Par Maksym Misichenko · CNBC ·
Ce que les agents IA pensent de cette actualité
Le panel s'accorde en grande partie sur le fait que la banalisation des LLM s'accélère, posant une menace importante pour les valorisations élevées d'OpenAI et d'Anthropic. Cependant, il y a un désaccord sur le calendrier et l'étendue de cet impact, certains panélistes arguant que les coûts de changement des entreprises et les effets de plateforme d'OpenAI pourraient amortir le coup à court terme.
Risque: L'érosion rapide du pouvoir de fixation des prix et des coûts de changement, potentiellement plus rapide que la capacité d'OpenAI à diversifier ses revenus avant l'expiration du blocage de l'IPO.
Opportunité: Le potentiel pour les laboratoires de pointe d'exploiter les préoccupations réglementaires et de souveraineté des données, créant un marché bifurqué avec des flux de travail d'entreprise réglementés et à enjeux élevés comme un avantage protégé et à forte marge.
Cette analyse est générée par le pipeline StockScreener — quatre LLM leaders (Claude, GPT, Gemini, Grok) reçoivent des prompts identiques avec des garde-fous anti-hallucination intégrés. Lire la méthodologie →
Cette saison des résultats, le coût de l'IA a commencé à apparaître dans les chiffres. Meta, Shopify, Spotify et Pinterest ont tous signalé la hausse des coûts d'IA et d'inférence comme un frein aux marges. Shopify a déclaré que les économies d'échelle étaient "partiellement compensées par l'augmentation des coûts des LLM".
C'est la facture qui arrive pour le modèle de tarification qui sous-tend les valorisations attendues des introductions en bourse d'OpenAI et d'Anthropic, toutes deux projetées au-dessus de 800 milliards de dollars. Ces chiffres supposent qu'OpenAI et Anthropic conserveront leur part de marché et leur pouvoir de fixation des prix — que les concurrents ne pourront pas rattraper facilement, et que les clients d'entreprise continueront de payer une prime car il n'y a pas de réelle alternative.
Mais de plus en plus, les données pointent dans l'autre sens. L'IA de pointe devient abondante et bon marché. Les laboratoires chinois facturent une fraction de ce que font les laboratoires américains pour un travail comparable, tandis qu'une vague de concurrents occidentaux — Nvidia, Cohere, Reflection, Mistral — construisent des alternatives moins chères, plus petites et plus efficaces pour les entreprises qui ne toucheront pas à un modèle chinois. Au moment où OpenAI et Anthropic déposeront leurs prospectus, avec le dépôt confidentiel d'OpenAI dès cette semaine, la prémisse centrale de leurs valorisations pourrait déjà avoir disparu.
L'écart de coût est large et s'élargit. Les budgets d'IA des entreprises ont explosé. Environ 45 % des entreprises interrogées par la société spécialisée dans les coûts cloud CloudZero ont déclaré avoir dépensé plus de 100 000 dollars par mois en IA en 2025, contre 20 % l'année précédente. Où va cet argent est de plus en plus important. La société d'évaluation de l'IA Artificial Analysis teste chaque modèle majeur à travers les mêmes 10 évaluations et suit le coût total. Pour le modèle le plus performant de chaque laboratoire : Claude d'Anthropic est arrivé à 4 811 $. ChatGPT d'OpenAI : 3 357 $. DeepSeek : 1 071 $. Kimi : 948 $. GLM de Zhipu : 544 $. Claude est près de neuf fois plus cher que l'alternative chinoise la moins chère pour la même charge de travail.
Même Google plaide en ce sens. Lors de sa conférence développeurs I/O cette semaine, le PDG Sundar Pichai a déclaré que "de nombreuses entreprises épuisent déjà leurs budgets de tokens annuels, et nous ne sommes qu'en mai", et a présenté le modèle Flash moins cher de l'entreprise comme la solution. Si les plus grands clients de Google Cloud déplaçaient 80 % de leurs charges de travail des modèles de pointe vers Gemini 3.5 Flash, a déclaré Pichai, ils économiseraient plus d'un milliard de dollars par an. L'entreprise reconnaît que les entreprises ont besoin d'options moins chères.
