Pourquoi l’IA frontier commence à ressembler à l’industrie des semi-conducteurs

• La combinaison d’énormes capitaux initiaux et de cycles technologiques courts fait entrer les laboratoires d’IA frontier dans un tapis roulant à la manière des semi-conducteurs, où ils doivent préparer la génération suivante dès la sortie d’un nouveau produit
• Le coût d’entraînement des modèles frontier a augmenté d’environ 2,4x par an pendant 8 ans, et les plus gros entraînements pourraient dépasser 1 milliard de dollars en 2027 puis atteindre 10 milliards en 2028
• L’industrie des semi-conducteurs traverse des creux tous les 3 à 4 ans et s’est restructurée autour d’un petit nombre d’acteurs, mais des entreprises comme Nvidia, Apple et ARM, qui dominent la conception, le logiciel et l’écosystème plutôt que la fabrication, ont créé une grande valeur
• Dans l’IA aussi, alors que les coûts frontier explosent, le coût pour reproduire un même niveau de performance baisse selon certaines estimations jusqu’à un dixième chaque année, ce qui permet à des entreprises applicatives comme Cursor, Harvey ou Abridge de bâtir des produits et des relations clients sans entraîner directement leurs propres modèles
• L’échelle et le capital sont l’avantage compétitif central des laboratoires frontier, mais l’opportunité commerciale la plus large se trouve dans la couche applicative d’une intelligence devenue bon marché et abondante, tandis que le risque de dépendance à une plateforme via l’entrée des fournisseurs de modèles sur le marché client doit être évalué séparément

---

Le tapis roulant des semi-conducteurs qui ne s’arrête jamais

• Les entreprises de semi-conducteurs de nouvelle génération investissent des capitaux massifs dans la conception, le tape-out, la qualification du procédé et l’extension de la fabrication et de la distribution, mais quand le produit est prêt, le marché demande déjà la génération suivante
• Les entreprises incapables de suivre ce cycle ont été acquises, fusionnées ou ont discrètement fermé, et plus que la technologie elle-même, c’est l’intensité capitalistique et la vitesse de développement qui ont rendu l’investissement difficile
• Les laboratoires de modèles frontier suivent un schéma similaire : ils déploient d’énormes capitaux pour lancer un produit, puis se voient immédiatement demander le modèle suivant

Le coût des procédés de semi-conducteurs de nouvelle génération

• Le coût d’un tape-out, qui se chiffrait à quelques centaines de milliers de dollars sur des procédés anciens, peut dépasser 100 millions de dollars pour un jeu complet de masques en 3 nm
  • L’essentiel du coût vient non pas des wafers, mais du jeu de masques et de l’ingénierie non récurrente
• Selon les estimations d’International Business Strategies, le coût total de conception d’une nouvelle puce augmente fortement à mesure que la gravure s’affine
  • 28 nm : environ 40 millions de dollars
  • 7 nm : environ 217 millions de dollars
  • 5 nm : environ 416 millions de dollars
  • 3 nm : environ 590 millions de dollars
  • 2 nm : plus de 725 millions de dollars
• Ces chiffres restent toutefois discutables
  • D’après SemiAnalysis, certaines startups ont réellement lancé des puces 7 nm de pointe pour 50 à 75 millions de dollars au total, ce qui suggère de considérer les estimations hautes comme une borne supérieure
• En incluant les installations de fabrication, la charge devient encore plus lourde
  • Une usine de production 3 nm coûte entre 15 et 20 milliards de dollars
  • Un scanner EUV coûte plus de 350 millions de dollars
  • Le plan d’investissements de TSMC pour 2026 s’élève à 52 à 56 milliards de dollars
• Le coût par transistor continue de baisser, mais seuls les acteurs capables d’atteindre un volume suffisant pour compenser ces dépenses peuvent en tirer une rentabilité économique

