Interprétation de la prochaine étape de l'IA par All-In : convergence des modèles, la valeur commence à se déplacer vers les flux de travail

Titre original : Anthropic IPO at Risk, Muse de Meta Pop, Chutes des prix des tokens, Gains de l'Open Source, Échec de l'Alignement
Programme : All-In Podcast
Participants : Chamath Palihapitiya, Jason Calacanis, David Sacks, David Friedberg

Note de l'éditeur : Au cours des deux dernières années, la concurrence dans l'industrie de l'IA s'est presque toujours concentrée sur une variable clé : qui possède le modèle de base le plus puissant. Les modèles tels que GPT, Claude, Gemini, ainsi que les modèles émergents comme DeepSeek et Qwen, continuent de redéfinir les benchmarks, faisant de la « capacité de pointe » la base de tarification la plus importante pour les entreprises de modèles. Cependant, avec l'accélération de l'itération des modèles et la baisse continue des coûts de raisonnement, la discussion passe de « quel modèle est le plus puissant » à « à quel point les modèles les plus puissants peuvent-ils encore être valorisés lorsque de nombreux modèles suffisamment bons émergent ? ». À mesure que la capacité des modèles devient moins rare et plus accessible, une question plus cruciale émerge : ce qui est réellement rare à long terme dans l'industrie de l'IA, est-ce le modèle lui-même ou les produits, flux de travail et capacités de distribution qui en découlent ?

Dans le dernier épisode du All-In Podcast, les entrepreneurs technologiques Jason Calacanis, le fondateur de Social Capital Chamath Palihapitiya, le PDG d'Ohalo David Friedberg, et le co-fondateur de Craft Ventures David Sacks discutent des récentes publications de modèles, de l'expansion des modèles à poids ouverts, de la baisse des prix des tokens, ainsi que des modèles commerciaux des entreprises de modèles de pointe comme Anthropic et OpenAI. Plutôt que de se concentrer sur « combien de performances le prochain modèle a-t-il amélioré », cette conversation mérite d'être suivie car elle tente de répondre à la question de savoir où le pool de profits de l'industrie de l'IA pourrait se déplacer après la diffusion rapide des capacités des modèles.

Les quatre animateurs du All-In Podcast discutent de la commercialisation des modèles d'IA, des modèles à poids ouverts et des modèles commerciaux des modèles de pointe.

Dans cette discussion, les animateurs décomposent en réalité « le renforcement des modèles » en un ensemble de problèmes structurels plus fondamentaux : lorsque l'écart de performance entre les modèles se réduit, pourquoi les entreprises continueraient-elles à payer une prime élevée pour les modèles de pointe ? Lorsque les modèles à poids ouverts peuvent gérer de plus en plus de charges de travail quotidiennes, les tokens eux-mêmes sont-ils en train de devenir des marchandises ? Et lorsque le « cerveau » devient de moins en moins cher, la valeur se recentrera-t-elle sur les agents, les flux de travail d'entreprise et les applications verticales ?

Premièrement, la concurrence entre les modèles passe d'une rareté de capacité à une efficacité de coût. Dans le passé, il y avait souvent un écart de capacité évident entre le modèle le plus avancé et le deuxième échelon, et les entreprises étaient prêtes à payer une prime significative pour obtenir une précision plus élevée, un raisonnement plus fort et des résultats plus stables. Le changement actuel est que les publications de modèles deviennent de plus en plus fréquentes, les performances des modèles à poids ouverts se rapprochent continuellement des modèles de pointe fermés, et les fournisseurs d'API baissent également leurs prix. Cela signifie que pour de nombreuses tâches qui ne nécessitent pas de capacités extrêmes, le « meilleur » devient un choix qui peut être calculé en termes de rapport coût-efficacité. La performance des modèles reste importante, mais le rapport entre le prix et la performance commence à devenir plus important que le simple classement des benchmarks.

