Publication

#Gate直通IPO第三期Anthropic Que vend exactement Anthropic ?



Le 10 novembre 2026, Anthropic a lancé la tournée de présentation de son projet d’introduction en bourse. Une tournée de présentation, c’est une série de rencontres au cours desquelles une entreprise explique aux investisseurs comment elle gagne de l’argent et comment elle compte se développer avant son introduction en bourse. Cela ne signifie pas qu’elle est déjà cotée. Cette tournée nous donne une occasion rare : au-delà de découvrir ce que Claude sait faire, nous pouvons voir comment Anthropic commercialise ces capacités, ce qu’elle a gagné et ce qu’elle mise pour la suite. À mes yeux, Anthropic est une entreprise qui veut transformer chaque progrès de ses modèles en une nouvelle tâche pour laquelle les clients sont prêts à payer de façon récurrente. Pour la comprendre, il faut partir d’un dossier d’assurance et remonter jusqu’à ses contrats de calcul et à son conseil d’administration.

01|Claude est un assistant conversationnel, mais Anthropic gagne-t-elle uniquement de l’argent grâce aux conversations ?
Anthropic a été fondée en 2021 par sept personnes, dont Dario Amodei et Daniela Amodei. À l’origine, c’était une entreprise de recherche en IA de pointe, et Claude est une série de modèles qu’elle a développés. Aujourd’hui, l’assistant conversationnel que l’on utilise sur son téléphone ou sur le Web s’appelle lui aussi Claude. Au quotidien, il n’est pas nécessaire de distinguer ces deux Claude, mais pour comprendre cette activité, il faut séparer le modèle, le produit et la plateforme.

Le modèle est la couche sous-jacente qui fournit les capacités. La tournée de présentation ne met pas en avant un modèle universel censé tout faire, mais une gamme de choix allant du rapide et peu coûteux aux modèles adaptés aux tâches complexes. Par exemple, pour classer un grand nombre de documents par thème, il n’est pas forcément nécessaire d’utiliser le modèle le plus puissant. En revanche, pour demander à l’IA de lire un logiciel inconnu, d’y repérer des problèmes, de les corriger puis de vérifier que les tests passent, un modèle plus performant peut éviter bien des détours. Ce que les clients achètent, ce n’est pas le modèle numéro un du classement, mais la capacité adaptée à la tâche qu’ils ont à accomplir.

Le produit, ce sont les outils développés par Anthropic elle-même. Les particuliers peuvent ouvrir une conversation avec Claude, et les ingénieurs peuvent modifier du code dans leurs projets avec Claude Code. La plateforme, elle, permet à d’autres entreprises d’intégrer ces capacités à leurs propres produits : grâce à une API, c’est-à-dire une interface permettant à des logiciels d’utiliser les capacités d’autres logiciels, leurs systèmes peuvent envoyer des tâches à Claude et en recevoir les résultats. Il arrive même que l’on ne voie pas le nom de Claude : on sait seulement que ce qui nécessitait auparavant de passer à un autre outil peut maintenant se faire dans le logiciel que l’on utilise déjà.

C’est aussi l’un des aspects très pragmatiques de la tournée de présentation, à mes yeux : amener Claude là où les utilisateurs travaillent déjà. Par exemple, l’intégrer à Word et Excel ou, par l’intermédiaire de suites spécialisées, aux outils utilisés par les avocats. Pour ceux qui conçoivent des produits, la différence est très concrète : l’utilisateur doit-il transférer ses documents dans une nouvelle fenêtre de conversation à chaque fois, ou peut-il continuer directement dans ses documents, ses feuilles de calcul et ses systèmes habituels ? Le modèle sous-jacent peut être le même, mais la deuxième façon de l’utiliser a davantage de chances de s’inscrire dans le travail quotidien.

