Anthropic dévoile ses comptes : le vrai business de Claude

Un S-1, ce n'est pas un billet de blog. C'est le document que toute société américaine doit déposer devant la SEC avant de vendre ses actions au public. Menti ou travesti, il engage la responsabilité de ses signataires. Celui d'Anthropic couvre ses comptes de 2023 au 30 juin 2026, et c'est la première fois qu'on voit aussi clair dans l'économie d'un des trois grands laboratoires.

La trajectoire domine tout. Fin 2024, Anthropic faisait environ 197 millions de dollars de revenus par trimestre. Au premier semestre 2026, il en réalise 16,3 milliards — contre 1,2 milliard un an plus tôt : quatorze fois plus. Au troisième trimestre seul, Bloomberg estime environ 16,8 milliards, une case que le S-1 laisse vide ; environ 35 milliards sur les douze derniers mois au 30 septembre. De fin 2024 au T3 2026, le revenu par trimestre a été multiplié par environ 85 en sept trimestres (calcul maison).

Face à OpenAI, la comparaison demande un détour de comptable. Au deuxième trimestre, Anthropic a fait plus de 11,5 milliards contre 6,7 pour OpenAI (WSJ). Mais les deux ne comptent pas pareil : Anthropic inscrit comme revenu la totalité de ce qui se vend via AWS, Google et Microsoft, et passe leurs commissions en dépense ; OpenAI ne compte que sa part (Axios). Corrigé de cet écart, Anthropic recule d'environ 18 % — un calcul maison, sur la méthode de Ben Thompson — et reste devant. En octobre, OpenAI tournait malgré tout autour de 50 milliards de revenus annualisés : l'écart de rythme se referme aussi parce que le marché grossit pour tout le monde.

Face au marché, en revanche, on est au tout début. Pour ses clients du Fortune 500, Anthropic pèse en moyenne moins de 0,1 % de leurs dépenses totales ; même pour ses dix plus gros clients, moins de 1 %. Le logiciel métier, la consultance, les salaires : le budget « intelligence » est encore un arrondi. C'est à la fois la meilleure nouvelle du document — le plafond est loin — et la raison pour laquelle Anthropic investit comme si la course venait de commencer.

Intuition première à démonter : Anthropic n'est pas une salle de sport qui vit de cotisations. 80 % de son revenu vient de la consommation — des tokens payés au compteur, 13,1 milliards de dollars — contre 20 % pour les abonnements (3,2 milliards). Anthropic a un nom pour ça, qu'il assume dans le document : du « pay-for-intelligence ». On ne loue pas un forfait, on paie l'intelligence à l'usage — le devis se rapproche de la facture d'électricité que de l'abonnement Netflix. Géographiquement, 72 % du revenu vient des États-Unis (calcul maison), et les administrations pèsent environ 1 %.

Deuxième intuition à démonter : les tokens vendus à perte et les abonnements grâce auxquels tout se financerait. Les clients payants — API et abonnés réunis — coûtent 2,4 milliards à servir pour 16,3 milliards de revenus : environ quinze centimes par dollar facturé (calcul maison). Et les abonnements, spécifiquement ? Ces 2,4 milliards couvrent le service de tous les clients payants. Les abonnements rapportent à eux seuls 3,2 milliards : même si les abonnés consommaient 100 % de ce compute — ce qui est matériellement impossible —, ils resteraient rentables. Au global, Anthropic ne perd pas d'argent sur ses abonnements (calcul maison).

Le détail honnête : ce calcul est une moyenne. Un très gros utilisateur de l'offre Max peut, individuellement, coûter plus que son abonnement. C'est l'ensemble qui gagne. Et ce qui coûte vraiment cher n'est pas le service : c'est fabriquer le modèle suivant, 9,7 milliards de R&D sur le semestre. Anthropic n'est pas une entreprise qui perd de l'argent en vendant son intelligence — c'est une entreprise qui dépense tout en en produisant plus.

Le S-1 dessine une pyramide nette : environ 11 900 clients à plus de 100 000 dollars par an, 1 900 à plus d'un million, 250 à plus de dix millions. Plus de la moitié du Fortune 500 est cliente. Et le haut de la pyramide pèse : les cinq plus gros clients font environ 25 % du revenu — aucun ne dépasse 10 %, mais le S-1 refuse de les nommer, et beaucoup n'ont pas de contrat long. Ils peuvent couper du jour au lendemain.

Une seule feature déplace la dépense : Claude Code. Dans une même entreprise, un utilisateur qui ne l'utilise pas dépense en moyenne moins de 75 dollars par mois. Les 5 % qui l'utilisent le plus en dépensent environ vingt fois plus. L'argent est dans les agents — et chez quelques très gros clients.

