DeepSeek affiche 545 % de marge théorique : ce que cachent les calculs

DeepSeek ne revendique pas seulement de bons résultats techniques pour ses modèles de langage. La jeune entreprise chinoise avance désormais un argument économique frappant : ses modèles DeepSeek-V3 et DeepSeek-R1 auraient permis d’atteindre une « marge bénéficiaire théorique » de 545 % sur une période de vingt-quatre heures. Le chiffre, publié par l’entreprise à la fin février 2025, mérite d’être regardé de près. Il ne correspond ni à un bénéfice comptable audité ni à un résultat annuel, mais à une projection élaborée à partir de l’activité de ses serveurs et d’hypothèses de facturation.

Cette nuance est essentielle. L’annonce éclaire néanmoins un enjeu central de la course à l’intelligence artificielle générative : produire un modèle performant est une chose, le faire fonctionner chaque jour à un coût suffisamment bas pour en tirer des revenus en est une autre. À ce titre, DeepSeek place au premier plan une question qui préoccupe autant les développeurs que les investisseurs : l’IA peut-elle devenir durablement rentable à grande échelle ?

Ce que DeepSeek a réellement annoncé

Dans une présentation technique consacrée à son système d’inférence, DeepSeek a détaillé l’activité combinée de V3 et R1 pendant les vingt-quatre heures du 27 février 2025, de 0 h à 24 h en temps universel. L’inférence désigne l’étape où un modèle déjà entraîné répond aux demandes des utilisateurs : rédiger un texte, résumer un document, générer du code ou résoudre un problème.

L’entreprise estime que cette journée aurait représenté 562 027 dollars de revenus si l’ensemble des jetons consommés avait été facturé au prix du modèle DeepSeek-R1. Les jetons sont les unités de texte que manipulent les modèles de langage. Un mot peut correspondre à un ou plusieurs jetons selon la langue et la découpe utilisée par le système.

Face à ces recettes supposées, DeepSeek chiffre le coût de calcul de la journée à 87 072 dollars. La différence atteint donc 474 955 dollars. Rapporté au coût de calcul, ce bénéfice estimé équivaut à 545 %.

DeepSeek retient un coût de 2 dollars par heure et par GPU H800 pour établir sa dépense informatique. Les 1 814,4 GPU correspondent à une moyenne sur la journée, ce qui explique la présence d’une décimale : il ne s’agit pas du nombre physique exact de puces installées à un instant précis, mais d’une consommation moyenne de capacité de calcul.

Pourquoi parler de 545 % peut prêter à confusion

Dans le langage financier courant, une marge bénéficiaire est généralement calculée en divisant le bénéfice par le chiffre d’affaires. Avec les montants publiés par DeepSeek, le bénéfice théorique de 474 955 dollars représenterait environ 84,5 % des recettes théoriques de 562 027 dollars.

Le taux de 545 % correspond en réalité au bénéfice divisé par les seuls coûts de calcul : 474 955 dollars de bénéfice théorique, divisés par 87 072 dollars de dépenses informatiques estimées. Cette méthode mesure donc le gain obtenu pour chaque dollar de coût de calcul. C’est un indicateur très flatteur de l’efficacité d’inférence, mais il ne faut pas le confondre avec une marge nette au sens comptable.

Surtout, les 87 072 dollars ne couvrent pas nécessairement toutes les charges qui pèsent sur une entreprise d’IA. Une activité commerciale réelle peut intégrer de nombreux autres postes : salaires des équipes de recherche et d’ingénierie, développement logiciel, acquisition ou préparation des données, sécurité, infrastructures réseau, assistance aux clients, frais juridiques, impôts et coûts de distribution.

La publication de DeepSeek ne prétend pas présenter des comptes financiers complets. Elle cherche plutôt à démontrer qu’un service de modèles de langage peut, dans certaines conditions de volume et de tarification, générer bien davantage de revenus que son coût direct en puissance de calcul.

Les hypothèses qui rendent cette projection optimiste

Le résultat dépend de choix précis. Le plus important consiste à appliquer le tarif de DeepSeek-R1 à l’ensemble des jetons traités pendant la journée de référence. Or DeepSeek-V3, utilisé lui aussi dans ce calcul, est proposé à des tarifs moins élevés. Une partie de l’activité réelle est également susceptible de relever d’accès gratuits, de périodes promotionnelles ou d’usages qui ne produisent pas de recettes directes.

Autrement dit, DeepSeek ne dit pas avoir encaissé 562 027 dollars le 27 février. L’entreprise décrit ce qu’aurait pu produire ce volume d’utilisation dans un scénario où tous les jetons auraient été monétisés avec la grille tarifaire de R1.

La distinction entre projection et résultat est particulièrement importante dans l’économie des modèles de langage. Un fournisseur peut proposer des prix bas pour attirer développeurs et entreprises, accepter de financer certains usages gratuits pour gagner en visibilité, ou ajuster ses prix afin de répondre à la concurrence. Toutes ces décisions réduisent les recettes immédiates, même si elles servent une stratégie de croissance à plus long terme.

Il faut aussi tenir compte de l’incertitude liée au prix des ressources informatiques. DeepSeek valorise le calcul de ses GPU H800 à 2 dollars l’heure. Ce coût peut varier selon le mode d’accès aux puces, l’amortissement du matériel, la localisation des centres de données, l’énergie consommée et le niveau d’utilisation effectif des serveurs. Une infrastructure sous-employée coûte cher, même quand elle ne traite pas de requêtes.

