L'enseignement clé de Jane Street est que les usines de jetons ne sont pas une histoire de financement, mais un système opérationnel.
Auteur de l'article, source : Hongyi Jiaofu Kai Ge, Ye Kai Wen
La première réaction de beaucoup de personnes face au centre de données AI de Jane Street à Texas est d’envier sa richesse, sa capacité à acheter des GPU, à construire des salles de serveurs en refroidissement liquide, et à oser regrouper des milliers de puces haut de gamme dans un seul système de trading.
Cette réaction est normale, mais il est facile de se tromper.
(Image générée par ChatGPT)
Le véritable point à étudier chez Jane Street n'est pas qu'elle possède 4032 GPU, ni qu'elle a transformé ses centres de données traditionnels en un centre de données AI à refroidissement liquide ; le plus crucial est qu'elle a transformé la puissance de calcul d'une ressource IT arrière-plan en une productivité de trading en première ligne. Autrement dit, elle ne construit pas simplement un « centre de données », mais une usine de tokens produisant en continu des jugements de trading, des signaux de risque, des itérations de modèles et des insights de marché.
This change is important.
Aux yeux des institutions financières traditionnelles, les centres de données sont des centres de coûts : les serveurs, le réseau, le refroidissement et l’électricité sont tous des dépenses. Ici, chez Jane Street, les centres de données deviennent des lignes de production : l’électricité entre dans la salle des serveurs, les GPU effectuent l’entraînement, les modèles participent aux transactions, et les transactions génèrent des revenus ; ce qui circule en son sein n’est ni de l’acier ni de la surface au sol, mais des appels de modèles, des tâches d’entraînement et des calculs d’inférence répétés. En termes actuels, on parle de capacité de production intelligente tokenisée.
Cette affaire offre une inspiration directe pour la Chine. La Chine débat actuellement de l'exportation de jetons, de l'installation d'usines de jetons de calcul, et de la transition des entreprises cotées à Hong Kong, passant de l'immobilier, des parcs industriels et de la fabrication vers les infrastructures d'IA. Jane Street fournit un exemple très concret : une usine de jetons ne s'agit pas de concepts, ni de l'émission d'une cryptomonnaie, ni de transformer le calcul en produit financier, mais de relier intégralement l'électricité, le refroidissement liquide, les GPU, le réseau, les modèles, l'ordonnancement et les mécanismes internes de règlement, afin que le calcul devienne véritablement le moteur des revenus et de la valorisation des entreprises.
Jane Street n'est pas une société de trading ajoutant de l'IA, mais une usine d'IA avec des tables de trading.
Jane Street est considérée comme l'une des plus mystérieuses puissances du trading quantitatif de Wall Street. Ce n'est pas une banque d'investissement traditionnelle, ni une société de gestion qui vit de frais de gestion, mais elle capture des écarts et des primes de risque grâce à son propre capital, ses modèles de trading, ses systèmes à faible latence et la liquidité des marchés mondiaux.
Les informations publiques indiquent que Jane Street négocie plusieurs classes d'actifs dans 45 pays et plus de 200 marchés, avec une équipe d'environ 3 000 personnes. Sa culture technologique est très forte : elle utilise depuis longtemps le langage fonctionnel OCaml, met l'accent sur le développement interne de logiciels, les systèmes à faible latence, la gestion automatisée des risques et une infrastructure de négociation hautement fiable. La description de l'équipe d'apprentissage automatique sur le site web de Jane Street est directe : elle se présente comme « un laboratoire de recherche connecté au bureau de négociation » et mentionne que les données des marchés financiers arrivent en flux continus, dont la majorité constitue du bruit, nécessitant que l'équipe d'apprentissage automatique extrait des signaux négociables.
This sentence is crucial.
La plupart des entreprises utilisent l'IA pour améliorer l'efficacité administrative. Jane Street utilise l'IA pour accélérer sa compréhension des marchés. La première réduit les coûts, la seconde génère des revenus. La première considère l'IA comme un outil, la seconde comme un moyen de production.
