰ میلیارد دلار آمریکایی روی اوراق بهادار (equity securities) است، یک قلم یک‌باره و غیرعملیاتی. معیار معنادارتر عملکرد بنیادی کسب‌وکار، درآمد عملیاتی است که ۳۰ درصد رشد کرد و به ۴۰.۸ میلیارد دلار آمریکا رسید. هر خوانشی از این فصل که بدون این شرح (qualification) با رقم درآمد خالص آغاز شود، تصویری اغراق‌آمیز از سودآوری ارائه می‌دهد، و هر CEO یا CFO محتاطی وقتی این فصل داخلی بحث شود همین تعدیل را انجام خواهد داد.

درآمد Google Services برابر ۹۴.۵ میلیارد دلار آمریکا بود، با رشد ۱۵ درصدی، شامل جستجو و سایر با ۶۳.۳ میلیارد دلار (رشد ۱۷ درصدی)، تبلیغات یوتیوب با ۱۱.۱ میلیارد دلار (رشد ۱۳ درصدی)، و اشتراک‌ها، پلتفرم‌ها و دستگاه‌ها با ۱۲.۹ میلیارد دلار (رشد ۱۵ درصدی). درآمد Google Cloud به ۲۴.۸ میلیارد دلار آمریکا رسید، با رشد ۸۲ درصدی سال‌به‌سال، و درآمد عملیاتی ابری از ۲.۸ میلیارد به ۸.۸ میلیارد دلار آمریکا افزایش یافت، یعنی افزایشی بیش از ۲۰۰ درصد. Other Bets با زیان عملیاتی ۱.۸ میلیارد دلار آمریکا، ۳۸۲ میلیون دلار آمریکا درآمد ایجاد کرد.

شدت سرمایه‌ای (capital intensity) این رشد همان عددی است که بیشترین توجه را می‌طلبد. مخارج سرمایه‌ای (capital expenditure) فقط در این فصل ۴۴.۹ میلیارد دلار آمریکا بود و جریان نقد آزاد (free cash flow) منفی ۵.۹ میلیارد دلار آمریکا بود، واگردانی برای شرکتی که تاریخاً جریان نقد آزاد مثبت بسیار بزرگی تولید می‌کرده است. تعداد کارکنان به ۱۹۸,۹۳۳ نفر رسید، در حالی که یک سال پیش ۱۸۷,۱۰۳ نفر بود. سود سهام فصلی (dividend) همان ۰.۲۲ دلار آمریکا برای هر سهم باقی می‌ماند، پرداختنی در سپتامبر ۲۰۲۶.

در سمت محصولات هوش مصنوعی، شرکت گزارش می‌دهد که Gemini Enterprise اکنون توسط نزدیک به ۹۰ درصد شرکت‌های Fortune 100 استفاده می‌شود، مدل‌های Gemini در هر دقیقه ۲۲ میلیارد توکن API پردازش می‌کنند، و اپلیکیشن مصرف‌کننده Gemini به ۹۵۰ میلیون کاربر فعال ماهانه رسیده است. اینها ارقام گزارش‌شده توسط شرکت هستند، نه معیارهای حسابرسی‌شده مستقل، و باید همین‌طور خوانده شوند، اما جهت حرکت، از آزمایش به زیرساخت تعبیه‌شده، با آنچه اکثر رهبران فناوری سازمانی در سازمان‌های خود مشاهده می‌کنند سازگار است.

پیامدهای فناوری و معماری

سیگنال معماری اصلی این فصل، گذار از هوش مصنوعی به‌عنوان ویژگی محصول به هوش مصنوعی به‌عنوان زیرساخت است. افزایش ۸۲ درصدی درآمد ابری، همراه با جهش کیفی (step change) در سودآوری عملیاتی ابری، نشان می‌دهد مشتریان سازمانی بارهای کاری هوش مصنوعی (workloads) را در مقیاس به تولید منتقل می‌کنند، نه صرفاً پایلوت اجرا می‌کنند. این گذار گفت‌وگوی تدارکات (procurement) هر CTO را تغییر می‌دهد: سؤال دیگر این نیست که کدام مدل را آزمایش کنیم، بلکه این است که برای سه تا پنج سال آینده به کدام پشته زیرساخت (stack)، سیلیکون سفارشی، خانواده مدل و معماری داده متعهد شویم.

