Pendant des années, la robotique humanoïde a vendu des vidéos. Là, Apptronik vend autre chose, une usine à expérience réelle.

À Austin, la société ouvre un Robot Park de près de 90 000 pieds carrés, environ 8 400 m², et met ses robots au travail sur des tâches de logistique, d’industrie et de retail. L’idée est simple sur le papier, beaucoup moins dans l’exécution, accumuler des données physiques à cadence industrielle pour entraîner les modèles qui piloteront les prochaines générations.

La bataille se déplace du robot vers la donnée

Ce que décrit eWeek, ce n’est pas un labo de recherche classique. Robot Park sert de site d’apprentissage à l’échelle production, avec des flottes déjà actives sur place et dans un réseau plus large de sites partenaires et clients dans le monde.

Jeff Cardenas résume l’idée avec une formule assez juste: « Nous avons une usine qui produit des robots, nous avons aussi une usine qui produit des données ». Ce point compte, parce que le goulot d’étranglement du secteur n’est plus seulement le hardware, mais la qualité de la donnée embarquée.

Apollo 2 n’est pas le produit final, c’est la machine d’apprentissage

En parallèle, Apptronik officialise Apollo 2, en version bipède et en version à roues. La première vise les environnements plus proches de l’espace humain, la seconde les usages industriels où la stabilité, l’autonomie et la conformité aux standards actuels de sécurité des robots mobiles comptent tout de suite.

Selon l’entreprise, Apollo 2 travaille déjà depuis plus d’un an comme plateforme principale de collecte. Republic World ajoute qu’Apptronik a déjà construit des centaines d’unités, même si Cardenas n’a pas donné le nombre exact de robots actifs. Les pilotes doivent se poursuivre jusqu’à la fin 2026, avant des déploiements de production plus larges à partir de 2027.

Le pari DeepMind donne de la puissance, pas l’exclusivité

Le vrai levier, c’est le lien avec Google DeepMind. Les données récoltées par Apollo 2 servent à faire progresser Gemini Robotics, avec une boucle continue entre travail réel, collecte, puis entraînement. Markets Insider précise que cette collecte mêle téléopération, exécution autonome et simulations physiques haute fidélité.

Il y a aussi une ambiguïté stratégique. Cardenas dit que Google a été clair sur son ambition de bâtir une sorte d’« Android pour la robotique ». Autrement dit, l’intelligence nourrie par Apptronik pourrait un jour profiter à d’autres partenaires.

Apollo 3 arrive derrière, avec un sujet très terre à terre

C’est là que l’annonce devient plus intéressante qu’un simple lancement de site. Forbes rapporte qu’Apollo 3, attendu l’an prochain, sera le premier vrai produit commercial de la gamme. Apollo 2, lui, reste un prototype de pilotes à grande échelle et de collecte.

Le chantier annoncé est très concret, coût de nomenclature, nouveaux effecteurs terminaux, nouvelle pile de capteurs, travail spécifique sur la safe perception et la sécurité des bipèdes. Pas mal de sociétés promettent des humanoïdes. Apptronik, qui a levé 520 millions de dollars, environ 483 millions d’euros, en février sur une valorisation d’environ 5 milliards de dollars, soit 4,64 milliards d’euros, explique surtout comment elle compte passer du prototype à la marge brute.

DeepSeek s’est fait connaître par ses modèles. Voilà que l’entreprise s’attaque au silicium. Le déplacement est net, et il dit quelque chose de l’époque, construire un bon modèle ne suffit plus si l’accès au calcul reste fragile.

D’après les informations rapportées par Reuters, la société chinoise développe sa propre puce IA pour l’inférence, afin de moins dépendre des composants de Nvidia et de Huawei. Le marché a réagi tout de suite, l’action Nvidia a cédé environ 2% en préouverture.

Le passage du labo au silicium

Le plus frappant n’est pas seulement la puce. C’est le fait que DeepSeek, jusqu’ici centrée sur les modèles, bascule vers un chantier hardware. Le projet serait en phase initiale, mais il ne sort pas de nulle part, l’entreprise le préparerait depuis près d’un an.

Elle aurait renforcé discrètement ses recrutements d’ingénieurs en conception de puces et ouvert des discussions avec des fournisseurs mémoire, des sociétés de design et des fondeurs. DeepSeek n’a pas publié de déclaration officielle sur le sujet, ce qui colle assez bien à son style public, plutôt discret malgré la visibilité prise depuis R1 début 2025.

Pourquoi l’inférence, et pas l’entraînement

Le choix technique est assez logique. La puce visée n’est pas pensée pour l’entraînement, mais pour l’inférence, autrement dit le moment où un modèle déjà entraîné produit une réponse.

Ces puces coûtent en général moins cher et consomment moins d’énergie que les accélérateurs destinés au training. Avec la montée des usages IA, c’est un segment de plus en plus important. Blockonomi rappelle aussi que OpenAI a récemment lancé Jalapeno, sa première puce maison d’inférence avec Broadcom, pendant que Anthropic étudie aussi ce terrain, signe que l’enjeu dépasse largement DeepSeek.

Le poids des restrictions américaines

Le moteur du projet est assez clair. Les règles américaines empêchent les groupes chinois d’acheter les puces les plus avancées de Nvidia. DeepSeek s’est donc davantage appuyée sur la gamme Ascend de Huawei.

En avril, l’entreprise a présenté son modèle V4 optimisé pour la plateforme Ascend, ce qui a fait grimper la demande pour les processeurs Ascend 950. Mais ce contournement a ses limites. Les restrictions américaines compliquent aussi l’accès aux fonderies les plus avancées et à la mémoire à haute bande passante, un composant clé pour l’inférence.

Un marché chinois déjà encombré

DeepSeek n’arrive pas sur un terrain vide. Huawei, Alibaba et Baidu travaillent eux aussi sur leurs propres puces, dans un marché chinois estimé à environ 43 milliards d’euros (50 milliards de dollars), où Huawei détiendrait déjà près de la moitié selon les sources reprises par la presse pakistanaise citant Reuters.

