La Silicon Valley, qui a copié les méthodes chinoises, est désormais confrontée au défi des applications d'IA.

La Silicon Valley a commencé à copier les devoirs de la Chine.

Récemment, plusieurs modèles open source à bas prix ont fait leur apparition aux États-Unis, visant à rattraper les modèles open source chinois en termes de fonctionnalités et de prix.

Le laboratoire Thinking Machines de Mira Murati a publié son premier modèle, Inkling, le mois dernier. La description officielle mentionne deux points : l’architecture sous-jacente est basée sur DeepSeek-V3 et les données d’entraînement ont été générées par Kimi K2.5.

Les personnes les plus influentes de la Silicon Valley utilisent la structure d'un modèle open source chinois pour alimenter leur système de données. Il y a deux ans, c'était l'inverse.

Plus tôt cette année, Trinity-Large-Thinking d'Arcee AI a obtenu un score de 91,9 sur PinchBench, soit 1,4 point de moins qu'Opus 4.6 d'Anthropic, et à 4 % du prix de ce dernier.

« Nous travaillons à ce que les États-Unis rattrapent et dépassent la Chine », a déclaré Mark McQuade, PDG d'Arcee AI.

La Silicon Valley copie désormais non seulement les modèles, mais aussi les prix tirés vers le bas par les entreprises chinoises.

L'architecture peut être réutilisée, les méthodes d'entraînement reproduites et les données fournies à d'autres modèles pour la génération par lots. Une fois les poids disponibles, les développeurs peuvent poursuivre leurs travaux. La tarification est encore plus simple : lorsqu'une entreprise baisse ses prix, les autres devront inévitablement suivre.

Ces trois dernières années, les grandes entreprises de modélisme ont bâti des empires et diverti leurs clients avec leurs produits haut de gamme, s'appuyant sur des paramètres, une puissance de calcul et une architecture propriétaire. Aujourd'hui, cet empire est au bord de l'effondrement.

Seize jours

Aux premières heures du 17 juillet, Dark Side of the Moon a dévoilé Kimi K3. Avec un total de 2,8 billions de paramètres et 1 million de jetons de contexte, il s'agit du plus grand modèle ouvert au monde.

Sur le classement de Frontend Code Arena, K3 a obtenu 1679 points, suivi de Claude Fable 5 et de GPT-5.6 Sol. C'est la première fois qu'un modèle open source surpasse un modèle propriétaire. Il a décroché la première place dans six des sept spécialisations frontend.

Musk a laissé un commentaire « Impressionnant » sous les résultats de l'évaluation.

L'API de K3 n'est pas bon marché : elle facture 100 yuans par million de jetons de sortie. Cependant, lors du test de validation croisée de SuperCLUE, son score était supérieur de 18 % à celui du deuxième et son coût moyen inférieur de 16 % pour un même lot de tâches.

Le coût d'un modèle ne dépend pas de son prix par million de jetons, mais du coût total de son développement, du début à la fin. Plus l'écart entre ces deux chiffres est important, moins le prix en lui-même est pertinent.

Deux jours plus tard, tard dans la nuit, Dark Side of the Moon a suspendu les nouveaux abonnements pour les utilisateurs finaux. Le nombre de requêtes en 48 heures avait largement dépassé les prévisions, et la puissance de calcul était insuffisante.

Le 27 juillet, K3 a publié l'intégralité de ses données de poids, ainsi que des rapports techniques et des informations sur l'infrastructure de soutien.

Le prochain sur la liste est DeepSeek.

Le marché attendait avec impatience la sortie officielle de la V4. Fin avril, DeepSeek a publié deux versions préliminaires, V4-Pro et V4-Flash, prenant toutes deux en charge un million de contextes de jetons, ce qu'ils ont officiellement qualifié d'« ère de l'accès universel à des millions de contextes ». L'activité est restée faible pendant les deux ou trois mois suivants, jusqu'au 2 août, date de la sortie officielle de V4 Flash et de l'ouverture de ses pondérations. Avec un total de 284 milliards de paramètres et seulement 13 milliards activés par inférence, le score du test de programmation de DeepSeek est passé de 7,3 à 54,4.

Le prix fut encore plus radical. En mai, le V4-Pro vit son prix réduit à un quart de son prix initial, soit la quatrième baisse de prix en un mois chez DeepSeek. Lors du lancement officiel de Flash, son rapport qualité-prix surprit encore tout le monde.

« On en a toujours pour son argent », disait-on. Aujourd'hui, les modèles chinois sont de plus en plus compétitifs et leurs prix baissent sans cesse. Les concurrents étrangers sont naturellement mécontents, mais ils n'ont pas beaucoup de marge de manœuvre. Les consommateurs ont déjà vu des produits bon marché et de qualité, et personne ne veut se faire arnaquer à nouveau.