چارچوب خود آلفابت از این موضوع به‌عنوان راهبرد تمام‌پشته (full stack)، در برگیرنده زیرساخت سفارشی، مدل‌های اختصاصی، توزیع ابری و اپلیکیشن‌های مصرفی و سازمانی، همان الگوی معماری است که دیگر هایپراسکیلرها و به‌طور فزاینده‌ای مؤسسات بزرگ به سوی آن همگرا می‌شوند. برای یک CTO، درس این نیست که هر سازمانی باید در این مقیاس بسازد. درس این است که اقتصاد هوش مصنوعی در مقیاس، به‌طور فزاینده‌ای به نفع سازمان‌هایی با زیرساخت و دسترسی مدل یکپارچه عمودی (vertically integrated) است، که پیامدهای مستقیمی برای تصمیم‌های ساخت در برابر خرید (build versus buy)، ریسک تمرکز فروشنده (vendor concentration risk) و منحنی هزینه بلندمدت استنتاج (inference) در حجم بالا دارد.

رقم گزارش‌شده ۲۲ میلیارد توکن API پردازش‌شده در دقیقه، جانشین مفیدی (proxy) برای مقیاسی است که استنتاج اکنون درون یک شرکت فناوری بزرگ با آن کار می‌کند. معماران سازمانی باید برنامه‌ریزی هزینه و توان عملیاتی (throughput) استنتاج را مسئله‌ای درجه‌یک در برنامه‌ریزی ظرفیت (capacity planning) بدانند، در همان سطحی که برنامه‌ریزی محاسبات و ذخیره‌سازی در دو دهه گذشته داشته است، نه به‌عنوان هزینه متغیری که درون اشتراک نرم‌افزاری جذب می‌شود.

پیامدهای تجاری و رقابتی

رقم مخارج سرمایه‌ای فصلی ۴۴.۹ میلیارد دلار آمریکا، که منجر به جریان نقد آزاد منفی شده، بیانیه‌ای روشن از قصد رقابتی است. آلفابت آماده است تولید نقد کوتاه‌مدت را با موقعیت زیرساختی در بازاری معامله کند که آن را بنیادین برای دهه آینده کسب‌وکارش می‌داند. هایپراسکیلرهای رقیب نیز تعهدات قابل مقایسه‌ای می‌دهند. برای مؤسساتی که به هر یک از این پلتفرم‌ها وابسته‌اند، این دو پیامد مستقیم دارد که ارزش برنامه‌ریزی را دارد.

نخست، سرعت بهبود قابلیت‌ها در زیرساخت و مدل‌های تجاری هوش مصنوعی احتمالاً در ۱۸ تا ۲۴ ماه آینده با نرخی سریع ادامه می‌یابد، با تأمین مالی از این سطح سرمایه‌گذاری، که بر عمر مفید هر تصمیم معماری هوش مصنوعی گرفته‌شده امروز اثر می‌گذارد. دوم، تمرکز هزینه زیرساخت هوش مصنوعی میان تعداد کمی از ارائه‌دهندگان بسیار سرمایه‌دار، اهمیت راهبردی شرایط قراردادی، قابلیت انتقال داده (data portability) و تاب‌آوری چندابری یا چندمدلی (multi cloud or multi model resilience) را افزایش می‌دهد، زیرا با تعبیه عمیق‌تر این پلتفرم‌ها در سیستم‌های تولید، هزینه‌های جابه‌جایی (switching costs) بالا می‌رود.

