Anthropic passe devant OpenAI en revenus, la guerre des talents s'emballe
Avec environ 47 milliards de dollars de revenus annualisés, Anthropic double OpenAI sur le marché entreprise. En coulisses, les transferts de chercheurs s'enchaînent et la Maison-Blanche prépare des standards de publication.
Le paysage concurrentiel de l'IA vient de franchir un cap : selon les chiffres publiés début juillet, Anthropic atteint environ 47 milliards de dollars de revenus annualisés, contre une fourchette de 25 à 33 milliards pour OpenAI. Le croisement se serait joué sur le marché entreprise, où Anthropic est passé devant en mai 2026 et compte désormais plus de mille clients dépassant un million de dollars par an.
Ces nombres impressionnent, mais ils ne racontent pas toute l'histoire. Ils signalent surtout que la compétition ne se limite plus au meilleur chatbot grand public : elle se déplace vers les contrats pluriannuels, l'intégration dans les outils de travail et la capacité à rassurer les directions techniques.
- Le marché entreprise devient aussi important que la visibilité grand public.
- Les équipes de recherche se recomposent entre OpenAI, Google DeepMind et Anthropic.
- La publication des modèles devient un sujet de sécurité et de politique industrielle.
Lire correctement les chiffres
Un revenu « annualisé » est une extrapolation du rythme observé sur une période récente. Ce n'est pas nécessairement le chiffre d'affaires audité d'un exercice complet. Il peut progresser vite lorsque de gros contrats démarrent et varier si la consommation ralentit.
La comparaison reste néanmoins utile pour comprendre une tendance : les entreprises paient désormais pour des usages continus, et non plus seulement pour des expérimentations. La valeur se déplace vers les fournisseurs capables de tenir une qualité stable, de documenter leurs changements de modèle et d'offrir des garanties de sécurité et de disponibilité.
Pour les acheteurs, le vrai indicateur n'est donc pas le classement du mois. Il faut regarder la dépendance à un fournisseur, le coût par tâche réussie, la facilité de changer de modèle et la qualité du support lorsqu'un usage passe en production.
Pourquoi Anthropic progresse auprès des entreprises
Plusieurs facteurs peuvent expliquer cette accélération sans supposer qu'un seul modèle serait meilleur partout. Les équipes professionnelles privilégient souvent :
- une bonne tenue sur les documents longs et le code.
- des règles de sécurité compréhensibles et des contrats adaptés.
- une intégration fiable aux environnements cloud et aux outils internes.
- des réponses assez régulières pour construire des processus mesurables.
Une entreprise qui résume des dossiers juridiques, assiste un support client ou automatise des tâches de développement ne choisit pas uniquement sur une démonstration. Elle teste les erreurs, la latence, la traçabilité et le coût lorsque des milliers de requêtes s'enchaînent.
Les talents circulent dans les deux sens
La bataille se joue aussi sur les personnes. Noam Shazeer, vice-président engineering chez Google et co-auteur du papier fondateur Attention Is All You Need, rejoint OpenAI. Dans l'autre sens, John Jumper, directeur chez Google DeepMind et co-lauréat du prix Nobel de chimie 2024 pour AlphaFold, part chez Anthropic.
Ces mouvements ne signifient pas qu'une technologie entière voyage dans les bagages d'un seul chercheur. Les modèles modernes sont le produit d'équipes nombreuses, de données, d'infrastructures et de méthodes d'évaluation accumulées. Mais une personne expérimentée peut modifier les priorités de recherche, attirer d'autres profils et accélérer la transformation d'une idée en produit.
Il faut aussi lire ces recrutements comme un signal de maturité. Les laboratoires ne recrutent plus seulement des spécialistes des grands modèles de langage : ils recherchent des compétences en sciences, en systèmes distribués, en sécurité, en produit et en déploiement.
Washington veut cadrer les sorties de modèles
Dans le même temps, la Maison-Blanche négocie avec OpenAI, Google et Anthropic des standards volontaires de publication : critères de cybersécurité, évaluations et délais d'examen avant une mise à disposition du public. L'objectif affiché est de remplacer un fonctionnement au cas par cas qui a déjà ralenti plusieurs lancements.
Un standard volontaire peut créer un socle commun plus rapide qu'une loi. Sa limite est évidente : son efficacité dépend de ce qui est mesuré, de la transparence des rapports et des conséquences prévues lorsqu'un laboratoire ne respecte pas ses engagements.
La proposition attribuée à OpenAI de céder une part de son capital au gouvernement avant une introduction en bourse montre à quel point les frontières entre politique industrielle, sécurité nationale et financement privé deviennent floues. À ce stade, cette information doit être distinguée des accords effectivement conclus.
Ce que cela change pour ceux qui utilisent les modèles
La concurrence peut faire baisser les prix et accélérer les améliorations. Elle peut aussi provoquer des changements de versions plus fréquents. Une équipe sérieuse doit donc éviter de bâtir tout son produit autour d'un comportement implicite d'un seul modèle.
Une stratégie simple consiste à :
- Conserver un jeu d'évaluation représentatif de ses tâches.
- Isoler l'appel au modèle derrière une couche technique remplaçable.
- Suivre séparément qualité, coût, latence et taux de reprise humaine.
- Tester une seconde solution avant d'en avoir besoin.
- Documenter la version utilisée pour chaque résultat important.
Prenons un assistant qui traite des demandes clients. Une réponse moins chère mais plus souvent corrigée par un humain peut coûter davantage au final. À l'inverse, un modèle plus cher peut être rentable s'il réduit nettement le temps de relecture. Le bon calcul se fait sur le processus complet.
Gardez un jeu d'exemples identique pour chaque version et chaque fournisseur. Notez le résultat attendu, le temps de correction et le coût complet : vous pourrez changer de modèle sur des faits plutôt que sur une impression.
Les limites à garder en tête
Les revenus annualisés peuvent évoluer rapidement et ne disent rien, à eux seuls, de la rentabilité. Les transferts de chercheurs sont visibles, mais l'essentiel de la recherche reste collectif. Enfin, des engagements de sécurité ne valent que s'ils s'accompagnent de protocoles publics et d'évaluations contradictoires.
La conclusion utile n'est donc pas qu'un vainqueur aurait été désigné. Le marché entreprise se structure, les talents se redistribuent et la publication des modèles devient un sujet politique. Pour les utilisateurs, c'est le moment de profiter de la concurrence tout en construisant des systèmes qui pourront survivre au prochain changement de classement.