Alibaba a ensuite annoncé la publication des spécifications du Qwen3.8-Max la semaine suivante. La série Max, auparavant produit phare à code source fermé, est désormais disponible à la vente. Son prix international représente environ 40 % du coût d'entrée et seulement 24 % du coût de sortie de l'Opus 5.

Ces événements se sont produits en seulement 16 jours.

Autrefois, les fabricants de modèles misaient sur la rareté pour fixer leurs prix : si j’étais le seul à pouvoir le fabriquer, il fallait en payer le prix. Une différence de quelques points seulement sur la liste pouvait entraîner un écart de prix de plusieurs dizaines de fois.

Kimi, DeepSeek et Qwen ont des approches techniques différentes, mais elles font la même chose : améliorer les capacités, élargir la gamme de poids, réduire les prix, puis les intégrer rapidement dans les produits.

Je veux copier des devoirs, mais personne ne veut me payer.

Aux États-Unis, certaines personnes ont également constaté cette tendance.

Fin 2025, Arcee AI avait investi la quasi-totalité de ses fonds dans le projet. En 33 jours, l'entreprise a développé 2 048 modules B300, investi 20 millions de dollars et ne comptait que 30 employés. Le modèle Trinity Large ainsi obtenu comportait 400 milliards de paramètres et 13 milliards d'activations par inférence, avec près de la moitié des données d'entraînement synthétiques. En juillet dernier, Arcee a signé un accord de coopération avec le département de l'Énergie des États-Unis pour développer un modèle destiné à la recherche.

L'équipe, les réalisations, les coûts, les contrats gouvernementaux : tout y était. Mais impossible d'obtenir des financements.

Arcee a levé un total de 50 millions de dollars à ce jour, pour une valorisation de 240 millions de dollars. Dans le secteur actuel des mannequins de renom, une telle somme ne permettrait même pas d'obtenir une chambre privée, sans parler d'un repas.

« Presque tous les fonds de capital-risque de premier plan nous ont rejetés », a déclaré le PDG Mark McQuade.

Le modèle américain de l'Open a été bloqué par son propre comité d'investissement avant même d'affronter la Chine.

Au premier trimestre 2026, les startups mondiales spécialisées en IA ont levé 255,5 milliards de dollars, dont près des deux tiers concentrés dans trois opérations : 122 milliards pour OpenAI, 30 milliards pour Anthropic et 20 milliards pour xAI. La quasi-totalité de ces fonds a été investie dans des entreprises à logiciel propriétaire.

Joe Floyd, un des premiers investisseurs d'Arcee et associé chez Emergence Capital, a déclaré que les raisons de refus qu'il avait entendues de la part de nombreux investisseurs en capital-risque étaient à peu près les mêmes :

« Je ne souhaite pas que ce modèle réussisse. Je ne veux pas investir car cela nuirait à mes investissements dans Anthropic et OpenAI. »

Ceux qui sont réellement prêts à dépenser de l'argent pour des modèles ouverts sont en réalité les vendeurs de puces.

En mars dernier, Nvidia a annoncé à la SEC son intention d'investir 26 milliards de dollars sur les cinq prochaines années pour soutenir les pondérations ouvertes. Reflection AI, Poolside et Thinking Machines Lab ont notamment bénéficié de cet investissement.

Jensen Huang le comprend mieux que quiconque. Le modèle propriétaire génère des revenus grâce aux API, tandis que le modèle ouvert consomme énormément de GPU. Plus le modèle propriétaire est abordable, plus il est adopté par les développeurs et plus les GPU de Nvidia se vendent bien.

Le soir du 24 juillet, Jensen Huang a créé un compte X et son premier tweet était un retweet d'une lettre ouverte intitulée « Open Weights et le leadership américain en IA ». Cette lettre affirmait que la capacité des États-Unis à maintenir leur leadership dans le secteur dépendait non seulement de la possession des modèles les plus avancés, mais aussi de l'existence d'un écosystème pouvant être diffusé à divers secteurs.

Plus tard, les fondateurs de près de 200 start-ups américaines ont écrit conjointement à l'administration Trump pour s'opposer à l'interdiction du modèle ouvert chinois. Le plus frappant dans cette lettre, que j'ai lue, c'est qu'elle ne contenait pas un seul mot aimable. Ils n'ont pas tenu de propos favorables à l'égard de la Chine, ni fait l'éloge de l'ouverture ; leur seul argument était que le modèle chinois bon marché était déjà devenu un outil de production, et que s'il était réellement bloqué, ils ne pourraient plus que se rabattre sur l'achat d'API américaines onéreuses.

