Empire, "Crypto's Value Capture Problem & Why Robinhood Built Its Own Blockchain" (2026-07-10)

Trois fois plus de revenus, toujours 120 personnes. Abbas Mohammed a bâti sa première entreprise, une activité immobilière, jusqu'à 1,7 million de dollars de revenus annuels en quatre ans en embauchant 25 assistants virtuels. Son entreprise actuelle, Remote Leverage, tourne désormais à environ 1,5 million de dollars par mois. Son affirmation : l'IA lui a permis de tripler à peu près son revenu tout en maintenant l'effectif interne stable à environ 120 personnes, en automatisant le travail à faible valeur pour que ses spécialistes puissent viser des tâches à plus forte valeur. Sa philosophie d'embauche est un désaveu du réflexe « main-d'œuvre la moins chère », il soutient qu'un expert légèrement plus cher livre « littéralement 10 fois de meilleurs résultats ».

« Il m'a fallu quatre ans pour atteindre 1,7 million de dollars de revenus dans ma première entreprise. Maintenant nous sommes à 1,5 million de dollars par mois, et nous avons fait ça en moins de deux ans... Ces 20 %, 30 %, 40 % de salaire en plus que vous payez pour un vraiment bon expert vous donneront littéralement 10 fois de meilleurs résultats que quelqu'un d'un peu moins cher. »

Grit Daily Startup Show, "Abbas Mohammed on Why Better Talent Beats Doing Everything Yourself" (2026-07-07)

1 million de dollars de revenus, deux semaines après le lancement. Raj Singh, un fondateur en série dont la dernière entreprise a touché 100 millions de personnes avant d'être rachetée, a construit une nouvelle application de coaching de vie par IA appelée Purpose avec l'auteur à succès Mark Manson. Son équipe a construit tout le produit en environ six mois, et l'entreprise a franchi 1 million de dollars d'ARR en deux semaines après le lancement. La partie intéressante est l'idée produit, pas seulement la vitesse : il pense que les chatbots grand public sont conçus pour plaire, et il s'est donné pour but de construire l'inverse.

« Tous les modèles fondationnels, ChatGPT, Claude, ce ne sont pas juste trop de sucre. C'est du bonbon. C'est tout sucre, parce qu'ils maximisent l'engagement... Le défi produit était : comment donner une colonne vertébrale à un LLM sycophante ? Plus de 40 % des utilisateurs de Purpose disent désormais avoir obtenu, je cite, une 'valeur qui change la vie'. »

Subversive, "How Purpose Hit $1M in ARR Two Weeks After Launch" (2026-07-09)

Une entreprise média de 11 personnes qui surpasse une bien plus grosse. Dans sa propre émission, Scott Galloway a interviewé les fondateurs de TBPN, un programme tech quotidien, et a étalé leurs chiffres avec une envie visible. Onze employés, 5 millions de dollars de revenus publicitaires en 2025, en voie de dépasser 30 millions de dollars en 2026, en bootstrap, rentable, zéro capital extérieur. Cela représente environ 2,7 millions de dollars de revenus par employé cette année, en route vers bien plus de 4 millions de dollars. Galloway a noté que sa propre activité média ProfG fait environ 20 millions de dollars avec plus de téléchargements et de vues vidéo, et pourtant TBPN engrange 50 % de revenus en plus. Leur astuce était la discipline commerciale, pas l'effectif : des sponsorings annuels à prix fixe (vendus « comme sponsoriser une équipe de Formule 1 ») à une audience délibérément étroite de peut-être 200 000 opérateurs et investisseurs.

« 11 employés, 5 millions de dollars de revenus publicitaires en 2025. Vous êtes en voie de dépasser 30 millions de dollars en 2026. En bootstrap, rentable, zéro capital extérieur... Et pourtant vous avez 50 % de revenus en plus [que ProfG]. »

The Prof G Pod with Scott Galloway, "Why OpenAI Bought a Podcast, with TBPN's John Coogan and Jordi Hays" (2026-07-09)

Le contre-courant : l'efficacité ne signifie pas automatiquement moins de monde

Deux des voix les plus expérimentées de la semaine ont contesté le réflexe « IA égale licenciements », et une entreprise s'est brûlée publiquement en y croyant.

Ken Griffin, fondateur du hedge fund Citadel et du teneur de marché Citadel Securities, a décrit un système interne qui accomplit un travail de niveau réellement doctoral. Son équipe a construit un système agentique (une IA qui exécute des tâches en plusieurs étapes de façon autonome) pour reproduire des articles académiques de finance, ce travail de fond qui prend normalement des semaines à une équipe de titulaires de master et de doctorat.

