Huawei observe une hausse de 1 000 fois des tokens d'IA alors que l'industrie chinoise des données atteint 6 780 milliards de yuans
Huawei affirme que la consommation de tokens d'IA en Chine a augmenté de plus de 1 000 fois en deux ans, tandis que l'industrie nationale des données a atteint 6 780 milliards de yuans en 2025.
Ces chiffres décrivent la même transition sous des angles différents. La Chine dépasse le stade de l'entraînement des grands modèles pour faire fonctionner des applications d'IA à une échelle énorme. Chaque réponse générée, action logicielle, requête de base de données et décision d'agent alimente le nombre croissant de tokens.
Le sujet est apparu via Google News, mais les statistiques sous-jacentes proviennent de données gouvernementales chinoises et de déclarations du secteur. La hausse de 1 000 fois a d'abord été rapportée par l'Administration nationale des données, et non calculée indépendamment par Huawei.
Cette distinction compte. La consommation de tokens peut signaler une activité accrue de l'IA, mais elle ne mesure pas automatiquement les revenus, le travail utile ou la qualité des modèles. Un agent mal conçu peut consommer de nombreux tokens tout en accomplissant très peu.
Le signal le plus solide vient de l'association entre l'utilisation et la production industrielle. La Chine compte désormais des centaines de milliers d'entreprises liées aux données, une demande croissante de jeux de données prêts pour l'IA et de nouvelles infrastructures conçues pour l'inférence, et non plus seulement pour l'entraînement.
Huawei, les opérateurs télécoms chinois, les fournisseurs cloud et les entreprises nationales de puces se disputent la fourniture de cette infrastructure. Leur défi consiste à transformer un trafic de tokens sans précédent en services fiables, aux modèles économiques durables.
L'industrie chinoise des données est désormais un marché de 6 780 milliards de yuans
Le nouveau rapport sectoriel place les services de données au cœur de l'économie chinoise de l'IA, plutôt que de les traiter comme une simple catégorie technologique de soutien.
L'industrie chinoise des données a généré 6 780 milliards de yuans en 2025, selon le rapport sectoriel officiel publié le 28 août 2026. Cela représentait une croissance annuelle de 15,7 %.
L'Institut national du développement des données a présenté le rapport lors de l'Exposition internationale chinoise de l'industrie des mégadonnées à Guiyang. L'institut dépend de l'Administration nationale des données de Chine.
Le rapport recensait 482 000 entreprises liées aux données à la fin de 2025. Ce total était supérieur de 17,9 % à celui enregistré un an plus tôt.
Les logiciels de données et les produits issus des ressources de données ont généré 4 990 milliards de yuans, selon un compte rendu en anglais des résultats. Ensemble, ces catégories représentaient 73,6 % du secteur mesuré.
Cette définition dépasse les entreprises qui vendent des jeux de données bruts. Elle inclut les logiciels, les services de traitement, les produits de données liés à l'IA et les services émergents de tokens.
Cette mesure ne doit donc pas être confondue avec la valeur de marché des informations stockées. Elle estime la production d'un vaste ensemble d'entreprises participant à l'économie chinoise des données.
Cette ampleur est importante pour interpréter le chiffre de 6 780 milliards de yuans. Le total couvre des activités logicielles établies ainsi que des services d'IA plus récents, plutôt que les seuls revenus de l'IA.
Les responsables ont néanmoins indiqué que les produits étroitement associés à l'intelligence artificielle représentaient plus de 70 % de la production du secteur. La demande liée à l'IA est donc essentielle à l'expansion du secteur.
L'activité de financement a été particulièrement forte parmi les entreprises travaillant sur les grands modèles de langage, les données de simulation synthétiques et l'intelligence incarnée. L'intelligence incarnée intègre l'IA dans des systèmes physiques, notamment des robots et des machines autonomes.
Ces domaines nécessitent différents types de données. Un assistant linguistique s'appuie largement sur des documents et des conversations. Un robot a aussi besoin d'enregistrements de capteurs, d'informations spatiales, d'environnements simulés et de retours issus d'actions physiques.
