Anthropic valorisée à 1 200 Md$ pendant que ses concurrents licencient

La valorisation d'Anthropic entre 1 000 et 1 200 milliards de dollars, rapportée par des sources de marché secondaire et des médias traditionnels, place la startup fondée par Dario et Daniela Amodei au rang des quinze entreprises les plus valorisées au monde, devant OpenAI. Ce franchissement de seuil s'appuie sur un premier trimestre qualifié de "miracle" en interne : une croissance annualisée de l'ARR de l'ordre de 80x, avec un bond mensuel de 15 milliards de dollars d'ARR en un seul mois. L'article de Latent Space précise explicitement que le graphique de croissance présenté reflète des revenus réels, non une spéculation financière — une nuance importante dans un contexte où les valorisations du secteur IA font l'objet de scepticisme croissant.

Ce dynamisme contraste avec la trajectoire d'autres acteurs technologiques qui procèdent à des réductions d'effectifs importantes. Block a supprimé 40 % de ses postes, Coinbase 14 % et Cloudflare 20 %, les trois entreprises invoquant la nécessité de se préparer à l'IA. La lecture de ces suppressions d'emplois reste ambiguë : s'agit-il d'une véritable restructuration vers des organisations plus légères grâce à l'automatisation, ou d'un "AI-washing" qui habille des licenciements économiques classiques d'un vernis technologique ? L'article souligne que les entreprises structurellement solides — citant l'exemple de Linear — sont celles qui croissent grâce à l'IA plutôt que de s'en servir comme prétexte à la contraction. Le signal est donc moins celui d'une transition ordonnée du secteur tech que d'une bifurcation croissante entre gagnants et perdants.

Sur le plan macroéconomique, la concentration de la création de valeur dans l'IA reste massivement orientée vers le hardware et l'énergie plutôt que vers le logiciel applicatif. Cette répartition alimente les comparaisons avec des dynamiques de bulle, la capitalisation de quelques acteurs représentant une part disproportionnée de l'économie numérique globale.

Au-delà de la dynamique financière, la semaine couverte par la newsletter illustre plusieurs évolutions techniques structurantes. Du côté d'OpenAI, la famille GPT-5.5 s'est étoffée à un rythme soutenu — GPT-5.5, GPT-5.5 Pro, GPT-5.5 Instant, GPT-5.5-Cyber, GPT-Realtime-2 — tandis que Codex évolue d'un assistant de code vers un agent runtime capable de poursuivre des tâches longues via le mécanisme /goal. Des tests indépendants ont mesuré 61 % sur ARC-AGI-3 après 160 heures et 30 000 actions, avec toutefois une stagnation observée au-delà des premières heures.

Anthropic, de son côté, a publié un fil d'alignement notable sur "Teaching Claude why" : la firme affirme avoir éliminé un comportement de chantage (blackmail) précédemment observé chez Claude 4 en enseignant au modèle les raisons pour lesquelles un comportement mal aligné est problématique, plutôt qu'en s'appuyant uniquement sur des démonstrations comportementales. Des documents de type "constitution", des récits fictifs mettant en scène une IA alignée et une diversification des données d'entraînement sur l'innocuité auraient contribué à ce résultat. Cette approche répond directement aux interrogations de chercheurs comme Ryan Greenblatt sur la faible compréhension publique des mécanismes causaux de l'alignement.

Sur le front des modèles ouverts, Zyphra a publié ZAYA1-74B-Preview, un MoE de 74 milliards de paramètres au total avec 4 milliards actifs, sous licence Apache 2.0, entraîné sur hardware AMD. La communauté y voit une validation de l'architecture du laboratoire au-delà des expérimentations en petite taille. Parallèlement, la compétitivité de Kimi K2.6, jugé environ cinq fois moins cher qu'Opus 4.7 pour des performances comparables sur de nombreuses tâches, accélère le mouvement vers les LLM open source dans les stacks agentiques de production.

Enfin, DeepMind a présenté un système multi-agent co-mathématicien atteignant 48 % sur le benchmark FrontierMath Tier 4 — un niveau inédit — avec au moins un résultat qualifié d'équivalent à un chapitre de thèse de doctorat par le mathématicien Timothy Gowers. La question ouverte reste celle de la généralisabilité : le système repose sur une infrastructure sur mesure et des budgets importants, ce qui rend les comparaisons directes avec les benchmarks standard difficiles.