Deuxièmement, les tokens pourraient passer d'un produit à forte marge à un investissement de base standardisé. La logique de la dernière vague de commercialisation de l'IA était relativement directe : les entreprises de modèles fournissent de l'intelligence, les développeurs achètent des tokens, puis les encapsulent en applications externes. Mais lorsque des tâches similaires peuvent être transférées entre plusieurs modèles et que l'écart de prix atteint plusieurs fois, voire des dizaines de fois, les entreprises répartiront naturellement les différentes tâches entre des modèles de différents niveaux de coût. Les résumés simples, le service client, les processus internes et les tâches de code ordinaires peuvent être confiés à des modèles bon marché, tandis que seules des tâches rares comme la recherche scientifique, l'ingénierie complexe et les décisions financières de haute valeur continueront à faire appel aux modèles les plus puissants. Ce qui est réellement remis en question ici, ce n'est pas la valeur des modèles de pointe, mais combien de revenus doivent dépendre de la capacité de pointe pour exister.

Troisièmement, les frontières de la concurrence entre les entreprises de modèles sont contraintes de se déplacer vers le haut. Chamath compare les modèles de base à un « cerveau », tandis qu'il appelle les outils, navigateurs, mémoires, autorisations et systèmes de planification de tâches construits autour des modèles des « harnais ». Cette distinction est importante : à mesure que l'écart entre les « cerveaux » se réduit, ce qui détermine finalement l'expérience produit pourrait de moins en moins être le modèle lui-même, mais plutôt s'il a des « bras et des jambes », et s'il peut réellement accomplir des tâches. Les produits de type Agent comme Meta Muse ont donc une autre signification : les utilisateurs ne se soucient pas de quel modèle est appelé en arrière-plan, mais de savoir s'il peut organiser des e-mails, réserver des vols, traiter des documents et accomplir des tâches. Plus les modèles de base sont bon marché, plus l'économie de ce type de produit est facile à établir.

Quatrièmement, le modèle commercial des modèles de pointe pourrait donc se polariser. D'un côté, il y a l'intelligence générale à grande échelle mais hautement sensible au prix, soutenue par des modèles à poids ouverts et des modèles à faible coût ; de l'autre, il y a une quantité plus réduite, mais prête à payer une prime élevée pour l'intelligence de pointe, comme la recherche scientifique complexe, les mathématiques, l'ingénierie, la biopharmacie et les scénarios professionnels hautement compétitifs. La question clé pour des entreprises comme OpenAI et Anthropic n'est donc plus seulement « peuvent-ils continuer à améliorer les modèles », mais peuvent-ils prouver que la valeur ajoutée créée par les modèles les plus avancés est suffisante pour couvrir à long terme leurs coûts d'entraînement, de raisonnement et d'investissement en capital plus élevés.

Si l'on devait résumer cette discussion en un jugement, ce serait le suivant : le paradoxe central de l'IA passe progressivement de « l'intelligence est-elle suffisamment forte ? » à « comment l'intelligence est-elle tarifée, distribuée et commercialisée ? ».

Dans ce sens, le sujet de cet article n'est plus seulement OpenAI, Anthropic ou un nouveau modèle, mais une revalorisation de l'ensemble de la chaîne de valeur de l'industrie de l'IA : à mesure que les modèles eux-mêmes deviennent de plus en plus accessibles, les actifs réellement rares pourraient redevenir les utilisateurs, les scénarios, les flux de travail et la capacité de transformer l'intelligence en valeur réelle.

Voici le contenu original (pour faciliter la compréhension, le contenu original a été réorganisé) :

TL;DR

La concurrence des modèles d'IA passe de « qui est le plus fort » à « qui atteint un niveau suffisant de manière moins coûteuse », l'essence étant que la capacité des modèles commence à passer d'une rareté à une offre standardisée.

La baisse continue des prix des tokens signifie que la marge bénéficiaire des modèles de base elle-même pourrait être comprimée, la chaîne de valeur de l'IA passe de « vendre de l'intelligence » à « vendre des résultats ».

L'impact le plus important des modèles à poids ouverts n'est pas de remplacer les modèles de pointe, mais de prendre en charge une grande partie des charges de travail générales, forçant les entreprises à recalculer si la « prime pour le modèle le plus fort » en vaut la peine.

À l'avenir, les modèles de pointe seront plus susceptibles de se concentrer sur des tâches complexes à haute valeur telles que la recherche, l'ingénierie et la finance, l'important n'étant pas de couvrir tous les scénarios, mais de prouver leur caractère irremplaçable.