Et les alternatives bon marché ne sont plus en retard. DeepSeek, le laboratoire d'IA chinois dont le modèle a déclenché une vente massive de technologies américaines l'année dernière, a publié un aperçu de son modèle de nouvelle génération le mois dernier qui égale ou presque les derniers modèles d'OpenAI, d'Anthropic et de Google sur les benchmarks de codage, d'agentivité et de connaissances. Les modèles d'autres laboratoires chinois, notamment Moonshot, Xiaomi et Zhipu, ont été expédiés à des niveaux de capacité similaires au cours des quatre derniers mois.
Le PDG de Databricks, Ali Ghodsi, a une vision en temps réel de ce changement. La passerelle IA de l'entreprise se situe entre des milliers de clients d'entreprise et les modèles qu'ils utilisent, et Ghodsi a déclaré que les revenus de ce produit augmentent fortement.
La technique que déploient les entreprises, a-t-il dit, s'appelle un "modèle conseiller". Un modèle open-source bon marché gère la majeure partie du travail par défaut. Lorsqu'il rencontre une tâche qu'il ne peut pas résoudre, il reçoit un outil qui lui permet d'appeler un modèle de pointe d'OpenAI ou d'Anthropic pour obtenir de l'aide.
"Vous pouvez ainsi très bien maîtriser les coûts", a déclaré Ghodsi.
La vitesse du changement est frappante. Sur OpenRouter, une place de marché qui permet aux développeurs d'accéder à des centaines de modèles d'IA via une interface unique, les modèles chinois sont passés d'environ 1 % d'utilisation en 2024 à plus de 60 % en mai.
Et les fournisseurs commencent à vendre la réduction des coûts comme un produit. Le PDG de Figma, Dylan Field, a déclaré que les entreprises traversent trois phases d'adoption de l'IA : d'abord, personne ne l'utilise ; ensuite, tout le monde doit l'utiliser, certains "organisant littéralement des compétitions pour savoir qui peut dépenser le plus en tokens". Et enfin, la prise de conscience que "tout le monde dépense trop" et doit réduire. De nombreuses entreprises, a-t-il dit, entrent maintenant dans cette troisième phase. Figma vend des fonctionnalités qui réduisent la consommation de tokens de ses clients de 20 à 30 %.
## États-Unis vs Chine
L'écart de coût reflète la façon dont les deux côtés sont construits. Les laboratoires de pointe américains fonctionnent avec des centaines de milliards de dollars de dépenses d'investissement, entraînant des modèles toujours plus grands sur les puces les plus chères que Nvidia vend, au sein d'un réseau électrique américain qui ne peut pas ajouter de capacité assez rapidement. Ces coûts sont répercutés sur les clients. Pour les laboratoires chinois, la contrainte est devenue la stratégie. Travaillant sous des restrictions d'exportation de puces, ils ont été contraints d'optimiser agressivement — entraînant des modèles compétitifs avec moins de calcul et les exécutant plus efficacement.
La meilleure défense des laboratoires américains est la confiance. Le PDG de Cohere, Aidan Gomez, dont l'entreprise vend des modèles d'IA spécifiquement aux banques, aux agences de défense et à d'autres industries réglementées, affirme que ces acheteurs ne toucheront pas aux modèles chinois, quel que soit le prix. Le chiffre d'affaires de Cohere a été multiplié par six l'année dernière en vendant dans ce segment exact. Mais c'est une part relativement étroite du marché d'entreprise plus large. En dehors des industries réglementées, où les règles de sécurité et de conformité sont plus souples, il devient plus difficile de justifier le paiement d'une prime.
La réponse américaine prend forme. Nvidia, l'entreprise qui a le plus profité du boom de l'IA, pousse désormais publiquement un modèle différent, publiant ses propres systèmes d'IA que toute entreprise peut télécharger et exécuter sur ses propres serveurs, gratuitement, comme alternative aux options chinoises et aux modèles verrouillés d'OpenAI et d'Anthropic. Reflection AI a levé des fonds à une valorisation de plusieurs milliards de dollars spécifiquement pour construire des modèles open-source américains pour les entreprises qui souhaitent une alternative nationale. Les deux sont bien capitalisés et ciblent explicitement le même créneau — des modèles capables, moins chers que les modèles de pointe, déployés sur une infrastructure à laquelle les entreprises américaines font déjà confiance.
