IOSF : Le paradoxe des coûts de l'IA vidéo - Pourquoi la génération est-elle moins chère mais les montages finaux restent-ils coûteux ?

By: mp.weixin.qq.com|

Lors du match 3 des finales de la NBA en juin 2025, Kalshi a diffusé une publicité télévisée plutôt chaotique : un agriculteur flottant dans une piscine remplie d'œufs, un extraterrestre buvant de la bière, et un homme enveloppé dans un drapeau américain criant au sujet de l'Indiana. Le réalisateur PJ Accetturo a créé la publicité en utilisant Veo 3 de Google, coûtant environ 2 000 $ et prenant seulement trois jours de la conception à la diffusion. Auparavant, la société de production avait proposé à Kalshi un prix dans la fourchette "six à sept chiffres". Il a généré 300 à 400 fois avant d'obtenir 15 clips utilisables.

Dix mois plus tard, OpenAI a fermé l'application Sora le 26 avril, une plateforme similaire à TikTok dédiée aux flux vidéo générés par l'IA. TechCrunch a cité une enquête du Wall Street Journal rapportant que les coûts d'exploitation quotidiens de l'application étaient d'environ 1 million de dollars, avec le nombre d'utilisateurs passant d'un pic d'environ 1 million à moins de 500 000. L'API du développeur Sora a également été fermée en septembre, et il n'y a actuellement aucun modèle vidéo répertorié sur la liste des prix des développeurs d'OpenAI.

Ces deux événements résument l'état de l'IA vidéo en 2026 : utiliser l'IA pour créer des vidéos est devenu suffisamment bon marché pour changer la façon dont les publicités sont produites ; cependant, regarder simplement des vidéos générées par l'IA n'est pas encore devenu une activité commerciale.

Cœur

Perspective

L'IA vidéo est déjà devenue une véritable entreprise : plusieurs sociétés qui divulguent leurs revenus gagnent collectivement environ 2,3 milliards de dollars par an, ciblant les spécialistes du marketing, les créateurs et les entreprises comme clients. Ce n'est pas une version réduite du marché des grands modèles de langage : le coût d'une vidéo d'une minute est des milliers de fois supérieur à celui d'un texte d'une minute, avec les revenus les plus élevés provenant des applications plutôt que des fournisseurs de modèles. Les premières industries touchées sont celles qui achètent des vidéos "suffisantes" en gros : images d'archives, publicité, formation et courts drames. Les effets spéciaux au cinéma suivent. Les jeux et la robotique sont les derniers, car ils dépendent des lois physiques, et actuellement, les meilleurs modèles obtiennent environ la moitié des images réelles dans des tests physiques.

Classement des revenus : Les entreprises divulguant des données ont un revenu annuel combiné d'environ 2,3 milliards de dollars

Recherche IOSF

Quelques entreprises ont divulgué leurs revenus, et ils croissent rapidement :

  • Le chiffre d'affaires annuel récurrent (ARR) de Higgsfield est passé de 200 millions de dollars fin 2025 à 700 millions de dollars en août 2026.
  • Le modèle vidéo Keling de Kuaishou a dépassé 118 millions de dollars de revenus au deuxième trimestre, plus que doublant d'une année sur l'autre.
  • Fal, une plateforme agrégeant des modèles vidéo et image, avait un ARR d'environ 400 millions de dollars en mars 2026, doublant depuis octobre dernier.
  • L'ARR de HeyGen a dépassé 200 millions de dollars en juin.
  • L'ARR de Runway a dépassé 200 millions de dollars en septembre.

Selon nos calculs, les revenus visibles totalisent environ 2,3 milliards de dollars par an. Une partie de cela provient des revenus d'images, et une autre partie est comptabilisée deux fois puisque les applications se procurent également auprès de Fal. Ce chiffre n'inclut pas Veo de Google, Seedance de ByteDance et plusieurs laboratoires chinois, qui n'ont pas divulgué séparément leurs revenus vidéo. L'erreur est bilatérale : les revenus d'images et le double comptage gonflent le total, tandis que les laboratoires non divulgués le diminuent. Par conséquent, 2,3 milliards de dollars ne peuvent servir que de référence d'échelle, et non de taille de marché calculée.

Les coûts de génération vidéo sont des milliers de fois plus élevés, avec des revenus majeurs dans les applications

Recherche IOSF

L'IA vidéo est souvent décrite de manière informelle comme "ayant quelques années de retard par rapport au marché des grands modèles de langage". Cependant, les données ne soutiennent pas cette affirmation, car les différences entre l'exécution de modèles de langage et l'exécution de modèles d'image/vidéo sont substantielles.