Ce virage arrive au moment où DeepSeek chercherait aussi son premier tour externe, autour de 6 milliards d’euros (7 milliards de dollars), sur une valorisation comprise entre 45 et 51 milliards d’euros (52 à 59 milliards de dollars). Quand une société de modèles commence à regarder les puces, ce n’est jamais juste un sujet produit. C’est une question de capex, de chaîne d’approvisionnement et de marge future.

Le plus intéressant, ici, n’est pas seulement la taille du chèque. C’est ce qu’il dit du marché chinois des accélérateurs IA. Quand les meilleures puces de Nvidia circulent moins, ou moins bien, la question change vite, vous le voyez, elle devient industrielle, pas seulement technologique.

Chez Biren, cette fenêtre vaut désormais une levée d’environ 821 millions d’euros (7 milliards HK$, 892,5 M$). Et l’entreprise va vite.

Une levée massive, mais surtout très ciblée

Biren va émettre 153 millions de nouvelles actions à 46,2 dollars de Hong Kong l’unité, soit une décote de 9,9% sur le cours de clôture de vendredi, à 51,3 HK$. Les détails figurent dans son dépôt boursier, relayé par le South China Morning Post.

L’usage des fonds, lui, est net. Environ 60% iront à la commercialisation et à la production de masse de la prochaine génération de GPU généralistes. Encore 20% seront fléchés vers la recherche. Le reste servira aux investissements et au fonds de roulement. Bref, pas une levée pour embellir le bilan.

Le vrai moteur, c’est la demande locale

Dans son document, Biren explique que les fournisseurs cloud, les centres de données IA et les clients entreprises augmentent fortement leurs déploiements de calcul IA. Reformulé plus simplement, les commandes montent, et il faut des capacités pour suivre.

La société dit aussi qu’elle a besoin de capital pour accélérer la production de ses prochains GPU et honorer les livraisons à temps. C’est là que l’histoire devient concrète. Une levée de fonds n’a de sens que si l’inférence tourne derrière, et si les racks se remplissent vraiment.

Une course chinoise qui s’intensifie

Biren n’est évidemment pas seule. Le papier de The Next Web rappelle que Moore Threads, Cambricon et MetaX visent les mêmes acheteurs chinois.

Et le terrain se charge encore. En juin, MetaX, autre acteur de Shanghai, a indiqué préparer une cotation à Hong Kong, après un passage par le marché STAR de Shanghai. De son côté, Kunlunxin, la filiale puces de Baidu, chercherait une valorisation d’au moins 14 milliards d’euros (100 milliards de yuans, 14,7 Md$) pour sa propre opération hongkongaise.

Le marché applaudit, puis se ravise

Le contraste est parlant. L’action a d’abord gagné plus de 2% en séance lundi, avant de finir en baisse de 5,4%. Pourtant, depuis l’introduction en Bourse de janvier à Hong Kong, le titre reste en hausse de près de 150%.

Cette prudence n’est pas absurde. Biren avait déjà consommé plus de 70% du produit de son IPO à la fin juin. Le rythme de financement est agressif, donc le rythme de dépense l’est aussi.

Biren n’est pas Nvidia, et c’est justement le sujet

Techniquement, Biren reste en retrait face à Nvidia. Et en Chine, les accélérateurs IA les plus puissants passent encore souvent par des conceptions sur mesure chez Huawei et d’autres, plutôt que par des GPU généralistes.

Mais l’opportunité est là. Les contrôles américains ont réduit l’accès des clients chinois aux puces IA les plus avancées de Nvidia. Du coup, du matériel local, moins fort mais disponible, devient un vrai business. C’est cette équation, plus que la communication financière, que Biren essaie d’acheter avec 7 milliards de HK$.

Pendant dix-huit mois, DeepSeek a occupé une place assez rare dans l’IA, celle du labo dont tout le monde parle mais dans lequel personne, ou presque, ne peut investir. Ce verrou est en train de sauter. Le sujet n’est pas seulement la taille du chèque. C’est le changement de statut. DeepSeek, longtemps financé sans capital externe, s’apprête à faire entrer autour de la table des investisseurs stratégiques, des fonds et des attentes beaucoup plus concrètes.

Un tour massif, mais surtout un premier vrai tournant

D’après les informations publiées par le South China Morning Post et recoupées ailleurs, le groupe finalise un tour de plus de 50 milliards de yuans, soit environ 6,8 milliards d’euros (7,4 milliards de dollars). La valorisation visée se situe juste sous environ 55 milliards d’euros (60 milliards de dollars), ou entre environ 48 et 54 milliards d’euros selon les versions publiées. Le contraste est net avec avril, quand DeepSeek valait environ 9 milliards d’euros (10 milliards de dollars). En quelques mois, on parle donc d’un multiple proche de six. Et le tour pourrait être clos dans les prochaines semaines.

Liang Wenfeng met l’argent, donc garde la main

Le détail le plus parlant n’est peut-être pas le plus spectaculaire. Liang Wenfeng, fondateur et directeur général, apporterait à lui seul environ 20 milliards de yuans. C’est une part énorme du financement. Selon The Next Web, cette structure dit quelque chose d’essentiel: le fondateur cherche à préserver le contrôle d’une société qu’il a menée avec une indépendance assez atypique. DeepSeek vient de l’orbite de High-Flyer, le fonds quantitatif créé par Liang. Le capital externe arrive, mais il n’efface pas d’un coup la logique d’origine.

Tencent et CATL n’apportent pas la même chose

Côté investisseurs, Tencent serait attendu autour de 10 milliards de yuans, CATL autour de 5 milliards. NetEase et JD.com ajouteraient chacun environ 3 milliards. Des fonds comme IDG Capital, Monolith, Loyal Valley Capital et Shixiang Tech sont aussi cités. Bon, ce n’est pas une simple liste de noms. Tencent apporte potentiellement du cloud et de la distribution. CATL, lui, signale autre chose: l’entrée d’un champion industriel dans l’équation. Startup Fortune insiste justement sur ce point, l’IA chinoise se finance de plus en plus avec du capital domestique stratégique, pas seulement avec du venture classique.

