OpenAI prévoit 5 milliards de dollars de pertes malgré 3,7 milliards de revenus

Les chiffres donnent la mesure du pari industriel engagé par OpenAI. L’entreprise à l’origine de ChatGPT s’attendrait à générer 3,7 milliards de dollars de revenus en 2024, tout en enregistrant une perte d’environ 5 milliards de dollars, selon des informations publiées le 27 septembre 2024 par la presse américaine. Le contraste est saisissant, mais il éclaire surtout une réalité souvent masquée par l’essor fulgurant de l’IA générative : vendre un assistant conversationnel à grande échelle ne garantit pas encore la rentabilité.

OpenAI ne publie pas les comptes détaillés d’une société cotée. Les montants évoqués sont donc des projections rapportées par des médias, et non des résultats définitifs. Ils n’en restent pas moins révélateurs des tensions financières qui traversent l’ensemble du secteur : pour concevoir des modèles toujours plus performants, puis répondre à des centaines de millions de requêtes, les laboratoires d’IA doivent mobiliser des infrastructures informatiques d’une ampleur inhabituelle.

Des revenus élevés, mais des dépenses encore plus lourdes

À première vue, 3,7 milliards de dollars de revenus annuels constituent une somme considérable pour une entreprise dont le produit grand public le plus connu, ChatGPT, n’a été lancé qu’à la fin de 2022. Ces revenus peuvent provenir notamment des abonnements, de l’accès aux modèles par interface de programmation pour les développeurs et des accords commerciaux conclus avec des organisations.

Mais un chiffre d’affaires ne dit pas tout de la santé financière d’une entreprise. Une perte signifie que, sur l’année considérée, les charges prévues dépassent les recettes prévues. Dans le cas d’OpenAI, les coûts nécessaires pour entraîner, déployer et améliorer ses modèles semblent absorber bien davantage que les revenus générés à ce stade.

Ces données doivent être lues avec méthode. Les revenus et la perte d’OpenAI ne décrivent pas les mêmes choses que les dépenses annoncées pour Anthropic. Les périodes exactes, les méthodes comptables, les contrats d’infrastructure et le périmètre des activités peuvent différer. Le tableau ne permet donc pas de conclure qu’une entreprise est mécaniquement plus efficace que l’autre. Il montre en revanche que les montants engagés dans la course aux grands modèles de langage se chiffrent désormais en milliards de dollars.

Pourquoi l’IA générative coûte-t-elle aussi cher ?

Les grands modèles de langage ne sont pas de simples logiciels installés une fois pour toutes sur un serveur. Leur création nécessite d’abord une phase d’entraînement : le modèle analyse d’immenses volumes de textes, d’images ou d’autres données afin d’apprendre à prédire la suite la plus probable d’une séquence. Cette opération demande de faire fonctionner pendant longtemps de très nombreux processeurs spécialisés, souvent des GPU, interconnectés dans des centres de données.

Cette puissance de calcul a un prix. Elle implique l’achat ou la location de matériel, la capacité des réseaux, le stockage des données, l’électricité et le refroidissement des serveurs. Elle suppose également des ingénieurs capables de concevoir les systèmes, des chercheurs qui évaluent les performances du modèle et des équipes chargées de sa sécurité, de son exploitation et de son support auprès des clients.

Le coût ne s’arrête pas au moment où un modèle est rendu public. Lorsqu’un utilisateur pose une question à ChatGPT, le système doit produire une réponse en temps réel. Cette phase, appelée inférence, mobilise elle aussi des serveurs. Plus le nombre d’utilisateurs et de requêtes augmente, plus la facture informatique peut grimper. Les fonctions qui traitent des documents, comprennent des images, génèrent de l’audio ou donnent accès à des modèles plus avancés peuvent accroître encore ces besoins.

Entraîner un modèle et servir les utilisateurs : deux factures distinctes

Il est utile de distinguer deux catégories de dépenses, qui se cumulent dans le modèle économique de l’IA générative :

• L’entraînement et la recherche, nécessaires pour créer de nouvelles générations de modèles et tester leurs capacités.
• L’inférence et l’exploitation, nécessaires pour faire répondre les modèles aux utilisateurs, aux entreprises et aux développeurs au quotidien.

La première dépense est concentrée lors de la conception d’un modèle, même si les essais sont nombreux. La seconde est récurrente : elle suit l’activité des services. C’est pourquoi une hausse du nombre d’usages peut à la fois soutenir les revenus et augmenter les coûts. Toute la difficulté consiste à améliorer l’efficacité des modèles et l’utilisation des serveurs assez vite pour que chaque requête devienne moins coûteuse à traiter.

Un modèle économique encore en construction

La popularité de ChatGPT a démontré qu’il existe une demande forte pour les assistants d’IA capables de rédiger, résumer, traduire, expliquer du code ou aider à analyser des informations. Pour OpenAI, l’enjeu est désormais de transformer cet intérêt en revenus récurrents, tout en maintenant un niveau de qualité qui justifie des offres payantes.

Les abonnements constituent un levier direct : ils permettent de facturer un accès élargi ou prioritaire à certains modèles et fonctionnalités. Les interfaces de programmation en constituent un autre. Elles permettent à des éditeurs de logiciels et à des entreprises d’intégrer des capacités d’IA dans leurs propres services, en réglant leur consommation. Cette activité peut créer des recettes plus régulières, mais elle dépend elle aussi de la capacité d’OpenAI à fournir du calcul de manière fiable et à un tarif soutenable.