02|Pourquoi commencer par le code plutôt que de créer d’emblée un assistant universel ?
Lors de sa tournée de présentation, Anthropic a raconté un détail : en travaillant sur Claude Code, l’équipe a vu que des modèles encore inédits comprenaient de mieux en mieux le code, mais elle n’a pas attendu qu’ils soient suffisamment mûrs pour commencer à développer un outil. Elle a créé à l’avance un produit permettant au modèle d’intervenir dans des projets de code. En février 2025, Claude Code a été lancé en aperçu de recherche limité, en même temps que Claude 3.7 Sonnet. Les ingénieurs peuvent lui demander de lire du code existant, de modifier des fichiers, d’écrire et d’exécuter des tests, puis de vérifier ce qu’il a fait. Première version de Claude Code[7]Prenons un exemple : vous demandez à un assistant conversationnel de corriger un problème de connexion. Il peut vous fournir un code qui semble bon, mais c’est à vous de l’intégrer au projet et de vérifier qu’il n’a rien cassé ailleurs. Avec Claude Code, il peut d’abord repérer les fichiers concernés, les modifier, lancer les tests existants, puis soumettre ses changements à la vérification d’une personne. La différence ne tient pas à la longueur de la réponse : l’outil peut effectuer plusieurs étapes dans les limites des autorisations qui lui sont accordées et recevoir des retours.

Ce type d’IA est généralement appelé un agent : il ne se contente pas de donner des conseils, il utilise des outils pour agir. Pourquoi commencer par la programmation ? Parce qu’une part importante des résultats peut être vérifiée : le programme fonctionne-t-il ? Les tests ont-ils réussi ? Des éléments qui n’auraient pas dû être modifiés l’ont-ils été ? Bien sûr, le fait que les tests passent ne signifie pas que l’on peut lancer directement le programme en production, mais il existe au moins un moyen de détecter certaines erreurs, au lieu de devoir se contenter de lire une réponse bien formulée et de deviner si elle est juste. Pour que l’IA passe de la réponse aux questions à la prise en charge de tâches, il faut d’abord que l’on puisse vérifier si elle les a bien accomplies.

C’est aussi ce qu’Anthropic entend par concevoir les modèles et les produits ensemble. Le modèle commence par apprendre à partir d’un grand volume de textes, d’articles scientifiques et de code, puis s’entraîne à résoudre des problèmes et à utiliser des outils dans le cadre de tâches assorties de retours. Une fois le produit entre les mains de véritables utilisateurs, l’équipe repère plus facilement les points de blocage du modèle et peut décider de ce qu’il faudra améliorer dans la génération suivante. Tous les progrès ne passent pas par l’agrandissement du modèle : parfois, il lui faut surtout apprendre à lire les bons fichiers, à exécuter les bons tests ou à s’arrêter pour demander de l’aide quand il n’est pas sûr de lui. Quand le modèle acquiert ces capacités, le produit peut prendre en charge des tâches plus complexes.

Cette approche se retrouve aussi dans d’autres secteurs. Le laboratoire pharmaceutique Bristol Myers Squibb (BMS) a donné un exemple lors de la tournée de présentation : auparavant, un problème complexe pouvait nécessiter des recherches dans plusieurs bases de données, puis la rédaction d’un rapport, le tout sur une période d’un ou deux mois. Dans le cas présenté, Claude a pu produire un rapport en quatre ou cinq minutes. Cette comparaison porte sur une recherche et une synthèse ponctuelles. La réduction de 20 % à 30 % de la durée des essais est une perspective envisagée par BMS, et non un résultat déjà obtenu. Ce qui mérite vraiment notre attention, c’est que les laboratoires pharmaceutiques doivent d’abord pouvoir limiter l’accès aux données, savoir comment les systèmes fonctionnent et en assurer le suivi avant de leur confier de telles tâches.

03|Comment l’essai d’une équipe devient-il une facture à l’échelle de toute une entreprise ?
Lors de sa tournée de présentation, Anthropic a décrit un parcours d’adoption chez ses clients : généralement, ils commencent par essayer Claude sur une tâche précise, par exemple en demandant à des ingénieurs de corriger un problème avec Claude Code. Lorsque les résultats deviennent fiables, des équipes occupant des fonctions voisines commencent à l’utiliser, puis davantage de processus sont intégrés, jusqu’à ce que Claude fasse parfois partie des produits vendus aux clients. C’est un parcours type décrit par l’entreprise, mais tous les clients ne le suivent pas jusqu’au bout.