Le rapport a identifié les données synthétiques comme une source croissante de matériel d'entraînement. Les données synthétiques sont des informations générées par logiciel afin de reproduire des modèles utiles sans collecter chaque exemple dans le monde réel.
Cette approche peut combler des lacunes lorsque les données réelles sont rares, coûteuses, sensibles ou dangereuses à obtenir. Elle soulève aussi de nouvelles questions sur l'exactitude et les biais cachés des modèles.
L'exposition elle-même reflétait cette même expansion. Le résumé officiel de l'événement indiquait que 372 entreprises chinoises et internationales y ont participé, aux côtés de plus de 16 000 participants inscrits.
Son thème mettait l'accent sur les tokens comme moyen de libérer la valeur économique des données. Cette formulation inscrit une unité technique des grands modèles dans un cadre commercial plus large.
Un token est une petite unité d'information traitée par un modèle d'IA. Selon le modèle, il peut représenter un fragment de mot, un symbole, un nombre ou un signe de ponctuation.
Les tokens donnent aux fournisseurs une unité quantifiable pour mesurer l'activité des modèles. Les plateformes cloud peuvent relier ces volumes à la planification des capacités, à la facturation et aux performances des services.
Le rapport chinois sur l'industrie des données soutient que les services de tokens créeront de nouveaux modèles économiques. La question immédiate est de savoir si le volume de tokens peut devenir un indicateur économique pertinent.
Cette question mène directement au chiffre le plus frappant du débat actuel. La consommation quotidienne de tokens déclarée par la Chine a augmenté de plus de trois ordres de grandeur.
L'affirmation de Huawei sur les tokens reflète une évolution bien plus large des usages
Huawei met en avant la hausse des tokens parce que l'infrastructure d'IA passe d'un entraînement ponctuel des modèles à une inférence continue dans les entreprises et les appareils.
Zhang Ping'an, président de Huawei Cloud, a évoqué une hausse de plus de 1 000 fois de la consommation de tokens en Chine lors de l'événement de Guiyang. Il a lié cette croissance à une évolution des systèmes technologiques des entreprises.
Les logiciels d'entreprise traditionnels supposent qu'un humain ouvre une application et choisit chaque action. Les systèmes centrés sur les agents permettent à l'IA de planifier et d'exécuter plusieurs étapes à travers des applications et des sources de données.
Cette architecture multiplie les appels aux modèles. Un chatbot peut répondre à une question en une seule réponse, tandis qu'un agent peut planifier à plusieurs reprises, récupérer des informations, vérifier les résultats et réviser son travail.
Huawei n'était toutefois pas la source statistique initiale de cette hausse nationale. L'Administration nationale des données de Chine avait rapporté cette évolution auparavant, en 2026.
Les appels quotidiens moyens de tokens s'élevaient à près de 100 milliards au début de 2024. Ils ont atteint 100 000 milliards à la fin de 2025 et dépassé 140 000 milliards en mars 2026.
Le passage de 100 milliards à plus de 140 000 milliards dépasse un facteur 1 000. La hausse entre décembre 2025 et mars 2026, à elle seule, a été supérieure à 40 %.
Liu Liehong, directeur de l'Administration nationale des données, a dévoilé le chiffre de mars lors d'une réunion d'information sur les politiques publiques. Un rapport contemporain sur l'utilisation des tokens décrivait également les tokens comme des unités mesurables, tarifables et potentiellement négociables.
Huawei a depuis intégré ces chiffres gouvernementaux à son propre argumentaire commercial. L'entreprise souhaite que les opérateurs télécoms passent de la vente de connectivité à la fourniture de services d'inférence d'IA et de services basés sur les tokens.
Dans une publication de Huawei sur la monétisation des tokens, l'entreprise décrit les tokens comme un pont entre l'infrastructure informatique et la demande des entreprises.
La logique commerciale est simple. Davantage d'agents créent davantage de requêtes d'inférence. Davantage de requêtes exigent des accélérateurs, du stockage, des réseaux, des logiciels d'orchestration et un accès fiable aux données d'entreprise.
Huawei fournit plusieurs éléments de cette pile technologique. Son portefeuille comprend les processeurs d'IA Ascend, des services cloud, des équipements réseau, des systèmes de stockage et des infrastructures sectorielles.