À mesure que les capacités des modèles se rapprochent, l'avantage concurrentiel se déplace vers les agents, les appels d'outils, la mémoire, les autorisations et les flux de travail, ce qui est essentiellement un transfert de valeur du « cerveau » vers le « système d'exécution ».

La structure des coûts des entreprises en matière d'IA passera d'un « appel unifié au modèle le plus fort » à un routage hiérarchique, où différentes tâches sont associées à des modèles de différents niveaux de prix et de capacité.

Le risque commercial central d'OpenAI et d'Anthropic n'est pas que les modèles cessent de progresser, mais que de nombreux revenus existants soient finalement commercialisés par des modèles moins chers.

La véritable rareté de l'industrie de l'IA à la prochaine étape pourrait ne plus être le modèle lui-même, mais les utilisateurs, les scénarios, la distribution et la capacité de transformer l'intelligence en résultats réels.

Points clés de la vidéo

Les modèles continuent de se renforcer, mais plus important encore : ils deviennent moins chers

Au cours des dernières années, la concurrence des modèles d'IA a suivi une logique très claire : celui qui possède le modèle le plus puissant possède la rareté.

Chaque fois que GPT, Claude ou Gemini franchit un nouveau seuil de capacité, cela suffit à déclencher une nouvelle narration de produits et de capitaux. Lorsque l'écart de performance est suffisamment grand, les entreprises sont prêtes à payer une prime significative pour « l'intelligence la plus forte ».

Mais All-In pense que cette logique devient plus complexe.

Friedberg a cité une série de mises à jour de modèles récentes dans l'émission. Bien que certains modèles et dates de publication dans la transcription automatique contiennent des erreurs, la tendance sous-jacente est correcte : les mises à jour des modèles deviennent extrêmement fréquentes, et les améliorations de performance se produisent en même temps que la baisse des coûts.

Par exemple, DeepSeek a publié le 10 septembre le modèle V4.1 Flash. C'est un modèle MoE (Mixture of Experts) de 552 milliards de paramètres, mais seulement environ 8 milliards de paramètres sont activés à l'entrée et environ 16 milliards à la sortie. DeepSeek a également abaissé les prix de l'API et a déclaré que la nouvelle conception de KV Cache réduira considérablement les besoins en mémoire et en stockage.

OpenAI suit également la même direction. Le 22 septembre, GPT-6 Sol et Luna ont été lancés, avec des prix d'API réduits d'environ 50 % par rapport aux prix de promotion précédents de GPT-5.6.

Anthropic a également lancé Claude Opus 5.5 le même jour. Son prix d'entrée par million de tokens est passé de 5 dollars pour Opus 5 à 4 dollars, et le prix de sortie est passé de 25 dollars à 20 dollars ; pour la lecture de cache, qui est très utilisée dans les scénarios d'agents, le prix est passé de 0,5 dollar à 0,2 dollar. Anthropic a déclaré qu'en tenant compte de l'efficacité d'utilisation des tokens, le coût d'exécution des tâches typiques pourrait diminuer d'environ 40 %.

Vu isolément, la baisse de prix de chaque entreprise peut être expliquée par une optimisation de l'architecture ou un effet d'échelle. Mais ensemble, le signal est plus clair : l'intelligence AI elle-même subit une compression rapide des prix.

Les poids ouverts commencent à prendre de l'ampleur, les tokens deviennent des « marchandises »

Au-delà de la baisse des prix, un autre changement se produit : de plus en plus de travaux ne nécessitent pas nécessairement le modèle le plus cher.

Il est nécessaire de faire la distinction entre un concept souvent confondu. L'émission utilise plusieurs fois le terme « open source », mais strictement parlant, open-weight (poids ouverts) n'est pas tout à fait équivalent à open-source (source ouverte). Le premier signifie généralement que les poids du modèle peuvent être téléchargés et déployés par soi-même, mais que les licences, les données d'entraînement ou le code d'entraînement complet ne sont pas nécessairement entièrement ouverts.

Pour les entreprises, la signification commerciale est très directe.

