Auteur : Long Yue
Le marché a paniqué en traitant Kimi K3 comme le "DeepSeek moment 2.0", mais cette fois, le jugement de Wall Street est radicalement différent.
Dans la nuit du 16 juillet, Moonshot AI a lancé Kimi K3 à Shanghai. Ce modèle open-source de 2,8 billions de paramètres a obtenu un score de 57 sur l'indice d'intelligence Artificial Analysis, se classant du troisième au quatrième rang mondial, à égalité avec Claude Opus 4.8 d'Anthropic et GPT-5.5 d'OpenAI. Plus crucial encore, sur le classement de programmation Frontend Code Arena créé par l'Université de Californie à Berkeley, K3 a atteint la première place avec 1679 points, dépassant Claude Fable 5 et GPT-5.6 Sol, devenant le premier modèle open-source à surpasser tous les modèles propriétaires étrangers sur un classement de programmation faisant autorité.
Le 17 juillet, le secteur des semi-conducteurs américain a affiché une baisse marquée. Le réflexe conditionné du marché est facile à comprendre – début 2025, le lancement de DeepSeek R1 a déclenché une chute brutale des actions liées à la puissance de calcul, avec ce raisonnement : Les modèles chinois deviennent de plus en plus puissants, les entreprises d'IA américaines ont-elles encore besoin d'investir autant dans la puissance de calcul ? Si les modèles chinois peuvent se rapprocher des capacités de pointe à moindre coût, la demande pour les puces NVIDIA, la HBM, les serveurs et les équipements réseau ne doit-elle pas être réévaluée ?
Cependant, selon les informations du poste de trading Trend Following, les derniers rapports de recherche de banques d'investissement telles que UBS, Nomura, Bank of America Merrill Lynch et Citigroup estiment que : Kimi K3 n'est pas le fossoyeur de la demande en puissance de calcul, mais son accélérateur.
Kimi K3 et DeepSeek R1 ne sont pas le même type de choc. R1 a davantage montré au marché "l'efficacité" ; K3 met plus en avant "l'échelle". 2,8 billions de paramètres, contexte de 1M de tokens, raisonnement permanent, multimodalité native, architecture MoE. Ces caractéristiques ne racontent pas une histoire d'actifs légers. Elles vont ensemble augmenter la pression sur le raisonnement, la mémoire, le réseau et le stockage.
À quel point Kimi K3 est-il puissant ?
Kimi K3 a été lancé par Moonshot AI le 16 juillet 2026. L'ouverture complète des poids du modèle est prévue pour le 27 juillet. C'est un modèle de grande taille open-source de 2,8 billions de paramètres, qualifié par plusieurs institutions de plus grand modèle LLM open-source en termes de poids actuellement.
La configuration principale comprend trois points :
Premièrement, une fenêtre de contexte de 1M de tokens. Le modèle peut traiter des textes plus longs, des bases de code plus étendues, des documents d'entreprise et des tâches de recherche plus complexes.
Deuxièmement, le raisonnement permanent. Pas simplement des questions-réponses, mais orienté vers des chaînes de raisonnement longues et des tâches d'agent.
Troisièmement, des capacités visuelles natives. K3 ne traite pas seulement le texte, il est aussi orienté vers la vidéo, l'image, le développement de jeux, le design frontend, la CAO et d'autres tâches multimodales.
Sur le plan architectural, K3 utilise Kimi Delta Attention, Attention Residuals et Stable LatentMoE. La partie MoE active 16 experts par token parmi 896 experts. Selon les déclarations de Moonshot AI, l'efficacité de mise à l'échelle globale (scaling efficiency) s'est améliorée d'environ 2,5 fois par rapport à Kimi K2.
Cela explique pourquoi K3 n'est pas un "K2 moins cher". Les prix compilés par Nomura montrent que le prix d'entrée de K3 est de 3 dollars par million de tokens, l'entrée avec cache atteint 0,30 dollar, la sortie est de 15 dollars par million de tokens ; selon les critères d'Artificial Analysis, le coût par tâche de K3 est d'environ 0,94 dollar. Ce prix est inférieur à celui de Claude Fable 5 (environ 2,75 dollars) et de Claude Opus 4.8 (environ 1,80 dollar), proche de celui de GPT-5.6 Sol (1,04 dollar), mais nettement supérieur à celui de GLM-5.2 (0,32 - 0,47 dollar), et bien supérieur à celui de DeepSeek V4 Pro (0,04 dollar).
Ainsi, le positionnement de K3 n'est pas le prix le plus bas, mais d'approcher les capacités des modèles de pointe à un prix plus faible.
