Hier, les actions de Meta ont bondi de plus de 11 % sur une seule journée. Intel et AMD ont respectivement tiré d’environ 12 % et 10 %. La cause : le produit d’agent IA personnel de Meta, Muse, continue de connaître un fort engouement. Il faut en parler, car cela pourrait en train de modifier en profondeur la logique sous-jacente de « la puissance de calcul de l’IA ».
I. Ce que Muse change réellement
La plupart des IA grand public disponibles sur le marché restent, dans l’essence, des outils de questions-réponses : vous saisissez un texte, le modèle fait son raisonnement, puis renvoie une réponse, et la tâche s’arrête là. Avec Muse, l’IA quitte la fenêtre de discussion pour entrer dans un véritable flux de travail : vous définissez un objectif, il le découpe en étapes, se connecte à des sites, fait appel à des services externes, lit l’état des pages, puis décide de la suite. Face aux étapes comme le paiement, l’envoi d’e-mails ou la modification d’un agenda, il demande une autorisation, exécute, puis vérifie de nouveau si la tâche est terminée.
La boucle fermée est la suivante : comprendre l’objectif → élaborer un plan → appeler des outils → observer les résultats → ajuster le plan → continuer l’exécution.
Dans l’IA traditionnelle, l’unité de travail, c’est « une conversation ». Dans l’agent, l’unité de travail, c’est « une tâche complète ». Meta a aussi ajouté un environnement d’exécution persistant côté cloud : même si vous fermez l’application, l’agent continue de tourner en arrière-plan. Cela signifie que la concurrence ne se joue plus seulement sur les modèles de base : elle dépend aussi des points de distribution, des données utilisateurs et de l’écosystème commercial. Meta contrôle un volume gigantesque d’entrées utilisateurs ; une fois que Muse aura capitalisé sur des e-mails, des agendas, des habitudes de consommation et l’historique des tâches, le coût de migration deviendra exorbitant. Vous ne transférez pas seulement des conversations : vous migrez tout un mode de travail.
II. Pourquoi l’impulsion concerne cette fois le CPU
Ces dernières années, le principal champ de bataille des infrastructures IA, c’était le GPU. Mais avec l’arrivée des agents dans le flux de travail, la structure de calcul change : le GPU gère « réfléchir » (comprendre l’objectif, générer un plan, reconnaître l’état d’une page). La partie qui « fait » réellement — lancer un système, démarrer des machines virtuelles, appeler des API, gérer les permissions, conserver l’état des tâches — s’exécute entièrement sur le CPU et des serveurs classiques.
Le chaînage d’un modèle de chat est : entrée → inférence → sortie → libération des ressources. Le chaînage d’un agent est : inférence → exécution CPU → attente des réponses externes → relecture de l’état → nouvelle inférence → nouvelle exécution. Une tâche longue peut ainsi boucler des dizaines, voire des centaines de fois. Le navigateur, les machines virtuelles, la mémoire et l’état des tâches doivent rester en ligne en continu. Les besoins en puissance de calcul IA passent donc de « générer un Token » à « fournir toutes les ressources système nécessaires pour accomplir une tâche complète ».
Dès que Muse s’ouvre à plusieurs milliards d’utilisateurs, même si une petite fraction exécute simultanément des agents, cela déclenchera une énorme quantité de machines virtuelles en concurrence, de processus de navigateur et d’appels API. Un agent personnel interagit avec la messagerie e-mail, le paiement et les droits de compte ; il ne peut pas faire tourner les tâches de tout le monde dans le même environnement. Plus on renforce l’isolation de sécurité, plus il faut attribuer des ressources dédiées à chaque utilisateur. Les besoins en CPU à l’ère des agents proviennent de trois lignes : augmentation du nombre de tâches concurrentes, allongement du temps de tâche, et resserrement de l’isolation de sécurité. C’est aussi pour cela que le marché se remet à regarder de près les serveurs multi-cœurs à CPU ; certains estiment même que, à l’avenir, le besoin en cœurs CPU pourrait doubler et que le ratio CPU/GPU pourrait tendre vers 1:1.
En une phrase, le cadre d’observation : quand le coût de l’inférence baisse, le goulot d’étranglement de l’IA ne sera plus « le modèle peut-il penser », mais « est-ce que l’arrière-plan peut exécuter en parallèle avec un coût suffisamment faible ».
III. Comment la demande se transforme en profit
La demande ne se traduit pas automatiquement en profit : l’élément clé, c’est le modèle économique « unitaire » de Muse. La version gratuite et deux paliers d’abonnement — 20 dollars, puis 100 dollars — serviront de base. À l’avenir, Muse pourra aussi monétiser via des agents pour entreprises, des interfaces pour développeurs et des commissions sur les transactions. Muse peut identifier l’intention de consommation réelle. La valeur théorique par utilisateur est supérieure à celle d’un simple clic publicitaire. Des organismes estiment que les revenus futurs pourraient dépasser 10 milliards de dollars.
