Le revenu récurrent annualisé des modèles d’IA chinois pourrait atteindre 13 milliards de dollars d’ici la fin de l’année, mais l’épreuve des revenus ne fait que commencer

Goldman Sachs a fait son entrée dans Google News avec une prévision marquante : le rythme annuel des revenus des modèles d’IA chinois pourrait atteindre 13 milliards de dollars d’ici la fin de l’année. Cette estimation laisse entendre que les fournisseurs chinois vont au-delà des victoires aux benchmarks et de l’adoption de chatbots gratuits. Mais ce titre soulève aussi une question plus difficile. Une utilisation en forte expansion peut-elle devenir une source de revenus durable alors que les prix des tokens continuent de baisser ?

Ce chiffre intervient alors que la demande pour les modèles chinois augmente chez les développeurs, les entreprises et les utilisateurs à l’étranger. DeepSeek a changé la perception de leur efficacité au début de 2025. Alibaba, Moonshot AI, Z.ai et d’autres fournisseurs ont depuis lancé de nouveaux modèles, applications et services cloud sur un marché de plus en plus encombré.

Le principal affrontement n’oppose plus simplement la Chine aux États-Unis. Il porte sur la croissance des revenus face à une forte compression des prix. Les fournisseurs chinois ont besoin de coûts plus bas pour gagner en adoption, mais cette même logique économique peut réduire les revenus générés par chaque requête.

Ce que révèle réellement le titre de Google News sur les 13 milliards de dollars

Cette prévision compte parce qu’elle présente l’IA chinoise comme un marché commercial, et non uniquement comme un défi technique pour les laboratoires américains.

Le titre de Google News attribue à Goldman Sachs l’estimation de 13 milliards de dollars à la fin de l’année. Toutefois, l’article syndiqué accessible ne dévoile ni le modèle sous-jacent, ni la répartition par entreprise, ni la période de calcul. Ce chiffre doit donc être considéré comme une prévision rapportée, et non comme un revenu sectoriel audité.

Le revenu récurrent annualisé, ou ARR, est une mesure de rythme fondée sur les ventes récurrentes actuelles. Il est utile pour estimer l’ampleur des abonnements et des services sous contrat. Il ne correspond pas aux revenus déjà comptabilisés au cours d’un exercice financier achevé.

Cette distinction devient importante lorsqu’un marché croît rapidement. Un fournisseur peut terminer décembre avec un rythme annualisé élevé après avoir accéléré durant le second semestre. Ses revenus réellement encaissés sur l’ensemble de l’année peuvent rester bien inférieurs.

La prévision semble également couvrir un marché plus vaste que les abonnements aux chatbots grand public. Goldman Sachs a auparavant identifié l’entraînement des modèles, le post-entraînement, l’inférence et les applications d’IA comme canaux de monétisation. Le post-entraînement adapte un modèle aux besoins d’un client, tandis que l’inférence correspond au calcul effectué lorsqu’un utilisateur soumet de nouvelles requêtes.

Une précédente analyse des revenus de l’IA de Goldman Sachs indiquait que les hyperscalers chinois commençaient à générer des ventes d’IA en forte croissance. Elle mettait en avant la génération vidéo, la retouche d’images et l’identification d’objets comme principales applications commerciales.

Cette analyse décrivait aussi un marché grand public difficile. Goldman indiquait que les principaux chatbots chinois étaient gratuits et comptaient alors un nombre négligeable d’utilisateurs payants. Le calcul d’entreprise et les applications spécialisées portaient donc une plus grande part de la charge de monétisation.

Le chiffre de 13 milliards de dollars pourrait inclure des revenus provenant de plusieurs couches de cette pile technologique. Les fournisseurs cloud vendent l’accès aux modèles via des interfaces de programmation d’applications, ou API. Les développeurs utilisent les API pour intégrer des capacités de modèles dans leurs propres logiciels. Les fournisseurs peuvent également vendre des déploiements dédiés, de la personnalisation de modèles, des abonnements et des services applicatifs.

