L’écart entre les États-Unis et la Chine dans le secteur de l’intelligence artificielle apparaît clairement lorsque l’on compare les revenus récurrents annualisés de leurs principales entreprises. Selon les estimations de Rhodium Group reprises par Quartz, Anthropic affiche un ARR d’environ 65 milliards de dollars et OpenAI de 40 milliards de dollars. Les entreprises chinoises restent encore très loin derrière : ByteDance approche les 4 milliards de dollars ; Alibaba, 2,4 milliards ; Z.AI, 1,8 milliard ; Moonshot, 1 milliard ; MiniMax, 800 millions, et DeepSeek, environ 500 millions.
Cette comparaison appelle une précision importante. L’ARR — acronyme de annual recurring revenue, ou revenus récurrents annualisés — ne correspond pas au chiffre d’affaires comptabilisé à la clôture d’un exercice. Il s’agit d’une projection calculée à partir du rythme récent des revenus. Cet indicateur est utile pour mesurer la dynamique commerciale d’entreprises en très forte croissance, mais ne doit pas être confondu avec des comptes annuels audités.
Même avec cette réserve, l’écart reste considérable. Les principales entreprises chinoises analysées génèrent ensemble une fraction des revenus attribués à OpenAI, et moins encore de ceux d’Anthropic. Les États-Unis semblent donc avoir pris une avance difficile à combler dans l’intelligence artificielle.
Mais cette conclusion ne raconte qu’une partie de l’histoire.
La Chine parvient à faire utiliser ses modèles de plus en plus largement hors de ses frontières. Or, une grande partie de cette progression repose précisément sur une stratégie qui rend plus difficile la génération de revenus directs élevés par utilisateur : des modèles bon marché, à poids ouverts et faciles à adapter.
Davantage d’usage, moins de revenus
En 2025, les modèles développés par des entreprises et institutions chinoises ont dépassé les 2 milliards de téléchargements sur Hugging Face, l’une des principales plateformes internationales de modèles ouverts. Ils ont représenté 41 % du total, contre 31 % pour les développeurs américains.
Qwen, la famille de modèles d’Alibaba, a à elle seule cumulé plus de 1,4 milliard de téléchargements, tandis que DeepSeek a atteint 484 millions. Le tableau contraste fortement avec celui des chiffres de revenus : les entreprises américaines dominent les services d’intelligence artificielle payants, mais les modèles chinois ont acquis une place importante auprès des développeurs, des entreprises et des communautés techniques du monde entier.
La différence tient en grande partie au modèle économique.
Les grandes entreprises américaines ont bâti une large part de leur activité autour de systèmes propriétaires. Entreprises et particuliers y accèdent via des abonnements, des applications ou des API ; le fournisseur conserve le contrôle de l’infrastructure et facture l’utilisation du service.
Les développeurs chinois ont, à l’inverse, promu des modèles open-weight. Leurs paramètres peuvent être téléchargés, exécutés sur une infrastructure propre et ajustés à des besoins spécifiques. Il ne s’agit pas toujours, au sens strict, de logiciels pleinement ouverts, les licences pouvant imposer des conditions d’utilisation, mais ils offrent une flexibilité bien supérieure à celle des modèles fermés.
Pour une entreprise, la différence est loin d’être négligeable. Elle peut exécuter le modèle sur ses propres serveurs, conserver davantage de contrôle sur les informations sensibles, l’adapter à ses processus internes et réduire sa dépendance vis-à-vis d’un fournisseur externe. Dans certaines applications, elle peut aussi diminuer sensiblement le coût d’exploitation de l’intelligence artificielle.
Le prix comme argument
Rhodium Group souligne que certaines entreprises réservent les modèles américains les plus avancés aux tâches particulièrement complexes — raisonnement, analyses sensibles, programmation avancée ou création de contenus à forte valeur ajoutée — et utilisent des alternatives ouvertes et moins coûteuses pour les travaux routiniers ou à fort volume.
