20 milliards de dollars, 6 août, puces rares et pertes chez OpenAI et Anthropic, ce que l’IA générative cache encore

L’économie de l’intelligence artificielle générative entre dans une phase de clarification. Dans une analyse publiée le 6 août par Alternatives économiques, Thomas Renault décrit un secteur porté par une adoption rapide, mais fragilisé par des coûts industriels très élevés. Les revenus progressent à grande vitesse, les usages professionnels se diffusent, les entreprises paient des abonnements, mais la production des modèles dépend toujours d’infrastructures rares, de puces spécialisées et de capitaux massifs. Cette tension place quelques acteurs américains au centre du jeu mondial.

OpenAI et Anthropic creusent leurs pertes malgré les abonnements

Les chiffres cités par Alternatives économiques donnent la mesure du paradoxe. OpenAI aurait annoncé environ 20 milliards de dollars de chiffre d’affaires en 2025, tandis qu’Anthropic atteindrait près de 10 milliards. Pour des entreprises encore jeunes, ces niveaux de revenus placent l’IA générative dans la catégorie des marchés numériques les plus rapides de l’histoire récente. Peu de services grand public et professionnels ont atteint une telle échelle commerciale en quelques années.

Cette croissance ne suffit pourtant pas à équilibrer les comptes. Les pertes annuelles restent évaluées en dizaines de milliards de dollars pour les principaux acteurs. La raison tient à la nature matérielle de l’activité. Entraîner, faire fonctionner et améliorer un grand modèle de langage exige des centres de données, des processeurs graphiques, de l’électricité, des ingénieurs très qualifiés et des contrats d’hébergement sur plusieurs années. Le coût marginal d’une requête n’est pas nul, contrairement à l’image parfois associée aux logiciels classiques.

Le modèle économique repose sur plusieurs canaux. Les abonnements individuels apportent des recettes récurrentes, les licences professionnelles ouvrent l’accès aux grandes entreprises, les API permettent de facturer l’usage par volume et les partenariats avec les géants du cloud garantissent une diffusion rapide. Mais chaque nouveau client intensif peut aussi accroître la charge de calcul. La rentabilité dépend donc d’un équilibre délicat entre hausse des prix, optimisation technique et maîtrise des dépenses d’infrastructure.

Cette situation rappelle les premières années du cloud, mais avec une intensité capitalistique plus forte. Les plateformes doivent financer leur avance avant même de savoir quels usages deviendront durablement rentables. Les investisseurs acceptent encore ce décalage, car ils anticipent un marché central pour les entreprises, la recherche, l’éducation et les administrations. Leur patience dépendra de la capacité des modèles à générer des gains mesurables, pas seulement des économies promises dans les présentations commerciales.

La mémoire des modèles verrouille les usages professionnels

L’analyse de Thomas Renault insiste sur un mécanisme souvent sous-estimé: la fidélisation par la personnalisation. Quand un assistant d’IA générative conserve les préférences d’un utilisateur, son contexte métier, ses documents de référence et son style de communication, il devient progressivement plus difficile à remplacer. Un concurrent peut être moins cher ou plus performant sur certains tests, il repart pourtant de zéro si l’historique n’est pas transférable.

Ce phénomène crée une forme de verrouillage économique. Dans une entreprise, un modèle utilisé pendant plusieurs mois peut apprendre les formats de comptes rendus, les contraintes juridiques internes, les habitudes de réunion ou les bases documentaires. Les salariés gagnent du temps parce que l’outil connaît déjà le contexte. Changer de fournisseur implique alors une migration technique, une adaptation des équipes et parfois une perte de productivité temporaire. Le prix de l’abonnement ne résume plus le coût réel de la décision.

Les grands éditeurs l’ont compris. Microsoft, Google, OpenAI et Anthropic cherchent à intégrer leurs assistants au plus près des usages quotidiens: messagerie, tableurs, outils de visioconférence, environnements de développement, logiciels de relation client. L’enjeu n’est pas seulement de répondre à une question, mais d’occuper la position d’interface permanente entre l’utilisateur et son système d’information.