En termes simples, les modèles de langage écrivent comme une personne tape : un mot à la fois, chaque mot étant une petite supposition sur le suivant. Vous pouvez commencer à lire pendant qu'il écrit encore. Les modèles d'image ou de vidéo sont plus comme des architectes : ils commencent à partir d'un bruit aléatoire et affinent itérativement l'ensemble de l'image, ayant généralement besoin de 20 à 50 tours jusqu'à ce qu'une image claire apparaisse. Chaque tour traite tous les pixels simultanément, et rien ne peut être utilisé tant que le dernier tour n'est pas terminé. La vidéo multiplie la charge de travail : une seconde correspond à environ 24 images, et chaque image doit rester cohérente avec les précédentes ; la tasse doit rester à la même position, et le visage doit toujours être le même. Un morceau de texte n'a que quelques centaines de petites unités. C'est pourquoi un modèle open-source testé nécessite environ 350 secondes de temps de calcul sur puce pour générer une seconde de vidéo, et pourquoi le coût d'une minute de vidéo est des milliers de fois supérieur à celui d'une minute de texte.

Anthropic a informé les investisseurs que son chiffre d'affaires annualisé avait atteint 65 milliards de dollars d'ici fin juillet, tandis qu'OpenAI était d'environ 40 milliards de dollars. Les revenus de ces deux laboratoires représentent environ 45 fois le chiffre d'affaires total visible provenant de la vidéo.

Dans le domaine des grands modèles de langage, la plupart des revenus vont aux laboratoires de modèles ; dans le domaine de la vidéo, les revenus les plus élevés proviennent des applications. La plus grande application de modèle de langage est l'outil de programmation Cursor, qui aurait eu un chiffre d'affaires annualisé d'environ 4 milliards de dollars en juin, soit environ un seizième de celui d'Anthropic. Dans le domaine de la vidéo, Higgsfield est en tête avec 700 millions de dollars, les applications encapsulant les modèles d'autres entreprises (Higgsfield, HeyGen, Synthesia, Magnific) représentant plus de la moitié du chiffre d'affaires total visible. Les clients de texte achètent directement l'intelligence du modèle pour l'utiliser. Les clients de vidéo achètent le montage final pour des tâches spécifiques, qui nécessitent un montage, de la cohérence et des flux de travail de soutien, et des applications sont construites autour de ces besoins, formant une station de travail vidéo.

Une image vaut mille mots

Au 22 octobre, le prix le plus bas enregistré pour chaque minute de vidéo est d'environ 3 dollars, provenant du niveau le moins cher de Veo, différant du niveau le plus élevé d'environ 7 600 fois.

Il y a aussi quelques distinctions à noter : le code est le plus grand marché pour les grands modèles de langage, qui peuvent être validés automatiquement ; la vidéo repose sur le jugement humain, qui est plus subjectif. Le texte est acheté par jeton ; la vidéo est achetée par clips, correspondant aux budgets de production.

Qui paie : des preuves publiques pointent vers des clients d'entreprise

Recherche IOSF

Higgsfield prétend être une plateforme "pour les créateurs, les marketeurs, les marques, les agences et les sociétés de production", affirmant qu'elle "fournit un soutien à la production de contenu visuel pour 390 entreprises du Fortune 500" (Higgsfield). HeyGen affirme que 85 % des entreprises du Fortune 100 l'utilisent (HeyGen). Aucune des deux entreprises n'a décomposé les revenus par utilisation, donc sur la base des seules données publiques, il n'est pas clair combien de revenus proviennent d'individus réalisant des vidéos à des fins de divertissement. Toutes les preuves disponibles publiquement pointent vers des acheteurs d'entreprise.

Une segmentation plus poussée des acheteurs révèle une divergence dans les modèles commerciaux. Les gens peuvent regarder beaucoup de vidéos d'IA, mais ce pour quoi ils paient varie, tout comme leurs exigences en matière de qualité.