L'argument contre ce changement reposait sur la sécurité nationale. Mais l'objection se dissout dans la pratique. Même l'AI Safety Institute du gouvernement américain, qui a signalé que les modèles DeepSeek étaient en retard sur ceux des États-Unis en matière de sécurité et de performance, a documenté que les téléchargements ont augmenté de près de 1 000 % depuis la sortie de R1 en janvier 2025.
Et Anthropic lui-même reconnaît la pression. Dans un document politique publié en mai, l'entreprise a déclaré que les modèles américains n'avaient que "quelques mois d'avance" sur ceux de la Chine, et a averti que Pékin "gagnait en adoption mondiale grâce au coût".
OpenAI voit les choses différemment. Une personne familière avec la pensée de l'entreprise a déclaré que chaque sortie d'un nouveau modèle de pointe, y compris GPT-5.5 le mois dernier, a entraîné une augmentation de l'utilisation de l'API et des produits, avec une demande d'entreprise croissante dans ce qu'ils ont décrit comme un "mur vertical". L'open source a un rôle dans les tâches à faible enjeu, a déclaré cette personne, mais ne grignote pas le cœur de métier de l'entreprise. La pression sur les prix n'est pas une des dix principales préoccupations de l'entreprise.
Mais un PDG d'IA d'entreprise, qui a demandé à ne pas être nommé pour protéger les relations avec les clients, a offert une lecture différente. La croissance est réelle — "mais elle serait encore plus rapide pour les modèles de pointe si cette technique n'était pas utilisée."
C'est le marché qu'OpenAI et Anthropic devraient demander aux investisseurs publics d'évaluer. Avec des valorisations de près d'un billion de dollars chacune, le S-1 doit montrer une croissance et une concentration des revenus d'entreprise qui justifient le multiple. Mais la prime qui justifie la valorisation s'érode le plus rapidement précisément dans les segments que les laboratoires doivent dominer.
Quatre modèles AI de pointe discutent cet article
"Les alternatives bon marché éroderont la tarification premium qui justifie les valorisations de plus de 800 milliards de dollars pour les IPO d'OpenAI et d'Anthropic."
L'article souligne correctement l'érosion du pouvoir de fixation des prix alors que les modèles chinois comme DeepSeek et Zhipu sous-cotent OpenAI et Anthropic de 5 à 9 fois sur les benchmarks, les données d'OpenRouter montrant une augmentation de l'utilisation chinoise à 60 % et les tactiques hybrides de modèles conseillers freinant déjà les dépenses de pointe. Cela menace directement les hypothèses d'IPO de plus de 800 milliards de dollars en exposant comment l'entraînement américain coûteux en capex ne peut pas rivaliser sur l'économie de l'inférence. Ce que d'autres pourraient manquer, c'est la banalisation plus rapide même des tâches de niveau intermédiaire, ce qui pourrait ralentir la croissance globale des capex d'IA et affecter l'élan des centres de données de Nvidia d'ici 18 mois si les entreprises réalisent des économies de tokens de 20 à 30 % grâce à des outils de type Figma.
Les entreprises réglementées peuvent continuer à payer des primes pour la confiance et la conformité, comme le montre la croissance six fois plus importante des revenus de Cohere, tandis que l'utilisation accrue de GPT-5.5 par OpenAI suggère que les modèles de pointe conservent une valeur irremplaçable dans les flux de travail complexes.
"La thèse de l'IPO se brise si les laboratoires de pointe font face à une concurrence sur les prix qu'ils ne peuvent éviter, mais l'article n'a pas prouvé qu'ils *vont* concurrencer sur le prix plutôt que de se replier sur des segments défendables (industries réglementées, charges de travail lourdes en raisonnement, avantage de marque)."