DeepSeek a prouvé l’efficacité, il doit maintenant prouver le business

La réputation de DeepSeek s’est construite sur V3 et R1, des modèles admirés jusque dans la Silicon Valley pour leur raisonnement, leur coût d’entraînement contenu et leur ouverture. En clair, le labo a montré qu’on pouvait faire beaucoup avec moins. Mais la suite coûte cher quand même. Il faut du compute, des chercheurs, des produits, des canaux commerciaux. Les sources convergent sur ce point: DeepSeek n’a pas encore un moteur de revenus à la hauteur de sa notoriété. Ce tour sert aussi à ça, transformer un labo très regardé en entreprise capable de vendre, déployer et tenir dans la durée.

Amazon met environ 186 milliards d’euros (200 Md$) de dépenses d’investissement sur la table en 2026. Vu de loin, on peut y voir un concours de taille entre hyperscalers. Vu de près, le pari est plus précis: Andy Jassy essaie de faire d’AWS le fournisseur qui capte à la fois la demande de calcul IA et une part plus large de la marge technique derrière ce calcul.

Le pari n’est pas seulement la taille, mais la place dans la chaîne de valeur

Début avril 2026, dans sa lettre aux actionnaires relayée par les 200 Md$ de capex défendus par Andy Jassy, le patron d’Amazon explique qu’il ne jouera pas l’IA de façon prudente. La plus grande partie de cet argent va aux datacenters, aux puces et au réseau. Ce trio compte plus que le slogan, parce que c’est là que se décide la capture de valeur.

Le mécanisme rappelle le lancement de AWS entre 2006 et 2010. À l’époque aussi, Amazon investissait avant que le marché ne voie clairement les flux futurs. La différence, cette fois, c’est l’échelle du ticket et la vitesse à laquelle la capacité se remplit.

AWS montre enfin un chiffre que le marché peut travailler

Le fait neuf, côté revenus, est le plus utile de tout le dossier. Selon CNBC, l’IA dans AWS atteint un revenu annualisé, c’est-à-dire extrapolé sur douze mois, d’environ 14 milliards d’euros (15 Md$). On n’a pas la ventilation entre entraînement, l’étape où le modèle apprend, et inférence, le moment où il répond en production. Mais on a enfin un ordre de grandeur.

Fin avril 2026, GeekWire ajoutait qu’AWS devait publier autour de 34 milliards d’euros (36,8 Md$) de chiffre d’affaires trimestriel, en hausse d’environ 26% sur un an, avec un carnet de commandes de 226 milliards d’euros (244 Md$). La même source note aussi que la croissance d’AWS s’est accélérée sur trois trimestres de suite, de 17% à 20%, puis 24%.

C’est déjà sérieux.

Mais ce revenu ne dit pas encore si AWS vend surtout de la capacité rare à quelques clients prêts à payer n’importe quel prix, ou s’il construit une base durable de workloads d’entreprise. Jassy décrit le marché comme une barre d’haltère: d’un côté les labos IA, de l’autre l’automatisation de tâches simples. Le cœur du marché, celui des charges de production en entreprise, reste encore en cours de formation.

Trainium est un sujet de marge avant d’être un sujet de prestige

Le point intéressant chez Amazon, ce n’est pas seulement qu’il achète beaucoup de puces. C’est qu’il veut en imposer certaines. Selon GeekWire, l’activité de puces sur mesure d’Amazon a doublé en quelques mois, et l’analyse reprise par IndexBox affirme que la demande pour la famille Trainium progresse à trois chiffres, avec une capacité d’entraînement presque entièrement vendue.

Le précédent Graviton de 2018 chez Amazon éclaire bien l’enjeu. Quand Amazon a lancé cette puce serveur généraliste, l’objectif n’était pas d’exister face à Intel pour le prestige, mais de reprendre de la marge et de l’optimisation sur des workloads devenus standardisés. Si Trainium suit une trajectoire comparable sur une partie de l’IA, AWS améliore son coût unitaire sans attendre une baisse de prix des GPU externes.

Sauf que le chiffre décisif manque toujours. Il faudrait connaître, pour une charge réelle, le coût par token ou le coût par heure d’entraînement sur Trainium face aux GPU concurrents, avec la consommation électrique et l’utilisation effective des clusters. Sans ça, l’histoire de marge reste plausible, pas démontrée.

Le risque, c’est la concentration de la demande

GeekWire cite de très gros accords avec Meta, OpenAI et Anthropic. C’est bon pour remplir les machines. C’est moins rassurant si ces contrats concentrent trop du volume initial.

Le sujet devient plus net quand on regarde ailleurs. Le titre de The Information affirme qu’Anthropic s’engage sur 186 milliards d’euros de dépenses auprès de Google Cloud et de ses puces. Même sans le détail complet de l’article, le signal est clair: les grands laboratoires arbitrent entre clouds et entre silicons, et rien ne garantit qu’Amazon captera mécaniquement leur croissance.

Autrement dit, le marché du cloud IA n’est pas seulement une course à l’offre. C’est aussi une bataille de comptes stratégiques, où un seul contrat peut déplacer des milliards d’euros de demande future.

Ce que Wall Street peut accepter, et ce qu’elle refuse encore

La tension financière est bien documentée. Selon CNBC, l’action Amazon a souffert cette année à mesure que le marché s’impatientait sur le retour des investissements, même si elle a repris 5,6% le jour de la lettre de Jassy. GeekWire ajoute que le plan de 186 milliards d’euros de capex a comprimé le free cash flow, la trésorerie disponible après investissements, et pesé sur le titre au trimestre précédent.

Wall Street peut vivre avec cette pression si deux choses montent ensemble: la croissance d’AWS et la visibilité sur la dépréciation, c’est-à-dire la charge comptable liée aux infrastructures déjà construites. Toujours selon GeekWire, le consensus visait environ 164 milliards d’euros (177 Md$) de chiffre d’affaires trimestriel pour Amazon et 1,65$ de bénéfice par action, soit environ 1,53 euro, avec une progression bien plus lente du résultat que des ventes à cause des coûts d’infrastructure.

Et il y a un détail que le marché écoute quand même. En parallèle de l’IA, la publicité d’Amazon a atteint 20 milliards d’euros (21,3 Md$) au quatrième trimestre, selon GeekWire, ce qui lui donne un deuxième moteur de profit pendant que l’IA absorbe du capital.