L'entreprise fait face à des restrictions d'accès aux technologies étrangères avancées de semi-conducteurs. Ces contraintes renforcent l'importance stratégique des accélérateurs nationaux et d'une conception efficace des infrastructures.
La hausse du nombre de tokens en Chine donne à Huawei un récit de demande pour cette infrastructure. Elle suggère que les charges de travail d'IA locales se développent même si l'accès aux puces internationales de pointe reste limité.
La formulation mérite toutefois d'être maniée avec prudence. Huawei n'a pas publié de jeu de données distinct montrant que l'utilisation de tokens avait été multipliée par 1 000. Zhang a cité la tendance nationale plus large lors d'un événement sectoriel.
Le total national combine aussi de nombreux types de charges de travail. Il peut inclure les conversations grand public, les applications d'entreprise, le développement logiciel, la génération de contenus, la recherche, les tâches scientifiques et les agents automatisés.
Les informations publiques ne fournissent pas une ventilation complète de ces catégories. Elles n'indiquent pas non plus quelle part de l'activité s'exécute sur l'infrastructure de Huawei.
Ce chiffre saisit néanmoins un changement de direction majeur. Les systèmes d'IA génèrent et traitent bien plus de production qu'au cours de la première phase des chatbots.
Cette évolution met sous pression chaque fournisseur d'infrastructure desservant le marché chinois. La concurrence porte désormais sur le coût récurrent de production d'une intelligence utile, et non seulement sur les performances aux benchmarks.
Les agents d'IA transforment une requête en centaines d'appels aux modèles
L'explosion des tokens reflète un changement dans le fonctionnement de l'IA, car les agents raisonnent de manière répétée, récupèrent des données, utilisent des outils et inspectent leurs propres résultats.
Une interaction classique avec un chatbot suit une courte séquence. L'utilisateur envoie une requête, le modèle traite son contexte et le système génère une réponse.
Une tâche agentique comporte davantage d'éléments mobiles. Le système peut diviser un objectif en étapes, appeler des outils externes, lire de nouvelles informations et réviser son plan.
Prenons une demande de voyage d'affaires. Un chatbot peut recommander des moyens de transport et des hôtels à partir de connaissances générales. Un agent peut rechercher les horaires, comparer les options, vérifier les politiques et préparer un itinéraire.
Chaque étape peut envoyer une nouvelle requête à un modèle. Les résultats des outils entrent également dans le contexte, créant davantage de tokens d'entrée avant que le modèle ne génère une nouvelle sortie.
Zheng Weimin, académicien de l'Académie chinoise d'ingénierie, a décrit ce phénomène comme le passage de modèles qui discutent à des systèmes qui travaillent. Ses commentaires sont parus dans une analyse de l'économie des agents.
Zheng a estimé qu'une tâche d'agent complexe peut consommer des dizaines, des centaines, voire des milliers de fois plus de tokens qu'une réponse simple. L'écart exact dépend du flux de travail.
Les agents de programmation fournissent un autre exemple concret. Ils inspectent les dépôts, recherchent des définitions, modifient des fichiers, exécutent des tests et reviennent sur les échecs avant de présenter un résultat.
Une seule requête visible peut donc produire de nombreuses interactions avec des modèles. L'utilisateur voit une tâche, tandis que le fournisseur d'infrastructure gère une longue chaîne d'opérations d'inférence.
Les systèmes scientifiques peuvent être encore plus exigeants. Ils peuvent générer des hypothèses, interagir avec des simulations, analyser les retours expérimentaux et mettre à jour leur approche au fil de cycles répétés.
Zhou Bowen, directeur du Shanghai Artificial Intelligence Laboratory, qualifie une version de ce modèle d'« environnement comme donnée ». L'environnement opérationnel produit en continu des retours qui deviennent de nouvelles entrées pour le modèle.
Cela diffère d'un jeu de données statique préparé avant le début de l'entraînement. Les données émergent au fur et à mesure que le système agit, rencontre des résultats et ajuste son comportement.
Les robots illustrent clairement ce mécanisme. Une machine peut percevoir un objet, choisir une action, observer le résultat et utiliser cette observation pour sa décision suivante.
