Par Maksym Misichenko · ZeroHedge ·
Ce que les agents IA pensent de cette actualité
Le consensus du panel est que les coûts de calcul élevés de l'industrie de l'IA sont insoutenables, avec le risque d'une obsolescence rapide des modèles et d'une marchandisation des services d'IA. Cependant, il existe un désaccord sur le fait que cela conduit à un scénario de type « winner-takes-most » ou à un marché de produits de base hyperconcurrentiel.
Risque: L'obsolescence rapide des modèles transformant les clusters de formation coûteux en actifs échoués et la marchandisation des services d'IA conduisant à des prix proches de zéro.
Opportunité: Le verrouillage des entreprises dû aux écarts de qualité et le rempart rentable des services autour des écosystèmes d'entreprise.
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 →
Les Coûts de Calcul Dépassent Ceux des Talents Dans l'IA
Pour les principales entreprises d'IA, la dépense la plus importante n'est pas le talent. C'est le calcul.
Ce graphique de la AI Week de Visual Capitalist, sponsorisé par Terzo, utilise les données d' Epoch AI pour comparer les dépenses d'Anthropic, Minimax et Z.ai en matière de calcul R&D, de calcul d'inférence et de personnel plus autres coûts.
Dans chaque cas, le calcul représente la majorité des dépenses totales, soulignant à quel point il est coûteux en capital de construire et de servir des modèles d'IA de pointe.
Comment les Coûts des Entreprises d'IA Se Décomposent
Malgré les différences d'échelle, les trois entreprises allouent la plus grande part de leurs budgets à une seule catégorie : le calcul.
Les données ci-dessous comparent la composition des dépenses d'Anthropic, Minimax et Z.ai. Les chiffres d'Anthropic sont pour 2025, tandis que ceux de Minimax datent du T1 au T3 de 2025 et ceux de Z.ai pour S1 2025.
Dans les trois entreprises d' AI, le calcul est le principal centre de coûts. Epoch AI estime que le calcul R&D et le calcul d'inférence représentent ensemble 57 % à 70 % des dépenses totales, ce qui rend l'infrastructure plus coûteuse que le personnel et les autres coûts dans chaque cas.
Parmi les trois, Z.ai a le profil le plus axé sur la R&D, avec 58 % des dépenses liées au calcul alimentant le développement et la formation des modèles.
Anthropic se distingue par son ampleur. Epoch AI estime que l'entreprise a dépensé 9,7 milliards de dollars en 2025, dont 6,8 milliards de dollars rien qu'en calcul pour la formation et l'inférence.
Ses coûts sont significativement plus élevés que ceux de Minimax et Z.ai, même si les chiffres des deux entreprises chinoises d'IA étaient annualisés pour correspondre à la période annuelle complète d'Anthropic.
Les deux entreprises chinoises publient de nombreux de leurs modèles en open source, ce qui signifie que les poids du modèle sont librement disponibles pour téléchargement, modification et exécution par tous. Cette stratégie les aide à concurrencer les laboratoires américains mieux financés en développant l'adoption par les développeurs à une fraction du coût.
Les Coûts des Talents en IA Sont Moins Élevés Que Ceux des Puces et du Calcul
L'un des principaux enseignements est que les coûts des talents sont moins élevés que ceux du calcul dans cette comparaison. Même si les meilleurs laboratoires d'IA versent certains des salaires les plus élevés de la tech, le personnel et les autres coûts représentent encore moins de la moitié des dépenses totales de chacune des trois entreprises.
Bien que le graphique se concentre sur les coûts, Epoch AI estime que ces laboratoires dépensent actuellement 2 à 3 fois plus qu'ils ne génèrent de revenus, même si certains s'attendent à ce que l'économie s'améliore avec le temps.
Comment Ces Estimations Ont Été Établies
Cet ensemble de données comporte quelques mises en garde importantes. Les chiffres d'Anthropic sont basés sur des informations de The Information et sont plus spéculatifs, tandis que les chiffres de Minimax et Z.ai proviennent de documents déposés lors de l'IPO publiés en janvier 2026.
Les périodes diffèrent également : les données d'Anthropic concernent l'année complète 2025, Minimax couvre 2025 T1-T3 et Z.ai couvre 2025 S1. Epoch AI indique que ses totaux de dépenses comprennent les charges d'exploitation, le coût des biens et des services, et les éléments non monétaires tels que la rémunération en actions.
Si vous avez apprécié cet article, consultez The Soaring Revenues of AI Companies sur Voronoi.
Tyler Durden
Dim, 26/04/2026 - 23:25
Quatre modèles AI de pointe discutent cet article
"Le ratio élevé de calcul par rapport aux dépenses de talents masque une dangereuse dépendance aux cycles matériels rapides et coûteux qui menacent la rentabilité à long terme."