Sur la rétention nette à 900 %, un garde-fou de lecture : le S-1 compte comme « client de départ » quiconque a payé 1 dollar un an plus tôt. Le chiffre est spectaculaire, la définition flatteuse. Le mouvement, lui, est réel : les clients existants dépensent toujours plus — Claude Code d'abord, Claude Cowork ensuite, qui se diffuse plus vite que Claude Code au même stade et qu'Anthropic fusionne avec Claude.ai. Et Opus 5.5 a réduit le coût par tâche d'environ 40 % par rapport à Opus 5, « while preserving our margins » : moins cher à la tâche, marges tenues, usage qui explose. C'est la mécanique classique du supplier dont le produit s'améliore en baissant de prix unitaire — sauf qu'ici le produit apprend.

Dans les documents financiers, les plans d'affaires ont rarement un nom de code. Celui d'Anthropic s'appelle « closing the loop » : chaque version de Claude aide à construire la suivante. Le S-1 en fait l'un des plus grands avantages structurels de l'IA de pointe, et il faut lire les chiffres qui suivent pour comprendre qu'il ne s'agit pas d'une image.

Plus de 90 % du code d'Anthropic est écrit par Claude. Un ingénieur produit environ 45 fois plus de code par jour qu'en 2024. Et côté recherche : Sonnet 5 a lui-même post-entraîné une version préliminaire d'Opus 4.8 en une soixantaine d'heures. L'entreprise ajoute une pièce plus discrète : son portefeuille de tâches d'entraînement, « l'un de nos avantages scientifiques les plus durables » — un actif impossible à voir de l'extérieur, qui s'accumule version après version.

La lecture qu'en fait Ben Thompson est ce qui fait tenir tout ce chapitre ensemble : financièrement, Anthropic est déjà une IA qui s'auto-améliore. Elle est le premier client de son propre compute et de sa propre IA ; son compute de R&D — environ 6,25 milliards au semestre, 38 % du revenu — croît plus vite que le coût de servir ses clients, et c'est la course avec Google et OpenAI, pas la demande des clients, qui en fixe le montant. Le prix de la boucle colossal : environ 855 milliards de dollars d'engagements de calcul (Stratechery), dont au moins 114,5 milliards chez Google — le propre concurrent d'Anthropic. Une partie est financée par des prêts convertibles en actions : la « perte » de 80 milliards du semestre, vue par Thompson, est surtout de la dilution des actionnaires. Anthropic ne brûle pas tant l'argent des clients — il fabrique de la dette qui deviendra du capital.

La question que pose un S-1 est simple : quand j'achète l'action, qu'est-ce que j'achète ? Dans le cas d'Anthropic, la réponse est singulière. Une seule action de classe F, détenue par les fondateurs, porte 50,1 % des droits de vote. Un trust indépendant, sans intérêt financier — Ben Bernanke en fait partie — élit la majorité du conseil d'administration. Et le document prévient sans détour : l'entreprise peut retarder, restreindre, ou ne pas sortir un modèle. Elle l'a déjà fait — Mythos, d'abord réservé à quelques organisations à cause de sa puissance en cybersécurité. Acheter l'action, c'est financer une entreprise conçue pour pouvoir dire non à ses actionnaires.

Reste le pari. Le S-1 ne le formule pas, mais trois scénarios structurent toutes les discussions sur ce type d'entreprise — et chacun a un précédent connu.

Une phrase du S-1 mérite d'être extraite, car c'est un laboratoire qui parle : Anthropic reconnaît que les modèles ouverts captent les usages « that prioritize cost efficiency over intelligence » — qui privilégient le coût à l'intelligence. Le troisième grand labo américain écrit donc lui-même, noir sur blanc, que l'ouvert gagne partout où l'intelligence n'est pas le facteur décisif. Sa stratégie consiste à leur laisser les tâches simples et à parier toute la maison sur le reste. Quant à l'action, la seule arithmétique qui compte tient en une ligne : les financements convertibles diluent votre part à chaque tour — elle ne prend de valeur que si la valorisation monte plus vite que la dilution.

Un S-1 n'existe pas pour vendre : il existe aussi pour lister ce qui peut mal tourner. Celui d'Anthropic est instructif, parce que ses risques principaux ne sont pas commerciaux.

Changement d'actu, même famille de problème. Ces derniers mois, tout le monde a publié sa façon d'orchestrer des agents — logique : chacun veut démultiplier sa capacité de travail. Le constat de DeepSeek est froid : les modèles savent finir seuls une tâche de bout en bout, mais une personne ne suit que 3 à 5 sessions actives à la fois. La limite n'est plus le modèle. C'est votre attention.