Chaque boucle exige du calcul et de nouvelles données. Les déploiements à grande échelle peuvent transformer ces boucles en une demande persistante de capacité d'inférence.
Le même changement apparaît au sein de systèmes d’entreprise moins visibles. Le service client, l’examen des fraudes, la planification de la chaîne d’approvisionnement et le traitement des documents peuvent tous impliquer des appels répétés à des modèles.
Cela aide à expliquer pourquoi la consommation de tokens peut augmenter plus vite que le nombre d’utilisateurs. Les utilisateurs existants peuvent déléguer des processus plus longs qui nécessitent bien davantage d’activité machine.
Cela modifie également le goulot d’étranglement de l’infrastructure. L’entraînement d’un grand modèle consomme un volume concentré de ressources de calcul, généralement avant son déploiement.
La demande d’inférence arrive en continu et de manière imprévisible. Les fournisseurs doivent assurer une faible latence lors des pics d’usage tout en maintenant un taux d’utilisation acceptable pendant les périodes plus calmes.
Le stockage et les réseaux deviennent critiques, car les agents récupèrent à plusieurs reprises des documents, des historiques et des résultats d’outils. Le processeur n’est qu’un élément du système d’exploitation.
La qualité des données devient également plus importante. Un agent peut amplifier un mauvais enregistrement en l’utilisant à de nombreuses étapes et en prenant des mesures sur la base du résultat.
Cela crée une opportunité pour les entreprises de services de données. Les organisations ont besoin de systèmes qui nettoient l’information, contrôlent les accès, suivent les origines et fournissent aux modèles un contexte pertinent.
Cela donne également un nouveau rôle aux opérateurs télécoms. Leurs installations distribuées peuvent héberger des ressources d’inférence plus près des utilisateurs, des appareils, des usines et des systèmes d’entreprise régionaux.
China Mobile, China Telecom et China Unicom ont tous exploré des services fondés sur les tokens. Leur participation crée un chemin entre la capacité réseau et une consommation d’IA packagée.
Huawei veut fournir l’infrastructure sous-jacente à cette voie. Des fabricants chinois de puces comme Cambricon et Hygon se disputent également des charges d’inférence en croissance.
Les fournisseurs de cloud, notamment Alibaba, Tencent et Baidu, apportent leurs propres modèles, plateformes pour développeurs et relations avec les entreprises. Ils peuvent relier directement l’usage des tokens aux applications.
Le résultat n’est pas une simple rivalité entre Huawei et le cloud. Il s’agit d’une compétition entre des modèles d’infrastructure visant à fournir une inférence abordable, fiable et commercialement utile.
Ce que l’augmentation par 1 000 ne prouve pas
Le volume de tokens mesure l’activité informatique, mais ne révèle pas dans quelle mesure cette activité crée une valeur économique durable.
Un compteur de tokens traite de la même manière les calculs utiles et inutiles. Il enregistre l’activité, qu’un agent achève sa tâche, se répète ou suive une voie improductive.
Cette limite rapproche la consommation de tokens des anciennes métriques de trafic internet. Un trafic plus important peut accompagner la croissance d’une entreprise, mais le volume seul ne démontre ni la rentabilité ni la satisfaction des clients.
L’architecture des modèles complique encore les comparaisons. Différents tokeniseurs divisent une même phrase en un nombre différent d’unités.
Les systèmes de raisonnement peuvent également générer des tokens intermédiaires cachés. Deux produits accomplissant une tâche identique peuvent donc déclarer des consommations très différentes.
La longueur de contexte crée une autre source d’inflation. Une application peut renvoyer de longs documents ou historiques de conversation à chaque requête, même lorsque la majeure partie de ce contenu apporte peu de valeur.
Un meilleur cache, une meilleure récupération et une meilleure conception des prompts peuvent réduire la consommation sans diminuer la qualité des résultats. Une baisse du volume de tokens peut parfois signaler un progrès d’ingénierie plutôt qu’une demande plus faible.
Le chiffre national ne dispose pas non plus d’une méthodologie publiée suffisamment détaillée pour permettre une réplication indépendante. Les synthèses gouvernementales disponibles indiquent les totaux, mais ne fournissent pas chaque catégorie de déclaration.
