Kimi K3 réévalue le récit de l'IA : un modèle bon marché interrompra-t-il la frénésie de la puissance de calcul ?

TL;DR
· Après le lancement de Kimi K3, les actions liées à l'IA ont chuté vendredi dernier, le marché réitérant ses inquiétudes concernant les dépenses en puissance de calcul liées à DeepSeek R1.
· Les géants du cloud américains prévoient environ 700 milliards de dollars pour l'infrastructure IA cette année, un chiffre clé qui impacte l'évaluation des modèles à poids ouverts.
· Les modèles ouverts pourraient faire baisser les prix des modèles fermés, mais pourraient également augmenter l'utilisation de l'IA, ce qui ne signifie pas que la demande en puissance de calcul atteindra un plafond.

Dans un rapport destiné aux investisseurs ordinaires, Deutsche Bank a noté qu'après le lancement de Kimi K3 par Moonshot AI, les actions de l'IA ont de nouveau connu un « moment DeepSeek » vendredi dernier : le marché a commencé à se demander si les géants technologiques américains, qui dépensent des centaines de milliards de dollars pour l'infrastructure IA, peuvent encore justifier ces coûts si les modèles à poids ouverts en Chine peuvent atteindre des niveaux comparables à ceux des modèles fermés à un coût inférieur.

Ce n'est pas un simple débat technique. Le rapport mentionne qu vendredi dernier, les « sept géants de la technologie » ont chuté d'environ 1,8 %, et l'indice des semi-conducteurs de Philadelphie a baissé d'environ 1,6 %, portant sa perte cumulée de la semaine à plus de 10 %. Alphabet, Google, Microsoft, Amazon AWS, Meta et Oracle prévoient d'investir environ 700 milliards de dollars cette année pour développer des capacités en IA, soit une augmentation d'environ 70 % par rapport à l'année dernière.

La raison de l'inquiétude des investisseurs est très directe : le marché haussier de l'IA des dernières années s'est basé sur une hypothèse - des modèles plus puissants nécessitent plus de puces, plus de centres de données, plus d'électricité et des dépenses en capital plus élevées. Mais après DeepSeek R1, Kimi K3 rappelle au marché que des modèles bon marché, légers, téléchargeables et modifiables rattrapent les géants fermés.

Pourquoi le lancement d'un modèle pourrait-il affecter Nvidia et les fournisseurs de cloud ?

L'impact de DeepSeek R1 en janvier 2025 reste dans la mémoire du marché. Le rapport rappelle qu'à l'époque, le marché craignait que des équipes chinoises utilisant des puces plus anciennes et des coûts d'entraînement plus bas puissent produire des modèles « suffisamment bons », entraînant une evaporation de la valeur boursière de Nvidia d'environ 600 milliards de dollars en une seule journée.

Les questions soulevées par Kimi K3 sont similaires : si les modèles à poids ouverts peuvent atteindre des niveaux utilisables dans de nombreux scénarios d'application, les entreprises doivent-elles continuer à payer pour les modèles fermés les plus chers ? Les fournisseurs de cloud doivent-ils continuer à construire des centres de données à ce rythme ? La demande en puces va-t-elle passer de « plus c'est mieux » à « moins cher, plus efficace et plus décentralisé » ?

La clé ici n'est pas de savoir si Kimi K3 a déjà complètement dépassé OpenAI ou Anthropic, mais si elle est suffisamment capable de remettre en question certaines hypothèses par défaut sur le modèle commercial de l'IA. Tant que des modèles « suffisamment bons » deviennent de moins en moins chers, le pouvoir de tarification des fournisseurs de modèles fermés sera comprimé, et les histoires de croissance des fournisseurs de cloud et des entreprises de puces devront également faire face à plus d'examen.

C'est aussi pourquoi le lancement d'un modèle peut avoir un impact sur le marché boursier. Parmi les sept géants de la technologie, plusieurs entreprises sont à la fois fournisseurs de modèles et d'applications IA, et les plus grands acheteurs de centres de données au monde ; l'indice des semi-conducteurs subit directement les attentes du marché concernant la demande en GPU, équipements réseau et serveurs IA.

Ce qui impacte réellement l'évaluation, ce n'est pas le mot « open source »

De nombreux modèles d'IA qualifiés de « open source » par le marché sont en réalité plus précisément décrits comme des « poids ouverts ».

Les modèles fermés ressemblent le plus à des services « plug-and-play ». Les modèles phares d'OpenAI comme GPT et d'Anthropic comme Claude sont généralement contrôlés par les développeurs en ce qui concerne les poids du modèle, les méthodes d'entraînement, la tarification, les mises à jour et les restrictions de sécurité, les utilisateurs y accédant via des applications, des API ou des services cloud. Leurs avantages sont la commodité, la stabilité et une intégration élevée ; leurs inconvénients sont que les utilisateurs ont du mal à maîtriser le contrôle sous-jacent et doivent accepter les prix et les règles des fournisseurs de services.