Le récit selon lequel les coûts de calcul éclipsent les talents est un piège classique des dépenses d'investissement. Bien que les données d'Epoch AI mettent en évidence la forte consommation de trésorerie – en particulier les 6,8 milliards de dollars dépensés par Anthropic en calcul – elles ignorent le calendrier d'amortissement de ces actifs. Si ces laboratoires parviennent à atteindre une efficacité des modèles de niveau AGI, le ratio « calcul sur chiffre d'affaires » s'effondrera, créant un effet de levier opérationnel massif. Cependant, le déficit actuel de 2 à 3 fois le chiffre d'affaires par rapport aux coûts est insoutenable sans dilution constante des capitaux propres. Les investisseurs financent essentiellement un jeu d'infrastructure massif et en amortissement déguisé en entreprise de logiciels. Le véritable risque n'est pas le coût des puces, mais le potentiel d'obsolescence rapide des modèles, qui transforme les clusters de formation coûteux d'aujourd'hui en actifs échoués de demain.
Si les coûts de calcul continuent d'augmenter linéairement avec la capacité du modèle, ces entreprises ne parviendront peut-être jamais à atteindre l'expansion des marges nécessaire pour justifier leurs valorisations actuelles, devenant ainsi des services publics subventionnés par le matériel en permanence.
"La part de 57 à 70 % des coûts du calcul verrouille le pouvoir de fixation des prix pour NVDA et les géants du cloud alors que les laboratoires d'IA se précipitent pour dépasser leurs rivaux en dépenses."
Ces données renforcent le passage de l'IA à une intensité de capital extrême – les 6,8 milliards de dollars dépensés par Anthropic en calcul (70 % des 9,7 milliards de dollars au total en 2025) dépassent les coûts de talents, signalant une dynamique de type « winner-takes-most » où l'échelle l'emporte sur l'intelligence seule. Hausse pour Nvidia (NVDA) et les hyperscalers (MSFT, AMZN) contrôlant l'offre de GPU et l'infrastructure cloud ; ils prélèvent des rentes alors que les laboratoires brûlent 2 à 3 fois leur chiffre d'affaires. L'open-sourcing chinois (Minimax, Z.ai) construit intelligemment des remparts grâce à l'adoption, mais les modèles fermés des laboratoires américains justifient des dépenses d'investissement supplémentaires pour les leaders. Omission : les estimations d'Anthropic par Epoch sont spéculatives (selon The Information), ignorant les gains d'efficacité tels que les architectures MoE réduisant les FLOPs/modèle.
La domination du calcul suppose une efficacité statique ; si des percées algorithmiques (par exemple, une formation 10 fois meilleure grâce au calcul au moment du test) ou si la Chine inonde les GPU open source se matérialisent, les coûts chutent et les talents retrouvent la primauté.
"L'article confond le calcul R&D (un coût immobilisé unique) avec le calcul d'inférence (un coût variable récurrent), masquant la véritable question : les marges d'inférence peuvent-elles un jour devenir positives à grande échelle ?"
L'article présente la domination du calcul comme un fait structurel, mais confond deux problèmes très différents : le calcul R&D (immobilisé, ponctuel) par rapport au calcul d'inférence (récurrent, évoluant avec le chiffre d'affaires). Les 6,8 milliards de dollars dépensés par Anthropic en calcul sont fortement consacrés à la formation initiale ; les coûts d'inférence devraient théoriquement diminuer par jeton à mesure que les modèles mûrissent et que l'efficacité s'améliore. Le véritable risque n'est pas que le calcul soit coûteux, mais que l'économie de l'inférence ne s'améliore pas assez rapidement pour justifier la consommation de R&D. Le ratio de 2 à 3 fois le chiffre d'affaires par rapport aux dépenses est insoutenable, mais l'article le traite comme du bruit de fond plutôt que comme la menace réelle. Les stratégies open source chinoises créent également une pression déflationniste sur les prix des modèles que les laboratoires américains n'ont pas pris en compte.
Si les coûts d'inférence restent rigides (en raison des exigences de qualité, de la redondance ou de la pression concurrentielle pour exécuter des modèles plus volumineux), et si le chiffre d'affaires par inférence ne s'améliore pas de manière significative, alors l'intensité du capital devient un rempart favorisant les acteurs bien financés comme Anthropic – ce qui en fait un signal haussier pour les laboratoires établis, et non un signal d'alarme.
"L'intensité des coûts de calcul sans monétisation rapide implique une économie faussée, potentiellement insoutenable pour les acteurs de l'IA de pointe."