On ignore encore quels fournisseurs de modèles contribuent aux données, comment les requêtes domestiques et internationales sont séparées, et si les charges de travail internes des entreprises sont estimées.
Le chiffre de 6 780 milliards de yuans pour le secteur présente des limites similaires. Il inclut de larges catégories de produits de données et de logiciels, plutôt que d’isoler les revenus issus de l’IA générative.
Les lecteurs devraient donc éviter de combiner les deux statistiques en un ratio direct. La production déclarée du secteur des données ne peut pas être divisée par les appels de tokens pour calculer un prix de marché significatif.
Les chiffres couvrent également des périodes différentes. Le total du secteur décrit l’année civile 2025, tandis que le dernier chiffre de 140 000 milliards de tokens quotidiens se rapporte à mars 2026.
La position commerciale de Huawei présente une autre incertitude. La hausse de la demande chinoise en IA profite au marché global des infrastructures, mais ne garantit pas que Huawei en capte une part fixe.
Les concurrents nationaux peuvent gagner des charges de travail grâce à des prix plus bas, des accélérateurs spécialisés, des logiciels ouverts ou des relations existantes avec des clients du cloud.
Les clients peuvent également optimiser une partie de la demande d’infrastructure. Des modèles plus petits, le routage des modèles, la mise en cache et des systèmes spécifiques à certaines tâches peuvent réduire le calcul nécessaire à chaque résultat.
La concurrence sur les prix ajoute davantage de pression. Si les prix de l’inférence baissent plus vite que les volumes n’augmentent, les fournisseurs peuvent traiter beaucoup plus de tokens sans générer des revenus proportionnels.
Cette dynamique façonne déjà le marché chinois des modèles. Les fournisseurs ont réduit à plusieurs reprises les coûts d’usage tout en améliorant l’efficacité des modèles plus petits et à poids ouverts.
Une inférence bon marché peut accélérer l’adoption et créer un cycle d’usage positif. Elle peut aussi comprimer les marges et rendre l’échelle difficile à monétiser.
L’énergie reste une contrainte pratique. Une inférence persistante exige de l’électricité, du refroidissement, des réseaux et du matériel bien utilisé dans de nombreux sites.
Un système qui consomme davantage de tokens mais exige trop d’énergie peut se heurter aux limites de capacité du réseau électrique et aux dépenses d’exploitation. Le problème devient plus aigu lorsque les agents atteignent des appareils physiques.
La sécurité ajoute un autre coût. Les agents qui accèdent aux systèmes d’entreprise ont besoin de contrôles d’autorisation, de journaux d’audit, d’une exécution isolée et de défenses contre les instructions malveillantes.
La gouvernance des données est tout aussi importante. Les entreprises ne peuvent pas exposer des enregistrements confidentiels simplement pour accroître l’usage de l’IA ou améliorer le contexte des agents.
Ces limites ne rendent pas l’augmentation des tokens dénuée de sens. Elles montrent pourquoi la prochaine étape exige de meilleures métriques que la simple consommation brute.
Le fondateur de Baidu, Robin Li, a proposé les agents actifs quotidiens comme une alternative possible. Cette mesure compterait les agents qui exécutent des tâches plutôt que chaque unité traitée.
Même cette métrique nécessite une couche de résultats. Un agent actif peut encore échouer, nécessiter une correction humaine ou produire un résultat que personne n’utilise.
La mesure la plus solide relierait la consommation au travail accompli, à la fiabilité, à la rétention des utilisateurs et aux économies réalisées. Les rapports publics n’ont pas encore atteint ce niveau.
Le véritable enjeu est la production utile face à un calcul bon marché
La course chinoise aux infrastructures d’IA sera décidée par la valeur produite par token, et non par le plus grand compteur de tokens.
Les chiffres officiels montrent que la Chine a atteint une échelle significative dans les activités économiques liées aux données. Ils montrent également que l’inférence d’IA se développe beaucoup plus rapidement que l’usage traditionnel des logiciels.