Accenture en est un exemple facile à comprendre. L’entreprise utilise Claude pour son propre développement logiciel et l’a aussi intégré à CyberAI, sa plateforme de cybersécurité destinée à ses clients. Accenture indique qu’après le déploiement de cette plateforme dans son propre système informatique, les analyses de sécurité sont passées de trois à cinq jours à moins d’une heure. Une même capacité sert ainsi à la fois d’outil aux ingénieurs en interne et de composante d’un service fourni aux clients. Dès lors qu’elle entre dans le processus de prestation, chaque client supplémentaire peut entraîner une hausse de l’utilisation. Cela explique pourquoi il ne faut pas comprendre l’activité de Claude uniquement en termes d’abonnements.

Au cours des trois premiers trimestres de 2026, environ 79 % des revenus d’Anthropic provenaient de la facturation à l’usage, et les quelque 21 % restants des abonnements. C’est comme si la facture de l’entreprise dépendait non seulement du nombre de personnes qui ont un badge d’accès, mais aussi du temps de fonctionnement des équipements et du volume de travail traité. Les entreprises peuvent accéder directement à la plateforme d’Anthropic ou passer par des plateformes cloud qu’elles connaissent déjà, comme AWS, Google Cloud et Microsoft Azure. S’appuyer sur les canaux d’achat et de déploiement que les clients utilisent déjà peut aider à transformer les essais en activité régulière.

Un autre chiffre de la tournée de présentation, susceptible d’être mal interprété, est le taux de rétention nette des revenus d’environ 900 %.

En clair : les clients de la même cohorte qui avaient généré des revenus au troisième trimestre de l’an dernier et répondaient aux critères retenus ont, ensemble, généré environ neuf fois plus de revenus au troisième trimestre de cette année. Ce chiffre exclut plusieurs catégories d’abonnements individuels à tarif fixe et ne signifie pas que chaque client dépense neuf fois plus. Au cours de la même période, le nombre de clients ayant généré au moins 100 000 dollars de revenus sur les douze derniers mois a dépassé 11 900. Ce chiffre ne correspond pas non plus au nombre total de clients entreprises. Pris ensemble, ces deux chiffres indiquent que le nombre de gros clients a augmenté et que les clients de la cohorte considérée dépensent globalement davantage, mais ils ne nous disent pas combien de temps cette croissance peut se maintenir.

04|Si les modèles gagnent en efficacité, pourquoi acheter autant de capacités de calcul à l’avance ?
La capacité de calcul, c’est la puissance de traitement fournie par les puces et les centres de données. L’entraînement des modèles en consomme, tout comme chaque demande faite à Claude par un client, qu’il s’agisse d’écrire du code ou de lire un rapport. Le premier cas ressemble au développement d’un produit, le second à la fourniture répétée d’un service à des clients. Anthropic utilise également Claude pour ses travaux de recherche et ses activités internes et puise donc dans les mêmes ressources.

Lors de sa tournée de présentation, l’entreprise a expliqué avoir agi sur deux fronts. Premièrement, elle a élargi ses sources de capacités de calcul : elle écrit des logiciels d’adaptation pour différentes puces et regroupe les ressources de divers fournisseurs afin de les répartir. Outre l’achat de services cloud, elle loue directement des puces par l’intermédiaire d’Anthropic Direct et les fait fonctionner dans des centres de données exploités spécialement pour elle. L’entreprise peut ainsi réserver à l’avance des capacités dans des centres de données dont la construction prend plus de temps, puis décider plus tard des puces à y installer et de leur quantité, une fois la demande mieux connue.

Deuxièmement, elle cherche à tirer davantage des ressources déjà disponibles. La tournée de présentation donne un exemple hypothétique : auparavant, il fallait 100 unités de capacité de calcul pour entraîner un modèle à acquérir une certaine capacité ; si les méthodes s’améliorent et que l’efficacité est multipliée par quatre, il n’en faut plus que 25. On peut aussi continuer à utiliser 100 unités pour entraîner un modèle que l’on ne pouvait pas atteindre auparavant. La multiplication par quatre illustre le principe ; elle ne signifie pas que chaque tâche a déjà économisé les trois quarts des ressources nécessaires.