Dans une interview, McQuade a également déclaré que l'adoption généralisée n'était qu'une question de temps.

La demande découlant du faible coût

Alors que la Silicon Valley débat encore de l'opportunité de mettre en œuvre une pondération ouverte, la Chine a déjà commencé à s'attaquer au prochain obstacle.

L'expression « première année des applications d'IA » a été employée à maintes reprises ces trois dernières années. Pourtant, pour déterminer si une technologie est véritablement entrée dans sa phase d'application, il suffit de considérer deux points : la volonté des utilisateurs de payer pour elle et son intégration par les entreprises à leurs activités.

Cette année, Claude Code et Cursor ont tous deux généré plus d'un milliard de dollars de revenus annualisés, et les outils de programmation d'IA ont un taux de pénétration de près de la moitié parmi les développeurs individuels.

Ces changements sont encore plus marqués du côté des entreprises. Selon une étude du groupe de réflexion Dune, le taux d'adoption des agents d'IA par les entreprises chinoises est passé de 17,3 % fin 2024 à 40,3 % mi-2026.

Li Yanhong a proposé un nouvel indicateur, le DAA (Daily Active Agents), qui signifie « Agents actifs quotidiens ». Auparavant, les entreprises internet comptaient le nombre de personnes ouvrant leurs produits chaque jour ; désormais, elles comptabiliseront le nombre d'agents réellement actifs et produisant des résultats.

La courbe du volume d'appels est encore plus étonnante. Selon les statistiques de CCTV, le volume quotidien moyen d'appels par jeton en Chine est passé d'environ 100 milliards début 2024 à 140 billions fin mars de cette année, soit plus de mille fois en à peine deux ans.

Les modèles deviennent de moins en moins chers, tandis que la puissance de calcul se raréfie. En mars dernier, Tencent Cloud, Alibaba Cloud et Baidu AI Cloud ont successivement augmenté leurs tarifs de puissance de calcul en l'espace de dix jours, avec des hausses d'environ 30 %. Suite à l'essor des agents intelligents au premier semestre, le prix de location de la puissance de calcul dédiée à l'inférence a progressé de plus de 40 %.

La raison est simple : l’usage que les gens font de l’IA a changé. Auparavant, il s’agissait d’un simple échange de questions-réponses peu coûteux. Désormais, pour qu’un agent accomplisse sa tâche, il a besoin de contexte, de multiples outils et d’une vérification constante ; en cas d’erreur, il doit tout recommencer. Le prix unitaire a diminué, mais la consommation a explosé.

La baisse des prix n'a pas réduit le marché ; au contraire, elle a généré toute la demande qui était auparavant inexpliquée.

En 1981, IBM a ouvert son architecture PC, et des machines compatibles ont rapidement inondé le marché, faisant chuter les prix du matériel. Au final, ce ne sont pas les fabricants de machines qui ont réalisé les plus gros profits, mais plutôt Lotus 1-2-3, WordPerfect et, plus tard, Microsoft, qui étaient basés sur ces machines.

Aujourd'hui, le parcours est quasiment identique. Si l'attention se porte encore sur les subtiles différences de capacités sous-jacentes, les entreprises leaders ont déjà entamé une véritable course aux utilisateurs, aux points d'entrée et aux flux de travail.

Les entreprises américaines peuvent étudier l'architecture de DeepSeek, utiliser les données générées par Kimi ou investir 20 millions de dollars pour entraîner un modèle open source performant. Cependant, les applications ne sont pas si faciles à copier.

L'application ne propose aucun poids téléchargeable ni aucun test de performance. Son bon fonctionnement repose sur le savoir-faire acquis par l'entreprise au fil de plus d'une décennie de travail acharné et d'expérience.

Auparavant, les grandes entreprises avaient l'habitude de transformer les modèles en produits indépendants, attendant que les utilisateurs ouvrent une fenêtre de chat distincte. Désormais, les modèles s'intègrent à DingTalk, Lark et WeChat Work, l'agent s'intégrant directement à l'organisation et aux processus existants.

Aux États-Unis, une plateforme bureautique pourrait se développer à l'instar de Gmail, Slack et Salesforce. En Chine, elle pourrait débuter avec DingTalk, Lark et WeChat Work, puis s'étendre aux logiciels financiers, aux systèmes de gestion de la chaîne d'approvisionnement, aux systèmes de production et aux plateformes gouvernementales. Même si les deux pays utilisent le même modèle, les produits finaux seront différents.

Après la baisse du prix

De 2022 à 2025, les États-Unis vont renforcer leurs restrictions sur les puces chinoises. Les puces H100 et B300 ne seront plus commercialisées, et l'utilisation des procédés et équipements de fabrication avancés sera également soumise à des restrictions. Dans ce contexte, les entreprises chinoises ont mis en place le plus vaste modèle d'ouverture au monde.