Sans méthodologie publiée, l’addition de ces catégories crée des ambiguïtés potentielles. Un développeur de modèles peut percevoir des revenus d’API via un partenaire cloud. Ce partenaire peut déclarer cette activité comme revenu cloud lié à l’IA. Les compter tous deux surestimerait la valeur économique produite pour les clients finaux.

La conversion des devises ajoute une autre variable. Les fournisseurs gagnent l’essentiel de leurs revenus domestiques en renminbis, tandis que le titre présente une estimation en dollars. Les variations de change peuvent modifier le total communiqué même si l’activité sous-jacente reste inchangée.

Cette prévision reste utile comme signal directionnel. Elle indique que Goldman considère que la commercialisation progresse assez rapidement pour justifier une estimation du rythme à l’échelle du marché. Toutefois, les lecteurs ne doivent pas interpréter un seul chiffre de titre comme une mesure nette du bénéfice, de la génération de trésorerie ou des ventes annuelles réalisées.

Cette réserve pose l’épreuve centrale. Les fournisseurs chinois ont bâti une stratégie d’adoption autour de modèles bon marché. Ils doivent désormais démontrer qu’un usage massif peut compenser la baisse des revenus par token.

La baisse des coûts d’inférence a créé l’opportunité

L’opportunité de revenus de l’IA en Chine existe parce que la baisse des coûts d’inférence a rendu l’expérimentation abordable pour davantage de produits et d’organisations.

Goldman Sachs estimait en janvier 2025 que les coûts d’inférence en Chine avaient chuté de plus de 95 % au cours de l’année précédente. Son analyse des coûts soutenait qu’une exécution des modèles moins coûteuse encouragerait davantage d’applications d’IA générative.

L’inférence intervient après l’entraînement du modèle. Elle couvre le calcul utilisé pour répondre à un prompt, générer une image, écrire du code ou accomplir une autre tâche en direct. Chaque requête supplémentaire consomme de la capacité de calcul ; l’économie de l’inférence façonne donc à la fois les prix clients et les marges des fournisseurs.

Des coûts plus bas permettent aux développeurs de tester davantage de cas d’usage sans prendre d’engagements importants. Un détaillant peut résumer des conversations de support. Une entreprise de logiciels peut ajouter une assistance au code. Une équipe média peut générer des ébauches visuelles, tandis qu’un fabricant peut traiter des images d’inspection.

Les agents d’IA amplifient cet effet. Un agent réalise une tâche en plusieurs étapes en effectuant des appels répétés au modèle, en vérifiant les résultats et en sélectionnant les actions suivantes. Une seule requête utilisateur peut donc produire une consommation de tokens bien supérieure à celle d’une réponse de chatbot classique.

Ce mécanisme favorise les fournisseurs offrant des performances acceptables à faible coût. Un modèle n’a pas besoin de dominer tous les benchmarks s’il fonctionne de manière fiable dans un workflow défini. Les développeurs se préoccupent souvent davantage de la latence, de la cohérence, de l’effort d’intégration et du coût total d’exploitation.

Les laboratoires chinois ont adopté cette position. DeepSeek a attiré l’attention mondiale en présentant des modèles de raisonnement performants au design axé sur l’efficacité. La famille Qwen d’Alibaba a gagné une large visibilité auprès des développeurs grâce à des modèles téléchargeables et à l’accès cloud. Moonshot AI et Z.ai ont également rivalisé par des lancements fréquents et des offres à moindre coût.

De récentes données d’adoption confirment cette orientation générale. Associated Press a rapporté que les cinq modèles les plus utilisés sur OpenRouter au cours d’un mois récent étaient chinois. OpenRouter agrège l’accès à plusieurs modèles, ce qui fait de son activité un indicateur utile pour les développeurs, bien qu’elle ne représente pas l’ensemble du marché.

Le même rapport sur l’adoption indiquait que les modèles chinois attiraient des utilisateurs américains parce qu’ils étaient abordables et de plus en plus performants. Il citait des entreprises les évaluant pour le codage, la recherche, la découverte de prospects et d’autres tâches pratiques.