  • Les applications de drame court vendent des histoires par épisode, donc la qualité détermine si les téléspectateurs continuent à payer. Leur plus grand coût est l'acquisition de clients, pas la production : selon Media Partners Asia, la plus grande plateforme de drame court, ReelShort, alloue 55 % de ses revenus estimés à 785 millions de dollars en 2025 à l'acquisition d'utilisateurs et au marketing (Indian Television). Le marketing représente 55 % des revenus, et tous les autres coûts, y compris la génération, doivent être couverts par les 45 % restants. Ainsi, les modèles moins chers ne peuvent compresser que la plus petite partie du budget. De meilleurs modèles affectent la partie rentable : si les téléspectateurs sont prêts à continuer à payer pour le prochain épisode. ReelShort n'a pas divulgué ses dépenses de génération, donc c'est notre interprétation de sa structure de coûts, pas une répartition mesurée.
  • Les téléspectateurs découvrent ces drames à travers les fils sociaux (une enquête de Meta et Ormax montre que cette proportion est de 89 % parmi les téléspectateurs indiens), et les producteurs se tournent également rapidement vers l'IA : selon Owl & Co, environ deux tiers des nouveaux drames courts verticaux en dehors de la Chine au troisième trimestre étaient générés par IA, contre seulement 3 % au premier trimestre (The Hollywood Reporter).
  • Les applications de compagnon IA vendent des connexions émotionnelles plutôt que des visuels. Les utilisateurs reviennent sans cesse pour cette relation, donc les vidéos n'ont besoin d'être que "suffisantes". La clé est le coût et la rapidité, car chaque utilisateur nécessite un grand volume de vidéos.

Prix de --

--
--
--

Une production bon marché ne signifie pas une audience : la valeur se déplace vers les décideurs dans la distribution de contenu

IOSF Research

L'industrie musicale a déjà franchi cette étape. Selon Deezer, lors des jours de pointe en juin, les morceaux entièrement générés par IA ont dépassé la moitié de tous les nouveaux téléchargements sur la plateforme de streaming, avec près de 90 000 nouveaux morceaux ajoutés chaque jour. Cependant, ils ne représentent que 1 % à 3 % du total des écoutes.

Deezer exclut les morceaux détectés comme étant générés par IA des recommandations et des playlists, rendant visible l'écart entre les téléchargements et les écoutes. Ce modèle reflète ce que l'économiste Herbert Simon a décrit en 1971 : lorsque l'information devient abondante, l'attention devient une ressource rare. Lorsque la production est presque gratuite, l'offre inonde le marché, et la valeur se déplace vers ceux qui décident quel contenu est vu. Deux chercheurs ont qualifié le seuil de qualité fixé par les téléspectateurs pour le contenu IA de "plafond de déchets".

Quelles industries sont les plus touchées en premier : les images de stock et la publicité en tête, suivies par les jeux et la robotique

IOSF Research

Les 2,3 milliards de dollars d'aujourd'hui restent encore faibles par rapport aux dépenses vidéo existantes, et le financement ne se déplacera pas de manière uniforme. Classement par la proportion de travail vidéo que les modèles actuels peuvent accomplir :

  1. Images et vidéos d'archives. Les clips générés peuvent remplacer directement les matériaux sous licence. Les deux principales agences de photos d'archives, Getty Images et Shutterstock, ont généré environ 2 milliards de dollars de revenus l'année dernière, ce qui en fait le secteur vertical le plus touché.
  2. Publicité et vidéos de produits. WPP Media estime que les revenus publicitaires mondiaux seront d'environ 1,3 trillion de dollars cette année. Seule une petite partie de cela est utilisée pour produire des publicités, mais la publicité de Kalshi indique combien cette dépense peut être réduite à mesure que les coûts de génération diminuent, éliminant une quantité significative de coûts indirects associés aux publicités en direct.
  3. Vidéos de formation et explicatives. En 2025, les institutions américaines devraient dépenser 102,8 milliards de dollars en formation (Training magazine). C'est le marché pour HeyGen et Synthesia, où les vidéos pilotées par téléprompteur sont les plus faciles à générer.
  4. Courtes dramatiques. En Chine, les revenus des micro-dramas (produits pour mobile, avec des épisodes durant une à deux minutes) devraient atteindre 9,4 milliards de dollars d'ici 2025, dépassant le box-office national. Ces producteurs ont accepté la qualité des vidéos mobiles, et la demande est forte.
  5. Effets visuels. IMARC estime que la taille du marché sera d'environ 11 milliards de dollars d'ici 2025 (IMARC), bien que les estimations varient largement. Les producteurs utilisent déjà des prises générées (voir ci-dessous).
  6. Film et télévision. Ampere Analysis estime que les dépenses mondiales en contenu atteindront 255 milliards de dollars d'ici 2026. L'IA entre dans ce domaine image par image, plutôt que pour des œuvres entières.
  7. Jeux et robotique. Selon Newzoo, l'industrie du jeu devrait générer 201,6 milliards de dollars de revenus d'ici 2025. Les modèles vidéo ne seront efficaces ici que lorsqu'ils apprendront à simuler le monde, ce qui est l'objet de la dernière section de cet article.