L’enjeu central se situe désormais entre la promesse d’une intelligence abondante et la réalité des coûts d’exploitation. Chaque agent doit justifier les ressources de calcul, de données et de supervision qu’il consomme.
La position de Huawei met l’accent sur une infrastructure intégrée. L’entreprise peut combiner processeurs, stockage, réseaux, services cloud et logiciels pour les clients qui recherchent une pile technologique nationale.
Les opérateurs télécoms offrent une autre voie. Ils gèrent déjà des réseaux nationaux, des installations locales, des relations de facturation et des clients professionnels.
Les entreprises de cloud public apportent des plateformes pour développeurs matures et des applications d’IA largement utilisées. Leur avantage réside dans la connexion entre la consommation des modèles et les écosystèmes logiciels existants.
Les fournisseurs de puces spécialisés peuvent cibler des charges de travail plus étroites. Leur succès dépend du soutien logiciel, de l’adoption par les développeurs, de la disponibilité et des performances pratiques au sein des systèmes de production.
Le cadre politique chinois soutient chaque couche de ce marché. Les autorités encouragent les jeux de données de haute qualité, les ressources de calcul coordonnées, la circulation des données et de nouveaux services fondés sur les tokens.
La couverture de l’exposition met également en avant des applications dans l’industrie manufacturière, l’agriculture, les services publics et d’autres secteurs.
Ces déploiements comptent davantage qu’un nouveau benchmark de modèle. Ils testent la capacité de l’IA à fonctionner dans des procédures, réglementations, budgets et contraintes physiques réels.
Les agents de fabrication doivent travailler avec les données des équipements et les calendriers de production. Les systèmes médicaux doivent satisfaire à des exigences plus strictes en matière de précision et de confidentialité.
Les institutions financières ont besoin de traçabilité et de contrôles d’accès. Les applications grand public doivent offrir suffisamment de valeur récurrente pour maintenir l’engagement des utilisateurs une fois la curiosité initiale retombée.
Un vaste secteur des données peut soutenir ces déploiements en fournissant des enregistrements spécialisés et des outils opérationnels. Toutefois, le marché doit établir la confiance dans la qualité et la propriété des données.
La tarification des tokens a également besoin de normes commerciales plus claires. Un token d’un modèle n’offre pas les mêmes capacités, la même latence ou le même coût énergétique qu’un token d’un autre modèle.
Traiter tous les tokens comme interchangeables masquerait des différences importantes. Les acheteurs professionnels s’intéressent aux tâches achevées, aux taux d’erreur, au temps de réponse et au coût total d’exploitation.
Les fournisseurs proposeront probablement des tokens avec d’autres services. Ces offres groupées peuvent inclure l’accès aux modèles, le stockage, la récupération, les contrôles de sécurité, les réseaux et les logiciels applicatifs.
Cela ressemble à l’évolution du cloud computing. Les clients évaluent rarement une charge de travail sérieuse en examinant isolément le prix d’une heure de processeur.
Ils examinent le système complet, y compris le mouvement des données, la fiabilité, l’effort de développement et le risque opérationnel. Les acheteurs d’IA feront un calcul similaire.
Le secteur chinois des données en croissance offre aux fournisseurs nationaux un vaste environnement pour tester ces modèles. Sa base manufacturière fournit également des applications physiques exigeantes.
Toutefois, l’échelle ne supprime pas le besoin de vérification. Les fournisseurs doivent démontrer que les agents accomplissent les tâches de manière cohérente et restent économiques après la fin des programmes pilotes.
La hausse rapportée par 1 000 rend cette question plus urgente. De petites inefficacités deviennent coûteuses lorsqu’elles se répètent sur 140 000 milliards de tokens quotidiens.
L’optimisation deviendra donc un facteur de compétitivité. Les fournisseurs qui réduisent le contexte inutile, routent efficacement les tâches et améliorent l’utilisation de l’inférence peuvent obtenir un avantage.
Cela crée un renversement notable. Les fournisseurs d’infrastructure bénéficient de la hausse de la demande, mais leurs clients doivent de plus en plus consommer moins de tokens par résultat réussi.