Cette demande dépasse la Chine. Goldman estimait auparavant que les hyperscalers chinois généraient 90 % à 95 % de leurs revenus sur le marché domestique. Il identifiait néanmoins l’Asie, le Moyen-Orient et l’Amérique latine comme marchés d’expansion pour de nouveaux centres de données et services.

La génération visuelle fournit déjà des éléments en faveur de cette opportunité à l’étranger. Goldman indiquait que les marchés étrangers apportaient davantage de revenus que la Chine pour certaines applications de vidéo et de retouche d’images. Ces produits peuvent servir des clients mondiaux sans exiger que chaque interaction porte un contexte commercial local étendu.

Les modèles ouverts réduisent aussi les frictions d’adoption. Les développeurs peuvent examiner le code disponible, déployer des modèles dans des environnements choisis et personnaliser leurs systèmes. Cette flexibilité séduit les entreprises préoccupées par leur dépendance à une seule API fermée.

Toutefois, les téléchargements et le volume de tokens ne se transforment pas automatiquement en ventes récurrentes. Un développeur peut utiliser des poids de modèle téléchargeables sans payer le laboratoire d’origine. Un fournisseur cloud ne génère des revenus que lorsque les clients utilisent son infrastructure hébergée ou achètent des services connexes.

Cela crée un défi de conversion. Les fournisseurs chinois doivent transformer la diffusion technique en inférence payante, déploiement géré, support entreprise ou applications propriétaires. La prévision de 13 milliards de dollars dépend de la capacité de ce pont à prendre une importance commerciale auprès de nombreux clients.

Les organisations qui évaluent ces services font également face à un problème d’information. Les annonces de modèles, les benchmarks, les examens de sécurité et les résultats de tests internes proviennent de sources différentes. Une base de connaissances sur l’IA consultable peut aider les équipes à conserver ces éléments avant d’engager un workflow auprès d’un fournisseur.

Le récit de l’adoption est donc réel, mais incomplet. La baisse des coûts d’inférence élargit le nombre de tâches économiquement viables. La question restante est de savoir si les fournisseurs peuvent conserver suffisamment de valeur après avoir rendu chaque tâche peu coûteuse.

Alibaba, DeepSeek et les fournisseurs d’IA chinois face à un paradoxe des revenus

L’arme d’adoption la plus puissante du marché, l’efficacité agressive, exerce aussi une pression directe sur la prévision de revenus.

Les fournisseurs chinois de modèles rivalisent pour attirer les développeurs grâce à des coûts d’utilisation plus bas, des lancements ouverts et une itération rapide. Ces tactiques peuvent élargir la demande totale. Elles peuvent aussi rendre plus difficile le maintien d’un pouvoir de fixation des prix pour n’importe quel fournisseur.

L’équation de base comporte trois éléments : le volume de requêtes, le revenu par requête et le coût de traitement de chaque requête. La baisse des prix n’aide les revenus que lorsque l’usage progresse plus vite que le montant gagné par unité ne diminue. Le bénéfice exige une étape supplémentaire : les coûts de traitement doivent baisser assez rapidement pour préserver une marge.

Les agents d’IA améliorent le côté volume de cette équation. Ils peuvent appeler les modèles à répétition en recherchant des documents, en écrivant du code ou en coordonnant des outils logiciels. Goldman Sachs a prévu une forte croissance des requêtes mondiales aux modèles à mesure que les systèmes agentiques se diffusent.

Pourtant, la concurrence sur les prix peut absorber cette croissance. Si un fournisseur baisse ses tarifs, ses rivaux doivent décider s’ils suivent. Les clients peuvent aussi répartir différentes tâches entre plusieurs modèles, en orientant les travaux simples vers l’option acceptable la moins coûteuse.

Les modèles ouverts intensifient cette pression. Une entreprise cloud peut héberger un modèle tiers plutôt que de payer son développeur pour chaque appel. Les grands clients peuvent exploiter des poids téléchargés sur leur propre infrastructure. Le laboratoire peut gagner en influence tout en captant peu de revenus directs.