Comment l'IA change les coûts de production vidéo : les taux d'achèvement et les prix unitaires comptent

IOSF Research

L'impact le plus évident est sur les coûts. En dehors des publicités de Kalshi, le long métrage animé soutenu par OpenAI, Critterz, avait un budget de moins de 30 millions de dollars et un cycle de production de neuf mois ; un grand film d'animation nécessite généralement entre 100 millions et 200 millions de dollars et environ trois ans.

Les prix diminuent par niveau, pas de manière universelle.

Le prochain tour de réduction des coûts apparaît déjà dans la recherche. Une étude pratique menée par des chercheurs de Hugging Face a révélé que générer un clip de 5,4 secondes avec un grand modèle open-source sur un GPU phare prend 1 875 secondes, ce qui correspond à environ 350 secondes de temps de calcul par seconde de vidéo. La distillation s'attaque directement à ce problème. Une équipe a augmenté le taux de rafraîchissement d'un petit modèle open-source d'environ 22 fois, le rendant suffisamment rapide pour la génération en streaming en temps réel sur une seule puce. La réduction significative des coûts nécessaires pour les applications complémentaires viendra de là : générer d'abord à basse résolution, puis effectuer une super-résolution.

Le prix pour générer une seconde de vidéo n'est qu'une partie du coût. Le directeur de la publicité de Kalshi conserve environ 1 clip sur 20 à 27, donc pour lui, le coût de la vidéo utilisable par seconde est de 20 à 27 fois le prix affiché. C'est du côté élevé. Un résumé d'un fournisseur d'outils vidéo montre que pour une série animée de trois minutes, 1 clip sur 4 est conservé (41 sur 164). Personne n'a encore publié de statistiques indépendantes sur les taux d'achèvement. La cohérence affecte directement les taux d'achèvement. Si un modèle peut garder les personnages, les produits ou les mouvements de caméra cohérents à travers plusieurs générations, moins de générations sont nécessaires ; réduire de moitié le nombre de générations réduit également de moitié le coût de la vidéo utilisable par seconde. Des prix plus bas rendent simplement chaque génération moins chère.

Notre test : même prompt, trois modèles. Le 2 novembre, nous avons utilisé l'API de Runway pour donner le même prompt à trois modèles : un téléphone sur une table en verre s'allumant et vibrant vers le bord de la table, rebondissant une fois sur le sol en béton après être tombé. Chaque segment durait 8 secondes, en 720p, silencieux, et chaque modèle a été généré une fois, coûtant un total de 4,80 $.

▲ De gauche à droite : Wan 3.0, Seedance 2.5, Veo 3.1

  • Wan 3.0 (0,80 $, classé premier) a obtenu les meilleurs résultats. Le téléphone a avancé, est tombé et s'est arrêté, mais le plan s'est incliné vers le bas pour le suivre.
  • Seedance 2.5 (2,40 $, le plus cher des trois) avait l'effet de vibration le plus réaliste mais a changé de plan avant la chute, et l'écran est devenu noir.
  • Veo 3.1 (version silencieuse 1,60 $, classé 22e) a commencé avec le téléphone en position verticale au lieu d'horizontale, et il a rebondi plusieurs fois sur le sol comme du caoutchouc. Son texte à l'écran était le plus clair parmi les trois. (Nous continuons à suivre Veo car Google a l'historique de prix le plus clair, et non parce qu'il est en tête. En termes de qualité, il est maintenant derrière des modèles moins chers, comme l'indique notre test.)

Aucun des trois modèles n'a entièrement exécuté le prompt, chaque segment prenant entre 2 et 4,5 minutes à générer, soit 15 à 34 fois la durée des segments (selon nos calculs). Les trois segments ne nous apprennent pas grand-chose, mais le classement des résultats est cohérent avec le classement général, pas avec les prix.

Le prochain tournant : coût et latence

Recherche IOSF

Les modèles moins chers sont un chemin. Un autre chemin consiste à reproduire les méthodes de production de films et d'animations existantes : d'abord brut, puis précis.

Produire d'abord un brouillon à faible coût, puis rendre une seule fois.

Les animateurs ont résolu ce problème il y a des décennies. Ils ne commencent pas à animer tant que l'histoire n'est pas réglée ; au lieu de cela, ils dessinent d'abord des storyboards et créent des animatiques brutes. La vidéo AI peut faire cela aussi. Un montage brut d'une ou deux images par seconde est suffisant pour juger de l'histoire et des plans, similaire à une bande dessinée ; les plans sélectionnés et les plus adaptés sont ensuite rendus par les meilleurs modèles.