« Il faut environ six à huit semaines pour reproduire un article... Mon collègue a construit un système d'IA agentique qui lit un article, le reproduit, vérifie les résultats, produit les résultats hors échantillon, et fait tout ce travail en, en moyenne, environ deux à trois heures. Et voici le point clé : il n'y a aucune réduction d'effectifs chez Citadel du fait de cette percée. J'ai des gens incroyablement talentueux... Je prendrai chaque gain de productivité que je peux obtenir, parce qu'avec les gens talentueux que nous avons, nous avons juste plus de choses à poursuivre. »

Exchanges, "Ken Griffin on US-China Tensions and AI" (2026-07-09)

Et une histoire édifiante : Ford aurait réembauché plus de 300 inspecteurs qualité et ingénieurs chevronnés après que des contrôles qualité pilotés par l'IA n'ont pas égalé l'expérience humaine, l'entreprise ayant supposé à tort qu'injecter des exigences de conception dans un modèle produirait un résultat de haute qualité sans les ingénieurs expérimentés. Un rappel utile que les histoires de remplacement ne tiennent pas toujours. Valuetainment, "'We're Team Human' - Ford Hired Back 350 Engineers They Fired Due to AI" (2026-07-07)

Geoff McQueen a fait le même constat depuis son siège de bâtisseur, et il vaut la peine d'y prêter attention avant de licencier son équipe d'ingénierie : une démo IA impeccable n'est pas un produit. Il a comparé une application « codée à l'instinct » en un coup à une voiture de course en carton avec une belle peinture.

« Dès que vous arrivez à une côte sous la pluie, avec vos enfants à l'arrière, c'est là que les mauvaises choses arrivent vraiment. Il y a une grande différence entre ce que vous pouvez coder à l'instinct comme démo et ce qu'il faut pour avoir réellement un vrai produit. »

Spark of Ages, "The Career Move That Survives AI / Geoff McQueen" (2026-07-10)

La version silencieuse : maintenir l'effectif, laisser grimper le revenu

Pour les entreprises qui ne poursuivent pas un rêve de fondateur solo, le geste pratique était plus subtil : garder l'équipe à la même taille et laisser l'IA absorber la croissance. Sur AI to ROI, Evan Schwartz d'AMCS Group (qui fait des logiciels pour les flottes de déchets et de recyclage) a détaillé le calcul qui bouge réellement un chiffre au niveau du conseil d'administration, pas juste un « j'ai gagné trois heures ».

« Je peux désormais ajouter deux à trois fois plus de contacts avec mes clients qu'avant, parce que l'IA fait le travail à faible valeur mais nécessaire... Nous avons pu réduire notre attrition de 6 % à 3 %. Nous gérons plus de 700 000 camions dans le monde, et l'optimisation des trajets économise 17 gallons de diesel par camion et par mois. »

AI to ROI, "AI Governance, Ethics, and the Stewardship Framework: A Conversation with Evan Schwartz, Chief Innovation Officer at AMCS Group" (2026-07-07)

Sa discipline mérite d'être copiée : chaque projet d'IA doit se rattacher à une métrique de conseil d'administration (EBITDA, free cash-flow, SG&A) avant d'être financé. Il a donné un exemple magnifiquement simple de pourquoi le « temps économisé » est un piège : réduire de 40 minutes le trajet d'un camion ne vaut rien en soi, « je dois quand même payer une journée complète au chauffeur. » L'argent n'apparaît que lorsqu'on réorganise les tournées et qu'on retire trois camions de la route, à environ 1 million de dollars chacun en coût annuel tout compris. Cela fait 3 millions de dollars de free cash-flow réel, pas une vague affirmation de productivité.

Le coin des coûts

La semaine dernière, le thème était le choc, les entreprises découvrant leurs factures d'IA. Cette semaine, les podcasts sont passés à la mécanique : comment les entreprises reprennent réellement la main sur la facture, et l'idée nouvelle et inconfortable qu'un budget de tokens devient une ligne de la masse salariale, juste à côté du salaire.

L'instrument brutal : les plafonds. Le contexte est désormais bien établi, Uber a fameusement grillé son budget IA annuel en quatre mois et imposé un plafond de 1 500 dollars par mois pour les rôles non liés au codage ; Walmart est passé d'un usage illimité des outils internes à des budgets de tokens stricts. Cette semaine a ajouté un nom frais à la liste : Tesla a appliqué des plafonds de dépense en tokens de façon uniforme à toute l'entreprise, en première réponse brutale. Un animateur a résumé toute cette bascule comme le passage de « l'ère de la subvention IA » à « l'ère de la rareté des tokens ». The AI Daily Brief, "The Big Ways AI Just Changed" (2026-07-04) et The AI Daily Brief, "AI Costs Are Surging and the Cheap Model Fix Might Not Last" (2026-07-08)

L'instrument plus intelligent : changer de modèle. L'approche de Coinbase a retenu le plus d'attention chez les ingénieurs. Plutôt que de plafonner l'usage, elle a changé quels modèles font le travail, en faisant basculer ses modèles par défaut des modèles de pointe les plus chers vers des options open-weight moins coûteuses (GLM-52 et Kimi-2.7), puis en ajoutant du cache et un « routage basé sur la difficulté » (envoyer les tâches faciles vers des modèles bon marché, les difficiles vers des modèles chers). Le résultat :