La plateforme gagnante ne maximise pas nécessairement l’usage pour chaque tâche. Elle rend suffisamment d’intelligence abordable pour que les clients puissent déployer beaucoup plus de tâches utiles.
Trois signaux montreront si l’économie des tokens fonctionne
Les prochaines preuves devront relier l’énorme activité chinoise en IA à l’adoption, à l’efficacité et au travail accompli.
Le premier signal est une ventilation plus détaillée de la consommation nationale de tokens. Des données par fournisseur, secteur et charge de travail clarifieraient ce qui stimule réellement la hausse.
Une progression continue portée par les agents d’entreprise renforcerait l’argument du déploiement. Une croissance concentrée dans la génération de contenu grand public étayerait une conclusion plus limitée.
La méthodologie comptera autant que le chiffre phare. Des périmètres de déclaration cohérents permettraient aux analystes de distinguer la croissance réelle d’une collecte de données élargie.
Le deuxième signal est la communication commerciale de Huawei, des opérateurs télécoms et des fournisseurs de cloud. Les acheteurs ont besoin de preuves sur les charges de travail récurrentes plutôt que sur les projets de démonstration.
Les informations utiles incluraient les déploiements d’entreprise actifs, les taux d’achèvement des tâches, la rétention des clients et l’évolution du coût d’inférence par résultat.
Une croissance des revenus liée à des services d’IA récurrents renforcerait la thèse de l’économie des tokens. Un trafic important sans dépenses durables des clients l’affaiblirait.
Huawei Connect 2026, prévu en septembre, offre une occasion immédiate. Des lancements de produits ou études de cas clients pourraient révéler comment Huawei transforme la demande nationale en services déployés.
Le troisième signal concerne l’efficacité des infrastructures d’inférence nationales. Il faut observer si les fournisseurs améliorent le débit, la fiabilité et la consommation d’énergie tout en réduisant le coût des tâches achevées.
Les progrès montreraient que les systèmes nationaux peuvent absorber une demande en forte expansion. Des pénuries persistantes ou un service instable révéleraient un écart entre l’ambition affichée en matière de tokens et la capacité de livraison.
La concurrence renforcera ce test. Huawei, les grands fournisseurs de cloud, les opérateurs télécoms et les spécialistes des puces ont tous besoin d’écosystèmes logiciels qui maintiennent le matériel pleinement utilisé.
L’adoption par les développeurs fait partie de cette équation d’efficacité. Le matériel crée peu de valeur lorsque les équipes peinent à déployer des modèles ou à déplacer des applications d’un environnement à l’autre.
Les normes d’accès aux données et de comptabilisation des tokens influenceront également l’adoption. Les entreprises ont besoin de mesures prévisibles avant de pouvoir comparer les services ou d’engager des flux de travail importants.
Le secteur des données, évalué à 6 780 milliards de yuans, fournit une base économique substantielle. La hausse des tokens d’un facteur 1 000 atteste d’une activité computationnelle exceptionnelle.
Aucun de ces chiffres ne prouve à lui seul que la Chine a résolu la commercialisation de l’IA. Ensemble, ils montrent que l’expérimentation a dépassé le stade des petits projets pilotes.
Pour les développeurs, l’opportunité consiste à concevoir des agents qui accomplissent un travail mesurable sans gaspiller le contexte ni les ressources de calcul. L’efficacité devient une exigence produit.
Les acheteurs en entreprise devraient demander comment les fournisseurs calculent l’utilisation des tokens, sécurisent les données de l’entreprise et mesurent les résultats obtenus. Le volume brut devrait rester un indicateur secondaire.
Les travailleurs du savoir devraient surveiller les domaines dans lesquels les agents obtiennent l’autorisation d’agir, et pas seulement de répondre. Cette transition déterminera si la croissance des tokens transforme le travail quotidien.
Le prochain titre de Google News mettra probablement en avant un chiffre encore plus élevé. La question la plus importante est de savoir si les fournisseurs révéleront ce que ces tokens ont réellement accompli.
La Chine a démontré son ampleur. Huawei et ses concurrents doivent désormais montrer que cette ampleur peut produire des résultats fiables, abordables et vérifiables. Quel travail accompli justifiera la prochaine hausse d’un facteur mille ?