Ainsi, la rénovation du centre de données IA de Jane Street ne peut pas être comprise comme une simple modernisation numérique d'entreprise ; elle ressemble davantage à une société de trading qui démonte et réassemble son moteur central. Autrefois, le cœur d'une société de trading était composé de traders, de modèles mathématiques, de données de marché et de systèmes d'exécution ; aujourd'hui, il se compose de données, de puissance de calcul, de modèles, de réseau et de marché interne des ressources.
C'est le premier sens de la usine de jetons : la intelligence n'apparaît pas de nulle part, elle est produite.
De 6 Dell à 4032 GPU, ce qui a vraiment changé, c'est les relations de production
Le site web de Jane Street mentionne que, il y a vingt ans, ses « clusters » n’étaient que six serveurs Dell empilés au sol dans un bureau ; aujourd’hui, son nouveau centre de données au Texas compte 4 032 GPU et utilise une architecture de refroidissement liquide. Cette évolution est très évocatrice. Il ne s’agit pas simplement d’une mise à niveau matérielle, mais d’un changement dans les relations de production de l’entreprise.
Les systèmes de trading initiaux étaient proches des traders. Les machines étaient placées dans les bureaux, et en cas de problème, on pouvait y répondre directement, voire débrancher l’alimentation. À cette époque, la puissance de calcul servait principalement d’outil d’appoint pour les équipes de trading.
Par la suite, le système de trading est entré dans une phase d'ingénierie. Le réseau, la gestion des risques, les backtests, l'exécution automatisée et les systèmes de surveillance sont progressivement devenus des plateformes partagées, et la puissance de calcul est devenue une ressource fondamentale partagée par plusieurs équipes.
Nous sommes maintenant à la troisième phase. Les GPU, le refroidissement liquide, l'électricité, la fibre optique, le stockage, les systèmes d'ordonnancement et l'entraînement des modèles sont intégrés en une usine de trading AI. Les centres de données n'appartiennent plus au service logistique, mais sont directement intégrés à la capacité de trading.
Cela est particulièrement inspirant pour les entreprises chinoises.
De nombreuses entreprises parlent de transformation IA, mais restent au stade de l’achat de modèles, du déploiement de systèmes ou de l’intégration d’API. Les entreprises véritablement compétitives transforment l’infrastructure IA en leur propre système de production. Celui qui peut obtenir l’électricité à moindre coût, faire fonctionner les GPU de manière plus stable, entraîner les modèles plus rapidement et allouer la puissance de calcul de manière plus efficace acquerra un nouvel avantage coûts et vitesse à l’ère de l’IA.
Ce n'est pas une affaire du département technique.
C'est une affaire de conseil d'administration.
Le refroidissement liquide n'est pas un détail technique, mais la fondation de la fabrique de tokens.
Un détail particulièrement remarqué du centre de données de Jane Street au Texas est la conversion à la refroidissement liquide à haute densité. Les documents de communication publiques et les pièces jointes mentionnent que ce centre de données prend en charge des baies GPU à haute densité de niveau GB300, avec une puissance pouvant atteindre environ 140 kW par baie, ce que le refroidissement par air traditionnel ne peut plus satisfaisamment gérer.
Selon les données officielles de NVIDIA, le GB300 NVL72 utilise une architecture rack-level entièrement liquide, intégrant 72 GPU Blackwell Ultra et 36 CPU Grace, destinée à l'inférence AI, au raisonnement AI et à l'entraînement de grands modèles. Les informations divulguées par HPE sur le GB300 NVL72 confirment également que ces systèmes sont des solutions rack-level à refroidissement liquide, conçues pour l'entraînement, le réglage et l'inférence de modèles dépassant un billion de paramètres.
Cela illustre une tendance : la concurrence future entre les usines d'IA ne sera pas seulement une compétition en matière de puces, mais une compétition en matière d'ingénierie systémique.
Même la plus puissante carte graphique unique ne pourra pas atteindre sa pleine valeur si l’infrastructure ne supporte pas une densité de puissance élevée, si le système de refroidissement est instable, si la distribution électrique n’est pas fine, ou si le réseau et le stockage ralentissent le système. Les goulots d’étranglement de la puissance de calcul AI s’étendent désormais du processeur lui-même à l’électricité, au refroidissement liquide, aux salles serveurs, au réseau et à l’ordonnancement.
This is very important for the transformation of China's token factories.
