Un fondateur monte sur scène et dit qu’il utilise “un modèle américain”. En coulisses, sa stack tourne sur Qwen, DeepSeek ou Kimi. Ce n’est pas une rumeur — c’est une tendance documentée qui est en train de remodeler l’économie des agents IA, à une vitesse que la plupart des newsletters n’ont pas encore formulée clairement.
Au programme :
🧠 Les modèles IA chinois déjà dans 80 % des stacks US — et pourquoi c’est une opportunité de positionnement pour les builders, pas une menace
🛠️ Obsidian comme mémoire persistante de tous tes outils IA
📡 Le CPU d’agents de Nvidia à 200 Md$, la fin de Google Search, la thèse anti-SaaSpocalypse, et la loi τ-Scaling de Huawei
La vraie guerre IA ne se joue pas sur les benchmarks. Elle se joue sur les marges — et les modèles chinois sont en train de gagner à l’insu de leurs utilisateurs eux-mêmes.
Il y a quelque chose de frappant dans l’écart entre ce que l’industrie IA dit en public et ce qu’elle fait en réalité. Les pitchs mentionnent Claude, GPT-4o, Gemini. Les stacks réels, eux, tournent de plus en plus souvent sur Qwen, DeepSeek et Kimi — sans que personne ne le revendique.
Un seul chiffre résume la dynamique : $35 contre $1 500 pour 100 millions de tokens. C’est l’écart de coût documenté entre certains modèles chinois et leurs équivalents US sur des cas d’usage comparables. Pas une estimation — une réalité opérationnelle que des dizaines de startups ont arbitrée discrètement, parce que quand tu fais tourner un agent en production à grande échelle, ce ratio change tout ton modèle économique.
DeepSeek a été entraîné '“officiellement” pour environ 6 millions de dollars. Les modèles frontier américains ont coûté entre 100 et 500 fois plus. Le résultat tient sur la plupart des benchmarks de code et de raisonnement. Ce n’est pas un rattrapage technologique — c’est une compression des coûts qui remet en cause toute l’économie du secteur.
La raison pour laquelle les fondateurs n’en parlent pas publiquement est simple : le risque perçu. Utiliser un modèle développé en Chine dans un produit destiné à des entreprises américaines ou européennes est politiquement sensible — même quand le code est open source et tourne en local. Donc ils l’utilisent, et ils ne le disent pas. Les IPOs à Hong Kong — certaines sursouscrites 1 000 fois pour des entreprises IA — confirment que l’investissement dans l’écosystème est massif et durable. Ce mouvement n’est pas conjoncturel.
La stratégie qui émerge chez les builders les plus malins : le modèle hybride. Modèles chinois pour les tâches volumineuses et répétitives — parsing, résumé, génération structurée, classification à grande échelle. Modèles US pour les tâches sensibles, créatives, ou qui transitent par des données client. Ce n’est pas une position idéologique. C’est de l’ingénierie de coût.
La compétence rare n’est plus de savoir utiliser un modèle. C’est de savoir lequel utiliser, pour quelle tâche, avec quel ratio coût/qualité/confidentialité — et de pouvoir l’expliquer à un client qui n’a ni le temps ni les outils pour faire ce diagnostic lui-même. C’est exactement là que le Product Builder a de la valeur aujourd’hui.
Ce que ça change pour toi :
🟢 Maintenant : teste DeepSeek ou Qwen sur une tâche répétitive que tu fais payer à l’usage ou que tu factures au temps passé. Si les résultats sont comparables à GPT-4o, ton argument commercial change : tu livres le même output à une fraction du coût — et tu gardes la marge ou tu la redistribues en compétitivité tarifaire.
🟡 À surveiller : la montée des “modèles souverains” en Europe. Plusieurs gouvernements financent déjà des alternatives locales. Pour des clients dans des secteurs réglementés — santé, finance, droit — savoir articuler la question de la souveraineté des données sera un critère de sélection de prestataire d’ici 12 à 18 mois.
⚪ Pas encore : migrer tout ton stack vers des modèles chinois. La question n’est pas de remplacer, mais d’arbitrer intelligemment selon le contexte métier et la sensibilité des données.
Tu bookmarkes des MCPs, des CLIs, des frameworks. Six semaines plus tard, tu ne te souviens plus que tu les as.
Le problème est banal mais coûteux : chaque semaine, tu tombes sur un outil intéressant — un MCP, un CLI, une librairie d’agents — tu le sauvegardes quelque part, et il disparaît dans un dossier de bookmarks que tu ne rouvres jamais. Tu le redécouvres trois mois plus tard via quelqu’un d’autre.
La solution que certains builders ont mise en place : Obsidian comme base de connaissance queryable pour tous leurs outils IA. Chaque outil a une note — nom, cas d’usage, commande d’installation, notes d’usage personnel, dernière date de test. Les notes sont liées entre elles par cas d’usage ou par technologie. Quand tu cherches “MCP pour Google Drive” ou “CLI pour déployer sur Cloudflare”, tu trouves en 10 secondes ce que tu as déjà évalué — et si ça vaut toujours le coup.
