La leçon de 3,3 milliards de dollars d’Altman : La règle de Thiel est le prochain test d’investissement pour l’IA

La valeur de OpenAI, la richesse d’Altman, et le test contraire

EtLa valeur de 852 milliards de dollars d’OpenAISam Altman ne possède toujours aucun actif dans l’entreprise, mais il a réussi à construire une…Patrimoine supérieur à 3,3 milliards de dollars.L’enseignement n’a pas vraiment de rapport avec OpenAI. Il s’agit plutôt de la manière dont Altman dit que Peter Thiel et Paul Graham ont influencé sa mentalité d’investisseur : chercher des opportunités qui semblent…Inpopulaire en ce moment.Ce ne sont pas des transactions qui ont déjà été acceptées par tout le monde.

Planification ou biais de survie ?

Il y a une vraie raison de considérer cela comme un cadre utilisable, et non simplement une histoire concernant une célébrité. Dans un marché qui passe d’une stratégie basée sur les thèmes à une stratégie basée sur les preuves, l’inostabilité peut toujours apporter des avantages. En même temps, un investisseur exceptionnel et un résultat atypique peuvent facilement ressembler à un biais de perception.

Ce qui est important maintenant, c’est le contexte. Les investisseurs sont déjà…Enquêter sur les rendements d’investissement des entreprisesLa peur d’une « bulle des IA » pousse le débat vers la monétisation et les preuves scientifiques. Cet environnement est plus propice à une sélection contraire qu’un environnement euphorique.

Pourquoi la règle d’Altman fonctionne mieux lorsque le consensus est dense

La bordure est mécanique.

Le point essentiel d’Altman est simple :Les meilleures opportunités d’investissement sont presque jamais celles qui semblent très populaires.Lorsqu’un produit devient populaire, une grande partie des gains possibles est généralement déjà réalisée par rapport au prix initial du produit.

C’est là que Thiel et Graham proposent des approches différentes pour comprendre la même leçon. L’approche de Thiel consiste à se sentir à l’aise en étant distinctif. L’approche de Graham, quant à elle, consiste à rester actif et correctif, plutôt que de s’attacher à une narration claire. Pour les investisseurs du marché public, c’est la différence entre un échec temporaire et une entreprise défaillante.

Transformer cette idée en un processus concret.

L’approche d’Altman n’est pas simplement une citation. Il l’a appliquée au cours de sa longue carrière en matière d’investissement, y compris dans diverses entreprises.400 entreprises.

Une liste de vérification simple aide à distinguer l’investissement judicieux et contraire des simples comportements obstinés.

• Commencez par l’aversion. Si un nom vous déplaît, identifiez pourquoi.
• Cherchez du changement. Une histoire négative doit se transformer, ou au moins perdre de son impact, avant que le risque ne devienne attrayant.
• Se concentrer sur les écarts de perception. Il n’est pas nécessaire d’avoir une histoire parfaite ; il suffit qu’il y ait un grand écart entre le scepticisme actuel et l’économie future probable.
• La taille se détermine par la recherche, et non par la rébellion. Le malaise est une raison de creuser plus profondément, mais pas une raison de imposer une position.
• Êtes prêts à sortir du marché. Si le scepticisme du marché est rationnel, la bonne décision est de l’admettre.

En IA, cela signifie ralentir la recherche du prochain leader évident, et accorder plus d’attention aux noms que le marché est encore réticent à récompenser pleinement.

Comment appliquer cette règle en intelligence artificielle en 2026

Le consensus croissant réduit l’alpha facile.

Le paysage a changé.L’indice AI a augmenté de 242 % en trois ans., tandis queLes 10 meilleures entreprises figurent maintenant à 36 % de l’indice américain.Dans cette situation, poursuivre les gagnants évidents ne correspond pas vraiment à la création d’alpha, mais plutôt à ajouter de l’exposition sur un marché déjà saturé.

Se concentrer sur les points où les opinions divergent du consensus.

Le cadre de Morgan Stanley pour 2026 est utile ici, car il se concentre sur les domaines où…Leurs opinions diffèrent de l’opinion dominante du marché.En IA, cette divergence se manifeste déjà à mesure que les investisseurs deviennent plus sélectifs. La peur d’une…Boule de l’IACela pousse le marché vers une monétisation visible, ce qui peut créer des écarts entre la narration et la réalité.

L’excitation liée à AGI face aux pièges de valeur moins glamour

L’histoire dominante concernant l’IA repose toujours sur une prémisse dramatique :Celui qui réussira à atteindre l’AGI en premier…On pourrait dominer la logique du “gagnant prend tout”. Une lecture plus nuancée serait de se demander dans quelle mesure cet avantage sera durable, et si les opportunités plus importantes peuvent se trouver dans des domaines connexes comme la distribution, les processus d’entreprise et l’infrastructure.

Ça ne signifie pas que le marché de l’hype est faux. Cela signifie simplement que les profits faciles ne peuvent plus être basés sur les histoires les plus populaires.

Que regarder ensuite

• Écarts de consensus :Où indique la recherche que le marché sous-estime l’adoption, l’infrastructure ou les capacités nécessaires pour mettre en œuvre ces solutions ?
• Preuve de monétisation :Les entreprises offrent-elles vraiment des rendements, ou les investisseurs doivent-ils toujours payer en échange de cette possibilité ?
• Risque de concentration :Si la direction change de ceux qui sont les plus gagnants, les entreprises non clés peuvent faire des mouvements significatifs.
• Dégradation narrative :Le marché commence-t-il à considérer l’enthousiasme lié aux AGI comme moins important que leur mise en œuvre et les aspects économiques qui y sont liés ?

Qu’est-ce qui affaibli la thèse ?

Cette approche est moins utile si un petit groupe de laboratoires parvient à créer une barrière solide contre les concurrents dans le domaine de l’IA, ou si les entreprises les plus actives continuent à générer des profits importants, tout en se concentrant sur leurs activités principales. Pour l’instant, le signe plus clair est la divergence, et non la certitude.

La véritable leçon est le processus, pas la renommée.

Définir l’indisponibilité temporaire par séparation de l’économie défaillante.

L’avantage d’Altman n’était pas son profil. C’était sa capacité à se sentir à l’aise…Inpopulaire en ce moment.Tout en restant ouvert à des corrections de stratégie. Sur les marchés publics, c’est le critère essentiel. Signal est une entreprise qui ne plaît pas, mais dont l’adoption ou ses résultats économiques semblent encore réels. Noise, quant à elle, est une entreprise qui semble intéressante, mais qui échoue néanmoins au test de qualité.

Avec des investisseurs déjà…Enquêter sur le ROI des entreprisesLa prochaine réévaluation est plus susceptible d’affecter les noms qui survivent à ce filtre, plutôt que les entreprises qui font l’objet de plus de discussions liées aux IA.

Cadre de positionnement

• Cas de boule :Des noms peu populaires, où les flux de trésorerie et l’adoption deviennent visibles, et non seulement promis.
• Cas grave :Des pièges de valeur : le marché a raison de douter de l’efficacité économique.

Signaux importants aujourd’hui

Regardez trois choses :

• Qualité des bénéfices :La monétisation est-elle clairement visible, ou se cache derrière des avantages généraux liés à l’IA ?
• Données d’adoption :Les clients utilisent-ils le produit suffisamment souvent pour qu’il soit important ?
• Momentum invalidation :Si la direction revient aux personnes qui se distinguent clairement, alors cette configuration facile et simple pour être contraire peut s’arrêter.