Le coût des modèles frontier de nouvelle génération

• Le coût matériel amorti de l’entraînement final de GPT-4 est estimé par Epoch AI à environ 40 millions de dollars
  • Le Stanford AI Index l’évalue à environ 78 millions de dollars en appliquant des prix de location cloud
  • Sam Altman a déclaré que cela avait coûté plus de 100 millions de dollars
• Le coût estimé d’entraînement de Gemini Ultra varie entre 30 et 191 millions de dollars selon la méthode de calcul
• Même si le premier chiffre change selon la méthodologie, l’ordre de grandeur reste similaire, et la tendance de hausse à long terme importe davantage que chaque estimation prise isolément
• Selon Epoch AI, le coût d’entraînement frontier a augmenté d’environ 2,4x par an pendant 8 années consécutives
  • Les plus gros entraînements pourraient dépasser 1 milliard de dollars en 2027
  • Dario Amodei estime que des entraînements à 10 milliards de dollars pourraient apparaître en 2028
  • Les entraînements frontier de 2026 sont déjà estimés à 200 à 500 millions de dollars ou plus
• L’énormité du capital initial, la rapidité des cycles de lancement et l’exigence d’une génération suivante immédiate exercent sur les laboratoires d’IA une pression comparable à celle des entreprises de semi-conducteurs

Pourquoi les actifs d’entraînement IA se déprécient plus vite

• Une usine de semi-conducteurs peut être réutilisée sur plusieurs générations de procédés, et même une ligne de production ancienne entièrement amortie peut continuer à générer des revenus pendant des années
• À l’inverse, un modèle frontier entraîné perd de la valeur dès qu’un concurrent lance un meilleur modèle, sans valeur résiduelle comparable à celle d’une vieille usine de semi-conducteurs
• Cette différence peut rendre le tapis roulant économique des laboratoires d’IA frontier encore plus brutal que celui de la fabrication de semi-conducteurs

Cycles et consolidation dans l’industrie des semi-conducteurs

• Depuis environ 70 ans, l’industrie des semi-conducteurs connaît des creux tous les 3 à 4 ans, avec plus de 15 cycles au total
• Lors de l’éclatement de la bulle internet, l’indice PHLX Semiconductor Sector Index (SOX) a chuté d’environ 82 % par rapport à son sommet de 2000, et la valorisation de Nvidia a elle aussi reculé d’environ 90 %
• Selon PitchBook, l’investissement venture dans les startups des semi-conducteurs a culminé à environ 14,5 milliards de dollars en 2021, avant de tomber à 7,8 milliards de dollars en 2022, soit -46 %
• Les startups des puces qui n’ont pas réussi à transformer leur R&D en revenus avant le gel des marchés de capitaux ont fini par épuiser leur trésorerie opérationnelle
• Une industrie qui comptait des milliers d’entreprises s’est consolidée au fil des décennies autour d’un petit nombre d’acteurs, avec notamment une structure oligopolistique sur le marché de la mémoire
• Quand une intensité capitalistique extrême se combine à un renouvellement générationnel permanent, l’industrie se concentre entre quelques gagnants, et les entreprises qui prennent un boom pour un état permanent subissent de lourds dégâts au cycle baissier suivant

La couche qui a créé le plus de valeur dans les semi-conducteurs

• L’industrie des semi-conducteurs n’a pas seulement entraîné la consolidation des acteurs de pointe ; elle a aussi servi de base à une immense création de valeur dans toute la tech
• Nvidia, Apple, Qualcomm, Broadcom et AMD ont bâti de solides activités grâce au modèle fabless, en laissant à TSMC et à d’autres la charge capitalistique de la fabrication de pointe
• ARM, sans toucher directement au silicium, a pénétré presque tous les téléphones mobiles en licenciant son jeu d’instructions
• Ces entreprises dominent la conception, le logiciel et l’écosystème à une couche au-dessus du tapis roulant de la fabrication, tout en transférant au fondeur le risque figurant au bilan
• Le changement le plus important s’est produit sur la base de semi-conducteurs bon marché, abondants et en amélioration continue
  • Industrie logicielle
  • Internet
  • Économie du smartphone
  • Cloud computing
  • Google, Amazon et l’économie des apps
• Sur plusieurs décennies, les entreprises qui ont bâti leur activité sur cette informatique bon marché issue de la compétition de pointe ont davantage grandi que celles qui ont disparu dans cette course