La Chine compte de nombreux parcs industriels, anciennes usines, centres de données, parcs de calcul cloud et projets de puissance de calcul locaux. Il ne s'agit pas d'une usine à jetons simplement en déplaçant des serveurs à l'intérieur. Une véritable usine à jetons doit posséder une capacité de support à haute densité de puissance, une capacité de transformation au refroidissement liquide, une alimentation électrique stable, une capacité de gestion de la consommation énergétique et une capacité d'ordonnancement des tâches.
Sans ces capacités fondamentales, les actifs de puissance de calcul risquent facilement de devenir des actifs comptables. On pense avoir acheté des machines, mais leur utilisation réelle est faible, la clientèle est instable, les coûts énergétiques sont élevés et la pression liée à l'amortissement est importante, transformant finalement ces actifs en un fardeau immobilier.
Ainsi, la première leçon concrète du cas Jane Street est que la fondation d'une usine de jetons n'est pas le whitepaper, mais l'électricité et le refroidissement par liquide.
La puissance de calcul doit avoir un prix, sinon les GPU deviendront une cantine publique.
Ce que Jane Street a de plus précieux à apprendre pour les entreprises chinoises, ce n'est pas le refroidissement par liquide, mais son mécanisme de tarification interne de la puissance de calcul.
L'analyse interne indique que Jane Street a conçu une monnaie interne appelée « Hive Bucks », permettant aux différentes équipes de concourir pour des ressources GPU via un mécanisme similaire aux enchères. Des rapports publics mentionnent également que Jane Street utilise cette monnaie interne pour aux enchères de temps de calcul GPU, aidant les équipes à allouer des ressources en fonction de la valeur des tâches.
Ce mécanisme est très important.
Après avoir acheté des GPU, le principal problème pour de nombreuses entreprises n’est pas le manque de demande, mais l’incapacité à prioriser les demandes. Chaque équipe affirme que son modèle est essentiel, chaque projet souhaite être exécuté en priorité, et chaque responsable souhaite occuper davantage de ressources. En fin de compte, les GPU sont longtemps occupés par des tâches à faible valeur, tandis que les tâches à haute valeur ne parviennent pas à obtenir leur tour. La puissance de calcul semble être un actif de l’entreprise, mais devient en réalité une cantine interne.
La méthode de Jane Street s'aligne davantage sur les mécanismes du marché. L'équipe attribue un prix plus élevé en utilisant son budget interne lorsqu'elle estime que sa tâche a plus de valeur. Le temps GPU n'est plus une ressource publique gratuite, mais un facteur de production doté d'un coût d'opportunité. Ainsi, l'allocation de la puissance de calcul passe d'une approbation administrative à un marché interne.
Cela a une pertinence directe pour le « usine de tokens de puissance de calcul ».
Un véritable token de puissance de calcul ne doit pas d'abord être compris comme un jeton destiné à des transactions externes, mais comme une unité de mesure et de règlement interne des ressources. La durée d'utilisation du GPU, l'appel de modèles, la priorité des tâches, la capacité électrique, les ressources de refroidissement et les commandes clients peuvent tous être tarifés et planifiés via un système de mesure interne unifié. Seule une compréhension approfondie de l'utilisation de la puissance de calcul au sein de l'entreprise permettra, à l'avenir, de produire, de financer et d'activer cette puissance.
Si la puissance de calcul interne n'a pas de prix, discuter de la tokenisation à l'extérieur n'est probablement qu'un simple emballage conceptuel.
La construction interne et le déploiement sur le cloud ne sont pas un choix binaire, mais une séparation des compétences fondamentales et des capacités d'élasticité.
Beaucoup se demandent pourquoi Jane Street, qui possède déjà ses propres centres de données, a signé un important accord de cloud AI avec CoreWeave.
Selon un communiqué officiel de CoreWeave, Jane Street s'est engagée à investir environ 6 milliards de dollars pour utiliser la plateforme cloud AI de CoreWeave, ainsi qu'à investir 1 milliard de dollars dans des actions de CoreWeave afin de soutenir les capacités d'apprentissage automatique à grande échelle et les applications AI liées au trading. Le communiqué indique également que CoreWeave fournira des ressources de calcul, y compris la technologie NVIDIA Vera Rubin de prochaine génération. Reuters a également rapporté que, grâce à cette transaction, Jane Street devient l'un des principaux actionnaires de CoreWeave tout en acquérant une capacité cloud AI à grande échelle.
