#OpenAIAnnualRecurringRevenueNears$70B

OpenAI se rapproche d’un chiffre d’affaires annualisé de 70 milliards de dollars, mais je pense que l’élément le plus intéressant de cette histoire n’est désormais plus $70B en lui-même.

La véritable question est de savoir ce qui se passe lorsqu’une entreprise croît aussi rapidement, alors que le coût de cette croissance devient lui aussi gigantesque.

Selon Axios, le chiffre d’affaires annualisé d’OpenAI a progressé de plus de 70 % depuis le début du troisième trimestre, atteignant près de 70 milliards de dollars, tandis que les ventes aux entreprises ont plus que doublé depuis juillet. Son activité grand public a également généré davantage de revenus au troisième trimestre que sur l’ensemble de l’année 2025.

Il s’agit d’une accélération remarquable.

Mais je veux distinguer la vitesse de croissance des revenus de l’économie de l’activité.

Un rythme de chiffre d’affaires annualisé n’est pas la même chose que 70 milliards de dollars de revenus déjà enregistrés sur une année complète. Il prend un rythme de revenus récent et le projette dans le futur. Reuters a également souligné pourquoi cette distinction est importante lorsqu’on évalue des entreprises d’IA en forte croissance.

Ainsi, au lieu de se demander si OpenAI peut atteindre 70 milliards de dollars, je pense que la prochaine étape du débat sur la valorisation de l’IA commence par une question différente :

Quelle valeur économique OpenAI peut-elle créer à partir de chaque dollar supplémentaire consacré au calcul ?

Cette question devient bien plus importante à mesure que l’adoption par les entreprises s’accélère.

Les entreprises clientes ne paient plus simplement pour expérimenter avec un chatbot. L’IA est intégrée au codage, à la recherche, au service client, au traitement de documents, à la productivité et, de plus en plus, aux flux de travail autonomes. Si ces usages s’intègrent aux opérations quotidiennes des entreprises, les revenus de l’IA pourraient devenir beaucoup plus récurrents et plus importants sur le plan opérationnel.

Mais la croissance auprès des entreprises crée aussi un nouveau problème.

Davantage de clients signifie davantage d’inférence.

Davantage d’inférence signifie davantage de GPU, de mémoire, de réseaux, de centres de données et d’électricité.

Et davantage de calcul signifie que les revenus doivent croître plus vite que le coût sous-jacent de leur génération.

C’est là que je pense que la prochaine phase d’OpenAI devient beaucoup plus difficile.

Une entreprise peut faire croître ses revenus extrêmement rapidement tout en étant confrontée à une équation économique difficile si l’infrastructure nécessaire pour prendre en charge chaque client supplémentaire croît presque aussi vite.

C’est pourquoi les projets de financement annoncés d’OpenAI sont si importants. Bloomberg a rapporté que l’entreprise cherchait à lever au moins 30 milliards de dollars pour une valorisation d’environ 1,4 billion de dollars. Cela représenterait une hausse majeure par rapport à la valorisation d’environ 852 milliards de dollars associée à son tour de financement de mars, même si le nouveau financement reste un objectif rapporté et non une transaction finalisée.

Examinons maintenant les chiffres ensemble.

Près de $70B de revenus annualisés.

Potentiellement $30B de capitaux supplémentaires.

Un objectif de valorisation annoncé autour de 1,4 billion de dollars.

Et un écosystème d’infrastructures d’IA qui nécessite des investissements continus gigantesques.

Il ne s’agit plus seulement d’une histoire de croissance d’un éditeur de logiciels.

Cela devient une histoire d’allocation de capitaux.

Le marché doit en définitive comprendre quelle part des revenus d’OpenAI peut se transformer en flux de trésorerie disponible durables après le paiement de l’infrastructure informatique nécessaire à leur génération.

Et il y a une autre évolution que je trouve particulièrement intéressante.

La directrice financière d’OpenAI défend une autre manière de réfléchir à l’économie de l’IA d’entreprise : l’intelligence utile par dollar, plutôt que de mesurer simplement l’utilisation de l’IA ou la consommation de tokens. Cette idée est importante, car des tokens moins chers n’impliquent pas automatiquement une meilleure économie. Ce qui compte, c’est de savoir si l’IA accomplit réellement un travail utile pour le client.