Ce qui change vraiment l’utilité du système : Obsidian se connecte maintenant avec Claude via un plugin MCP. Tu peux demander à Claude d’interroger ta base, de retrouver un outil en langage naturel, ou même d’y ajouter automatiquement une note après un test. Ta base devient un actif qui grossit avec ta pratique — pas un tiroir qu’on vide tous les 6 mois.
À tester : crée un vault Obsidian “IA Tools”, documente les 5 derniers outils que tu as testés avec leur cas d’usage et tes notes d’usage réel, puis installe le plugin MCP Obsidian. La prochaine fois que tu cherches un outil que tu as déjà vu, demande à Claude plutôt que de relancer une recherche from scratch. — obsidian.md
→ [Nvidia / Vera CPU] Jensen Huang a annoncé cette semaine un nouveau marché de 200 milliards de dollars pour Nvidia : les CPUs dédiés aux agents IA. Vera est le premier processeur de la firme conçu spécifiquement pour l’inférence agentique — pas pour l’entraînement de modèles, mais pour les milliards d’agents qui tournent en permanence sur des tâches légères. Huang estime que chaque agent aura besoin de son propre CPU “comme les PCs en ont eu besoin”. 20 milliards de dollars déjà pré-vendus. Idée actionnable : si tu déploies des agents pour des clients, la question de l’infrastructure va monter rapidement dans les discussions. Être capable d’expliquer la différence entre un workload GPU (entraînement, inférence lourde) et CPU (agents persistants, tâches légères répétitives) devient un critère de crédibilité technique face aux équipes IT. — techcrunch.com
→ [Google / La fin du Search tel qu’on le connaissait] TechCrunch titre cette semaine sur la mort de Google Search. Ce qui change concrètement : Google déploie des interfaces génératives, des “mini-apps” directement dans les pages de résultats, et des agents qui répondent à ta question sans que tu aies à cliquer nulle part. 2,5 milliards d’utilisateurs actifs sur AI Overviews — les liens bleus deviennent l’exception, pas la règle. Idée actionnable : si tu as des clients avec une stratégie de contenu SEO, c’est le moment de refaire le brief. Le KPI “trafic organique” se vide de sens quand l’IA répond à la place du site. Le vrai objectif devient “présence dans les réponses IA” — ce qui est une mission différente, et facturable différemment. — techcrunch.com
→ [Dan Shipper / Every / Thèse anti-SaaSpocalypse] Alors que tout le monde prédit la mort du SaaS, Dan Shipper (Every.to) publie la thèse inverse : “L’automation est un mensonge. Les CLIs sont terminés. Je rachèterais des actions SaaS maintenant.” Son argument : les agents ont besoin d’interfaces riches avec supervision humaine, pas de lignes de commande. Le SaaS qui survit est celui qui devient le layer de décision humaine — pas celui qui essaie de rivaliser avec l’automatisation pure. Idée actionnable : avant de dire à un client que son outil SaaS est condamné, demande-toi s’il sert de layer de validation humaine sur un process critique. Si oui, son avenir est dans l’intégration avec des agents — pas dans sa disparition. C’est une conversation qui se facture. — every.to
→ [Huawei / Loi τ-Scaling] Une annonce technique passée sous les radars cette semaine : Huawei a présenté à l’IEEE ISCAS une nouvelle loi semiconducteurs appelée τ-Scaling — une alternative à la loi de Moore centrée sur l’efficacité thermique plutôt que sur la miniaturisation. Si elle se confirme, elle change les règles du jeu pour les puces IA sans avoir besoin des procédés EUV actuellement bloqués à l’export vers la Chine. Idée actionnable : rien d’urgent cette semaine, mais à garder comme signal de fond. L’IA edge — des modèles puissants embarqués directement sur l’appareil, sans cloud — dépend exactement de ce type d’innovation. Pour des clients en secteurs réglementés qui ont des contraintes de confidentialité données, surveiller les annonces hardware Huawei d’ici fin 2026 est un avantage informationnel. — La conférence à regarder
C’est tout pour cette semaine.
Si un sujet t’a parlé, si tu veux challenger une idée ou juste dire que tu étais là — réponds directement à cet email. Je lis tout et je réponds à tout.
Et si tu as un projet à développer — une app, un outil interne, une V1 à finaliser — c’est exactement pour ça que je suis là. Un message en réponse à cet email suffit pour qu’on en parle.
Si cette édition t’a apporté quelque chose, le meilleur coup de pouce que tu puisses me donner, c’est de la partager à quelqu’un qui en ferait quelque chose 👇
Tu peux aussi me retrouver sur LinkedIn pour suivre ce que je construis en dehors des éditions.
À la semaine prochaine.
— Milan
Aucun post
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.