L’entreprise donne un exemple interne plus concret : Anthropic affirme avoir fait appel à Mythos pour adapter des puces AMD et avoir réussi à faire fonctionner Claude en trois jours environ. Ce cas montre que l’IA aide déjà les équipes de recherche et développement à améliorer une partie de l’infrastructure, mais il ne signifie pas que le modèle sait entraîner, valider et publier de façon autonome la génération suivante de lui-même.

Le coût d’une tâche isolée peut baisser, alors que les dépenses totales de l’entreprise augmentent. Anthropic a donné un exemple précis : selon ses calculs, l’utilisation d’Opus 5.5 pour une tâche typique coûte environ 40 % de moins que celle d’Opus 5. Mais si l’analyse d’un rapport devient moins chère, les entreprises peuvent décider de ne pas la réserver au siège, mais de la proposer aussi aux équipes locales. Elles peuvent également confier à Claude des tâches qui n’étaient auparavant pas réalisables ou trop coûteuses. Le fait que chaque utilisation du modèle consomme un peu moins de capacité de calcul ne signifie donc pas que le système dans son ensemble en consommera moins.

La difficulté, c’est qu’on ne peut pas attendre que les clients fassent la queue pour commencer à construire des capacités de calcul. Anthropic indique qu’elle les réserve généralement 12 à 18 mois à l’avance ; les ressources achetées en urgence coûtent plus cher. Selon les informations présentées dans le prospectus du 10 novembre, le total des engagements d’achat et de location déjà signés par l’entreprise s’élève à environ 900,9 milliards de dollars, presque entièrement liés aux capacités de calcul et aux infrastructures. Ces engagements s’étalent sur plusieurs années, et certains contrats comportent des conditions préalables ou des modalités de résiliation. Il ne s’agit ni d’argent déjà dépensé ni d’une dette courante d’un montant équivalent. Le vrai défi, c’est que de nombreux clients ne s’engagent pas sur un volume d’utilisation à long terme, alors que l’entreprise doit prendre des engagements auprès de ses fournisseurs : si elle achète trop peu, elle devra payer le prix fort pour se réapprovisionner lorsque la demande augmentera ; si elle achète trop, elle risque de payer pour des ressources inutilisées si la demande ralentit.

05|Avec environ 17 milliards de dollars de revenus en un trimestre, pourquoi ne peut-on pas encore dire que l’entreprise gagne de l’argent ?
Le chiffre le plus frappant de la tournée de présentation est le revenu d’Anthropic au troisième trimestre 2026 : environ 17 milliards de dollars, soit plus de douze fois celui de la même période l’année précédente. Mais les revenus correspondent au montant des ventes comptabilisées par l’entreprise selon les règles comptables, pas à l’argent reçu sur son compte bancaire, et encore moins à ce qu’il lui reste à la fin. Pour savoir si le modèle économique fonctionne, il faut au moins distinguer trois éléments.

Premièrement, le résultat opérationnel réel. Selon les principes comptables généralement admis aux États-Unis, Anthropic a enregistré une perte opérationnelle d’environ 567 millions de dollars ce trimestre, soit une marge opérationnelle d’environ -3 %. En revanche, la marge opérationnelle ajustée publiée par l’entreprise est d’environ 15 %.

Comment peut-on obtenir un résultat positif et un autre négatif ? Le second indicateur exclut deux postes de dépenses principaux : les rémunérations en actions versées aux employés et les dépenses hors trésorerie liées aux dons d’actions effectués par l’entreprise. Les indicateurs ajustés permettent d’évaluer les performances opérationnelles après exclusion de ces postes, mais ces dépenses ne sont pas sans coût sous prétexte qu’elles n’entraînent pas de paiement immédiat en espèces.