Le dossier devient donc assez simple à lire. Amazon ne demande pas au marché de croire à une promesse abstraite. Il lui demande d’accepter un creux de trésorerie immédiat contre une position plus forte sur le cloud, le silicium et les contrats d’entreprise. La partie la plus convaincante, pour l’instant, tient en un chiffre déjà public: 14 milliards d’euros de revenu annualisé IA dans AWS.

xAI ne lance pas seulement un agent de code. La société essaie surtout de brancher Grok sur un usage concret, répétitif, monétisable, celui des équipes qui vivent dans le terminal. C’est un signe de maturité produit, oui, mais aussi un aveu discret, le chat généraliste ne suffit plus pour rattraper Anthropic et OpenAI.

Mi-mai 2026, xAI a ouvert en bêta Grok Build, décrit comme un agent de code en ligne de commande pour l’ingénierie logicielle et l’automatisation de tâches, d’après le lancement en bêta pour les abonnés SuperGrok Heavy. L’accès initial est réservé à une offre facturée environ 270 euros (300 $) par mois, selon Engadget et d’autres titres. Le produit cible clairement des profils professionnels, pas le grand public.

Le terminal, là où se gagne maintenant l’outil de code

Le point intéressant n’est pas que xAI fasse enfin un outil de code. Tout le monde y va. Le point intéressant, c’est le choix du CLI (Command Line Interface, l’interface en ligne de commande), c’est-à-dire l’endroit où l’on lance des scripts, inspecte un dépôt et enchaîne des tâches sur plusieurs fichiers sans sortir du flux de travail.

Selon Bloomberg et la première source, Grok Build veut aller au-delà de la suggestion de code isolée pour planifier, modifier, construire des applications et automatiser des étapes entières. C’est le même mouvement que l’on voit depuis que les assistants de code ont quitté l’autocomplétion pour l’agentique, autrement dit des systèmes qui enchaînent plusieurs actions avec un objectif intermédiaire, des outils et une mémoire de contexte.

Le précédent utile n’est pas très loin. En 2020, OpenAI avait fait de GPT-3 un produit via l’API, en vendant moins une conversation qu’un morceau d’infrastructure logicielle. xAI suit une logique voisine, mais déplacée vers le terminal, parce que la bataille s’est rapprochée du poste de travail du développeur.

Le produit dit beaucoup de ce que xAI n’avait pas encore

Grok Build met en avant un mode plan. L’idée est simple, l’agent prépare d’abord un plan pour les tâches complexes, l’utilisateur le valide, l’édite ou le réécrit, puis les changements apparaissent sous forme de diff, c’est-à-dire une vue ligne par ligne de ce qui a été modifié. Pour une équipe sérieuse, c’est plus important qu’une démo bien parlée.

La même famille de fonctions apparaît dans les descriptions publiées par TipRanks et Swarajya, avec prise en charge initiale de AGENTS.md, de plugins, de hooks, de skills et de serveurs MCP (Model Context Protocol, un protocole qui permet à un modèle d’accéder à des outils et des sources externes structurées). Il est aussi question de sous-agents parallèles et d’outils de planification de projet pour le travail d’équipe, d’après les capacités de collaboration et de planification décrites par Swarajya.

Bon, ce tableau raconte aussi un retard. Si xAI insiste autant sur la planification, la revue et le terminal, c’est parce que ces briques sont déjà devenues le minimum crédible du marché face à Claude Code d’Anthropic. Engadget rappelle d’ailleurs qu’Elon Musk, fondateur et PDG de xAI, avait admis que la société était en retard sur le code.

Le chiffre disponible est petit, et c’est le vrai sujet

Le seul chiffre business vraiment exploitable ici, c’est le ticket d’entrée. En mai 2026, selon Engadget, TipRanks et Swarajya, il faut payer environ 270 euros (300 $) par mois pour accéder à la bêta via SuperGrok Heavy. Ce n’est pas absurde pour une équipe d’ingénierie, mais cela borne mécaniquement le lancement à un segment premium.

Et c’est là que l’analyse s’arrête net. xAI ne donne ni nombre d’abonnés SuperGrok Heavy, ni conversion, ni rétention, ni temps gagné mesuré, ni revenus attribuables à Grok Build. Sans ces données, impossible d’évaluer la vraie portée commerciale du produit. On sait qu’il existe, on ne sait pas s’il mord.

Ce silence compte parce que le marché du code IA n’achète plus une promesse abstraite. Il achète un gain de productivité mesurable, ou au moins un usage régulier. Sur ce terrain, un outil facturé 270 euros par mois doit très vite prouver plus qu’une démo propre.

Le lancement arrive au milieu d’un rattrapage sous contrainte

Grok Build sort dans une séquence compliquée. Selon Engadget, Musk a expliqué il y a quelques mois qu’il reconstruisait xAI « depuis les fondations » après le départ de plusieurs cofondateurs. La même publication rapporte aussi qu’un dirigeant avait demandé aux équipes d’amener Grok au niveau de Claude sur plusieurs tâches.

Le contexte social n’aide pas. Engadget, citant The Information, évoque plus de 50 départs de chercheurs et d’ingénieurs après le rapprochement avec SpaceX. Swarajya mentionne aussi des sorties de profils clés à Palo Alto, dont Devendra Chaplot et Beibin Li.

Du coup, le produit prend un poids politique en interne. Il faut montrer que xAI sait encore expédier quelque chose d’utile pendant que l’organisation bouge, que SpaceX a acquis xAI en février 2026 et que l’idée de centres de données orbitaux circule déjà, selon le récit d’Engadget sur le rapprochement avec SpaceX. On est loin d’un simple petit outil développeur.

TipRanks ajoute un autre élément, xAI pousserait aussi Grok auprès des banques de Wall Street avant l’introduction en Bourse attendue de SpaceX, avec des roadshows possibles en juin. Si c’est exact, Grok Build sert aussi de vitrine, pas seulement de produit. Un agent de code devient alors un argument de crédibilité commerciale.