Hausse des coûts frontier et baisse du coût de l’intelligence

• Alors que le plafond de coût des modèles frontier monte au-delà du milliard de dollars, le coût pour atteindre un niveau de performance donné baisse selon certaines estimations jusqu’à un dixième par an
• Un modèle dont l’entraînement coûtait 78 millions de dollars en 2023 pourrait aujourd’hui être reproduit pour moins de 10 millions de dollars
• DeepSeek serait parvenu à entraîner un modèle très performant pour quelques millions de dollars
• Les chiffres exacts sont débattus et certaines estimations peuvent être trop optimistes, mais la baisse du coût pour reproduire une même performance dans les modèles ouverts est une tendance claire
• L’intelligence suit une courbe de coût décroissante avec le calcul, et la compétition frontier n’obéit pas à la même économie que le marché applicatif construit au-dessus

La stratégie fabless transposée à l’IA

• Seuls quelques laboratoires disposant d’un financement massif peuvent participer à l’entraînement des modèles frontier, mais la couche applicative au-dessus est ouverte à un plus grand nombre d’entreprises
• Anysphere a été fondée en 2022 par quatre étudiants du MIT et a construit Cursor sur les modèles frontier d’autres entreprises
  • Son chiffre d’affaires annualisé est passé d’environ 100 millions de dollars au début de 2025 à environ 4 milliards de dollars vers le milieu de 2026
  • SpaceX a accepté de racheter l’entreprise pour environ 60 milliards de dollars en juin 2026
• Sans entraîner elle-même de modèles frontier, Cursor a possédé le produit et la relation avec les développeurs, tout en laissant aux laboratoires de modèles la charge du coût d’entraînement
• La même stratégie s’applique dans plusieurs secteurs
  • Perplexity : recherche
  • Harvey : travail juridique
  • Sierra : service client
  • Abridge : milieu clinique
  • Glean : opérations internes d’entreprise
  • Foundry Robotics : fabrication
• Ces entreprises construisent leur produit et leur activité au-dessus du tapis roulant, sans y monter directement

Le risque distinct de dépendance à la plateforme

• Quand on construit un produit sur des modèles externes, le fournisseur du modèle peut remonter vers la couche applicative et entrer directement en concurrence avec l’activité de son client
• Les laboratoires sont déjà en concurrence avec certains grands clients qui utilisent leurs propres modèles
• Cursor a dû assumer les prix de détail des modèles tout en affrontant les outils de programmation internes des fournisseurs de modèles, alors que ces derniers bénéficiaient d’une économie de gros
• La dépendance à la plateforme est un risque d’investissement réel, mais sa nature et son coût d’entrée diffèrent du risque d’entraînement et de renouvellement générationnel porté par les laboratoires frontier

Deux types d’entreprises à distinguer dans l’investissement

• À l’ère des semi-conducteurs, deux types d’entreprises ont réussi
  • Une petite minorité a atteint l’échelle nécessaire pour continuer à supporter le tapis roulant de la pointe
  • Un plus grand nombre a bâti, une ou deux couches au-dessus d’un silicium bon marché et abondant, des activités durables et à forte marge
• En volume total de valeur créée, le second type a largement dépassé le premier
• L’ère des modèles frontier évolue dans la même direction, et il ne faut pas confondre le tapis roulant avec l’ensemble du marché
• L’IA peut elle aussi connaître une ou plusieurs sécheresses de financement, comme les précédents booms technologiques intensifs en capital, et les entreprises qui financent leur dernière génération grâce à un marché euphorique subiront alors une forte pression
• L’opportunité la plus large ne réside pas dans la question de savoir qui gagnera la course frontier, mais dans ce qui sera construit une fois l’intelligence devenue bon marché et abondante
• Red Glass Ventures s’intéresse en particulier à la robotique, au hardware et aux systèmes capables d’agir directement dans le monde réel, là où une intelligence à bas coût rencontre le monde physique