Quatre banques d'investissement fixent le ton de manière dense : ce n'est pas un affaiblissement de la demande
Face aux inquiétudes du marché concernant l'impact du "moment DeepSeek", Duan Bing, analyste de l'équipe Technologie Asie-Pacifique de Nomura Securities, a écrit dans un rapport : "Nous pensons que la concurrence et l'innovation sur le marché mondial des grands modèles ne s'arrêteront pas. À mesure que nous nous rapprochons de l'intelligence artificielle générale (AGI), l'application de l'IA générative dans les segments consommateurs et entreprises continuera de s'étendre. Les laboratoires d'IA de pointe et les grandes plates-formes cloud peuvent continuer à investir à ce stade pour maintenir leur position concurrentielle – alors que la loi de l'échelle se poursuit, nous interprétons cette concurrence comme positive pour la chaîne de valeur de l'infrastructure IA."
L'analyste semiconducteurs de Citigroup, Peter Lee, a quant à lui intitulé son rapport du 19 juillet : "Un autre paradoxe de Jevons". Qu'est-ce que le paradoxe de Jevons ? En bref : l'amélioration de l'efficacité des machines à vapeur au charbon a entraîné une plus grande consommation de charbon, car plus de personnes pouvaient se le permettre et plus de scénarios l'utilisaient. Il en va de même pour les modèles d'IA – lorsque des modèles de qualité deviennent moins chers, les développeurs et les entreprises déploient plus d'applications, traitent plus de tokens, et la consommation finale de puissance de calcul augmente.
Peter Lee estime que, même si K3 est largement utilisé, la demande en mémoire générale comme la DDR5 des serveurs et les eSSD continuera d'augmenter. La raison est que l'efficacité du raisonnement de K3 est comparable à celle des autres modèles de pointe, mais l'occupation du cache KV s'étendra avec la croissance du contexte, augmentant plutôt que diminuant la pression sur la mémoire.
L'analyste semiconducteurs de Bank of America Securities, Vivek Arya, a été plus direct dans son rapport du 17 juillet. Il estime que la réponse des laboratoires d'IA de pointe américains est "non pas moins, mais plus de puissance de calcul". Si les modèles open-source chinois continuent de se rapprocher, OpenAI, Anthropic et Google doivent maintenir leur différentiation par des entraînements à plus grande échelle, des raisonnements plus lourds et des itérations plus rapides. Arya mentionne également un contexte souvent négligé : selon des reportages, Gemini 3.5 Pro de Google a déjà été retardé de plusieurs mois par rapport au plan, ses performances en programmation n'atteignant pas les objectifs internes, et la position de leader de pointe "devient de plus en plus difficile à défendre".
L'équipe de l'analyste Timo Arcuri de UBS a souligné dans un rapport du 20 juillet que les parallèles entre K3 et DeepSeek R1 existent bien, mais que K3 concerne davantage l'échelle – c'est le plus grand modèle open-source mondial, avec 2,8 billions de paramètres et une fenêtre de contexte de 1 million de tokens. Les analystes soulignent que les modèles open-source consomment généralement plus de mémoire que les modèles propriétaires de pointe, car leur fenêtre de contexte est plus longue, et la demande de cache KV, même après quantification, continue de croître en volume absolu, rendant le déploiement des modèles open-source plus dépendant de la HBM et du stockage.
Stockage : le secteur bénéficiaire le plus direct. Les estimations de UBS montrent que les flux de trésorerie disponibles (FCF) cumulés du secteur du stockage et de la mémoire devraient atteindre environ 30 % de la capitalisation boursière d'ici 2028 – le plus élevé parmi tous les sous-secteurs – avec Micron (MU) seul à 47 %. Citigroup et Nomura maintiennent tous deux une recommandation d'achat sur Samsung Electronics, citant le fait que le marché mondial de la mémoire est dans un état de tension extrême de l'offre. L'analyste de Citigroup, Peter Lee, souligne que la demande en mémoire côté raisonnement de Kimi K3 n'est pas inférieure à celle des autres modèles de pointe, et que l'expansion du volume du cache KV poussera directement à la hausse la demande en DDR5 serveur et en disques SSD d'entreprise (eSSD). Il souligne particulièrement : le déploiement à grande échelle de Kimi K3 nécessite des configurations de clusters "super-nœuds" de plus de 64 GPU.
Infrastructure de puissance de calcul : TSMC et NVIDIA en bénéficient en premier lieu. Que ce soit la loi de l'échelle côté entraînement qui reste valide, ou la croissance de la demande en tokens côté raisonnement, tout pointe finalement vers une demande accrue de puces en process avancé. Nomura réitère ses recommandations d'achat sur TSMC, ASE, MediaTek, etc. NVIDIA a déclaré publiquement que le raisonnement des modèles MoE modernes (architecture de mélange d'experts) sur GB300 NVL72 offre une amélioration du rapport performance/consommation allant jusqu'à 25 fois par rapport à l'architecture Hopper de la génération précédente. Un modèle comme K3 bénéficie naturellement des derniers matériels de NVIDIA.