Il reste un contraste assez rude. En janvier 2026, selon Engadget, le Center for Countering Digital Hate reprochait encore à Grok la génération massive d’images sexualisées de personnes réelles, y compris 23 000 impliquant des enfants. Passer de cette réputation à un outil de software engineering fiable demande plus qu’une bêta en CLI.

Début mai 2026, Cerebras Systems a surtout vendu au marché une idée simple: dans l’IA, le goulot d’étranglement n’est plus seulement l’entraînement des modèles, mais leur exécution à grande échelle. C’est cette promesse qui a permis à l’entreprise de lever environ 5,1 milliards d’euros (5,55 Md$) en Bourse et d’atteindre une valorisation diluée d’environ 52 milliards d’euros (56,4 Md$), selon CNBC et The Next Web.

Le marché achète une capacité, pas une puce

Le cœur du dossier, c’est le Wafer Scale Engine, une puce gravée sur une seule tranche de silicium entière, au lieu d’être découpée en petits circuits comme dans l’industrie classique. Cerebras affirme que cette architecture lui donne un avantage en inférence, c’est-à-dire le moment où un modèle répond à l’utilisateur, là où la latence et le coût unitaire deviennent commerciaux avant d’être techniques.

Cette bascule compte plus que le folklore autour de la « puce géante ». Dans la thèse centrée sur l’inférence plutôt que l’entraînement, Cerebras se place moins face à NVIDIA qu’en face de Google, Microsoft, Oracle ou CoreWeave, donc face à des opérateurs de capacité.

Et c’est là que l’IPO devient intéressante.

Une société de matériel vend en général des boîtes, avec un cycle irrégulier. Une société de capacité vend du débit, de l’usage, des contrats pluriannuels, parfois de l’électricité transformée en tokens. Le marché public paie beaucoup plus cher la seconde histoire, surtout quand elle arrive au moment où les semi-conducteurs profitent d’un rallye large, porté aussi par Intel, AMD et Micron, d’après CNBC.

Le chiffre qui compte n’est pas 5,1 milliards levés

La levée impressionne. Le vrai chiffre, lui, est moins flatteur.

D’après The Next Web, le chiffre d’affaires de Cerebras est passé d’environ 23 millions d’euros (24,6 M$) en 2022 à 267 millions d’euros (290 M$) en 2024, puis à 469 millions d’euros (510 M$) en 2025. La croissance est violente, mais la qualité du revenu reste le sujet central, parce qu’un client unique, G42, pesait 85% des ventes en 2024 selon CNBC.

Le prospectus rafraîchi montre un mieux, mais un mieux relatif. Selon CNBC, G42 ne représentait plus que 24% des revenus l’an dernier, sauf que l’université Mohamed bin Zayed University of Artificial Intelligence en pesait 62%. The Next Web regroupe même les deux en parties liées et monte à environ 86% du revenu 2025.

Vous pouvez tourner ça dans tous les sens, le risque de concentration reste massif.

Il y a un autre détail, plus boursier mais pas anodin. The Next Web note que le flottant, c’est-à-dire la part vraiment mise sur le marché, est plus faible qu’attendu pour une IPO de cette taille. Quand la demande pousse fort sur peu de titres disponibles, la valorisation grimpe vite. C’est bon pour le prix d’introduction. Ce n’est pas une preuve de solidité opérationnelle.

OpenAI change la gravité du dossier, pas sa nature

En janvier 2026, Cerebras a signé avec OpenAI un accord portant sur 750 mégawatts de capacité de calcul. CNBC parle d’un contrat de plus de 18 milliards d’euros (20 Md$). The Next Web affine: plus de 9 milliards d’euros (10 Md$) à la signature, pour aller au-delà de 18 milliards d’euros (20 Md$) si l’extension prévue jusqu’à 2 gigawatts en 2030 est entièrement activée.

La divergence mérite d’être notée, parce qu’elle change la lecture du carnet de commandes. Une chose est sûre: les 750 mégawatts promis à OpenAI ont rendu l’histoire beaucoup plus vendable aux investisseurs.

Mais le mécanisme ne disparaît pas. Il se déplace. OpenAI améliore la diversification sur le papier, tout en ajoutant un autre acheteur géant au sommet de la pile. Trois grands clients qui portent le modèle, ce n’est pas encore un revenu diffus. C’est un book of business concentré.

Un élément de contexte éclaire bien la séquence. En 2017, selon CNBC, OpenAI avait déjà regardé un rapprochement avec Cerebras pour obtenir un avantage matériel sur Google. La phrase de Greg Brockman, cofondateur et président d’OpenAI, est très claire: « Un accès exclusif au matériel de Cerebras donnerait à OpenAI un avantage matériel écrasant sur Google ».

La Bourse aime les catégories, puis teste les trimestres

Le précédent utile, ici, n’est pas seulement la bulle internet de 2000. Il est plus proche du matériel IA lui-même. En 1987, l’effondrement du marché des machines LISP, ces ordinateurs spécialisés pour l’IA symbolique, a rappelé une règle brutale: une architecture brillante peut rester un produit étroit si l’écosystème ne suit pas.

Cerebras doit maintenant prouver qu’elle vend une catégorie durable, pas un objet spectaculaire bien placé dans un cycle euphorique. C’est exactement ce que résume la question des quatre prochains trimestres.

Le marché lui a déjà accordé un niveau de prix rare. CNBC rappelle qu’il s’agit de la plus grosse IPO tech américaine depuis Snowflake en 2020. Entre-temps, le dossier avait pourtant été retiré après un examen serré du prospectus, notamment autour de G42. Et selon Bloomberg, cité par CNBC, Arm et SoftBank ont tenté un rachat avant l’introduction.

Bon, ce genre de séquence raconte une chose simple: le marché voulait l’actif, pas seulement la société cotée.

Pourquoi l’opération compte pour tout le pipeline IA

L’effet de cette introduction dépasse Cerebras. Une société fondée en 2016, encore contestée sur sa concentration client, peut arriver en Bourse à environ 52 milliards d’euros de valeur en promettant de l’inférence industrielle. Pour les candidats à la cotation dans l’IA, le message est net: les marchés publics sont prêts à payer cher un récit de capacité, à condition qu’il s’appuie sur des contrats lisibles.

