DeepSeek V4 Pro prouve que la course aux IA ne se base plus sur des indicateurs de performance : il s’agit maintenant d’une question économique liée aux inférences.

DeepSeek V4 Pro est officiellement sorti aujourd’hui. Il s’agit d’un modèle de 1,6 billions de paramètres, basé sur la méthode “Mixture-of-Experts”, sous licence MIT. Ce modèle fonctionne sur des équipements chinois, à un coût beaucoup plus faible que les modèles occidentaux. Le marché boursier n’a même pas réagi.

Ce n’est pas un signe que le marché est indifférent. C’est plutôt un signe que les changements survenus ne sont plus une surprise, mais une réalité structurelle. La véritable situation se produit dans les chaînes d’approvisionnement, que Wall Street ne peut pas observer directement.

Le marché est déjà en train de digérer DeepSeek.

La dernière fois que DeepSeek a déployé un modèle qui a changé le cours des discussions sur l’économie de l’IA, Nvidia a perdu.600 milliards de dollars de capitalisation boursière en une seule journéeR1, sorti au début de l’année 2025, était ce que Marc Andreessen a appelé…Le moment Sputnik de l’IA— preuve que un laboratoire chinois utilisant des GPU soumis à restrictions d’exportation peut produire des résultats de haut niveau, à un coût beaucoup plus faible.

La réaction du marché face au V4 n’était pas pareille. Pas de choc, pas de baisse des prix. Les analystes chez Omdia m’ont expliqué clairement la raison : l’idée que de nouveaux acteurs apparaîtraient et réduiraient les prix est désormais intégrée dans les évaluations des entreprises. Les conditions qui avaient provoqué le choc lié au R1 – des valeurs élevées, l’espérance d’une domination occidentale, et la surprise causée par une entreprise inconnue – ne existent plus.

Mais interpréter ce haussement d’épaules comme indifférence ignore ce qui a vraiment changé. Le marché a cessé de réagir aux annonces relatives aux normes de performance, car le changement structurel est déjà survenu. La question n’est plus de savoir si les laboratoires chinois peuvent concurrencer sur les performances. La question est plutôt de savoir si leur architecture – optimisée pour des matériels limités et en termes d’efficacité économique – peut remettre en question les principes économiques qui justifient l’investissement actuel dans l’infrastructure de l’IA.

L’architecture qui compte

Le V4 Pro se situe à1,6 trillion de paramètres au totalAvec seulement 49 milliards d’activations par token, grâce au routage MoE. Il prend en charge…1 million de tokens dans la fenêtre de contexteEt il dispose de trois modes de raisonnement : des réponses rapides sans réflexion, jusqu’au mode “Think Max” qui encourage le raisonnement au maximum. Sur les tests de codage, le V4 Pro Max a obtenu de bons résultats.93,5 sur LiveCodeBenchIl dépasse les 88,8 de l’Opus 4.6, et atteint ou dépasse également les valeurs de GPT-5.4 et Gemini 3.1 Pro sur plusieurs mesures.

Les innovations architecturales sont ce qui est intéressant. DeepSeek a introduit les Hyper-Connections contraints par les manifolds, afin de maintenir l’amplification des signaux inférieure à 2x, plutôt que les 3 000x sans contraintes, qui entraînent généralement des problèmes lors du entraînement des modèles MoE. Ils ont également utilisé la technique DeepSeek Sparse Attention : en remplaçant l’attention dense par des résumés évolutifs et une attention complète sélective, le coût lié au contexte augmente de manière linéaire, plutôt que quadratique. Le V4 Pro utilise seulement 27 % des FLOPs nécessaires pour un seul token, ainsi que 10 % de la taille de la mémoire KV nécessaire pour un contexte de 1 million de tokens, contrairement au V3.2.

Ce n’est pas une optimisation progressive. Il s’agit d’une sorte d’adaptation architecturale qui découle du fait qu’il faut entraîner le plus grand modèle open-weight du monde sur des matériels qui ne sont pas des GPU Nvidia. Le V4 Pro a été optimisé pour les Huawei Ascend 950PR et les chips Cambricon MLU – un matériel domestique dont la performance par unité est nettement inférieure à celle des GPU de classe Hopper.

L’implication est simple : si l’efficacité algorithmique peut combler le fossé au niveau du circuit intégré, l’avantage en termes de coûts de calcul s’aggrave au niveau du système entier. Un modèle qui offre des performances élevées avec des circuits intégrés moins puissants n’est pas seulement moins cher à exécuter – il est également moins dépendant d’une chaîne d’approvisionnement que le gouvernement américain cherche activement à restreindre.