Réseau : la tendance aux super-nœuds crée des opportunités structurelles. Kimi K3 nécessite des clusters super-nœuds. La puissance de calcul locale chinoise, limitée par les contrôles à l'exportation des puces haut de gamme, a encore plus besoin de s'appuyer sur l'architecture super-nœud pour compenser l'écart de performance par carte, ce qui stimule la demande des fournisseurs de la couche réseau comme les modules optiques et les puces optiques. Nomura est optimiste sur Inphi et Suzhou Inphi.
Plates-formes cloud : bénéficiaires de l'effet d'agglomération de l'écosystème. Les plates-formes cloud hébergeant de multiples modèles open-source de pointe ont un pouvoir de négociation plus fort, ne dépendant pas d'un seul fournisseur de modèle propriétaire. Nomura est optimiste sur Alibaba (BABA) en tant que cœur de l'écosystème cloud IA chinois, ainsi que sur les opérateurs de centres de données comme GDS et 21Vianet (VNET).
C'est peut-être le point de données le plus sous-estimé de tout le récit.
Selon les statistiques de la passerelle API ouverte OpenRouter, la proportion d'utilisation de tokens par les modèles d'IA chinois dans le trafic mondial des développeurs est passée de moins de 2 % il y a un an à plus de 45 % actuellement. Les données de Bank of America Merrill Lynch confirment l'accélération de la pénétration globale de l'IA : environ 55 % des entreprises américaines souscrivent actuellement à des modèles, plates-formes ou outils d'IA, le taux d'adoption en entreprise d'Anthropic atteignant 42 %, et celui d'OpenAI 40 %. Les principaux consommateurs d'IA (les 1 % d'entreprises utilisatrices) dépensent déjà 4833 dollars par employé et par mois pour l'IA.
Le marché se différencie. D'un côté, les modèles open-source chinois représentés par DeepSeek et Kimi K3, couvrant les marchés économique et milieu/haut de gamme à bon rapport qualité-prix ; de l'autre, les modèles de pointe américains de premier plan se concentrent sur des charges de travail plus complexes (comme le calcul scientifique), maintenant leur prime technologique et tarifaire. Le jugement de Nomura est : les principaux acteurs des grands modèles des deux côtés, chinois et américains, en bénéficieront – à condition de rester chacun à la pointe de la courbe technologique.
Après le lancement de K3, la première réaction du marché a été de le comparer à DeepSeek R1. Cette comparaison est utile, mais il ne faut pas s'arrêter à "va-t-il encore falloir frapper le matériel IA ?".
DeepSeek a obligé le marché à réévaluer l'efficacité de l'entraînement. K3 a montré au marché autre chose : les modèles open-source peuvent aussi pousser l'échelle, le long contexte, les agents et la multimodalité dans la zone de pointe.
Cela forcera les laboratoires de pointe américains à continuer d'investir, et permettra aux modèles chinois de continuer à s'étendre dans l'écosystème mondial des développeurs. Les modèles propriétaires de premier plan conservent leur prime technologique et tarifaire, les modèles open-source couvrent plus de segments de prix et de scénarios de déploiement, les fournisseurs cloud assurent la distribution des modèles et leur mise en œuvre en entreprise, et la chaîne matérielle supporte la pression de l'entraînement et du raisonnement.
À court terme, les transactions connaîtront des fluctuations en raison des "souvenirs de DeepSeek". À moyen terme, tant que l'utilisation des tokens continuera de croître, que le long contexte et les agents continueront de se diffuser, la puissance de calcul, la HBM, le stockage, le réseau et les IDC resteront des postes de coûts incontournables.
C'est aussi la raison pour laquelle plusieurs institutions sont arrivées à des conclusions similaires après K3 : des modèles open-source plus puissants ne sont pas la fin de la demande en infrastructure IA, mais pourraient plutôt être l'entrée vers le prochain cycle de diffusion de la demande.
Cependant, Bank of America Merrill Lynch a également clairement identifié un risque de queue : "Si la vitesse des gains d'efficacité dépasse la croissance de la charge de travail, nous pourrions assister à un certain recul dans la construction d'infrastructures." En d'autres termes, si les modèles deviennent de moins en moins chers, mais que leur utilisation ne se développe pas de manière synchrone et significative, la logique de croissance de la demande en puissance de calcul serait alors remise en cause.