Toutes les tâches ne nécessitent pas le modèle le plus puissant disponible. La classification de documents, le résumé de rapports, l’extraction d’informations, l’automatisation de réponses internes, le traitement de grandes quantités de textes ou la génération de code répétitif peuvent être confiés à des systèmes moins chers si leur niveau de qualité est suffisant.
La clé consiste à répartir les requêtes en fonction de leur complexité. Une entreprise peut recourir à un modèle avancé pour les travaux exigeant une précision maximale et à un autre, moins coûteux, pour les opérations répétitives. Dans certains cas, cette combinaison peut réduire jusqu’à 90 % le coût de l’inférence, même si l’économie finale dépend du type de tâche, du volume d’utilisation, de l’infrastructure et du système retenu.
Coinbase figure dans l’analyse parmi les exemples les plus frappants. L’entreprise est parvenue à réduire d’environ moitié ses dépenses internes en intelligence artificielle tout en augmentant considérablement l’utilisation de tokens par ses développeurs. Parmi les mesures adoptées figurait l’usage par défaut de modèles chinois moins coûteux, tels que GLM, de Zhipu AI, et Kimi, de Moonshot, pour les tâches qui ne justifiaient pas le recours à des modèles plus onéreux.
La limite des modèles ouverts
L’avantage concurrentiel de la Chine a sa contrepartie. Un modèle que chacun peut télécharger et exécuter de son côté est plus difficile à monétiser qu’un service propriétaire auquel il faut se connecter à chaque utilisation.
Les entreprises peuvent facturer des services cloud, de l’assistance technique, des versions destinées aux entreprises, des outils de développement ou des licences commerciales. Elles captent toutefois moins de revenus lorsqu’une part importante des utilisateurs dispose de modèles téléchargeables et peut les exécuter sur sa propre infrastructure.
Certains développeurs chinois tentent de corriger cette faiblesse au moyen de licences plus restrictives ou de services payants. L’équilibre n’est pas simple : durcir les conditions peut améliorer les revenus, mais aussi réduire l’attrait de modèles qui se sont précisément imposés grâce à leur faible coût et à leur facilité d’adaptation.
Le problème est d’autant plus important que le développement de la prochaine génération d’intelligence artificielle exige des investissements colossaux. L’entraînement de nouveaux modèles requiert des centres de données, de l’électricité, des processeurs avancés, des talents techniques et une capacité financière difficile à maintenir sans revenus croissants ou sans soutien public et privé.
La barrière des puces
La Chine doit en outre faire face aux restrictions américaines sur les exportations de semi-conducteurs avancés. Ces mesures limitent l’accès des laboratoires chinois à la puissance de calcul nécessaire pour entraîner et exploiter des modèles à grande échelle.
Des entreprises telles qu’Alibaba et Zhipu ont reconnu ce handicap. Dans le même temps, des fabricants comme Huawei tentent de développer des alternatives nationales et d’accroître les capacités de production de puces et de systèmes informatiques. Le défi ne consiste pas seulement à fabriquer des processeurs : il exige également des logiciels, des réseaux, de l’énergie, des capacités d’intégration et des volumes suffisants pour approvisionner les grands développeurs.
La bataille ne s’arrête pas au modèle
L’analyse de Rhodium soulève une question qui dépasse les revenus immédiats. Parvenir à faire utiliser massivement un modèle peut également avoir une valeur stratégique, même si son développeur ne tire pas de revenus importants de chaque installation.
Si des entreprises de différents pays construisent des applications, des produits et des processus internes sur une famille de modèles donnée, cette technologie commence à faire partie de leur infrastructure numérique. Qwen, par exemple, est devenu une base importante pour des modèles dérivés : Hugging Face a recensé des dizaines de milliers de variantes liées à la famille d’Alibaba.
La Chine dispose également d’une solide position industrielle dans des domaines susceptibles de croiser l’intelligence artificielle : télécommunications, électronique, b