Cela aborde également le problème du taux d'achèvement mentionné ci-dessus. Si la plupart des résultats générés seront rejetés, il est préférable de les rejeter tant qu'ils sont encore bon marché.

ByteDance a déjà transformé cette pratique en produit. Le mode Brouillon de Seedance 2.5 a été lancé sur fal le 30 octobre, générant rapidement des aperçus basse résolution avant de compléter la même vidéo en pleine HD. Seuls les segments retenus sont payés au prix fort. La différence de prix s'accumule rapidement (fal) :

  • Aperçu (480p) : environ 0,22 $ par seconde
  • Pleine HD (1080p) : environ 1,16 $ par seconde, soit environ 5 fois le prix de l'aperçu
  • Compléter le brouillon en une pièce finie : fal ne liste pas le prix. Dans les tests de notre équipe, le coût était de 6 à 8 fois inférieur à celui de la génération directe de segments en pleine HD.

Le compromis est la qualité. Les pièces finies complétées à partir de brouillons semblent légèrement plus douces que les segments en pleine HD générés directement, mais cela a également corrigé un étrange dernier cadre dans l'aperçu. Les économies sont significatives lorsqu'elles sont mises à l'échelle. Si 1 génération sur 25 est retenue (taux d'achèvement de 4 %), le coût d'une heure de vidéo finie en pleine HD serait :

  • Générer en pleine HD à chaque fois : environ 105 000 $
  • Produire d'abord des brouillons, puis compléter les segments retenus : environ 20 000 $ (selon nos calculs)

Des processus hybrides émergent déjà.

Produire des brouillons à faible coût est un raccourci. Un autre est de combiner d'anciens outils avec de nouveaux. Les créateurs construisent maintenant d'abord des scènes dans l'outil de conception 3D Blender en utilisant des géométries grises, placent des objets et des angles de caméra avec GPT-6 Astra d'OpenAI, puis convertissent une image fixe de la scène en une première image réaliste, générant la pièce finie avec Seedance 2.5 (tutoriel Kapwing, Dreamina de ByteDance).

Les deux outils complètent les lacunes de l'autre. S'appuyer uniquement sur la 3D est trop lent pour le réalisme ; s'appuyer uniquement sur la vidéo AI est difficile à contrôler. Lorsqu'ils sont combinés, le brouillon 3D détermine la mise en page et les prises de vue, tandis que le modèle vidéo est responsable de la qualité visuelle.

La génération en temps réel est à l'horizon.

La dernière étape est la vitesse. Regarder et rendre des vidéos n'est plus seulement une démonstration de laboratoire :

  • Runway Characters (mars) : Un modèle vidéo capable de conversation en temps réel, basé sur le GWM-1 de Runway (Runway)
  • Runway Solaris (31 août) : Le premier "Modèle de Monde d'Interface" de Runway (Crypto Briefing)
  • Decart (mai) : Convertit instantanément les flux vidéo en temps réel en scènes générées ; a levé 300 millions de dollars à une valorisation d'environ 4 milliards de dollars (bne IntelliNews)
  • Zoom Virtual Avatars : Remplace les séquences de caméra par des avatars virtuels réalistes qui imitent vos expressions lorsque vous parlez, avec des fonctionnalités dépendant du plan et de la région (Zoom)

Une fois que la vitesse de génération vidéo peut répondre aux besoins des conversations en temps réel, les défis pour les applications d'accompagnement changeront : il ne s'agira plus de savoir combien cela coûte par minute, mais de la rapidité avec laquelle le prochain cadre peut arriver.

Au-delà du marketing : Dans le cinéma, la télévision et les effets, l'IA peut faire des prises de vue d'effets spéciaux mais pas de longs projets

IOSF Research

Hollywood teste si l'IA vidéo peut sortir du domaine de la publicité.

Jusqu'à présent, les producteurs l'ont principalement utilisée de deux manières : d'abord, pour créer des prises de vue que le budget ne pouvait pas couvrir à l'origine ; ensuite, pour licencier leurs personnages et gagner des revenus lorsque d'autres les utilisent.

Premièrement, créer des prises de vue qui étaient à l'origine inabordables.

Récemment, deux émissions ont utilisé l'IA pour compléter des scènes qui auraient autrement été coupées.

  • Le Eternaut de Netflix : Cette série argentine a complété une scène d'effondrement de bâtiment en utilisant une vidéo générative. Le co-PDG Ted Sarandos a déclaré que la vitesse de réalisation de cette prise de vue était dix fois plus rapide que les effets traditionnels, et que l'utilisation de méthodes traditionnelles aurait été "complètement irréalisable" dans le budget de l'émission.
  • La Maison de David d'Amazon : La deuxième saison de cette série à thème biblique a utilisé entre 350 et 400 images générées par IA, contre environ 70 dans la première saison (TheWrap). Le showrunner a indiqué que sans l'IA, il n'aurait pas pu se permettre ces scènes de bataille.