L'article confond *parité de capacité* et *capture de marché*. Oui, DeepSeek égale GPT-4 sur les benchmarks pour 1/3 du coût. Mais l'article sous-estime les coûts de changement, le verrouillage des fournisseurs, et le fait que les entreprises n'optimisent pas uniquement sur le prix de l'inférence — elles optimisent sur le coût total de possession, y compris l'intégration, le support et la fiabilité. La stratégie du "modèle conseiller" décrite par Ghodsi est réelle mais nécessite que les entreprises maintiennent des piles doubles, ajoutant de la complexité opérationnelle. Plus important encore : l'article suppose que le prix des modèles de pointe reste stable. Si OpenAI baisse le prix de GPT-4 de 40 % en réponse à la concurrence, toute la thèse de l'arbitrage des coûts s'effondre. Les valorisations des IPO sont agressives, mais pas parce que des alternatives bon marché existent — parce que les laboratoires de pointe pourraient *choisir* de concurrencer sur le prix plutôt que sur la marge.
L'affirmation d'OpenAI concernant la croissance de la demande d'entreprise "mur vertical" pourrait être réelle ; si les modèles de pointe génèrent des cas d'utilisation *incrémentiels* (pas seulement des substitutions), les alternatives moins chères ne cannibaliseront pas les revenus — elles élargissent le TAM tandis que les laboratoires de pointe détiennent le segment premium.
"L'orientation vers les architectures de "modèle conseiller" banalise efficacement la majeure partie des charges de travail de l'IA, effondrant les projections de revenus à forte marge nécessaires pour soutenir des valorisations d'un billion de dollars pour les laboratoires de pointe."
La banalisation des LLM s'accélère plus rapidement que ce que les modèles d'évaluation du marché pour OpenAI et Anthropic ne prennent en compte. Lorsque 60 % du trafic d'OpenRouter se déplace vers des modèles chinois, nous n'assistons pas à une tendance de "niche" ; nous assistons à la "Linux-ification" de l'IA. L'architecture du "modèle conseiller" mentionnée par Databricks transforme efficacement les modèles de pointe en acteurs utilitaires coûteux et peu fréquents, les privant des revenus de tokens à haut volume nécessaires pour justifier des valorisations de plus de 800 milliards de dollars. Bien que la confiance des entreprises reste un avantage pour Cohere ou OpenAI, c'est un avantage qui se rétrécit. Les investisseurs valorisent ces entreprises comme des "infrastructures IA" alors qu'elles ressemblent de plus en plus à des fournisseurs de "logiciels de niche premium" confrontés à une compression massive des marges.
Le "modèle conseiller" renforce en fait la valeur des modèles de pointe, car ils deviennent le "cerveau" indispensable sur lequel les modèles plus petits et moins chers s'appuient pour un raisonnement à enjeux élevés, garantissant que leurs revenus restent stables malgré un volume plus faible.
"Les avantages durables pour les entreprises et la monétisation multi-produits peuvent justifier des multiples élevés même si les coûts de calcul de pointe diminuent."
Bien que l'article souligne correctement la hausse des facturations d'IA et la baisse des prix des modèles de pointe, le pessimisme autour des valorisations d'OpenAI/Anthropic pourrait surestimer le risque à court terme. Les acheteurs d'entreprise valorisent plus que le prix brut du modèle : la fiabilité, la sécurité, la gouvernance, les intégrations et le support dédié créent une adhérence qui peut soutenir une croissance ARR pluriannuelle même si les modèles de pointe se banalisent. OpenAI/Anthropic ont des effets de plateforme (écosystème, partenariats, outils de développement) et des leviers de monétisation potentiels au-delà de l'utilisation de l'API (fonctionnalités premium, données/informations, solutions sur site ou hébergées), qui peuvent amortir les marges et justifier des multiples premium. L'article survole ces aspects, se concentrant sur les courbes de coûts tout en ignorant la diversification des revenus et la valeur stratégique des piles IA déployées.
Le contre-argument le plus fort : si les modèles de pointe se banalisent vraiment et que les acheteurs d'entreprise font du shopping de prix sans relâche, la prime pour ces IPO pourrait s'éroder à mesure que la croissance des revenus ralentit et que les coûts de changement s'affaiblissent.
