Artificial Analysis, une plateforme de référence pour l'IA, indique que les principaux modèles chinois sont désormais en retard de seulement trois à neuf mois par rapport à leurs homologues américains, un écart qui était il y a peu encore bien supérieur à un an.
Le PDG Micah Hill-Smith déclare que les données de son entreprise confirment ce resserrement, même après la sortie des modèles révolutionnaires des deux côtés.
DeepSeek réduit l'écart
Le principal acteur du côté chinois est DeepSeek. Au mois de mai 2025, le modèle R1 0528 de l'entreprise est ex-aequo avec le deuxième laboratoire le mieux classé au monde, ce qui en fait le leader indiscuté parmi les développeurs chinois d'IA.
Du côté américain, le modèle o3 d'OpenAI conserve la première place.
Les modèles de langage chinois ont progressé de 3 % à 13 % de la part de marché mondiale dans une fenêtre de deux mois, selon le rapport State of AI du deuxième trimestre 2025 d'Artificial Analysis.
Les modèles américains restent dominants en termes d'utilisation brute, représentant environ 93 % des visites sur les sites de LLM au mois d'août 2025.
DeepSeek aurait formé son modèle V3 pour environ 5,6 millions de dollars, en réalisant cela grâce à une co-conception optimisée du matériel et du logiciel.
Pourquoi la crypto prend en compte les benchmarks d'IA
Les prix des actifs numériques liés à l'IA ont baissé après la publication des modèles compétitifs de DeepSeek.
Lors d'une compétition de trading, le modèle DeepSeek Chat V3.1 aurait généré un rendement de 126 % sur un investissement de 10 000 $ sur neuf jours.
Le tableau d'ensemble pour les investisseurs
Si les LLM chinois continuent leur ascension de 13 % vers 20 % ou plus, attendez-vous à une volatilité accrue pour les jetons liés à l’IA qui ont intégré la domination américaine. Le coût d’entraînement de DeepSeek à 5,6 millions de dollars constitue un défi direct au récit selon lequel l’IA de pointe nécessite des milliards de dollars en dépenses informatiques, ce qui a une importance pour les jetons liés à la location de GPU et aux réseaux d’entraînement décentralisés.