رشد درآمد تبلیغات جستجو و یوتیوب، هر دو حتی با ادغام ویژگی‌های هوش مصنوعی در این محصولات شتاب گرفته‌اند، سیگنالی مفید برای هر CEO نگرانی است که سرمایه‌گذاری هوش مصنوعی خطوط درآمد موجود را می‌بلعد (cannibalises). در این مورد، دست‌کم تاکنون، به نظر می‌رسد ادغام هوش مصنوعی کسب‌وکار تبلیغاتی اصلی را به‌جای فرسایش، تقویت می‌کند.

ریسک‌ها و ملاحظات حکمرانی

وقتی این فصل به‌عنوان نقطه مرجع استفاده می‌شود، سه ریسک مستحق توجه صریح در سطح هیئت‌مدیره‌اند. نخستین، شکاف میان درآمد خالص گزارش‌شده و عملکرد عملیاتی بنیادی است: هر اظهارنظر داخلی یا خارجی که رقم درآمد خالص ۱۱۲.۱ میلیارد دلار آمریکا را بدون اشاره به سود ۹۹.۰ میلیارد دلار آمریکایی اوراق بهادار ذکر کند، قوت کسب‌وکار اصلی را به‌طور مادی بیش از واقع نشان می‌دهد، و تیم‌های حکمرانی باید بر استفاده از رقم تعدیل‌شده در هر تحلیل مقایسه‌ای اصرار کنند.

دومین، ریسک تخصیص سرمایه (capital allocation) است. جریان نقد آزاد منفی ناشی از هزینه زیرساخت هوش مصنوعی، انتخاب راهبردی عقلایی برای شرکتی با ترازنامه آلفابت است، اما قالبی نیست که مستقیماً به سازمان‌هایی با انعطاف سرمایه‌ای کمتر منتقل شود. CTOهایی که داخلی سرمایه‌گذاری زیرساخت هوش مصنوعی پیشنهاد می‌کنند باید شدت سرمایه‌ای این ساخت را صادقانه ارائه دهند، نه اینکه القا کنند سطوح هزینه مشابه برای ترازنامه‌های کوچک‌تر متناسب است.

سومین، ریسک وابستگی (dependency) و حکمرانی است. هم‌زمان با تعبیه عمیق‌تر Gemini Enterprise و زیرساخت ابری هوش مصنوعی Google Cloud در سیستم‌های تولید توسط مشتریان سازمانی — به روایت خود شرکت، مورد پذیرش نزدیک به ۹۰ درصد Fortune 100 — سؤالات حکمرانی داده، شفافیت مدل، قفل فروشنده (vendor lock-in) و نظارت مسئولانه بر هوش مصنوعی به مسائل سطح هیئت‌مدیره تبدیل می‌شوند، نه جزئیات اجرای فنی. این باید در چارچوب‌های حکمرانی هوش مصنوعی (governance frameworks) منعکس شود، نه فقط به تیم‌های تدارکات و مهندسی واگذار شود.

CEOها چه باید بکنند

در هر جلسه توجیهی داخلی درباره درآمد هایپراسکیلرها، درآمد خالص گزارش‌شده را از عملکرد عملیاتی بنیادی جدا کنید و همان انضباط را هنگام گزارش بازده سرمایه‌گذاری‌های هوش مصنوعی خودتان به هیئت‌مدیره مطالبه کنید.

این فصل را شاهدی بر شتاب‌گرفتن سرمایه‌گذاری زیرساخت هوش مصنوعی در سراسر صنعت بدانید و افق بودجه هوش مصنوعی سازمان‌تان (budget horizon) را بر همین اساس بازبینی کنید، به‌جای اینکه فرض کنید سطوح هزینه فعلی برای چرخه برنامه‌ریزی بعدی کافی است.

از CFO و CTO خود بخواهید شدت سرمایه‌ای، نه فقط ظرفیت بهره‌وری، هر تعهد پیشنهادی زیرساخت هوش مصنوعی را مشترکاً ارائه دهند، تا تصمیم‌های تخصیص سرمایه با دید کامل بر مبادله جریان نقد (cash flow trade-off) گرفته شوند.