Le revers, quand même, est tout aussi net. Une fois cotée sous le ticker CBRS, Cerebras ne sera plus jugée sur la beauté de son silicium ni sur la taille de sa tranche. Elle sera jugée sur des métriques très classiques: part du revenu récurrent, nouveaux clients réels, dilution du risque client et conversion du contrat OpenAI en revenus reconnus. Sur ce terrain, le prospectus donne déjà un chiffre qui pique: entre G42, l’université MBZUAI et OpenAI, trois acheteurs suffisent encore à raconter presque toute l’histoire.

Début mai 2026, le procès entre Elon Musk et OpenAI raconte une chose assez simple: quand un labo devient un actif colossal, la morale et le contrôle se mélangent vite. Les témoignages entendus à Oakland ne lavent pas cette ambiguïté, ils la rendent visible. Musk dit défendre une promesse fondatrice. Sam Altman et Greg Brockman répondent qu’il a surtout perdu une bataille de gouvernance.

Le procès glisse de la mission vers le pouvoir

Le récit public de Musk tient en une formule, OpenAI aurait quitté sa mission initiale pour servir des intérêts privés. C’est la trame reprise dans les sept heures de témoignage de Musk à Oakland, où il décrit l’organisation de 2015 comme un projet au service de l’humanité plutôt que des actionnaires. Il affirme aussi avoir joué un rôle fondateur décisif, du nom de l’entreprise au recrutement d’Ilya Sutskever.

Sauf que les témoins de la défense ont déplacé le centre de gravité du dossier.

D’après Brockman, cité par The News et résumé aussi par Bloomberg, Musk réclamait dès 2017 la majorité du capital de la future entité lucrative, la majorité des sièges au conseil et le poste de directeur général. Altman a ajouté qu’à une question sur sa succession éventuelle, Musk aurait même envisagé que le contrôle passe à ses enfants. Si ce point est retenu comme crédible, l’argument de la mission prend une autre couleur.

Les chiffres rendent le dossier beaucoup moins abstrait

Les montants cités au procès expliquent la brutalité du conflit. Selon The News, Musk soutient avoir apporté environ 34 millions d’euros (38 M$) à OpenAI sur la base d’engagements non lucratifs. Selon TechCrunch, les avocats de Musk ont aussi rappelé que la fondation liée à OpenAI dispose désormais d’actifs d’environ 177 milliards d’euros (200 Md$).

On n’est plus dans l’économie d’un institut de recherche pré-produit.

Le chiffre qui pèse le plus reste l’argent de Microsoft. Les échanges au procès reviennent sur l’investissement de 9 milliards d’euros de Microsoft (10 Md$), présenté par Musk comme le tournant qui aurait dénaturé le projet. Et Brockman se retrouve lui-même exposé sur un autre ordre de grandeur, avec une participation que l’avocat de Musk a évaluée à près de 27 milliards d’euros (30 Md$). Quand les incitations montent à ce niveau, les récits vertueux deviennent plus difficiles à séparer des intérêts matériels.

Un labo de recherche ne se pilote pas comme une usine

La défense d’Altman est plus solide sur un point précis, la nature du travail de recherche. Selon The Verge, il a expliqué sous serment que Musk voulait faire classer les chercheurs par performance, puis « couper dans le tas » en demandant à Brockman et Sutskever de les empiler par résultats. Pour un laboratoire, l’argument est crédible. La recherche avancée a besoin de sécurité psychologique, c’est-à-dire d’un espace où l’on peut poursuivre une piste pendant longtemps sans se faire sortir au premier trimestre faible.

Altman dit même que le départ de Musk en 2018 a amélioré le moral interne. Là encore, la ligne est intéressante, parce qu’elle ne dit pas seulement « nous étions en désaccord ». Elle dit qu’un style de commandement adapté à l’ingénierie industrielle ou à la fabrication ne colle pas à un labo qui fait de la recherche fondamentale et de l’entraînement de modèles à horizon incertain.

OpenAI rejoue un vieux problème de l’IA

L’affaire n’est pas sans précédent. En 2019, OpenAI avait déjà montré sa tension interne en retenant d’abord la version complète de GPT-2 au nom du risque, tout en avançant déjà vers une logique de plateforme commerciale. Quelques années plus tard, la valorisation a changé d’échelle, 24 milliards d’euros (27 Md$) en 2023 puis 139 milliards d’euros (157 Md$) en 2024, d’après les jalons connus du marché. La question n’est donc pas neuve, c’est toujours la même, qui décide quand un projet de sûreté devient une infrastructure de marché.

Et il y a un autre rappel historique. Depuis DeepMind jusqu’aux grands modèles de 2023, l’IA avancée a presque toujours fini par demander des masses de capital et de calcul incompatibles avec la simple philanthropie. Musk peut dénoncer ce basculement. Il reste que le coût du calcul, lui, ne plaide pas devant le tribunal.

Ce que le tribunal devra vraiment établir

La juge a déjà limité les tentatives de l’équipe de Musk pour transformer le procès en grand débat sur l’extinction humaine liée à l’AGI, une intelligence artificielle générale capable d’égaler ou dépasser l’humain sur la plupart des tâches cognitives. C’est logique. Le dossier porte d’abord sur des engagements, des statuts, des échanges internes et une trajectoire de gouvernance.

Reste une contradiction difficile à ignorer. Musk alerte sur les risques de l’IA tout en dirigeant xAI, elle-même structurée comme une entreprise lucrative, et il a reconnu, selon Techstory, que l’usage des outils d’OpenAI pour entraîner des systèmes concurrents relevait de pratiques standards du secteur. Cette phrase compte plus que les envolées sur l’âme d’OpenAI. Elle ramène le conflit à ce qu’il est probablement depuis le début, une dispute sur le contrôle d’une organisation devenue centrale dans l’économie de l’inférence et dans la chaîne de pouvoir de l’IA.