Ce qui existait déjà, en cinq saveurs : la session principale qui délègue à des sous-agents, type Claude Code — encore faut-il qu'elle pense à déléguer ; la session par tâche des agents cloud, type Copilot ou Codex — rapide, mais personne n'a la vue d'ensemble ; l'Agent Team, un chef et des rôles — le chef découpe et porte tout le raisonnement ; le Kanban d'agents — une carte, un agent, et le chef de projet, c'est vous ; les bots isolés par canal — un bot par outil, aucun ne voit le tout.

La réponse de DeepSeek tient en une phrase : un seul agent continu, qui vit dans vos outils — chat, GitHub, email. La session devient un détail interne : vous ne choisissez plus dans quelle fenêtre parler. Il observe, avance ce qui le mérite, et se tait sinon. Leur aveu est rafraîchissant : pas de théorie nouvelle, des idées classiques des systèmes informatiques — files, routeurs, watchdogs — appliquées aux agents.

Les choix de design sont la vraie matière du papier. Les abonnements : une fois la pull request créée, la review et la CI remontent directement au worker, sans repasser par le routeur — sans cette règle, 37 % de tokens en plus. Le contexte géré comme un cache : on met dans la fenêtre ce qui va servir, le reste reste dehors avec un simple identifiant ; leur phrase est la bonne : gaspiller le contexte, c'est gaspiller l'intelligence du modèle. L'exécution spéculative : l'agent tente des choses en arrière-plan et ne parle que s'il a trouvé — on dépense du calcul pour économiser de l'attention. Le silence imposé par le code : aucun message de progression, un accusé de cent mots maximum, vérifié par un programme. Le mode observe : le travail non demandé n'est autorisé que par une règle d'équipe ; par défaut, l'agent note seulement ce qu'il aurait fait. Et un watchdog qui ne surveille pas seulement que le système est vivant, mais qu'il progresse.

Ce que j'en retiens pour votre propre setup, c'est une leçon de structure, pas de prompt. Avec une consigne neutre, une session unique n'a jamais délégué, en cinq essais : ses tâches les plus lentes montent à 29,5 minutes. Le super-agent casse les mêmes tâches en 15,7 minutes — pour 3,8 fois plus de tokens. La leçon est là : c'est l'architecture qui fait déléguer, pas le prompt.

Concrètement, tout de suite :

• Les règles à voler : un routeur qui ne fait rien lui-même ; des workers isolés par tâche ; un filtre en code avant tout appel au modèle ; un budget d'attention — un accusé, une question, un résultat ; le mode observe avant le mode automatique.
• Avec Claude Code : la session principale joue le routeur et ne code jamais ; les sous-agents jouent les workers. Ne comptez pas sur la consigne pour obtenir ça — imposez la structure.
• En entreprise : un « chef de projet IA » branché sur le canal d'équipe, qui ne dérange que pour faire décider. Commencez par une semaine en mode observe, où il note ce qu'il aurait fait — vous découvrirez où il aurait dérangé pour rien.

Troisième actu : un papier de Google Research nommé SLEEP, et une question qui va bien plus loin que le titre. Le mécanisme est simple à raconter. Le jour, le modèle apprend vite — en mémoire de travail. La nuit, il copie ces souvenirs dans ses paramètres, en ajoutant un petit bloc neuf sans toucher aux anciens. Et il « rêve » : il s'invente des exercices, et ne garde que ceux qui le font progresser. Ce que ça réussit le mieux : apprendre deux langues quasi inconnues — le mandchou, puis le kalamang — l'une après l'autre, sans oublier la première. C'est le vieux problème de l'apprentissage continu, attaqué par une analogie biologique assumée.

L'honnêteté impose de le dire : le papier a été refusé à l'ICLR 2026, avec des notes de 4, 4, 2 et 0. Le chiffre marketing — 10 millions de tokens — ne prouve rien sur le sommeil : l'architecture de base consolidait déjà aussi bien. Et un détail de conversion qui fleschit les titres de presse : 10 millions de tokens, c'est environ 7 millions de mots, pas 700 000.

Le sujet intéressant est ailleurs. Google essaie de mettre des informations dans les poids — des faits, des corpus, des langues. Mon avis, que j'ai donné dans la vidéo : c'est le mauvais sens. Les faits doivent rester dehors, dans une mémoire que l'on cite, date et efface — c'est le problème dit du « Memory Tax » : un fait gravé dans des paramètres ne se référence plus, ne se vérifie plus, ne se corrige plus. En revanche, ce que les poids encodent le mieux, ce sont vos valeurs — vos grands principes, vos heuristiques de décision. Aujourd'hui, même avec le meilleur prompt ou le meilleur skill, le jugement d'une IA retombe vers la moyenne. C'est une vraie limite pour quiconque veut un assistant qui lui ressemble.