Le dilemme est particulièrement net dans un marché concurrentiel. Si les prix sont trop élevés, certains clients peuvent limiter leurs usages, choisir des modèles moins onéreux ou se tourner vers d’autres fournisseurs. Si les prix sont trop bas, les revenus risquent de ne pas couvrir le coût réel des requêtes. À cela s’ajoute la nécessité d’investir dans de nouveaux modèles : ralentir la recherche pour économiser à court terme pourrait fragiliser la compétitivité à plus long terme.

Que dit réellement la comparaison avec Anthropic ?

L’article à l’origine de ces informations évoque aussi 2,7 milliards de dollars de dépenses pour Anthropic au cours de l’année à venir. Anthropic développe lui aussi des modèles de langage et se trouve donc confronté au même défi structurel : financer une recherche très gourmande en calcul tout en développant des produits commerciaux.

La comparaison rappelle que la compétition ne se joue pas seulement sur la qualité des réponses ou la vitesse de lancement des fonctionnalités. Elle se joue aussi sur l’accès aux puces, aux centres de données, aux talents spécialisés et aux capitaux. Un laboratoire capable d’obtenir davantage de puissance informatique peut entraîner des modèles plus ambitieux. Mais il doit aussi démontrer aux investisseurs et aux clients que ces investissements pourront, à terme, produire une activité durable.

Il serait toutefois hasardeux de présenter le montant de 2,7 milliards de dollars comme une preuve automatique que le modèle d’Anthropic coûterait moins cher que celui d’OpenAI. Une dépense n’est pas une perte, et les années de référence ne sont pas nécessairement identiques. Les entreprises peuvent aussi avoir des stratégies différentes, des contrats d’infrastructure distincts et des sources de revenus qui ne sont pas publiées de la même façon.

Perte annuelle, trésorerie et risque financier : ne pas tout confondre

Le mot « perte » peut être impressionnant, surtout à l’échelle de 5 milliards de dollars. Il ne signifie pas, à lui seul, qu’une entreprise est incapable de payer ses factures dans l’immédiat. La perte est un indicateur comptable qui compare les produits et les charges sur une période. La trésorerie désigne, elle, les liquidités réellement disponibles et les flux d’argent qui entrent ou sortent.

Pour savoir si une entreprise risque une crise de liquidité, il faudrait connaître avec précision ses disponibilités, ses échéances, ses engagements contractuels, ses besoins futurs en serveurs et sa capacité à lever des fonds. Ces informations ne figurent pas toutes dans les projections rapportées. Il n’est donc pas possible, à partir du seul chiffre de 5 milliards de dollars, d’affirmer qu’OpenAI serait confrontée à une rupture de trésorerie imminente.

En revanche, ces pertes attendues soulignent une dépendance forte au financement externe, caractéristique de nombreuses entreprises technologiques en phase d’expansion. Une société déficitaire peut continuer à investir si elle dispose de réserves ou si elle convainc des investisseurs et partenaires de financer sa croissance. Elle peut aussi chercher à améliorer ses marges, à renégocier certains coûts ou à concentrer ses ressources sur les produits les plus demandés.

Les leviers pour rapprocher recettes et coûts

Pour OpenAI comme pour ses concurrents, la trajectoire vers la rentabilité ne repose pas sur une seule décision. Elle dépend d’un ensemble de choix techniques et commerciaux qui doivent avancer de concert.

D’un côté, les laboratoires cherchent à rendre les modèles plus efficaces. Cela peut passer par une meilleure utilisation du matériel, des modèles plus adaptés à certaines tâches ou des systèmes qui n’emploient les modèles les plus coûteux que lorsque c’est nécessaire. L’objectif est simple : fournir un niveau de service utile avec moins de calcul par interaction.

De l’autre, les entreprises doivent clarifier la valeur qu’elles apportent. Les usages professionnels, lorsque l’IA fait gagner du temps, automatise une tâche répétitive ou améliore un produit existant, sont susceptibles de justifier des budgets plus importants que les usages occasionnels. Mais cette promesse doit être démontrée, notamment en matière de fiabilité, de protection des données et d’intégration dans les outils de travail.

La discipline financière compte tout autant. À mesure que l’IA générative devient un marché mondial, la taille des investissements ne peut plus être considérée comme un avantage en soi. Dépenser davantage peut accélérer le développement, mais cela augmente aussi le seuil de revenus nécessaire pour atteindre l’équilibre. Les projections d’OpenAI illustrent cette tension entre une ambition technologique très élevée et la nécessité de construire un modèle économique soutenable.

Ce qu’il faut surveiller

À partir de septembre 2024, plusieurs indicateurs permettront de juger si OpenAI parvient à réduire cet écart entre croissance et pertes. Le premier sera l’évolution de ses revenus : l’entreprise doit convertir l’intérêt pour ses outils en abonnements, contrats et usages professionnels durables. Le deuxième sera le coût du calcul, qui dépend à la fois de l’efficacité logicielle, de l’accès aux infrastructures et de la demande réelle des utilisateurs.

Il faudra également observer la capacité du secteur à financer des investissements aussi lourds. La course aux modèles de pointe exige des moyens considérables, alors même que la rentabilité de nombreux usages reste à établir. Pour OpenAI, les 3,7 milliards de dollars de revenus projetés attestent d’une adoption commerciale déjà substantielle. Les 5 milliards de dollars de pertes attendues rappellent toutefois que le succès de ChatGPT ne règle pas encore l’équation financière de l’intelligence artificielle générative.