Deuxièmement, les entrées et sorties de trésorerie. Le même prospectus indique qu’au cours des trois premiers trimestres de 2026, les activités opérationnelles ont généré un flux net de trésorerie positif d’environ 6,569 milliards de dollars. Ce chiffre ne concerne pas le troisième trimestre à lui seul et ne représente pas non plus ce qui restera après les futurs investissements en équipements et infrastructures. À l’inverse, on ne peut pas dire qu’Anthropic a brûlé environ 23,3 milliards de dollars au seul troisième trimestre en se fondant sur sa perte nette d’environ 23,3 milliards de dollars : environ 21,9 milliards de dollars correspondent à des ajustements comptables hors trésorerie liés à la variation de la valorisation d’instruments de financement tels que les obligations convertibles.

Troisièmement, la croissance rend-elle l’activité plus rentable ? L’objectif à long terme annoncé par l’entreprise est de dépasser une marge opérationnelle ajustée de 35 %, à condition d’améliorer l’efficacité du calcul, d’optimiser la structure des achats et de réduire la part des autres dépenses dans les revenus.

Or, les chiffres opérationnels récents ne progressent pas de façon linéaire : la marge opérationnelle ajustée était d’environ 19 % au deuxième trimestre, puis elle est tombée à environ 15 % au troisième trimestre. Dans son prospectus, l’entreprise explique avoir fourni environ 5 milliards de dollars de capacités de calcul à court terme au troisième trimestre, or ces capacités coûtent généralement plus cher. Une forte demande est une bonne chose, mais y répondre peut d’abord nécessiter des dépenses plus élevées. C’est plus intéressant que de coller à l’entreprise l’étiquette « déjà rentable » ou « encore en train de brûler des liquidités ».

Les clients peuvent être prêts à payer davantage, un indicateur de bénéfice peut être positif et l’entreprise peut avoir besoin d’investir de grosses sommes à l’avenir : tout cela peut être vrai en même temps. Il n’est donc pas difficile de comprendre pourquoi Anthropic doit lever des fonds alors que ses revenus augmentent si vite : certaines capacités de calcul doivent être financées avant même de générer des revenus. Anthropic doit prouver que, à mesure qu’un nombre croissant de clients confient davantage de tâches à Claude, les revenus générés peuvent durablement couvrir le coût de cette activité, et pas seulement s’équilibrer au cours d’un trimestre particulièrement favorable.

06|Pourquoi une entreprise qui vend une IA plus performante ne met-elle pas ses capacités les plus puissantes à la disposition de tous ?
Mozilla, l’entreprise qui développe le navigateur Firefox, a corrigé dans Firefox 150 271 failles de sécurité découvertes par Claude Mythos Preview. Le bilan de Mozilla est plus instructif que le chiffre lui-même : après que le modèle a repéré des problèmes potentiels, l’équipe a dû en évaluer la gravité, éliminer les signalements en double, rédiger des correctifs, les tester et les publier. Le modèle a accéléré la détection des problèmes, mais les ingénieurs n’ont pas disparu du processus ; ils ont au contraire dû trouver comment traiter un plus grand nombre de découvertes.

La même capacité peut aider les défenseurs à trouver des failles, mais aussi les attaquants à repérer des points d’entrée. C’est pourquoi Anthropic a d’abord accordé aux partenaires de défense un accès contrôlé à Mythos Preview dans le cadre du projet Glasswing, plutôt que de le mettre directement à la disposition de tous. En novembre 2026, d’après la présentation officielle, Fable 5.2 et Mythos 5.2 reposent sur le même modèle sous-jacent : Fable, doté de protections renforcées en matière de cybersécurité et de biosécurité, est largement disponible ; Mythos est accessible, par l’intermédiaire de canaux vérifiés, aux personnes remplissant les conditions requises pour des usages en cybersécurité ou en sciences de la vie. Être capable d’effectuer une tâche, déterminer qui peut l’utiliser et établir qui répond des résultats sont trois questions différentes.

Il en va de même dans les sciences. Anthropic a décrit une expérience au cours de laquelle Claude a repéré une séquence répétée anormale dans un vaste ensemble de données génétiques, puis des chercheurs ont procédé à une première vérification en laboratoire. Le fonctionnement exact du système reste à étudier. Le Jet Propulsion Laboratory de la NASA a également indiqué que Claude avait participé à la planification de l’itinéraire du rover martien Perseverance, mais que l’équipe d’ingénieurs avait d’abord vérifié les instructions à l’aide d’un rover virtuel avant de les transmettre sur Mars. Ce qui mérite le plus notre attention dans ces exemples, ce n’est pas que l’IA soit déjà capable de travailler seule comme scientifique ou de conduire un rover martien, mais qu’elle puisse élargir le champ des explorations humaines tout en permettant de vérifier les résultats importants.