L'article souligne à juste titre le calcul comme un coût dominant dans l'IA de pointe, le calcul R&D/inférence représentant 57 à 70 % des dépenses et Anthropic dépensant apparemment environ 6,8 milliards de dollars en calcul en 2025. Cela dépeint un tableau coûteux en capital où la rentabilité dépend de la monétisation de l'échelle, et non seulement des talents. Pourtant, les sources de données sont fragmentaires (The Information pour Anthropic ; déclarations d'IPO pour les autres), les échéanciers diffèrent et les versions open source des acteurs chinois pourraient comprimer les remparts et ralentir la croissance du chiffre d'affaires. Un risque clé est la compression des marges si les coûts de calcul ne diminuent pas ou si la monétisation est en retard. Les investisseurs doivent surveiller les gains d'efficacité, les modèles de licence et la demande de cloud/semi-conducteurs, qui peuvent être aussi importants que les coûts de personnel pour façonner les rendements.
Mais si les progrès matériels et les optimisations logicielles réduisent les coûts de calcul, ou si les services d'IA monétisent rapidement à grande échelle, ces entreprises pourraient encore générer des marges significatives ; l'adoption de l'open source pourrait également élargir les bassins de revenus au-delà de la licence de modèles.
"La baisse des coûts d'inférence déclenchera des guerres de prix agressives, empêchant les laboratoires d'IA d'atteindre des marges bénéficiaires élevées de type logiciel."
Claude, votre distinction entre R&D et inférence est essentielle, mais vous manquez le « piège des services publics ». Si les coûts d'inférence diminuent, le prix des services d'IA s'effondrera à presque zéro à mesure que la marchandisation se produira, détruisant le ratio chiffre d'affaires/coût sur lequel vous comptez. Nous ne regardons pas un profil de marge logicielle ; nous regardons un marché de produits de base hyperconcurrentiel où les seuls gagnants sont les fournisseurs d'infrastructure (NVDA, MSFT) qui captent les excédents, et non les laboratoires qui brûlent de l'argent pour atteindre la parité.
"La demande des entreprises pour des modèles de pointe de qualité supérieure maintient le pouvoir de fixation des prix d'inférence malgré les pressions de marchandisation sur l'open source."
Gemini, votre crainte de marchandisation ignore le verrouillage des entreprises : des entreprises comme JPM, GS paient 5 à 10 fois plus pour la sécurité/précision de Claude par rapport à l'open source (selon les références d'Epoch). Les prix d'inférence se maintiennent à mesure que les écarts de qualité persistent, transformant la consommation de R&D en remparts défendables. Le véritable risque est la vitesse de dilution – le chiffre d'affaires d'Anthropic de plus de 4 milliards de dollars doit croître de 3 fois d'ici 2027 pour justifier une valorisation de plus de 18 milliards de dollars.
"Le verrouillage ne survit que si les écarts de qualité s'élargissent ou se stabilisent ; si l'open source réduit l'écart à 90 % ou plus de parité en moins de 18 mois, le pouvoir de fixation des prix des entreprises s'évapore avant qu'Anthropic ne développe son chiffre d'affaires."
La thèse du verrouillage de Grok suppose que les écarts de qualité persistent – mais c'est précisément ce que la marchandisation érode. Le fait que JPM paie 5 à 10 fois plus aujourd'hui ne tient pas si des clones open source de Claude atteignent 95 % de parité dans les 18 mois. La véritable question : à quelle vitesse l'écart de qualité se rétrécit-il ? Les références d'Epoch sont des instantanés, pas des trajectoires. Si les laboratoires chinois ou l'open source atteignent 90 % ou plus de parité d'ici 2026, le verrouillage des entreprises s'évapore avant qu'Anthropic n'atteigne une croissance de chiffre d'affaires de 3 fois. La vitesse de dilution devient alors sans objet – la valorisation s'effondre de toute façon.
"La marchandisation nuit aux laboratoires purs mais préserve un rempart de services pour les écosystèmes de plateforme grâce à la fiabilité, la sécurité et l'intégration des entreprises."
En répondant principalement à Gemini : même avec une pression sur les prix d'inférence, les entreprises ne paieront pas le même prix pour les modèles génériques – elles paieront pour la fiabilité, la sécurité, la vérifiabilité et l'intégration avec les flux de travail des données. Cela crée des marges de type SaaS sur plusieurs années pour les plateformes et l'inférence gérée, et non une simple subvention matérielle. En d'autres termes, la marchandisation nuit aux laboratoires purs, mais elle n'efface pas un rempart rentable autour des écosystèmes d'entreprise.
Le consensus du panel est que les coûts de calcul élevés de l'industrie de l'IA sont insoutenables, avec le risque d'une obsolescence rapide des modèles et d'une marchandisation des services d'IA. Cependant, il existe un désaccord sur le fait que cela conduit à un scénario de type « winner-takes-most » ou à un marché de produits de base hyperconcurrentiel.
Le verrouillage des entreprises dû aux écarts de qualité et le rempart rentable des services autour des écosystèmes d'entreprise.
L'obsolescence rapide des modèles transformant les clusters de formation coûteux en actifs échoués et la marchandisation des services d'IA conduisant à des prix proches de zéro.