Mais la structure des coûts des agents est différente : il faut faire tourner des machines virtuelles pour l’utilisateur, consommer de la mémoire, « brûler » le réseau et appeler des modèles. Plus on sollicite l’agent, plus les coûts côté back-office augmentent. Les deux paliers d’abonnement sont, dans l’essence, aussi un mécanisme de gestion des ressources : limitation du volume de tâches, du nombre d’appels et de la durée d’exécution en arrière-plan. Par rapport à un abonnement fixe, une commission sur les transactions colle mieux à la structure de coûts des agents.
Un mode de monétisation échangeable pourrait toutefois déclencher des conflits de plateforme. Amazon a déjà coupé l’accès à Muse pour les achats intégrés à son application : lorsque l’agent réalise la recherche et la commande à la place de l’utilisateur, celui-ci contourne les pages recommandation et les publicités. Les plateformes tierces suivront probablement l’une des trois voies : facturer l’accès via une interface ouverte, exiger un partage des transactions, ou bloquer l’accès non autorisé. Dans tous les cas, cela réduira la portée des services de Muse et ses marges.
IV. Comprendre cette chaîne de transmission
Pour Meta : Muse est la pierre de touche permettant de savoir si des dépenses d’investissement en IA peuvent se convertir en revenus grand public — le volume de téléchargements prouve la distribution ; le taux de réussite détermine la valeur ; la rétention et le paiement déterminent les revenus ; le coût unitaire par tâche détermine la profitabilité.
Pour Intel : le GPU pense, le CPU exécute. Si les agents grand public se déploient à grande échelle, le CPU des serveurs pourrait passer d’un simple composant auxiliaire à un maillon clé qui détermine la taille de la concurrence et le coût d’exploitation.
Toute la chaîne de transmission : les agents grand public obtiennent l’accès aux utilisateurs ; les tâches passent de la question-réponse à une exécution continue ; les machines virtuelles, les navigateurs et les appels d’outils explosent ; la demande en CPU, en mémoire et en réseau augmente ; les coûts d’infrastructure augmentent ; les revenus d’abonnement et les transactions valident l’économie unitaire ; et, en fin de compte, les besoins en puces se transforment en profit pour les fournisseurs.
Le GPU détermine si l’agent peut parvenir à tout comprendre et planifier correctement ; le CPU et l’infrastructure système déterminent s’il peut remplacer suffisamment de personnes pour accomplir les tâches ; et, pour finir, le retour sur capital dépend du montant gagné à chaque tâche accomplie, et de savoir si cela peut couvrir les coûts de toute la chaîne d’exécution.
I. Ce que Muse change réellement
La plupart des IA grand public disponibles sur le marché restent, dans l’essence, des outils de questions-réponses : vous saisissez un texte, le modèle fait son raisonnement, puis renvoie une réponse, et la tâche s’arrête là. Avec Muse, l’IA quitte la fenêtre de discussion pour entrer dans un véritable flux de travail : vous définissez un objectif, il le découpe en étapes, se connecte à des sites, fait appel à des services externes, lit l’état des pages, puis décide de la suite. Face aux étapes comme le paiement, l’envoi d’e-mails ou la modification d’un agenda, il demande une autorisation, exécute, puis vérifie de nouveau si la tâche est terminée.
La boucle fermée est la suivante : comprendre l’objectif → élaborer un plan → appeler des outils → observer les résultats → ajuster le plan → continuer l’exécution.
Dans l’IA traditionnelle, l’unité de travail, c’est « une conversation ». Dans l’agent, l’unité de travail, c’est « une tâche complète ». Meta a aussi ajouté un environnement d’exécution persistant côté cloud : même si vous fermez l’application, l’agent continue de tourner en arrière-plan. Cela signifie que la concurrence ne se joue plus seulement sur les modèles de base : elle dépend aussi des points de distribution, des données utilisateurs et de l’écosystème commercial. Meta contrôle un volume gigantesque d’entrées utilisateurs ; une fois que Muse aura capitalisé sur des e-mails, des agendas, des habitudes de consommation et l’historique des tâches, le coût de migration deviendra exorbitant. Vous ne transférez pas seulement des conversations : vous migrez tout un mode de travail.
II. Pourquoi l’impulsion concerne cette fois le CPU
Ces dernières années, le principal champ de bataille des infrastructures IA, c’était le GPU. Mais avec l’arrivée des agents dans le flux de travail, la structure de calcul change : le GPU gère « réfléchir » (comprendre l’objectif, générer un plan, reconnaître l’état d’une page). La partie qui « fait » réellement — lancer un système, démarrer des machines virtuelles, appeler des API, gérer les permissions, conserver l’état des tâches — s’exécute entièrement sur le CPU et des serveurs classiques.