Cela montre que Jane Street n'a pas construit aveuglément ses propres infrastructures, ni simplement migré vers le cloud. Elle a adopté une architecture hybride.
Les charges critiques, sensibles, à faible latence et nécessitant une haute personnalisation sont adaptées à une infrastructure auto-hébergée. Les besoins en élasticité, puces de pointe, extension interrégionale et pics de demande progressifs peuvent être confiés à des fournisseurs de cloud AI comme CoreWeave.
Cette approche est très utile pour les entreprises cotées sur le marché des actions de Hong Kong en Chine.
De nombreuses entreprises cotées traditionnelles qui se tournent vers le calcul de puissance tombent facilement dans deux extrêmes : l’un consiste à construire entièrement leurs propres infrastructures, avec un investissement lourd en actifs, mais sans que la clientèle ne suive, ce qui crée une forte pression sur les flux de trésorerie ; l’autre consiste à dépendre entièrement du cloud externe, sans infrastructure centrale ni accumulation d’actifs, ce qui ne permet finalement que des activités légères de conseil et d’intégration, rendant difficile une valorisation élevée.
Le chemin le plus raisonnable est la hiérarchisation.
L'entreprise peut contrôler son parc principal, ses ressources énergétiques, ses salles de serveurs à refroidissement liquide et les charges clients critiques, tout en collaborant avec des fournisseurs de cloud, des services GPU et des entreprises de modèles pour obtenir une puissance de calcul élastique et des compétences techniques. Ainsi, elle accumule des actifs tout en conservant une flexibilité d'expansion, évitant ainsi d'être verrouillée dans un seul modèle.
The trading revenue proves one thing: AI infrastructure can directly enter the profit system.
Pourquoi Jane Street ose-t-elle investir autant ? Parce que son infrastructure IA n'est pas un simple décor, mais un système intégré au profit.
Reuters rapporte que les revenus nets de négociation de Jane Street en 2025 ont atteint 39,6 milliards de dollars, dépassant plusieurs principaux concurrents tels que Citadel Securities et Hudson River Trading, ainsi que les revenus de négociation de certaines grandes banques d'investissement. Le rapport mentionne également que la performance de Jane Street a été soutenue par la volatilité du marché, ses capacités en négociation algorithmique et les gains issus de ses investissements liés à l'IA. Le Financial Times britannique rapporte également que les revenus de Jane Street en 2025 ont presque doublé pour atteindre 39,6 milliards de dollars, soulignant ses investissements dans des entreprises liées à l'IA telles que CoreWeave, Anthropic et Thinking Machines Lab.
Ces données montrent que le centre de données IA de Jane Street ne peut pas être évalué uniquement sur la base des économies réalisées sur les coûts cloud. Pour lui, les bénéfices apportés par la puissance de calcul peuvent se manifester par une formation de modèles plus rapide, des backtests plus approfondis, une exécution plus stable, une détection des risques améliorée et une capacité de transaction plus élevée.
Les entreprises ordinaires qui développent de l'IA calculent souvent le ROI en termes de réduction des coûts de main-d'œuvre. La logique de Jane Street est plus radicale : la puissance de calcul n'est pas destinée à économiser de l'argent, mais à en générer.
C’est aussi ce que la Token Factory en Chine devrait apprendre. Si un centre de calcul ne peut que dire « J’ai tant de P de puissance de calcul », sa valeur est incomplète. Il doit répondre à des questions plus commerciales : Ces puissances de calcul servent qui ? Aident-elles qui à augmenter ses revenus ? Réduisent-elles quels coûts ? Raccourcissent-elles quels cycles ? Créent-elles quelle fidélisation client ? Peuvent-elles enfin se transformer en flux de trésorerie durable ?
La puissance de calcul n'a de valeur réelle qu'une fois intégrée au système métier du client.
L'enseignement pour l'expansion des jetons chinois réside à transformer l'électricité en services intelligents.