D'autres sociétés de production sont allées plus loin en collaborant directement avec des fournisseurs de modèles. Lionsgate a investi dans Runway en juin (le ratio de participation n'a pas été divulgué) et prévoit de créer une série courte basée sur sa bibliothèque de films (Runway). AMC Networks a également signé un contrat avec Runway (Hollywood Reporter).

Deuxièmement, générer des revenus grâce à la licence de personnages.

La plus grande controverse concerne la propriété des personnages. L'approche de Disney reflète deux côtés :

  • Juin 2025 : Disney et Universal ont poursuivi Midjourney pour violation de droits d'auteur.
  • Décembre 2025 : Disney a accepté d'investir 1 milliard de dollars dans OpenAI et a licencié Sora pour utiliser plus de 200 de ses personnages (Disney).
  • Après la fermeture de Sora : L'accord a été résilié, et Disney a déclaré qu'il chercherait d'autres partenaires IA (Blooloop).

La conclusion est simple : les sociétés de production veulent être compensées lorsque leurs personnages sont utilisés, et elles poursuivront en justice ceux qui les utilisent sans paiement.

Les titulaires de droits d'auteur japonais ont été les plus loin, passant de l'interdiction de l'IA à la licence de l'IA, motivés par l'argent. L'animation japonaise se vend bien à l'étranger, mais de nombreuses sociétés de production ont des difficultés :

  • Selon des statistiques préliminaires de l'Association japonaise d'animation, les revenus à l'étranger en 2024 s'élèveront à 2,17 trillions de yens, dépassant les revenus domestiques (gamebiz).
  • En 2025, 34,6 % des sociétés de production d'animation devraient enregistrer des pertes (Teikoku Databank, via GameBusiness).

En octobre 2025, CODA, représentant les titulaires de droits d'auteur japonais, a exigé qu'OpenAI cesse d'utiliser les œuvres de ses membres pour entraîner Sora 2 sans autorisation (Automaton).

En moins d'un an, l'attitude a changé. Le 11 septembre, le laboratoire d'IA chinois MiniMax et la société japonaise KAGAMIAI ont lancé l'édition H3 IP à Tokyo. Les créateurs peuvent l'utiliser pour produire des vidéos avec des personnages japonais sous licence, chaque personnage étant accompagné de matériaux approuvés, de règles d'utilisation et de conditions commerciales, et rapportant l'utilisation aux titulaires de droits d'auteur. MiniMax affirme que plus de 60 entreprises ont exprimé leur intérêt (MiniMax).

Auparavant, KAGAMIAI avait mené un projet pilote avec Captain Tsubasa, utilisant un autre modèle vidéo chinois, PixVerse, qui a montré la demande potentielle (source identique à la page MiniMax ci-dessus) :

  • Environ 126 000 créateurs
  • Environ 330 000 œuvres produites en 45 jours
  • Plus de 99 % des activités provenaient de l'extérieur du Japon

La licence des créations de fans pourrait devenir le premier marché de consommation de masse à partir duquel les titulaires de droits d'auteur de personnages vidéo IA peuvent générer des revenus.

Le schéma est le suivant : l'IA peut réaliser des effets spéciaux, mais ne peut pas gérer des projets longs.

Dans tous les cas ci-dessus, l'IA a géré des plans que les séries à budget moyen ne pouvaient pas se permettre : des plans larges, des foules, des scènes de destruction et des décors environnementaux. Le reste de la production est toujours réalisé par des humains. La technologie des graphiques informatiques est entrée dans le cinéma de manière similaire, les effets spéciaux devenant courants bien avant que Toy Story ne prouve qu'un long métrage entier pouvait être réalisé en utilisant cette technologie en 1995.

Un résultat de test pointe également dans la même direction. Dans les tests de référence physiques décrits ci-dessous, les scores du modèle Odyssey-3 Pro dépendent du point de départ :

  • Continuant avec des séquences réelles : 63 points, génération unique
  • Partant d'une seule image : 50 points

La vidéo IA fonctionne mieux lorsqu'elle est basée sur du matériel réel, ce qui est exactement comment fonctionnent les effets spéciaux : chaque plan généré est intégré dans des séquences réelles. Ce test ne mesure pas la durée. Personne n'a encore publié de test sur la capacité des modèles à maintenir la cohérence entre plusieurs plans, et ce test expliquerait pourquoi les projets longs ne peuvent toujours pas être réalisés.