Les modèles à poids ouverts, quant à eux, rendent les paramètres d'entraînement accessibles, permettant aux utilisateurs de télécharger, déployer, ajuster et même modifier techniquement certaines configurations de sécurité. DeepSeek R1, Llama de Meta et plusieurs modèles de Mistral se rapprochent davantage de cette catégorie. Ils ne publient pas nécessairement l'intégralité des données d'entraînement, du code d'entraînement et des détails de reproduction, et ne sont donc pas équivalents à des systèmes open source au sens strict.

Cette distinction est importante pour les clients d'entreprise. Les modèles à poids ouverts signifient un meilleur contrôle : les entreprises peuvent exécuter des modèles sur leurs propres serveurs, réduisant ainsi leur dépendance aux API externes ; elles peuvent également personnaliser en fonction de l'industrie, de la langue ou de la tâche ; pour les institutions financières, médicales et gouvernementales, où les données ne peuvent pas quitter l'environnement local, le déploiement local est plus attrayant.

Mais « téléchargeable » ne signifie pas « gratuit ». Les entreprises doivent toujours payer pour la puissance de calcul, l'électricité, l'ingénierie, la surveillance, la maintenance et la sécurité. Les modèles ouverts ne possèdent pas nécessairement les mêmes capacités générales, expériences produit et engagements de service que les modèles phares fermés. En d'autres termes, leur impact ne réside pas dans le fait de remplacer du jour au lendemain les modèles fermés, mais dans le fait d'offrir aux clients une autre option.

Quatre domaines où l'évaluation de l'IA est remise en question

Les modèles comme Kimi K3 remettent d'abord en question la « rareté ».

Si des modèles puissants peuvent être copiés, modifiés et hébergés par davantage de développeurs, les modèles IA eux-mêmes pourraient de plus en plus ressembler à des infrastructures logicielles de base, plutôt qu'à des produits à forte marge réservés à quelques entreprises. Les fournisseurs de modèles fermés peuvent toujours gagner de l'argent grâce à leurs produits, données, sécurité et écosystème, mais il sera plus difficile de facturer des prix élevés uniquement en raison de la « supériorité des capacités du modèle ».

Le deuxième aspect remis en question est le pouvoir de tarification. À mesure que les agents IA et les employés d'entreprise utilisent davantage de tokens, le coût d'appel des modèles passe d'une petite facture de phase pilote à un gros projet dans le budget des entreprises. Lorsque les subventions pour l'IA diminuent et que les fournisseurs de modèles leaders commencent à facturer plus clairement par token, les clients sensibles aux coûts seront plus enclins à essayer des modèles ouverts.

Le troisième est les dépenses en capital. Les investissements en IA des géants technologiques américains sont déjà très importants, avec Google, Microsoft, AWS, Meta et Oracle prévoyant environ 700 milliards de dollars pour développer des capacités en IA cette année, un chiffre qui attire beaucoup d'attention sur le marché. Si les entreprises peuvent résoudre la plupart des tâches avec des modèles plus petits, moins chers et plus spécialisés, les investisseurs se demanderont naturellement si la croissance des dépenses en puces, réseaux, électricité et centres de données est trop rapide.

Le quatrième est la barrière technologique des États-Unis. Le lancement continu de modèles à poids ouverts en Chine a affaibli l'idée que la position de l'IA américaine est « inébranlable ». Le rapport mentionne qu'en cette année, le nombre de tokens traités par des modèles chinois sur la plateforme de développeurs OpenRouter a déjà dépassé celui des modèles américains. Cela ne signifie pas que l'avantage de l'IA américaine a disparu, mais cela signifie que l'utilisation par les développeurs et la diffusion de l'écosystème deviennent plus dispersées.

Ces impacts pointent tous vers un résultat : les modèles fermés restent la référence en matière de capacités de pointe, mais le récit selon lequel « les modèles fermés monopolisent tout » s'affaiblit.

Les modèles ouverts ne sont pas seulement défavorables à l'IA, ils pourraient également amplifier la demande

Le marché a tendance à interpréter ces événements comme « des modèles bon marché frappant la demande en puces ». Mais le jugement du rapport est plus équilibré : de puissants modèles ouverts défient effectivement le modèle commercial des modèles fermés et les attentes en matière de demande de semi-conducteurs, mais ils pourraient également favoriser l'adoption de l'IA, le développement d'applications et la personnalisation des entreprises.