La Chine discute de l'exportation des jetons, et il est le plus facile de tomber dans le récit du modèle. DeepSeek, Qwen, Zhipu, Kimi, MiniMax, le modèle vidéo de ByteDance — bien sûr, ils sont importants. Mais l'exemple de Jane Street nous rappelle que les modèles ne sont qu'une couche intermédiaire. Ce qui peut véritablement créer un avantage industriel, c'est la boucle fermée complète allant de l'électricité à la puissance de calcul, de la puissance de calcul aux jetons, des jetons aux applications, et des applications aux revenus.
L'avantage de la Chine réside précisément dans cette boucle fermée.
La Chine possède des ressources d'énergie verte, des infrastructures électriques, des capacités de construction de centres de données, des compétences en livraison d'ingénierie, un écosystème de grands modèles, ainsi que de nombreux scénarios d'utilisation fréquents tels que les courtes séries, le commerce international, le service client, les jeux, l'éducation et les services financiers. Dès lors que ces ressources peuvent être intégrées en une usine à jetons, l'exportation de jetons ne se limitera pas à l'exportation des API de modèles, mais deviendra une exportation des capacités d'infrastructure numérique chinoise.
Jane Street utilise les centres de données AI pour le trading, tandis que les usines de tokens en Chine peuvent servir un éventail plus large de scénarios : les entreprises du commerce international peuvent utiliser des agents intelligents pour le choix des produits, le service client, la traduction et le marketing ; les sociétés de courts métrages peuvent utiliser l'IA pour la traduction, le doublage, le montage et la diffusion ; l'industrie manufacturière peut utiliser l'IA pour les devis, la planification de la production, la prévision de la chaîne d'approvisionnement et le service après-vente ; les institutions financières peuvent utiliser l'IA pour la gestion des risques, la recherche en investissement et l'assistance au trading.
Ces applications consomment des jetons.
Plus la consommation de jetons est élevée, plus l'usine de puissance de calcul est précieuse. Plus l'usine de puissance de calcul est mature, plus les services d'IA chinois ont un avantage coûts à l'international. Une fois que cet avantage coûts atteint une échelle, il se transforme en avantage industriel.
L'enseignement pour les entreprises cotées à Hong Kong n'est pas d'exploiter l'IA, mais de restructurer le bilan.
Les entreprises cotées à Hong Kong, en particulier dans les secteurs de l'immobilier, des parcs, de la construction, de la gestion immobilière, de l'énergie et de la fabrication, devraient tirer une direction plus profonde de l'exemple de Jane Street.
Toutes les entreprises n’ont pas besoin de développer de grands modèles, ni de devenir des fournisseurs de cloud IA. Mais de nombreuses entreprises peuvent réaménager leurs actifs existants pour en faire une partie de l’infrastructure IA.
Les anciens entrepôts peuvent être transformés en salles de serveurs à refroidissement liquide. Les parcs industriels peuvent être connectés à des nœuds de calcul. Les actifs énergétiques peuvent être liés à des centres de données. La gestion immobilière peut intégrer des agents intelligents. Les plateformes cotées peuvent intégrer des actifs de calcul AI par des fusions-acquisitions, des émissions d'actions ou des partenariats stratégiques. L'essentiel est que la transformation doit entrer dans la structure des revenus, et non se limiter à des annonces.
Si une entreprise cotée sur le marché des actions de Hong Kong souhaite parler d'une usine de jetons, elle doit au moins répondre à plusieurs questions :
Y a-t-il une alimentation électrique stable ? Y a-t-il un espace adapté à la rénovation ? Y a-t-il des capacités de refroidissement liquide et de centre de données à haute densité ? Y a-t-il des clients réels ? Y a-t-il des partenaires pour des modèles ou des applications ? Y a-t-il un mécanisme interne de tarification de la puissance de calcul ? Y a-t-il un chemin pour intégrer les revenus de la puissance de calcul dans les états financiers ?
Si ces questions ne peuvent pas être répondues, la puissance de calcul AI n'est qu'un discours de gestion de capitalisation boursière. Si elles peuvent être clairement répondues, les entreprises cotées traditionnelles auront l'occasion de passer d'une évaluation d'actifs anciens à une évaluation d'infrastructure numérique.