Selon l’entreprise, la sécurité ne consiste pas seulement à ajouter un contrôle avant la publication d’un modèle. Elle comprend aussi l’entraînement du modèle à réagir aux demandes nuisibles et l’étude des raisons pour lesquelles certains comportements apparaissent dans son fonctionnement interne. Pour une entreprise, cela ne répond pas non plus à la même question que « le système peut-il accéder à tel fichier et peut-on enquêter en cas de problème ? » : dans un cas, il s’agit du comportement du modèle lui-même ; dans l’autre, des autorisations et des responsabilités liées à son déploiement dans le cadre d’un travail réel.

Anthropic a également mis en place un autre niveau de gouvernance d’entreprise pour déterminer qui a le pouvoir de décision face aux pressions commerciales. Elle est constituée en société d’intérêt public selon le droit de l’État du Delaware : elle peut faire des bénéfices, mais doit également tenir compte de l’intérêt public. Selon le prospectus, si l’offre aboutit, un fonds fiduciaire d’intérêt général détenant des actions spéciales peut, en règle générale, nommer ou révoquer quatre des sept membres du conseil d’administration. Il ne dirige toutefois pas les activités quotidiennes et n’approuve pas chaque lancement de modèle. Ce dispositif mérite d’être suivi, mais ne garantit pas que l’entreprise fera nécessairement les bons choix. Restreindre l’accès peut réduire les ventes de services, et effectuer davantage de tests de sécurité coûte de l’argent. À l’inverse, la capacité à expliquer les autorisations, les audits et les responsabilités peut inciter davantage de clients à confier des tâches importantes à l’entreprise. Il faut examiner séparément ces deux aspects.

Revenons à ce dossier d’assurance du début. Une fois les documents triés par l’IA, c’est toujours un responsable de la souscription qui prend la décision. Mais le travail, qui prenait beaucoup de temps, a déjà été redistribué : la machine traite ce qu’elle sait faire, et la personne réserve son temps aux tâches qui nécessitent un jugement professionnel. Pour Anthropic, si ce changement peut se produire dans davantage de tâches et que le coût de chaque résultat fiable ne devient pas incontrôlable, alors ce qu’elle vend ne se résume pas à un assistant conversationnel pratique.

Après cette tournée de présentation, je continuerai donc à suivre trois éléments : les clients existants seront-ils prêts à confier à Claude des tâches plus importantes ? Le coût total nécessaire pour mener une tâche à bien de façon fiable, en comptant la vérification humaine et les reprises, peut-il continuer à baisser ? Et que fera l’entreprise lorsque la sécurité et la croissance entreront réellement en conflit ?

Ces trois éléments nous en diront plus sur l’avenir de l’entreprise que l’effet spectaculaire d’une démonstration ou la rapidité de sa croissance sur un trimestre. Si vous envisagez d’introduire l’IA dans votre équipe, vous pouvez partir de la même question : quelle est la prochaine tâche qui mérite d’être confiée à l’IA ? Si elle est mal exécutée, qui s’en rendra compte et qui la reprendra ?
Voir l'original
Cette page contient du contenu tiers, ne constitue aucun conseil et ne représente pas l’approbation par Gate de ces points de vue. Pour plus de détails, veuillez consulter l’avertissement.
BMYBMY+1,74%
ACNACN+0,21%
GOOGLGOOGL-0,98%
MSFTMSFT+0,22%


Ajouter un commentaire
Ajouter un commentaire

Commentaire 4
North Star Alpha
L’analyse du professeur Shanding est très complète.
This is translate content : Mountain Peak RyakAuteur
北辰老师早ノ☀
coin rely on universal
Qui voyez-vous remporter le titre de créateur de l’année ? 🏆
Spicy hand coins
Qui voyez-vous comme créateur de l’année ? 🏆