Réplique du "moment DeepSeek" ? Wall Street affirme unanimement que Kimi K3 renforce plutôt la demande en puissance de calcul

Le marché considère Kimi K3 comme un "moment DeepSeek 2.0" et panique, mais cette fois, le jugement de Wall Street est radicalement différent.

Dans la nuit du 16 juillet, Moonshadow 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 Artificial Analysis Intelligence, se classant troisième ou quatrième au niveau mondial, à égalité avec Claude Opus 4.8 d’Anthropic et GPT-5.5 d’OpenAI. Plus important encore, sur le classement de programmation Frontend Code Arena créé par l’Université de Californie à Berkeley, K3 a atteint le sommet avec 1679 points, surpassant Claude Fable 5 et GPT-5.6 Sol, devenant ainsi le premier modèle open source à dépasser tous les modèles propriétaires internationaux sur un classement de programmation reconnu.

Le 17 juillet, le secteur des semi-conducteurs sur le marché américain s’est nettement replié. Cette réaction réflexe du marché est facilement compréhensible : début 2025, la sortie de DeepSeek R1 avait déclenché une forte baisse des actions liées au calcul, selon la logique qu’avec la montée en puissance des modèles chinois, les entreprises américaines d’IA devraient-elles encore investir autant dans la puissance de calcul ? Si les modèles chinois peuvent s’approcher des capacités les plus avancées à moindre coût, la demande pour Nvidia, HBM, serveurs et équipements réseau ne sera-t-elle pas reconsidérée ?

Cependant, d’après Feng Trading Desk, les derniers rapports des banques d’affaires telles que UBS, Nomura, Merrill Lynch et Citi, indiquent : Kimi K3 n’est pas le terminus de la demande de calcul, mais un accélérateur.

Kimi K3 et DeepSeek R1 ne représentent pas le même type de choc. R1 a surtout montré au marché "l’efficacité" ; K3 met l’accent sur la "taille". 2,8 billions de paramètres, 1M token de contexte, inférence permanente, multimodalité native, architecture MoE — ces caractéristiques ne relèvent pas d’un modèle d’actifs légers. Elles accroissent simultanément la pression sur l’inférence, la mémoire, le réseau et le stockage.

Quelle est la puissance de Kimi K3 ?

Kimi K3 a été lancé par Moonshadow le 16 juillet 2026, avec des poids complets du modèle prévus pour une publication le 27 juillet. Il s’agit d’un modèle open source de 2,8 billions de paramètres, qualifié par plusieurs institutions d’être actuellement le plus grand LLM open source en termes de poids.

Les caractéristiques principales sont les suivantes :

Premièrement, une fenêtre de contexte de 1M token. Le modèle peut traiter des textes plus longs, des bases de code plus riches, des documents d’entreprise plus complexes ainsi que des tâches de recherche plus avancées.

Deuxièmement, le raisonnement permanent. Il ne s’agit pas simplement de questions-réponses, mais de tâches de raisonnement en chaîne et de missions d’Agent.

Troisièmement, des capacités visuelles natives. K3 ne traite pas seulement du texte, mais vise également des tâches multimodales pour la vidéo, l’image, le développement du jeu, le design frontend, le CAD, etc.

Concernant l’architecture, K3 utilise Kimi Delta Attention, Attention Residuals et Stable LatentMoE. La partie MoE active 16 experts pour chaque token sur 896 experts disponibles. Selon Moonshadow, l’efficacité de scaling globale a augmenté d’environ 2,5 fois par rapport à Kimi K2.

Cela explique pourquoi K3 n’est pas un "K2 moins cher". Nomura a compilé les prix suivants : K3 coûte 3 dollars par million de tokens en entrée, 0,30 dollar pour une entrée avec cache hit, et 15 dollars par million de tokens en sortie ; selon Artificial Analysis, le coût par tâche pour K3 est d’environ 0,94 dollar. Ce prix est inférieur à celui de Claude Fable 5 (environ 2,75 dollars) et Claude Opus 4.8 (environ 1,80 dollar), proche de GPT-5.6 Sol (1,04 dollar), mais nettement supérieur à GLM-5.2 (0,32—0,47 dollar) et beaucoup plus élevé que DeepSeek V4 Pro (0,04 dollar).