Dès 2026, les États-Unis ont entamé des discussions sur la possibilité de restreindre l'utilisation des poids des modèles chinois. OpenAI et Anthropic auraient fait part de leurs inquiétudes aux autorités de régulation, et le Congrès examine également la possibilité de poursuivre la circulation transfrontalière des poids des modèles.

Avant même que le couteau ne tombe, leurs propres hommes ont crié de douleur.

L'interdiction des puces limite l'approvisionnement des entreprises chinoises, mais l'interdiction des modèles réduit d'abord les coûts pour les start-ups américaines. La lettre conjointe précise également que l'interdiction n'empêchera pas la diffusion ; elle obligera seulement les développeurs à télécharger tous les modèles disponibles avant de fermer leurs portes.

Les puces sont des objets physiques ; elles peuvent perturber les commandes, la logistique et les processus de fabrication. Une fois qu'un poids est libéré, il peut être téléchargé, dupliqué, quantifié, ajusté avec précision et analysé à l'infini.

Ce qui est encore plus incontrôlable, c'est le prix.

Les États-Unis conservent leur avance en matière de modèles propriétaires de pointe. OpenAI et Anthropic restent à l'avant-garde, et l'entraînement des modèles les plus performants repose toujours largement sur les cartes Nvidia – une situation qui ne devrait pas évoluer à court terme.

Cependant, en pratique, le résultat est rarement déterminé par le modèle le plus performant. Il s'agit plutôt de savoir si le modèle est suffisamment abordable, si l'entreprise dispose d'un point d'entrée numérique déjà opérationnel et si les développeurs peuvent réellement comprendre les processus métier.

Si l'on jette un regard en arrière sur les trente dernières années, la Chine a gagné à de nombreuses reprises, mais les méthodes employées pour y parvenir sont restées globalement les mêmes.

Les paiements mobiles, le commerce électronique, la livraison de repas et la diffusion en direct reposent tous sur l'intégration de technologies externes dans le quotidien de milliards de personnes, créant ainsi des entreprises d'une ampleur stupéfiante. L'infrastructure sous-jacente a longtemps été fournie par des tiers. Les transistors proviennent des Bell Labs, l'architecture x86 d'Intel, le protocole TCP/IP a été financé par le gouvernement américain, et Windows, Android et iOS sont tous nés sur la côte ouest américaine. Même TensorFlow et PyTorch, les technologies les plus utilisées à l'ère du deep learning, sont issues respectivement de Google et de Meta.

« L’invention en Amérique, la production à grande échelle en Chine » – ce dicton circule depuis trente ans, et il y a eu très peu de véritables exceptions.

Une exception est désormais apparue.

Les spécifications techniques de Thinking Machines Lab sont très claires. L'une des entreprises émergentes les plus importantes et les mieux financées de la Silicon Valley a utilisé l'architecture d'une entreprise chinoise dans la couche de base de son modèle, puis a utilisé des données générées par un autre modèle chinois pour son entraînement.

Auparavant, la Silicon Valley s'approvisionnait en capacités de production, recrutait des talents et recherchait des marchés en Chine. Désormais, elle commence à suivre directement les voies technologiques validées par les entreprises chinoises.

L'admiration pour la Silicon Valley a assurément ses origines. Au cours des dernières décennies, la plupart des technologies fondamentales de l'industrie informatique y ont vu le jour. Des puces qui composent les ordinateurs aux environnements de développement intégrés (IDE) utilisés quotidiennement par les programmeurs, la Silicon Valley a longtemps occupé une place prépondérante en amont de la chaîne technologique.

Mais dans le monde de la tech, seuls les résultats comptent. Celui qui propose une nouvelle architecture, celui qui parvient à réduire les coûts et celui qui incite ses concurrents à l'imiter, a le droit de redéfinir les standards en amont.

Désormais, des entreprises chinoises commencent à figurer sur cette liste.

La Silicon Valley finira probablement par rattraper son retard, compte tenu de son abondance d'ingénieurs, de capitaux et de semi-conducteurs. Cependant, les applications déjà intégrées aux entreprises ne patienteront pas. Celui qui s'implantera le premier dans les processus métier gagnera des clients, des données et l'opportunité d'innover. Le point de départ est toujours différent pour chacun.

L'ère des applications d'IA ne débutera pas en fanfare un jour mémorable. Elle se manifestera d'abord dans les états financiers, par une explosion de l'utilisation et par un programmeur à court de crédit en pleine nuit, une fois de plus.

Son adoption généralisée n'est qu'une question de temps. C'est ce qu'a déclaré un Américain.