Si un résumé interne, une classification de service client, une assistance au code ou un flux de travail d'agent régulier peuvent être réalisés à un niveau suffisant avec un modèle dix fois moins cher, alors il devient de plus en plus difficile d'expliquer au CFO pourquoi continuer à utiliser le modèle de pointe le plus coûteux.

Les données de Vercel sur l'AI Gateway montrent déjà une tendance similaire. Son Production Index publié en septembre montre que la part des modèles à poids ouverts dans les tokens traités par Vercel AI Gateway est passée de 7 % en décembre 2025 à 56 % en août de cette année, dépassant pour la première fois la moitié.

Parallèlement, le coût moyen des tokens est tombé à moins de la moitié de celui d'il y a cinq mois, avec une baisse de 23,2 % du prix unitaire des tokens rien qu'au mois d'août.

Il est important de souligner que les données de trafic de production de Vercel AI Gateway ne peuvent pas être directement extrapolées pour affirmer que « 56 % des jetons d'IA proviennent de modèles ouverts ». Cependant, elles fournissent au moins un échantillon réel dans un environnement de production : les développeurs commencent à migrer de plus en plus fréquemment leurs charges de travail vers des modèles moins coûteux.

Chamath résume ce changement par l'expression « les modèles commencent à se regrouper ». Son jugement est que de plus en plus de modèles ont des capacités suffisamment proches sur un grand nombre de tâches pour être interchangeables. Ainsi, la question n'est plus seulement « quel modèle obtient le meilleur score », mais : combien seriez-vous prêt à payer de plus pour cette dernière différence de performance ?

Les modèles de pointe ne disparaîtront pas, mais doivent prouver leur valeur

C'est également le véritable problème commercial auquel OpenAI et Anthropic sont confrontés.

David Sacks est plus optimiste que les autres animateurs de l'émission. Il estime que même si les modèles à poids ouverts prennent la majorité des jetons, cela ne signifie pas que Frontier Intelligence (intelligence de pointe) perd sa valeur commerciale.

La raison en est qu'il y aura toujours un certain nombre de tâches pour lesquelles il existe une volonté de paiement très élevée pour le « meilleur ». Par exemple, la recherche pharmaceutique, les mathématiques complexes, l'ingénierie de pointe, la cybersécurité ou les scénarios de transactions financières hautement compétitifs. Pour ces tâches, si un modèle plus puissant peut augmenter légèrement le taux de réussite, la valeur économique qu'il crée peut largement dépasser le coût des jetons.

Friedberg partage également un avis similaire. L'organisation de recherche en sciences de la vie à laquelle il appartient utilise les modèles d'Anthropic, car les différences de capacité des modèles restent suffisamment grandes pour certaines tâches scientifiques difficiles.

Ainsi, ce qui mérite vraiment d'être observé n'est pas de savoir si « les modèles ouverts vont éliminer Claude ou GPT », mais plutôt une question plus spécifique : quelle part des revenus d'OpenAI et d'Anthropic provient de tâches de pointe réellement irremplaçables, et quelle part provient de tâches ordinaires qui peuvent finalement être transférées à des modèles moins chers ?

Si la majorité des revenus provient de la première catégorie, les entreprises de modèles conservent un fort pouvoir de tarification. Mais si une grande partie des revenus provient simplement de l'habitude des entreprises d'utiliser le modèle le plus puissant, alors, à mesure que les entreprises optimisent leurs coûts d'IA, cette partie des revenus pourrait faire face à une pression de prix croissante.

C'est pourquoi la structure des clients des entreprises de modèles et la qualité de leurs revenus pourraient être plus dignes d'observation à l'avenir que la simple croissance des jetons.

D'un point de vue des marchés financiers, ce point est particulièrement important. Les investisseurs doivent vraiment évaluer non seulement si « Claude ou GPT peuvent continuer à croître », mais aussi la durabilité de la prime d'intelligence de pointe qui sous-tend cette croissance.

Lorsque le « cerveau » devient de moins en moins cher, la valeur commence à se déplacer vers les « bras et les jambes »

Chamath a proposé un autre jugement plus digne d'intérêt dans l'émission. Si l'on considère les modèles comme des « cerveaux », ce qui détermine réellement l'expérience produit finale devient de plus en plus l'agent harness (cadre d'exécution de l'agent) qui entoure le cerveau.