تمرکز فروشندگان هوش مصنوعی و حکمرانی داده را به یک بند دائمی در دستور کار هیئت‌مدیره (standing board agenda) ارتقا دهید، با توجه به سرعت تعمیق وابستگی سازمانی به تعداد کمی از ارائه‌دهندگان زیرساخت هوش مصنوعی.

CTOها چه باید بکنند

هزینه و توان عملیاتی استنتاج را به‌عنوان نظم اصلی برنامه‌ریزی ظرفیت مدل‌سازی کنید و از ارقام مقیاس این فصل به‌عنوان معیار جهت‌دهی (directional benchmark) برای اینکه بارهای کاری هوش مصنوعی تولیدی کجا می‌روند استفاده کنید.

تصمیم‌های ساخت در برابر خرید برای زیرساخت هوش مصنوعی را در پرتو مدل تمام‌پشته یکپارچه عمودی که در مقیاس هایپراسکیل از نظر اقتصادی مؤثر اثبات می‌شود بازبینی کنید و مشخص کنید معماری شما کجا قفل فروشنده یا مدل غیرضروری ایجاد می‌کند.

شرایط قراردادی با ارائه‌دهندگان زیرساخت و مدل هوش مصنوعی را همین حالا، در حالی که هزینه‌های جابه‌جایی هنوز قابل مدیریت است، تحت آزمون فشار (pressure test) قرار دهید، نه پس از آنکه بارهای کاری به‌طور عمیق در تولید تعبیه شدند.

کنترل‌های هوش مصنوعی مسئولانه و حکمرانی داده را از ابتدا در معماری زیرساخت بسازید، نه اینکه پس از گسترش پذیرش آنها را بازتجهیز کنید (retrofitting)، با توجه به سرعت پذیرش پلتفرم‌هایی مانند Gemini Enterprise در مؤسسات بزرگ.

نتیجه‌گیری راهبردی

نتایج Q2 2026 آلفابت بهتر است نه به‌عنوان داستانی از سودهای رکوردشکن خوانده شود، چون سهم بزرگی از رقم سود اصلی سود حسابداری یک‌باره است، بلکه به‌عنوان داستانی از تعهد سرمایه‌ای به زیرساخت هوش مصنوعی در مقیاسی که اقتصاد فناوری سازمانی را بازشکل می‌دهد. رشد ۸۲ درصدی ابری، با تأمین مالی از ۴۴.۹ میلیارد دلار آمریکا مخارج سرمایه‌ای فصلی و چرخش به جریان نقد آزاد منفی، روشن‌ترین سیگنال موجود امروز است برای اینکه رقابت هوش مصنوعی سازمانی دهه آینده کجا برده یا باخته می‌شود: در لایه زیرساخت، نه فقط لایه مدل یا لایه اپلیکیشن. CEOها و CTOهایی که این فصل را معیار برنامه‌ریزی بدانند، نه تیتری برای مرور سریع، برای تصمیم‌های سرمایه‌ای و معماری پیش رو در موقعیت بهتری خواهند بود.

سؤال تعامل

اگر یک هایپراسکیلر حاضر است برای تضمین موقعیت زیرساخت هوش مصنوعی جریان نقد آزاد منفی را تحمل کند، این به شما درباره تصمیم‌های زیرساخت و حکمرانی هوش مصنوعی که سازمان خودتان باید در دو فصل آینده بگیرد چه می‌گوید؟

ریاضیاتی بیندیشید. هوشمندانه مهندسی کنید. راهبردی رهبری کنید. مسئولانه بسازید. جهانی مقیاس دهید. از طریق هوش مصنوعی ارزش تجاری واقعی خلق کنید.

#ArtificialIntelligence #EnterpriseAI #AIArchitecture #TechnologyStrategy #DigitalTransformation #CTO #CEO #CloudComputing #ResponsibleAI #AIInfrastructure