Alibaba dispose d’avantages structurels dans cette compétition. L’entreprise contrôle une importante plateforme cloud, développe des modèles Qwen et propose des applications pour entreprises. Cette intégration lui donne plusieurs occasions de monétiser la même vague de demande.

L’entreprise s’est fixé comme objectif de dépasser 100 milliards de dollars de revenus combinés dans l’IA et le cloud sur cinq ans. Ses revenus cloud ont augmenté de 36 % au cours du trimestre d’octobre à décembre décrit dans un compte rendu de résultats de mars 2026. Toutefois, le bénéfice trimestriel global d’Alibaba a chuté de 67 % à mesure que les dépenses plus larges augmentaient.

Ces résultats illustrent le conflit principal du marché. La demande cloud et IA peut progresser tandis que l’investissement et la concurrence réduisent les bénéfices à court terme. La croissance des revenus seule ne montre pas si les fournisseurs obtiennent un rendement adéquat sur leurs infrastructures.

Alibaba a également promis au moins 380 milliards de yuans d’investissement sur trois ans dans les infrastructures de cloud et d’IA. La capacité permet davantage d’utilisation des modèles, mais elle accroît les revenus nécessaires pour justifier ces dépenses. L’entreprise doit trouver un équilibre entre disponibilité, qualité de service et discipline capitalistique.

DeepSeek suit une voie différente. Ses modèles ont contribué à faire de l’efficacité une priorité concurrentielle. Son influence dépasse les revenus directement attribués à l’entreprise, car d’autres plateformes peuvent déployer ses versions ou s’appuyer sur elles.

Cela rend DeepSeek important pour la thèse des 13 milliards de dollars sans en faire un bénéficiaire évident des revenus qui en résultent. Ses modèles peuvent stimuler la consommation de cloud chez des fournisseurs tiers. Le bénéfice économique peut revenir aux opérateurs d’infrastructure, aux développeurs d’applications et aux intégrateurs d’entreprise.

Z.ai illustre un autre aspect de ce compromis. Selon l’Associated Press, l’entreprise a fait état d’une hausse de 132 % de son chiffre d’affaires, à 724 millions de yuans pour son exercice précédent. Sa perte nette a augmenté de 60 %, à 4,7 milliards de yuans.

Ces chiffres montrent pourquoi l’ARR doit être replacé dans son contexte. Une croissance rapide des revenus récurrents peut coexister avec des pertes bien plus importantes lorsque la recherche, le calcul et l’acquisition de clients restent coûteux. Le rythme de revenus d’un fournisseur ne permet pas de déterminer si son activité peut financer le développement continu de modèles.

La récente hausse de la demande pour Moonshot AI offre une leçon similaire sur la capacité. L’Associated Press a rapporté que l’entreprise avait temporairement suspendu les nouveaux abonnements après que l’intérêt pour son modèle Kimi a mis à rude épreuve les ressources disponibles. Une forte demande valide l’intérêt pour le produit, mais le rationnement limite aussi la monétisation immédiate.

Les fournisseurs américains font face à leur propre version de ce problème. OpenAI, Anthropic et Google rivalisent par leurs capacités de pointe, leurs plateformes pour développeurs et leurs intégrations professionnelles. Ils disposent d’un meilleur accès aux puces avancées et à des infrastructures cloud matures, mais leurs engagements en matière d’entraînement et d’inférence sont considérables.

La frontière concurrentielle devient aussi moins géographique. Un développeur américain peut utiliser un modèle ouvert chinois via un service d’hébergement mondial. Une entreprise chinoise peut associer des modèles nationaux à ses données internes et à des logiciels spécialisés. Les clients comparent de plus en plus les charges de travail plutôt que les portefeuilles nationaux de modèles.

Cela affaiblit le récit simpliste d’une opposition Chine contre États-Unis. Les fournisseurs chinois mettent les laboratoires américains sous pression sur les coûts, mais ils exercent une pression encore plus forte les uns sur les autres. Chaque nouvelle version à bas coût peut redéfinir les attentes des clients sur le marché intérieur.