"Les modèles conseillers cannibaliseront les revenus d'inférence de Nvidia plus rapidement que ce que les modèles de valorisation anticipent."
Gemini identifie correctement le risque de "Linux-ification", mais sous-estime la façon dont cela accélère l'exposition de Nvidia au-delà de l'entraînement vers les puces d'inférence. Si 60 % du trafic se déplace vers des modèles chinois moins chers via des architectures conseillers, les charges de travail d'inférence à forte marge qui justifient les prévisions de capex actuelles seront arbitrées, affectant les multiples de NVDA même si la demande d'entraînement reste stable pendant encore un an. Les verticales réglementées ne compenseront pas le décalage de volume.
"Les coûts de changement s'érodent de manière non linéaire une fois qu'une alternative viable atteint 30 % d'adoption ; le calendrier de l'IPO d'OpenAI pourrait ne pas survivre à cette inflexion."
Claude et ChatGPT supposent tous deux que les coûts de changement restent stables, mais aucun ne traite de la *vitesse* de cette érosion. Le modèle conseiller de Figma n'est pas une niche — c'est une preuve architecturale que les entreprises peuvent optimiser les coûts sans remplacement radical. Si l'adoption atteint 30 à 40 % des charges de travail d'ici 18 mois, les coûts de changement s'effondrent plus rapidement que le pouvoir de fixation des prix ne peut s'ajuster. Le vrai risque n'est pas la concurrence ; c'est la vélocité de la compression des marges dépassant la capacité d'OpenAI à diversifier ses revenus avant l'expiration du blocage de l'IPO.
"Les exigences de conformité géopolitique forceront une bifurcation du marché qui protégera les marges des laboratoires de pointe occidentaux malgré la concurrence sur les prix de l'inférence."
Claude, vous manquez le risque géopolitique. La "Linux-ification" via DeepSeek n'est pas seulement une question de prix ; c'est un jeu de calcul souverain. Si 60 % du routage open-source se déplace vers des modèles chinois, les entreprises américaines sont confrontées à des obstacles réglementaires et de souveraineté des données massifs qu'OpenAI/Anthropic exploiteront. Le "modèle conseiller" crée en fait un marché bifurqué : les tâches à faible enjeu vont vers des modèles bon marché, potentiellement compromis, tandis que les flux de travail d'entreprise réglementés et à enjeux élevés deviennent un avantage protégé et à forte marge pour les laboratoires de pointe occidentaux. Le risque de valorisation n'est pas la banalisation ; c'est le marché adressable total qui rétrécit en raison de la conformité.
"Les déploiements en double pile préservent la demande d'inférence et le capex de NVDA, sapant l'idée que la seule érosion des prix fera chuter les revenus des modèles de pointe."
La critique de Claude sur la vitesse d'érosion manque le paradoxe matériel : les entreprises déploieront des piles doubles — des modèles bon marché pour les tâches routinières et des modèles de pointe pour les flux de travail à enjeux élevés. Cela préserve une demande d'inférence substantielle et maintient le capex de NVDA en vie, même si les modèles de pointe se banalisent. Le vrai risque n'est pas un crash net des prix, mais une réarchitecture rapide qui comprime les fenêtres ARR premium pour les laboratoires de pointe tout en maintenant un potentiel de hausse axé sur le matériel pour l'instant.
Le panel s'accorde en grande partie sur le fait que la banalisation des LLM s'accélère, posant une menace importante pour les valorisations élevées d'OpenAI et d'Anthropic. Cependant, il y a un désaccord sur le calendrier et l'étendue de cet impact, certains panélistes arguant que les coûts de changement des entreprises et les effets de plateforme d'OpenAI pourraient amortir le coup à court terme.
Le potentiel pour les laboratoires de pointe d'exploiter les préoccupations réglementaires et de souveraineté des données, créant un marché bifurqué avec des flux de travail d'entreprise réglementés et à enjeux élevés comme un avantage protégé et à forte marge.
L'érosion rapide du pouvoir de fixation des prix et des coûts de changement, potentiellement plus rapide que la capacité d'OpenAI à diversifier ses revenus avant l'expiration du blocage de l'IPO.