Ainsi, la position de K3 n’est pas d’être le moins cher, mais de s’approcher des capacités des modèles avancés à un prix plus bas.

Quatre banques d'affaires se prononcent massivement : il ne s'agit pas d'une baisse de la demande

Face aux inquiétudes du marché concernant le "moment DeepSeek", Duan Bing, analyste de l’équipe technologie Asie-Pacifique chez Nomura, écrit dans son 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’AGI, l’application de l’IA générative continuera à se développer auprès des consommateurs et des entreprises. Les laboratoires d’IA de pointe et les plateformes cloud hyperscale pourraient continuer d’investir pour maintenir leur position concurrentielle — alors que la loi de la taille se poursuit, nous interprétons cette compétition comme favorable à la chaîne de valeur des infrastructures IA."

Peter Lee, analyste semi-conducteurs chez Citi, a intitulé son rapport du 19 juillet "Encore un paradoxe de Jevons". Qu’est-ce que ce paradoxe ? Pour simplifier : l’amélioration de l’efficacité des machines à vapeur à charbon a entraîné une augmentation de la consommation de charbon, puisque plus de personnes pouvaient l’utiliser et dans plus de scénarios. Il en va de même pour les modèles d’IA — lorsque les modèles de qualité deviennent moins chers, développeurs et entreprises déploient plus d’applications et traitent plus de tokens, ce qui fait augmenter la consommation globale de calcul.

Peter Lee estime que, même si K3 est largement utilisé, la demande pour DDR5 serveur et eSSD — mémoire générale — continuera de croître. En effet, l’efficacité d’inférence de K3 est comparable à celle des modèles avancés, mais l’utilisation du KV cache augmente avec le contexte, ce qui accroît la pression sur la mémoire.

Vivek Arya, analyste semi-conducteurs chez BofA Securities, a été encore plus direct dans son rapport du 17 juillet. Il considère que la réponse des laboratoires américains d’IA avancée n’est "pas moins de calcul, mais plus". Si les modèles open source chinois continuent de rattraper, OpenAI, Anthropic et Google doivent maintenir leur avantage par des entraînements plus vastes, des inférences plus intensives et une itération plus rapide. Arya mentionne également un contexte souvent oublié : selon les médias, Gemini 3.5 Pro de Google a été retardé de plusieurs mois, avec des performances en programmation qui n’atteignent pas les objectifs internes, rendant le leadership de pointe "de plus en plus difficile à défendre".

L’équipe d’analystes de UBS menée par Timo Arcuri, dans son rapport du 20 juillet, souligne que même s’il existe des parallèles entre K3 et DeepSeek R1, K3 se concentre davantage sur la taille — c’est le plus grand modèle open source mondial, avec 2,8 billions de paramètres et une fenêtre contextuelle d’un million de tokens. Les analystes insistent sur le fait que les modèles open source consomment généralement plus de mémoire que les modèles propriétaires avancés, car leur fenêtre de contexte plus longue fait que le besoin en KV cache — même après quantification — augmente toujours en valeur absolue, rendant le déploiement des modèles open source plus dépendant de HBM et du stockage.

Stockage : le secteur le plus directement bénéficiaire. Les calculs d’UBS montrent que d’ici 2028, le flux de trésorerie disponible cumulé du secteur du stockage et de la mémoire devrait atteindre environ 30 % de la capitalisation boursière — le plus élevé de tous les sous-secteurs, avec Micron (MU) à 47 %. Citi et Nomura maintiennent leur recommandation d’achat sur Samsung Electronics, en raison de la tension extrême sur le marché mondial de la mémoire. Peter Lee, analyste chez Citi, souligne que Kimi K3 requiert autant de mémoire côté inférence que les modèles de pointe ; l’expansion du volume KV cache augmentera directement la demande de DDR5 serveur et de SSD d’entreprise (eSSD). Il précise que le déploiement en grand de Kimi K3 exige une configuration de cluster "super node" avec plus de 64 GPU.

Infrastructure de calcul : TSMC et Nvidia sont les premiers bénéficiaires. Qu’il s’agisse de la loi de la taille côté entraînement ou de la croissance de la demande de tokens côté inférence, le résultat est une demande accrue en puces de fabrication avancée. Nomura réitère sa recommandation sur TSMC, ASE, MediaTek, etc. Nvidia a publiquement indiqué que l’inférence des modèles MoE (architecture mixture of experts) modernes affiche un ratio performance/consommation sur le GB300 NVL72 jusqu’à 25 fois supérieur à la génération Hopper précédente. Les modèles comme K3 bénéficient naturellement du matériel le plus récent de Nvidia.