Cela pourrait devenir l’une des métriques les plus importantes de la prochaine phase du secteur de l’IA.

Imaginez deux entreprises générant les mêmes 10 milliards de dollars de revenus liés à l’IA.

L’une nécessite d’énormes ressources informatiques pour générer ces revenus.

L’autre peut fournir la même valeur commerciale avec des coûts d’inférence nettement inférieurs.

Leurs chiffres d’affaires seraient identiques.

Leur économie ne le serait pas.

C’est pourquoi la baisse des coûts d’inférence pourrait en réalité être l’une des évolutions les plus favorables pour l’activité liée à l’IA — même si une IA moins chère exerce initialement une pression sur les prix. Si le coût de production d’une intelligence utile baisse plus vite que les prix, le potentiel de marge peut augmenter.

Cela crée une boucle de rétroaction fascinante.

De meilleurs modèles stimulent la demande.

Une demande accrue génère davantage de revenus.

Davantage de revenus financent davantage d’infrastructures.

Davantage d’infrastructures améliorent la disponibilité et réduisent le coût du calcul.

Des coûts de calcul plus faibles rendent l’IA utile pour davantage de tâches.

Davantage de tâches créent une nouvelle vague de demande.

Si ce cycle se poursuit, les dépenses d’infrastructure gigantesques d’aujourd’hui commencent à ressembler moins à une charge qu’aux fondations d’une plateforme technologique bien plus vaste.

Mais le scénario inverse mérite également d’être examiné.

Si les clients de l’IA deviennent plus sensibles aux prix, si la concurrence entre modèles fait baisser les prix plus rapidement que les coûts d’inférence, ou si les engagements en matière d’infrastructures augmentent plus vite que la monétisation, la seule croissance des revenus ne racontera pas toute l’histoire.

C’est pourquoi je ne pense pas que le prochain débat sur la valorisation de l’IA sera tranché par un nouveau titre impressionnant sur les revenus récurrents annualisés.

Il sera tranché par l’économie unitaire.

Combien coûte le service d’un client professionnel ?

À quelle vitesse le coût de l’inférence baisse-t-il ?

Quelle part des revenus est récurrente ?

À quel point l’IA est-elle intégrée aux flux de travail des clients ?

Quelle quantité supplémentaire de calcul est nécessaire pour chaque dollar de nouveaux revenus ?

Et, en définitive, quel flux de trésorerie disponible reste-t-il après la facture d’infrastructure ?

Il y a également un enjeu de calendrier.

OpenAI envisagerait désormais un nouveau tour de financement gigantesque, tout en opérant dans un secteur où d’autres entreprises d’IA de pointe développent elles aussi leurs revenus et leurs infrastructures à des rythmes extraordinaires. Les derniers documents déposés par Anthropic ont par exemple révélé des engagements futurs en matière d’infrastructures se chiffrant en centaines de milliards de dollars.

Cela nous apprend quelque chose d’important sur l’ensemble du secteur.

La course à l’IA ne consiste plus simplement à construire un meilleur modèle.

Elle devient une course entre la croissance des revenus, l’efficacité du calcul et l’intensité capitalistique.

Et c’est la métrique que je suivrais à partir de maintenant.

Le $70B chiffre prouve que les entreprises et les consommateurs sont prêts à dépenser beaucoup d’argent pour l’IA.

La prochaine question est bien plus difficile :

OpenAI peut-elle rendre chaque dollar supplémentaire de revenus liés à l’IA de plus en plus rentable à mesure que le système passe à l’échelle ?

Si la réponse est finalement oui, l’importance économique de la croissance actuelle des revenus pourrait être bien plus grande que ne le suggère le titre.

Si la réponse est non, même une croissance extraordinaire des revenus pourrait coexister avec des besoins en capitaux extraordinaires.

C’est pourquoi je considère le chiffre de $70B comme un point de départ, et non comme une conclusion.

L’IA a déjà démontré que les gens paieront pour de l’intelligence.

Le secteur doit maintenant démontrer qu’il peut produire une intelligence utile à un coût économiquement viable.

C’est là que se décidera le prochain débat sur l’IA à plusieurs billions de dollars.