Si le tribunal retient que Musk poussait lui-même vers une branche lucrative sous sa main en 2017, sa plainte perdra une part de sa force morale. Si, au contraire, les juges estiment que les fondateurs ont bien vendu un projet non lucratif avant de le reconfigurer autour d’un actif géant, ce seront les documents internes sur la restructuration de 2025 qui feront foi, pas les professions de foi sur l’humanité.

Thinking Machines Lab ne présente pas seulement une nouvelle interface vocale. L’entreprise dit quelque chose de plus radical: le format « j’attends que vous ayez fini, puis je réponds » bride déjà les modèles. Sur ce point, la thèse mérite d’être prise au sérieux, parce qu’elle attaque une faiblesse connue des systèmes actuels, leur dépendance à une orchestration externe pour paraître fluides.

Le nom choisi, interaction models, peut sonner marketing. Mais la mécanique derrière est plus précise que d’habitude.

Le vrai sujet n’est pas la voix, c’est la boucle

Dans le billet de Thinking Machines, publié avec une architecture en micro-tours de 200 millisecondes, le modèle reçoit et produit du signal en continu, sur l’audio, la vidéo et le texte. Autrement dit, il ne vit plus dans une file d’attente de tours complets. Il écoute pendant qu’il parle, et il continue à percevoir pendant qu’il génère.

Cette distinction change beaucoup de choses. Les systèmes temps réel vendus aujourd’hui s’appuient souvent sur un harnais logiciel, c’est-à-dire un ensemble de composants annexes, par exemple la détection de fin de parole, pour décider quand lancer le modèle. Thinking Machines veut faire entrer cette logique directement dans le modèle, avec une fusion précoce des modalités et très peu de prétraitement.

Le précédent utile, ici, n’est pas un gadget vocal récent mais ELIZA en 1965. On a l’habitude de confondre conversation et collaboration depuis longtemps. La différence, en 2026, c’est que la machine ne se contente plus d’attendre son tour pour produire une phrase plausible, elle doit gérer la présence, le timing et l’interruption.

Une architecture à deux vitesses, et c’est logique

Thinking Machines évite un piège classique. Un modèle capable de répondre en quelques centaines de millisecondes n’a pas toujours le temps de planifier, d’appeler des outils ou de naviguer sur le web proprement. D’où la séparation entre un modèle d’interaction, qui reste dans la boucle avec l’utilisateur, et un modèle de fond, qui traite les tâches longues de manière asynchrone.

Selon VentureBeat, TML-Interaction-Small est un modèle MoE (Mixture of Experts, une architecture où seule une partie des paramètres s’active à chaque requête) de 276 milliards de paramètres, avec 12 milliards de paramètres actifs. Ce n’est pas un détail. Le choix suggère déjà une bataille serrée entre latence, coût de service et niveau d’intelligence utile.

Le découplage interaction fond ressemble d’ailleurs à une vérité ancienne de l’IA appliquée: quand un système doit paraître présent, il faut séparer la couche rapide de la couche profonde. On voyait déjà cette tension dans les agents vocaux bien avant les grands modèles, simplement à une échelle beaucoup plus pauvre.

Les benchmarks sont bons, mais ils ne disent pas tout

Sur les chiffres publiés début mai 2026 par Thinking Machines, le modèle fait mieux que plusieurs offres temps réel concurrentes sur des mesures centrales. La latence de prise de tour annoncée tombe à 0,40 seconde, contre 0,57 pour Gemini-3.1-flash-live en mode minimal et 1,18 pour GPT-realtime-2.0 en mode minimal. Sur FD-bench v1.5, un benchmark d’interactivité, TML-Interaction-Small affiche 77,8, loin devant 46,8 pour GPT-realtime-2.0 minimal.

Le modèle reste aussi compétitif sur des tests moins directement liés à la conversation. Thinking Machines lui donne 89,7 sur IFEval texte, 82,1 sur IFEval VoiceBench et 99,0% de taux de refus sur HarmBench texte. Sur la vidéo et l’audio en streaming, les résultats sont plus mixtes, mais le niveau est déjà assez élevé pour qu’on ne parle pas d’une simple démo de labo.

Mais vous voyez le trou. Tous ces chiffres viennent de l’entreprise elle-même, même quand les benchmarks sont externes. Et selon TechCrunch, le système n’est encore qu’une research preview, sans accès public immédiat. Tant qu’aucun tiers ne peut tester la robustesse sur des sessions longues, bruitées, multi-utilisateurs, le verdict produit reste suspendu.

Le chiffre qui compte manque encore

Le point business, lui, est plus clair. En juillet 2025, selon WIRED cité par VentureBeat, Thinking Machines Lab a levé environ 1,85 milliard d’euros (2 Md$) sur une valorisation d’environ 11,11 milliards d’euros (12 Md$). L’entreprise a ensuite annoncé au printemps 2026 au moins un gigawatt de systèmes NVIDIA Vera Rubin et une extension de son partenariat avec Google Cloud autour des NVIDIA GB300.

Bon, ça dit deux choses. D’abord, la société a les moyens de financer une architecture coûteuse en inférence continue. Ensuite, elle pense déjà à l’échelle industrielle, pas seulement à la publication de recherche.

Le chiffre manquant reste pourtant le plus utile pour un acheteur. Combien coûte une minute de service en audio vidéo bidirectionnel, avec préremplissages fréquents, appels outils simultanés et présence GPU persistante en mémoire? Sans ce nombre, impossible d’estimer une marge brute, un prix API soutenable ou même la viabilité d’un centre de contact déployé à grande échelle.

La comparaison historique la plus parlante n’est pas la bulle, pour une fois, mais ChatGPT fin 2022. Le produit avait gagné parce qu’il simplifiait l’accès à des capacités déjà là. Thinking Machines essaie l’inverse: changer la capacité elle-même pour rendre la collaboration plus naturelle. Si le coût suit, le chat paraîtra vite daté. Si le coût explose, le marché gardera ses tours de parole et ses 0,40 seconde resteront un luxe de démonstration.

OpenAI a lancé Daybreak le 12 mai 2026, et l’annonce vaut plus qu’un simple produit de plus dans la pile IA. L’entreprise essaie de devenir une brique de production pour la sécurité logicielle, en branchant ses modèles au cœur du développement, du threat modeling, c’est-à-dire la cartographie des scénarios d’attaque plausibles, jusqu’à la validation de correctifs. L’idée est solide. Les chiffres qui permettraient de la juger, eux, ne sont toujours pas là.