Les appuis de cette lecture existent, et ils sont sérieux :

• Thinking Machines dit la même chose dans « The Future Worth Building Is Human » : « these values must be encoded in the model weights ». Si les valeurs ne passent que par le prompt, la surface change, mais les habitudes profondes restent — et leurs auteurs décrivent aussi les modèles qui « moyennent » les préférences.
• Les « Guardian Angels » de Gwern : des LLM jumeaux numériques, personnalisés pour reprendre la personnalité, les valeurs et les préférences d'une seule personne. Gwern a arrêté d'écrire pour monter une entreprise sur cette idée.
• Les poids encodent déjà des préférences de décision — c'est la thèse du papier « Your Policy Is Secretly a Harness » : un modèle entraîné garde dans ses paramètres les préférences de l'environnement de son entraînement.
• Et SLEEP, justement, réussit des savoir-faire — des maths, des langues — pas des faits. Le papier illustre la bonne direction en montrant la mauvaise cible.

J'ai testé l'intuition moi-même : un fine-tuning de Qwen3-32B entraîné sur des valeurs explicites battait le prompt sur ces mêmes valeurs. La formule que j'en retiens : prompter fait réciter, fine-tuner fait penser. Les limites sont réelles — un modèle par personne coûte cher, vos valeurs évoluent, et une IA trop semblable à vous risque de vous donner raison au lieu de vous contredire — mais c'est la direction que je suivrais.

Quatre annonces de laboratoires — et chacune mérite plus qu'une ligne de dépêche. Voici ce qu'elles font vraiment, avec l'ordre de grandeur qui compte.

MotionBricks (NVIDIA) : les mouvements générés en temps réel

Un seul modèle génère en direct les mouvements d'un personnage 3D ou d'un robot : marcher, sauter par-dessus un banc, s'asseoir, ramasser une épée. Les chiffres donnent le vertige : 15 000 images par seconde, 2 millisecondes de latence, plus de 350 000 mouvements appris sur de vrais acteurs. Deux détails font la différence pour la suite : les styles — zombie, blessé, accroupi — changent sans réentraînement ; et le code est publié, le modèle devenant une brique du programme d'humanoïdes GR00T. À voir : la démo Unreal Engine, 2 minutes 40 sans une seule coupe.

Unlimited-OCR-2 (Baidu) : lire un livre entier sans exploser la mémoire

Baidu a publié un modèle d'OCR qui transforme des scans ou des PDF en texte propre d'un seul tenant — même sur des centaines de pages. L'astuce est propre : au lieu de relire tout le document à chaque mot reconnu, il ne garde qu'environ 512 « repères » en mémoire. La mémoire et la vitesse restent constantes, quelle que soit la longueur. 3,3 milliards de paramètres, licence MIT, démo en ligne : pour vos factures, contrats et archives, en local et gratuit. La limite à connaître : Baidu a choisi lui-même ses benchmarks — la performance est réelle, le classement moins sûr.

OpenAI : l'IA qui s'attaque aux maths ouvertes

La plus grosse annonce de la semaine après Anthropic — et la plus difficile à résumer honnêtement, parce que rien n'est validé. Trois résultats de recherche sont annoncés, dont un qui touche un pilier théorique de l'informatique.

Commençons par l'image. Imaginez une rangée d'interrupteurs, chacun allumé ou éteint, et une liste de règles du type « si celui-ci est allumé, celui-là doit être éteint ». Le jeu : trouver une combinaison qui respecte toutes les règles. C'est le problème SAT. Chaque interrupteur ajouté double le nombre de combinaisons : dix interrupteurs, 1 024 combinaisons ; cinquante, plus d'un million de milliards. Depuis des décennies, on suppose qu'aucune méthode ne peut empêcher cette explosion : c'est l'hypothèse du temps exponentiel (l'ETH) — et des centaines d'articles reposent dessus.

Ça ne rend pas le problème facile : l'algorithme reste très lent en pratique, on est loin de « P = NP », et la cryptographie ne tremble pas. Mais une hypothèse structurante franchirait l'obstacle — pour la première fois, par une machine. Les deux autres résultats : la conjecture de Kakeya, ouverte depuis environ 35 ans, sur la façon dont les ondes se concentrent — démontrée en toute dimension avec une construction nouvelle ; et une preuve rigoureuse que la QCD, la théorie des quarks, existe — appuyée sur une méthode existante, celle de Balaban.

