La fin de l’ère du MAU, et si même le MRR n’était plus fiable ?

Bonjour. Ces temps-ci, je vis avec le plaisir de publier une newsletter.
J’en écris une chaque jour, mais comme en publier trop souvent ne correspond pas à la politique de GN, je voudrais vous présenter une newsletter qui a suscité un trafic particulièrement important.

Personnellement, je trouve le contenu vraiment loin d’être mauvais, et je pense que c’est un sujet qui mérite qu’on s’y attarde, alors je le partage avec vous.
Bien sûr, vous n’êtes pas obligés de vous abonner ; le simple fait de la lire avec intérêt me suffit.

Cet article revient sur un événement récent, révélé lors d’auditions aux États-Unis, montrant à quel point des indicateurs comme les utilisateurs actifs et le revenu récurrent ont été gonflés.
Les principaux concernés n’étaient autres qu’OpenAI et Anthropic. En réaction, un nouvel indicateur est en train d’émerger dans la Silicon Valley. Après tout, il faut bien continuer à investir. C’est aussi un indicateur que j’ai moi-même constaté en travaillant chez Gamma. En termes simples, il s’agit du revenu ou de la productivité par employé, ainsi que de la valeur vie sur un an.

[cafedead]

• À l’ère de l’IA, l’ARR pourrait ne plus être un indicateur partagé aussi fiable qu’auparavant
• Les indicateurs phares de l’industrie tech ont changé selon les époques
  • Ère sociale : DAU/MAU
  • Ère SaaS : ARR/MRR
  • Ère IA : remise en cause de l’idée que l’ARR traditionnel peut de plus en plus déformer la réalité
• Le point de départ de l’article est l’incohérence des chiffres d’Anthropic
  • En février 2026, l’entreprise mettait en avant un ARR de 14 milliards de dollars
  • Un mois plus tard, dans un document déposé au tribunal, il était indiqué « plus de 5 milliards de dollars de chiffre d’affaires cumulé depuis la création »
  • Pour une même entreprise, à une période proche, la signification de ces chiffres diffère fortement
  • L’auteur y voit « un signal que, à l’ère de l’IA, l’ARR n’explique plus correctement l’état réel de l’activité »
• Trois raisons expliquent pourquoi l’ARR vacille dans l’IA
  1. L’hypothèse SaaS d’un coût marginal quasi nul ne tient plus
     • Dans l’IA, chaque appel d’inférence entraîne un coût réel en GPU/cloud
     • Plus l’usage augmente, plus les coûts augmentent aussi
  2. L’écart de coût par client est très important
     • À tarif identique, certains clients coûtent peu et d’autres très cher
     • Vu seulement via l’ARR, les deux ressemblent à du « bon revenu », alors que la rentabilité réelle est très différente
  3. La stabilité du revenu récurrent est plus faible
     • Les coûts de changement sont plus bas que dans le SaaS, donc il est plus facile de passer à un autre modèle ou service
     • Le caractère même de « recurring » est moins solide qu’auparavant
• Ainsi, l’ARR des entreprises d’IA peut montrer la « croissance », mais bien moins la rentabilité, la durabilité et la qualité du business
  • Selon l’auteur, la structure ressemble à celle de l’époque où le DAU/MAU montrait l’intérêt des utilisateurs sans vraiment refléter la santé de l’activité
• Les cas d’Anthropic et d’OpenAI illustreraient aussi ce problème
  • Il existe des écarts entre l’ARR annoncé et le chiffre d’affaires cumulé réel, les résultats semestriels ou le rythme de consommation de trésorerie
  • Autrement dit, il peut y avoir malentendu si des chiffres « annualisés » sont lus comme l’équivalent d’une performance annuelle réelle
• Les indicateurs candidats de nouvelle génération pour l’ère de l’IA proposés par l’auteur
  1. Productivité par dollar dépensé (Productivity per Dollar Spent)
     • Il ne suffit pas de regarder ARR/effectif
     • Il faut plutôt observer quelque chose comme ARR / (masse salariale + coûts IA) pour faire apparaître l’efficacité réelle
  2. Valeur de première année (First Year Value)
     • Plutôt que de supposer un futur lointain comme avec la LTV
     • l’idée est de voir si le client a obtenu suffisamment de valeur au cours des 12 premiers mois pour renouveler
  3. Des indicateurs centrés sur les unit economics, comme la marge brute par token
     • Plus que le volume traité
     • c’est la capacité à traiter en conservant de la marge qui devient essentielle
• Message clé
  • À l’ère de l’IA, il faut regarder moins la taille du chiffre d’affaires que la structure de marge brute, la rentabilité par client et la valeur conservée dès la première année
  • L’enjeu est de lire la structure des chiffres, pas seulement leur taille
• Il existe aussi un problème très concret
  • Pour suivre correctement ces indicateurs de troisième génération
  • il faut que la facturation, les coûts d’infrastructure et les systèmes financiers soient connectés
  • or la plupart des entreprises d’IA ne disposent pas encore d’une infrastructure de mesure à ce niveau

Résumé en une phrase
Les activités IA sont devenues difficiles à décrire avec le seul ARR comme dans le SaaS, et les indicateurs capables de montrer « combien il reste » et « à quel point cela se maintient » vont probablement devenir plus importants que ceux qui montrent simplement « combien a été vendu ».

[haebom]

C’est vraiment très bien résumé. Merci.