L'enseignement clé de Jane Street est que les usines de jetons ne sont pas une histoire de financement, mais un système opérationnel. Elles nécessitent de la technologie et de la discipline financière ; des compétences en ingénierie et des commandes clients ; de la puissance de calcul et un marché interne des ressources.
La version chinoise de Token Factory ne doit pas se limiter à l'apprentissage du matériel, mais aussi à l'apprentissage des modes d'organisation.
Si vous ne vous contentez que d'apprendre que Jane Street achète des GPU, met en place un refroidissement liquide et utilise CoreWeave, vous ne faites que gratter la surface.
Ce qu'il faut surtout apprendre, c'est la manière d'organiser.
Jane Street intègre les activités de trading, de recherche, d'ingénierie, de puissance de calcul et d'investissement au sein d'un même système. Les modèles ne sont pas des résultats de recherche académique, mais des composants du système de trading ; la puissance de calcul n'est pas un coût du département informatique, mais le carburant de l'itération des stratégies ; la monnaie interne n'est pas un simple gadget, mais un mécanisme d'allocation des ressources ; le cloud externe n'est pas un remplacement de l'infrastructure interne, mais une extension élastique ; les investissements en capital ne sont pas une gestion financière, mais un positionnement stratégique dans l'écosystème des infrastructures IA.
Beaucoup d'entreprises chinoises effectuent une transition vers l'IA, mais le problème réside souvent dans la fragmentation organisationnelle : les départements opérationnels ne comprennent pas les ressources de calcul, les départements informatiques ne comprennent pas les revenus, les services financiers ne regardent que les coûts, et le conseil d'administration ne voit que des concepts, ce qui rend difficile la création d'une boucle fermée.
Pour que le Token Factory réussisse, il faut modifier la structure organisationnelle. La puissance de calcul doit avoir un responsable, l'électricité doit avoir un coût comptable, les modèles doivent avoir des cas d'utilisation, les clients doivent avoir un volume d'utilisation, les tokens doivent avoir un prix interne, et les revenus doivent pouvoir être attribués. Sinon, plus il y a de puissance de calcul, plus les ressources sont dispersées.
Conclusion : Le futur géant financier pourrait d'abord être une usine d'IA
Le cas de Jane Street illustre un point : les géants financiers de la prochaine génération, bien qu'apparaissant comme des sociétés de trading, pourraient en réalité être des usines d'IA.
Il transforme l'électricité en puissance de calcul, la puissance de calcul en modèle, le modèle en jugement de trading, et le jugement de trading en revenus. Dès que cette chaîne fonctionne, un centre de données AI n'est plus un centre de coûts, mais fait partie intégrante du système de profit.
Pour la Chine, la valeur de ce cas ne réside pas dans l'imitation de Jane Street. La Chine n'a pas besoin que chaque entreprise pratique le trading quantitatif, ni que chaque entreprise cotée à Hong Kong construise un centre de données avec 4032 GPU. Ce qu'il faut vraiment apprendre, c'est sa méthode fondamentale : considérer l'usine de jetons comme un système de moyens de production, et non comme un système conceptuel ; traiter la puissance de calcul comme un actif valorisable, planifiable, auditables et finançable, et non comme un ensemble de serveurs ; et voir l'exportation de jetons comme un cycle complet intégrant électricité, puissance de calcul, modèles, applications et règlement, et non comme une simple sortie API.
À l'avenir, celui qui maîtrise l'usine à tokens maîtrise la capacité de production intelligente. Celui qui sait transformer les anciennes usines, anciens parcs, anciens centres de données et anciennes plateformes cotées en lignes de production de tokens aura l'occasion d'obtenir une nouvelle évaluation à l'ère de l'IA.
Wall Street a déjà donné l'exemple.
Jane Street n'a pas construit un centre de données, mais un moteur intelligent qui transforme des données bruitées en revenus de trading. Ce que la Chine doit faire, c'est intégrer ce moteur dans des scénarios industriels plus larges, permettant à la fabrication, au commerce extérieur, au contenu, à la finance et au marché boursier de Hong Kong de se connecter à leur propre usine de jetons.
À l'ère ancienne, on regardait les terres et les immeubles.
Dans la nouvelle ère, observez l'électricité, la puissance de calcul et les jetons.
C'est là que le cas de Jane Street mérite vraiment d'être analysé.