Réseau : la tendance des super nodes crée une opportunité structurelle. Kimi K3 nécessite des clusters de super nodes ; la puissance de calcul locale en Chine est bridée par les restrictions sur l’exportation de puces haut de gamme et doit donc plus s’appuyer sur l’architecture super node pour compenser le manque de performance par carte, ce qui stimule la demande pour les fournisseurs du réseau comme les modules optiques et puces optiques. Nomura apprécie Zhongji Xuchuang et Suzhou Xuchuang.

Plateformes cloud : bénéficient de l’effet d’écosystème concentré. Les plateformes cloud hébergeant plusieurs modèles open source avancés se retrouvent avec un plus grand pouvoir de négociation, sans dépendre d’un seul fournisseur de modèle propriétaire. Nomura recommande Alibaba (BABA) en tant que cœur de l’écosystème cloud IA chinois, ainsi que GDS et VNET comme opérateurs de centres de données.

C’est peut-être le point le plus sous-estimé du récit.

Selon les statistiques de OpenRouter, la part d’utilisation des tokens par les modèles IA chinois parmi les flux mondiaux des développeurs était inférieure à 2 % il y a un an, elle dépasse aujourd’hui 45 %. Les données de Merrill Lynch confirment l’accélération globale de la pénétration de l’IA : actuellement, environ 55 % des entreprises américaines ont souscrit à un modèle, une plateforme ou un outil d’IA ; le taux d’adoption chez Anthropic est de 42 %, chez OpenAI de 40 %. Les principaux consommateurs d’IA (le top 1 % des entreprises) dépensent 4833 dollars par mois et par employé en IA.

Le marché est en train de se segmenter. D’une part, les modèles open source chinois, représentés par DeepSeek et Kimi K3, couvrent le marché économique et le segment haut de gamme au meilleur rapport qualité/prix ; d’autre part, les modèles américains de pointe se concentrent sur des charges de travail plus complexes (comme le calcul scientifique) pour maintenir leur supériorité technologique et tarifaire. Selon Nomura, les grands acteurs des deux côtés de l’Atlantique bénéficieront — à condition qu’ils restent à la pointe technologique.

Après la sortie de K3, la première réaction du marché a été de le comparer à DeepSeek R1. Cette comparaison est utile, mais elle ne doit pas s’arrêter à "va-t-on encore dépenser sur du matériel AI ?"

DeepSeek a poussé le marché à reconsidérer l’efficacité d’entraînement. K3 montre autre chose : les modèles open source peuvent aussi repousser la taille, le contexte long, l’Agent et la multimodalité vers les zones de pointe.

Cela forcera les laboratoires avancés américains à continuer d’investir et permettra aux modèles chinois de poursuivre leur expansion dans l’écosystème mondial des développeurs. Les modèles propriétaires haut de gamme gardent leur avance technologique et leur marge tarifaire ; les modèles open source couvrent plus de segments de prix et d’usages, les fournisseurs cloud assurent la distribution des modèles et leur mise en œuvre en entreprise, et la chaîne hardware gère la pression du training et de l’inférence.

À court terme, il y aura des variations de trading en raison de la "mémoire DeepSeek". À moyen terme, tant que le volume de tokens continue de croître, que le contexte long et l’Agent se diffusent, le calcul, HBM, le stockage, le réseau et le data center resteront des postes de coût incontournables.

C’est aussi pourquoi plusieurs institutions aboutissent à une conclusion similaire après K3 : des modèles open source plus puissants ne sont pas la fin de la demande en infrastructures IA, ils pourraient justement être l’entrée vers une nouvelle vague de diffusion de la demande.

Mais Merrill Lynch met en garde contre un risque en queue de distribution : "Si les gains d’efficacité dépassent la croissance de la charge de travail, on pourrait voir un reflux dans la construction d’infrastructures." Autrement dit, si les modèles deviennent toujours plus abordables sans que l’utilisation ne s’étende massivement en parallèle, la progression du besoin en calcul pourrait perdre de sa logique.