L’estimation de Goldman gagnera en crédibilité si les fournisseurs maintiennent leur croissance sans dépendre de subventions toujours plus importantes. Elle s’affaiblira si les parts de marché exigent des baisses de prix répétées qui dépassent la demande en tokens. La preuve décisive viendra de la qualité des revenus, et non des classements de benchmarks.

Ce que l’estimation de l’ARR ne montre pas

La plus grande incertitude concerne la mesure, car le marché chinois de l’IA ne dispose pas d’une définition cohérente et publiquement divulguée de l’ARR des modèles.

L’ARR fonctionne au mieux pour des contrats d’abonnement stables. Les services de modèles combinent souvent abonnements, utilisation d’API facturée à la consommation, contrats cloud, travaux d’implémentation et crédits promotionnels. Annualiser ces flux peut produire un chiffre qui paraît précis tout en reposant sur des hypothèses changeantes.

Les revenus fondés sur l’utilisation sont particulièrement volatils. Un développeur peut générer un trafic important lors du lancement d’un produit puis le réduire le mois suivant. Multiplier un bon mois par douze peut surestimer la demande durable.

Les contrats d’entreprise peuvent créer le problème inverse. Un accord de longue durée peut inclure une capacité de calcul réservée, du support, de la personnalisation de modèles et du stockage. Qualifier l’intégralité du contrat d’ARR de modèles peut brouiller l’identification du produit qui a généré les revenus.

Les revenus des applications soulèvent une autre question de périmètre. Un service vidéo d’IA dépend de modèles, mais les clients paient pour l’expérience applicative. Inclure l’intégralité de ses revenus d’abonnement donne l’impression d’un marché plus vaste que si l’on ne comptabilise que les composantes modèles et calcul.

La prévision annoncée de 13 milliards de dollars peut s’appuyer sur un cadre interne solide. Le titre public ne fournit simplement pas assez de détails pour l’évaluer. Aucune liste visible d’entreprises, définition de catégorie, hypothèse de devise ou réconciliation avec les états financiers publiés n’est disponible.

Cette limite n’invalide pas la prévision. La recherche actions combine souvent prévisions des entreprises, vérifications de terrain, demande de calcul et estimations d’analystes. Elle signifie toutefois que les lecteurs devraient éviter de considérer ce chiffre comme un total de marché audité de manière indépendante.

La rentabilité constitue une deuxième omission. Les fournisseurs doivent payer les puces, l’électricité, les réseaux, la capacité des centres de données, l’ingénierie et le support client. L’expansion à l’étranger ajoute des coûts de conformité, de localisation, de vente et d’infrastructure.

Goldman avait précédemment prévu que les principales entreprises chinoises d’internet investiraient plus de 70 milliards de dollars dans les centres de données et les capacités d’IA associées en 2026. Ses perspectives sur les infrastructures décrivaient le secteur comme étant dans une phase où l’on construit d’abord.

Ces dépenses pourraient créer une capacité suffisante pour les applications agentiques. Elles pourraient aussi dépasser la monétisation si l’adoption par les entreprises progresse plus lentement que prévu. Les centres de données ne peuvent pas facilement être réduits après des engagements à long terme en matière d’électricité, de terrains et d’équipements.

L’accès au matériel reste une autre contrainte. Les contrôles américains à l’exportation limitent l’accès de la Chine à certaines puces d’IA avancées. Les fournisseurs chinois augmentent leur utilisation d’accélérateurs nationaux, mais la compatibilité logicielle et la capacité de production influencent encore les décisions de déploiement.

Goldman a indiqué que les entreprises chinoises consacraient traditionnellement 50 % à 75 % de leurs dépenses d’investissement à des puces étrangères, l’équilibre se déplaçant vers les fournisseurs nationaux. Cette transition peut améliorer la résilience de l’approvisionnement. Elle peut aussi nécessiter des travaux d’ingénierie pour adapter modèles et applications aux différents systèmes matériels.