Des laboratoires spécialisés vont-ils émerger ? Ils existent déjà, les entreprises vidéo se diversifient en trois types

Recherche IOSF

Des laboratoires spécialisés ont émergé, et trois types d'entreprises vidéo se diversifient :

Géants généraux. Google (Veo), ByteDance (Seedance) et Kuaishou (Kua Ling) disposent du plus de puissance de calcul et de données. Ils se font concurrence sur la qualité et le prix, la plupart des applications revendant leurs modèles.

Laboratoires de type studio de production. Runway a actuellement Lionsgate comme actionnaire et développe des produits pour le cinéma et la télévision. Moonvalley n'utilise que des séquences sous licence pour entraîner son modèle Marey, ayant levé 154 millions de dollars d'ici juillet 2025, et son département de production Asteria utilise ce modèle pour réaliser des films. Ces laboratoires peuvent fournir trois choses que les géants ont du mal à offrir : des données d'entraînement acceptables pour les méthodes de production, un contrôle précis sur chaque image et des outils pouvant s'intégrer aux processus d'effets spéciaux existants.

Couche d'application. Higgsfield, HeyGen et Magnific emballent des modèles d'autres laboratoires et les vendent à des clients spécifiques.

Nouveaux laboratoires et leurs directions de paris. Les plus gros investissements que nous avons trouvés pour 2026 sont dirigés vers des laboratoires développant des modèles interactifs ou des modèles mondiaux : le tour de financement de 1,03 milliard de dollars d'AMI Labs, le financement de 315 millions de dollars de Runway (Runway affirme qu'il sera utilisé pour des modèles mondiaux), et l'acquisition de 8,2 milliards de dollars par AMD de World Labs. Nous n'avons pas comptabilisé tous les financements dans le domaine vidéo pour l'année ; le tableau ci-dessous mélange les tours de financement, une acquisition et des mises à jour de produits :

Les percées les plus susceptibles de se produire au cours des 12 prochains mois proviennent également de ce tableau : la génération de vidéos avec des capacités en temps réel suffisantes pour soutenir des appels et des jeux, des mondes interactifs au lieu de segments fixes, et la génération de personnages sous licence évolutive.

Dans le domaine du cinéma et des effets spéciaux, les laboratoires de type studio de production sont les plus susceptibles de gagner. Les sociétés de production ne peuvent pas supporter le risque de litige pour une prise clé (prise héroïque), doivent reproduire avec précision l'intention du réalisateur et doivent collaborer avec des équipes syndiquées ; les fournisseurs généraux qui ne fournissent que les modèles bruts les plus puissants ne peuvent rivaliser que sur le prix.

La plus grande opportunité est le monde, pas les segments

IOSF Research

Dans ce tour de développement intelligent, le plus grand marché pour les modèles vidéo pourrait finalement ne pas être la vidéo du tout. Un modèle capable de prédire la prochaine image d'une scène pourrait apprendre comment le monde se déplace, ce qui serait très utile pour les jeux et la robotique.

Runway a lancé GWM-1 en décembre 2025, le qualifiant de modèle de monde général, avec trois versions : un monde exploratoire, un avatar virtuel conversationnel et un modèle robot utilisé pour prédire ce que la caméra verra après chaque action du robot. Il génère des images en 720p en temps réel pendant jusqu'à deux minutes. Lorsque Runway a levé 315 millions de dollars à une valorisation de 5,3 milliards de dollars en février, il a déclaré que cet argent serait utilisé pour développer des modèles de monde plus puissants.

Platon a décrit ce pari dans l'allégorie de la caverne dans La République.

Les prisonniers ne peuvent voir que les ombres sur le mur, et ils honorent ceux qui "observaient le plus attentivement les ombres qui passent" et peuvent le mieux prédire quelle ombre apparaîtra ensuite. Le modèle vidéo est un prédicteur d'ombres qui peut gagner des prix mais n'a jamais vu l'objet projetant l'ombre. Le point de Platon est que cette compétence n'est pas une connaissance. Pour les modèles vidéo, la question est de savoir si prédire la prochaine image signifie comprendre comment le monde se déplace ; le Physics-IQ est un moyen de tester cela.

Le Physics-IQ est un test de référence organisé par Google DeepMind : il montre au modèle le début d'un événement physique réel, puis évalue à quel point les images générées par la suite correspondent à la situation réelle. Un score de 100 signifie qu'il est aussi proche qu'une autre prise réelle. Selon le score original, le meilleur modèle vidéo à image unique est passé de 23 points en février 2025 à 44 points en mai de cette année. Dans les classements re-scorrés, le meilleur modèle vidéo à image unique a obtenu 51 points, tandis que le Veo 3.1 Fast de Google (30 points) était au même niveau qu'un modèle open-source de 2024 (32 points). La découverte propre au document est que la compréhension physique n'est pas liée à la manière dont les segments semblent réels.