« Ils ont pu réduire les dépenses à près de la moitié de leur pic, alors même qu'ils augmentaient leur usage réel de tokens. Et en termes de production, ça n'a pas baissé. »

Everyday AI Podcast, "Ep 813: AI Cost Control 101: Why Your Chatbot Bill Is Becoming a Board-Level Problem" (2026-07-07)

L'instrument bâtisseur de rempart : fine-tuner son propre modèle. L'économie la plus frappante de la semaine est venue du fine-tuning, réentraîner un modèle plus petit sur ses propres données propriétaires pour qu'il batte un modèle général géant sur sa tâche spécifique, pour une fraction du coût. L'exemple cité par tout le monde était une étude de Bridgewater menée avec le Thinking Machines Lab de Mira Murati. Selon le récit d'AI Daily Brief, les grands modèles généraux (de GPT 5.2 jusqu'à Claude Opus 4.8) ont obtenu 74 à 78 % de précision sur la tâche pour un coût de 20 à 90 dollars, tandis que le spécialiste fine-tuné de Bridgewater a atteint environ 85 % pour quelques dollars à peine. Microsoft commercialise la même idée sous le nom « Frontier Tuning », affirmant que ses modèles ajustés égalent la qualité de la classe GPT à un coût jusqu'à 10 fois inférieur.

« On demande parfois pourquoi fine-tuner quand les modèles généralistes ne cessent de s'améliorer. Le travail de Bridgewater est un bon rappel qu'avec les bonnes données, ici des jugements d'experts, on peut largement battre les approches purement basées sur le prompting. »

The AI Daily Brief, "AI Costs Are Surging and the Cheap Model Fix Might Not Last" (2026-07-08)

L'idée nouvelle et déstabilisante : les tokens comme ligne de rémunération. Toujours sur 20VC, Clay Bavor a mis des mots sur la direction que cela prend. Il a vu des ingénieurs de haut niveau qui s'appuient lourdement sur des agents de codage brûler plus de 100 000 dollars par an en tokens, « une fraction significative d'un salaire d'ingénieur ». Sa prédiction est que les entreprises vont commencer à budgéter des tokens par employé, juste à côté du salaire.

« Je pense que la direction vers laquelle on se dirige, c'est une forme de budgétisation des tokens par employé. Pour les DAF de demain, l'allocation de capital ressemblera davantage à : voici votre salaire, voici votre budget de tokens, à vous de jouer. »

The Twenty Minute VC (20VC), "Open Models vs Frontier Models... The $100,000 Token Budget Every Engineer Will Need... with Clay Bavor, Co-Founder of Sierra" (2026-07-04)

Il a aussi offert un chiffre qui vaut la peine d'être débattu à votre prochaine réunion d'associés. Marc Benioff de Salesforce a dit dépenser environ 300 millions de dollars par an chez Anthropic pour ses équipes de développement, ce qui paraît énorme mais représente environ 3,8 % des salaires des développeurs. Bavor pense que ce chiffre est « follement décalé » par rapport à là où il finira par se stabiliser, et parie qu'il convergera plus près de 20 %. S'il a raison, l'implication est brutale : beaucoup d'entreprises d'applications IA sont, dans ses mots, « grossièrement surévaluées » au niveau de dépense supposé aujourd'hui, et sous-évaluées si la dépense quadruple réellement.

La voie médiane : l'accès par paliers. Tout le monde ne plafonne ni ne change de modèle. La directrice des ressources humaines de PwC a décrit comment elle donne à l'ensemble des plus de 80 000 collaborateurs une couche de base démocratisée d'outils (Copilot, un « ChatPwC » interne), tandis que les outils de pointe plus coûteux exigent une justification, l'ensemble du budget étant « surveillé de très près, pas seulement par nos dirigeants, mais aussi par notre conseil d'administration ». Son cadrage est celui à surveiller : elle refuse de traiter les dépenses d'IA comme optionnelles, les comparant à la question du retour sur investissement qu'on posait autrefois pour les ordinateurs portables. Mais elle a aussi signalé la carte cachée sous tout cela, que les prix d'aujourd'hui sont « tellement fortement subventionnés... on ne connaît pas le coût complet », et que si le coût réel émerge, une main-d'œuvre offshore ou débutante pourrait redevenir moins chère que la machine pour le travail répétitif. Future Ready Leadership With Jacob Morgan, "PwC's Chief People Officer on Training 80,000 People for the AI Era With Human Skills at the Center" (2026-07-06)

La tension qui clôt la semaine : un fondateur de Blockworks, enthousiaste dans le même souffle à propos du nouveau modèle Fable 5 d'Anthropic, a admis juste après qu'il est « ridiculement cher », qu'il « dévore les tokens comme aucun modèle que j'aie jamais vu », et que sa firme reçoit plus de plaintes « je n'ai plus de crédits » que jamais. La productivité est réelle. La facture aussi. Empire, "Crypto's Value Capture Problem & Why Robinhood Built Its Own Blockchain" (2026-07-10)