Le risque géopolitique complique la croissance à l’étranger. Les gouvernements peuvent imposer des examens de sécurité, des restrictions d’approvisionnement ou de nouveaux contrôles à l’exportation. Les entreprises peuvent aussi rejeter un modèle si elles ne peuvent pas établir où les prompts, les résultats et les données opérationnelles sont traités.

La qualité des modèles constitue un enjeu distinct. Les systèmes chinois sont devenus compétitifs dans le codage, la recherche et les tâches courantes d’assistance. Les évaluateurs indépendants constatent encore des performances inégales selon les capacités spécialisées, les langues, l’utilisation d’outils et les charges de raisonnement difficiles.

Un modèle suffisamment performant pour un flux de travail peut ne pas convenir à un autre. Les entreprises doivent tester sa fiabilité avec leurs propres documents et conditions d’échec. Les benchmarks publics ne peuvent pas pleinement représenter les processus métiers privés.

La sécurité et la gouvernance comptent autant que les performances aux benchmarks. Un modèle bon marché peut devenir coûteux s’il expose des données confidentielles, génère des actions peu fiables ou exige un contrôle humain étendu. Les acheteurs évalueront le système opérationnel complet, et pas seulement les tarifs par token.

Les exigences réglementaires en Chine façonnent également le comportement et le déploiement des modèles. Les fournisseurs doivent respecter les règles nationales régissant les services publics d’IA générative. Les clients étrangers peuvent appliquer des normes différentes en matière de confidentialité, de droit d’auteur, de transparence et de décisions automatisées.

Ces incertitudes créent une norme de preuve exigeante. Un chiffre d’ARR solide doit être confirmé par des revenus comptabilisés, la fidélisation des clients, les marges brutes et des charges de travail payantes reproductibles. Les nombres de téléchargements et les pics temporaires de trafic ne peuvent pas, à eux seuls, apporter cette preuve.

La prévision doit donc être lue comme une thèse en cours d’examen. Elle indique que le marché chinois des modèles à bas coût approche une échelle commerciale. Elle n’établit pas que chaque fournisseur a trouvé un modèle économique durable.

Trois signaux mettront à l’épreuve la prévision de Google News

Les trois prochains signaux montreront si la vague d’adoption de l’IA en Chine génère des revenus durables ou seulement des volumes plus élevés à des prix plus bas.

Le premier signal concerne les revenus d’IA comptabilisés par les principaux fournisseurs de cloud. Alibaba, Baidu et Tencent peuvent fournir au marché des preuves plus claires au travers de leurs publications de résultats. Les investisseurs ont besoin de chiffres cohérents séparant les services de modèles d’IA du cloud computing général et des applications sans rapport.

La croissance renforcerait la prévision si elle se poursuivait sur plusieurs périodes de publication. Un seul trimestre annualisé serait moins convaincant. Les meilleures preuves associeraient une hausse des revenus d’IA à une utilisation accrue par les clients et à une amélioration des marges cloud.

Alibaba mérite une attention particulière, car il combine le développement de Qwen avec la distribution cloud. Sa vaste plateforme peut capter la demande d’entraînement, d’inférence, de stockage et d’applications. Elle peut aussi masquer la couche de modèles lorsque ces services sont publiés ensemble.

Baidu offre un autre test utile par ses activités de modèles et de cloud. Tencent peut montrer si la consommation d’IA se propage dans la communication, le jeu, la publicité et les services aux entreprises. Une dynamique similaire chez les trois entreprises indiquerait un changement à l’échelle du marché plutôt qu’un choix comptable d’une seule société.

Le deuxième signal est la relation entre le volume de tokens et les prix unitaires. Les fournisseurs doivent publier suffisamment d’informations opérationnelles pour montrer si la croissance de l’utilisation dépasse les baisses de prix. Des marges brutes stables ou en amélioration rendraient le rythme de 13 milliards de dollars plus significatif sur le plan économique.