Ce que ces trois problèmes ont en commun, c'est ma lecture — OpenAI ne le formule pas :

1. Une machine peut les vérifier. L'énoncé est précis et la preuve se contrôle en Lean — environ 42 % des résultats annoncés le sont déjà. L'IA réussit là où un correcteur automatique dit vrai ou faux : exactement la nourriture des entraînements sur tâches vérifiables.
2. Ils sont très techniques. On peut avancer en poussant une méthode connue, ou en construisant un outil de plus dans une boîte à outils existante — pas besoin d'une révolution conceptuelle vérifiable seulement par quelques humains.
3. Beaucoup de volume, peu de réussites. Environ 4 000 problèmes posés ont donné 373 familles de résultats, soit environ 9 % (calcul maison) — et en moyenne l'équivalent de trois heures de réflexion de ChatGPT Pro par résultat.

Comment les 10 000 agents travaillent : c'est la partie que je préfère, parce qu'elle résonne avec le super-agent de DeepSeek.

L'honnêteté, maintenant — elle est salutaire. Rien n'est validé à ce jour : l'ETH sera vérifiée par Impagliazzo et Paturi, qui l'ont formulée, avec Ryan Williams ; Navier-Stokes reste « actif » au Clay Institute ; les résultats de physique ne sont pas publiés. Il y a même déjà eu une erreur : une simple faute de signe a fait retirer trois manuscrits en 24 heures. Et le détail qui fait sourire : Anthropic a publié sa propre réfutation de l'ETH — trouvée avec Claude, et datée du 16 octobre, le même jour.

Genie 4 (Google DeepMind) : des mondes 3D, maintenant avec le son

Un texte ou une image devient un monde 3D où l'on se déplace en temps réel. La nouveauté de cette quatrième génération, c'est le son, généré nativement — le vent, les vagues — et des dialogues qui s'adaptent à ce qui se passe. À voir absolument : le robot humanoïde Apollo qui joue aux dames dans un monde simulé, piloté par Gemini — la boucle « un IA génère le monde, une autre y joue » est la démo la plus proche d'un bac à sable agentique que DeepMind ait montrée. L'accès reste réservé : testeurs d'abord, puis abonnés Google AI Ultra, sur liste d'attente. Google le présente comme expérimental — le mot est mérité.

L'IA ne progresse plus seulement grâce à de meilleurs modèles. Les comptes d'Anthropic montrent que l'enjeu se déplace vers la façon de financer la boucle — qui paie l'intelligence, et à quel prix dilutif. L'architecture de DeepSeek montre qu'il se déplace vers la façon d'orchestrer — l'attention humaine est le goulot, la structure est la réponse. Et SLEEP montre qu'il se déplace vers la façon de faire apprendre — quoi graver dans les poids, quoi laisser dehors. Financer, orchestrer, apprendre : la semaine 44 n'a pas fait progresser l'intelligence des modèles. Elle a fait progresser notre compréhension de l'usine qui les produit.

Dites-moi en commentaire de la vidéo ce que vous retenez du S-1 — et surtout quel scénario vous croyez : Google Search, le cloud, ou la compagnie aérienne.

Sources

• Anthropic, S-1 (SEC) : sec.gov — anthropicpbc-sx1
• Stratechery, « Anthropic S-1, The Cost of Compute, Who Is Paying? » : stratechery.com
• WSJ, Bloomberg, Axios pour les chiffres de trimestre et la comptabilité comparée Anthropic / OpenAI ; Zvi pour le revenu sur 12 mois.
• DeepSeek Harness, l'article du super-agent : mp.weixin.qq.com · le prototype public : github.com/deepseek-ai/dsh-superagent-prototype
• Google Research, le framework SLEEP : research.google/blog/the-sleep-framework · l'évaluation ICLR 2026 : openreview.net
• Thinking Machines, « The Future Worth Building Is Human » : thinkingmachines.ai · Memory Tax : arxiv.org/abs/2610.34073
• NVIDIA Research, MotionBricks : research.nvidia.com/labs/gear/motionbricks
• Baidu, Unlimited-OCR-2 : huggingface.co/baidu/Unlimited-OCR-2
• OpenAI, résultats scientifiques (ETH, Kakeya, QCD) : openai.com
• Google DeepMind, Genie 4 : deepmind.google

Revue IA de la semaine 44 — écrite et schématisée par Eliott Meunier. La version vidéo sera intégrée en tête d'article dès sa mise en ligne.