Cette intégration soulève des questions de concurrence. Un service qui mémorise les préférences peut améliorer la qualité de réponse, mais il accumule aussi des données stratégiques sur les pratiques professionnelles. Les régulateurs devront examiner la portabilité de ces informations, la transparence des paramètres conservés et les conditions de sortie d’un contrat. Pour les entreprises clientes, le sujet devient opérationnel: l’IA n’est plus un simple outil expérimental, elle entre dans les procédures internes, les archives et les décisions de gestion.

Les puces Nvidia concentrent la valeur stratégique de l’IA

Derrière les interfaces conversationnelles se trouve une infrastructure très concentrée. Les modèles les plus puissants exigent des puces spécialisées, principalement des processeurs graphiques produits par Nvidia. Cette position donne au fabricant américain un rôle central dans l’économie de l’intelligence artificielle. Les laboratoires qui veulent entraîner de nouveaux modèles doivent sécuriser des milliers de puces, souvent plusieurs mois à l’avance, avec des budgets qui se chiffrent en milliards.

La rareté du calcul modifie la hiérarchie du secteur. Les entreprises qui disposent d’accords privilégiés avec des fournisseurs de cloud ou de capacités internes peuvent expérimenter plus vite, tester davantage d’architectures et corriger leurs modèles à plus grande échelle. Les autres doivent louer du temps de calcul, limiter leurs essais ou se concentrer sur des modèles spécialisés. Le talent scientifique compte toujours, mais il ne suffit plus sans accès industriel à la puissance de traitement.

Cette dépendance renforce les grands groupes américains du cloud. Microsoft Azure, Amazon Web Services et Google Cloud offrent les infrastructures nécessaires aux start-up et aux grandes entreprises clientes. Ils captent une partie importante de la valeur, même lorsque l’application finale porte le nom d’un autre acteur. L’IA générative devient donc un marché à plusieurs étages: modèles, plateformes, puces, énergie, données et services d’intégration.

La facture énergétique ajoute une contrainte supplémentaire. Les centres de données doivent être alimentés, refroidis et raccordés à des réseaux capables d’absorber des pics de demande. Le débat ne porte plus seulement sur les performances techniques, mais sur l’empreinte matérielle d’un secteur souvent présenté comme immatériel. Les arbitrages entre localisation des serveurs, sources d’électricité et sobriété des usages pèseront dans les stratégies publiques. Une requête automatisée à grande échelle mobilise une chaîne industrielle complète, depuis les semi-conducteurs jusqu’aux contrats d’énergie.

Mistral et l’Europe cherchent des capitaux industriels

La domination américaine reste nette. Selon les éléments repris dans plusieurs analyses économiques, depuis 2017, une large majorité des modèles d’IA générative a été développée aux États-Unis, loin devant la Chine et l’Europe. Le rapport Draghi a déjà signalé la faiblesse du financement européen pour faire émerger des concurrents de taille mondiale. Des sociétés comme Mistral en France ou Aleph Alpha en Allemagne existent, mais leur changement d’échelle exige des capitaux rarement disponibles sur le continent.

Le problème n’est pas seulement financier. L’Europe dispose de chercheurs, d’ingénieurs et de grands clients industriels, mais elle dépend largement de fournisseurs étrangers pour les puces, le cloud et certains outils de développement. Cette dépendance complique la construction d’une souveraineté numérique complète. Les appels à un modèle européen de l’IA devront être accompagnés d’achats publics, de contrats privés, d’infrastructures partagées et d’une politique de calcul capable de rivaliser avec les offres américaines.

Les entreprises européennes cherchent souvent des solutions plus spécialisées. Plutôt que d’affronter directement les modèles généralistes des géants américains, elles ciblent la traduction, la conformité réglementaire, la santé, l’industrie ou les services financiers. Cette approche peut produire des revenus plus rapides, car les clients paient pour des usages identifiés. Elle limite aussi les dépenses d’entraînement, à condition de disposer de données de qualité et d’un cadre juridique clair.

Le numéro de L’économie politique consacré à l’IA, en partenariat avec l’Institut Veblen et Alternatives économiques, élargit ce débat à l’emploi, à la fiscalité, à la santé et à l’énergie. La question centrale n’est plus de savoir si l’IA générative sera utilisée, mais qui contrôlera ses infrastructures, ses règles d’accès et ses bénéfices. Les prochains arbitrages porteront sur la répartition de la valeur entre laboratoires, fournisseurs de calcul, entreprises clientes et salariés confrontés à l’automatisation de tâches qualifiées.