Le signal que le marché ne peut pas voir

C’est là que les données liées aux chaînes d’approvisionnement racontent une histoire différente de celle des cours des actions. Après la sortie du V4, la demande pour les puces Ascend 950 de Huawei a augmenté considérablement. ByteDance, Tencent et Alibaba – les plus grandes entreprises technologiques de Chine – ont agi rapidement pour obtenir ces puces, qui étaient déjà en pénurie. Un consortium de recherche dirigé par Huawei a confirmé en juin qu’il avait réussi à effectuer l’entraînement complet des puces V4 Pro à l’aide d’un groupe de serveurs.Au moins 1 000 puces Ascend 910CHuawei prévoit de produire environ600 000 des puces Ascend 910C de première qualité d’ici 2026.Plus que le double du rendement de 2025, avec la série 950 qui progressera au fil de l’année.

Je trouve ce modèle de signal binaire familier. Les engagements en matière d’approvisionnement élevés sont à la fois une preuve de forte demande et un indicateur de risque. Le fait que les géants chinois du secteur des clouds cherchent activement des puces locales après avoir constaté les performances de la version V4 montre que le changement d’architecture est réel. Mais cela signifie également que les contraintes d’approvisionnement restent un facteur important. Le plan de développement de Huawei pour les modèles Ascend place la version 950DT dans le quatrième trimestre 2026, la version 960 dans le quatrième trimestre 2027, et la version 970 dans le quatrième trimestre 2028. C’est un rythme qui correspond au cycle de développement de Nvidia, et non un processus rapide qui dépasse ce rythme en un instant.

La réalité du chaîne d’approvisionnement est que DeepSeek est strictement limité en termes de capacité de calcul. Sa capacité est limitée jusqu’à ce que les supernœuds augmentent leur capacité de calcul. Ils ne peuvent donc pas satisfaire immédiatement la demande mondiale à pleine échelle. C’est pourquoi le marché n’a pas vendu en catastrophe – le problème est réel, mais il est limité par les restrictions liées à l’offre de matériel.

Adopération par les développeurs : L’instant où le “rubber” arrive sur la route.

Les scores de référence racontent la moitié de l’histoire. Le comportement du développeur raconte le reste. V4 Flash – le petit frère, avec un total de 284 milliards de paramètres et 13 milliards d’activités en temps réel – occupe la première place dans les classements d’utilisation des API.7 billions de tokens consommés entre le 27 juillet et le 6 août.C’est une période de 10 jours. Il s’agit de vraies appels API provenant de utilisateurs réels, qui servent à gérer le trafic de production. Ce n’est pas des tests effectués par des chercheurs curieux.

Le différend tarifaire est ce qui motive cette adoption. Le V4 Pro coûte1,74 $ par million de tokens d’entrée et 3,48 $ par million de tokens de sortieIl est environ 5,7 fois moins cher en entrée de données, et 17 fois moins cher en sortie que GPT-5.4. De plus, il est plus de 28 fois moins cher en sortie que Claude Opus 4.8. Pour les tâches d’inférence à grande échelle, cela ne s’agit pas d’une erreur de calcul. Il s’agit d’un changement structurel dans le coût de l’intelligence artificielle.

Mais voici à quoi ressemble réellement le calcul d’entreprise. Les développeurs ne créent pas de systèmes de routage complets. Ils mettent en place des stratégies de routage hybrides : les modèles V4 Flash pour les tâches de tri rapide et de traitement de grande quantité de données ; les modèles V4 Pro pour les tâches plus complexes ; et les modèles haut de gamme Western comme solution de secours pour les workflows complexes ou les applications sensibles aux données. Le principal obstacle pour les entreprises américaines n’est pas la performance, mais la souveraineté des données. L’utilisation d’API hébergées permet aux données de circuler via une infrastructure soumise aux lois chinoises, ce qui constitue un obstacle majeur pour les données personnelles, les données propriétaires et les industries régulées. Héberger le modèle ouvert indépendamment permet d’éviter cette situation, mais cela nécessite des investissements significatifs en infrastructure.

Cette stratégie de modèle hybride est exactement ce que je m’attends lorsque une nouvelle architecture entre dans le stack. Elle ne remplace pas les anciennes architectures sur-le-champ. Elle dirige les tâches qui impliquent un coût important vers des endroits appropriés, tandis que les modèles haut de gamme sont utilisés pour les tâches à haute valeur et haute risque, où la fiabilité et la gestion des données sont plus importantes que le prix du produit. Avec le temps, à mesure que les écarts de compétence se comblent et que les outils de déploiement se perfectionnent, ce rapport de routage change. C’est ainsi que la part de marché diminue : non par une annonce officielle, mais par mille décisions de routage successives.

Ce que cela signifie pour le cycle de croissance extraordinaire d’Nvidia

Nvidia possède une capitalisation boursière de 5,45 billions de dollars. Son cours est 34 fois supérieur aux résultats financiers récents, et 60 fois supérieur aux résultats prévisionnels. Les revenus ont augmenté de 71 % par an. Le marge d’exploitation a atteint 64 %, et les flux de trésorerie gratuits se sont élevés à 119 milliards de dollars au cours des douze derniers mois. L’entreprise gère des ressources financières en quantité sans précédent dans l’industrie des semi-conducteurs.