V3 et R1, deux modèles au cœur de la stratégie de DeepSeek

DeepSeek-V3 est un grand modèle de langage généraliste. Il est conçu pour comprendre et générer du texte, produire du code, répondre à des questions et réaliser d’autres tâches courantes d’IA générative. DeepSeek-R1 est davantage associé au raisonnement, notamment sur les problèmes demandant plusieurs étapes de réflexion, les mathématiques et la programmation.

Les deux modèles n’ont pas nécessairement le même usage, ni la même grille tarifaire. Pourtant, ils partagent un enjeu commun : permettre à DeepSeek de proposer des capacités avancées à des coûts d’accès compétitifs. Le prix par jeton est devenu un levier commercial décisif dans le secteur. Pour une entreprise qui automatise des milliers de résumés, de conversations client ou de lignes de code, une petite différence de prix unitaire peut représenter une somme importante à la fin du mois.

Le calcul publié par DeepSeek s’inscrit donc dans une stratégie plus large. Il ne s’agit pas uniquement de revendiquer des performances sur des tests techniques. La société veut aussi montrer que ses modèles peuvent être servis efficacement, y compris lorsque le volume de requêtes augmente.

Cette capacité dépend en partie de l’architecture logicielle et de la manière dont les requêtes sont réparties sur les GPU. Elle dépend aussi de mécanismes comme la mise en cache. Lorsqu’une partie d’un contexte déjà traité peut être réutilisée plutôt que recalculée, le coût d’une nouvelle requête diminue. Pour les applications qui manipulent de longs documents ou des conversations prolongées, ces optimisations peuvent peser lourd dans la facture finale.

Le chiffre de 5,576 millions de dollars doit aussi être interprété avec prudence

DeepSeek a déjà attiré l’attention avec le coût annoncé de l’entraînement de DeepSeek-V3 : 5,576 millions de dollars selon son rapport technique. Cette estimation est fondée sur la location de GPU H800 au tarif de 2 dollars par heure. Elle contraste avec les budgets considérables généralement associés au développement des plus grands modèles de langage.

Mais là encore, la bonne lecture est celle du périmètre. Ce montant concerne le coût de calcul de l’entraînement final de V3, tel que décrit dans le rapport technique. Il ne représente pas l’ensemble des dépenses de DeepSeek, ni tous les travaux de recherche préalables, ni les expérimentations ayant permis d’aboutir au modèle, ni les coûts de fonctionnement commercial.

Cette précision ne retire rien à l’intérêt du chiffre. Elle évite simplement de comparer un coût de calcul ciblé avec le budget complet d’une entreprise concurrente. Les comparaisons entre laboratoires sont difficiles, car les acteurs ne publient ni les mêmes données ni les mêmes définitions de coûts.

Pourquoi cette annonce compte pour le marché de l’IA

Le développement de l’IA générative s’est longtemps résumé, dans le débat public, à une course aux modèles toujours plus grands et aux investissements toujours plus élevés. DeepSeek déplace une partie de la discussion vers l’efficience : combien coûte réellement une réponse générée par une IA, et quel revenu peut-elle produire ?

Cette question intéresse directement les entreprises clientes. Un modèle moins onéreux peut rendre possibles des usages jusqu’ici trop coûteux, comme l’analyse de gros volumes de documents, l’assistance automatisée à grande échelle ou des outils internes disponibles pour davantage de salariés. Toutefois, le tarif ne suffit pas à choisir une solution. Les organisations doivent aussi évaluer la qualité des réponses, la stabilité du service, la confidentialité des données, les conditions d’utilisation et la possibilité d’intégrer l’outil à leurs systèmes existants.

La montée en puissance d’acteurs chinois tels que DeepSeek accentue également la pression sur les fournisseurs établis. Alibaba réduit lui aussi les prix de certains services d’IA, signe que la compétition porte autant sur le coût d’accès que sur les performances brutes. Cette dynamique peut profiter aux utilisateurs à court terme, grâce à des offres plus abordables. Elle peut aussi déclencher une guerre des prix difficile à soutenir si les volumes d’usage ou les revenus ne suivent pas.

Ce qu’il faut surveiller après cette projection

La publication de DeepSeek pose moins la question d’un record financier définitif que celle de la reproductibilité du modèle économique. Pour transformer une simulation d’une journée en activité durable, l’entreprise devra démontrer plusieurs choses : que la demande reste élevée, que les clients acceptent de payer, que les coûts de calcul demeurent maîtrisés et que la qualité de service résiste à la montée en charge.

Les prochains éléments importants seront donc les données d’usage payant, l’évolution des prix, la disponibilité de l’infrastructure et les éventuels indicateurs financiers publiés par l’entreprise. Il faudra aussi observer si les concurrents répondent par de nouvelles baisses tarifaires ou par des modèles plus efficaces.

L’enseignement le plus solide de l’annonce est peut-être ailleurs. Dans l’IA générative, le coût de l’inférence devient un terrain de compétition aussi stratégique que l’entraînement des modèles. DeepSeek affirme avoir trouvé une formule particulièrement efficiente. Le marché devra désormais distinguer ce qui relève de la promesse technique, de la projection économique et d’une rentabilité effectivement démontrée.