L’adoption d’agents pourrait produire ce résultat. Un agent d’entreprise peut effectuer des dizaines d’appels à des modèles au cours d’une seule mission. Si ces flux de travail entrent en production régulière, la consommation totale peut augmenter plus vite que les tarifs API affichés ne baissent.

Les promotions temporaires indiqueraient la direction opposée. Les crédits gratuits et l’accès subventionné peuvent stimuler l’activité mesurée sans créer de revenus durables. Les clients attirés uniquement par le tarif le plus bas peuvent changer à nouveau lorsqu’un concurrent réagit.

Les pénuries de capacité exigent également une interprétation prudente. Elles montrent que la demande a dépassé le service disponible à un moment donné. Elles ne révèlent pas combien les utilisateurs paieront une fois que de la capacité supplémentaire sera disponible et que l’intérêt initial se sera stabilisé.

Le troisième signal est la fidélisation à l’étranger après les examens de sécurité et de conformité. Les fournisseurs chinois attirent déjà des développeurs en dehors de leur marché intérieur. Des contrats internationaux durables élargiraient leur base de revenus et réduiraient leur dépendance à une concurrence intérieure intense.

La fidélisation compte davantage que les essais initiaux. Les développeurs évaluent régulièrement plusieurs modèles avant de choisir une configuration de production. Un fournisseur l’emporte commercialement lorsque les applications continuent d’envoyer du trafic payant après la fin des tests.

L’adoption en entreprise exigera des garanties plus claires concernant le traitement des données, les mises à jour des modèles, la disponibilité du service et les responsabilités juridiques. Les fournisseurs qui satisfont ces exigences peuvent transformer l’expérimentation à bas coût en contrats plus longs. Ceux qui n’y parviennent pas peuvent rester populaires pour des projets personnels sans obtenir de grands comptes.

Les évolutions réglementaires peuvent rapidement renforcer ou affaiblir ce signal. Des restrictions supplémentaires pourraient fermer les canaux d’approvisionnement dans certains pays. Des restrictions sur les services américains pourraient également créer des opportunités pour des alternatives chinoises ailleurs.

La distribution open source ajoute une nuance. Un auto-hébergement généralisé peut établir un modèle chinois comme norme technique sans générer directement de ventes d’API. Cette influence reste importante, car elle peut soutenir les services aux entreprises, les partenariats et le déploiement cloud.

Les lecteurs qui suivent cette histoire via Google News devraient éviter de la réduire à un seul chiffre de fin d’année. La question essentielle est de savoir si les revenus comptabilisés, l’économie unitaire et la fidélisation des clients évoluent de concert.

Si les publications cloud s’améliorent, que les marges se maintiennent et que les clients étrangers restent après les essais, la prévision rapportée de Goldman paraîtra de plus en plus plausible. Si les prix continuent de s’effondrer tandis que les pertes et les subventions augmentent, le titre aura mesuré l’activité plus précisément que la valeur.

Les développeurs et les acheteurs d’entreprise peuvent agir avant que ce verdict ne tombe. Ils devraient comparer les modèles sur une charge de travail définie, documenter les taux d’erreur, mesurer l’ensemble des coûts d’exploitation et préserver des solutions alternatives. Une évaluation utile inclut les coûts de sécurité et de revue humaine, en plus de la consommation de tokens.

La même rigueur s’applique aux travailleurs du savoir qui choisissent des applications d’IA. La baisse du coût des modèles peut favoriser de meilleurs outils de recherche, de rédaction et d’analyse. Toutefois, des flux de travail fiables exigent des sources traçables, des accès contrôlés et une gestion claire des informations sensibles.

Les fournisseurs chinois ont déjà transformé le marché en rendant une IA performante moins coûteuse et plus accessible. Leur prochain défi est plus difficile. Ils doivent démontrer que l’accessibilité génère une activité récurrente plutôt qu’une course sans fin vers une intelligence toujours moins chère.

La prévision de 13 milliards de dollars de Google News donne à ce test un objectif visible. Observez ce que les entreprises comptabilisent comme revenus, ce qu’elles conservent après les coûts de service, et si les clients continuent de payer lorsque le modèle le plus récent arrive.