Une réponse directe à Anthropic, avec un périmètre plus opérationnel

Daybreak arrive un mois après que Anthropic a dévoilé Claude Mythos Preview dans le cadre de Project Glasswing. Le parallèle est assumé jusque dans le calendrier, et la comparaison avec un produit jugé trop dangereux pour une diffusion publique n’a rien d’un détail. En 2019, OpenAI avait déjà retenu la version complète de GPT-2 au nom du risque d’usage malveillant. Le mécanisme revient, appliqué cette fois à la cybersécurité.

Mais OpenAI choisit une présentation plus industrielle que théâtrale. Là où Anthropic a beaucoup insisté sur la dangerosité de Mythos, OpenAI décrit surtout une chaîne de travail défensive, bâtie avec Codex Security, plusieurs modèles maison et des partenaires sécurité.

Le vrai produit, c’est la chaîne complète de remédiation

Dans la matière fournie, le point le plus intéressant n’est pas le nom des modèles. C’est la promesse de flux complet. OpenAI explique que Codex Security, son agent de revue de code lancé en mars 2026, construit un modèle de menace éditable à partir d’un dépôt, se concentre sur les chemins d’attaque réalistes, valide les vulnérabilités probables, puis automatise la détection de celles qui présentent le plus de risque.

Selon Engadget, Daybreak doit aussi réduire des heures d’analyse à quelques minutes, générer et tester des correctifs dans les dépôts et renvoyer des preuves exploitables pour audit. D’après Infosecurity Magazine, le système peut scanner une base de code avec 10 sous-agents, ajouter des tests de régression, prioriser un backlog de failles et ouvrir des pull requests, ces propositions de modification dans un dépôt Git. Là, on tient quelque chose de concret. Pas juste un LLM, un grand modèle de langage, collé sur un tableau de bord.

OpenAI répartit ce travail entre GPT-5.5 pour les usages généraux, GPT-5.5 avec Trusted Access for Cyber pour les workflows défensifs autorisés, et GPT-5.5-Cyber pour des tâches plus sensibles comme le red teaming, c’est-à-dire la simulation offensive contrôlée, ou les tests d’intrusion.

Le signal commercial existe, les métriques d’exploitation non

Il y a bien un début de traction. En mai 2026, selon OpenAI relayé par Infosecurity Magazine, le programme TAC (Trusted Access for Cyber), un accès restreint à certains modèles pour des organisations vérifiées, regroupe des centaines d’organisations et des milliers de défenseurs individuels. Parmi eux, Akamai, Cisco, Cloudflare, CrowdStrike, Oracle, Palo Alto Networks, Fortinet, Zscaler et même NVIDIA. La finance est là aussi, avec BlackRock, Goldman Sachs, JPMorgan Chase ou Morgan Stanley.

Bon, ce n’est pas encore une preuve économique. Ce qu’il faudrait pour conclure, ce sont des métriques d’exploitation très simples :

• le taux de faux positifs, ces alertes qui ont l’air plausibles mais ne correspondent à aucune faille réelle,
• le temps moyen gagné entre détection, triage et patch,
• le coût par dépôt scanné ou par vulnérabilité correctement fermée,
• la part des correctifs acceptés sans réécriture humaine lourde.

Mozilla a fourni un jalon utile côté concurrent. En avril 2026, la fondation a indiqué que Claude Mythos l’avait aidée à trouver et corriger 271 vulnérabilités dans la dernière version de Firefox, un point repris par le récit de cette expérimentation chez Firefox. Pour Daybreak, rien d’équivalent n’est publié à ce stade.

Pourquoi le moment compte autant que le produit

Le contexte, lui, est limpide. Les outils d’IA raccourcissent le temps nécessaire pour trouver des failles, et les équipes de sécurité peinent déjà à absorber le flux. The Hacker News rappelle qu’en mars 2026, HackerOne a suspendu son programme de bug bounty pour des projets open source, en expliquant que la découverte assistée par IA progressait plus vite que la capacité des mainteneurs à traiter les signalements.

Résultat, une fatigue de triage. Les mainteneurs doivent évaluer un volume croissant de rapports, y compris des rapports hallucinés, produits par des modèles qui rédigent bien mais inventent parfois la faille.

La pression sur le délai de divulgation de 90 jours vient aussi de là. Le chercheur en sécurité Himanshu Anand résume le problème dans la source, en expliquant que si dix chercheurs trouvent le même bug en six semaines et qu’une IA transforme un diff de patch en exploit fonctionnel en trente minutes, la fenêtre classique ne protège plus grand monde. Cette analyse est rude, mais elle colle au terrain.

La retenue d’accès en dit long sur la thèse d’OpenAI

OpenAI garde l’accès serré. Les organisations intéressées doivent demander un scan de vulnérabilité ou passer par l’équipe commerciale, et le dispositif repose sur des environnements autorisés, de la vérification et des garde-fous proportionnés selon l’usage. Le détail compte parce qu’il dit où se place vraiment l’entreprise. Pas côté API grand public, côté comptes stratégiques.

Cette orientation rappelle aussi le précédent de Watson en 2011, quand IBM avait tenté de transformer une démonstration IA spectaculaire en offre métier verticale. La différence, ici, c’est que Daybreak colle à un besoin déjà brûlant, la remédiation de failles dans le cycle de développement, et non à une promesse encore diffuse. Selon Infosecurity Magazine, Anthony Grieco, responsable sécurité de Cisco, parle de modèles qui changent déjà la vitesse des opérations et ajoute « le vrai intérêt de cette technologie ne se trouve pas dans le modèle seul, mais dans le cadre prêt pour l’entreprise que nous construisons autour ».

Le problème est simple. Tant qu’OpenAI ne publie ni précision, ni temps moyen de correction, ni coût d’usage, Daybreak reste une thèse commerciale crédible, pas encore une performance démontrée. Et sur ce marché, entre une démo fluide et un workflow qui tient en production, il y a souvent un gouffre.