Le chaînage d’un modèle de chat est : entrée → inférence → sortie → libération des ressources. Le chaînage d’un agent est : inférence → exécution CPU → attente des réponses externes → relecture de l’état → nouvelle inférence → nouvelle exécution. Une tâche longue peut ainsi boucler des dizaines, voire des centaines de fois. Le navigateur, les machines virtuelles, la mémoire et l’état des tâches doivent rester en ligne en continu. Les besoins en puissance de calcul IA passent donc de « générer un Token » à « fournir toutes les ressources système nécessaires pour accomplir une tâche complète ».
Dès que Muse s’ouvre à plusieurs milliards d’utilisateurs, même si une petite fraction exécute simultanément des agents, cela déclenchera une énorme quantité de machines virtuelles en concurrence, de processus de navigateur et d’appels API. Un agent personnel interagit avec la messagerie e-mail, le paiement et les droits de compte ; il ne peut pas faire tourner les tâches de tout le monde dans le même environnement. Plus on renforce l’isolation de sécurité, plus il faut attribuer des ressources dédiées à chaque utilisateur. Les besoins en CPU à l’ère des agents proviennent de trois lignes : augmentation du nombre de tâches concurrentes, allongement du temps de tâche, et resserrement de l’isolation de sécurité. C’est aussi pour cela que le marché se remet à regarder de près les serveurs multi-cœurs à CPU ; certains estiment même que, à l’avenir, le besoin en cœurs CPU pourrait doubler et que le ratio CPU/GPU pourrait tendre vers 1:1.
En une phrase, le cadre d’observation : quand le coût de l’inférence baisse, le goulot d’étranglement de l’IA ne sera plus « le modèle peut-il penser », mais « est-ce que l’arrière-plan peut exécuter en parallèle avec un coût suffisamment faible ».
III. Comment la demande se transforme en profit
La demande ne se traduit pas automatiquement en profit : l’élément clé, c’est le modèle économique « unitaire » de Muse. La version gratuite et deux paliers d’abonnement — 20 dollars, puis 100 dollars — serviront de base. À l’avenir, Muse pourra aussi monétiser via des agents pour entreprises, des interfaces pour développeurs et des commissions sur les transactions. Muse peut identifier l’intention de consommation réelle. La valeur théorique par utilisateur est supérieure à celle d’un simple clic publicitaire. Des organismes estiment que les revenus futurs pourraient dépasser 10 milliards de dollars.
Mais la structure des coûts des agents est différente : il faut faire tourner des machines virtuelles pour l’utilisateur, consommer de la mémoire, « brûler » le réseau et appeler des modèles. Plus on sollicite l’agent, plus les coûts côté back-office augmentent. Les deux paliers d’abonnement sont, dans l’essence, aussi un mécanisme de gestion des ressources : limitation du volume de tâches, du nombre d’appels et de la durée d’exécution en arrière-plan. Par rapport à un abonnement fixe, une commission sur les transactions colle mieux à la structure de coûts des agents.
Un mode de monétisation échangeable pourrait toutefois déclencher des conflits de plateforme. Amazon a déjà coupé l’accès à Muse pour les achats intégrés à son application : lorsque l’agent réalise la recherche et la commande à la place de l’utilisateur, celui-ci contourne les pages recommandation et les publicités. Les plateformes tierces suivront probablement l’une des trois voies : facturer l’accès via une interface ouverte, exiger un partage des transactions, ou bloquer l’accès non autorisé. Dans tous les cas, cela réduira la portée des services de Muse et ses marges.
IV. Comprendre cette chaîne de transmission
Pour Meta : Muse est la pierre de touche permettant de savoir si des dépenses d’investissement en IA peuvent se convertir en revenus grand public — le volume de téléchargements prouve la distribution ; le taux de réussite détermine la valeur ; la rétention et le paiement déterminent les revenus ; le coût unitaire par tâche détermine la profitabilité.
Pour Intel : le GPU pense, le CPU exécute. Si les agents grand public se déploient à grande échelle, le CPU des serveurs pourrait passer d’un simple composant auxiliaire à un maillon clé qui détermine la taille de la concurrence et le coût d’exploitation.
Toute la chaîne de transmission : les agents grand public obtiennent l’accès aux utilisateurs ; les tâches passent de la question-réponse à une exécution continue ; les machines virtuelles, les navigateurs et les appels d’outils explosent ; la demande en CPU, en mémoire et en réseau augmente ; les coûts d’infrastructure augmentent ; les revenus d’abonnement et les transactions valident l’économie unitaire ; et, en fin de compte, les besoins en puces se transforment en profit pour les fournisseurs.
Le GPU détermine si l’agent peut parvenir à tout comprendre et planifier correctement ; le CPU et l’infrastructure système déterminent s’il peut remplacer suffisamment de personnes pour accomplir les tâches ; et, pour finir, le retour sur capital dépend du montant gagné à chaque tâche accomplie, et de savoir si cela peut couvrir les coûts de toute la chaîne d’exécution.