La raison en est que la baisse des prix élargit généralement l'utilisation. Des modèles moins chers et plus efficaces inciteront davantage d'entreprises à intégrer l'IA dans le service client, le bureau, la recherche et développement, la publicité, le codage, l'analyse de données et les processus internes. Les entreprises qui pensaient que le coût des API était trop élevé, que les données ne pouvaient pas sortir ou que les modèles étaient incontrôlables pourraient commencer à déployer l'IA grâce aux modèles à poids ouverts.

Cela se rapproche de la logique du « paradoxe de Jevons » : lorsque l'efficacité technologique augmente, le coût unitaire diminue, et finalement, la consommation augmente. L'augmentation de l'efficacité de la machine à vapeur n'a pas réduit la demande de charbon, mais a plutôt élargi l'utilisation de la puissance à vapeur. L'IA pourrait également connaître une situation similaire - le coût par inférence devient moins cher, mais le nombre d'appels, de scénarios d'application et de terminaux augmente considérablement.

Ainsi, la demande en puissance de calcul n'atteindra pas nécessairement un plafond, mais la structure de la demande pourrait changer. Quelques modèles fermés de pointe continueront à nécessiter les clusters d'entraînement et d'inférence les plus puissants ; un grand nombre de modèles ouverts pourraient être déployés dans le cloud, sur des serveurs locaux, des téléphones, des voitures et d'autres appareils périphériques. La demande en puces pourrait également passer d'une recherche unique des GPU les plus puissants à une attention accrue à l'efficacité d'inférence, au réseau, à l'électricité, au stockage et à la puissance de calcul côté terminal.

Pour les entreprises d'applications, les modèles ouverts pourraient en fait réduire les coûts d'entrée. Les entreprises peuvent utiliser des modèles moins chers pour des scénarios verticaux, les entreprises de logiciels peuvent développer des produits plus spécifiques sur ces modèles, et les fournisseurs de cloud peuvent continuer à gagner de l'argent en hébergeant des modèles ouverts, en fournissant des services d'inférence et un soutien aux entreprises.

Fermé et ouvert coexisteront, mais les responsabilités réglementaires ne sont pas encore claires

La situation la plus probable n'est pas que l'open source batte le closed source, ni que le closed source retrouve son monopole, mais que les deux coexistent à long terme.

Les modèles fermés continueront à jouer le rôle de capacités de pointe, de qualité industrielle, d'évaluation de la sécurité et d'intégration de produits en profondeur. Les modèles à poids ouverts forceront les fournisseurs fermés à contrôler les prix, à améliorer la flexibilité et à déplacer la concurrence de « qui a les poids de modèle les plus forts » vers des aspects tels que les données, la conception des produits, la capacité de mémoire, la sécurité, l'efficacité et les services écologiques.

L'ouverture des poids par les entreprises de modèles n'est pas nécessairement un acte de charité. Les développeurs peuvent gagner de l'argent grâce à l'hébergement d'API, d'abonnements premium, d'inférences plus rapides, de soutien aux entreprises, d'ajustements, de services de sécurité et d'accords de niveau de service ; les fournisseurs de services cloud peuvent vendre la puissance de calcul nécessaire pour exécuter des modèles ouverts ; les plateformes de consommation peuvent intégrer les capacités des modèles dans les recommandations, la publicité et l'expérience utilisateur ; les entreprises d'applications peuvent construire des fonctionnalités à moindre coût.

Ce qui n'est pas encore résolu, ce sont les frontières de responsabilité. Les modèles à poids ouverts donnent aux utilisateurs plus de contrôle, mais les obligent également à assumer davantage de responsabilités en matière de tests, de protection de la sécurité, de cybersécurité, de mises à jour et de fiabilité. Une fois qu'un modèle est téléchargé, modifié et déployé localement, la question de qui est responsable des abus, des pannes ou des incidents de sécurité devient plus complexe que dans le modèle API fermé.

La réglementation pourrait également modifier le paysage concurrentiel. Les fournisseurs de modèles fermés comme Anthropic plaident pour des tests de risques catastrophiques, des évaluations externes et des exigences de divulgation continue pour les développeurs d'IA de pointe ; les critiques craignent qu'une réglementation trop stricte ne favorise les grandes entreprises bien financées, étouffant ainsi l'écosystème ouvert et l'innovation des petites équipes.

Ainsi, le « deuxième moment DeepSeek » apporté par Kimi K3 n'est pas simplement une mauvaise nouvelle pour l'IA. C'est plutôt un test de résistance : les dépenses de 700 milliards de dollars en IA, les frais des modèles fermés, l'avantage technologique américain et la demande en puces doivent tous répondre à la même question - lorsque l'intelligence « suffisamment bonne » devient moins chère, d'où proviendront les bénéfices de l'industrie de l'IA ?