En IA, le 41 % dépend du -59 %
L'économiste en chef d'Apollo, Torsten Slok, a publié une note riche en graphiques décomposant les marges bénéficiaires de l'IA par maillon de la chaîne de valeur. Le titre : les marges bénéficiaires sont inversées dans l'IA — plus on se rapproche de l'utilisateur final, plus on perd d'argent.
Les chiffres
- Semi-conducteurs et équipements (Nvidia, AMD, Broadcom, TSMC, SK Hynix, Micron, etc.) : +41% de marge moyenne
- Énergie et réseau (Constellation Energy, Vistra, NextEra, Vertiv, Eaton) : +17%
- Calcul et cloud (AWS, Azure, Google Cloud, CoreWeave, Super Micro, Dell) : +10%
- Modèles et applications (OpenAI, Anthropic) : -59%
Ce sont des moyennes équipondérées provenant de Bloomberg, PitchBook et du Financial Times (estimations du 2e trimestre 2026 pour OpenAI et Anthropic).
La dépendance
Le point clé : les marges de 41% en amont ne sont pas financées par les revenus des clients finaux. OpenAI et Anthropic brûlent du capital à un rythme effarant, et ce capital — et non la demande des clients — est ce qui finance les achats de GPU, les locations de centres de données et les contrats d'énergie qui remontent la chaîne.
Dans une entreprise normale, le profit provient de l'entité qui détient la relation client. Dans l'IA, le pouvoir de fixation des prix se situe au niveau des semi-conducteurs et de l'infrastructure, mais ces profits sont en fin de compte subventionnés par des investisseurs qui parient sur les retours futurs de la couche des modèles.
La conclusion de Slok : "La partie la plus rentable de la chaîne de valeur de l'IA dépend de la partie la moins rentable qui continue à augmenter ses revenus ou à lever des capitaux."
Le capital peut combler l'écart "pendant un certain temps, mais pas indéfiniment". Le risque, dit-il, est de savoir si le retour sur investissement se matérialisera pour les clients finaux de l'IA assez rapidement pour soutenir les dépenses qui génèrent ces marges en amont.
Pour les ingénieurs en IA, c'est une perspective macroéconomique utile sur la fragilité de l'industrie. Les outils que vous construisez sur les modèles de pointe ne sont stables que dans la mesure où le financement en capital-risque maintient ces fournisseurs de modèles en vie. Si OpenAI ou Anthropic ne trouvent pas de retour sur investissement dans leurs produits destinés aux clients, toute la chaîne d'approvisionnement en amont est réinitialisée.
Il vaut la peine de lire la note originale pour le graphique complet et les sources de données.
📖 Lire la source complète : HN AI Agents
👀 See Also
Étude de l'ETH Zurich : Un contexte excessif réduit les performances des agents d'IA en programmation
Une étude de l'ETH Zurich a testé quatre agents de codage sur 138 tâches réelles de GitHub et a constaté que les fichiers de contexte générés par LLM réduisaient les taux de réussite des tâches de 2 à 3 % tout en augmentant les coûts d'inférence de 20 %. Le contexte écrit par l'homme n'a amélioré la réussite que d'environ 4 % avec des augmentations de coûts significatives.
Les agents d'IA préfèrent les requêtes structurées au langage naturel lors des tests du serveur MCP Cala.
L'équipe de Cala a construit un serveur MCP avec trois méthodes d'accès au graphe de connaissances : requêtes en langage naturel, langage de requête structuré et parcours direct des entités/relations. Les agents ont abandonné le langage naturel en quelques minutes, choisissant les requêtes structurées et le parcours de graphe sans incitation.
Quand demander à Claude à propos des regex mène à une plongée nocturne dans la conception de compilateurs
Un utilisateur de Reddit a demandé à Claude d'expliquer une regex et s'est retrouvé dans une conversation de 45 minutes sur les analyseurs syntaxiques, la conception de compilateurs et la théorie des langages, remettant en question sa carrière.
Anthropic ajoute une fonctionnalité d'importation de mémoire pour passer de ChatGPT/Gemini à Claude
La nouvelle fonctionnalité d'importation de mémoire d'Anthropic permet aux utilisateurs de transférer leurs préférences, projets, contexte et style de travail depuis ChatGPT, Gemini ou d'autres IA vers Claude en environ deux étapes de copier-coller, éliminant le besoin de réentraîner à partir de zéro.