Avoir l'air réel a été fondamentalement résolu, se comporter de manière réelle ne l'a pas été. Dans ce test, les meilleurs modèles sont encore à peu près à mi-chemin entre 0 points et une autre prise réelle. Puisqu'il a été prouvé que le réalisme et la performance physique ne sont pas liés, des séquences mieux réalisées ne réduiront pas automatiquement cet écart.

Si ce score approche 100, les laboratoires vidéo deviendront des entreprises de simulation, vendant des produits aux studios de jeux et aux fabricants de robots ; dans ce marché, l'avantage du premier arrivé dans le domaine vidéo sera très important.

Conclusion : Trois chiffres déterminent la direction de cette industrie

IOSF Research

La plupart des questions laissées par cet article peuvent être répondues par trois chiffres :

  1. Combien de résultats générés sont adoptés ? Actuellement, les seules données que nous avons sont : les publicités Kalshi sont de 4 % à 5 %, et une série animée est de 25 %. Je crois personnellement que la cohérence aura un impact plus important sur ce chiffre que la qualité de l'image originale, et les laboratoires se développeront dans cette direction : construire des environnements capables de gérer la cohérence et de soutenir de grands contextes pour la génération, plutôt que de poursuivre des générations uniques exceptionnelles.

  2. Combien coûte la production d'une heure de vidéo ? Divisez le prix par le ratio de rétention. Aux prix d'aujourd'hui, le coût de la même heure de vidéo peut être :

  • Veo 3.1 Lite (prix d'origine) : 720 $ à 4 500 $
  • Seedance 2.5 Full HD : 16 800 $ à 105 000 $
    Selon cette formule, doubler le taux de production et réduire de moitié le prix ont le même effet sur la réduction des coûts. La différence réside dans l'espace qu'il reste à chacun. En se basant sur les taux de production actuels de 4 % à 25 %, un modèle qui rend chaque génération utilisable pourrait réduire les coûts de 4 à 25 fois. Les prix ont déjà baissé, et les réductions sont inégales selon les niveaux. Nous jugeons que le taux de production sera un levier plus important au cours des deux prochaines années. Si le prochain lot de taux de production annoncés reste autour de 4 %, tandis que les prix continuent de baisser, ce jugement sera incorrect.
  1. La performance physique peut-elle tenir le coup ? Physics-IQ est le seul test public qui examine si les mouvements des modèles s'alignent avec le monde réel, les meilleurs modèles obtenant environ la moitié des images réelles ; dans les scénarios où les modèles sont basés sur des images réelles, l'écart se réduira d'abord.

Il y a deux ans, la question était de savoir si les vidéos générées par l'IA pouvaient avoir un aspect suffisamment bon. Cette question a largement trouvé réponse : les publicités de Kalshi ont été diffusées pendant les finales de la NBA, et Netflix a intégré des visuels générés dans des séries officiellement lancées.

Maintenant, les problèmes non résolus concernent l'argent et le contrôle :

  • Qui reçoit l'argent ? Les producteurs souhaitent recevoir une part lorsque leurs personnages apparaissent ou établir un mécanisme de type redevance. L'autorisation des personnages, des individus ou des idoles pour les créations des fans pourrait connaître une croissance significative.
  • Quelles nouvelles possibilités émergeront ? Si l'écart physique se réduit, les modèles vidéo ne seront plus seulement des générateurs de fragments mais deviendront des simulateurs. Notre jugement : la première intersection pour générer une demande payante sera la formation de robots, qui implique l'extension des images réelles avec des modèles. C'est actuellement le scénario le mieux noté (63 points contre 50 points), et le GWM-1 de Runway vend déjà de tels produits. Les jeux viendront plus tard car les jeux nécessitent que les modèles commencent de zéro et maintiennent la cohérence pendant des heures. D'ici 2027, nous prévoyons que le marché des simulateurs sera encore plus petit que les marchés de la publicité et de la production dont il dérive. Si un studio de jeux publie des œuvres basées sur des modèles de monde génératifs avant cela, ce jugement sera incorrect.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.

Vous pourriez aussi aimer

iconiconiconiconiconiconiconicon
Assistance client:@weikecs
Collaborations commerciales:@weikecs
Trading quantitatif/Market makers:bd@weex.com
Programme VIP:support@weex.com