Ce que l'on appelle le harness peut être compris comme l'ensemble du système qui permet au modèle de « faire des choses », y compris le navigateur, les appels d'outils, la mémoire, la planification des tâches, la gestion des autorisations, l'exécution de code et la capacité de se connecter à différents logiciels. Un même modèle, intégré dans différents harness, peut avoir des performances complètement différentes.

Cela signifie qu'à mesure que les modèles de base se rapprochent, la concurrence entre les entreprises d'IA pourrait commencer à se déplacer vers un niveau supérieur.

La question centrale du passé était : qui a le modèle le plus intelligent ? La prochaine question pourrait devenir : qui peut faire en sorte que ce modèle accomplisse réellement le travail ?

Le Muse de Meta est un exemple représentatif de cette tendance.

Meta a lancé Muse le 8 septembre, le positionnant comme un agent IA personnel : il ne se contente pas de répondre à des questions, mais peut également opérer un navigateur et des applications dans un environnement de calcul virtuel indépendant, accomplissant des tâches telles que l'envoi d'e-mails et l'organisation de voyages.

Dans l'émission, Chamath a mentionné qu'il utilise Muse pour organiser sa boîte e-mail personnelle et a également essayé de lui faire réserver des billets d'avion et des hôtels. Il estime que la signification la plus importante de ce type de produit n'est pas quel modèle sous-jacent est utilisé, mais comment il emballe des capacités d'IA complexes en un logiciel que les utilisateurs ordinaires peuvent utiliser directement.

Cela explique également pourquoi la baisse des prix des jetons ne signifie pas nécessairement que la valeur de l'industrie de l'IA diminue. Au contraire, une intelligence moins chère pourrait rendre plus de produits économiquement viables. Le modèle peut gagner moins, mais cela ne signifie pas que l'ensemble de la pile d'IA gagne moins. La valeur pourrait simplement être redistribuée du modèle lui-même vers les entreprises qui possèdent les utilisateurs, les flux de travail et les produits finaux.

La prochaine compétition en IA pourrait ne plus être qui a le meilleur modèle

Ce changement est encore à ses débuts.

Il existe toujours des différences de capacité entre les modèles de pointe et les modèles à poids ouverts, et les différents benchmarks ne représentent pas encore toutes les tâches réelles des entreprises. L'affirmation d'All-In selon laquelle « les modèles convergent » est actuellement plus appropriée pour être comprise comme un jugement commercial, plutôt que comme un fait industriel déjà accompli.

Mais les changements de prix sont déjà plus clairs. Les modèles à poids ouverts entrent dans de plus en plus d'environnements de production, le coût unitaire des API continue de baisser, et les fournisseurs de modèles fermés baissent également leurs prix de manière proactive. Pendant ce temps, des produits comme Meta Muse commencent à essayer de faire passer l'IA de la fenêtre de chat vers des agents capables d'exécuter de véritables tâches.

Ce qui mérite vraiment d'être observé à l'avenir, ce n'est pas seulement combien de points la prochaine génération de GPT ou Claude a encore augmentés dans les benchmarks.

Il est plus important de considérer quatre variables :

Premièrement, la part des modèles à poids ouverts dans les jetons de production réels peut-elle continuer à augmenter ? Deuxièmement, à quelle vitesse le coût unitaire de l'intelligence peut-il encore diminuer ? Troisièmement, combien de tâches complexes irremplaçables les modèles de pointe à prix élevé peuvent-ils conserver ? Quatrièmement, les agents peuvent-ils réellement établir une fréquence d'utilisation stable et des revenus commerciaux ?

Si les trois premières tendances continuent de se développer, les modèles d'IA pourraient de plus en plus ressembler à une puissance de calcul de base dans le cloud : toujours importante, mais avec des prix de plus en plus transparents et des normes de plus en plus unifiées.

Et ce qui pourrait vraiment déterminer la valeur des entreprises à la prochaine étape, ce n'est peut-être plus seulement « qui possède le cerveau le plus intelligent ». Mais qui peut transformer un cerveau de moins en moins cher en un produit que les gens sont réellement prêts à utiliser et à payer.