Rien de tout cela ne change, car DeepSeek a lancé un nouveau modèle. La domination d’Nvidia dans les infrastructures de formation continue reste intacte : le système de contrôle CUDA, l’architecture Hopper et la feuille de route Blackwell créent une barrière infranchissable qui est difficilement pénétrable. Les cinq plus grands fournisseurs de services cloud et d’IA aux États-Unis ont tous engagé des engagements communs.Entre 660 milliards et 690 milliards de dollars de CAPEX pour l’année 2026.Et pratiquement tout cela passe par l’écosystème Nvidia.

Mais la transition des dépenses orientées vers l’entraînement vers celles orientées vers l’inférence est le changement structurel que la sortie du V4 accélère. L’entraînement se fait toujours avec du matériel Nvidia. C’est dans l’inférence que les coûts par token, les latences et l’efficacité comptent plus que les performances de CUDA. C’est là que l’adaptation architecturale devient importante. Un modèle comme le V4 Pro, qui permet des performances de codage et de raisonnement de niveau avancé, tout en étant optimisé pour des puces domestiques moins chères, prouve que les charges de travail d’inférence ne doivent pas être liées au matériel le plus cher du monde.

Cette distinction a des deux côtés. D’un côté, les laboratoires chinois développent des modèles qui permettent de combler le décalage en termes de performances, même sur des matériels limités. De l’autre côté, les hyperscalers occidentaux développent des puces personnalisées – Trainium d’Amazon, TPU de Google, Maia de Microsoft – spécifiquement pour les tâches d’inference, où l’utilisation de CUDA est la moins efficace. DeepSeek V4 n’est pas la seule entité qui érode la barrière entre le entraînement et l’inference. C’est simplement celle qui rend les avantages économiques indéniables.

Où mettrais-je le capital

Voici comment je interprète cela en termes d’allocation de capitaux. Le comportement du marché est correct dans une direction et incorrect dans une autre. Il est correct d’ignorer le choc lié aux benchmarks – cette situation a été prise en compte et intégrée. Cependant, il est incorrect de supposer que le changement économique ne compte pas, car les engagements de CAPEX actuels sont déjà pris en compte.

Ces engagements de dépense en capital investi permettent de construire des infrastructures de formation pour les modèles qui seront entraînés au cours des 18 à 24 prochains mois. Mais les revenus que ces data centers génèrent proviendront des tâches d’inférence qui se dérouleront au cours des cinq à sept prochaines années. Si les conditions économiques liées aux inférences évoluent vers des architectures plus bon marché et plus efficaces – que ces architectures soient basées sur Nvidia, sur du silicium personnalisé ou sur des puces chinoises – alors les retours sur les investissements actuels dans les infrastructures de formation seront plus équilibrés.

La théorie à long terme de Nvidia – selon laquelle le développement de l’infrastructure pour l’IA justifie une capitalisation boursière de 20 billions de dollars d’ici 2030 – reste valable. Les avantages structurels liés aux technologies CUDA, à l’architecture Blackwell et à la taille du marché des hyperscalers sont réels. Mais une grande partie de ces avantages sera probablement perdue entre 2028 et 2030, à mesure que le marché de l’inference se développe et que la monétisation du logiciel rattrape celle du matériel.

Pour ceux qui décident actuellement s’ils doivent maintenir, réduire ou ajouter des investissements dans leurs infrastructures d’IA, la question n’est pas de savoir si Nvidia reste dominante. C’est plutôt si les retours obtenus à partir de cette situation – avec des conditions économiques difficiles pour l’inference et une transition entre le entraînement et l’inference qui se accélère – sont plus intéressants que ceux que l’on trouve chez les entreprises spécialisées dans le développement de composants logiciels, ou dans les entreprises qui profitent de la monetisation du logiciel après le déploiement du matériel.

La question n’est pas de savoir si DeepSeek V4 modifie le paysage concurrentiel. C’est bien le cas. La question est plutôt de savoir si les changements qu’il provoque sont déjà reflétés dans les engagements de dépense qui sous-tendent la valeur de Nvidia, ou si ces changements représentent un risque de timing qui exige une gestion active du portefeuille, et non simplement une confiance passive.

À mon avis, la réponse dépend de votre horizon temporel. Si vous investissez jusqu’en 2030, la théorie reste valable et le bruit n’a pas d’importance. Si vous allez investir pour les deux prochaines années, l’évolution économique est une variable importante qui justifie de réfléchir sur où se trouve votre capital, et si la courbe des rendements est avant ou après la période de retour sur investissement par rapport aux autres options.

La condition de interruption pour cette vision est simple : si la nouvelle génération de DeepSeek ne parvient pas à combler le fossé restant entre les différentes performances, si les contraintes de livraison d’Huawei Ascend empêchent une augmentation significative de la production, ou si les prix du modèle occidental diminuent au point de correspondre aux coûts réels, alors l’argument économique lié aux inférences s’affaiblit. Jusqu’à alors, la transition architecturale est réelle, le chaos dans la chaîne d’approvisionnement est réel, et les chiffres relatifs à l’adoption par les développeurs sont réels. Le marché n’a simplement pas encore appris à interpréter ces données.